DCP算法下三維圖像對(duì)比度多尺度分?jǐn)?shù)階增強(qiáng)

摘" 要： 由于二維圖像映射到三維模型表面時(shí)，三維圖像會(huì)產(chǎn)生紋理特征缺失和顏色失真等問(wèn)題，使得生成的三維圖像的對(duì)比度過(guò)高或過(guò)低，導(dǎo)致三維圖像的清晰度較差。對(duì)此，提出一種DCP算法下三維圖像對(duì)比度多尺度分?jǐn)?shù)階增強(qiáng)方法。采用最佳閾值方法分割三維圖像，并通過(guò)DCP算法實(shí)現(xiàn)圖像去霧處理，確保圖像中的顏色與實(shí)際顏色保持一致?；趧?dòng)態(tài)梯度自適應(yīng)能力，依據(jù)去霧的圖像的實(shí)際情況自適應(yīng)調(diào)整階數(shù)，提取圖像紋理特征；采用拉普拉斯金字塔算法多尺度融合紋理特征，提升三維圖像對(duì)比度。測(cè)試結(jié)果表明：所提方法增強(qiáng)后的三維圖像的圖像方差和圖像熵結(jié)果分別在0.931和0.927以上，具有較為平衡的對(duì)比度，且圖像的清晰度較高。

關(guān)鍵詞： DCP算法； 三維圖像增強(qiáng)； 對(duì)比度； 多尺度； 分?jǐn)?shù)階； 閾值分割； 圖像去霧； 紋理特征提取

中圖分類(lèi)號(hào)： TN911.73?34； TP391" " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " "文章編號(hào)： 1004?373X（2024）24?0148?05

3D image contrast multi?scale fractional order enhancement based on DCP algorithm

ZHANG Leifu， GAO Jiaji

（Dalian Polytechnic University， Dalian 116034， China）

Abstract： In allusion to the problems such as missing texture features and color distortion when 2D images are mapped onto the surface of 3D models， the contrast of the generated 3D images may be too high or too low， resulting in poor clarity. On this basis， a 3D image contrast multi?scale fractional order enhancement method based on DCP algorithm is proposed. The optimal threshold method is used to segment 3D images， and the image defogging processing is conducted by means of DCP algorithm， so as to ensure that the colors in the images are consistent with the actual colors. By utilizing the dynamic gradient adaptive capability， the order is adaptively adjusted based on the actual situation of the defogging image， and the image texture features are extracted. The Laplacian pyramid algorithm is used to fuse texture features at multiple scales， so as to enhance the contrast of 3D images. The testing results show that the image variance and image entropy of the enhanced 3D image obtained by the proposed method are above 0.931 and 0.927， respectively， with a relatively balanced contrast and high image clarity.

Keywords： DCP algorithm; 3D image enhancement; contrast ratio; multi scale; fractional order; thread segmentation; image defogging; texture feature extraction

0" 引" 言

對(duì)三維圖像經(jīng)過(guò)透視、陰影和顏色漸變等效果處理，能夠增強(qiáng)圖像的立體感[1]，該圖像在醫(yī)學(xué)影像領(lǐng)域、產(chǎn)品設(shè)計(jì)以及影視動(dòng)畫(huà)中已被普遍應(yīng)用[2?3]。然而，由于采集條件、設(shè)備性能等因素的限制，導(dǎo)致三維數(shù)字圖像細(xì)節(jié)的清晰度和對(duì)比度相對(duì)較低，嚴(yán)重影響圖像的視覺(jué)效果和后續(xù)處理精度[4]。因此，研究有效的三維圖像對(duì)比度增強(qiáng)方法具有重要意義。

文獻(xiàn)[5]為獲取三維紅外圖像，采用非線(xiàn)性方式對(duì)原始紅外圖像進(jìn)行處理，使其轉(zhuǎn)換成直方圖，并進(jìn)行分割，保留圖像的二維前景圖像，通過(guò)混合遺傳模擬退火算法對(duì)該圖像進(jìn)行融合，合成三維圖像，完成圖像增強(qiáng)。但該方法在對(duì)三維圖像對(duì)比度進(jìn)行整體增強(qiáng)處理時(shí)，并未考慮圖像的分辨率差異，導(dǎo)致增強(qiáng)后的圖像清晰度較差。文獻(xiàn)[6]通過(guò)歸一化的方式對(duì)原始圖像進(jìn)行處理，有效處理圖像的過(guò)飽和現(xiàn)象，將處理后的圖像輸入聚合深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)中提取圖像多尺度特征，并進(jìn)行法向回歸處理，完成三維圖像對(duì)比度增強(qiáng)。但該方法在面對(duì)亮度不同的三維圖像時(shí)，圖像顏色會(huì)出現(xiàn)失真，導(dǎo)致對(duì)比度增強(qiáng)后圖像的清晰度不足。文獻(xiàn)[7]通過(guò)多尺度融合方法進(jìn)行圖像融合，并依據(jù)量子二進(jìn)制特征矩陣提取圖像特征，在RGB顏色空間內(nèi)進(jìn)行三維圖像對(duì)比度增強(qiáng)。但該方法的應(yīng)用場(chǎng)景相對(duì)有限，若三維圖像部分區(qū)域的對(duì)比度過(guò)高或過(guò)低，其增強(qiáng)效果會(huì)出現(xiàn)明顯的像素點(diǎn)，導(dǎo)致圖像的清晰度較差。文獻(xiàn)[8]對(duì)原始三維圖像進(jìn)行處理，保留重要的圖像細(xì)節(jié)，將經(jīng)過(guò)形態(tài)學(xué)濾波處理的三維圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，結(jié)合改進(jìn)的形態(tài)學(xué)濾波器和網(wǎng)絡(luò)的處理結(jié)果，得到對(duì)比度增強(qiáng)后的三維圖像；但如果輸入圖像的分辨率過(guò)低或噪聲過(guò)大，會(huì)導(dǎo)致增強(qiáng)后的三維圖像的清晰度不足。

針對(duì)上述問(wèn)題，本文提出一種DCP算法下三維圖像對(duì)比度多尺度分?jǐn)?shù)階增強(qiáng)方法。

1" 三維圖像對(duì)比度多尺度分?jǐn)?shù)階增強(qiáng)方法

1.1" 基于最佳閾值的三維圖像分割

由于三維圖像整體分辨率存在差異，如果整體進(jìn)行增強(qiáng)處理，會(huì)導(dǎo)致低分辨率的區(qū)域發(fā)生過(guò)飽和現(xiàn)象，影響圖像增強(qiáng)效果[9?10]。因此，在增強(qiáng)處理前，本文采用最佳閾值方法對(duì)三維圖像進(jìn)行分割，使圖像形成明亮和不明亮區(qū)域，降低圖像低分辨率區(qū)域的過(guò)飽和現(xiàn)象。

該算法在分割時(shí)，先構(gòu)建扇形模型，圖像的最大和最小灰度值分別用[omaxx，y]和[ominx，y]表示，則分割閾值[ψo(hù)]的公式為：

[ψo(hù)=0.5ominx，y+omaxx，y] （1）

式中[x，y]表示像素點(diǎn)。

利用幾何不等關(guān)系式進(jìn)行閾值擬合逼近，分割三維圖像，其公式為：

[ψo(hù)-ψ1+ψ22lt;0.1] （2）

式中：[ψ1]和[ψ2]均表示灰度值均值，前者為大于閾值，后者為小于閾值。

通過(guò)該閾值完成三維圖像的分割處理，使其形成不同亮度的圖像區(qū)域，用于后續(xù)圖像增強(qiáng)。

1.2" 基于圖像分割的圖像紋理特征提取

圖像分割的過(guò)程中會(huì)引入噪聲和偽影，這些干擾因素會(huì)降低圖像的質(zhì)量，并且分割后的圖像亮度不同，會(huì)導(dǎo)致圖像的顏色發(fā)生變化，產(chǎn)生顏色失真[11]。對(duì)此，本文基于暗通道先驗(yàn)（Dark Channel Prior， DCP）原理，采用DCP算法進(jìn)行圖像去霧，恢復(fù)圖像的顏色特征，并采用自適應(yīng)分?jǐn)?shù)階微分算法[12?13]來(lái)提取圖像中不同顏色通道的紋理和細(xì)節(jié)特征，從而提高圖像的視覺(jué)效果和識(shí)別能力。詳細(xì)步驟如下所述。

步驟1：獲取各個(gè)區(qū)域圖像的暗通道。利用擬合函數(shù)對(duì)分割后的明亮和不明亮區(qū)域進(jìn)行不同程度壓縮，其公式為：

[Ui=minUcx，y1+I，" x，y∈0，I1-σψo(hù)-ψ1+ψ22minUcx，y-εσ，" x，y∈I，1] （3）

式中：[I]表示三維圖像霧度均值；[Ucx，y]表示三維圖像任意顏色通道值，[c=R，G，B]；[σ]表示標(biāo)準(zhǔn)差；[ε]表示偏度，用于描述霧對(duì)三維圖像亮度的影響程度。

步驟2：高斯濾波處理。通過(guò)步驟完成不同亮度區(qū)域的壓縮處理后，利用15×15的高斯濾波進(jìn)行處理。

步驟3：去霧通道估計(jì)。在步驟2的基礎(chǔ)上計(jì)算圖像的暗通道[Ao]。獲取圖像的透射率，[Ao]的公式為：

[Ao=lg1+Uiυ] （4）

式中[υ]表示指數(shù)。

步驟4：基于算法的運(yùn)算理論，結(jié)合[Ao]的值計(jì)算透射率，其公式為：

[gx=Q-ηQ-Ao] （5）

式中：[Q]表示大氣光值；[η]表示場(chǎng)景系數(shù)。

步驟5：生成去霧圖像。結(jié)合上述計(jì)算公式，獲取去霧后的三維圖像：

[Ix，y=Ix，y-Qmaxgx，g0+Q] （6）

式中：[g0]表示設(shè)定閾值，用于避免圖像發(fā)生過(guò)亮情況；[Ix，y]和[Ix，y]分別表示原始三維圖像和去霧后的三維圖像。

采用自適應(yīng)分?jǐn)?shù)階微分算法對(duì)[Ix，y]進(jìn)行紋理提取。自適應(yīng)階數(shù)公式為：

[ξ=B2Bmax+0.45，" "Bgt;99B3Bmax+0.67，" "2≤B≤990，" " " " " " " " " " " " "Blt;2] （7）

式中：[ξ]表示分?jǐn)?shù)階微分階數(shù)；[B]表示梯度的模值，其最大值用[Bmax]表示。

結(jié)合三維圖像特點(diǎn)和圖像紋理細(xì)節(jié)提取需求[14]，對(duì)圖像的顏色通道進(jìn)行分析，其中亮度通道直接影響圖像的對(duì)比度，并且該通道分量與圖像像素灰度值較為接近，包含大量紋理特征。因此在自適應(yīng)分?jǐn)?shù)階微分算法處理時(shí)，只需處理三維圖像的亮度通道即可。將圖像的RGB色彩空間進(jìn)行轉(zhuǎn)換，形成HSV色彩空間，其公式為：

[S=0，" " " " " " " " " "Imax=0Imax-IminImax，" 其他] （8）

[H=0°，" " " " " " " " " " " " " " " " " " " " "Imax=Imin60°·G-BImax-Imin，" " " " " " " " Imax=R，G≥B60°·G-BImax-Imin+360°，" Imax=R，Glt;B60°·G-BImax-Imin+120°，" Imax=G60°·G-BImax-Imin+240°，" Imax=B] （9）

[V=Imax] （10）

式中：[R]、[G]、[B]表示RGB色彩空間的三個(gè)通道；[Imax]和[Imin]表示通道的最大值和最小值；[H]、[S]、[V]表示HSV色彩空間的三個(gè)通道。

采用加權(quán)融合的方式處理圖像的偽影現(xiàn)象，完成圖像紋理特征提取，其計(jì)算公式為：

[Io=w+1-wIx，y] （11）

式中：[w]表示加權(quán)權(quán)重；[Io]表示紋理特征提取后的三維圖像。紋理特征提取后的三維圖像有效改善了圖像的細(xì)節(jié)和層次感，使三維圖像更加逼真和清晰。

1.3" 基于圖像紋理特征的三維圖像對(duì)比度多尺度增強(qiáng)

通過(guò)拉普拉斯金字塔算法進(jìn)行三維圖像多尺度融合，消除紋理增強(qiáng)后三維圖像部分區(qū)域的對(duì)比度過(guò)高或過(guò)低的情況，實(shí)現(xiàn)對(duì)比度增強(qiáng)[15]。針對(duì)圖像紋理特征[Io]中的各個(gè)像素點(diǎn)進(jìn)行指標(biāo)權(quán)重定義，采用乘積的方式對(duì)不同指標(biāo)進(jìn)行多尺度分?jǐn)?shù)階處理，使其形成一個(gè)標(biāo)量，其公式為：

[wkx，y=χγIo] （12）

式中：[k]表示尺度；[χ]和[γ]分別表示對(duì)比度和飽和度。

為保證處理結(jié)果的一致性，對(duì)圖像權(quán)重進(jìn)行規(guī)范化處理，其公式為：

[wkx，y=wkx，yk=1Nwkx，y] （13）

式中[N]表示尺度三維圖像數(shù)量。

獲取各個(gè)像素點(diǎn)的指標(biāo)權(quán)重后，為保證圖像整體對(duì)比度的增強(qiáng)效果，文中采用金字塔對(duì)分辨率的差異進(jìn)行加權(quán)融合，并通過(guò)上采樣完成三維圖像對(duì)比度增強(qiáng)。其詳細(xì)步驟如下所述。

1） 獲取三維圖像對(duì)應(yīng)的[wkx，y]值，通過(guò)拉普拉斯金字塔算法分解[Io]，獲取分解后的圖像各尺度分量[LIoL]，[L]表示金字塔等級(jí)。

2） 通過(guò)高斯金字塔分解權(quán)重圖獲取融合金字塔源圖像的高分辨率[LIoLx，y]，其公式為：

[LIoLx，y=k=1NLIoLx，yy′wkx，y] （14）

式中[y′]表示權(quán)重圖分量。

3） 獲取融合后的金字塔后，自塔頂開(kāi)始進(jìn)行采樣和放大處理，并將處理結(jié)果與下一層結(jié)果相加，以此獲取最終的對(duì)比度增強(qiáng)后的三維圖像。

2" 實(shí)" 驗(yàn)

在某三維動(dòng)畫(huà)資源庫(kù)中隨機(jī)抽取50張三維圖像進(jìn)行測(cè)試，其中包含多個(gè)動(dòng)畫(huà)的三維圖像。實(shí)驗(yàn)環(huán)境如圖1所示。

本文方法在進(jìn)行三維圖像增強(qiáng)前，對(duì)圖像進(jìn)行分割，使圖像形成不同亮度的區(qū)域。為驗(yàn)證分割效果，隨機(jī)抽取1張三維圖像，通過(guò)本文方法對(duì)其進(jìn)行分割處理，獲取分割前、后效果，如圖2所示。分析圖2測(cè)試結(jié)果可知，通過(guò)本文方法能夠完成三維圖像的分割處理，使其形成多個(gè)亮度不同的區(qū)域，可為后續(xù)三維圖像增強(qiáng)提供可靠保障。為驗(yàn)證該方法的去霧和紋理特征提取效果，以圖像方差[?]和圖像熵[?E]為指標(biāo)，評(píng)價(jià)本文方法的應(yīng)用效果。其中：圖像方差用于衡量圖像的對(duì)比度以及圖像整體清晰度；圖像熵用于衡量圖像信息豐富性，即圖像細(xì)節(jié)程度。這兩個(gè)指標(biāo)的取值均在0～1，取值越大，表示圖像的對(duì)比度越佳，細(xì)節(jié)完整度越佳，即本文方法的處理效果越佳。兩個(gè)指標(biāo)的計(jì)算公式分別為：

[?=Ix，yI2M·N] （15）

[?E=-pxlog2px] （16）

式中：[M·N]表示三維圖像尺寸；[px]表示像素[x]在三維圖像中的出現(xiàn)概率。

通過(guò)本文方法對(duì)三維圖像進(jìn)行去霧和紋理特征提取，處理后通過(guò)圖像方差和圖像熵兩個(gè)指標(biāo)衡量處理效果，測(cè)試結(jié)果如表1所示。

分析表1測(cè)試結(jié)果可知，通過(guò)本文方法進(jìn)行三維圖像去霧和紋理特征提取后，圖像方差和圖像熵的測(cè)試結(jié)果分別在0.931和0.927以上。因此，本文方法可較好地完成三維圖像處理，保證圖像紋理細(xì)節(jié)和對(duì)比度。

為直觀驗(yàn)證本文方法對(duì)于三維圖像對(duì)比度增強(qiáng)的應(yīng)用效果，隨意選擇1張動(dòng)畫(huà)三維圖像，通過(guò)本文方法進(jìn)行對(duì)比度多尺度增強(qiáng)，獲取其增強(qiáng)結(jié)果。動(dòng)畫(huà)三維圖像對(duì)比度多尺度增強(qiáng)結(jié)果如圖3所示。

分析圖3測(cè)試結(jié)果可知，通過(guò)本文方法進(jìn)行三維圖像對(duì)比度多尺度增強(qiáng)處理，能夠獲取各個(gè)處理階段的處理結(jié)果，其中紋理圖像中的細(xì)節(jié)被清晰呈現(xiàn)，局部微小紋路分布清晰，增強(qiáng)后整個(gè)圖像清晰度明顯提升，邊緣模糊區(qū)域細(xì)節(jié)完整。

3" 結(jié)" 論

本文提出一種DCP算法下三維圖像對(duì)比度多尺度分?jǐn)?shù)階增強(qiáng)方法，創(chuàng)新性將DCP算法和多尺度分?jǐn)?shù)階相結(jié)合，并且引入圖像區(qū)域分割處理，從圖像整體清晰度、紋理細(xì)節(jié)以及圖像對(duì)比度三個(gè)方面針對(duì)性地進(jìn)行三維圖像增強(qiáng)處理，全面提升三維圖像質(zhì)量。

注：本文通訊作者為高家驥。

參考文獻(xiàn)

[1] 程天宇，顧菊平，華亮，等.基于幾何代數(shù)SURF的三維醫(yī)學(xué)圖像配準(zhǔn)研究[J].儀器儀表學(xué)報(bào)，2022，43（9）：227?237.

[2] 廖仕敏，劉仰川，朱葉晨，等.一種基于CycleGAN改進(jìn)的低劑量CT圖像增強(qiáng)網(wǎng)絡(luò)[J].圖學(xué)學(xué)報(bào)，2022，43（4）：570?579.

[3] 李思源，李鏘，關(guān)欣.一種基于U2型網(wǎng)絡(luò)的三維腎腫瘤圖像分割方法[J].激光與光電子學(xué)進(jìn)展，2023，60（22）：149?157.

[4] 李廣豪，席志紅.基于圖像融合的水下光照不均勻圖像增強(qiáng)算法[J].計(jì)算機(jī)仿真，2023，40（4）：330?335.

[5] 王潔，伍弘，詹仲?gòu)?qiáng)，等.基于Lazy Snapping混合模擬退火算法的高壓開(kāi)關(guān)柜溫度場(chǎng)紅外三維圖像重建仿真[J].紅外技術(shù)，2023，45（3）：276?281.

[6] 舉雅琨，蹇木偉，饒?jiān)矗?MASR?PSN：低分光度立體圖像的高分法向重建深度學(xué)習(xí)模型[J].中國(guó)圖象圖形學(xué)報(bào)，2023，28（7）：2120?2134.

[7] 馬林生，趙琰.基于QBFM矩和三維結(jié)構(gòu)的圖像哈希算法[J].計(jì)算機(jī)應(yīng)用研究，2022，39（3）：949?955.

[8] BALA A A， PRIYA P A， MAIK V. Hybrid technique for fundus image enhancement using modified morphological filter and denoising net [J]. Journal of supercomputing， 2024， 80（9）： 13317?13340.

[9] 李明悅，晏濤，井花花，等.多尺度特征融合的低照度光場(chǎng)圖像增強(qiáng)算法[J].計(jì)算機(jī)科學(xué)與探索，2023，17（8）：1904?1916.

[10] 張晨陽(yáng)，曹艷華，楊曉忠.基于分?jǐn)?shù)階小波與引導(dǎo)濾波的多聚焦圖像融合方法[J].圖學(xué)學(xué)報(bào)，2023，44（1）：77?87.

[11] 薛楠，嚴(yán)利民.一種改進(jìn)的透射率分布估計(jì)的夜間圖像去霧算法[J].紅外技術(shù)，2022，44（10）：1089?1094.

[12] 劉國(guó)棟，馮立輝，盧繼華，等.基于分類(lèi)與最小卷積區(qū)域暗通道先驗(yàn)的水下圖像恢復(fù)[J].激光與光電子學(xué)進(jìn)展，2023，60（4）：66?76.

[13] 劉長(zhǎng)明，曹紅燕，范焱，等.結(jié)合OSTU閾值法的自適應(yīng)DCP圖像優(yōu)化算法[J].火力與指揮控制，2022，47（6）：162?170.

[14] 楊洋，何童瑤，詹永照，等.基于軟聚類(lèi)的深度圖增強(qiáng)方法[J].江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，45（2）：183?190.

[15] 曾銘萱，李娟，許志猛，等.結(jié)合多尺度和分?jǐn)?shù)階微分的單幅圖像去霧算法[J].福州大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，50（3）：330?336.

[16] 馬悅，金正猛，馮燦.基于邊緣檢測(cè)暗通道先驗(yàn)的全變差圖像去霧算法[J].南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，43（4）：47?57.

[17] 陳姿羽.適用不同霧濃度的基于卷積神經(jīng)網(wǎng)絡(luò)的圖像去霧算法研究[D].?？冢汉Ｄ洗髮W(xué)，2023.

作者簡(jiǎn)介：張鐳賦（1992—），男，湖南株洲人，博士研究生，副教授，研究方向?yàn)閳D形處理。

高家驥（1981—），男，內(nèi)蒙古呼倫貝爾人，博士研究生，教授，研究方向?yàn)閳D形處理。