羅 揚，袁藝標

(1.金陵科技學院軟件工程學院，江蘇 南京 211169；2.南京醫(yī)科大學，江蘇 南京 211166)

1 引言

人類視覺基礎的載體為圖像，通過圖像能夠反映出世界自然景物的所有客觀情況。圖像中的“圖”，即光源照在物體上發(fā)生透射或者反射的光形成光分布，眼睛對這些分布的光源進行接收，形成圖。而“像”則是在眼睛接收物體反射的光源時出現(xiàn)在腦海內的畫面，從而呈現(xiàn)出這個物體原本的樣子，即為像。目前較多應用領域中的圖像包含：衛(wèi)星云圖、傳真、地圖、手寫漢字、繪畫、腦電和心電圖以及照片等。但是，在對圖像信息進行獲取時，由于設備的不完善或者外界干擾等情況，會導致獲取的圖像內存在陰影，若所需目標處于圖像陰影部分，那么則需要對陰影部分實現(xiàn)補償，達到清晰化圖像的目的。

文獻[1]針對因遙感影像內陰影會致使地物的信息受損導致的圖像質量下降，提出聯(lián)合對數(shù)變換以及局部增強高分的遙感圖像陰影補償方法，設計對于改進對數(shù)變換的圖像增強方式，建立對數(shù)變換模型，利用陰影邊界同類特征點匹配完成陰影區(qū)域的亮度提升。通過聯(lián)合局部的補償模型，對其實現(xiàn)加權處理，提升陰影區(qū)域對比度，針對陰影邊界的同類特征點匹配情況，實行自動解算的補償模型參數(shù)，完成圖像陰影部分的自動補償。文獻[2]提出基于亮度補償?shù)年幱罢趽趼访娣椒āＭㄟ^亮度補償完成像素點空間域的增強和陰影區(qū)域恢復，同時增大道路面積的陰影以及周圍環(huán)境的差異，再分割非陰影圖像的道路，提取道路信息，通過細化處理，最后完成陰影遮擋的道路提取。上述方法雖然能夠有效補償圖像陰影部分，不過在補償結束后，沒有調整陰影同質區(qū)域亮度，導致陰影與同質區(qū)域接觸地方細節(jié)丟失，在實際應用過程中，很難滿足需求。

為解決傳統(tǒng)方法的不足，本文提出一種基于聚類的超聲射頻圖像陰影雙線性補償方法。該方法利用最大類間方差的閾值分割方法，利用加權估計位置插值點灰度值計算雙線性插值，引入RGB色彩空間以及HIS色彩空間方法實現(xiàn)圖像陰影補償。所提方法應用后圖像細節(jié)未丟失，且圖像整體亮度得到明顯提高。

2 基于聚類分析的圖像閾值分割方法

2.1 最大類間方差的閾值分割

為避免圖像陰影補償后非陰影區(qū)域亮度過高產(chǎn)生曝光問題，提出圖像閾值分割算法。首先需要提取圖像內目標以及背景處的灰度特征差異，獲取適合的閾值，再確認圖像內全部的像素點，獲取相應的二值圖像。

本文使用的最大類間方差分割法基本思路為：通過固定任意閾值將圖像分割成兩組，計算被分成兩組的圖像間方差，當獲得最大方差時即確定為閾值[3]。

將圖像的灰度值設置成1-m級，那么灰度值i的像素則為ni，可以得到公式為

(1)

利用k將其分成兩組C0={1-k}以及C1={k+1～m}，所有組生成的像素概率公式為

(2)

(3)

式中：ω代表像素平均值。在1-m間更改k，計算出上式是最大值k，就能夠求出maxσ2(k)的k*值，這時，閾值即為k*值[4]。

2.2 聚類分析

假設數(shù)據(jù)集X內包括n個樣本(n個元)，即為：xk，k=1，……，n。而聚類問題就是將{x1，x2，……，xn}區(qū)分成內c個子集，2≤c≤n，類似的樣本要盡可能地在相同類中，c代表聚類數(shù)[5]。

典型的聚類方法是將所有辨識對象劃分，將其分成屬于某一種類。但在實際應用過程中，部分對象不存在嚴格屬性，這是因為辨識對象可能是處于兩類之間，因此利用模糊聚類分析，能夠得到最佳效果。而模糊聚類分析是將數(shù)據(jù)集X={x1，x2，……，xn}分成c類，在設X內xk對于第i類的隸屬度是μik，其中0≤μik≤1。因此分類的結果能夠利用x×n矩陣表示，可以得到具體公式為

(4)

為可以在眾多分類內得到合理分類的結果，因此要確認合理聚類的準則，那么目標函數(shù)J(U，V)，具體公式為

(5)

dik代表第k個樣本至第i類距離，具體公式為

(6)

式中：xk代表數(shù)據(jù)樣本，xk∈RP，T代表矩陣轉置，矩陣A代表對稱矩陣。當A=I時，就是歐式距離[6]。

目標函數(shù)J(U，V)表示樣本距離聚類中心的平方和，而權重為xk至i類的隸屬度m次方，即J(U，V)為極小值，即(min){J(U，V)}。

由于矩陣U內所有列均為獨立的，因此具體公式為

(7)

(8)

最優(yōu)化一階的必要條件公式為

(9)

(10)

通過式(10)能夠獲得具體公式為

(11)

將式(11)帶入至式(9)內，可以得到具體公式為

(12)

因此

(13)

將式(13)帶入至式(11)中，可以得到具體公式為

(14)

Ik=i|1≤i≤c，dik=0

(15)

(16)

再利用J(U，V)獲得最小μik值，可以得到具體公式為

(17)

(18)

在能夠得到J(U，V)時最小時Vi值，可以得到具體公式為

(19)

如果數(shù)據(jù)集X、聚類的類別數(shù)c以及權重m為已知條件，即可使用式(17)、(18)以及(19)確認最優(yōu)分類矩陣以及聚類中心。此方法能夠利用迭代方法進行求解，使用模糊C均值方法。此方法是先實現(xiàn)隸屬度的矩陣初始化，利用式(19)求出c聚類中心，接著通過式(17)或者(18)獲得隸屬度矩陣，然后帶入式(19)中，得到全新c個聚類的中心[8]。

在新聚類中心和開始聚類中心二者距離差，在允許誤差的范圍中，在算法收斂之后，將門限分割設置成α，獲得具體的圖像分割結果公式為

μik=max{μ1k，μ2k，Λμck}≥α，xk∈i

(20)

3 超聲射頻圖像陰影雙線性補償

3.1 雙線性插值法

超聲射頻圖像插值能夠理解成是采用插值點附近的相鄰像素點，再使用加權對位置插值點灰度值進行估計。雙線性插值方法以插值點附近的點加權內插，將其作為此點灰度值，f(i，j)，f(i+1，j)，f(i，j+1)，f(i+1，j+1)代表起始低分辨率的圖像像素點，f(i+u，j+v)代表插值點，而雙線性的插值，具體公式為

f(i+u，j+v)=(1-u)(1-v)f(i，j)+(1-u)

vf(i，j+1)+u(1-v)f(1+1，j)+uvf(i+1，j+1)

(21)

式中：f(i，j)代表圖像處于(i，j)位置時灰度值，u與v代表插值點與(i，j)點垂直以及水平的距離。

若插值點都是均勻分布的，且對于隨意的M>0都存在maxx∈[a，b]|f(N+1)(x)|≤M，具體公式為

(22)

在N=1時，是兩點x0，x0+h間線性的插值，以此兩點之間具有一個點ξ，可以得到具體公式為

監(jiān)控系統(tǒng)人機界面的設計主要任務為系統(tǒng)中各個控制界面與監(jiān)測界面的設計，進行靜態(tài)操作界面的繪制、動畫的制作及界面中各個元素與變量列表的連接，同時建立各個界面之間的邏輯關系。基于人機工程學[16]，需重點考慮以下2點：

(23)

將(x0，x0+h)均勻的分布在k(k≥2)段，那么x=x0+(j/k)h，在其中j=1，……，k-1，以此式(28)能夠得到公式為

(24)

在k=2時，j=1，上式能夠進行變換[9]，可以得到公式為

(25)

3.2 超聲射頻圖像陰影補償

3.2.1 抑制藍光分量

利用陰影指數(shù)檢測法計算超聲射頻圖像的起始二值圖像以及主成分變換二值圖像，以便去除小區(qū)域的干擾噪聲。接著利用數(shù)據(jù)形態(tài)學變換，在不觸及原本目標形態(tài)的基礎上，精準提出特征，實現(xiàn)超聲射頻圖像背景的剔除。

將其轉換至HIS的色彩空間前，對藍色的分量抑制，可以得到具體公式為

(26)

式中：R(x，y)、G(x，y)、B(x，y)分別代表起始圖像的紅、綠與藍色的分量，k=high/I′L(x，y)，high代表非陰影區(qū)域的光照亮度，I′L(x，y)代表利用亮度低頻的閾值進行處理，a、b代表顏色調整的參數(shù)，該數(shù)值通常為1，同時a>b。而非陰影區(qū)域，因為I′L(x，y)=high，就是k=1，在式(31)中，僅對陰影亮度以及顏色調整，處于非陰影的區(qū)域未受到影響[10]。

3.2.2 HIS分量補償

僅抑制藍光分量，并不能徹底改善圖像的陰影區(qū)域，同時補償其它分量，完成徹底改善。如果圖像中的局部情況較為穩(wěn)定，那么認為陰影區(qū)域和同質區(qū)域二者之間存在類似信息。對于陰影同質區(qū)域的選擇是：在該區(qū)域內，不包括任何陰影像素，而同質區(qū)域，則處于陰影投射方向上的一定范圍和陰影周圍的區(qū)域。

Ωnoshadow={ρ|0<Ωshadow)

(27)

式中：Ωnoshadow代表相鄰的某個閾值dist陰影同質區(qū)域集合，d(ρ，Ωshadow)代表某一個點至陰影區(qū)域距離[11]。

在確認陰影同質區(qū)域后，利用映射的方法分別補償亮度I、飽和度S以及色度H。具體補償公式為

H′(i，j)recov ered=

(28)

I′(i，j)recov ered=

(29)

S′(i，j)recov ered=

(30)

式中：H′、I′以及S′代表陰影經(jīng)過補償后的色度、亮度和飽和度數(shù)值，H、I以及S代表起始陰影區(qū)域色度、亮度以及飽和度，u代表陰影與同質對應色度、飽和度以及亮度平均值，σ代表陰影區(qū)域與同質對應色度、飽和度以及亮度的標準差，A、B以及C代表補償?shù)膹姸认禂?shù)，具體值的范圍是0.6～1[12]。

4 仿真證明

為驗證本文方法的有效性，選擇實驗平臺為Intel(R)Core(TM)i73470CPU，其中，主頻為4GHz，8G內存，運行平臺與編程環(huán)境為：MATLABR2018b。觀察圖像陰影是否獲得了較好的補償效果，陰影區(qū)域亮度是否獲得提高，圖像質量是否獲得改善。

圖1圖2分別為胸腔和腹腔的射頻原始圖像和補償后圖像。

圖1 腹腔射頻圖像補償效果

圖2 胸腔射頻圖像補償效果

根據(jù)圖1和圖2可知，所提方法下陰影區(qū)域亮度得到提升，變得更加清晰，但補償前后圖像的色調基本處于相同的狀態(tài)，沒有降低非陰影區(qū)域圖像細節(jié)特征，使圖像整體質量獲得了明顯的提升。

為進一步驗證本文方法性能，通過計算陰影區(qū)域補償前后的亮度方差以及顏色均值數(shù)據(jù)，得出結果，具體如表1所示：

表1 圖像陰影補償前后數(shù)據(jù)分析結果

通過觀察表1能夠看出：圖1(b)、圖2(b)的亮度均得到提高，且顏色方差值降低，說明圖像色彩波動較小，更加符合人眼視覺對于色彩的捕捉。這是因為本文引入的色彩分量在HIS空間內對色度、亮度以及飽和度進行了雙線性補償，使陰影區(qū)域信息獲得恢復。

5 結束語

本文提出的基于聚類的超聲射頻圖像陰影雙線性補償方法。通過補償后的圖像比起始圖像更清晰，亮度也得到了顯著的提升，色調和非陰影區(qū)域色調處于基本相同的狀態(tài)，細節(jié)也沒有丟失，驗證了本文方法良好的應用效果。

但是隨著現(xiàn)在科技的發(fā)展，獲取到的圖像方式也各式各樣，其中不乏存在一些處于特定場景以及獲取圖像質量較差的設備，導致得到的陰影圖像，也存在著模糊、邊緣細節(jié)丟失等情況，因此未來本文還需要進一步的研究，通過添加模糊處理、細節(jié)處理等補償方法，并且保證實時更新、優(yōu)化，跟上科技發(fā)展的腳步。