[发明专利]一种基于双高斯差模型的自适应图像目标增强方法

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。

主权项

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G₁、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G₁、G₂的累积概率P₁、P₂，将上式表示为：A₁P₁(‑w≤x≤w)＝A₂P₂(‑w≤x≤w)令模板半径w＝ασ₂，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A₁和A₂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1≤i≤2w+1，1≤j≤2w+1，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σ₁、σ₂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G₁(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σ₁、σ₂、w和η得到归一化的卷积模板，采用一种从中心权值m_w+1,w+1中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)*DOG(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) 。