本发明涉及图像处理领域，具体的说是一种感受野模型的敏感度及模型参数动态调控方法。
背景技术
许多计算机视觉应用都希望输入清晰、高对比度的图像，但大气中存在尘埃、雾和水滴等气溶胶，物体表面反射光在到达镜头之前就已经分散，导致了对比度降低和颜色褪色，最终导致图像清晰度降低。对于图像处理来说，人类视觉机制是非线性、非均匀性的，其处理过程有着主观视觉感觉和客观指标参数的差异性，现有的图像增强算法通常不能满足这两方面要求，因此构建基于视网膜机制的图像预处理模型、实现图像增强具有很大意义，尤其是对雾霾天气的图像增强以及医学图像处理。
有学者以视网膜网络信息处理机制为基础，受大气散射模型对模糊图像成因影响的启发，通过模拟视网膜中双极细胞经典高斯差感受野和神经节细胞非经典感受野去抑制作用以及on/off型信息通路整合等机制，提出基于视觉机制的图像去雾增强模型，该模型对特定场景有很好的去雾效果，但参数固定，模型对光照、亮度敏感，适应性不强。
事实上，人类视觉系统感受野对光照敏感度是动态变化的，且感受野半径及响应强度也是动态调整的，因此，使用固定模型参数有其局限性，也无法真实反映人类视觉系统感受野特性。
技术实现要素：
为了解决现有技术中的不足，本发明提供一种感受野模型的敏感度及模型参数动态调控方法，该动态调控方法能够根据不同的输入动态调整模型参数，进而实现在不同环境条件下的图像去雾增强。
为了实现上述目的，本发明采用的具体方案为：一种感受野模型的敏感度及模型参数动态调控方法，该动态调控方法包括如下步骤：
步骤1、根据人类视觉机制构建感受野模型；
步骤2、利用步骤1构建的感受野模型，设计敏感度及模型参数动态调控方法，具体包括如下步骤：
步骤21、调控感受野半径δ：用正态函数对δ进行拟合，δ调控方法具体如下：
i(f)＝∑f(x,y)/(255*m*n)；
其中，i为图像平均亮度，f(x,y)为输入图像，m、n为图像尺寸；
步骤22、调控敏感度k：敏感度k包括亮度敏感度和细节敏感度，调控敏感度k的方法具体包括如下步骤：
步骤221、亮度敏感度ki(f)的调控用如下公式表示：
ki(f)＝-log(i(f))；
步骤222、细节敏感度kd(f)的调控用如下公式表示：
kd(f)＝log(roe(f))；
roe(f)＝eh(f)/e(f)；
其中，eh为图像高频成分的能量，e为图像总能量，roe为图像高频成分的能量在整幅图像中的占比；
e(f)＝∑f(x,y)2；
eh(f)＝∑fh(x,y)2；
fh(x,y)＝ifft(hp(fft(f(x,y))))；
其中，fft为傅里叶变换，hp为高通滤波，ifft为傅里叶反变换；
步骤223、对步骤221中得到的亮度敏感度ki(f)和步骤222得到的细节敏感度kd(f)分别归一化加权后得敏感度k：
k(f)＝anorm(ki(f))+bnorm(kd(f))；
其中，norm为归一化，a和b分别为权重；
步骤23、调控响应强度参数a：响应强度参数a调控方法具体如下：
其中，
步骤3、利用步骤2设计的敏感度及模型参数动态调控方法对步骤1构建的感受野模型进行修正，并用于图像增强。
作为一种优选方案，步骤1构建的感受野模型为固定参数感受野模型，具体表达形式如下：
out(x,y)＝w·outon(x,y)+(1-w)·(1-outoff(x,y))；
其中，out(x,y)为输出图像，w为权重，on和off分别为不同的互为拮抗的视觉通道。
作为一种优选方案，步骤1中，
其中，gc为神经节细胞模型，gc和gc′分别为on和off通道神经节细胞模型，其形式相同，系数不同，rgb为颜色通道。
作为一种优选方案，gc模型定义如下：
mbp(x,y)＝bp(x,y)·(ε+bp(x,y))；
其中，ε为平均亮度调制系数，gc为神经节细胞模型，mbp为无长突细胞模型，bp为双极细胞模型，双极细胞模型定义如下：
其中，f(x,y)为输入图像，g(x,y；σ)表示二维高斯函数，其形式如下：
作为一种优选方案，步骤3中，利用步骤2设计的敏感度及模型参数动态调控方法对步骤1构建的感受野模型进行修正，修正过程具体如下：
有益效果：本发明提供一种感受野模型的敏感度及模型参数动态调控方法，根据输入图像本身亮度、灰度分布以及能量分布构造了敏感度及模型参数动态调控方法，能够实现动态调整感受野模型参数，符合人类的视觉特性，图像增强效果良好。
附图说明
图1为实施例一的原始图像；
图2为实施例一采用固定参数模型的处理后的图像；
图3为实施例一采用本发明敏感度及模型参数动态调控方法修正后的图像；
图4为实施例二的原始图像；
图5为实施例二采用固定参数模型的处理后的图像；
图6为实施例二采用本发明敏感度及模型参数动态调控方法修正后的图像；
图7为实施例三的原始图像；
图8为实施例三采用固定参数模型的处理后的图像；
图9为实施例三采用本发明敏感度及模型参数动态调控方法修正后的图像；
图10为实施例四的原始图像；
图11为实施例四采用固定参数模型的处理后的图像；
图12为实施例四采用本发明敏感度及模型参数动态调控方法修正后的图像；
图13为实施例五的原始图像；
图14为实施例五采用固定参数模型的处理后的图像；
图15为实施例五采用本发明敏感度及模型参数动态调控方法修正后的图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种感受野模型的敏感度及模型参数动态调控方法，该动态调控方法包括如下步骤：
步骤1、根据人类视觉机制构建感受野模型；
步骤2、利用步骤1构建的感受野模型，设计敏感度及模型参数动态调控方法；
步骤3、利用步骤2设计的敏感度及模型参数动态调控方法对步骤1构建的感受野模型进行修正，并用于图像增强。
步骤1中，构建的感受野模型为固定参数感受野模型，具体表达形式如下：
out(x,y)＝w·outon(x,y)+(1-w)·(1-outoff(x,y))；
其中，out(x,y)为输出图像，w为权重，on和off分别为不同的互为拮抗的视觉通道。在上式中：
其中，gc为神经节细胞模型，gc和gc′分别为on和off通道神经节细胞模型，其形式相同，系数不同，rgb为颜色通道；
gc模型定义如下：
mbp(x,y)＝bp(x,y)·(ε+bp(x,y))；
其中，ε为平均亮度调制系数，gc为神经节细胞模型，mbp为无长突细胞模型，bp为双极细胞模型，双极细胞模型定义如下：
其中，f(x,y)为输入图像，g(x,y；σ)表示二维高斯函数，其形式如下：
在此感受野模型中，共有三个关键参数a，k，δ，分别控制感受野模型的强度、敏感度以及半径，在现有模型中，该参数须是根据不同场景由实验确定。这一局限性限制了该模型的应用，基于此，本发明在步骤(2)中设计了灵活的动态敏感度及模型调控方法，具体包括如下步骤：
步骤21、调控感受野半径δ：感受野半径随光照变化而变化，在光照较强或较弱的情况下，感受野半径较小，而在光照适中的情况下取得最大的半径，感受野半径变化形式与正态函数吻合，用正态函数对δ进行拟合，δ调控方法具体如下：
i(f)＝∑f(x,y)/(255*m*n)；
其中，i为图像平均亮度，f(x,y)为输入图像，m、n为图像尺寸；
步骤22、调控敏感度k：敏感度k包括亮度敏感度和细节敏感度，调控敏感度k的方法具体包括如下步骤：
步骤221、根据生理学研究，在较暗的环境中感受野具有较高的敏感度，随着光照的增强，敏感度也会随之下降，亮度敏感度ki(f)的调控用如下公式表示：
ki(f)＝-log(i(f))；
步骤222、视野中的细节成分更易引起人类视觉的注意，因此细节成分比例越高，感受野敏感度越强。从图像变换的角度来讲，图像中的细节成分代表了高频成分，高频成分的能量反映了细节的多少，细节敏感度kd(f)的调控用如下公式表示：
kd(f)＝log(roe(f))；
roe(f)＝eh(f)/e(f)；
其中，eh为图像高频成分的能量，e为图像总能量，roe为图像高频成分的能量在整幅图像中的占比；
e(f)＝∑f(x,y)2；
eh(f)＝∑fh(x,y)2；
fh(x,y)＝ifft(hp(fft(f(x,y))))；
其中，fft为傅里叶变换，hp为高通滤波，ifft为傅里叶反变换；
步骤223、对步骤221中得到的亮度敏感度ki(f)和步骤222得到的细节敏感度kd(f)分别归一化加权后得敏感度k：
k(f)＝anorm(ki(f))+bnorm(kd(f))；
其中，norm为归一化，a和b分别为权重；
步骤23、调控响应强度参数a：响应强度参数a调控方法具体如下：
其中，
步骤3中，利用步骤2设计的敏感度及模型参数动态调控方法对步骤1构建的感受野模型进行修正，修正过程具体如下：
上式中，感受野半径，敏感度k，响应强度a分别由上述调控函数替代。
本发明中，在非极端光照条件下，on通道和off通道对信息处理作用相近，因此权值w取值0.5；对于敏感度，根据生理学实验，光照的影响要优于图像细节(即高频成分)的影响，因此，亮度敏感度对总体敏感度的影响要强于细节敏感度，通过实验，a取0.7，b取0.3，得到较好的结果；对于平均亮度调制系数ε，其取值范围为0-1，亮度越大该值越大，但由于在极亮和极暗条件下，该值变化较快，中间亮度条件下，变化缓慢，因此在非极端亮度条件下，取值0.5。模型参数设置如下：
w＝0.5，a＝0.7，b＝0.3，ε＝0.5。
根据该模型对图像进行动态调控处理结果如图所示，共五组数据，见实施例一、实施例二、实施例三、实施例四和实施例五。
实施例一
如图1、2和3，此三幅图均为近景图，包括较多细节成分，其中，图1为原始图像，图2为采用固定参数模型的处理后的图像，图3为采用本发明敏感度及模型参数动态调控方法修正后的图像。
实施例二
如图4、5和6，此三幅图均为远景图，既包含了天空等平滑区域，又包含了楼房树木等含有细节成分的区域，且场景中含有薄雾，其中，图4为原始图像，图5为采用固定参数模型的处理后的图像，图6为采用本发明敏感度及模型参数动态调控方法修正后的图像。
实施例三
如图7、8和9，此三幅图雾气较重且远近景都有，总体方法能一定程度上去雾，而文字，树叶，地上交通标识等细节成分经过处理更为清晰鲜艳，其中，图7为原始图像，图8为采用固定参数模型的处理后的图像，图9为采用本发明敏感度及模型参数动态调控方法修正后的图像。
实施例四
如图10、11和12，此三幅图为场景较为复杂的图像，包含了较为丰富的细节，图10为原始图像，图11为采用为采用固定参数模型的处理后的图像，图12为采用本发明敏感度及模型参数动态调控方法修正后的图像。
实施例五
如图13、14和15，此三幅图为夜景图像，整体亮度较暗，图13为原始图像，图14为采用为采用固定参数模型的处理后的图像，图15为采用本发明敏感度及模型参数动态调控方法修正后的图像。
实验结果表明，本发明根据输入图像本身亮度、灰度分布以及能量分布构造了敏感度及模型参数动态调控方法，能够实现动态调整感受野模型参数，符合人类的视觉特性，图像增强效果良好，尤其对图像细节增强的性能优异。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例描述如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述所述技术内容作出的些许更动或修饰均为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。