基于Shearlet变换和多尺度Retinex遥感图像增强算法.docVIP

基于Shearlet变换和多尺度Retinex遥感图像增强算法 　　摘要：传统的小波变换、曲波变换和轮廓波变换无法对图像提供最优的稀疏表示，不能取得好的增强效果，为此，提出了一种基于剪切波（Shearlet）变换的图像增强算法。经Shearlet变换，图像被分解成低频分量和高频分量。首先，对Shearlet变换分解后的低频分量进行多尺度Retinex（MSR）调整，以减轻光照条件对图像的影响；其次，对各尺度、各方向上的高频系数采用阈值抑噪来消除噪声；最后，对重构图像进行模糊对比度增强，提高图像的整体对比度。实验结果表明该算法能够明显改善图像的视觉效果，突出图像的纹理细节且具有良好的抗噪性能。与直方图均衡（HE）、MSR、基于非下采样轮廓波变换（NSCT）的图像模糊增强（NSCT_fuzzy）算法相比，图像清晰度、信息熵、峰值信噪比（PSNR）均有一定的提高，且运行时间缩短为MSR的1/2和NSCT_fuzzy的1/10左右。 　　关键词：Shearlet变换；多尺度Retinex；低频子带；高频子带；模糊对比度 　　中图分类号： TP751； TP391.413 　　文献标志码：A 　　0 引言 　　遥感图像是一种记录地貌特征及地物信息的特殊图像，在军事、农业、航空等方面应用广泛[1]，但遥感图像易受光照条件、传感器性能、大气辐射以及外界噪声的影响，存在诸多问题，如视觉效果差、清晰度低、纹理细节不明显等，为后续的应用和处理带来不便。因此，遥感图像的增强，是一个关键环节。理想的图像增强技术，应该做到既能够调节图像的动态范围，又能加强图像的细节信息[2]。小波变换因其良好的时频特性和多分辨率特点，成为研究的热点，但也因其不具备方向性而限制了其发展[3]。基于此，研究者提出了一些新的多尺度变换，如曲波变换（Curvelet transform）[4]、轮廓波变换（Contourlet transform）[5]以及非下采样轮廓波变换（Non-Subsampled Contourlet Transform， NSCT）[6]等。这些变换具有各向异性和方向性等特点，能够较好地表示图像的高维奇异性，因此能够对图像的边缘、纹理和细节等给出接近最优的表示。但其对图像稀疏表示的能力却受到了限制。为此，Guo等[7]通过具有合成膨胀的仿射系统构造出了剪切波，它能够对图像进行稀疏表示且产生最优逼近。对于二维信号，剪切波可以检测到所有的奇异点，还可以自适应跟踪奇异曲线的方向，这正是小波变换所缺少的，且剪切波反变换时不需要对扇形滤波器进行逆变换，因此比Contourlet变换和NSCT具有更高的计算效率。基于Shearlet变换的明显优势，如今Shearlet变换在图像处理领域有了广泛的应用[8-11]，但在图像增强方面应用较少。 　　基于人类视觉感知特性的考虑，Land[12]提出了Retinex（视网膜（Retina）和大脑皮层（Cortex）的缩写）理论，指出物体的本身面貌取决于其自身的反射能力，与照射光强度无关。基于这一理论，图像增强技术有了新的思路，并相继出现了单尺度Retinex（Single Scale Retinex， SSR）、多尺度Retinex（Multi-Scale Retinex， MSR）和带色彩恢复的Retinex（Multi-Scale Retinex Color Restoration， MSRCR）理论。Retinex增强算法能改善图像的视觉效果，使增强后的图像亮度均匀。Retinex算法虽然能够突出图像的部分细节，但也存在一定的缺陷，例如增强后的图像层次不明显、对比度较低、在边缘和高对比区域出现光晕现象等[13]。由于光照射分量主要存在于图像的低频部分[14]，基于此，研究者尝试将Retinex引入到变换域：文献[14]使用多尺度Retinex处理平稳小波变换的低频系数，使得处理后的红外图像清晰度有所提升；文献[15]使用非下采样轮廓波变换（NSCT）先分离出图像的近似分量和细节分量，再使用Retinex分离出图像的照射分量和反射分量，扩大了图像的视觉动态范围。本文用多尺度Retinex来调整Shearlet的低频系数，并对各尺度、各方向上的高频系数采用阈值抑噪，对重构图像进行模糊对比度增强，来提升图像的层次感并提高图像的整体对比度。实验结果表明，本文提出的方法与直方图均衡（Histogram Equalization， HE）、MSR和文献[16]提出的基于非下采样轮廓波变换的图像模糊增强（Fuzzy contrast enhancement in Non-Subsampled Contourlet Domain， NSCT_fuzzy）算法中文摘要中，“NSCT_fuzzy”指的是文献22，而此