[发明专利]基于Contourlet变换的PCNN图像增强算法及装置

说明书

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于Contourlet变换的PCNN图像增强算法及装置。

背景技术

在一个成像系统中，从图像的采集到图像的传送、接收以及显示等环节，都会相应产生来自内部或者外部的噪声干扰，使得图像的质量在处理过程中下降。为了能够满足人们对影像认知、感受的需要，需要对这些条件不足的图像进行处理，以符合要求。

基于多尺度分解的图像增强方法的目的是为计算机视觉提供符合人眼视觉特性要求的理想图像，其研究可以分成两个部分：基于Contourlet变换的多尺度图像分解与基于脉冲耦合神经网络（Pulse Coupled Neural Networks,PCNN）的增强方法。

Contourlet变换是21世纪初提出的一种图像多分辨多方向分解方法。该变换的分解基函数，能够满足随着不同方向尺度的线条进行伸缩变换，同时基的支撑区间近似于线条结构。Contourlet变换尺度与方向的划分利用了两种滤波器的搭配，通过级联拉普拉斯金字塔(LP：Laplacian pyramid)和方向滤波器组(DFB：Directional filter bank)进行实现。Contourlet变换自身的灵活性、快速性被广泛认同，尤其针对平滑线性结构的稀疏表示，能够极好的捕获图像奇异点。

脉冲耦合神经网络（Pulse Coupled Neural Networks,PCNN）又称为第三代神经网络。其原理是通过对哺乳动物视觉皮层神经行为建立模型形成的一种新型神经网络。利用PCNN进行图像增强处理，是结合了其特有的同步脉冲发放、线性相加、非线性调制等特性；模型内利用变阈值非线性动态神经元的结合工作，将空间邻域内的像素依据灰度值的大小进行类别划分，细节局部间的像素值差异能够被填补，并弥补局部的细微间断，这些均较适宜于图像增强处理应用。

真实影像再现技术的发展离不开对人眼生理视觉属性的研究，近年来，对真实影像再现算法的研究主要以视觉神经网络为基础。但到目前为止，视觉神经网络算法并不能同时兼顾动态范围压缩以及颜色再现性能，甚至有些模型仅仅停留在实验和仿真的层面，在实际的工程中并不容易实现。

因此，对视觉特性神经网络模型进行扩展或者发展新的模型显得尤为重要。通过挖掘现有视觉模型的潜力，将不同的视觉模型进行扩展，突破现有算法的局限性并且降低算法的复杂度，使得在实际的工程中容易实现，从而为真实影像再现等图像处理技术提供新的有效方法。

发明内容

针对上述现有技术，本发明的目的在于提供一种基于Contourlet变换的PCNN图像增强算法及装置，旨在突破现有算法的局限性并且提高图像质量，使得在实际的工程中容易实现，从而为图像增强等图像处理技术提供新的有效的技术方案，解决现有技术的诸多不足。

为解决上述技术问题，达到上述目的，本发明采用如下技术方案：

一种基于Contourlet变换的PCNN图像增强算法，其特征在于，包括如下步骤：

步骤一：将待处理图像由RGB颜色空间转换至HIS颜色空间，从而得到色调分量H、亮度分量I和饱和度分量S；

步骤二、使用Contourlet变换将彩色图像颜色空间转换后得到的亮度分量I进行多尺度多方向性分解，得到一系列方向的轮廓子带；

步骤三、利用PCNN增强算子带入分解得到的轮廓子带，依据人眼视觉特性，对轮廓子带进行合适的增强运算；

步骤四、将被增强后的轮廓子带信息和原有的低频分量进行Contourlet重建运算，以得到增强后的第一亮度分量I'；

步骤五、对上述饱和度分量S进行饱和度的调整，得到第一饱和度分量S’；

步骤六、将上述HIS颜色空间的色调分量H、第一亮度分量I'和第一饱和度分量S’转换至RGB颜色空间，得到增强后的图像。

进一步地，步骤二具体包括以下两步：①获取所述亮度分量I的像素，通过Contourlet变换中的拉普拉斯金字塔分解进行多尺度分解，公式为：