一种ISAR图像自适应细节增强方法与流程

本发明涉及ISAR(InverseSyntheticApertureRadar，逆合成孔径雷达)图像处理技术，尤其涉及一种基于冗余幅度级压缩和高概率幅度级扩展的ISAR图像自适应细节增强方法。
背景技术：
：与光学图像不同，ISAR图像在成像过程中受目标特性、雷达系统、环境噪声以及成像算法等多种因素的影响，通常表现为孤立的散射中心分布，具有稀疏性、动态范围大、对比度较低等特点。这使得后续的图像分析、解译面临很大的难度，因此在进行后续处理前，对ISAR图像进行细节增强处理显得十分必要。现有的图像细节增强方法主要应用于光学图像。如Gamma校正方法，参见文献(彭国福,林正浩.图像处理中Gamma校正的研究和实现[J].电子工程师,2006,(2):30-32,36.)。这种方法通过一个特定的Gamma变换算子来改善图像对比度。但是这种方法应用于具有稀疏性、动态范围大的ISAR图像细节增强时，难以取得令人满意的效果。如直方图均衡化法，参见文献(张锐,贾娜.海域图像增强方法综述[J].液晶与显示,2017,(10):828-834.)，则通过使图像灰度级的概率密度函数满足近似均匀分布的形式来增大图像动态范围和提高图像对比度，对于动态范围已经很大的ISAR图像而言，难以实现细节增强，而对目标主体的增强甚至会削弱图像的可视性。目前，尚未查到有关ISAR图像细节增强方法的相关资料。技术实现要素：针对上述技术中存在的问题，本发明提出一种基于冗余幅度级压缩和高概率幅度级扩展的ISAR图像自适应细节增强方法。该方法利用ISAR图像的稀疏性，对ISAR灰度图像冗余幅度级进行压缩，对高概率幅度级进行扩展，实现图像自适应细节增强，可以有效提高目标ISAR图像的视觉效果，丰富目标细节信息。本发明采用的技术方案为：一种基于冗余幅度级压缩和高概率幅度级扩展的ISAR图像自适应细节增强方法，该方法包括以下步骤：设获得的ISAR图像G在坐标(m,n)处的灰度值g(m,n)，其中m∈[1,M]、n∈[1,N]，M和N分别表示ISAR图像G在方位向和距离向的分辨单元数。S1：求取ISAR图像的L级灰度直方图将ISAR图像G的灰度范围均匀划分为L级，得到ISAR图像G对应的L级灰度直方图。幅度级数L的取值根据ISAR图像的灰度范围大小确定。S2：空幅度级压缩删除L级灰度直方图中包含像素数目为0的幅度级，得到幅度级数为L′的L′级灰度直方图。S3：条件判断如果L′小于设定的最终级数L0，则执行S5；如果L′大于设定的最终级数L0，则执行S4；否则，执行S6。最终级数L0的取值根据需要量化的灰度级数确定，一般取L0＝256。S4：低概率幅度级压缩S4.1对出现频率最低的幅度级进行压缩处理，即将该幅度级与其相邻的出现频率较低的幅度级合并。S4.2统计压缩处理后新的幅度级数和对应的幅度级灰度直方图，若新的幅度级数等于设定的最终级数L0，则执行S6；否则，执行S4.1。S5：高概率幅度级扩展S5.1对出现频率最高的幅度级进行扩展处理，即将该幅度级对应的灰度区间均匀划分得到两个新的幅度级。S5.2统计扩展处理后新的幅度级灰度直方图，若新的幅度级数等于设定的最终级数L0，则执行S6；否则，执行S5.1。S6：灰度映射L0级灰度直方图对应的ISAR图像G′，即为增强后的结果。本发明的有益效果：通过本发明的方法处理，针对空间目标ISAR图像动态范围大且在高幅度区稀疏、直方图冗余的特点，自适应地进行冗余幅度级压缩和高概率幅度级扩展，在保留目标细节信息不丢失的情况下有效提高目标灰度图像的局部对比度，提高目标ISAR图像的视觉效果，提升目标识别能力，具有重要工程应用价值。附图说明图1为本发明处理流程；图2是进行仿真实验获得的灰度直方图；图3是进行对比实验的结果。具体实施方式下面结合附图对本发明的具体实施方式进行进一步描述。图1为本发明处理流程。图2为本发明基于冗余幅度级压缩和高概率幅度级扩展的图像增强示意图。本发明所述一种基于冗余幅度级压缩和高概率幅度级扩展的ISAR图像自适应细节增强方法，该方法包括以下步骤：S1：求取ISAR图像的L级灰度直方图。将ISAR图像G的灰度范围均匀划分为L级，得到ISAR图像G对应的L级灰度直方图。幅度级数L的取值根据ISAR图像的幅度范围大小确定。其中，均匀划分的含义是使得灰度直方图的每个幅度级对应的灰度范围区间的长度一致。S2：空幅度级压缩删除L级灰度直方图中包含像素数目为0的幅度级，得到幅度级数为L′的灰度直方图。S3：条件判断通过条件判断，决定是进行低概率幅度级压缩和高概率幅度级扩展，还是终止技术方案。S4：低概率幅度级压缩如果进行幅度级压缩，则对出现频率最低的幅度级进行压缩处理，出现频率最低的幅度级是指该幅度级(即灰度区间)包含像素数目最少的幅度级。将该幅度级与其相邻的出现频率较低的幅度级合并，是指从与该幅度级在灰度区间上相邻的两个(或1个)幅度级中，选择包含像素较少的幅度级进行合并。新的幅度级包括的灰度区间是两个被合并的幅度级的灰度区间的和。S5：高概率幅度级扩展对出现频率最高的幅度级进行扩展处理，即将该幅度级对应的灰度区间进行均匀划分得到两个新的灰度区间，每个灰度区间对应一个新的幅度级。统计落入新的幅度级的像素数，从而得到新的幅度级灰度直方图。S6：灰度映射图2是进行仿真实验获得的灰度直方图。图2-(a)是实验中使用的ISAR图像对应的原始的灰度直方图，幅度级数L＝1024。在形成灰度直方图时，通过Imhist函数划分为1024个级别。图2-(b)是利用本发明基于冗余幅度级压缩和高概率幅度级扩展后得到的灰度直方图；此时幅度级数包括L0＝256个级别。从图中可以看出，通过利用本发明，直方图在去掉冗余后得到扩展，在保留目标细节信息不丢失的情况下有效提高目标灰度图像的局部对比度。图3是进行对比实验的结果。(a)为仿真飞机目标的原始ISAR成像结果，(b)是利用Gamma变换(系数是0.4)增强的结果，(c)是现有直方图均衡化增强结果，(d)是利用本发明方法得到的图像增强结果。从图中可以看出，Gamma变换法对具有稀疏性、动态范围大的ISAR图像增强时，目标和背景噪声同时进行增强。直方图均衡化法对于动态范围已经很大的ISAR图像而言，难以实现细节增强，而对目标主体的增强甚至会变得模糊。而本发明的方法可以更有效地增强细节信息。为进一步验证本发明的有效性，采用三个度量标准构建综合评价指标体系，进行定量分析，包括模糊性指数、局部对比度、细节区域方差。模糊性指数越小、局部对比度越大、细节区域方差越大，图像增强性能就越优越。利用上述三个指标对图3的实验结果定量对比，如表1所示。表1定量比较根据表1得到对比结果如下：①根据模糊性指数及局部对比度的对比结果可知，本发明方法在提高图像细节信息的丰富程度和局部对比度方面比其它算法更优。②细节区域方差值方面，本发明方法的结果同样最大，且增加幅度较大。这一结果表明本发明方法在实现大动态范围压缩时，保留局部细节或保持局部对比度的能力比其他方法更优越。仿真和对比实验均通过Matlab2010a实现。操作系统是MicrosoftWindowsXPProfessionalSP3，处理器是PentiumDual-Core2.7GHz。图3仿真实验利用的实测数据大小为401×256，所用的时间开销对比结果，如下表所示。表2.不同算法的时间开销(s)算法Gama变换传统直方图变换本专利方法时间开销(均值)0.0270.0250.2从表中给出的对比结果可以看到，本发明方法仿真时运算量比其他算法有一定增长，但这种时间开销的增加相对于算法性能的提升可以忽略不计。当前第1页1 2 3