結(jié)合多尺度循環(huán)卷積和多聚類空間的紅外圖像增強(qiáng)

路皓翔，劉振丙，張 靜，王子民

（1. 桂林電子科技大學(xué)計(jì)算機(jī)與信息安全學(xué)院，廣西桂林 541004；2. 桂林電子科技大學(xué)商學(xué)院，廣西桂林 541004）

1 引言

紅外成像技術(shù)以紅外探測(cè)器和光學(xué)成像系統(tǒng)為核心，將目標(biāo)區(qū)域物體溫度轉(zhuǎn)換為可見圖像，即紅外圖像［1，2］. 該技術(shù)是一種被動(dòng)成像技術(shù)不受環(huán)境因素影響，彌補(bǔ)了可見光成像系統(tǒng)的不足，被廣泛應(yīng)用于軍事、人防、工業(yè)及海上搜救等領(lǐng)域［3～5］. 然而，由于探測(cè)器可探測(cè)范圍大而目標(biāo)區(qū)域物體溫度范圍小以及大氣環(huán)境對(duì)熱輻射傳導(dǎo)的影響，造成紅外圖像的亮度較暗、細(xì)節(jié)模糊和對(duì)比度低，降低了紅外圖像的質(zhì)量［6］. 故而，采用圖像增強(qiáng)的方式改善圖像質(zhì)量、凸顯圖像細(xì)節(jié)信息、增強(qiáng)圖像對(duì)比度對(duì)于拓寬紅外成像技術(shù)的應(yīng)用極為重要［7～9］.

當(dāng)前，對(duì)于紅外圖像增強(qiáng)技術(shù)主要包括：（1）基于直方圖的圖像增強(qiáng)法. 該方法通過改變紅外圖像直方圖在整個(gè)灰度區(qū)間的分布達(dá)到改善圖像質(zhì)量的目的［10，11］. 但由于其會(huì)合并圖像的灰度級(jí)且灰度值映射函數(shù)單一等因素，導(dǎo)致圖像的細(xì)節(jié)丟失、輪廓模糊及塊效應(yīng)等問題突出. 因此，以合適閾值分解圖像直方圖為兩個(gè)或多個(gè)區(qū)間的子直方圖技術(shù)如子雙區(qū)間直方圖均衡化技術(shù)［12，13］、遞歸直方圖均衡化技術(shù)［14］和動(dòng)態(tài)直方圖均衡化技術(shù)［15，16］等，解決了圖像灰度級(jí)減少及亮度較低的問題. 通常，紅外圖像頻率較低的灰度級(jí)會(huì)合并而頻率較高的灰度級(jí)區(qū)域易增強(qiáng)過度，故產(chǎn)生了修正原始圖像直方圖頻率的修正直方圖均衡化技術(shù)，如直方圖剪切技術(shù)［17］、直方圖頻率加權(quán)技術(shù)［18，19］. 為了解決直方圖均衡化導(dǎo)致的圖像細(xì)節(jié)丟失，文獻(xiàn)［20～22］等提出了局部直方圖均衡化技術(shù)，通過在空間上將原始圖像劃分為若干子塊并在各塊進(jìn)行均衡化處理. 此外，結(jié)合直方圖均衡化和最優(yōu)化理論、泛函分析等數(shù)學(xué)理論的直方圖變分技術(shù)可實(shí)現(xiàn)預(yù)設(shè)條件下的紅外圖像增強(qiáng)［23］.（2）基于圖像分層的圖像增強(qiáng)法. 該方法根據(jù)圖像特征將圖像進(jìn)行分層，通過融合不同方法增強(qiáng)處理后的子層獲取高質(zhì)量圖像. 如文獻(xiàn)［24，25］中將圖像的細(xì)節(jié)層和結(jié)構(gòu)層進(jìn)行分離、文獻(xiàn)［26］將圖像的目標(biāo)區(qū)域和背景區(qū)域進(jìn)行分割可很好的解決圖像細(xì)節(jié)模糊、對(duì)比度低的問題，但圖像亮度較低.（3）基于變換域的圖像增強(qiáng)法. 該方法主要是將圖像灰度值轉(zhuǎn)換到梯度域或小波域進(jìn)行增強(qiáng)操作. 其中在梯度域中圖像灰度值可以等可能的顯示，更好的顯示圖像細(xì)節(jié)信息，如文獻(xiàn)［27］中結(jié)合梯度域和直方圖均衡化進(jìn)行圖像細(xì)節(jié)增強(qiáng). 在小波域中高頻小波系數(shù)對(duì)應(yīng)圖像邊緣、細(xì)節(jié)和紋理信息、低頻小波系數(shù)對(duì)應(yīng)圖像的背景及輪廓信息，如文獻(xiàn)［28］將圖像轉(zhuǎn)換到小波域，通過增強(qiáng)小波系數(shù)實(shí)現(xiàn)圖像增強(qiáng). 該方法可實(shí)現(xiàn)圖像細(xì)節(jié)及紋理細(xì)節(jié)的有效提升，但圖像整體質(zhì)量并未得到很好的改善.

在文中提出了一種融合細(xì)節(jié)特征的多尺度循環(huán)卷積多層次均衡化的單個(gè)紅外（灰度）圖像增強(qiáng)方法，它能夠在提升圖像亮度的同時(shí)增強(qiáng)圖像對(duì)比度、凸顯圖像紋理細(xì)節(jié)信息，輸出高質(zhì)量的紅外圖像. 該算法首先采用多尺度循環(huán)卷積提升圖像細(xì)節(jié)信息；然后利用Kmeans 對(duì)圖像灰度值聚類分析，在不同的聚類空間進(jìn)行均衡化操作，提升圖像亮度且保持圖像細(xì)節(jié)信息；接著按照線性融合策略與多角度組合濾波器提取的圖像紋理細(xì)節(jié)進(jìn)行融合，最后利用灰度等間距均衡化進(jìn)一步對(duì)融合后的圖像處理，增加圖像清晰度和細(xì)節(jié). 實(shí)驗(yàn)結(jié)果表明，該方法較對(duì)比方法均表現(xiàn)出了較優(yōu)的性能，更適合用于多種場(chǎng)景下的紅外成像技術(shù)中.

2 增強(qiáng)算法

本文圖像增強(qiáng)方法的框架如圖1所示，主要包括五個(gè)部分：多尺度循環(huán)卷積（Multi-scale Cyclic Convolution，MCC）、多聚類空間混合均衡化（Multi-cluster Spatial Mixing Equalization，MSME）、多角度組合濾波器（Multi-angle Combination Filter，MCF）、線性融合（Linear Fusion，LF）和圖像層次化處理（Hierarchical Processing，HP）.

圖1 本文算法框架

2.1 多尺度循環(huán)卷積

深度學(xué)習(xí)中，圖像深層特征主要依賴于卷積進(jìn)行提?。?9，30］. 傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中僅層與層間進(jìn)行連接，而Densenet 網(wǎng)絡(luò)［31］采用密集連接的方式將所有層連接起來充分利用圖像信息進(jìn)行細(xì)節(jié)信息提取. 也就是說若網(wǎng)絡(luò)存在L層則傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)存在L個(gè)連接，而Densenet 網(wǎng)絡(luò)則存在L（L+1）/2個(gè)連接.本文借鑒Densenet網(wǎng)絡(luò)這一思想，設(shè)計(jì)了多尺度循環(huán)卷積模塊并將每一層均連接起來，充分利用圖像的信息達(dá)到提取圖像細(xì)節(jié)信息的效果. 其實(shí)現(xiàn)圖像細(xì)節(jié)信息提取如圖2所示.

圖2 MCC提取細(xì)節(jié)框圖

該模塊包含兩個(gè)卷積層，每個(gè)卷積層中包含6個(gè)大小為3*3 的高斯卷積核且卷積半徑分別為0.1、0.3、0.5、0.7、0.9 和1. 此外將原始圖像I與第一層卷積提取的特征F1進(jìn)行融合并作為第二層卷積層的輸入I1，經(jīng)第二層卷積層處理后將其特征F2與原始圖像I和第一層卷積提取的特征F1進(jìn)行融合求解出較高質(zhì)量的圖像I2. 然而圖像的亮度不均勻且對(duì)比度較低，故在第二層卷積層進(jìn)行融合時(shí)首先采用自適應(yīng)直方圖均衡化（Adaptive Histogram Equalization，AHE）對(duì)第一層卷積提取的特征進(jìn)行對(duì)比度拉伸.

圖3給出了圖像經(jīng)多尺度循環(huán)卷積處理后的效果，從圖中可以看出，MCC可以有效的增強(qiáng)圖像的細(xì)節(jié)信息、改善圖像的視覺效果，但是處理后的圖像仍然存在亮度較暗且對(duì)比度較低的問題. 從圖3的局部細(xì)節(jié)圖中可以看出，MCC處理后圖像的細(xì)節(jié)信息更加豐富且對(duì)比度更高.

圖3 MCC處理前后的圖像及其直方圖（第1行是原圖和處理后的圖像，第2行為對(duì)應(yīng)的3D直方圖，1、3列為原圖，2、4列為處理后的圖像）

2.2 多聚類空間混合均衡化

MSME 主要為了提高圖像局部對(duì)比度同時(shí)凸顯圖像的細(xì)節(jié)，分為圖像灰度值聚類分析和圖像均衡化兩個(gè)階段，具體的：

Stage I：灰度值聚類分析

傳統(tǒng)的K-means 通過隨機(jī)選取灰度值作為聚類中心，然而圖像P的灰度值pij分布通常較為密集，若隨機(jī)選取的聚類中心重合或距離較近時(shí)，會(huì)導(dǎo)致最終求解的聚類中心不是最優(yōu)解［32］. 因此，對(duì)圖像聚類分析時(shí)首先采用最大貢獻(xiàn)率法選取初始聚類中心.

步驟1：初始聚類中心計(jì)算

假設(shè)圖像P中灰度值pi與pj之間的余弦距離Dpi為

圖像P中灰度值pi與灰度值pj距離的最小值定義為di，即

圖像P中灰度值pi與灰度值pj距離為di的累計(jì)數(shù)定義ρi為，即

那么，圖像P中灰度值pi的貢獻(xiàn)率φi為

按照從大到小的順序依次排列，即，

選取貢獻(xiàn)率最大的前K個(gè)灰度值，即選取C={φmax，φmax-1，···，φmax-k+1，φmax-k}所對(duì)應(yīng)的圖像P的灰度值={pmax，pmax-1，···，pmax-k+1，pmax-k}作為K-means聚類算法的初始聚類中心.

步驟2：灰度值類別劃分

將距離聚類中心最近的灰度值歸為一類，即，

步驟3：迭代精度評(píng)估

計(jì)算不同類別中每個(gè)樣本的迭代精度，即

其中，sp表示圖像中任意灰度值h表示聚類中心.λph為權(quán)重，若sp屬于以h為聚類中心的類別其取值為1，否則取值為0，即

若迭代精度不滿足設(shè)置的閾值，那么進(jìn)行聚類中心的更新.

步驟4：聚類中心更新

求解出不同類別的均值，并作為新的聚類中心，重復(fù)進(jìn)行步驟2、3，直至迭代精度滿足設(shè)置的閾值. 第m+1次迭代第h類的聚類中心um+1i為

其中，T表示以為聚類中心的類別中灰度數(shù)目.

Stage II：均衡化

經(jīng)過Stage I 對(duì)圖像灰度值聚類分析后，將圖像灰度值劃分為多個(gè)聚類空間，按照各聚類空間所包含的圖像信息的占比確定圖像均衡化后圖像的直方圖范圍，達(dá)到增強(qiáng)圖像的目的. 假設(shè)圖像P的灰度數(shù)為N，某一聚類空間q包含的灰度數(shù)為Mq，則該聚類空間均衡化后的直方圖范圍為

本算法將圖像劃分為三個(gè)聚類空間，由于第一個(gè)聚類空間主要包含圖像中暗區(qū)域信息，采用自適應(yīng)直方圖均衡化對(duì)圖像進(jìn)行均衡化操作；由于第二個(gè)聚類空間包含圖像大部分信息，故采用伽馬函數(shù)對(duì)圖像亮度進(jìn)行校正；由于第三個(gè)聚類空間包括了圖像少量的亮區(qū)域信息，故而采用線性校正的方式在指定的區(qū)間范圍內(nèi)對(duì)圖像的灰度值進(jìn)行線性拉伸.

圖4 給出了原圖及經(jīng)MCC 和MSME 處理后的圖像及其對(duì)應(yīng)的直方圖. 表1給出了圖4中各圖像對(duì)應(yīng)的灰度范圍、平均灰度、圖像A 和B 方框區(qū)域內(nèi)對(duì)應(yīng)的局部對(duì)比度和局部EME. 從圖像A 和B 中可以看出，經(jīng)過MSME 處理后，圖像的亮度得到明顯提升，表1 中對(duì)應(yīng)的圖像A和B平均灰度分別從19提高到了60、108提高到了135. 在細(xì)節(jié)增強(qiáng)方面，從圖像A 和B 方框區(qū)域可看出，經(jīng)MSME 增強(qiáng)處理后，圖像細(xì)節(jié)更清晰、對(duì)比度更高.

圖4 圖像A、B經(jīng)MCC和MSME處理后增強(qiáng)效果(a)原圖；(b)MCC增強(qiáng)后的圖像；(c)MSME增強(qiáng)后的圖像.第二、四行為第一、三行圖像對(duì)應(yīng)的直方圖

表1 各算法對(duì)圖像A、B方框區(qū)域增強(qiáng)處理圖像質(zhì)量客觀評(píng)價(jià)

2.3 多角度組合濾波器

MSME處理后的圖像對(duì)比度得到明顯的提高，而且提高了圖像較暗區(qū)域的圖像細(xì)節(jié)信息，但圖像輪廓不夠清晰且圖像亮區(qū)域的細(xì)節(jié)信息存在丟失. 為了解決這一問題，采用MCF提取圖像的輪廓及細(xì)節(jié)信息. 該濾波器采用二維高斯函數(shù)作為模板核函數(shù)實(shí)現(xiàn)圖像輪廓及細(xì)節(jié)信息的提取，為提取圖像不同角度的輪廓及細(xì)節(jié)信息，采用旋轉(zhuǎn)矩陣γi構(gòu)建第i個(gè)角度的核函數(shù). 設(shè)θi為核函數(shù)的旋轉(zhuǎn)角度，則第i個(gè)角度的旋轉(zhuǎn)矩陣γi為

若P(x，y)為X-Y坐標(biāo)系下核函數(shù)上一點(diǎn)，經(jīng)旋轉(zhuǎn)處理后第i個(gè)角度U-V坐標(biāo)系下點(diǎn)為

為了對(duì)圖像背景進(jìn)行均勻?yàn)V除同時(shí)提取圖像的輪廓及細(xì)節(jié)信息，即經(jīng)過模板濾波后背景區(qū)域（即，非輪廓和細(xì)節(jié)信息）的響應(yīng)為0，定義第i個(gè)角度的濾波器核函數(shù)(x，y)為

其中，λ為權(quán)重，文中取值為λ=0.6；屬于鄰域Q={|u| ≤3ε，|v| ≤L/2}；K為第i個(gè)角度下鄰域Q 中的灰度值；N為鄰域Q 中灰度值的個(gè)數(shù)；表示取整；Lap 為Laplace算子，用于提取圖像各個(gè)角度的細(xì)節(jié)信息.

圖5給出了Laplace算子以及MCF處理后圖像的輪廓和細(xì)節(jié)信息. 從圖中可看出，與Laplace 算子相比，MCF提取的圖像輪廓更為清晰且細(xì)節(jié)信息更為豐富.

圖5 不同算法提取的圖像細(xì)節(jié)信息(a)原圖；(b)Laplace 算子提取的細(xì)節(jié)信息；(c)MCF提取的細(xì)節(jié)信息

2.4 線性融合

融合策略主要是為了將兩幅或多幅特征各異的同一圖像按照一定的權(quán)重融合在一起實(shí)現(xiàn)提高圖像對(duì)比度、凸顯圖像細(xì)節(jié)同時(shí)改善圖像亮度的目的，進(jìn)而改善圖像質(zhì)量. 本文按照不同權(quán)重將多角度組合濾波器提取的圖像輪廓及細(xì)節(jié)圖像與經(jīng)多聚類空間均衡化處理后的圖像融合在一起得到細(xì)節(jié)豐富、輪廓清晰、對(duì)比度高的高質(zhì)量圖像. 具體融合公式為

其中，λ為權(quán)重，文中取值為λ=0.6，IMFHE為多聚類空間混合均衡化處理后的圖像，IMCF為多角度組合濾波器提取的細(xì)節(jié)及輪廓. 圖6 給出了線性融合前后的圖像，從圖中可看出，經(jīng)線性融合后的圖像輪廓清晰、細(xì)節(jié)信息豐富，較原圖像質(zhì)量有了較大的提高.

圖6 融合前后的圖像對(duì)比(a)原圖；(b)融合后的圖像

2.5 圖像層次化

經(jīng)過多尺度循環(huán)卷積、多聚類空間混合均衡化、多角度組合濾波器及線性融合處理后圖像的對(duì)比度、亮度及紋理得到了顯示提升，但圖像某些區(qū)域存在過增強(qiáng)且圖像的層次感較差，因此在上述處理的基礎(chǔ)上對(duì)圖像進(jìn)行圖像層次化處理.

首先，對(duì)線性融合處理后圖像IOut中不同灰度級(jí)的個(gè)數(shù)C進(jìn)行統(tǒng)計(jì)，

接著，對(duì)圖像IOut中非0 灰度值用f(x)進(jìn)行層次化處理，則處理后圖像IOut的灰度值Ti為

其中，IOuti為未經(jīng)過層次化處理的圖像IOut的灰度值，變化函數(shù)f(x)=

圖7給出了自然場(chǎng)景和海面場(chǎng)景下原圖像、線性融合后的圖像和層次化處理后的圖像. 從圖中可看出，與原圖像及線性融和后的圖像相比，經(jīng)層次化處理后兩種場(chǎng)景下的圖像層次更加分明、對(duì)比度更高且不存在過曝光，圖像的視覺效果更好、整體質(zhì)量也更高. 尤其在原圖像對(duì)比度極低的情況下如海面場(chǎng)景下的圖像，線性融合后圖像中天空部分層次分明且水面的波紋更明顯.

圖7 灰度等間距均衡化前后對(duì)比

3 實(shí)驗(yàn)方法與結(jié)果

實(shí)驗(yàn)平臺(tái)：CPU Intel（R）Core（TM）-i7 9700K 8 核3.6 GHz、內(nèi)存為16 GB；軟件為Matlab R2014a，Windows 10操作系統(tǒng). 本文隨機(jī)選取自然場(chǎng)景和海面場(chǎng)景進(jìn)行實(shí)驗(yàn)，并 與BF&DRP［25］、Retinex［33］、Homo［34］、BBHE［35］、GFBE［36］和DOTHE［37］方法進(jìn)行對(duì)比，從定性和定量?jī)煞矫嬖u(píng)估本文算法的有效性，其中在定量分析方面，選取熵增強(qiáng)（Enhancement by IE，EME）、平均梯度（Average Gradient，AG）和信息熵（Information Entropy，IE）作為評(píng)價(jià)指標(biāo). 其中，EME反應(yīng)了圖像的對(duì)比度變化，其值越大說明圖像對(duì)比度越大；IE反應(yīng)了圖像所包含的信息量，其值越大說明圖像質(zhì)量越好；AG衡量圖像的灰度變化及圖像整體亮度，其值越大說明圖像亮度越高且圖像所包含的細(xì)節(jié)信息越豐富.AG、IE和EME的計(jì)算公式為

3.1 自然場(chǎng)景增強(qiáng)效果評(píng)價(jià)

首先選取自然場(chǎng)景下的一組圖像進(jìn)行增強(qiáng)實(shí)驗(yàn)對(duì)本文方法的有效性進(jìn)行評(píng)估，圖8 分別展示了BF&DRP、Retinex、BBHE、Homo、GFBE、DOTHE 與本文方法處理后的圖像及其對(duì)應(yīng)的直方圖. 表2 給出了每個(gè)方法對(duì)應(yīng)的定量評(píng)估指標(biāo)結(jié)果.

從圖8 可以看出，GFBE 處理后的圖像存在嚴(yán)重的局部過曝光、圖像輪廓模糊且細(xì)節(jié)信息丟失嚴(yán)重，降低了圖像的質(zhì)量，從圖像對(duì)應(yīng)的直方圖中可以看出，雖然拓寬了直方圖的灰度級(jí)，但是圖像的灰度級(jí)在低灰度級(jí)和高灰度級(jí)個(gè)數(shù)最大.BF&DRP 處理后的圖像，雖然細(xì)節(jié)信息豐富，但亮度較暗且對(duì)比度較低，從圖像對(duì)應(yīng)的直方圖中可看出，BF&DRP 壓縮了圖像的灰度級(jí)且灰度值分布在灰度值較小的區(qū)域.Retinex和Homo均是以人為感知為依據(jù)的圖像處理方法，經(jīng)這兩種方法處理后的圖像亮度得到了明顯的提高，圖像對(duì)應(yīng)的直方圖主要分布在灰度值較大的區(qū)域，但圖像的對(duì)比度較低.BBHE處理后的圖像亮度較暗、視覺效果較差，與原圖像相比增強(qiáng)效果不明顯，圖像對(duì)應(yīng)的直方圖存在明顯高低分界點(diǎn)且圖像的平均灰度值較小.DOTHE 處理后的圖像與原圖像相比，圖像的亮度和對(duì)比度能夠提升，但增強(qiáng)后的圖像存在細(xì)節(jié)模糊的問題，從圖像對(duì)應(yīng)的直方圖可看出，DOTHE能夠拓寬圖像的直方圖分布區(qū)間，提高圖像的平均灰度值.與BF&DRP、Retinex、BBHE、Homo、GFBE 和DOTHE 方法相比，本文方法處理后的圖像在提高圖像亮度的同時(shí)能夠顯著增強(qiáng)圖像的對(duì)比度、豐富圖像的細(xì)節(jié)信息. 從圖像對(duì)應(yīng)的直方圖可看出，本文方法能夠拓寬圖像直方圖的分布范圍，表明本文方法的性能較對(duì)比方法更優(yōu).

圖8 BF&DRP、Retinex、BBHE、Homo、GFBE、DOTHE和本文算法的增強(qiáng)效果及其對(duì)應(yīng)直方圖

從表2 中可看出，經(jīng)BF&DRP、Retinex、BBHE、Homo、GFBE、DOTHE 和本文算法處理后圖像的AG 較原圖像均有提高且本文方法增強(qiáng)后圖像的AG 均較大，這說明不同的圖像增強(qiáng)方法均能夠不同程度的提高圖像的亮度，且與對(duì)比方法相比本文方法處理后的圖像亮度均較高. 在對(duì)比度增強(qiáng)方面，Retinex 和Homo 處理后圖像的EME 較原圖像較小，說明經(jīng)這兩個(gè)方法處理后的圖像對(duì)比度較低，BF&DRP、BBHE、DOTHE、GFBE 和本文方法處理后圖像的EME 較原圖像均較大，且本文方法最大、BBHE 次之，說明BF&DRP、BBHE、DOTHE、GFBE 和本文方法均可以提高圖像的對(duì)比度且本文方法最優(yōu). 在細(xì)節(jié)增強(qiáng)方面，BF&DRP、Retinex、BBHE、GFBE 和DOTHE 方法處理后圖像的IE與原圖像相比較小，說明這些方法處理后的圖像存在細(xì)節(jié)丟失，Homo和本文方法處理后圖像的IE 較原圖和對(duì)比方法均較高且本文方法處理后圖像的IE更高，說明Homo和本文方法可以豐富圖像的細(xì)節(jié)信息. 綜合以上分析，在選取的四張自然場(chǎng)景下的圖像上，與BF&DRP、Retinex、BBHE、Homo、GFBE 和DOTHE 相比，本文方法處理后圖像的EME、IE 和AG 均最高，說明本文方法不僅能夠提高圖像的亮度，而且能夠在提高圖像對(duì)比度的同時(shí)增強(qiáng)圖像的細(xì)節(jié)信息.

表2 經(jīng)BF&DRP、Retinex、BBHE、Homo、GFBE、DOTHE和本文算法處理后圖像的EME、IE和AG

3.2 海面場(chǎng)景增強(qiáng)效果評(píng)價(jià)

海面場(chǎng)景的圖像通常目標(biāo)單一、對(duì)比度較低、直方圖分布較窄，選取海面場(chǎng)景下的紅外圖像進(jìn)一步驗(yàn)證本文方法的有效性. 圖9 分別展示了對(duì)比方法與本文方法處理的結(jié)果及其對(duì)應(yīng)的直方圖. 從圖中可看出，GFBE 和BF&DRP 方法在海面場(chǎng)景圖像的性能較差，其中GFBE 處理后的圖像存在嚴(yán)重的過曝光且細(xì)節(jié)信息丟失嚴(yán)重，其對(duì)應(yīng)的直方圖的灰度值的分布主要集中在兩端；BF&DRP 處理后的圖像亮度較暗且細(xì)節(jié)模糊，其對(duì)應(yīng)的直方圖主要分布在灰度值較小的區(qū)域且較原圖像進(jìn)行了壓縮.Retinex 算法處理后的圖像亮度得到了顯著提升，其對(duì)應(yīng)的直方圖主要分布在灰度值較大的區(qū)域，但其處理后的圖像輪廓較模糊. BBHE、Homo和DOTHE 方法均可提高圖像的對(duì)比度但圖像亮度變化不明顯且輪廓及細(xì)節(jié)模糊，其中DOTHE 方法效果最好、BBHE次之、Homo最差. 與對(duì)比方法相比，本文方法處理后的圖像亮度較亮且對(duì)比度較高、輪廓及細(xì)節(jié)清晰，其對(duì)應(yīng)的直方圖分布范圍相比于原圖像直方圖的分布范圍更廣，明顯優(yōu)于對(duì)比算法.

圖9 BF&DRP、Retinex、BBHE、Homo、GFBE、DOTHE和本文算法的增強(qiáng)效果及其對(duì)應(yīng)直方圖

表3給出了每個(gè)方法對(duì)應(yīng)的定量評(píng)估指標(biāo)AG、EME和IE的結(jié)果. 從表3中可以很明顯的看出，經(jīng)BF&DRP、Retinex、BBHE、DOTHE和本文方法處理后圖像的AG均比原圖像的AG 高，說明圖像經(jīng)以上算法處理后均可以提高圖像的亮度，且本文方法處理后較對(duì)比算法效果最好；在IE和EME指標(biāo)上，經(jīng)本文方法處理后圖像的IE和EME 與經(jīng)BF&DRP、Retinex、BBHE、DOTHE、Homo 和GFBE處理后圖像的IE和EME相比均較大，說明本文方法能夠在增強(qiáng)圖像對(duì)比度的同時(shí)，能夠提高圖像的輪廓和細(xì)節(jié)信息. 綜合以上分析，在選取的四張海面場(chǎng)景的圖像上，與BF&DRP、Retinex、BBHE、Homo、GFBE和DOTHE 相比本文方法處理后圖像的EME、IE 和AG 均最高. 這說明本文方法不僅能夠提高圖像的亮度，而且能夠在提高圖像對(duì)比度的同時(shí)增強(qiáng)圖像的細(xì)節(jié)信息且性能較對(duì)比算法更優(yōu)，能夠用于改善圖像的質(zhì)量.

表3 經(jīng)BF&DRP、Retinex、BBHE、Homo、GFBE、DOTHE和本文算法處理后圖像的EME、IE和AG

4 結(jié)論

文中提出了一個(gè)對(duì)比度拉伸、亮度提升和細(xì)節(jié)增強(qiáng)的方法，該方法主要包括五個(gè)部分：多尺度循環(huán)卷積、多聚類空間均衡化、多角度濾波器、線性融合和圖像層次化，其通過多聚類空間均衡化的對(duì)比度拉伸解決了圖像亮度較暗、對(duì)比度較低，通過多尺度循環(huán)卷積提取圖像的深層細(xì)節(jié)特征和多角度濾波器提取圖像多個(gè)角度的細(xì)節(jié)及輪廓信息解決了圖像輪廓和細(xì)節(jié)模糊的問題，通過圖像整個(gè)區(qū)間的層次化處理解決了圖像層次化較差、清晰度較低的問題. 與對(duì)比方法相比，該方法在自然場(chǎng)景和海面場(chǎng)景圖像中均表現(xiàn)出了最優(yōu)的性能，說明該方法不僅有效提高了圖像對(duì)比度、增強(qiáng)了圖像的細(xì)節(jié)，還提高了圖像的亮度和清晰度. 但該方法在線性融合階段需要手動(dòng)調(diào)節(jié)融合權(quán)重，故而該算法的靈活性較差.