基于人眼视觉特性的景观图像高频细节增强方法_夏弘睿.pdf

基于人眼视觉特性的景观图像高频细节增强方法夏弘睿，赵静（马鞍山师范高等专科学校艺术设计系，安徽马鞍山 ）摘要：由于图像获取设备、大气环境等多种因素的影响，致使景观图像存在高频细节模糊、人眼难以分辨细节信息等现象。为了解决上述问题，提出基于人眼视觉特性的景观图像高频细节增强方法。划分景观图像视觉区域，提取景观图像视觉显著区域。应用双边滤波算法剥离出高频细节区域的景观图像。利用改进自适应直方图均衡化算法（，）重新定义景观图像概率密度函数，通过累积映射实现景观图像高频细节的增强。实验数据显示：提出方法获得的信息熵最大值为 ，峰值信噪比数值最大值为 ，证实了提出方法高频细节增强效果更佳。关键词：景观图像；高频细节；人眼视觉特性；图像增强处理；滤波去噪中图分类号：文献标识码：文章编号：（），（，）：，（），：；景观图像是现今城市规划及其治理的关键依据，主要采用红外成像技术获取。红外成像技术具备探测能力强、天气条件要求低、隐蔽性好、作用距离远等优势，被广泛应用于多个领域，例如侦查领域、监控领域、军用领域等。但是，在景观图像获取过程中由于获取设备、天气环境（光照、雨雪、雾霾）等因素的影响，导致景观图像存在对比度低、高频细节不清晰、边缘模糊等现象，严重降低景观图像的观测及其效果。因此，如何有效地增强景观图像高频细节，成为景观图像应用领域亟待解决的问题之一。第 卷第 期 年 月宜春学院学报 ，收稿日期：基金项目：安徽省 年度高校优秀青年人才支持计划项目（编号：）；安徽省教学研究重点项目“本科层次职业教育人才培养思路研究 以“职教 条”引领艺术设计类专业为例”。作者简介：夏弘睿（），男，安徽马鞍山人，副教授，博士，研究方向为视觉设计、交互设计。随着城市建设信息化水平的提升，景观图像的应用频率呈现剧增的现象，景观图像相关处理技术重要程度也逐渐上升，受到了相关学者的广泛关注。徐戈等为了解决零样本图像分类中的偏置问题，提出了融合视觉误差与属性语义信息的方法。基于半监督学习方法获取视觉误差信息，提出融合属性语义信息的零样本图像分类网络来实现零样本图像分类。安琪等提出了基于变尺度 的公路环境景观视觉图像增强算法，利用滤波器平滑处理公路环境景观视觉图像噪声，并对其进行自适应伽马校正，增强景观视觉图像边缘信息，实现公路环境景观视觉图像增强。由于上述方法未考虑到人眼视觉特性，景观图像的高频细节增强效果较差，无法满足景观图像的应用需求。为此，文章提出了基于人眼视觉特性的景观图像高频细节增强方法，将人眼视觉特性考虑在内，增强景观图像的高频细节，为景观图像的应用与发展提供助力。景观图像高频细节增强方法研究 人眼视觉特性分析为了提升景观图像高频细节增强的针对性，更符合人眼的观察方式，深入分析人眼视觉的特性，其主要包括灰度分辨特性、亮度敏感特性、对比灵敏度特性、视觉显著性和视觉掩盖效应五个方面，具体如下所示：（）灰度分辨特性人眼灰度分辨特性曲线如图所示。图 人眼灰度分辨特性曲线示意图如图所示，当灰度等级较低或较高时，灰度等级差值较大，人眼对其分辨水平较高；当灰度等级中等时，灰度等级差值较小，人眼对其分辨水平较差。灰度分辨特性代表了人眼对不同灰度范围的分辨能力。在景观图像处理过程中，只需根据人眼视觉特性适度调节景观图像灰度值，使得高频细节区域灰度值差值增加，更利于人眼对景观图像信息的识别。（）亮度敏感特性亮度敏感特性是指人眼能够感知的最小亮度误差。常规情况下，人眼对光线具备一定的调节能力，其亮度感知与多种因素均存在着较大的关系，例如景观图像相对亮度、绝对亮度等。人眼主观感知与亮度之间的函数关系表达式为（）式（）中，与 分别表示人眼的亮度主观感知及其增益数值；表示景观图像的平均亮度；与 分别表示客观亮度及其增益数值。亮度光栅采用 对比度来表示，决定人眼亮度感知的权限，表达式为 （）式（）中，表示亮度光栅数值；与 分别表示景观图像亮度的最大值与最小值。（）对比灵敏度特性人眼对比灵敏度影响因素较多，例如景观图像颜色、相对亮度、频率等。对比灵敏度函数表达式为 （）（）（）式（）中，表示对比灵敏度函数；、与表示辅助计算参数，需要根据实际情况设置；表示景观图像空间频率。（）视觉显著性一般情况下，人眼在观察景观图像过程中，很难获取全部信息，仅可以感知到部分景观图像区域信息，将该区域定义为景观图像显著区域。这种特性是人眼的机制特性，能够在较为复杂的景观图像中选择出显著区域，提升景观图像高频细节增强处理效率，从而提升景观图像的视觉效果。（）视觉掩盖效应在人眼视觉系统中，人眼会受到多个外界刺激信号，例如噪声、频率、光照等，导致人眼会忽视景观图像的局部信息，例如景观图像边缘相邻像素信息、图像背景纹理信息等均很容易被人眼忽视，致使景观图像信息获取不完整。上述过程完成了人眼视觉特性分析，为后续景观图像视觉区域划分提供理论依据。景观图像视觉区域划分以上述人眼视觉特性分析结果为依据，划分景观图像视觉区域，为后续景观图像分层处理提供便利。基于人眼视觉特性的景观图像视觉区域划分原理如图所示。第 期 宜春学院学报 第 卷图 景观图像视觉区域划分原理示意图如图所示，依据人眼视觉特性将景观图像划分为四个区域，分别为：区域、：区域、：区域与：区域。上述四个视觉区域中，只有 区域人眼视觉敏感度最高，可以更加清晰的反映出景观图像的关键信息，故将其称为视觉显著区域。为了方便研究的进行，采用数学方式对景观图像进行建模、分解、视觉显著区域提取。景观图像背景强度与对比度阈值表达式为（，），（）（，）（）（，）（）（，）（，）（，）（）式（）中，（，）表示景观图像的背景强度；与表示特殊运算符号，运算规则如式（）所示；（，）表示景观图像像素点；（，）与（，）表示任意两个景观图像像素点，需要注意的是，或；与分别表示（，）的上、下、左、右与对角线相邻像素集合；（，）表示对比度阈值；（，）表示视觉感知光强梯度信息。特殊运算符号规则表达式为（）（）（）（）（）（）式（）中，与表示景观图像中的像素值；表示景观图像中像素最大值；（）表示辅助函数，具体取值需要根据实际情况进行确定。由于 区域人眼视觉几乎无法察觉，对其进行忽略不计，对景观图像进行视觉区域划分，结果如式（）：（，）（，）（，）（，）（，）（，）（，）（）式（）中，、与 分别表示 区域、区域与 区域；与表示背景强度阈值；与表示视觉感知光强的梯度阈值。上述过程完成了景观图像视觉区域的划分，可以有效的提取出视觉显著区域，为高频细节增强的实现提供支撑。景观图像分层处理以上述景观图像视觉区域划分结果为基础，应用双边滤波算法分层处理景观图像，为最终高频细节增强的实现做好充足的准备。双边滤波算法表达式为（，）（，）（，），（），（）（，）（，），（），（）（）（）式（）中，（，）表示滤波后的景观图像；（，）表示空域滤波器；（，），（，）表示值域滤波器；（，）与（，）分别表示滤波中心点与相邻位置坐标信息；（，）表示原始景观图像。认定公式（）输出的（，）为背景区域图像，则高频细节区域图像表达式为（，）（，）（，）（）式（）中，（，）表示高频细节区域图像。上述过程完成了景观图像背景区域与高频细节区域的分层处理，将高频细节区域剥离出来，为后续高频细节增强的操作提供方便。景观图像高频细节增强以分层处理后的高频细节区域景观图像为基础，结合现有文献 中的概率密度函数，利用 算法对景观图像高频细节区域信息进行增强处理。依据 算法重新定义景观图像概率密度函数，表达式为 （）（）（）（）（）（）（）（）（）（）（）（）（）（）（）（）（）（）式（）中，（）与 （）分别表示原始定第 期夏弘睿，赵静：基于人眼视觉特性的景观图像高频细节增强方法第 卷义与重新定义的概率密度数值；表示基准阈值；（）表示自适应约束参量；表示平均亮度；表示常数，取值范围为，；表示灰度级的最大值。将 （）进行累积，获得累积函数 （），并将其映射到灰度级（，）范围内，即可获得增强后的高频细节区域图像，表示为（，）（）（）（）（）式（）中，（，）表示增强后的高频细节区域图像；（）表示累积函数最大值。上述过程实现了景观图像高频细节区域信息增强，并将人眼视觉特性考虑在内，提升了景观图像人眼识别效果，为景观图像的应用提供帮助。实验与结果分析选取文献的高等级公路环境景观视觉图像增强算法作为对比方法，设计对比实验，验证提出方法的具体应用效果。实验准备阶段随机选取来自 数据集的 幅景观图像作为实验对象，由于篇幅有限，不对实验对象进行展示。选取的实验对象 景观图像，在采集设备、大气环境等因素的影响下，存在着细节模糊、噪声点多等现象，符合景观图像高频细节增强实验的需求，能够有效地验证高频细节增强效果的优劣。实验参数是影响实验是否能够顺利进行的关键。在高频细节增强过程中，算法辅助参数的取值直接决定着高频细节增强效果，故在实验进行之前，在 软件中对辅助参数最佳取值进行确定。应用测试获得辅助参数与 算法概率密度数值计算效率之间的关系如图所示。图 辅助参数与 算法概率密度数值计算效率的关系示意图如图所示，当辅助参数取值为 时，算法概率密度数值计算效率达到最大值 ，因此确定辅助参数最佳取值为 。实验结果分析以上述选取的实验对象与确定的实验参数为基础，应用提出方法获得景观图像高频细节增强效果如图所示。（）景观图像（）景观图像（）景观图像图 景观图像高频细节增强效果示意图如图所示，应用提出方法获得的景观图像有效地增强了高频细节，显示出了原始景观图像中更加细小的信息，如景观图像中的树枝信息，景观图像第 期 宜春学院学报 第 卷和景观图像中的树枝和绿植信息，提升了景观图像信息的完整性。图虽然能够证明提出方法的可行性，但只是主观评价结果。为了提升实验结论的精确度，选取客观评价指标 信息熵与峰值信噪比，计算公式为 （）（）（）式（）中，与分别表示信息熵与峰值信噪比；（）表示像素灰度值的出现概率；表示像素灰度值最大值；表示均方误差。通过实验获得信息熵与峰值信噪比数据，如表与表所示。表 信息熵数据表景观图像编号提出方法对比方法 表 峰值信噪比数据表（单位为）景观图像编号提出方法对比方法 根据已有文献研究成果可知，信息熵与峰值信噪比数值越大，表明景观图像质量越佳。如表与表数据所示，与对比方法相比较，应用提出方法对 幅景观图像获得的信息熵与峰值信噪比数值均较大，最大值分别达到了 与 ，充分证实了提出方法高频细节增强性能更好。结束语此研究将人眼视觉特性考虑在内，提出了新的景观图像高频细节增强方法，极大提升了景观图像的信息熵与峰值信噪比数值，能够为景观图像高频细节增强处理提供更有效的方法支撑，为景观图像的应用提供便利，也为细节增强相关研究提供一定的借鉴与参考。参考文献：何睿 基于激光成像景区三维动态视景模拟系统 激光杂志，（）：代少升，易伟男，聂合文，等基于人眼视觉特性的 非均匀性校正算法研究 半导体光电，（）：徐戈，肖永强，汪涛，等基于视觉误差与语义属性的零样本图像分类计算机应用，（）：安琪，郑诗惠高等级公路环境景观视觉图像增强算法仿真计算机仿真，（）：顾艺，诸伟超室内图像去噪增强算法的研究与仿真计算机仿真，（）：于天河，赵树梅，兰朝凤结合视觉特性的红外图像增强方法激光与红外，（）：张毅，姚红媛不同光照强度下园林景观设计图像优化研究激光杂志，（）：何亚茹，葛洪伟视觉显著区域和主动轮廓结合的图像分割算法计算机科学与探索，（）：郑娜，穆平安基于高斯金字塔和视觉显著性的色织物疵点检测包装工程，（）：张学典，杨帆，常敏基于图像信息熵统计直方图的图像增强算法包装工程，（）：王国芬，黄永东基于细节增强和平行特征刺激脉冲耦合神经网络的医学图像融合算法中国科学：信息科学，（）：方斌，陈家益，石艳基于可微收缩函数与自适应阈值的小波去噪 光学技术，（）：胡薇，高银 基于边界限制的自适应双边滤波单幅图像去雾算法 激光与光电子学进展，（）：谢晨霞，高万荣，张越基于 成像信号振幅差分概率密度分布的图像散斑噪声抑制方法 中国激光，（）：陈啸，边大红，崔彦宏，等 基于图像的玉米植株叶倾角概率密度分布函数提取