陶飛翔，吳一全，2，3，4，5

1.南京航空航天大學(xué)電子信息工程學(xué)院，江蘇南京210016；2.國土資源部地質(zhì)信息技術(shù)重點實驗室，北京100037；3.蘭州大學(xué)甘肅省西部礦產(chǎn)資源重點實驗室，甘肅 蘭州730000；4.江西省數(shù)字國土重點實驗室，江西 南昌330013；5.中國地質(zhì)科學(xué)院礦產(chǎn)資源研究所國土資源部成礦作用與資源評價重點實驗室，北京100037

1 引 言

隨著遙感技術(shù)的不斷普及，在土地利用調(diào)查、地形測繪、地質(zhì)找礦、地表資源普查、災(zāi)情監(jiān)測、目標(biāo)監(jiān)視、農(nóng)作物長勢調(diào)查等諸多領(lǐng)域有著廣泛的應(yīng)用。但遙感圖像獲取過程中，受傳感器自身機(jī)理、大氣輻射等諸多因素影響，部分遙感圖像會出現(xiàn)對比度較低、圖像模糊等問題，視覺效果較差［1－2］。為了便于對遙感圖像進(jìn)行直觀解釋［3］，在對遙感圖像進(jìn)行后續(xù)分析之前，必須先進(jìn)行增強(qiáng)預(yù)處理。

現(xiàn)有的遙感圖像增強(qiáng)方法可大致分為基于空間域的方法和基于變換域的方法兩大類?；诳臻g域的增強(qiáng)方法直接對圖像灰度值進(jìn)行處理［4］，常見的方法包括灰度變換［5］、直方圖均衡、反銳化掩模、對數(shù)圖像處理（logarithmic image processing，LIP）模型［6］等。文獻(xiàn)［5］將傳統(tǒng)的分段線性增強(qiáng)算子改進(jìn)為帶參數(shù)的算子，利用遺傳優(yōu)化算法自適應(yīng)地選取參數(shù)，該類方法能提升圖像的對比度，然而有時會忽略圖像的細(xì)節(jié)信息，同時放大噪聲，反而有可能降低圖像的質(zhì)量。LIP模型與人類視覺系統(tǒng)處理過程類似［7］，但往往會放大圖像中的噪聲。文獻(xiàn)［8—9］提出參數(shù)化對數(shù)圖像處理（parameterized logarithmic image processing，PLIP）模型，該模型可以對圖像中感興趣的部分進(jìn)行自適應(yīng)調(diào)整，但也會產(chǎn)生噪聲，影響圖像細(xì)節(jié)表現(xiàn)。然而，基于變換域的增強(qiáng)方法可以對低頻分量和高頻分量做不同方式的增強(qiáng)處理。低頻分量包含了原始圖像的大量基本信息，且基本濾除了噪聲，對低頻分量采用PLIP模型進(jìn)行處理，有望在增強(qiáng)圖像對比度的同時能有效地抑制圖像的高頻噪聲；而高頻分量主要包含圖像在各個方向的邊緣細(xì)節(jié)信息，可用其他方式對圖像的邊緣細(xì)節(jié)進(jìn)行增強(qiáng)。故本文采用基于變換域的增強(qiáng)方法。目前常用的變換域增強(qiáng)方法主要基于多尺度變換，包括基于小波［10－13］、Contourlet［14－15］、非下采樣 Contourlet［16］、Shearlet［17］等變換。由于小波變換［11］只能描述點奇異性，捕獲的方向信息有限，缺乏平移不變性，使其不能有效地表示圖像中的邊緣、輪廓及紋理細(xì)節(jié)特征，因此基于小波變換的增強(qiáng)方法往往使圖像的邊緣變得粗糙，降低了圖像的清晰度。Shearlet變換［18］是一種新的高維信號稀疏表示工具，與Contourlet變換相比，具有相似的分解過程，能實現(xiàn)圖像的最優(yōu)逼近和多分辨率分析，但其數(shù)學(xué)結(jié)構(gòu)較為簡單，運算復(fù)雜度有所降低，用于圖像去噪［19］、圖像融合［20］領(lǐng)域。文獻(xiàn)［17］提出了基于Shearlet變換的遙感圖像增強(qiáng)方法，圖像熵和均值有了大幅度提升，但對比度不高。文獻(xiàn)［19］利用全變差和Shearlet變換對圖像進(jìn)行了去噪，以達(dá)到增強(qiáng)圖像的目的。然而，Shearlet變換不具備平移不變性，易產(chǎn)生偽吉布斯失真，目標(biāo)邊緣附近會出現(xiàn)偽影。而非下采樣 Contourlet變換（non－subsampled contourlet transform，NSCT）是Contourlet變換的擴(kuò)展，具有平移不變性，但其運算量也較大。非下采樣Shearlet變換（non－subsampled shearlettansform，NSST）是Shearlet變換的擴(kuò)展，彌補了上述NSCT的缺陷，且同時具備多尺度、多方向等優(yōu)點［20］，將其應(yīng)用于遙感圖像增強(qiáng)，有望改善遙感圖像視覺效果。

基于上述分析，本文提出了一種基于非下采樣Shearlet變換和參數(shù)化對數(shù)圖像處理模型的遙感圖像增強(qiáng)方法。文中給出了所提增強(qiáng)方法的具體實現(xiàn)步驟，利用本文方法對大量遙感圖像進(jìn)行了試驗分析，并依據(jù)主觀視覺效果及對比度增益、清晰度增益、信息熵等4項客觀定量評價指標(biāo)，與雙向直方圖均衡增強(qiáng)、以及近年來提出的基于平穩(wěn)小波變換［10］、基于Contourlet變換［14］、基于NSCT［16］、基于Shearlet變換［17］等5種增強(qiáng)方法進(jìn)行了比較，驗證了本文方法的優(yōu)越性。

2 非下采樣Shearlet變換

Shearlet變換通過具有合成膨脹的仿射系統(tǒng)構(gòu)造。它構(gòu)造簡單，通過對函數(shù)進(jìn)行伸縮、平移、旋轉(zhuǎn)操作生成基函數(shù)，且具有各向異性、最優(yōu)稀疏表征圖像等優(yōu)點。當(dāng)維數(shù)為2時，其仿射系統(tǒng)表示為

如果假設(shè)

綜合式（3）、式（4）可得

圖1 Shearlet頻域支撐區(qū)間和頻域剖分圖Fig.1 Shearlet frequency domain support interval and frequency subdivision

NSST的離散化過程主要分為多尺度分解和方向局部化兩個步驟。NSST的多尺度分解采用非 下 采 樣 金 字 塔（non－subsampled pyramid，NSP）實現(xiàn)；方向局部化則由改進(jìn)的剪切濾波器（Shearlet filter，SF）完成，它將Shearlet中的標(biāo)準(zhǔn)SF從偽極化網(wǎng)絡(luò)系統(tǒng)映射到笛卡爾坐標(biāo)系統(tǒng)，整個過程直接通過二維卷積完成，從而避免下采樣操作，使其具有平移不變性。具體實現(xiàn)過程如下：①用非下采樣金字塔分解將圖像分解為低通圖像和細(xì)節(jié)圖像；②對細(xì)節(jié)圖像構(gòu)建Meyer窗，進(jìn)行多尺度分解，獲得不同的方向子帶系數(shù)；③對每一個方向子帶系數(shù)進(jìn)行傅里葉逆變換，從而得到非下采樣剪切波系數(shù)。

3 基于NSST的遙感圖像增強(qiáng)方法

3.1 基于參數(shù)化對數(shù)圖像處理模型的低頻分量增強(qiáng)方法

3.1.1 參數(shù)化對數(shù)圖像處理模型

PLIP模型通過對傳統(tǒng)的對數(shù)圖像處理模型進(jìn)行擴(kuò)展得到。LIP模型［21］是一種基于抽象線性數(shù)學(xué)的數(shù)學(xué)框架，它采用非線性運算代替線性算術(shù)運算，如加、減和數(shù)乘運算，可以更加準(zhǔn)確地表示圖像計算中的非線性特性。在LIP模型中，一幅圖像可以近似理解為，近光通過一個光濾波器形成了圖像，其吸收函數(shù)稱之為灰度色調(diào)函數(shù)。圖像的灰度級則表示為通過光濾波器的光的總量，每一個像素點的灰度色調(diào)函數(shù)稱為該點的灰色調(diào)g（i，j），并且它與像素點灰度值f（i，j）的關(guān)系為g（i，j）＝M－f（i，j），其中，M為光源強(qiáng)度。LIP模型利用對數(shù)法則和人類視覺系統(tǒng)處理光線時的對數(shù)特性，更加符合物理特性，例如：LIP模型中的加法運算與透光率圖像形成模型和人眼的飽和度特性一致。表1中列出了相應(yīng)的LIP運算。

表1 LIP和PLIP運算總結(jié)Tab.1 Summary of LIP and PLIP operations

PLIP模型是改進(jìn)后的LIP模型，它使用參數(shù)化的灰度色調(diào)函數(shù)對算法進(jìn)行操作，表1給出了PLIP運算［6］。這些運算使用了參數(shù)化后的灰度色調(diào)函數(shù)g（i，j）。用來計算灰度色調(diào)函數(shù)的μ（M）可以依據(jù)實際圖像進(jìn)行調(diào)整，可取圖像中灰度的最大值，或者取更大的值，如μ（M）＝1046。圖像的加和數(shù)乘運算均使用了參數(shù)γ（M），可將數(shù)乘理解為由相加進(jìn)行多次得到的。

表1中，f（i，j）表示原始灰度圖像；g（i，j）、g1、g2表示灰度色調(diào)函數(shù)；c為常量；參數(shù)μ（M）、γ（M）、k（M）是關(guān)于M的函數(shù)，可依據(jù)不同的圖像對參數(shù)進(jìn)行調(diào)整。⊕、Θ、?分別為LIP的加、減和數(shù)乘運算則為PLIP的加、減和數(shù)乘運算。

LIP運算利用對光吸收濾波器進(jìn)行建模，PLIP進(jìn)行了LIP擴(kuò)展，引入部分參數(shù)，并通過調(diào)整這些參數(shù)，可設(shè)計各種類型的光濾波器，具有很強(qiáng)的穩(wěn)健性。

3.1.2 PLIP LA算法（Lee algorithm，LA）

文獻(xiàn)［6］提出了一種常用的圖像增強(qiáng)算法，可具體表示為

式中，F(xiàn)（i，j）和F′（i，j）分別表示原始圖像和處理后圖像的像素值；A（i，j）表示中心位于（i，j）處n×n大小的窗口內(nèi)像素灰度值的平均值；θ、ζ表示權(quán)重系數(shù)。

LA方法先將圖像分成平滑圖像和差值圖像兩部分，然后將這兩部分與權(quán)重系數(shù)相乘后并相加。使用LIP算子對LA進(jìn)行擴(kuò)展，可將其用于圖像增強(qiáng)。亦可采用PLIP算子對LA進(jìn)一步擴(kuò)展，形成PLIP LA，公式為

式中，f′（i，j）表示輸出灰度色調(diào)函數(shù)；f（i，j）表示輸入灰度色調(diào)函數(shù)；a（i，j）為給定像素鄰域內(nèi)的像素的PLIP平均值；η、δ是權(quán)重系數(shù)。

采用PLIP LA方法增強(qiáng)圖像的同時，會放大圖像中的噪聲。而對于圖像的低頻分量，由于它是對源圖像的近似，大體反映圖像概貌，基本不含邊緣、區(qū)域輪廓等高頻細(xì)節(jié)信息，在采用PLIPLA對低頻分量增強(qiáng)時，提高圖像對比度的同時可以抑制噪聲的放大。故本文僅針對NSST分解后的低頻分量進(jìn)行PLIP增強(qiáng)，抑制高頻噪聲，提高圖像的對比度，突出目標(biāo)特征，改善圖像的視覺效果。

3.2 基于改進(jìn)模糊增強(qiáng)的高頻分量調(diào)整

經(jīng)NSST分解后的低頻分量包含原始圖像的大量基本信息，且基本濾除了噪聲。而圖像經(jīng)NSST分解后的高頻分量主要包含圖像在各個方向的邊緣細(xì)節(jié)信息。本文采用改進(jìn)的模糊增強(qiáng)方法對高頻分量進(jìn)行增強(qiáng)，改善邊緣紋理等細(xì)節(jié)。

在模糊算法中，構(gòu)造的隸屬度函數(shù)為［22］

式中，F(xiàn)p和Fe分別為倒數(shù)模糊參數(shù)和指數(shù)模糊參數(shù)，其影響模糊平面的不確定性；T（）表示隸屬度變換，將圖像的灰度值映射到模糊域；dij為當(dāng)前像素的灰度值；dmax是最大灰度值；Fp∈

接著采用廣義對比度增強(qiáng)算子對μij進(jìn)行增強(qiáng)，即

式中，乘冪q取2。式（13）中的閾值α通常設(shè)置為0.5，但往往并不合理。本文采用OTSU［23］算法自適應(yīng)地選取最佳閾值α。OTSU方法即將圖像中的像素按灰度值以閾值T分成兩類，即類C1和類C2。第1類C1由灰度值在［0，T］之間的像素組成，第2類C2由灰度值在［T＋1，255］之間的像素組成。第1類與第2類之間的類間方差為

式中，W1（t）和W2（t）分別為C1和C2中包含的像素數(shù)占圖像總像素數(shù)的比例；U1（t）和U2（t）分別為C1和C2中像素平均灰度值；T在［0，255］內(nèi)依次取值，使得類間方差最大的T值即為OTSU最佳閾值α。

最后對調(diào)整后的隸屬度μ′ij進(jìn)行T－1逆變換，得到增強(qiáng)后（i，j）位置上的高頻系數(shù)Dij，即

3.3 本文方法的具體步驟

（1）對遙感圖像進(jìn)行非下采樣Shearlet變換，得到低頻分量和高頻分量；

（2）依據(jù)3.1節(jié)對低頻分量采用PLIP LA算法進(jìn)行調(diào)整，增強(qiáng)圖像的對比度，抑制高頻噪聲；

（3）根據(jù)式（13）對高頻分量進(jìn)行調(diào)整，增強(qiáng)邊緣細(xì)節(jié)和紋理細(xì)節(jié)特征；

（4）對調(diào)整后的高頻分量和低頻分量進(jìn)行非下采樣Shearlet逆變換，得到增強(qiáng)后的圖像。

基于NSST和PLIP的遙感圖像增強(qiáng)方法的具體流程如圖2所示。

圖2 本文方法流程圖Fig.2 Flowchart of proposed method

4 試驗結(jié)果與分析

為了驗證本文方法對遙感圖像增強(qiáng)的有效性，利用本文提出的基于非下采樣Shearlet變換和參數(shù)化對數(shù)圖像處理模型的圖像增強(qiáng)方法對大量遙感圖像進(jìn)行了增強(qiáng)處理試驗，作了大量測試，并與傳統(tǒng)的雙向直方圖均衡、以及近年來提出的基于平穩(wěn)小波變換［10］、基于 Contourlet變換［14］、基于 NSCT［16］、基于Shearlet變換［17］等5種圖像增強(qiáng)方法的增強(qiáng)結(jié)果進(jìn)行了比較。由于篇幅限制，現(xiàn)以3組遙感圖像為例加以說明。圖3給出了某地區(qū)的土地遙感圖像及其6種方法的增強(qiáng)結(jié)果。其中，圖3（a）為土地遙感圖像，有點模糊不清，圖像大小為512像素×512像素。圖4為某地區(qū)的沉積巖遙感圖像及其6種方法的增強(qiáng)結(jié)果，其中，圖4（a）為沉積巖遙感圖像，圖像大小為512像素×512像素。圖5為某地區(qū)的城區(qū)遙感圖像及其6種方法的增強(qiáng)結(jié)果，其中，圖5（a）為城區(qū)遙感圖像，圖像大小為256像素×256像素，為SPOT影像的全色波段圖像。

試驗參數(shù)設(shè)置如下：非下采樣Shearlet變換中，采用“maxflat”濾波器進(jìn)行尺度分解，方向分解級數(shù)取2，各層帶通方向子帶數(shù)目為［6，6］；PLIP模型算法參數(shù)μ（M）＝1206，k（M）＝γ（M）＝500，η＝0.9，δ＝15。Contourlet變換、NSCT、Shearlet的方向分解級數(shù)均?。?，3］，兩層帶通方向子帶數(shù)目即為4和8。圖像增強(qiáng)試驗環(huán)境：CPU為Intel core i2，2.0GHz，內(nèi)存為2GB的PC機(jī)，32位 Win7操作系統(tǒng)，Matlab版本為 Matlab7.8.0（R2009a）。

圖3 土地遙感圖像及6種方法的增強(qiáng)結(jié)果Fig.3 Land remote sensing image and results of six enhancement methods

圖4 沉積巖遙感圖像及6種方法的增強(qiáng)結(jié)果Fig.4 Sedimentary rocks remote sensing image and results of six enhancement methods

圖5 城區(qū)遙感圖像及6種方法的增強(qiáng)結(jié)果Fig.5 Urban remote sensing image and results of six enhancement methods

由于受天氣環(huán)境等因素的影響，圖3（a）的遙感圖像有些模糊不清，圖3（b）為采用雙向直方圖均衡增強(qiáng)后的結(jié)果，圖像的對比度很高，但圖像的亮度卻發(fā)生了很大的變化，使圖像的整體視覺效果變差，并且圖像中較暗區(qū)域的細(xì)節(jié)信息較難以辨認(rèn)；圖3（c）為基于平穩(wěn)小波變換方法的增強(qiáng)結(jié)果，增強(qiáng)效果較好。圖3（d）是基于NSCT方法的增強(qiáng)結(jié)果，圖像中的道路區(qū)域?qū)Ρ榷炔粔蛎黠@。圖3（e）為基于Contourlet變換方法的增強(qiáng)結(jié)果，該方法的增強(qiáng)效果較差，與原始圖像相差不大。圖3（f）為基于Shearlet變換方法增強(qiáng)的結(jié)果，增強(qiáng)后失真度較大，圖像過亮，細(xì)節(jié)不清楚。圖3（g）為本文方法的增強(qiáng)結(jié)果，可見圖像中房屋、道路等細(xì)節(jié)對比度明顯，邊緣輪廓細(xì)節(jié)最清晰，視覺效果最佳。圖4（a）是原始沉積巖遙感圖像，圖4（b）為采用雙向直方圖均衡的增強(qiáng)結(jié)果，圖中的細(xì)節(jié)信息不夠清晰，對比度偏低。圖4（c）為基于平穩(wěn)小波變換方法的增強(qiáng)結(jié)果，該方法在亮度大的地方，細(xì)節(jié)表現(xiàn)不夠清楚。圖4（d）為基于NSCT方法的增強(qiáng)結(jié)果，圖中的紋理較為清晰。圖4（e）是基于Contourlet變換方法的增強(qiáng)結(jié)果，該方法的增強(qiáng)結(jié)果不夠清楚，有些模糊，效果較差。圖4（f）為基于Shearlet變換方法的增強(qiáng)結(jié)果，增強(qiáng)后圖像失真度較大，圖像過亮，細(xì)節(jié)模糊。圖4（g）為利用本文方法的增強(qiáng)結(jié)果，可見圖像邊緣輪廓細(xì)節(jié)最為清晰，紋理較為豐富，視覺效果最佳。圖5（a）的城區(qū)遙感圖像細(xì)節(jié)不清楚，對比度偏低；圖5（b）為采用雙向直方圖均衡增強(qiáng)后的結(jié)果，但圖像的亮度卻發(fā)生了很大的變化，使圖像的整體視覺效果變差，圖像過亮，細(xì)節(jié)很不清楚；圖5（c）為基于平穩(wěn)小波變換方法的增強(qiáng)結(jié)果，部分區(qū)域過亮；圖5（d）是基于NSCT方法的增強(qiáng)結(jié)果，增強(qiáng)效果較好，細(xì)節(jié)仍有待加強(qiáng)；圖5（e）為基于Contourlet變換方法的增強(qiáng)結(jié)果，該方法的增強(qiáng)效果較差，細(xì)節(jié)模糊；圖5（f）為基于Shearlet變換方法增強(qiáng)的結(jié)果，增強(qiáng)后的失真度較大，圖像過亮，細(xì)節(jié)極不清楚；圖5（g）為本文方法的增強(qiáng)結(jié)果，邊緣輪廓細(xì)節(jié)最清晰，增強(qiáng)效果最佳。從3組圖像的主觀視覺效果來看，本文方法的增強(qiáng)效果最佳。

為了客觀定量評價上述6種方法的增強(qiáng)結(jié)果，表2給出了采用上述6種方法增強(qiáng)后圖像的對比度增益、清晰度增益、信息熵、熵增強(qiáng)EMEE等4種客觀定量指標(biāo)［24］。

圖像的對比度C的計算公式為

式中，M、N分別代表圖像f（i，j）的大??；對比度越大，增強(qiáng)后的圖像視覺效果越好。

信息熵，即平均信息量，其定義為

式中，P（xi）是灰度值為xi的像素數(shù)L（xi）與總像素數(shù)L之比，即P（xi）＝L（xi）/L。圖像信息熵反映了圖像包含信息量的大小，熵越大，說明圖像的信息量越大，效果也越好。

清晰度定義為圖像的空間頻率，它反映圖像的總體活躍程度，空間頻率越大，圖像越活躍。對M×N的矩陣，其空間頻率MSF為

式中，RF為行頻率，CF為列頻率，RF、CF計算公式為

熵增強(qiáng)EMEE的計算公式為

計算EMEE時，首先將圖像f（i，j）劃分為k1×k2個相同子塊，fmaxi，j和fmini，j分別表示子塊（i，j）中的最大值和最小值，其中一般取α＝1，子塊的大小取為4×4。

為綜合這幾個評價標(biāo)準(zhǔn)，選取一個綜合指標(biāo)來評價最終遙感圖像的增強(qiáng)效果。圖像的清晰度和對比度是反映圖像質(zhì)量的重要參數(shù)，取權(quán)重系數(shù)各為0.3，信息熵和EMEE各取0.2。故定義指標(biāo)E＝對比度增益×0.3＋清晰度增益×0.3＋信息熵×0.2＋EMEE×0.2，將其作為綜合評價指標(biāo)，評價遙感圖像的增強(qiáng)效果，具體結(jié)果如表2所示。

表2 6種方法的定量評價指標(biāo)Tab.2 Quantitative evaluation index of six enhancement methods for two flame images

從表2可以看到，基于Contourlet變換方法的增強(qiáng)結(jié)果對比度增益最低，清晰度也較低，增強(qiáng)效果較差。其次是基于Shearlet變換的增強(qiáng)方法，在各類指標(biāo)上均不占優(yōu)勢，圖像視覺效果也較差，圖像過亮?；贜SCT方法的增強(qiáng)結(jié)果，效果有一定的改善，但不是最佳。對土地遙感圖像而言，利用雙向直方圖均衡增強(qiáng)后的對比度增益最高，但圖像存在著過增強(qiáng)，視覺效果反而不佳。而對圖4（a）沉積巖遙感圖像而言，基于平穩(wěn)小波變換方法增強(qiáng)后的圖像對比度較高，但清晰度偏低，在亮度大的區(qū)域，細(xì)節(jié)表現(xiàn)不好。本文方法綜合來看，視覺效果最佳，在清晰度增益、信息熵、EMEE指標(biāo)上優(yōu)勢明顯。從綜合評價指標(biāo)看，采用雙向直方圖均衡方法的第一幅圖像，其綜合指標(biāo)值最高，但該圖像存在過增強(qiáng)現(xiàn)象，視覺效果并不好，細(xì)節(jié)模糊。而其他兩幅圖像，本文方法所得結(jié)果的綜合指標(biāo)值最高，從視覺效果中也得到了驗證。

5 結(jié) 論

本文提出了一種基于非下采樣Shearlet變換和參數(shù)化對數(shù)圖像處理模型的遙感圖像增強(qiáng)方法。首先對遙感圖像進(jìn)行非下采樣Shearlet分解后，得到低頻分量和高頻分量。利用PLIP LA算法對低頻分量進(jìn)行調(diào)整，增強(qiáng)低頻圖像的對比度，抑制高頻噪聲；利用改進(jìn)模糊增強(qiáng)方法對高頻方向分量進(jìn)行調(diào)整，最后經(jīng)過非下采樣Shearlet逆變換得到增強(qiáng)后的遙感圖像。針對所提出的方法進(jìn)行了大量的遙感圖像增強(qiáng)試驗，并與傳統(tǒng)的雙向直方圖均衡、基于平穩(wěn)小波變換、Contourlet變換、NSCT等5種增強(qiáng)方法進(jìn)行了比較。結(jié)果表明：在主觀視覺效果和對比度增益、清晰度等客觀定量評價指標(biāo)兩個方面，本文提出的方法均有優(yōu)勢，能得到更好的視覺效果，更有效地提高了遙感圖像的對比度，突出了邊緣細(xì)節(jié)，可為后續(xù)遙感圖像解譯提供有效的支持。

［1］LEE E，KIM S，KANG W，et al.Contrast Enhancement Using Dominant Brightness Level Analysis and Adaptive Intensity Transformation for Remote Sensing Images［J］.IEEE Geoscience and Remote Sensing Letters，2013，10（1）：62－66.

［2］JANG J H，KIM S D，RA J B.Enhancement of Optical Remote Sensing Images by Subband－Decomposed Multiscale Retinex with Hybrid Intensity Transfer Function［J］.IEEE Geoscience and Remote Sensing Letters，2011，8（5）：983－987.

［3］WU Zhaocong，HU Zhongwen，ZHANG Qian，et al.On Combining Spectral，Textural and Shape Features for Remote Sensing Image Segmentatiton［J］.Acta Geodaetica et Cartographica Sinica，2013，42（1）：44－50.（巫兆聰，胡忠文，張謙，等.結(jié)合光譜，紋理與形狀結(jié)構(gòu)信息的遙感影像分割方法［J］.測繪學(xué)報，2013，42（1）：44－50.）

［4］KNAG Mu，WANG Baoshu.An Image Filtering Algorithm with Image Enhancement［J］.Geomatics and Information Science of Wuhan University，2009，34（7）：822－825.（康牧，王寶樹.一種基于圖像增強(qiáng)的圖像濾波方法［J］.武漢大學(xué)學(xué)報：信息科學(xué)版，2009，34（7）：822－825.）

［5］XIONG Xinghua，QIAN Zengbo，CHEN Ying，et al.Remote Sensing Image Enhancement Based on Genetic Optimization［J］.Acta Geodaetica et Cartographica Sinica，2004，33（4）：341－346.（熊興華，錢曾波，陳鷹，等.基于遺傳優(yōu)化的分段線性影像增強(qiáng)［J］.測繪學(xué)報，2004，33（4）：341－346.）

［6］JOURLIN M，PINOLI J C.A Model for Logarithmic Image Processing［J］.Journal of Microscopy，1988，149（1）：21－35.

［7］PANETTA K A，WHARTON E J，AGAIAN S S.Human Visual System－based Image Enhancement and Logarithmic Contrast Measure［J］.IEEE Transactions on Systems，Man，and Cybernetics，Part B：Cybernetics，2008，38（1）：174－188.

［8］PANETTA K，AGAIAN S，ZHOU Y，et al.Parameterized Logarithmic Framework for Image Enhancement［J］.IEEE Transactions on Systems，Man，and Cybernetics，Part B：Cybernetics，2011，41（2）：460－473.

［9］WHARTON E J，PANETTA K，AGAIAN S S.Logarithmic Edge Detection with Applications［C］∥IEEE International Conference on Systems，Man and Cybernetics.Montreal，Que.：IEEE，2007：3346－3351.

［10］GONG Changlai，LUO Cong，YANG Dongtao，et al.Infrared Image Enhancement Method Based on Stationary Wavelet Domain［J］.Laser ＆Infrared，2013，43（6）：703－707.（龔昌來，羅聰，楊冬濤，等.一種基于平穩(wěn)小波域的紅外圖像增強(qiáng)方法［J］.激光與紅外，2013，43（6）：703－707.）

［11］DEMIREL H，ANBARJAFARI G.Image Resolution Enhancement by Using Discrete and Stationary Wavelet Decomposition［J］.IEEE Transactions on Image Processing，2011，20（5）：1458－1460.

［12］DEMIREL H，OZCINAR C，ANBARJAFARI G.Satellite Image Contrast Enhancement Using Discrete Wavelet Transform and Singular Value Decomposition［J］.IEEE Transactions on Geoscience and Remote Sensing Letters，2010，7（2）：333－337.

［13］WANG X H，ISTEPANIAN R S H，SONG Y H.Microarray Image Enhancement by Denoising Using Stationary Wavelet Transform［J］.IEEE Transactions on Nano Bioscience，2003，2（4）：184－189.

［14］PENG Zhou，ZHAO Baojun.Novel Scheme for Infrared Image Enhancement Based on Contourlet Transform and Fuzzy Theory［J］.Laser ＆Infrared，2011，41（6）：635－640.（彭州，趙保軍.基于Contourlet變換和模糊理論的紅外圖像增強(qiáng)算法［J］.激光與紅外，2011，41（6）：635－640.）

［15］CHEN Zhigang，YIN Fuchang.Enhancement of Remote Sensing Image Based on Contourlet Transform［J］.Optics and Precision Engineering，2008，16（10）：2030－2037.（陳志剛，尹福昌.基于Contourlet變換的遙感圖像增 強(qiáng) 算 法［J］.光 學(xué) 精 密 工 程，2008，16（10）：2030－2037.）

［16］LIANG Dong，YIN Bing，YU Mei，et al.Image Enhancement Based on the Nonsubsampled Contourlet Transform and Adaptive Threshold［J］.Acta Electronica Sinica，2008，36（3）：527－530.（梁棟，殷兵，于梅，等.基于非抽樣Contourlet變換的自適應(yīng)閾值圖像增強(qiáng)算法［J］.電子學(xué)報，2008，36（3）：527－530.）

［17］YANG Bo，JIA Zhenhong，QIN Xizhong，et al.Remote Sensing Image Enhancement Based on Shearlet Transform［J］.Journal of Optoelectronics·Laser，2013，24（11）：2249－2253.（楊波，賈振紅，覃錫忠，等.基于Shearlet變換的遙感圖像增強(qiáng)［J］.光電子·激光，2013，24（11）：2249－2253.）

［18］LIM W Q.Nonseparable Shearlet Transform［J］.IEEE Transactions on Image Processing，2013，22（5）：2056－2065.

［19］FENG Wensen，LEI Hong.Single－image Super－resolution with Total Generalised Variation and Shearlet Regularisations［J］.IEEE Transactions on Image Processing，2014，8（12）：833－845.

［20］GAO Guorong，XU Luping，F(xiàn)ENG Dongzhu.Multi－focus Image Fusion Based on Non－Subsampled Shearlet Transform［J］.IEEE Transactions on Image Processing，2013，7（6）：633－639.

［21］DENG G，CAHILL L W，TOBIN G R.The Study of Logarithmic Image Processing Model and Its Application to Image Enhancement［J］.IEEE Transactions on Image Processing：A Publication of the IEEE Signal Processing Society，1994，4（4）：506－512.

［22］LI Guo，GONG Zhihui，YOU Hui，et al.Application of Improved Adaptive Genetic Algorithms in Image Fuzzy Enhancement［J］.Science of Surveying and Mapping，2012，37（2）：77－79.（李國，龔志輝，尤輝，等.改進(jìn)的自適應(yīng)遺傳算法在圖像模糊增強(qiáng)中的應(yīng)用［J］.測繪科學(xué)，2012，37（2）：77－79.）

［23］LI Min，LUO Hongyan，ZHENG Xiaolin，et al.Image Segmentation Based on Improved Otsu Algorithm［J］.Journal of Nanjing University of Science and Technology，2012，36（2）：332－337.（李敏，羅洪艷，鄭小林，等.一種改進(jìn)的最大類間方差圖像分割法［J］.南京理工大學(xué)學(xué)報，2012，36（2）：332－337.）

［24］PANETTA K，ZHOU Yicong，AGAIAN S，et al.Nonlinear Unsharp Masking for Mammogram Enhancement［J］.IEEE Transactions on Information Technology in Biomedicine，2011，15（6）：918－928.