左斌，許強(qiáng)，龐冉，謝金龍，翟雨微，高放

（1 北京市遙感信息研究所，北京 100192）

（2 長(zhǎng)光衛(wèi)星技術(shù)股份有限公司，長(zhǎng)春 130000）

0 引言

全色遙感影像蘊(yùn)含著豐富的地物目標(biāo)信息，通常指遙感器獲取0.45～0.7 μm 左右波長(zhǎng)范圍的單波段影像。然而，受到傳感器老化和云霧籠罩等因素的影響，許多全色遙感影像內(nèi)的目標(biāo)地物與背景難以區(qū)分。對(duì)全色遙感影像內(nèi)的目標(biāo)地物進(jìn)行增強(qiáng)是遙感圖像處理的一項(xiàng)關(guān)鍵技術(shù)，可以改善后續(xù)用于目標(biāo)檢測(cè)、變化檢測(cè)的影像質(zhì)量。

國(guó)內(nèi)外學(xué)者提出許多能顯著改善遙感圖像質(zhì)量的增強(qiáng)方法?？臻g域方法直接對(duì)原始影像的像素值進(jìn)行變換，直方圖均衡化、伽馬變換、灰度線性變換都是其中較為經(jīng)典的方法［1］。近年來，也有部分學(xué)者研究基于直方圖頻率加權(quán)的影像增強(qiáng)方法［2］。HUANG Z 等利用伽馬系數(shù)改進(jìn)累積分布函數(shù)，然后基于累積直方圖實(shí)現(xiàn)圖像增強(qiáng)，該方法在亮度保持、對(duì)比度增強(qiáng)等方面都取得較好的效果［3］。然而，在高動(dòng)態(tài)范圍遙感影像中，地物種類繁多、分布狀況復(fù)雜，同一類別的目標(biāo)地物也可能會(huì)有差異較大的灰度值，對(duì)影像采用統(tǒng)一的增強(qiáng)方式往往會(huì)導(dǎo)致影像內(nèi)部分地物的細(xì)節(jié)損失。局部增強(qiáng)可以有效解決上述問題。HUANG Z 等在限制對(duì)比度的自適應(yīng)直方圖均衡化（Contrast Limited Adaptive Histogram Equalization， CLAHE）這一局部增強(qiáng)方法的基礎(chǔ)上提出限制對(duì)比度的四分直方圖均衡化算法，該方法可以在保持亮度和結(jié)構(gòu)的同時(shí)一定程度上防止過度增強(qiáng)［4］；DHAREJO F A 等提出一種基于暗通道先驗(yàn)和分段線性變換的圖像增強(qiáng)方法，能顯著改善較暗的遙感影像［5］。但是現(xiàn)存的局部增強(qiáng)算法往往基于直方圖均衡法改進(jìn)，無法較好地保留原始影像中小范圍區(qū)域內(nèi)的灰度信息，還會(huì)增加圖像內(nèi)的噪聲。

變換域方法先將遙感影像變換到頻率域或者梯度域等變換域，然后通過對(duì)不同頻率或者梯度的分量采用不同處理，以突出原始圖像的細(xì)節(jié)［6］。BHARDWAJ A 使用提升小波變換處理圖像，首先利用低頻子帶進(jìn)行自適應(yīng)閾值分割，然后基于奇異值分解對(duì)其處理，并利用人工蜂群算法優(yōu)化閾值，最終改善了圖像的質(zhì)量［7］。然而，該類方法對(duì)于不同分量的最佳增強(qiáng)參數(shù)難以確定，由于遙感影像包含地物分布的復(fù)雜性，感興趣地物所處的分量往往是不確定的，許多方法在突出顯示地物的同時(shí)會(huì)放大噪聲，模糊化降噪處理往往又會(huì)損失部分感興趣地物的細(xì)節(jié)。

近年來，基于深度學(xué)習(xí)對(duì)影像進(jìn)行增強(qiáng)的研究逐漸增多［8-10］。CHEN X 等將深度學(xué)習(xí)與Retinex 理論結(jié)合，提出一種新的基于注意力的網(wǎng)絡(luò)，該網(wǎng)絡(luò)能自適應(yīng)調(diào)整光照的亮度信息，實(shí)現(xiàn)對(duì)弱光的增強(qiáng)［11］。WANG D 等提出目標(biāo)注意力深度神經(jīng)網(wǎng)絡(luò)，采用聯(lián)合卷積單元法對(duì)多尺度空間進(jìn)行完全選取，并利用目標(biāo)注意單元進(jìn)一步細(xì)化目標(biāo)相關(guān)特征［12］。然而，目前的深度學(xué)習(xí)方法較為依賴人工標(biāo)注的數(shù)據(jù)集，訓(xùn)練周期長(zhǎng)，訓(xùn)練得到的模型對(duì)多源影像的處理不具備通用性。此外，部分增強(qiáng)方法的耗時(shí)較多，也會(huì)影響實(shí)時(shí)應(yīng)用。

為了更好地突出影像中目標(biāo)地物細(xì)節(jié)并減弱背景噪聲，本文提出一種基于全局自適應(yīng)處理的分塊影像增強(qiáng)方法，該方法基于局部灰度自適應(yīng)變換實(shí)現(xiàn)，能在保留小范圍區(qū)域內(nèi)灰度相對(duì)差異的同時(shí)盡可能地突出目標(biāo)地物的細(xì)節(jié)。為了避免對(duì)噪聲的過度增強(qiáng)，基于塊差異因子對(duì)相鄰影像塊進(jìn)行合并，將影像塊歸類為細(xì)節(jié)塊與噪聲塊，然后使用全局自適應(yīng)增強(qiáng)對(duì)局部增強(qiáng)的參數(shù)進(jìn)行修正，進(jìn)而對(duì)全色遙感影像進(jìn)行增強(qiáng)，最終得到目標(biāo)地物信息增強(qiáng)后的全色遙感影像。

1 算法原理

本文算法主要包含局部影像增強(qiáng)、基于灰度直方圖的全局自適應(yīng)增強(qiáng)參數(shù)估算、影像塊多維指標(biāo)的估計(jì)和基于鄰近塊的塊參數(shù)糾正四個(gè)部分，其流程如圖1。首先，進(jìn)行分塊處理并分別計(jì)算圖像中每個(gè)影像塊的影像增強(qiáng)參數(shù)；然后，基于影像的灰度直方圖進(jìn)行全局自適應(yīng)增強(qiáng)參數(shù)估算；接著，估算影像塊的多維指標(biāo)；最后，基于塊差異因子對(duì)鄰近影像塊進(jìn)行合并，將影像劃分為細(xì)節(jié)塊與噪聲塊，將噪聲塊的增強(qiáng)參數(shù)替換為全局自適應(yīng)增強(qiáng)參數(shù)，基于影像塊的增強(qiáng)參數(shù)進(jìn)行插值以獲取每個(gè)像元處的參數(shù)，根據(jù)這些參數(shù)對(duì)全色遙感影像進(jìn)行增強(qiáng)，最終得到增強(qiáng)后的全色遙感影像。

圖1 算法流程Fig.1 The framework of the algorithm

1.1 局部影像增強(qiáng)

相比于直方圖均衡等灰度非線性變換的處理，灰度線性變換能在不改變?cè)加跋裰胁糠旨y理特征的情況下增強(qiáng)影像中的地物細(xì)節(jié)。假設(shè)存在一張影像A，影像A內(nèi)地物目標(biāo)α的特征α1與x1、x2、x3這三個(gè)像元相關(guān)，該特征滿足

式中，Dx1、Dx2、Dx3分別表示三個(gè)像元處的灰度值，使用灰度線性變換f(D)=k×D+b后三個(gè)像元處的灰度值分別是f(Dx1)、f(Dx2）、f(Dx3)，其中k為變換的斜率，b為變換的截距，則有

由式（2）可知，灰度線性變換不會(huì)改變比值相關(guān)的紋理特征，即使對(duì)影像使用不同的灰度線性變換參數(shù)，增強(qiáng)后影像內(nèi)的這些紋理特征也具有可比性。而當(dāng)f(D)不是線性函數(shù)時(shí)，式（2）不一定成立。因此，采用非線性變換處理不同影像內(nèi)的同一類目標(biāo)可能會(huì)改變?cè)鰪?qiáng)前較相似的紋理特征。相比于灰度非線性變換，使用灰度線性變換對(duì)上述影像進(jìn)行處理，上述紋理特征更容易被目標(biāo)檢測(cè)等應(yīng)用的卷積神經(jīng)網(wǎng)絡(luò)所提取。

遙感影像內(nèi)包含的地物種類較多，不同地物間的灰度差異往往較大，如果采用統(tǒng)一的增強(qiáng)參數(shù)對(duì)整幅影像進(jìn)行增強(qiáng)處理，部分地物的增強(qiáng)效果往往不理想。局部增強(qiáng)可以較好地解決上述問題，該方法主要作用于目標(biāo)地物附近的較小范圍，可以充分利用變換后影像的動(dòng)態(tài)范圍表示影像的灰度變化情況。因此，本研究提出的算法將局部增強(qiáng)作為基礎(chǔ)。研究使用的局部增強(qiáng)通過分塊后增強(qiáng)實(shí)現(xiàn)，在確定合適的影像塊大小后將原始影像劃分為W×H個(gè)尺寸相同、空間上不重疊的影像塊，如圖2，其中W是原始影像橫向上的分塊數(shù)量，H是原始影像縱向上的分塊數(shù)量。研究發(fā)現(xiàn)將影像塊的尺寸確定為112×112 像元后影像內(nèi)艦船等目標(biāo)的尺寸和影像塊的尺寸較為接近，此時(shí)提出的增強(qiáng)方法對(duì)艦船等目標(biāo)地物的增強(qiáng)效果較好。在確定影像塊的尺寸后，獲取原始影像橫向和縱向的像元數(shù)目，在橫向和縱向上分別將原始影像的像元數(shù)目除以影像塊的尺寸即可得到W和H。

對(duì)原始影像進(jìn)行分塊操作后，對(duì)于每個(gè)影像塊計(jì)算其塊內(nèi)像元的最大灰度值Dmax和最小灰度值Dmin并將其作為影像灰度變換的參數(shù)，對(duì)于影像塊內(nèi)的每個(gè)像元xi（其灰度值為Dxi），計(jì)算其變換后的灰度值Oxi，即

式中，Omax和Omin分別是輸出影像的最高灰度值和最低灰度值，通常確定為255 和0，這是由于圖像的增強(qiáng)結(jié)果需要被目標(biāo)檢測(cè)等領(lǐng)域的深度學(xué)習(xí)模型處理，這些模型接收的通常是8 位影像，該類影像灰度值范圍為0至255。經(jīng)過局部增強(qiáng)后的影像如圖3，可以看出只進(jìn)行局部分塊增強(qiáng)會(huì)導(dǎo)致較明顯的斑塊效應(yīng)和噪聲塊現(xiàn)象，但是影像包含地物的細(xì)節(jié)與反差在地物所處影像塊內(nèi)得到較大程度的增強(qiáng)。通過對(duì)每個(gè)影像塊的增強(qiáng)參數(shù)進(jìn)行雙線性內(nèi)插以求出每個(gè)像元處的增強(qiáng)參數(shù)，斑塊效應(yīng)可以得到較好解決。為了消除噪聲含量較高的塊（噪聲塊）的影響，先識(shí)別噪聲塊，再對(duì)其進(jìn)行去除。具體地，噪聲塊與包含地物細(xì)節(jié)的塊（細(xì)節(jié)塊）的灰度、紋理等有較大差異，可以根據(jù)影像塊邊緣處的灰度均值等特征將噪聲塊識(shí)別出來，然后，使用基于灰度直方圖的全局自適應(yīng)增強(qiáng)參數(shù)對(duì)噪聲塊所在區(qū)域進(jìn)行補(bǔ)值。圖3 中標(biāo)識(shí)了細(xì)節(jié)塊和噪聲塊的例子，其中A塊是細(xì)節(jié)塊，B 塊是噪聲塊。

1.2 基于灰度直方圖的全局自適應(yīng)增強(qiáng)參數(shù)估算

灰度線性變換能在保留原始影像中部分紋理特征的同時(shí)增強(qiáng)目標(biāo)地物的細(xì)節(jié)，因此，算法的全局自適應(yīng)增強(qiáng)也使用灰度線性變換作為基礎(chǔ)，并對(duì)其進(jìn)行改進(jìn)。對(duì)于影像塊內(nèi)的每個(gè)像元xi，計(jì)算其灰度線性變換后的灰度值Oxi，即

原始圖像中灰度介于Dlow和Dup之間的灰度被線性映射至Omin和Omax，部分地物的灰度值屬于該區(qū)間，這些地物的細(xì)節(jié)得到增強(qiáng)；在灰度低于Dlow或者高于Dup的區(qū)域，影像的紋理信息和灰度信息減少。在Omax和Omin確定的前提下，根據(jù)影像的具體情況，自適應(yīng)地選擇合適的Dup和Dlow參數(shù)是全局自適應(yīng)增強(qiáng)的關(guān)鍵。

傳統(tǒng)的局部增強(qiáng)對(duì)目標(biāo)有較好的增強(qiáng)效果，然而這類方法會(huì)對(duì)背景噪聲過度增強(qiáng)，需要使用全局增強(qiáng)等方法對(duì)噪聲較多的區(qū)域進(jìn)行補(bǔ)值。在本文提出的基于全局自適應(yīng)處理的分塊影像增強(qiáng)方法中，全局自適應(yīng)處理的目的就是補(bǔ)值?；叶染€性變換可以對(duì)局部增強(qiáng)的結(jié)果進(jìn)行補(bǔ)值，其能在保留原始影像中部分紋理特征的同時(shí)增強(qiáng)影像中目標(biāo)地物的細(xì)節(jié)。根據(jù)影像的具體情況，自適應(yīng)地選擇合適的灰度線性變換參數(shù)即全局自適應(yīng)參數(shù)，可以實(shí)現(xiàn)全局自適應(yīng)增強(qiáng)。結(jié)合增強(qiáng)算法的應(yīng)用場(chǎng)景來分析全局自適應(yīng)參數(shù)的選取，增強(qiáng)結(jié)果面向的應(yīng)用場(chǎng)景以艦船目標(biāo)檢測(cè)為例，用作增強(qiáng)的影像源于吉林一號(hào)衛(wèi)星星座，選用的影像是全色遙感影像。研究的影像增強(qiáng)算法主要針對(duì)基于可見光影像的目標(biāo)檢測(cè)、變化檢測(cè)等解譯相關(guān)的領(lǐng)域，旨在服務(wù)針對(duì)海量遙感數(shù)據(jù)的智能解譯，海洋、云等地物在這些應(yīng)用領(lǐng)域通常是背景像元，并不是研究者感興趣的目標(biāo)地物。然而，在艦船等目標(biāo)的檢測(cè)過程中，影像中的海洋、云等有時(shí)與目標(biāo)地物難以區(qū)分，會(huì)造成對(duì)目標(biāo)地物的錯(cuò)檢和漏檢現(xiàn)象。在輸出影像中，應(yīng)該增加目標(biāo)地物所處灰度值范圍的反差，并壓縮海洋、云等背景所處的灰度值范圍。

然而，遙感影像內(nèi)的地物分布情況較為復(fù)雜，艦船等目標(biāo)在部分影像內(nèi)是灰度最高的區(qū)域，在影像內(nèi)有云遮擋時(shí)，云往往成為其中最亮的區(qū)域，部分港口艦船的灰度有時(shí)高于陸地上的建筑，有時(shí)則相反；在部分情況下，海面的灰度可能高于艦船。而現(xiàn)有的部分增強(qiáng)方法，如最大最小值拉伸法、標(biāo)準(zhǔn)差拉伸法等，必然會(huì)舍棄影像內(nèi)一定比例的較暗或者較亮地物的信息，難以在多數(shù)應(yīng)用場(chǎng)景中保證地物目標(biāo)的清晰度。因此，這些方法的適用場(chǎng)景有限，難以僅依靠某一種傳統(tǒng)增強(qiáng)方法清晰顯示出所有影像內(nèi)的目標(biāo)地物。

提出基于灰度直方圖的全局自適應(yīng)增強(qiáng)技術(shù)用于對(duì)局部增強(qiáng)后的影像進(jìn)行全局自適應(yīng)處理，能獲取影像內(nèi)背景地物的灰度值分布情況，有助于確定目標(biāo)相對(duì)于背景的明暗情況，進(jìn)而確定增強(qiáng)效果較好的增強(qiáng)參數(shù)。結(jié)合使用多光譜等多源遙感數(shù)據(jù)可以較準(zhǔn)確地識(shí)別海洋和云等背景地物，然而，由于遙感數(shù)據(jù)有時(shí)源自多種傳感器，每種傳感器獲取的波段范圍不一定相同，使用的影像常常缺少同一時(shí)空條件下獲取的多光譜信息用于對(duì)云和海洋的識(shí)別。因此，本方法基于全色遙感影像直接識(shí)別出影像內(nèi)云和海洋等地物的信息，然后根據(jù)這些信息確定不同的增強(qiáng)參數(shù)，有助于完善基于全局自適應(yīng)處理的分塊影像增強(qiáng)技術(shù)并改善對(duì)全色遙感影像的增強(qiáng)效果。

全局自適應(yīng)增強(qiáng)技術(shù)從全色遙感影像的灰度直方圖出發(fā)，計(jì)算每個(gè)灰度值j對(duì)應(yīng)的像元個(gè)數(shù)nj。根據(jù)最小百分比閾值Pmin和式（5），確定灰度直方圖主體的灰度下限Hdown。同理，依據(jù)最大百分比閾值Pmax和式（6）確定灰度直方圖主體的灰度上限Hup。

基于灰度直方圖主體的灰度上下限確定灰度直方圖主體的寬度Hwidth，即

Hwidth能反映影像內(nèi)包含的幾類主要地物所處的灰度值范圍，根據(jù)Hwidth與直方圖寬度閾值Wthres間的關(guān)系，將含有艦船目標(biāo)的影像分為寬直方圖主體類和窄直方圖主體類。當(dāng)灰度直方圖主體的寬度大于直方圖寬度閾值時(shí)，將其判定為寬直方圖主體類；否則，將其判定為窄直方圖主體類。以不同場(chǎng)景的典型影像為例闡述算法的細(xì)節(jié)。

圖4 為寬直方圖主體類影像及其灰度直方圖，當(dāng)影像內(nèi)存在云和陸地等地物時(shí)，這些地物的灰度與海面灰度差異較大。此時(shí)，影像的灰度直方圖主體的寬度較大，由于陸地某些建筑的光譜特性與艦船類似，船的亮度通常低于部分陸地和云而高于海面區(qū)域（在海面輝光的情況下，艦船的亮度可能低于海面而高于部分陸地），艦船所處區(qū)域不會(huì)包含圖像中最亮或者最暗的像元。對(duì)于這種情況，通過百分比截?cái)嗑€性拉伸法壓縮異常高亮、異常低亮的離群像元的灰度值，這能在保留目標(biāo)地物細(xì)節(jié)的同時(shí)顯著壓縮原始影像的動(dòng)態(tài)范圍，進(jìn)而提升后續(xù)艦船檢測(cè)的精度，百分比截?cái)嗑€性拉伸法表示為

圖4 寬直方圖主體類影像及其灰度直方圖Fig.4 One wide-histogram-body-class image and its grayscale histogram

圖5 為窄直方圖主體影像及其灰度直方圖，當(dāng)影像內(nèi)只含有海面、艦船和較薄的云等地物時(shí)，艦船所在像元的灰度往往是影像內(nèi)灰度的最高值或者最低值。在海面輝光等情況下，艦船處的灰度通常是整幅影像的最低灰度值；在其他情況下，艦船處的灰度值通常是整幅影像的最高灰度值。此時(shí)如果仍采用百分比截?cái)嗑€性拉伸法進(jìn)行增強(qiáng)，艦船等目標(biāo)地物對(duì)應(yīng)的灰度值范圍會(huì)被壓縮。此時(shí)應(yīng)采用最大最小值拉伸法進(jìn)行增強(qiáng)，表達(dá)式為

圖5 窄直方圖主體影像及其灰度直方圖Fig.5 One narrow-histogram-body-class image and its grayscale histogram

式中，Tmax是原始影像的最高灰度值，Tmin是原始影像的最低灰度值。

1.3 影像塊多維指標(biāo)的估計(jì)

局部分塊增強(qiáng)會(huì)導(dǎo)致部分影像塊內(nèi)有較多高亮噪聲，為了對(duì)這些影像塊進(jìn)行準(zhǔn)確識(shí)別并在后續(xù)使用基于灰度直方圖的全局自適應(yīng)增強(qiáng)參數(shù)對(duì)噪聲塊進(jìn)行修正，計(jì)算相鄰影像塊間的塊差異因子，并根據(jù)其判別相鄰影像塊間的紋理、亮度等信息是否在塊的邊界處發(fā)生突變。

局部增強(qiáng)導(dǎo)致部分區(qū)域內(nèi)噪聲的過度增強(qiáng)，這通常是由于部分影像塊內(nèi)的灰度分布較為集中、影像塊內(nèi)每個(gè)像元包含地物的光譜特性較為接近引起的，進(jìn)行局部增強(qiáng)后，這些影像塊內(nèi)本來不明顯的噪聲被異常放大，與此同時(shí)，細(xì)節(jié)塊內(nèi)背景像元的噪聲被抑制，如圖3 中的影像塊A 和影像塊B。因此基于影像塊邊緣處的平均灰度Emean可以有效檢測(cè)出噪聲塊，計(jì)算方法為

式中，Enum是影像塊邊緣處的像元數(shù)量，根據(jù)參與指標(biāo)計(jì)算的鄰近塊與當(dāng)前塊的相對(duì)位置，Emean所涉及的像元可能出現(xiàn)在影像塊的上、下、左、右四個(gè)方位。

影像塊邊緣處的信息熵En能衡量影像塊邊緣附近的平均信息量，其計(jì)算公式為

式中，dmax和dmin分別是影像塊邊緣處最高和最低灰度值，p(i)是當(dāng)前影像塊內(nèi)灰度級(jí)i的出現(xiàn)頻率。相鄰影像塊地物相近往往會(huì)導(dǎo)致相鄰影像塊邊緣處的信息熵接近；相鄰塊邊緣處的信息熵發(fā)生較大變化可能是由于其中一塊包含較多噪聲。

相比于單一指標(biāo)，綜合信息熵、影像灰度在相鄰塊間的變化情況能較好地捕捉影像塊內(nèi)存在噪聲的情況，因此，構(gòu)建塊差異因子dc1，c2來評(píng)價(jià)影像的任意兩個(gè)相鄰子塊c1與c2間的關(guān)系，表達(dá)式為

式中，w1、w2分別是信息熵、影像灰度在相鄰塊間的差值對(duì)應(yīng)的權(quán)重。

1.4 基于鄰近塊的塊參數(shù)糾正

經(jīng)過局部增強(qiáng)處理的影像能清晰顯示影像塊內(nèi)目標(biāo)的細(xì)節(jié)，對(duì)于噪聲含量較高的影像塊，將其增強(qiáng)參數(shù)替換為全局自適應(yīng)增強(qiáng)參數(shù)，能在增強(qiáng)目標(biāo)地物細(xì)節(jié)的同時(shí)減少背景噪聲。結(jié)合塊差異因子識(shí)別噪聲塊是提出算法結(jié)合局部增強(qiáng)和全局自適應(yīng)增強(qiáng)的關(guān)鍵。

1）相似塊合并

遍歷所有的影像塊，基于每一影像塊與鄰近影像塊間的相似關(guān)系，將塊差異因子小于閾值dThres的多個(gè)相鄰影像塊合并為復(fù)合影像塊（復(fù)合塊），最終，將原始影像劃分產(chǎn)生的W×H個(gè)影像塊合并為若干個(gè)復(fù)合塊，如圖6。圖6（b）中A～E 是經(jīng)過合并影像塊后形成的復(fù)合塊，白色代表該塊被判定為噪聲塊，灰色表示該塊被判定為細(xì)節(jié)塊。對(duì)于塊差異因子超過dThres的情況，基于當(dāng)前影像塊相對(duì)于鄰近塊的明暗情況，計(jì)算塊明度指數(shù)LC1，C2，即

圖6 經(jīng)過分塊局部增強(qiáng)處理后的影像及結(jié)合鄰近塊判別得到的噪聲塊分布Fig.6 The block enhanced image and noise block distribution obtained by adjacent block identification

式中，C1是當(dāng)前影像塊，C2是當(dāng)前影像塊的相鄰塊。求得一個(gè)復(fù)合塊Mci包含的所有影像塊的塊明度指數(shù)之和，將該值作為當(dāng)前復(fù)合塊的復(fù)合塊明度指數(shù)MMci。

2）噪聲所在塊的識(shí)別

如果MMci大于0，將當(dāng)前復(fù)合塊包含的所有影像塊判定為潛在的噪聲塊，將其增強(qiáng)參數(shù)替換為全局自適應(yīng)增強(qiáng)參數(shù)，反之，認(rèn)為當(dāng)前復(fù)合塊包含的所有影像塊不屬于噪聲塊，保留每個(gè)影像塊局部增強(qiáng)得到的參數(shù)，作為該塊的增強(qiáng)參數(shù)。

3）全局自適應(yīng)增強(qiáng)和局部增強(qiáng)結(jié)果的融合

在局部增強(qiáng)的基礎(chǔ)上計(jì)算每個(gè)影像塊的增強(qiáng)參數(shù)，使用全局自適應(yīng)增強(qiáng)參數(shù)修正噪聲塊的增強(qiáng)參數(shù)，實(shí)現(xiàn)全局自適應(yīng)增強(qiáng)和局部增強(qiáng)結(jié)果的融合，該方法能在避免對(duì)背景噪聲過度增強(qiáng)的同時(shí)增強(qiáng)目標(biāo)地物的細(xì)節(jié)。

對(duì)于每一個(gè)影像塊Ci，計(jì)算其增強(qiáng)參數(shù)：最高灰度值Dmax(Ci)和最低灰度值Dmin(Ci)。為了在增強(qiáng)目標(biāo)地物對(duì)比度的同時(shí)避免斑塊效應(yīng)，使用雙線性內(nèi)插求出每個(gè)像元處的增強(qiáng)參數(shù)Dmax，xi和Dmin，xi，計(jì)算每個(gè)像元處增強(qiáng)后的灰度值Mxi，即

2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)平臺(tái)為CPU Intel（R）Core（TM）i7-11700 8 核2.50 GHz、內(nèi)存為32 GB，在Win10 系統(tǒng)中使用Visual Studio 2019 軟件運(yùn)行。為了驗(yàn)證增強(qiáng)算法能否有效用于艦船目標(biāo)檢測(cè)等解譯領(lǐng)域，將艦船作為著重關(guān)注的地物，將吉林一號(hào)衛(wèi)星星座獲取的多場(chǎng)景全色艦船遙感影像數(shù)據(jù)作為數(shù)據(jù)集，選取幾種典型的且包含艦船目標(biāo)的遙感圖像作為實(shí)驗(yàn)樣本。選擇5 種適用于全色遙感影像增強(qiáng)的先進(jìn)算法POSHE［13］、IPRH［14］、CLAHE［15］、AHPBC［16］、DEBTHE［17］進(jìn)行對(duì)比實(shí)驗(yàn)，分別使用定量和定性的方法評(píng)估不同方法的增強(qiáng)效果來驗(yàn)證本文算法的有效性。

提出的方法關(guān)注對(duì)感興趣目標(biāo)地物的增強(qiáng)效果，因此在質(zhì)量評(píng)估時(shí)需要對(duì)參與計(jì)算的影像進(jìn)行篩選，使用感興趣目標(biāo)地物（本實(shí)驗(yàn)中為艦船）附近的像元參與定量評(píng)價(jià)指標(biāo)的計(jì)算。原始影像是16 位，而本方法的增強(qiáng)結(jié)果是8 位影像。評(píng)價(jià)過程中針對(duì)原始影像中目標(biāo)地物附近較小范圍的像元進(jìn)行最大最小值拉伸，得到代替原始影像參與質(zhì)量評(píng)估的參考影像，這些參考影像盡可能多地保留了原始影像內(nèi)的地物細(xì)節(jié)。

2.1 定性分析

圖7 給出包含艦船目標(biāo)信息的港口附近全色遙感影像，以及不同算法對(duì)該影像的增強(qiáng)結(jié)果。圖7（a）中原始影像的動(dòng)態(tài)范圍較高，影像內(nèi)地物的對(duì)比度較低；圖7（b）、（f）中較多陸地區(qū)域出現(xiàn)了過曝情況；圖7（c）、（d）中艦船與海面背景間的灰度差異較??；圖7（e）中艦船與海面背景間的灰度較接近，且在部分陸地存在過曝現(xiàn)象；圖7（g）本文算法的結(jié)果中過曝區(qū)域較少，且艦船與海面背景間灰度差異較大，艦船的輪廓清晰可見。本文算法采用了基于灰度直方圖的全局自適應(yīng)增強(qiáng)技術(shù)，增強(qiáng)結(jié)果中海面區(qū)域的噪聲沒有被增強(qiáng)，說明全局自適應(yīng)處理能對(duì)局部增強(qiáng)的參數(shù)進(jìn)行有效修正。對(duì)比結(jié)果可以看出，該算法能在降低影像動(dòng)態(tài)范圍的同時(shí)有效增強(qiáng)影像中目標(biāo)地物的細(xì)節(jié)，改善港口附近遙感圖像中艦船目標(biāo)的清晰程度。

圖7 不同算法對(duì)港口影像的增強(qiáng)效果對(duì)比Fig.7 Comparison of enhanced effects of the port image by different methods

圖8 分別給出包含艦船目標(biāo)信息的海面全色遙感影像和不同算法對(duì)該影像的增強(qiáng)結(jié)果。圖8（b）中整景影像內(nèi)的較多區(qū)域出現(xiàn)了過曝現(xiàn)象；圖8（c）中海面的亮度較高，與艦船的對(duì)比度較低；圖8（d）中艦船周圍出現(xiàn)了較明顯的偽影；圖8（e）和（f）中部分艦船所在區(qū)域發(fā)生過曝，損失了部分紋理信息；圖8（g）本文算法的結(jié)果中海面與艦船對(duì)比明顯，且在較大程度上保留了艦船的紋理信息。通過對(duì)比增強(qiáng)結(jié)果可以看出，提出的算法能有效增強(qiáng)海面遙感影像中的艦船目標(biāo)。

圖9 分別給出包含較多云的海面全色遙感影像和不同算法對(duì)該影像進(jìn)行增強(qiáng)的結(jié)果。通過對(duì)比增強(qiáng)結(jié)果可以看出，提出的算法有效地抑制云對(duì)影像中艦船目標(biāo)的干擾，即使部分艦船被云覆蓋，也能盡可能增大目標(biāo)周圍像元的灰度反差，克服了以往方法處理受云覆蓋的影像時(shí)容易過度增強(qiáng)或者增強(qiáng)不足的缺點(diǎn)，有效解決現(xiàn)有全色遙感影像增強(qiáng)算法在增強(qiáng)影像中目標(biāo)地物細(xì)節(jié)時(shí)對(duì)背景噪聲過度增強(qiáng)的問題。

圖9 不同算法對(duì)含云影像的增強(qiáng)效果對(duì)比Fig.9 Comparison of enhanced effects of the cloud image by different methods

2.2 定量分析

采用均方誤差（Mean Squared Error， MSE）、峰值信噪比（Peak Signal to Noise Rate， PSNR）和結(jié)構(gòu)相似性（Structural Similarity， SSIM）三個(gè)指標(biāo)來客觀評(píng)價(jià)不同影像增強(qiáng)方法對(duì)于全色遙感影像增強(qiáng)的效果。

均方誤差可以反映增強(qiáng)前后影像的差異大小，該指標(biāo)以像素間的誤差為基礎(chǔ)。均方誤差越小，增強(qiáng)后圖像內(nèi)原有地物的紋理等信息損失越少，增強(qiáng)方法的效果越好。計(jì)算公式為

式中，pnum是參與計(jì)算的像元總數(shù)，xi是參考圖像x參與指標(biāo)計(jì)算的第i個(gè)像元的灰度值，yi是增強(qiáng)后圖像y參與指標(biāo)計(jì)算的第i個(gè)像元的灰度值。

峰值信噪比常用于圖像壓縮、圖像增強(qiáng)等領(lǐng)域，可以反映增強(qiáng)后影像的失真程度。峰值信噪比越高，增強(qiáng)后圖像的質(zhì)量往往越好，計(jì)算公式為

式中，My是影像可能的最大像素值。

結(jié)構(gòu)相似性衡量增強(qiáng)前后影像間的相似度，反映結(jié)構(gòu)特征的保留情況。結(jié)構(gòu)相似性的值越大，說明增強(qiáng)后的影像更好地保留參考影像內(nèi)的地物特征。計(jì)算公式為

式中，μx是參考圖像x的平均值，μy是增強(qiáng)后圖像y的平均值，σ2x是x的方差，σ2y是y的方差，σxy是x與y的協(xié)方差，q1和q2這兩個(gè)常數(shù)用來維持公式的穩(wěn)定。

表1 給出了對(duì)比算法POSHE、IPRH、CLAHE、AHPBC、DEBTHE 和本文算法增強(qiáng)效果的客觀指標(biāo)MSE、PSNR 和SSIM 的值，可知這些算法在壓縮原始影像動(dòng)態(tài)范圍的同時(shí)增強(qiáng)地物的細(xì)節(jié)，增強(qiáng)后的影像質(zhì)量都較好，但本文算法的增強(qiáng)效果最好。

表1 不同算法的增強(qiáng)指標(biāo)對(duì)比Table 1 Comparison of enhancement evaluation index of different methods

表2 給出不同算法的運(yùn)行平均時(shí)間，可以看出本文算法的運(yùn)行平均時(shí)間為0.14 s，略小于DEBTHE 法的運(yùn)行時(shí)間，遠(yuǎn)小于IPRH 法的運(yùn)行時(shí)間。

表2 不同算法的運(yùn)行平均時(shí)間Table 2 The running average time of different methods

3 結(jié)論

本文針對(duì)現(xiàn)有全色遙感影像增強(qiáng)算法在增強(qiáng)影像中目標(biāo)地物時(shí)對(duì)背景噪聲過度增強(qiáng)的問題，提出一種基于全局自適應(yīng)處理的分塊影像增強(qiáng)方法。首先，進(jìn)行分塊處理并分別計(jì)算圖像中每個(gè)影像塊的影像增強(qiáng)參數(shù)，實(shí)現(xiàn)對(duì)影像細(xì)節(jié)信息的保留；然后，基于影像的灰度直方圖進(jìn)行全局自適應(yīng)增強(qiáng)參數(shù)估算，在防止影像內(nèi)噪聲被過度放大的同時(shí)增加背景和地物間的反差；接著，估算影像塊的多維指標(biāo)，便于后續(xù)基于全局自適應(yīng)處理進(jìn)行局部增強(qiáng)；最后，基于塊差異因子對(duì)鄰近影像塊進(jìn)行合并，將噪聲塊的增強(qiáng)參數(shù)替換為全局自適應(yīng)增強(qiáng)參數(shù)，基于影像塊的增強(qiáng)參數(shù)進(jìn)行插值以獲取每個(gè)像元處的參數(shù)，最終得到增強(qiáng)后的全色遙感影像。使用該方法對(duì)多組不同場(chǎng)景的全色遙感影像進(jìn)行仿真實(shí)驗(yàn)，并基于多種指標(biāo)對(duì)多種增強(qiáng)方法的效果進(jìn)行評(píng)估，發(fā)現(xiàn)提出的增強(qiáng)方法對(duì)于多種場(chǎng)景均有較好的性能。該方法基于局部增強(qiáng)對(duì)目標(biāo)地物及其鄰域的灰度變化范圍進(jìn)行調(diào)整，能在一定程度上消除現(xiàn)有輻射校正處理殘留的誤差并使得不同影像內(nèi)的同一類目標(biāo)可比，處理結(jié)果可用于艦船檢測(cè)等領(lǐng)域。