基于Sigmoid曲线拟合的亮度可控土壤图像增强方法

技术领域

本发明涉及图像处理领域，具体涉及一种基于Sigmoid曲线拟合的亮度可控土壤图像增强方法。

背景技术

对自然环境下采集的土壤图像进行图像土种识别时，由于光照条件是多变的，从而影响了土壤图像土种的识别，使得土壤图像土种的识别效果并不理想。

现阶段，有多种实现图像土种准确识别的方法，这些方法中，图像亮度可控增强的方法最为突出，但是目前的图像亮度可控增强方法并不完善，尽管构建了图像亮度可控增强的算法，但这些算法的精度并不高，同时，增强的图像颜色失真较大。

因此，需要一种基于Sigmoid曲线拟合的亮度可控土壤图像增强方法，能够解决以上问题。

发明内容

有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于Sigmoid曲线拟合的亮度可控土壤图像增强方法，能够对土壤图像亮度进行可控增强，增强精度高且失真度小。

本发明的基于Sigmoid曲线拟合的亮度可控土壤图像增强方法，包括如下步骤：

S1.使用Sigmoid拟合土壤图像Y分量的累积概率密度cdf，得到累积概率密度cdf的Sigmoid拟合曲线；

S2.对cdf的Sigmoid拟合曲线进行亮度迁移处理，得到亮度迁移后的cdf的Sigmoid拟合曲线cdf

S3.根据拟合曲线cdf

S4.对土壤图像U、V分量进行校正，得到校正后的颜色分量；

S5.对处理后的Y分量以及校正后的颜色分量进行融合，并转换回RGB颜色空间，得到增强的RGB图像。

进一步，根据如下公式确定累积概率密度cdf的Sigmoid拟合曲线cdf

其中，y为Y分量亮度级，u为Y分量的亮度均值，a为影响Sigmoid拟合曲线的倾斜程度；

根据如下方法确定参数a：

构建优化模型：

其中，cdf(y)为土壤图像Y分量的累积概率密度；

求解优化模型，计算得到参数a。

进一步，所述步骤S2，具体包括：

S21.构建目标亮度均值优化迁移模型：

其中，

S22.将设定的目标亮度均值

进一步，所述步骤S22，具体包括：

初始化处理：

η

S221.对cdf的Sigmoid拟合曲线cdf

其中，η

S222.根据Sigmoid拟合曲线S

S223.计算目标亮度均值

S224.使得迁移次数k加1，得到更新后的迁移次数k，并更新参数η

S225.判断

S226.将均值

进一步，根据如下公式确定第k次迁移后的cdf

其中，

cdf

max(S

进一步，根据如下公式更新参数η

其中，η

进一步，所述步骤S3，具体包括：

S31.根据拟合曲线cdf

其中，亮度t为最小待迁移的目标亮度；cdf

S32.在土壤图像原图Y分量cdf中，找出待迁移最小亮度y，并计算亮度y的像素数量N

其中，cdf

S33.如果No

如果N

如果N

S34.判断

进一步，引入邻域信息对土壤原图Y分量亮度y的像素点排序，具体包括：

引入原始土壤图像Y分量邻域信息，对相同亮度的像素点排序，计算相同亮度y的像素点(i,j)3×3邻域的均值Y

其中，Y

依据Y

其中，p

对排序集合p

其中，

依据Y

其中，

进一步，所述步骤S4，具体包括：

利用高斯卷积核模板θ提取原始图像U、V分量的低频分量L

其中，c∈{U,V}，

根据低频分量L

H

逐像素计算Y分量的增强比例k：

k＝Y

其中，Y

根据色比不变性原理对每个像素U、V分量的低频分量L

L

其中，L

根据低频的变化控制高频，计算最终增强图像的颜色分量：

其中，c

本发明的有益效果是：本发明公开的一种基于Sigmoid曲线拟合的亮度可控土壤图像增强方法，通过应用Sigmoid曲线对土壤图像亮度(Y)分量的累积概率密度(cdf)曲线拟合；然后，构建目标亮度逼近优化模型，迁移拟合的Sigmoid曲线逼近目标亮度；再依据像素的邻域信息对相同亮度的像素排序、迁移，实现土壤图像的亮度可控增强；最后，利用高斯卷积核提取色调(U)、饱和度(V)分量的低频分量，并基于色比不变性原理与原始土壤图像的邻域信息对增强土壤图像的U、V分量高低频分别增强，完成颜色校正，并融合增强亮度分量，获得增强的彩色土壤图像。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为本发明的图像增强方法流程示意图；

图2为本发明的Y分量pdf直方图示意图；

图3为本发明的Y分量cdf直方图示意图；

图4为本发明的土壤图像Y分量cdf的Sigmoid拟合曲线；

图5为本发明的迁移中的块效应示意图。

具体实施方式

以下结合说明书附图对本发明做出进一步的说明，如图所示：

本发明的基于Sigmoid曲线拟合的亮度可控土壤图像增强方法，包括如下步骤：

S1.使用Sigmoid拟合土壤图像Y分量的累积概率密度cdf，得到累积概率密度cdf的Sigmoid拟合曲线；

S2.对cdf的Sigmoid拟合曲线进行亮度迁移处理，得到亮度迁移后的cdf的Sigmoid拟合曲线cdf

S3.根据拟合曲线cdf

S4.对土壤图像U、V分量进行校正，得到校正后的颜色分量；

S5.对处理后的Y分量以及校正后的颜色分量进行融合，并转换回RGB颜色空间，得到增强的RGB图像。

本发明通过构建优化模型优化Sigmoid曲线参数，实现土壤图像亮度cdf曲线拟合；然后引入迁移因子迁移土壤图像cdf曲线的Sigmoid拟合曲线，逼近目标亮度完成亮度迁移，实现土壤图像亮度增强的精准可控；最后，利用色比不变性原理，应用亮度迁移结果和原始土壤图像的邻域信息对增强土壤图像U、V分量进行颜色校正，降低增强图像的颜色失真。本发明算法的亮度可控有效范围为[-35,35]，可实现较高精度的土壤图像亮度可控增强。

本实施例中，对某地分布的4土属34种紫色土取土壤“心土”，将自然光照条件下拍摄的378张不同亮度土壤原图，切割为300*300像素的土壤子图，随机选取500张子图分别统计Y分量的概率密度(pdf)和累积概率密度cdf直方图进行分析。结果显示：500张子图的Y分量pdf直方图都呈单峰形态，如图2所示；Y分量cdf直方图呈“S”型曲线分布，具有Sigmoid曲线特征，如图3所示。

使用Sigmoid拟合土壤图像Y分量的累积概率密度cdf：

Sigmoid的变形为：

a为影响Sigmoid曲线的倾斜程度，u为曲线的中心。

拟合原始土壤图像Y分量的cdf曲线：

其中，y为Y分量亮度级，u为Y分量的亮度均值。

建立优化模型：

其中，cdf(y)为土壤图像Y分量的累积概率密度；

令u为Y分量的亮度均值，计算最优参数a，如图4所示，获得土壤图像Y分量cdf的Sigmoid拟合曲线。

本实施例中，引入土壤图像迁移的目标亮度均值

其中，

在土壤图像Y分量cdf的Sigmoid拟合曲线中引入迁移因子：

其中，η为自适应迁移量。则经过第k次迁移后的Sigmoid拟合曲线为：

其中，η

对k次迁移后的S

令cdf

计算目标亮度均值

若

否则更新η

根据上述引入目标亮度进行cdf曲线迁移的思想，在式(4)中引入土壤图像迁移的目标亮度均值

输入：土壤图像Y分量，Y分量目标亮度均值

输出：Y分量目标亮度均值对应的cdf曲线；

初始化：

过程：

步骤1：计算原始土壤图像Y分量的pdf和cdf；

步骤2：利用式(2)和式(3)对拟合cdf，获得它(cdf)的Sigmoid拟合曲线；

步骤3：建立式(4)目标亮度均值优化迁移模型，引入

Repeat{

步骤4：将η

步骤5：用式(10)计算

}until(满足

步骤6：获得

本实施例中，通常，依据原始图像Y分量的cdf与增强图像Y分量的cdf

这种迁移可能出现“块效应”，即多个不同原亮度级迁移为相同亮度级。如图5所示，亮度级2、3、4和5迁移为6，它将造成图像梯度信息的丢失。

为解决迁移中出现“块效应”问题，引入原始图像Y分量邻域信息，对原始图像相同亮度像素排序后再迁移，以避免迁移中局部出现“块效应”。

依据迁移目标曲线cdf

其中，cdf

在土壤图像原图Y分量cdf中，找出待迁移最小亮度y，计算它的像素数量：

其中，cdf

如果No

如果N

如果N

引入邻域信息对土壤原图Y分量亮度y的像素点排序，包括：

引入原始土壤图像Y分量邻域信息，对相同亮度的像素点排序。计算相同亮度y的像素点3×3邻域的均值：

其中，Y

依据Y

其中，p

对p

其中，

依据Y

其中，p

根据上述对土壤图像Y分量进行亮度排序与迁移的思想，设计基于邻域信息的亮度排序迁移算法如下：

输入：土壤图像原图Y分量cdf，cdf

输出：目标亮度分量Y

初始化：t＝0，y＝0

过程：

步骤1：依据cdf

步骤2：根据土壤图像原图Y分量cdf，应用式(14)计算待迁移y的像素数量N

Repeat{

步骤3：if N

步骤4：if N

步骤5：if N

步骤6：重新计算N

}until(满足

步骤7：获得目标亮度分量Y

本实施例中，为解决土壤图像在亮度增强后与真实图像存在色差问题，对U、V分量进行颜色校正。

利用高斯卷积核模板θ提取原始图像U、V分量的低频分量L

其中，c∈{U,V}，

根据低频分量L

H

逐像素计算Y分量的增强比例k：

k＝Y

其中，Y

根据色比不变性原理对每个像素U、V分量的低频分量L

L

其中，L

根据低频的变化控制高频，计算最终增强图像的颜色分量c

其中，c

最后，融合增强亮度分量Y

为了更好地理解本发明的土壤图像增强方法，现结合实验进行分析说明：

1.子图低亮度向高亮度转换精度实验结果及分析：

本文算法比1-D HS、2-D HS和WGSF算法得到的图像结果整体亮度更符合目标图像的亮度，颜色差异与失真度更小，保留了更多原始图像的亮度结构信息。

在亮度转换和颜色恢复与目标图像存在差异，本文算法转换图像与目标图像差异最小，精度最高。因此，本文算法对低亮度子图向高亮度转换，能实现亮度可控和颜色校正，精度较高，算法更有效。

2.子图高亮度向低亮度转换精度实验结果及分析：

样本集子图高亮度转换为低亮度，具有子图低亮度转换为高亮度相同的结论，本文算法有效。

3.子图低亮度向高亮度转换亮度变化有效范围实验结果及分析：

基点+35开始出现一张转换结果图像有2人认为失真的情形；基点+45开始出现一张转换结果图像有2人以上认为失真。因此，子图低亮度向高亮度转换亮度变化有效范围为[0,35]。

4.子图高亮度向低高亮度转换亮度变化有效范围实验结果及分析：

基点-35开始出现一张转换结果图像有1人认为失真的情形；基点-45开始出现一张转换结果图像有2人以上认为失真的情形。因此，子图低亮度向高亮度转换亮度变化有效范围为[-35,0]。

5.土壤图像亮度可控增强的目标亮度精度实验结果及分析：

在基点+35范围内亮度增强变换，1-D HS算法、2-D HS算法和WGSF算法有肉眼可见的失真，本文算法失真度最小。

随着增强幅度的增加，4个算法增强图像结果的亮度均值与目标亮度的精度差异都增大；本文算法增强图像结果的亮度均值与目标亮度的精度差异均小于1-D HS、2-D HS算法和WGSF算法，则本文算法在低亮度子图向高亮度子图转换的有效范围[0,35]内，可实现较高精度的可控亮度变换。

本文算法子图在向低亮度转换的有效范围[-35,0]内，仍可以实现较高精度的可控亮度变换。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。