Способ комплексирования цифровых многоспектральных полутоновых изображений

Способ комплексирования цифровых многоспектральных полутоновых изображений

Реферат

Способ комплексирования цифровых многоспектральных полутоновых изображений предназначен для получения изображения, содержащего информативные элементы изображений одной и той же сцены, полученных в нескольких спектральных диапазонах.

Известен способ комплексирования информации от многоканальной системы с использованием вейвлет-спектров [1]. При комплексировании компонент по этому способу выбираются элементы разложения одного из исходных изображений, что приводит к потере информации о локальных структурных особенностях другого (других) изображений. В способе не производится яркостно-контрастной коррекции на уровне компонент разложения с целью повышения качества результирующего изображения.

Наиболее близким к изобретению является способ [2] комплексирования многоспектральных полутоновых изображений, включающий получение исходных изображений, разложение каждого исходного изображения на низкочастотные (далее - НЧ) и высокочастотные (далее - ВЧ) компоненты, раздельную обработку НЧ и ВЧ компонент изображений, комплексирование компонент, основанное на принципе взвешенного суммирования для каждого пикселя, формирование результирующего изображения.

К причинам, препятствующим достижению указанного ниже технического результата при использовании известного способа, относится следующее. Яркостная нормализация исходных изображений проводится методом приведения яркости исходных изображений к единому среднему значению и среднеквадратическому отклонению яркости, что в случае значительных различий яркостно-контрастных характеристик исходных изображений неизбежно приводит к усилению неинформативной шумовой микроструктуры одного изображения до уровня существенных структурных особенностей другого изображения. В известном способе ВЧ компонента не содержит информации о зависимости распределения локальных контрастов от масштаба (уровня разложения) и направления, что существенно снижает ее информативность. Весовые коэффициенты вычисляются как отношение локальных яркостей исходных изображений и не учитывают локальных контрастов, определяющих структурные особенности каждого изображения. Совмещение ВЧ компонент путем выбора перепада с максимальной амплитудой приводит к потере информации о структурных особенностях других изображений. Взвешенное суммирование без последующей фильтрации может привести к появлению шумовой микроструктуры, ухудшающей качество результирующего изображения.

Техническим результатом изобретения является получение изображения повышенного качества, содержащего информативные элементы изображений одной и той же сцены, полученных в различных спектральных диапазонах.

Технический результат достигается тем, что в способе комплексирования цифровых многоспектральных полутоновых изображений, включающем получение исходных изображений, разложение каждого исходного изображения на низкочастотные и высокочастотные компоненты, раздельную обработку низко- и высокочастотных компонент изображений, комплексирование компонент, основанное на принципе взвешенного суммирования для каждого пикселя, формирование результирующего изображения, согласно изобретению каждое исходное изображение подвергают многоуровневой декомпозиции вейвлетом Хаара путем быстрого дискретного стационарного двумерного вейвлет-преобразования с целью получения аппроксимирующей составляющей, представляющей из себя низкочастотную компоненту изображения, и семейства детализирующих составляющих, являющихся высокочастотными компонентами изображения, определяют значения матриц энергетических характеристик пикселей на всех уровнях разложения для каждого изображения, осуществляют фильтрацию всех детализирующих составляющих, включающую коррекцию детализирующих составляющих путем адаптивного изменения значений детализирующих составляющих в соответствии с межуровневой динамикой их энергетических характеристик и устранение шумовой микроструктуры путем адаптивного порогового ограничения значений детализирующих составляющих на каждом уровне разложения, вычисляют для каждого разложения корректирующие функции яркости и корректирующие функции контраста, параметром которых является значение аппроксимирующей составляющей, производят выравнивание яркостных диапазонов каждого разложения путем преобразования аппроксимирующих составляющих корректирующими функциями яркости, преобразуют детализирующие составляющие корректирующей функцией контраста, вычисляют для каждого разложения на каждом уровне весовую функцию, параметром которой является значение энергетической характеристики, производят для каждого пикселя на каждом уровне разложения вычисление компонент синтезированного изображения путем взвешенного суммирования значений соответствующих составляющих разложений исходных изображений с использованием весовых функций, осуществляют фильтрацию всех детализирующих составляющих синтезированного изображения, включающую коррекцию детализирующих составляющих путем адаптивного изменения значений детализирующих составляющих в соответствии с межуровневой динамикой их энергетических характеристик и устранение шумовой микроструктуры путем адаптивного порогового ограничения значений детализирующих составляющих на каждом уровне разложения, вычисляют корректирующую функцию яркости и корректирующую функцию контраста, параметром которых является значение аппроксимирующей составляющей синтезированного изображения, преобразуют аппроксимирующую составляющую корректирующей функцией яркости, преобразуют детализирующие составляющие корректирующей функцией контраста, формируют синтезированное изображение путем реконструкции при помощи обратного быстрого дискретного стационарного двумерного вейвлет-преобразования, применяемого к детализирующим составляющим синтезированного изображения и аппроксимирующей составляющей синтезированного изображения, согласуют яркостной диапазон результирующего изображения с параметрами видеосистемы.

На фиг.1 представлена схема комплексирования изображений, где:

Img - изображение;

сА - аппроксимирующая составляющая;

сН - горизонтальная составляющая;

cV - вертикальная составляющая;

cD - диагональная составляющая;

верхний индекс:

d=1...N - номер исходного изображения или составляющих его разложения;

S - синтезированное изображение или его составляющие разложения;

нижний индекс:

n=1...L - уровень разложения.

На фиг.2 - схема улучшения.

На фиг.3 - схема фильтрации детализирующих составляющих.

На фиг.4 - схема яркостно-контрастной коррекции составляющих.

На фиг.5 - схема энергетической коррекции детализирующих составляющих.

На фиг.6 - схема устранения шумовой микроструктуры.

На фиг.7 - пример определения порога.

На фиг.8 - пример получения порождающей функции.

На фиг.9 - схема синтеза составляющих.

Способ реализуется путем декомпозиции исходных изображений на составляющие, их обработки и последующей реконструкции изображения (фиг.1).

Декомпозицию и реконструкцию осуществляют при помощи быстрого дискретного стационарного двумерного вейвлет-преобразования вейвлетом Хаара для L уровней (L≈3), результатом которого являются:

сА_L - аппроксимирующая (низкочастотная) составляющая уровня L;

сН_n, cV_n, cD_n, n=1...L - детализирующие составляющие (горизонтальная, вертикальная и диагональная) для каждого уровня разложения.

Производят улучшение изображения путем преобразования полученных составляющих (фиг.2), включающее в себя фильтрацию (фиг.3) и коррекцию значений составляющих с учетом особенностей зрительного восприятия и параметров используемой видеосистемы (фиг.4). Фильтрация включает в себя следующие преобразования: коррекцию составляющих путем адаптивного изменения значений детализирующих составляющих в соответствии с межуровневой динамикой их энергетических характеристик (фиг.5); устранение шумовой микроструктуры путем адаптивного порогового ограничения значений детализирующих составляющих на каждом уровне разложения (фиг.6).

Для каждого уровня разложения вычисляют пространственное распределение энергетических характеристик вейвлет-коэффициентов в виде матрицы , каждый элемент которой вычисляют по формуле:

где n - уровень разложения;

i - номер строки; j - номер столбца.

Масштабируют матрицы энергетических характеристик для обеспечения геометрической сопоставимости энергетических характеристик разных уровней. Результатом является матрица , каждый элемент которой вычисляют по формуле:

где w_n+1 - линейный размер вейвлет-оператора на уровне n+1;

Δ=w_n+1-1.

Вычисляют коэффициенты межуровневого изменения усредненных энергетических характеристик в виде матриц следующим образом:

1)

2) для каждого элемента вычисляют коэффициент изменения энергетических характеристик следующим образом:

3)

где I,J последовательно принимают значения в диапазоне

i≤I<i+w_n, j≤J<j+w_n;

w_n - линейный размер вейвлет-оператора на уровне n;

4) производят нормирование матрицы :

где k_max - значение максимального элемента матрицы

Производят коррекцию детализирующих составляющих и энергетических характеристик:

Вычисляют нормированный интегральный энергетический спектр в 3 этапа:

на первом этапе вычисляют гистограмму матрицы

где

m_e - число элементов со значением е;

на втором этапе вычисляют интегральную гистограмму

на третьем этапе нормируют интегральную гистограмму :

где е_max - значение максимального элемента матрицы

Вычисляют характеристическую функцию R(e):

Определяют значение энергетической характеристики е_T, при котором значение характеристической функции R(e) минимально (фиг.7).

Вычисляют пороговое значение энергетической характеристики уровня n

- коэффициент глубины фильтрации.

Экспериментально установлено, что в большинстве случаев оптимальным является при теряются существенные малоразмерные структурные элементы изображения.

Производят пороговую обработку детализирующих составляющих:

Выполняют яркостно-контрастную коррекцию составляющих (фиг.4) при помощи корректирующих функций. Вычисление корректирующих функций осуществляют следующим образом.

Вычисляют гистограмму значений коэффициентов аппроксимации h(a) по формуле:

где

m_a - число элементов со значением а;

вычисляют нормированную гистограмму по формуле:

где s - общее число элементов матрицы

a_min, а_max - минимальное и максимальное значения округленных коэффициентов аппроксимации;

определяют размер краевых зон z:

где Kz≈(0.2...0.4);

получают порождающую функцию H(а) путем преобразования нормированной гистограммы (фиг.8):

при a<a_min+z и a>a_max-z:

где

С₁=1 - базовое значение контраста;

С₂≈2 - максимальное значение контраста вне краевых зон;

С₃≈3 - контраст на границах диапазона яркости.

При а_min+z≤а≤a_max-z:

Изменением параметров С₂, С₃ и Kz обеспечивают возможность настроек.

Вычисляют корректирующую функцию F(a) для аппроксимирующей составляющей по формуле:

где ;

b - разрядность результирующего изображения;

L - последний уровень разложения;

s - общее число элементов матрицы

Вычисляют корректирующую функцию Р(а) для детализирующих составляющих по формуле:

Выполняют коррекцию аппроксимирующей составляющей путем поэлементного преобразования функцией F(a):

где

Выполняют коррекцию детализирующих составляющих путем поэлементного преобразования функцией Р(a):

β_n=γ_nР(а);

где

- коэффициент дополнительного межуровневого контрастирования.

Комплексирование осуществляют следующим образом (фиг.9).

Составляющие синтезированного изображения вычисляются путем взвешенного суммирования нормированных значений элементов соответствующих составляющих разложений исходных изображений для каждого уровня разложения.

Вычисляют весовую функцию составляющих разложения.

1) Вычисляют гистограмму значений матрицы

где

m_e - число элементов со значением е;

2) Вычисляют интегральную гистограмму

3) Вычисляют нормированную интегральную гистограмму

где s - общее число элементов матрицы

4) Вычисляют весовую функцию

Комплексирование составляющих осуществляют по формуле:

где

d=1...N - номер канала;

n=1...L - уровень разложения.

Согласование яркостного диапазона синтезированного изображения с параметрами видеосистемы осуществляют по формуле

где - максимальное и минимальное значения яркости синтезированного изображения;

r - разрядность видеосистемы.

В результате получают изображение повышенного качества, содержащее наиболее информативные элементы изображений одной и той же сцены, полученных в нескольких спектральных диапазонах, свободное от шумовой микроструктуры, спорадических выбросов яркости и отконтрастированное с учетом особенностей зрительного восприятия.

Источники информации

1. Тетерин В.В. и др. Метод комплексирования информации от многоканальной системы с использованием вейвлет-спектров. Оптический журнал, Том 73, №10, 2006, с.47.

2. Москвитин А.Э. «Технология и алгоритм повышения качества изображений земной поверхности на основе комплексирования спектральной видеоинформации» (Алгоритм, основанный на раздельной обработке низко- и высокочастотных компонент разнозональных видеоданных). Автореферат. Рязань, 2003 г.

Способ комплексирования цифровых многоспектральных полутоновых изображений, включающий получение исходных изображений, разложение каждого исходного изображения на низкочастотные и высокочастотные компоненты, раздельную обработку низко- и высокочастотных компонент изображений, комплексирование компонент, основанное на принципе взвешенного суммирования для каждого пикселя, формирование результирующего изображения, отличающийся тем, что каждое исходное изображение подвергают многоуровневой декомпозиции вейвлетом Хаара путем быстрого дискретного стационарного двумерного вейвлет-преобразования с целью получения аппроксимирующей составляющей, представляющей из себя низкочастотную компоненту изображения, и семейства детализирующих составляющих, являющихся высокочастотными компонентами изображения, определяют значения матриц энергетических характеристик пикселей на всех уровнях разложения для каждого изображения, осуществляют фильтрацию всех детализирующих составляющих, включающую коррекцию детализирующих составляющих путем адаптивного изменения значений детализирующих составляющих в соответствии с межуровневой динамикой их энергетических характеристик и устранение шумовой микроструктуры путем адаптивного порогового ограничения значений детализирующих составляющих на каждом уровне разложения, вычисляют для каждого разложения корректирующие функции яркости и корректирующие функции контраста, параметром которых является значение аппроксимирующей составляющей, производят выравнивание яркостных диапазонов каждого разложения путем преобразования аппроксимирующих составляющих корректирующими функциями яркости, преобразуют детализирующие составляющие корректирующей функцией контраста, вычисляют для каждого разложения на каждом уровне весовую функцию, параметром которой является значение энергетической характеристики, производят для каждого пикселя на каждом уровне разложения вычисление компонент синтезированного изображения путем взвешенного суммирования значений соответствующих составляющих разложений исходных изображений с использованием весовых функций, осуществляют фильтрацию всех детализирующих составляющих синтезированного изображения, включающую коррекцию детализирующих составляющих путем адаптивного изменения значений детализирующих составляющих в соответствии с межуровневой динамикой их энергетических характеристик и устранение шумовой микроструктуры путем адаптивного порогового ограничения значений детализирующих составляющих на каждом уровне разложения, вычисляют корректирующую функцию яркости и корректирующую функцию контраста, параметром которых является значение аппроксимирующей составляющей синтезированного изображения, преобразуют аппроксимирующую составляющую корректирующей функцией яркости, преобразуют детализирующие составляющие корректирующей функцией контраста, формируют синтезированное изображение путем реконструкции при помощи обратного быстрого дискретного стационарного двумерного вейвлет-преобразования, применяемого к детализирующим составляющим синтезированного изображения и аппроксимирующей составляющей синтезированного изображения, согласуют яркостной диапазон результирующего изображения с параметрами видеосистемы.