[发明专利]基于局部奇异性量化分析的灰度图像增强方法

权利要求书

1.一种基于局部奇异性量化分析的灰度图像增强方法，其特征在于包括如下步骤：

—检测原始图像中的局部极值点，记录局部极值点在图像中的位置；

—联合SIFT特征向量和局部灰度共生矩阵来量化表示各局部极值点的局部纹理和灰度特性；

—量化计算各局部极值点与其邻域内其他局部极值点间的特征距离；将各局部极值点与其邻域内其他局部极值点间的特征距离进行加权叠加，得到各局部极值点的局部奇异性指标；

—将所得各局部极值点的局部奇异性指标进行归一化，利用归一化的局部奇异性指标进行所述原始图像范围内的曲面拟合，得到原始图像中各像素点的归一化局部奇异性指标；

—将所得各局部极值点的局部奇异性指标进行归一化，然后利用归一化的局部奇异性指标进行曲面拟合，拟合范围为原始图像的尺寸，得到原始图像中各像素点的归一化局部奇异性指标；

—将原始图像中各点像素值乘以对应的归一化局部奇异性指标，然后将所得图像的灰度范围线性调整至图像的最大灰度动态范围，完成原始图像的灰度增强；

量化计算各局部极值点与其邻域内其他局部极值点间的特征距离具体包括如下步骤：

—选定半径R计算各中心局部极值点与邻域内其他局部极值点间的SIFT特征向量距离：

上式中，x_o代表邻域中心局部极值点的SIFT特征向量，x_i代表邻域其他局部极值点的SIFT特征向量；

根据公式(4)计算各中心局部极值点与邻域内其他局部极值点间各灰度共生矩阵的差距：

上式中，X_ok代表邻域中心局部极值点第k个灰度共生矩阵，X_ik代表邻域内第i个局部极值点的第k个灰度共生矩阵；

中心局部极值点与邻域内其他局部极值点间的特征距离按公式(5)计算得到：

2.根据权利要求1所述的基于局部奇异性量化分析的灰度图像增强方法，其特征还在于所述的局部极值点的检测方法具体如下：依据公式(1)对像素点P(即(x_p，y_p))进行局部极值点判定，

上式中，i和j代表局部极值点检测时的局部坐标偏移量；scale代表局部极值点检测的局部范围。

3.根据权利要求1所述的基于局部奇异性量化分析的灰度图像增强方法，其特征还在于所述的联合SIFT特征向和局部灰度共生矩阵来量化表示各局部极值点的局部纹理和灰度特性的过程具体如下：

—以128维SIFT特征向量来量化表示各局部极值点的局部纹理信息；

—计算以各局部极值点为中心的局部区域内的灰度共生矩阵；

—以SIFT特征向量和多个灰度共生矩阵联合表征各局部极值点的局部纹理和灰度特性。

4.根据权利要求3所述的基于局部奇异性量化分析的灰度图像增强方法，其特征还在于所述的各局部极值点为图像内的全部的局部极值点。

5.根据权利要求3所述的基于局部奇异性量化分析的灰度图像增强方法，其特征还在于计算得出灰度共生矩阵的步骤具体如下：

—以镜像对称的方式对原始图像进行边界扩展且单侧扩展尺寸为向下取整后局部区域尺寸的1/2；

—设定像素偏移量，设定包括以局部特征点中心对称的四个计算方向0°、45°、90°和135°，每个局部区域可生成4个灰度共生矩阵；

—以1个128维的SIFT特征向量和所述的4个灰度共生矩阵联合表征各局部极值点的局部特征，即局部极值点的局部特征可表示为：

(SIFT Vector，GLCM-0°，GLCM-45°，GLCM-90°，GLCM-135°) (2)

其中GLCM代表灰度共生矩阵，即Gray Level Co-occurrence Matrix。

6.根据权利要求1所述的基于局部奇异性量化分析的灰度图像增强方法，其特征还在于特征距离加权叠加，得到各局部极值点的局部奇异性指标具体如下：

在原始图像中每个局部极值点的邻域内，依据公式(6)加权叠加邻域中心局部极值点的各特征距离，得到该中心局部极值点的局部奇异性指标：

上式中，FD_i为邻域内第i个局部极值点与中心局部极值点间的特征距离，为邻域内第i个局部极值点与中心局部极值点间的归一化加权系数，其非归一化值的计算方法如公式(7)所示：

其中，R为邻域半径，d_i为邻域内第i个局部极值点与中心局部极值点间的空间距离。