作者簡(jiǎn)介：石琳（1985— ），女，講師，本科；研究方向：計(jì)算機(jī)科學(xué)與技術(shù)。

摘要：為解決圖像增強(qiáng)后存在的噪聲問題，文章提出基于改進(jìn)粗糙集的低照度遙感圖像對(duì)比度增強(qiáng)方法。該方法先基于改進(jìn)粗糙集進(jìn)行低照度遙感圖像預(yù)處理，后自適應(yīng)調(diào)整低照度遙感圖像，采用提高飽和度、恢復(fù)色彩等操作，完成對(duì)圖像的對(duì)比度增強(qiáng)處理。實(shí)驗(yàn)結(jié)果表明，文章所提方法的應(yīng)用使圖像的對(duì)比度指標(biāo)得到了顯著提升，應(yīng)用效果更優(yōu)。

關(guān)鍵詞：圖像對(duì)比度增強(qiáng)；遙感技術(shù)；低照度遙感圖像；改進(jìn)粗糙集

中圖分類號(hào)：D24.5" 文獻(xiàn)標(biāo)志碼：A

0" 引言

隨著遙感技術(shù)的進(jìn)步，低照度遙感圖像在環(huán)境監(jiān)測(cè)、資源勘探、災(zāi)害預(yù)警等領(lǐng)域的應(yīng)用日益廣泛。然而，低照度遙感圖像常面臨對(duì)比度低、細(xì)節(jié)模糊等挑戰(zhàn)。這些挑戰(zhàn)限制了低照度遙感圖像在后續(xù)應(yīng)用中的性能。盡管已有研究如吳佳奇等［1］通過循環(huán)生成對(duì)抗網(wǎng)絡(luò)改善亮度不均問題以及熊喜發(fā)等［2］利用亮度均衡化和注意力機(jī)制提升特征表達(dá)，但它們?cè)诩?xì)節(jié)特征損失和圖像清晰度方面仍有不足。因此，本文提出了一種基于改進(jìn)粗糙集的低照度遙感圖像對(duì)比度增強(qiáng)方法。

1" 基于改進(jìn)粗糙集的低照度遙感圖像對(duì)比度增強(qiáng)方法設(shè)計(jì)

1.1" 低照度遙感圖像預(yù)處理

本文采用改進(jìn)粗糙集的分類思想，將低照度遙感圖像視為一個(gè)知識(shí)系統(tǒng)。通過利用粗糙集中的不可分辨關(guān)系，結(jié)合圖像特有的像素屬性，對(duì)圖像進(jìn)行分類。首先，將低照度遙感圖像視為2D圖像［3-4］，并設(shè)定改進(jìn)粗糙集向量的元素為圖元、像元、像素。

為使該圖像達(dá)到去噪的效果，yr（r）為該低照度遙感圖像的改進(jìn)粗糙集中的概率密度函數(shù)，yq（q）為經(jīng)過去噪、均衡化處理后的圖像的概率密度函數(shù)，W（r）為去噪處理中的變換函數(shù)，輸出的圖像灰度值的計(jì)算公式如下：

q=W（r）=∫r0yr（α）dα

yq（q）=yr（r）drdqr=W-1（q）（1）

公式中：α為積分變量，∫r0yr（α）dα為r的累積分布函數(shù)。

當(dāng)0≤r≤1時(shí)，W（r）在粗糙集區(qū)間中單調(diào)遞增，對(duì)r進(jìn)行求導(dǎo)后，其計(jì)算公式如下：

dqdr=dW（r）dryr（r）（2）

由上述公式可知，低照度遙感圖像經(jīng)過改進(jìn)粗糙集分類的去噪處理后，則輸出圖像的灰度數(shù)值在粗糙集中的概率密度為均勻分布。為使圖像的細(xì)節(jié)更加清晰［5］，采用這一方式可有效拓寬像素取值的動(dòng)態(tài)范圍，進(jìn)而顯著突出圖像的細(xì)節(jié)信息。

1.2" 自適應(yīng)調(diào)整低照度遙感圖像

在對(duì)低照度遙感圖像進(jìn)行去噪后，需要對(duì)其進(jìn)行各方面的調(diào)整預(yù)處理，依據(jù)飽和度值的不同，進(jìn)行相應(yīng)的調(diào)整，以確保原始圖像的色彩結(jié)構(gòu)不會(huì)發(fā)生突兀的變化。在遙感圖像的色彩空間中，飽和度分量s的具體計(jì)算方式如下：

s=1-3R+G+B［maxq|min（R，G，B）］，s=（0，1）（3）

公式中：R、G、B分別為圖像的R分量、G分量、B分量。

圖像經(jīng)過調(diào)整后的飽和度分量為s′，其計(jì)算公式如下：

s′=1.2s+0.1，0lt;s≤0.2

s，0.2lt;s≤0.8

0.9s-0.1，0.8lt;s≤1（4）

飽和度值被分為3個(gè)范圍：低（0%～30%）、中（30%～80%）、高（80%～100%）。低飽和度使圖像呈灰色調(diào)，適中則色彩柔和，過高則可能失真。針對(duì)不同范圍，本文采取不同策略：高飽和度區(qū)采用線性函數(shù)降低，中飽和度區(qū)保留原始色調(diào)，低飽和度區(qū)用較陡的線性函數(shù)提升。為保留原始色彩特征，本文進(jìn)行了色彩恢復(fù)處理，通過線性方式確保色彩信息不失真。依據(jù)原始圖像的R、G、B比例關(guān)系，對(duì)增強(qiáng)后圖像進(jìn)行了精細(xì)調(diào)整，具體方法如公式（6）所示，確保色彩信息的準(zhǔn)確性和一致性。

u（i，j）=Gu（i，j）G（i，j）

jc（i，j）=u（i，j）·zuc（i，j），c∈R，G，B（5）

公式中：G（i，j）為低照度遙感圖像的亮度分量，zuc（i，j）為圖像處理后的變換回RGB的結(jié)果，Gu（i，j）為G（i，j）處理后的結(jié)果，jc（i，j）為對(duì) zuc（i，j）經(jīng)過色彩恢復(fù)后的結(jié)果，進(jìn)而保證R、G、B三分量的平衡比例。

基于上述分析，自適應(yīng)調(diào)整低照度遙感圖像是一個(gè)需要根據(jù)具體情況進(jìn)行調(diào)整的過程。不同的圖像可能需要不同的處理參數(shù)和技術(shù)組合來達(dá)到最佳效果。因此，在實(shí)際應(yīng)用中，用戶可能需要進(jìn)行多次嘗試和優(yōu)化，以找到最適合特定圖像的調(diào)整方案。

1.3" 實(shí)現(xiàn)圖像的對(duì)比度增強(qiáng)處理

為了增強(qiáng)圖像的對(duì)比度，本文選用了拉普拉斯增強(qiáng)算子。拉普拉斯模板存在著各種形式，其中較為普遍的是四鄰域拉普拉斯算子和八鄰域拉普拉斯的能量和算子。這個(gè)算子如圖1所示，其中的基礎(chǔ)條件為中心圖像的系數(shù)必須是正值，而包圍著中心圖像的所有相鄰像素的系數(shù)則為負(fù)值。同時(shí)，這些系數(shù)之和必須為零，這是確保模板運(yùn)算正確性的關(guān)鍵條件。

在整個(gè)設(shè)計(jì)流程中，通過選擇的四鄰域拉普拉斯能量和計(jì)算模板都可以達(dá)到最好的效果。因此，通過選擇的四鄰域拉普拉斯算子與原始亮度分量進(jìn)行了卷積計(jì)算，從而得到對(duì)比度增強(qiáng)后的邊緣圖像。V為邊緣圖像。最后，得到的對(duì)比度增強(qiáng)低照度遙感圖像可表示為：

=s′+jc（i，j）+G（i，j）-V*G（i，j）

V=0，1，0

1，-4，1

0，1，0（6）

至此，完成對(duì)低照度遙感圖像對(duì)比度增強(qiáng)的設(shè)計(jì)步驟。對(duì)比度增強(qiáng)處理的具體方法和技術(shù)取決于圖像的類型、質(zhì)量和處理需求。

2" 實(shí)驗(yàn)測(cè)試與分析

2.1" 實(shí)驗(yàn)準(zhǔn)備

為驗(yàn)證基于改進(jìn)粗糙集的低照度遙感圖像對(duì)比度增強(qiáng)方法的性能，本次實(shí)驗(yàn)采用MATLAB軟件作為平臺(tái)，在Windows 9 32bit操作系統(tǒng)、ENVI、ERDAS Imagine遙感圖像處理軟件、Python 3.5和Numpy 1.03編程環(huán)境下進(jìn)行。測(cè)試設(shè)備配備12 GB運(yùn)行內(nèi)存、NVIDIA/AMD顯卡以及SSD和高速HDD存儲(chǔ)設(shè)備。

本次測(cè)試將本文方法、改進(jìn)CycleGAN方法以及改進(jìn)生成式對(duì)抗網(wǎng)絡(luò)算法進(jìn)行對(duì)比，采用低照度且模糊的原始遙感圖像作為測(cè)試樣本。評(píng)價(jià)方面，本文選擇客觀評(píng)價(jià)方法來量化評(píng)估算法性能，主要通過計(jì)算圖像的信息熵和局部對(duì)比度這2個(gè)關(guān)鍵指標(biāo)，以驗(yàn)證算法的有效性。

（1）指標(biāo)1：圖像信息熵。

圖像的信息熵可通過下列公式進(jìn)行計(jì)算：

h=-∑ni=1pi×log2（pi）（7）

公式中，n為灰度級(jí)總數(shù)，pi為灰度值為i的像素?cái)?shù)值與前一圖像總體像素的比值。

（2）指標(biāo)2：局部對(duì)比度。

局部對(duì)比度c的計(jì)算公式如下：

c=Imax-IminImax+Imin（8）

公式中，Imax、Imin分別為圖像的最大、最小灰度值。

3種方法的局部對(duì)比度的增加數(shù)值Δc為本次測(cè)試衡量圖像質(zhì)量的客觀評(píng)價(jià)指標(biāo)，其計(jì)算公式如下：

Δc=ce-c（9）

公式中，ce為增強(qiáng)后的局部對(duì)比數(shù)值。

2.2" 實(shí)驗(yàn)結(jié)果與分析

基于上述實(shí)驗(yàn)準(zhǔn)備，本文使用3種方法分別對(duì)原始圖像進(jìn)行對(duì)比度增強(qiáng)操作。將3種方法得出的圖像分別進(jìn)行2種指標(biāo)的對(duì)比，測(cè)試結(jié)果如表1所示。

由上述測(cè)試結(jié)果可以看出，與其他2種方法進(jìn)行對(duì)比，應(yīng)用本文提出的基于改進(jìn)粗糙集的低照度遙感圖像對(duì)比度增強(qiáng)方法，圖像的對(duì)比度指標(biāo)得到了顯著提升，圖像中原本難以辨識(shí)的暗部細(xì)節(jié)變得更加清晰，不同地物之間的邊界也更加分明。該方法有助于提升遙感圖像的可讀性和解釋性。

3" 結(jié)語

基于改進(jìn)粗糙集的方法靈活且適應(yīng)性強(qiáng)，計(jì)算效率高，能迅速處理大量圖像數(shù)據(jù)，對(duì)大規(guī)模遙感圖像處理具有重要意義。然而，該方法盡管成果顯著，但仍需面對(duì)增強(qiáng)效果優(yōu)化和噪聲處理等挑戰(zhàn)?？傊诟倪M(jìn)粗糙集的低照度遙感圖像對(duì)比度增強(qiáng)方法是一項(xiàng)有效的圖像處理技術(shù)，前景廣闊。期待未來該技術(shù)能進(jìn)一步完善和發(fā)展，為遙感圖像處理帶來更多創(chuàng)新和突破。

參考文獻(xiàn)

［1］吳佳奇，張文琪，陳偉，等.基于改進(jìn)CycleGAN的煤礦井下低照度圖像增強(qiáng)方法［J］.華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2023（5）：40-46.

［2］熊喜發(fā)，鄒學(xué)玉，周籮魚.一種基于改進(jìn)生成式對(duì)抗網(wǎng)絡(luò)的低照度圖像增強(qiáng)方法［J］.信息技術(shù)與信息化，2023（11）：4-7.

［3］彭晏飛，杜婷婷，高藝，等.基于條件生成對(duì)抗網(wǎng)絡(luò)的低照度遙感圖像增強(qiáng)［J］.激光與光電子學(xué)進(jìn)展，2020（14）：152-160.

［4］麻祥才，曹前，白春燕，等.基于光譜反射率的低照度圖像增強(qiáng)方法研究［J］.光譜學(xué)與光譜分析，2024（3）：610-616.

［5］胡乘其，王書朋，王瑜婧.基于魯棒性主成分分析的低照度圖像增強(qiáng)算法［J］.計(jì)算機(jī)應(yīng)用與軟件，2024（2）：244-249.

（編輯" 王雪芬）

Contrast enhancement method of low-illumination remote sensing image based on improved rough set

SHI" Lin

（School of Culture and Media， Kaifeng Vocational College of Culture and Arts， Kaifeng 475004， China）

Abstract：" In order to solve the noise problem after image enhancement， this paper proposes low illumination remote sensing image contrast enhancement based on improved rough set. This method first carries out the low illumination remote sensing image preprocessing based on the improved rough set， and then adjusts the low illumination remote sensing image adaptively， so as to realize the operation of improving saturation and restoring color， and completes the contrast enhancement processing of the image. The experimental results show that the contrast index of the image is significantly improved， and the application effect is better.

Key words： image contrast enhancement; remote sensing technology; low illumination remote sensing image; improved rough set