ell,GC)为例，当视网膜上某个局部区域的光感受器 在受到光刺激时会引起神经节细胞产生相应的神经发放变化，该一区域被称为GC感受野。 大量电生理学实验表明，GC感受野一般呈同屯、圆状分布，其中屯、区和周边区之间是相互括 抗的，并且在均匀光照下该种兴奋性作用（+)和抑制性作用（-)总是趋向于抵消。对生物 而言，在视觉成像过程中，该种光学信息的预处理能够对其屈光系统及生存环境中随机介 质引起的光线退化起到补偿或复原的作用，从而提高生物观察物体的清晰度。因此，视觉感 受野中侧抑制现象的工程化模拟对于复杂水面光学环境下的图像目标增强具有重要借鉴 意义。
[0化引本发明中ON型感受野双高斯差模型的空间分布如图6所示。双高斯差值0G)模 型采用两个高斯函数分别代表兴奋性和抑制性分布，通过二者之差来模拟GC感受野的空 间特性。其归一化的一维和二维表达式分别如下：
[0061] 其中，Gi、G2分别为表示兴奋性和抑制性分布的零均值高斯函数；A1和A2分别表示 两种分布的敏感度；标准差和02分别表示两种分布的空间散布程度。当A1>A2、〇1 < 0拥DOG模型描述了ON型感受野。DOG模型具有W下空域性质；1)模型的权值随距离 增减，使得较远像素对中屯、像素的影响减弱，具有空间局域性；2)模型的权值分布在空间 上连续可微，具有空间光滑性；3)模型的权值分布在各个方向上相同，具有旋转不变性；4) 二维模型可分解为一维形式在X、y方向的连续卷积，具有可分离性。相比其他两种模型， DOG模型不仅用非常简单的公式有效地模拟了视网膜神经节细胞同屯、圆结构感受野的"中 屯、兴奋-外周抑制"该一空间特性，而且具有模型参数少、物理意义明确的优点，有利于工程 化模拟。
[0062] 本发明中自适应图像目标增强方法的流程如图7所示。本发明利用水面图像中目 标和噪声灰度分布的先验知识W及兴奋性与抑制性作用趋于相抵的约束关系求解DOG模 型参数，使之能够根据局部图像的统计特征自适应地改变滤波模板，W达到局部最优化增 强的目的。实现流程包括：
[0063] (1)建立敏感度约束关系。感受野在均匀光照下的兴奋性与抑制性作用趋于相抵， 用于抑制空间频率中的直流分量，从而适应不同的环境光强。根据该一生理现象，图6a中 曲线Gi、G2与零点基线围成的面积应当相等，有：
[0067] 对上式两边进行积分变换，有：
[0068]
(11)
[00例 因此，可得；
[0070] Ai=A2 (12)
[0071] 上式表明，对于积分区间为[--，+ -]的归一化高斯函数而言，DOG模型输出为 零的条件是；中屯、兴奋区和外周抑制区的敏感度相等。在实际操作中，为避免卷积模板的尺 寸过大，将积分区间限定在均值附近有限的区域[-w，w]内，则式（10)可写成：
[007引
（|3)
[0073] 由于上式的积分不能用简单的初等函数表示，在实际计算时通过查询标准正态分 布表获得高斯函数Gi、G2的累积概率P1、P2,将上式表示为：
[0074] AA(-W《X《W) =A2P2(-W《X《W) (14)
[0075] 由于高斯函数的能量在W均值为中屯、的±0、±1.50、±2〇和±3〇区间内分 别达到68. 26%、86. 64%、95. 44%和99. 74%，因此积分区间取±1. 5 0~±3 0即可达到 85%W上的逼近程度。令模板的半径w=a〇2,其中1.5《a《3,定义积分区间内两个 高斯函数能量分布的比例因子为：
[0076]
(15)
[0077] 由此建立了敏感度Ai和A2间的约束关系。
[007引 （2)模型离散化。二维高斯函数的离散化表达式为；
[0079]
(16)
[0080] 其中，（i，j)表示模板权值所在的位置，有1《i《2W+1，1《j《2W+1。W图2 所示的河流水面测试图像为例，目标和随机噪声的平均半径在2个像素和1个像素左右。基 于该先验知识，取0 1= 1、0 2= 2、a= 1. 5,则离散卷积模板的半径W= 3,大小为7X7。 代入上式可得两个归一化高斯函数的卷积模板Gi(i，j)、G, (i，j)。离散化后积分区间内的 比例因子为：
[0081]
(17)
[00間由式做，D0G(x，y)的离散化表达式可W写成：
[0083]
(18)
[0084] 当敏感度参数Ai= 1时，代入参数0 1、0 2、w和n得到如下的归一化卷积模板：
[0085]
[0086] 在实际应用时，为减少存储量和计算量一般会对上式取整，但可能引起四舍五入 的截断误差。在该里采用一种从中屯、权值中减去模板所有元素之和的方法进行补 偿，即：
[0087]
(19)
[008引由此确定了一个唯一的归一化DOG卷积模板。
[0089] (3)图像空域滤波。由于模型采用描述兴奋性和抑制性作用的分布函数描述GC感 受野对光刺激的空间响应，并W此为权重计算细胞上的总光通量。对于二维图像信号，该滤 波过程表示为如下的空域卷积形式：
[0090] g(x，y)=I(x，y)蝴0G(i，j) (20)
[0091] 利用线性卷积运算的可分离性，将上式分解为：
[009引 g(x,y)=I(X，y) *[Gi (i, j)-G2(i, j)] =I(X，y)*Gi (i, j)-I(X，y) *G2(i, j) (21)
[0093] 上式表明，模型的滤波过程可首先分解为两个二维高斯函数与图像卷积运算之 差。在高斯函数中，标准差0决定了滤波器的半径；0越大，高斯函数越平坦，能量越分散； 0越小，高斯函数越睹峭，能量越集中。由于河流水面图像中目标、背景和噪声互不相关，对 于分布高而窄的Gi，如果0 1大于随机噪声而小于目标的尺寸，就能够起到滤除噪声并保持 目标和背景灰度信息的作用；对于分布低而宽的G2,如果〇2大于目标尺寸，则能够平滑高 频小目标和噪声，而获得缓慢变化的低频背景。因此在理想条件下，式（10)可W写成：
[0094] g (x, y)=I (x, y) (x, y) -fg (x, y)= (x, y) (22)
[00巧]可见，DOG模型与图像的空域卷积过程可W理解为从原图中减去背景和噪声的灰 度分量，得到尺度介于两个标准差之间的目标分量。在本质上是一个增强目标、抑制背景、 滤除噪声的带通滤波器。因此，DOG模型应用于水面目标增强具有明确的物理意义。
[0096] (4)求解敏感度参数。敏感度参数Ai的取值应当足够大W避免目标强度被压缩 在很小的灰度区间内而产生"欠增强"现象，又应当足够小W避免目标强度出现饱和而产生 "过增强"现象。考虑到滤波后图像g(x，y)中的最大灰度值代表了目标的灰度峰值，将Ai 定义为目标强度相对于最大图像灰度级的灰度拉伸比，即；
[0097] Ai=255/max (g (x, y)) (23)
[009引 妨图像灰度拉伸。采用敏感度参数Ai对空域滤波后的图像进行灰度拉伸，得到 自适应增强的图像：
[0099] g' (x,y)=A?g(x,y) (24)
[0100] 该种灰度自适应机制的引入使得原来的静态模型变为了动态模型，符合调制强度 随外界刺激发生变化的生理特性，起到增强对比度、提高信噪比的作用。
【主权项】
1. 一种基于双高斯差模型的自适应图像目标增强方法，其特征在于包括以下五个步 骤： (1) 建立敏感度约束关系，感受野在均匀光照下的兴奋性与抑制性作用趋于相抵，用 于抑制空间频率中的直流分量，从而适应不同的环境光强，根据这一生理现象，在均值附近 [-W, W]的积分区间内，曲线Gp G2与零点基线围成的面积应当相等，即：通过查询标准正态分布表获得高斯函数Gn G2的累积概率P i、P2，将上式表示为： A1P1 (-W X w) = A2P2 (-w x w) 令模板半径w= α 〇2，其中1.5< α <3,定义积分区间内两个高斯函数能量分布的 比例因子：由此建立了敏感度AjP A 2间的约束关系； (2) 模型离散化，二维高斯函数的离散化表达式为：其中，（i，j)表示模板权值所在的位置，有I < i < 2w+l，I < j < 2w+l，根据河流水面 图像中目标和随机噪声平均半径的先验知识对〇2和α进行取值，代入上式可得两个 归一化高斯函数的卷积模板G 1 (i，j)、G2 (i，j)，模型离散化后积分区间内的比例因子为：则二维双高斯差模型的离散化表达式可以写成：当敏感度参数A1= 1时，代入参数〇 i、〇2、w和Tl得到归一化的卷积模板，采用一种 从中心权值mw+liW+1*减去模板所有元素之和的方法对权值取整引起的截断误差进行补偿， 即：由此确定了一个唯一的归一化DOG卷积模板； (3) 图像空域滤波，双高斯差模型采用描述兴奋性和抑制性作用的分布函数描述GC感 受野对光刺激的空间响应，并以此为权重计算细胞上的总光通量，对于二维图像信号，该滤 波过程表示为如下的空域卷积形式： g(x,y) = I(x,y)*D0G(i, j) (4) 求解敏感度参数，考虑到滤波后图像g(x，y)中的最大灰度值代表了目标的灰度峰 值，将A1定义为目标强度相对于最大图像灰度级的灰度拉伸比，即： A1= 255/max(g(x, y)) (5) 图像灰度拉伸，采用敏感度参数A1对空域滤波后的图像进行灰度拉伸，得到自适应 增强的图像： g' (X，y) = A · g(x，y) 〇2.根据权利要求1所述的一种基于双高斯差模型的自适应图像目标增强方法，其特 征在于：所述的图像空域滤波器采用ON型视觉感受野的双高斯差（DOG)模型构建，模型中 两个高斯函数分别代表兴奋性和抑制性分布，通过二者之差来模拟视网膜神经节细胞（GC) 感受野的空间特性，其归一化的一维和二维表达式分别如下：其中，G1、G2分别为表不兴奋性和抑制性分布的零均值高斯凼数，A JP A 2分别表不网'种 分布的敏感度，满足A2，标准差〇 〇 2分别表示两种分布的空间散布程度，满足〇 i < 0 2。
【专利摘要】本发明公开了一种基于双高斯差模型的自适应图像目标增强方法，属于数字图像处理领域。所述方法基于生物视觉感受野的侧抑制现象建立图像空域滤波的双高斯差（DOG）模型。利用水面图像中目标和噪声灰度分布的先验知识以及兴奋性与抑制性作用相抵的约束关系选取模型参数，以达到局部最优的增强效果。本发明在增强目标、抑制背景和滤除噪声的综合性能方面优于传统的空域高通滤波器，增强后的图像不仅具有良好的视觉效果，同时满足了后续运动矢量估计对相关运算信噪比的需求。
【IPC分类】G06T5/00
【公开号】CN104881851
【申请号】CN201510274487
【发明人】张振, 韩永琳, 赵梦, 梁苍
【申请人】河海大学
【公开日】2015年9月2日
【申请日】2015年5月26日