您好, 访客   登录/注册

基于自适应伽马转换函数的遥感图像增强

来源:用户上传      作者: 刘攀 侯晓荣

  摘要:针对传统的遥感图像增强方法视觉效果不够理想的缺点,提出了一种基于平稳小波变换和分段自适应伽马灰度转换函数的遥感图像对比度增强方法。首先,对遥感图像进行平稳小波变换,接着对得到的最大尺度低频子带图像采用基于核函数的样本加权模糊C-均值聚类算法将该图像分为低、中和高亮度区域,并对各亮度区域依据其各自特点分别采用不同的自适应伽马灰度转换函数进行增强,然后利用贝叶斯萎缩阈值法和非线性自适应增益函数相结合计算高频子带的增益系数,从而得到增强后的高频子带图像;最后, 由低频子带图像和高频子带图像重构得到增强后的图像。实验表明, 该方法提高了遥感图像的全局对比度,改善了视觉效果,增强了图像的细节并抑制了噪声, 获得了较好的图像增强整体效果。
  关键词:加权模糊C-均值聚类算法;自适应伽马转换函数;对比度增强;平稳小波变换;遥感图像
  中图分类号:TP311 文献标识码:A 文章编号:1009-3044(2013)03-0575-05
  近几十年来,遥感图像在气象学、农业学、地质学、教育学等诸多领域中都发挥着重要作用,然而目前大部分遥感图像的灰度范围并不能覆盖遥感传感器所能达到的整个灰度级范围,各种地物目标影像的灰度值往往局限在一个比较狭小的灰度范围内, 使得图像看起来不鲜明清晰,许多地物目标和细节彼此相互遮掩, 难于辨认,随着高质量的遥感图像需求的增加,从视觉感知和色彩再现来看都需要更好的对比度增强技术。
  目前遥感图像增强方法主要有空间域的多尺度Retinex增强算法[1]和变换域的小波变换、Curvelet 变换和Contourlet 变换增强算法。其中多尺度Retinex增强算法能增强图像的视觉效果, 改善其亮度均匀性, 有效地显示淹没在阴影区域中的细节,但该算法在增强图像对比度的同时也不可避免地放大了噪声。以小波分析为代表的多分辨率分析方法提供了解决这一问题的有效途径。能够在增强图像细节的同时有效地抑制图像的噪声,但是Curvelet 变换对于高阶正则的奇异边缘不能达到最优的非线性逼近, 增强后的图像边缘处存在划痕; 小波变换与Contourlet 变换都缺乏平移不变性, 图像增强结果会产生Gibbs失真现象。而平稳小波变换是一种冗余小波变换,不存在信号的下采样过程,可以有效地避免因小波基不具有平移不变性而造成重构信号产生Gibbs震荡的问题。为此, 本文提出了一种基于平稳小波变换和自适应伽马转换函数的遥感图像增强方法,并将其和传统的图像增强方法进行比较。
  1 基于平稳小波变换和自适应伽马转换函数的增强方法
  1.1平稳小波变换
  离散小波变换采用了隔2取1的下抽样技术,不具备平移不变性,即当输入信号存在一个小的位移时,将会导致在不同尺度上小波系数能量分布的大的变化,从而使得最后得到的重建信号出现失真,主要表现为振铃效应和Gibbs失真现象,而平稳小波变换避免了下采样的过程,因而产生的伪Gibbs效应比离散小波变换减轻了很多[2],所以,对于图像降噪和增强,平稳小波变换的性能优于正交小波变换,因此,本文对遥感图像进行2层离散平稳小波分解;得到表示低频信息的尺度系数和表示高频信息的细节系数,然后分别对最大尺度低频子带图像和高频子带图像进行增强处理。
  1.2基于核函数的加权模糊C-均值聚类算法的灰度区间划分
  遥感图像增强算法不仅要求提高图像的对比度还要求在低灰度区域和高灰度区域有最少的像素丢失,为了达到这个目的,可以先将最大尺度低频子带图像分为低、中和高亮度区域, 并根据各亮度区域的特点分别采用不同的变换函数进行增强,为了使亮度区间的划分上减少人为因素的影响,使得能够更好的根据图像的灰度信息进行相应的增强,本文采用改进的模糊C-均值聚类(FCM)算法来进行灰度区间的划分。
  核方法的基本思想是通过某种非线性映射将原始数据变换到高维特征空间,再利用线性学习器在这个新的空间进行学习[3]。文献[4]中提出了一种基于核函数的模糊C-均值聚类(KFCM)算法,其主要思想就是将传统的FCM算法中的欧氏距离采用内核诱导距离来代替,不过这种方法也仍有不足之处,它不考虑不同样本矢量对聚类效果的不同影响,针对该不足本文提出了基于核函数的样本加权的模糊C-均值聚类(KWFCM)算法,其目标函数为:
转载注明来源:https://www.xzbu.com/8/view-4069214.htm