基于经验模式分解的大幅面图像不均匀光照校正方法与流程

本发明涉及图像处理和计算机视觉领域，特别涉及一种基于经验模式分解模型的大幅面图像不均匀光照校正方法。
背景技术：
：目前主流的不均匀光照的校正方法较多采用同态滤波和双立方插值法等来对采集的数字图像进行处理。同态滤波法认为图像的光照模型有乘法的形式，通过对图像做对数变换和高通滤波来实现，对于许多物理光照模型不能满足乘法模型的情况，这种方法效果很差。双立方插值的方法是认为光照模型具有加法的形式，通过用双立方曲面模型对光照分布进行回归估计，再从原始图像中减去估计的光照来实现，由于要进行双立方插值，计算量很大，插值精度有限。这些现有的不均性光照校正方法主要是基于先验的某种物理光照模型，不能精确描述自然场景中复杂的光照环境，而且估计的照度值精度较低，计算复杂度较高，对复杂的场景经常存在鲁棒性较差，抗噪声干扰能力弱的缺点，已经不能完全满足当前航空拍摄和卫星遥感等领域的新要求。技术实现要素：本发明的目的是解决现有光照剧烈变化和阴影遮挡等复杂条件下的大幅面图像存在的光强不均匀分布问题以及现有方法鲁棒性差，抗噪声能力差和实时性差的问题。为了实现上述目的，本发明提供一种高精度的光照不均匀校正方法来实现在复杂条件下能自适应去除不同光场分布，可应用于大幅面图像，而且能与人眼主观评价结果保持一致。本发明的技术方案如下：一种基于经验模式分解的大幅面图像不均匀光照校正方法，包括如下步骤：输入图像步骤，检测输入图像的格式，将彩色RGB格式的图像转换为YUV格式，然后提取YUV格式图像中Y通道的图像得到提取图像；图像变换步骤，对提取图像进行变换，得到变换后的图像；图像经验模式分解步骤，对变换后的图像进行基于经验模式的分解(EMD)，得到一系列表征图像局部频率和尺度特性的本质模式函数(IMF)以及一个余量函数(RF)，即s[m,n]=Σk=0KHk(m,n)+D,]]>其中，s[m,n]代表变换后的图像，Hk(m,n)代表k个本质模式函数组成的经验模集合，D代表分解出的余量函数；选择特定分量步骤，选择D以及经验模集合中k>2的本质模式函数进行光照不均匀程度的检测；平滑光照图像步骤；以及反射图像变换步骤，对所述平滑光照图像步骤得到的图像进行反射图像变换，得到最终的校正图像。图像变换步骤中对提取图像进行变换是依据视网膜大脑皮层(Retinex)算法，将提取图像分解成反射部分和亮度部分，即S＝R×L，其中S代表提取的Y通道图像，R代表反射部分，L代表亮度部分，然后将S、R、L分别转换到对数域，即计算s＝logS，r＝logR，l＝logL，其中s代表对数域的提取图像，r代表对数域的反射部分，l代表对数域的亮度部分。图像经验模式分解步骤中基于经验模式的分解包括如下子步骤：将对数域的提取图像s按行进行EMD分解；采用与所述对对数域的提取图像s按行进行EMD分解相同的分解方法，对对数域的提取图像s按列进行EMD分解；以及将对数域的提取图像s行和列的分解结果进行集成，得到最终的二维IMF和RF。其中，将对数域的提取图像s按行进行EMD分解又包括如下步骤：在大小为M×N的对数域的提取图像s中取每一行sk[n]作为一维的输入信号，设分解出的IMF用hi[n]表示，RF用di[n]表示，初始化i＝0，j＝0，k＝1；进行筛选直至候选特征信号满足IMF的两个条件，并计算di＝di-1－hi[n]；重复上一步骤，并设i＝i+1，直至满足下列条件后停止，SD=Σn=0N-1(di[n]-di-1[n])2d2i[n]∈[a1,a2],]]>其中a1和a2是给定的参数；重复上述3个步骤，分解其余各行。其中，筛选过程具体如下：找出sk[n]中所有的局部极大值点Pmax和局部极小值点Pmin，使用双线性插值的方法根据Pmax产生上包络线信号emax[n]，使用同样的插值方法根据Pmin产生下包络线信号emin[n]；计算平均趋势信号：计算候选特征信号：设置j＝j+1，重复上述3个步骤，直到所得到的cj[n]满足IMF的两个条件。选择特定分量步骤中检测光照不均匀程度的操作具体如下：计算判断准则IR，依据如下公式：IR=σe-λ2>θ1,]]>其中，σ是图像分量Hk的方差，λ是它的均值；θ1为阈值，通常设置为θ1＝0.15。如果公式被满足，则可判断存在光照不均匀。平滑光照图像步骤中平滑光照图像包括：(1)对提取存在光照不均匀的IMF以及RF进行平滑处理，对整幅图像使用模板大小为N×N的均值滤波器进行平滑处理；(2)使用平滑后的IMF分量替换掉原先的IMF分量，然后将所有的IMF分量及RF相加得到对数域的校正图像。反射图像变换步骤中所述的反射图像变换指的是将对数域的校正图像变换为非对数域的校正图像；对于彩色图像，还要将其从YUV域变换到RGB域。本发明的有益效果如下：本发明涉及一种利用经验模式分解进行图像不均匀光照校正的方法。本发明通过对图像进行多尺度和频率的联合分解，利用设计的不均匀光强和阴影存在准则进行判断，得到图像中光强分布的精确估计，经过平滑处理后，最后从原始图像中减去光强图就可得到校正后的图像。本方法可以有效的校正复杂光照条件下的大幅面图像，可以实时计算，并且有高的主观视觉质量。附图说明图1是本发明基于经验模式分解模型的大幅面图像不均匀光照校正方法的流程图；图2是本发明实施例中对提取图像进行变换的算法原理图；图3是本发明实施例中对提取图像进行变换时依据的Retinex算法的处理过程示意图。图4是本发明实施例中EMD方法的应用流程图；图5是按照本发明的方法校正前后图像的效果对比图，其中(a)为校正前的图像，(b)为校正后的图像。图6是按照本发明的方法校正前后图像的峰值信噪比(PSNR)图，其中(a)为校正前图像的PSNR图，(b)为校正后图像的PSNR图。具体实施方式为使本发明的目的、技术方案和优点更加清楚，以下结合具体的实例，并参照附图，对本发明作进一步的描述。用于实施的硬件环境是：计算机CPU为IntelCoreI5，内存为4GB。软件环境为：MatlabR2010b和Windows7。本发明的基于经验模式分解模型的大幅面图像不均匀光照校正方法利用EMD方法对图像进行数据自适应的多尺度表示，得到一系列表示图像局部频率和尺度特性的IMF以及一个RF，按照设计的判断准则选取符合条件的IMF及RF作为图像照度分量的估计，再对这些照度分量使用平滑算子处理后，从原始输入图像中去除，就可以最终得到光照均匀的校正图像。如图1所示，概括来说，总共包括6步，即：输入图像；图像变换；图像经验模式分解；选择特定分量；平滑光照图像；反射图像变换。通过以上步骤，得到校正后的图像。本发明具体实施如下：在输入图像步骤S1中，进行输入图像数据准备：检测输入图像的格式，如果是彩色RGB格式的图像转换到YUV格式，提取Y通道的图像得到提取图像。RGB格式转换为YUV格式依据下列公式进行：YUV=0.2990.5870.114-0.169-0.3310.50.5-0.419-0.081RGB+0128128,]]>在图像变换步骤S2中，对提取图像进行变换，具体如下：依据Retinex算法，分解提取图像有，S＝R×L，其中S代表提取的Y通道图像，R代表反射部分，L代表亮度部分，然后将S、R、L分别转换到对数域，即计算s＝logS，r＝logR，l＝logL，其中s代表对数域的提取图像，r代表对数域的反射部分，l代表对数域的亮度部分。本实施例中对图像S进行变换依据Retinex理论，该算法认为：一幅给定的图像S(x，y)可以分解为两个不同的图像：反射图像R(x，y)和亮度图像(也称之为入射图像)L(x，y)，即S(x，y)＝R(x，y)·L(x，y)，其原理是：图像可以看作是由入射图像和反射图像构成，入射光照射在反射物体上，通过反射物体的反射形成反射光进入人眼，就是人类所看到的图像，如图2所示。其中，L(x，y)直接决定了图像中像素所能达到的动态范围；R(x，y)表示物体的反射性质图像，即图像的内在属性；S(x，y）表示人眼所能接收到的反射光图像。Retinex理论的基本思想就是在原始图像中，通过某种方法去除或者降低入射图像的影响，从而尽量地保留物质本质的反射属性图像。Retinex算法一般的处理过程示意图如图3所示。Retinex算法的公式为：S(x,y)＝R（x,y）·L（x,y)，r(x,y)=logR(x,y)=logS(x,y)L(x,y),]]>r（x,y)＝logR(x,y)-log[F(x，y)*S(x，y)]，这里，r(x,y)为输出图像，*为卷积符号，F(x,y)为中心环绕函数，可以表示为：F(x,y)=λe-(x2+y2)C2,]]>其中，C为高斯环绕尺度，λ是一个尺度，它的取值满足以下条件：∫∫F(x,y)dxdy＝1。Retinex算法的实现流程如下：(1)读入原图，若为灰度图，则将图像每个像素的灰度值由整数值转换为浮点数，并转换到对数域，若输入是彩图，将图像的每个颜色分类分别处理，将每个分量的像素值由整数值转换为浮点数，并转换到对数域中；(2)输入尺度C；在离散条件下，积分转化为求和；进一步确定参数λ的值；(3)根据前面的公式，计算得到r(x,y)；如果是彩图，则每个通道均有一个ri(x,y)；(4)将r(x,y)从对数域转换到实数域，得到输出图像R(x,y)；(5)对R(x,y)线性拉伸并以相应的格式输出显示。在图像经验模式分解步骤S3中进行图像经验模式分解，其子流程示意图如图4所示，具体如下：在步骤S31中、把大小为M×N的对数域的提取图像取每一行sk[n]作为一维的输入信号，设分解出的IMF用hi[n]表示，RF用di[n]表示，初始化i＝0，j＝0，k＝1。在步骤S32中、找出sk[n]中所有的局部极大值点Pmax和局部极小值点Pmin，使用双线性插值的方法根据Pmax产生上包络线信号emax[n]，使用同样的插值方法根据Pmin产生下包络线信号emin[n]。在步骤S33中、计算平均趋势信号：在步骤S34中、计算候选特征信号：在步骤S35中、设置j＝j+1，重复步骤4-6，直到所得到的cj[n]满足IMF的两个条件。在步骤S36中、设置hi[n]＝cj[n]，计算RF有di＝di-1－hi[n]在步骤S37中、重复步骤4-8，并设i＝i+1，直到满足如下条件停止SD：SD=Σn=0N-1(di[n])-di-1[n]2d2i[n]∈[0.2,0.3].]]>步骤S31-步骤S37为一个标准的EMD过程，EMD分解方法是基于以下假设条件：(1)数据至少有两个极值，一个最大值和一个最小值；(2)数据的局部时域特性是由极值点间的时间尺度唯一确定；(3)如果数据没有极值点但有拐点，则可以通过对数据微分一次或多次求得极值，然后再通过积分来获得分解结果。这种方法的本质是通过数据的特征时间尺度来获得本征波动模式，然后分解数据。这种分解过程称之为“筛选”过程。IMF的两个条件是：(1)函数在整个时间范围内，局部极值点和过零点的数目必须相等，或最多相差一个；(2)在任意时刻点，局部最大值的包络(上包络线emax[n])和局部最小值的包络(下包络线emin[n])平均必须为零。如果筛选得到的cj[n]不满足这两个条件，则需要继续进行筛选。本实施例的EMD分解方法的实施过程参见图4。使用相同的步骤S31-步骤S37，分解其余各行。同样的方式将对数域的提取图像按列进行EMD分解，最终得到M×N个一维信号分解的结果。对行和列的分解结果进行集成，可以得到最终的二维IMF和RF，二维图像的EMD表示为：s[m,n]=Σk=0KHk(m,n)+D.]]>通过步骤S3，完成了二维图像的EMD过程。该过程基于如下假设：(1)二维数据平面至少包含一个极大值点和一个极小值点或整个二维平面没有极值点但在进行一阶或几阶求导运算后能够出现一个极大值点和一个极小值点；(2)特征尺度用极值点之间距离的尺度定义。本实施例中，通过二维图像的EMD过程，原函数被分解为k个IMF组成的经验模集合(Hk(m,n))以及一个余项D(即RF)。其中，Hk(m,n)是尺度分离后得到的不同尺度图层，随k的增大，尺度增大；D是最终趋势项。在选择特定分量步骤S4中，选取特定分量进行光照不均匀程度检测。由于图像中的纹理等细节主要存在于高频率的IMF分量中，因此对k>2的二维Hk和D进行光照不均匀程度和阴影的检测，判断准则IR为：IR=σe-λ2>θ1,]]>其中，σ是图像分量Hk的方差，λ是它的均值。阈值设置为θ1＝0.15。如果上式满足，则可判断存在光照不均匀。在平滑光照图像步骤S5中，对光照图像进行平滑，包括：(1)对提取存在光照不均匀的IMF以及D进行平滑处理，对整幅图像使用模板大小为30×30的均值滤波器进行平滑处理。(2)使用平滑后的IMF分量替换掉原先的IMF分量，然后将所有的IMF分量及D相加得到对数域的校正图像。在图像反射变换步骤S6中，最后将对数域中的校正图像变换为非对数域中的校正图像，如果是彩色图像，再从YUV域变换到RGB域。经过步骤S1-S6，得到校正图像。图5所示为采用本发明的方法进行光照校正前后的图像效果对比图，其中(a)为校正前的，(b)为校正后的，可以看出，采用本发明的方法进行光照校正前后，图像的光强分布均匀程度大大提升。图6所示为采用本发明的方法进行光照校正前后的图像PSNR图，其中(a)为校正前的，(b)为校正后的，可以看出，采用本发明的方法进行光照校正前后，图像的PSNR值大大降低，证明经过校正后的图像其抗噪声能力也大大增强。当前第1页1 2 3