左斌，許強，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 長光衛(wèi)星技術股份有限公司，長春 130000）

0 引言

全色遙感影像蘊含著豐富的地物目標信息，通常指遙感器獲取0.45～0.7 μm 左右波長范圍的單波段影像。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)的目標地物與背景難以區(qū)分。對全色遙感影像內(nèi)的目標地物進行增強是遙感圖像處理的一項關鍵技術，可以改善后續(xù)用于目標檢測、變化檢測的影像質(zhì)量。

國內(nèi)外學者提出許多能顯著改善遙感圖像質(zhì)量的增強方法?？臻g域方法直接對原始影像的像素值進行變換，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，也有部分學者研究基于直方圖頻率加權的影像增強方法［2］。HUANG Z 等利用伽馬系數(shù)改進累積分布函數(shù)，然后基于累積直方圖實現(xiàn)圖像增強，該方法在亮度保持、對比度增強等方面都取得較好的效果［3］。然而，在高動態(tài)范圍遙感影像中，地物種類繁多、分布狀況復雜，同一類別的目標地物也可能會有差異較大的灰度值，對影像采用統(tǒng)一的增強方式往往會導致影像內(nèi)部分地物的細節(jié)損失。局部增強可以有效解決上述問題。HUANG Z 等在限制對比度的自適應直方圖均衡化（Contrast Limited Adaptive Histogram Equalization， CLAHE）這一局部增強方法的基礎上提出限制對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構的同時一定程度上防止過度增強［4］；DHAREJO F A 等提出一種基于暗通道先驗和分段線性變換的圖像增強方法，能顯著改善較暗的遙感影像［5］。但是現(xiàn)存的局部增強算法往往基于直方圖均衡法改進，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行自適應閾值分割，然后基于奇異值分解對其處理，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，該類方法對于不同分量的最佳增強參數(shù)難以確定，由于遙感影像包含地物分布的復雜性，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會放大噪聲，模糊化降噪處理往往又會損失部分感興趣地物的細節(jié)。

近年來，基于深度學習對影像進行增強的研究逐漸增多［8-10］。CHEN X 等將深度學習與Retinex 理論結合，提出一種新的基于注意力的網(wǎng)絡，該網(wǎng)絡能自適應調(diào)整光照的亮度信息，實現(xiàn)對弱光的增強［11］。WANG D 等提出目標注意力深度神經(jīng)網(wǎng)絡，采用聯(lián)合卷積單元法對多尺度空間進行完全選取，并利用目標注意單元進一步細化目標相關特征［12］。然而，目前的深度學習方法較為依賴人工標注的數(shù)據(jù)集，訓練周期長，訓練得到的模型對多源影像的處理不具備通用性。此外，部分增強方法的耗時較多，也會影響實時應用。

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

1 算法原理

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

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

1.1 局部影像增強

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原始影像中部分紋理特征的情況下增強影像中的地物細節(jié)。假設存在一張影像A，影像A內(nèi)地物目標α的特征α1與x1、x2、x3這三個像元相關，該特征滿足

式中，Dx1、Dx2、Dx3分別表示三個像元處的灰度值，使用灰度線性變換f(D)=k×D+b后三個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，灰度線性變換不會改變比值相關的紋理特征，即使對影像使用不同的灰度線性變換參數(shù)，增強后影像內(nèi)的這些紋理特征也具有可比性。而當f(D)不是線性函數(shù)時，式（2）不一定成立。因此，采用非線性變換處理不同影像內(nèi)的同一類目標可能會改變增強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上述影像進行處理，上述紋理特征更容易被目標檢測等應用的卷積神經(jīng)網(wǎng)絡所提取。

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)一的增強參數(shù)對整幅影像進行增強處理，部分地物的增強效果往往不理想。局部增強可以較好地解決上述問題，該方法主要作用于目標地物附近的較小范圍，可以充分利用變換后影像的動態(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作為基礎。研究使用的局部增強通過分塊后增強實現(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)艦船等目標的尺寸和影像塊的尺寸較為接近，此時提出的增強方法對艦船等目標地物的增強效果較好。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。

對原始影像進行分塊操作后，對于每個影像塊計算其塊內(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)，對于影像塊內(nèi)的每個像元xi（其灰度值為Dxi），計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結果需要被目標檢測等領域的深度學習模型處理，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)過局部增強后的影像如圖3，可以看出只進行局部分塊增強會導致較明顯的斑塊效應和噪聲塊現(xiàn)象，但是影像包含地物的細節(jié)與反差在地物所處影像塊內(nèi)得到較大程度的增強。通過對每個影像塊的增強參數(shù)進行雙線性內(nèi)插以求出每個像元處的增強參數(shù)，斑塊效應可以得到較好解決。為了消除噪聲含量較高的塊（噪聲塊）的影響，先識別噪聲塊，再對其進行去除。具體地，噪聲塊與包含地物細節(jié)的塊（細節(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別出來，然后，使用基于灰度直方圖的全局自適應增強參數(shù)對噪聲塊所在區(qū)域進行補值。圖3 中標識了細節(jié)塊和噪聲塊的例子，其中A塊是細節(jié)塊，B 塊是噪聲塊。

1.2 基于灰度直方圖的全局自適應增強參數(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增強目標地物的細節(jié)，因此，算法的全局自適應增強也使用灰度線性變換作為基礎，并對其進行改進。對于影像塊內(nèi)的每個像元xi，計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，這些地物的細節(jié)得到增強；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，自適應地選擇合適的Dup和Dlow參數(shù)是全局自適應增強的關鍵。

傳統(tǒng)的局部增強對目標有較好的增強效果，然而這類方法會對背景噪聲過度增強，需要使用全局增強等方法對噪聲較多的區(qū)域進行補值。在本文提出的基于全局自適應處理的分塊影像增強方法中，全局自適應處理的目的就是補值?；叶染€性變換可以對局部增強的結果進行補值，其能在保留原始影像中部分紋理特征的同時增強影像中目標地物的細節(jié)。根據(jù)影像的具體情況，自適應地選擇合適的灰度線性變換參數(shù)即全局自適應參數(shù)，可以實現(xiàn)全局自適應增強。結合增強算法的應用場景來分析全局自適應參數(shù)的選取，增強結果面向的應用場景以艦船目標檢測為例，用作增強的影像源于吉林一號衛(wèi)星星座，選用的影像是全色遙感影像。研究的影像增強算法主要針對基于可見光影像的目標檢測、變化檢測等解譯相關的領域，旨在服務針對海量遙感數(shù)據(jù)的智能解譯，海洋、云等地物在這些應用領域通常是背景像元，并不是研究者感興趣的目標地物。然而，在艦船等目標的檢測過程中，影像中的海洋、云等有時與目標地物難以區(qū)分，會造成對目標地物的錯檢和漏檢現(xiàn)象。在輸出影像中，應該增加目標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雜，艦船等目標在部分影像內(nèi)是灰度最高的區(qū)域，在影像內(nèi)有云遮擋時，云往往成為其中最亮的區(qū)域，部分港口艦船的灰度有時高于陸地上的建筑，有時則相反；在部分情況下，海面的灰度可能高于艦船。而現(xiàn)有的部分增強方法，如最大最小值拉伸法、標準差拉伸法等，必然會舍棄影像內(nèi)一定比例的較暗或者較亮地物的信息，難以在多數(shù)應用場景中保證地物目標的清晰度。因此，這些方法的適用場景有限，難以僅依靠某一種傳統(tǒng)增強方法清晰顯示出所有影像內(nèi)的目標地物。

提出基于灰度直方圖的全局自適應增強技術用于對局部增強后的影像進行全局自適應處理，能獲取影像內(nèi)背景地物的灰度值分布情況，有助于確定目標相對于背景的明暗情況，進而確定增強效果較好的增強參數(shù)。結合使用多光譜等多源遙感數(shù)據(jù)可以較準確地識別海洋和云等背景地物，然而，由于遙感數(shù)據(jù)有時源自多種傳感器，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空條件下獲取的多光譜信息用于對云和海洋的識別。因此，本方法基于全色遙感影像直接識別出影像內(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參數(shù)，有助于完善基于全局自適應處理的分塊影像增強技術并改善對全色遙感影像的增強效果。

全局自適應增強技術從全色遙感影像的灰度直方圖出發(fā)，計算每個灰度值j對應的像元個數(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間的關系，將含有艦船目標的影像分為寬直方圖主體類和窄直方圖主體類。當灰度直方圖主體的寬度大于直方圖寬度閾值時，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。以不同場景的典型影像為例闡述算法的細節(jié)。

圖4 為寬直方圖主體類影像及其灰度直方圖，當影像內(nèi)存在云和陸地等地物時，這些地物的灰度與海面灰度差異較大。此時，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)域不會包含圖像中最亮或者最暗的像元。對于這種情況，通過百分比截斷線性拉伸法壓縮異常高亮、異常低亮的離群像元的灰度值，這能在保留目標地物細節(jié)的同時顯著壓縮原始影像的動態(tài)范圍，進而提升后續(xù)艦船檢測的精度，百分比截斷線性拉伸法表示為

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，當影像內(nèi)只含有海面、艦船和較薄的云等地物時，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。此時如果仍采用百分比截斷線性拉伸法進行增強，艦船等目標地物對應的灰度值范圍會被壓縮。此時應采用最大最小值拉伸法進行增強，表達式為

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 影像塊多維指標的估計

局部分塊增強會導致部分影像塊內(nèi)有較多高亮噪聲，為了對這些影像塊進行準確識別并在后續(xù)使用基于灰度直方圖的全局自適應增強參數(shù)對噪聲塊進行修正，計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。

局部增強導致部分區(qū)域內(nèi)噪聲的過度增強，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)每個像元包含地物的光譜特性較為接近引起的，進行局部增強后，這些影像塊內(nèi)本來不明顯的噪聲被異常放大，與此同時，細節(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可以有效檢測出噪聲塊，計算方法為

式中，Enum是影像塊邊緣處的像元數(shù)量，根據(jù)參與指標計算的鄰近塊與當前塊的相對位置，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)是當前影像塊內(nèi)灰度級i的出現(xiàn)頻率。相鄰影像塊地物相近往往會導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，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，構建塊差異因子dc1，c2來評價影像的任意兩個相鄰子塊c1與c2間的關系，表達式為

式中，w1、w2分別是信息熵、影像灰度在相鄰塊間的差值對應的權重。

1.4 基于鄰近塊的塊參數(shù)糾正

經(jīng)過局部增強處理的影像能清晰顯示影像塊內(nèi)目標的細節(jié)，對于噪聲含量較高的影像塊，將其增強參數(shù)替換為全局自適應增強參數(shù)，能在增強目標地物細節(jié)的同時減少背景噪聲。結合塊差異因子識別噪聲塊是提出算法結合局部增強和全局自適應增強的關鍵。

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系，將塊差異因子小于閾值dThres的多個相鄰影像塊合并為復合影像塊（復合塊），最終，將原始影像劃分產(chǎn)生的W×H個影像塊合并為若干個復合塊，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節(jié)塊。對于塊差異因子超過dThres的情況，基于當前影像塊相對于鄰近塊的明暗情況，計算塊明度指數(shù)LC1，C2，即

圖6 經(jīng)過分塊局部增強處理后的影像及結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是當前影像塊，C2是當前影像塊的相鄰塊。求得一個復合塊Mci包含的所有影像塊的塊明度指數(shù)之和，將該值作為當前復合塊的復合塊明度指數(shù)MMci。

2）噪聲所在塊的識別

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

3）全局自適應增強和局部增強結果的融合

在局部增強的基礎上計算每個影像塊的增強參數(shù)，使用全局自適應增強參數(shù)修正噪聲塊的增強參數(shù)，實現(xiàn)全局自適應增強和局部增強結果的融合，該方法能在避免對背景噪聲過度增強的同時增強目標地物的細節(jié)。

對于每一個影像塊Ci，計算其增強參數(shù)：最高灰度值Dmax(Ci)和最低灰度值Dmin(Ci)。為了在增強目標地物對比度的同時避免斑塊效應，使用雙線性內(nèi)插求出每個像元處的增強參數(shù)Dmax，xi和Dmin，xi，計算每個像元處增強后的灰度值Mxi，即

2 實驗結果

實驗平臺為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 軟件運行。為了驗證增強算法能否有效用于艦船目標檢測等解譯領域，將艦船作為著重關注的地物，將吉林一號衛(wèi)星星座獲取的多場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的遙感圖像作為實驗樣本。選擇5 種適用于全色遙感影像增強的先進算法POSHE［13］、IPRH［14］、CLAHE［15］、AHPBC［16］、DEBTHE［17］進行對比實驗，分別使用定量和定性的方法評估不同方法的增強效果來驗證本文算法的有效性。

提出的方法關注對感興趣目標地物的增強效果，因此在質(zhì)量評估時需要對參與計算的影像進行篩選，使用感興趣目標地物（本實驗中為艦船）附近的像元參與定量評價指標的計算。原始影像是16 位，而本方法的增強結果是8 位影像。評價過程中針對原始影像中目標地物附近較小范圍的像元進行最大最小值拉伸，得到代替原始影像參與質(zhì)量評估的參考影像，這些參考影像盡可能多地保留了原始影像內(nèi)的地物細節(jié)。

2.1 定性分析

圖7 給出包含艦船目標信息的港口附近全色遙感影像，以及不同算法對該影像的增強結果。圖7（a）中原始影像的動態(tài)范圍較高，影像內(nèi)地物的對比度較低；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?。粓D7（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增強技術，增強結果中海面區(qū)域的噪聲沒有被增強，說明全局自適應處理能對局部增強的參數(shù)進行有效修正。對比結果可以看出，該算法能在降低影像動態(tài)范圍的同時有效增強影像中目標地物的細節(jié)，改善港口附近遙感圖像中艦船目標的清晰程度。

圖7 不同算法對港口影像的增強效果對比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信息的海面全色遙感影像和不同算法對該影像的增強結果。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）本文算法的結果中海面與艦船對比明顯，且在較大程度上保留了艦船的紋理信息。通過對比增強結果可以看出，提出的算法能有效增強海面遙感影像中的艦船目標。

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該影像進行增強的結果。通過對比增強結果可以看出，提出的算法有效地抑制云對影像中艦船目標的干擾，即使部分艦船被云覆蓋，也能盡可能增大目標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容易過度增強或者增強不足的缺點，有效解決現(xiàn)有全色遙感影像增強算法在增強影像中目標地物細節(jié)時對背景噪聲過度增強的問題。

圖9 不同算法對含云影像的增強效果對比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）和結構相似性（Structural Similarity， SSIM）三個指標來客觀評價不同影像增強方法對于全色遙感影像增強的效果。

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

式中，pnum是參與計算的像元總數(shù)，xi是參考圖像x參與指標計算的第i個像元的灰度值，yi是增強后圖像y參與指標計算的第i個像元的灰度值。

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

式中，My是影像可能的最大像素值。

結構相似性衡量增強前后影像間的相似度，反映結構特征的保留情況。結構相似性的值越大，說明增強后的影像更好地保留參考影像內(nèi)的地物特征。計算公式為

式中，μx是參考圖像x的平均值，μy是增強后圖像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這兩個常數(shù)用來維持公式的穩(wěn)定。

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

表1 不同算法的增強指標對比Table 1 Comparison of enhancement evaluation index of different methods

表2 給出不同算法的運行平均時間，可以看出本文算法的運行平均時間為0.14 s，略小于DEBTHE 法的運行時間，遠小于IPRH 法的運行時間。

表2 不同算法的運行平均時間Table 2 The running average time of different methods

3 結論

本文針對現(xiàn)有全色遙感影像增強算法在增強影像中目標地物時對背景噪聲過度增強的問題，提出一種基于全局自適應處理的分塊影像增強方法。首先，進行分塊處理并分別計算圖像中每個影像塊的影像增強參數(shù)，實現(xiàn)對影像細節(jié)信息的保留；然后，基于影像的灰度直方圖進行全局自適應增強參數(shù)估算，在防止影像內(nèi)噪聲被過度放大的同時增加背景和地物間的反差；接著，估算影像塊的多維指標，便于后續(xù)基于全局自適應處理進行局部增強；最后，基于塊差異因子對鄰近影像塊進行合并，將噪聲塊的增強參數(shù)替換為全局自適應增強參數(shù)，基于影像塊的增強參數(shù)進行插值以獲取每個像元處的參數(shù)，最終得到增強后的全色遙感影像。使用該方法對多組不同場景的全色遙感影像進行仿真實驗，并基于多種指標對多種增強方法的效果進行評估，發(fā)現(xiàn)提出的增強方法對于多種場景均有較好的性能。該方法基于局部增強對目標地物及其鄰域的灰度變化范圍進行調(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)的同一類目標可比，處理結果可用于艦船檢測等領域。