基于Contourlet变换的PCNN图像增强算法及装置

摘要

本发明提供一种基于Contourlet变换的PCNN图像增强算法及装置，其主要包括如下步骤：S1将待处理图像在RGB颜色空间的分量转换至HIS颜色空间，得到色调分量H、亮度分量I和饱和度分量S；S2将所述亮度分量I通过Contourlet变换进行分解，得到低频子带图像与一系列多尺度多方向性带通子带轮廓图像序列；S3将分解得到的带通子带轮廓图像序列，作为PCNN神经网络增强算子的外部输入，进而得到增强后的带通子带轮廓图像序列；S4将增强后的带通子带轮廓图像序列与原低通子带图像序列结合，进行Contourlet逆变换，得到增强的亮度分量I'；S5对所述饱和度分量S进行饱和度的调整，得到新的饱和度分量S’；S6将上述HIS颜色空间的色调分量H、新的亮度分量I’和新的饱和度分量S’转换至RGB颜色空间，得到增强后的图像。

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：

$\left(\begin{array}{c}{R}_l=G_l-\mathrm{EXPAND}\left(G_{l+1}\right)\\ R_N=G_N\end{array}\right)$其中，金字塔的最底层即第0层为图像的原始图像，称 为G₀(m,n)，金字塔上层依次为图像的低分辨率图像，l的范围定义是：0≤l≤N-1， R_l为低通滤波器金字塔中第l级和第l+1级图像之间的差值，R_N为低通滤波器金 字塔中第N级的图像。EXPAND操作由如下公式表示：

$\left(\begin{array}{c}\\ G_{l,0}=G_l\\ G_{l,0}=\mathrm{EXPAND}\left(G_{l,k-1}\right)\\ G_{l,k}(i,j)=4\underset{m=-2}{\overset{2}{\Sigma }}\underset{n=-2}{\overset{2}{\Sigma }}\omega (m,n)G_{l,k-1}(\frac{i+m}{2},\frac{j+n}{2})\end{array}\right),$

其中，G_l,k为对G_l进行了K次EXPAND操作之后的结果，权重函数ω(m,n)为 低通滤波器；

②在①过程得到的多尺度图像分量中，滤除低频图像，剩下的带通轮廓子 带图像进入Contourlet变换中的方向滤波器中，进行多方向性划分，具体公式表 述为：$M_k^{\left(l\right)}=2D_0^{l-2}{R}_3^{s_l\left(k\right)}$其中，$s_l\left(k\right)=\underset{i=2}{\overset{l-1}{\Sigma }}{t}_i{2}^{l-i}-\underset{i=2}{\overset{l-1}{\Sigma }}{2}^{l-i-1}=2|k/2|-2^{l-2}+1,$为K号 子带的总采样矩阵，D₀为低通滤波器；使用对平行滤波器F_i,j进行上采样就 相当于将平行滤波器F_i,j的频谱按对角线进行有效的推移和裁剪，使之形成对卦 限滤波器进一步细分的楔形频域特性。因此，下一级的子带就有了更加进一步 的方向性划分。

进一地，步骤三具体为：

将步骤二得到的多尺度多方向带通轮廓子带作为PCNN模型接收域中的 Linging输入端，通过以下公式组迭代计算得到增强之后的带通分量金字塔，公 式组为：

F_ij(n)＝I_ij    式1；

$L_{\mathrm{ij}}\left(n\right)=\underset{k,l}{\Sigma }{M}_{\mathrm{ijkl}}{Y}_{\mathrm{kl}}(n-1)$    式2；

U_ij(n)＝F_ij(n)(1+βL_ij(n))    式3；

θ_ij(n)＝exp(-α_θ)θ_ij(n-1)+V_θY_ij(n-1)    式4；

$Y_{\mathrm{ij}}\left(n\right)=\left(\begin{array}{c}{\theta }_{\mathrm{ij}},U_{\mathrm{ij}}\left(n\right)>{\theta }_{\mathrm{ij}}\left(n\right)\\ 0,U_{\mathrm{ij}}\left(n\right)<{\theta }_{\mathrm{ij}}\left(n\right)\end{array}\right)$    式5

上述公式组中，式1为反馈输入子系统模型，式2为耦合连接子系统模型， 式3为调制子系统模型，式4为点火子系统模型，式5为动态门限子系统模型； ij指的是位于坐标(i,j)处的神经元；kl表示中心像素邻域的像素；n表示迭代次 数；I是外部输入常量，在本发明中是指上述经转换后的亮度分量I；β表示内 部活动项的连接系数；V_θ和a_θ表示放大系数和衰减时间常数；M_ijkl表示反馈连 接域的连接矩阵。

进一步地，步骤五是通过以下方法对所述饱和度分量S进行饱和度调整的： 根据公式对所述饱和度分量S进行非线性拉伸处理，实现调整所述饱和度 分量S的饱和度；其中，S为原图像的饱和度，是处理后图像的饱和度，α为 饱和度的拉伸因子。

进一步地，步骤一和步骤六通过下述公式实现RGB颜色空间分量与HIS颜 色空间分量的相互转换：

$H=\left(\begin{array}{cc}\theta & B\le G\\ 360-\theta & B>G\end{array}\right)$

$\theta =\arccos \left\{\frac{\frac{1}{2}[(R-G)+(R+G)]}{{[{(R-G)}^2+(R-G)(G-B)]}^{1/2}}\right]$

$S=1-\frac{3}{(R+G+B)}\left[\min (R,G,B)\right]$

$I=\frac{1}{3}(R+G+B)$

其中，红色分量R、绿色分量G、蓝色分量B为RGB空间的三个分量，色 调分量H、亮度分量I、饱和度分量S为HIS空间的三个分量。

本发明提供一种基于Contourlet变换的PCNN图像增强装置，其特征在于， 包括如下模块：

第一转换模块，用于将待处理图像在RGB颜色空间的分量转换至HIS颜色 空间，得到色调分量H、亮度分量I和饱和度分量S；

亮度增强模块，用于将所述亮度分量I通过Contourlet-PCNN模型增强得到 第一亮度分量I'；

饱和度调整模块，用于对所述饱和度分量S进行饱和度的调整，得到第一 饱和度分量S’；

第二转换模块，用于将经所述第一转换模块转换得到的色调分量H、经所 述亮度增强模块处理得到的第一亮度分量I'以及经所述饱和度调整模块调整得 到的第一饱和度分量S’转换至RGB颜色空间，得到增强后的图像。

更进一步地，所述亮度增强模块包括：

第一响应子单元，运用Contourlet变换中LP变换将获取所述亮度分量I的 像素进行多尺度分解，利用低通滤波和下采样两个过程，获得图像的高频分量， 即图像的轮廓部分；第二响应子单元，将第一响应子单元得到的多尺度图像分 量中，滤除低频图像，剩下的带通轮廓子带图像进入Contourlet变换中的方向滤 波器中，进行多方向性划分；亮度增强子单元，将Contourlet分解变换得到的带 通子带轮廓图像序列，作为PCNN模型接收域中的Linging输入端，通过以下述 公式组迭代计算处理得到输出结果Y_ij即为增强之后的第一亮度分量I'，所述公 式组为：

F_ij(n)＝I_ij    式1；

$L_{\mathrm{ij}}\left(n\right)=\underset{k,l}{\Sigma }{M}_{\mathrm{ijkl}}{Y}_{\mathrm{kl}}(n-1)$    式2；

U_ij(n)＝F_ij(n)(1+βL_ij(n))    式3；

θ_ij(n)＝exp(-α_θ)θ_ij(n-1)+V_θY_ij(n-1)    式4；

$Y_{\mathrm{ij}}\left(n\right)=\left(\begin{array}{c}{\theta }_{\mathrm{ij}},U_{\mathrm{ij}}\left(n\right)>{\theta }_{\mathrm{ij}}\left(n\right)\\ 0,U_{\mathrm{ij}}\left(n\right)<{\theta }_{\mathrm{ij}}\left(n\right)\end{array}\right)$    式5；

上述公式组中，式1为反馈输入子系统模型，式2为耦合连接子系统模型， 式3为调制子系统模型，式4为点火子系统模型，式5为动态门限子系统模型； ij指的是位于坐标(i,j)处的神经元；kl表示中心像素邻域的像素；n表示迭代次 数；I是外部输入常量，在本发明中是指上述经转换后的亮度分量I；β表示内 部活动项的连接系数；V_θ和a_θ表示放大系数和衰减时间常数；M_ijkl表示反馈连 接域的连接矩阵。

更进一步地，所述第一转换模块、第二转换模块通过下述公式实现RGB颜 色空间分量与HIS颜色空间分量的相互转换：

$H=\left(\begin{array}{cc}\theta & B\le G\\ 360-\theta & B>G\end{array}\right)$

$\theta =\arccos \left\{\frac{\frac{1}{2}[(R-G)+(R+G)]}{{[{(R-G)}^2+(R-G)(G-B)]}^{1/2}}\right]$

$S=1-\frac{3}{(R+G+B)}\left[\min (R,G,B)\right]$

$I=\frac{1}{3}(R+G+B)$

其中，红色分量R、绿色分量G、蓝色分量B为RGB空间的三个分量，色 调分量H、亮度分量I、饱和度分量S为HIS空间的三个分量。

与现有技术相比，本发明的有益效果是：

一、本发明在研究的道路上进行了彻底的变革，谋求一种新的图像分解方 法。本发明将Contourlet变换与PCNN模型相结合，充分利用二者同时具备了 人眼视觉特性这一优秀的条件。

二、本发明利用Contourlet变换分解出的近似图像与带有方向性细节图像， 同时借助PCNN独特的同步脉冲发放机制进行图像增强，二者相互结合、相互 补充，应用在数字图像增强领域，将在实际工作中发挥更大的作用。

附图说明

图1是基于Contourlet变换的PCNN图像增强方法的流程图；

图2是Contourlet变换模型的示意图；

图3是PCNN的神经元模型示意图；

图4是Contourlet-PCNN模型示意图；

图5是基于Contourlet变换的PCNN图像增强方法的功能模块图。

具体实施方式

为详细说明本发明的技术内容、构造特征、实现目的及效果，以下结合实 施方式并配合附图详予说明。

实施例

如图1所示的实施方式提供基于Contourlet变换的PCNN图像增强算法， 包括如下步骤：

S1、将待处理图像在RGB颜色空间的分量转换至HIS颜色空间，得到色调 分量H、亮度分量I和饱和度分量S。由于RGB三个颜色通道，并不是彼此相 垂直，在任意一个颜色通道上对其进行处理都会造成对整体颜色质量的畸变。 因此在图像处理之前需要对颜色空间进行转换。大量的实验证明，HSI空间基于 人眼的视觉感知特性，采用了人眼对颜色主观心理感受的颜色模式。因此，本 文选择HIS空间作为真实影像再现的颜色空间。

S2、将所述亮度分量I通过Contourlet变换进行分解，得到低频子带图像与 一系列多尺度多方向性带通子带轮廓图像序列。

S3、将分解得到的带通子带轮廓图像序列，作为PCNN神经网络增强算子 的外部输入，进而得到增强后的带通子带轮廓图像序列。

S4、将增强后的带通子带轮廓图像序列与原低通子带图像序列结合，进行 Contourlet逆变换，得到增强的亮度分量I'。

S5、对所述饱和度分量S进行饱和度的调整，得到新的饱和度分量S’。

S6、将上述HIS颜色空间的色调分量H、新的亮度分量I'和新的饱和度分量 S’转换至RGB颜色空间，得到增强后的图像。

在本发明提供的技术方案中，S5步骤之后S6步骤之前对色调分量H的处 理步骤S30为：为了防止颜色出现色偏，保持色调分量不变。

在本发明提供的技术方案中，在S3步骤之中，对带通轮廓图像序列进行增 强运算，保持低通子带图像不变的原因是：低通图像主要富含了原始图像中的 能量和背景信息，而带通图像包含了图像的边缘和轮廓细节信息，增强的目的 是为了图像细节和边缘，增加对比度。

在图1所示的实施方式中，对色调分量H、亮度分量I和饱和度分量S的处 理步骤为同时进行，即步骤S2、S5、S30同时进行。在其他实施方式中，对色 调分量H、亮度分量I和饱和度分量S的处理步骤可以不分先后，即步骤S2、 S5、S30不分先后。

所述S2步骤具体为：①通过S1步骤获取所述亮度分量I的像素，并将所 述像素通过Contourlet变换，Contourlet变换包括拉普拉斯塔形分解(LP)和方向 滤波器组(DFB)两部分级联组成，实现多分辨的、局域的、多方向的图像表示。 首先LP变换作用于Contourlet变换中，利用低通滤波和下采样两个过程，获得 图像的高频分量，即图像的轮廓部分。公式为：

$\left(\begin{array}{c}{R}_l=G_l-\mathrm{EXPAND}\left(G_{l+1}\right)\\ R_N=G_N\end{array}\right)$

其中，金字塔的最底层即第0层为图像的原始图像，称为G₀(m,n)。金字塔上 层依次为图像的低分辨率图像。l的范围定义是：0≤l≤N-1。R_l为低通滤波器金 字塔中第l级和第l+1级图像之间的差值，R_N为低通滤波器金字塔中第N级的图 像。在通过低通滤波器之后的图像形成的金字塔序列，在尺寸上彼此不同，因 此，在生成高频影像操作之前，必须对低频影像进行插值操作，我们称此步骤 为EXPAND操作，由如下公式表示：

$\left(\begin{array}{c}\\ G_{l,0}=G_l\\ G_{l,0}=\mathrm{EXPAND}\left(G_{l,k-1}\right)\\ G_{l,k}(i,j)=4\underset{m=-2}{\overset{2}{\Sigma }}\underset{n=-2}{\overset{2}{\Sigma }}\omega (m,n)G_{l,k-1}(\frac{i+m}{2},\frac{j+n}{2})\end{array}\right)$

式中，G_l,k为对G_l进行了K次EXPAND操作之后的结果，权重函数ω(m,n)为 低通滤波器。通常情况下，可以选取ω'(0)＝6/16，ω'(1)＝ω'(-1)＝4/16， ω'(2)＝ω'(-2)＝1/16。之所以这样设置权重函数的数值，是为了保证在低通性保持 的同时又保持影像缩小或者放大的亮度平滑，避免接缝效应的产生。典型的权 重函数因此可以设置为：

$\frac{1}{256}\left(\begin{array}{ccccc}1& 4& 6& 4& 1\\ 4& 16& 24& 16& 4\\ 6& 24& 36& 24& 6\\ 4& 16& 24& 16& 4\\ 1& 4& 6& 4& 1\end{array}\right)$

②将①过程得到的多尺度图像分量中，滤除低频图像，剩下的带通轮廓子 带图像进入Contourlet变换中的方向滤波器中，进行多方向性划分，具体公式为：

$M_k^{\left(l\right)}=2D_0^{l-2}{R}_3^{s_l\left(k\right)}$

其中，式中，$s_l\left(k\right)=\underset{i=2}{\overset{l-1}{\Sigma }}{t}_i{2}^{l-i}-\underset{i=2}{\overset{l-1}{\Sigma }}{2}^{l-i-1}=2|k/2|-2^{l-2}+1,$为K号子带的总采 样矩阵，D₀为低通滤波器。使用对平行滤波器F_i,j进行上采样就相当于将平 行滤波器F_i,j的频谱按对角线进行有效的推移和裁剪，使之形成可以对卦限滤波 器进一步细分的楔形频域特性。因此，下一级的子带就有了更加进一步的方向 性划分。

如图3，所述S3步骤具体包括：

将Contourlet分解变换得到的带通子带的轮廓图像序列，作为PCNN模型 接收域中的Linging输入端（也就是下文所说的L通道输入端），通过以下述公 式组迭代计算处理得到输出结果Y_ij即为增强之后的第一亮度分量I’，

F_ij(n)＝I_ij    式1；

$L_{\mathrm{ij}}\left(n\right)=\underset{k,l}{\Sigma }{M}_{\mathrm{ijkl}}{Y}_{\mathrm{kl}}(n-1)$    式2；

U_ij(n)＝F_ij(n)(1+βL_ij(n))    式3；

θ_ij(n)＝exp(-α_θ)θ_ij(n-1)+V_θY_ij(n-1)    式4；

$Y_{\mathrm{ij}}\left(n\right)=\left(\begin{array}{c}{\theta }_{\mathrm{ij}},U_{\mathrm{ij}}\left(n\right)>{\theta }_{\mathrm{ij}}\left(n\right)\\ 0,U_{\mathrm{ij}}\left(n\right)<{\theta }_{\mathrm{ij}}\left(n\right)\end{array}\right)$    式5；

上述公式组中，式1为反馈输入子系统模型，式2为耦合连接子系统模型， 式3为调制子系统模型，式4为点火子系统模型，式5为动态门限子系统模型； ij指的是位于坐标(i,j)处的神经元；kl表示中心像素邻域的像素；n表示迭代次 数；I是外部输入常量，在本发明中是指上述经转换后的亮度分量I；β表示内 部活动项的连接系数；V_θ和a_θ表示放大系数和衰减时间常数；M_ijkl表示反馈连 接域的连接矩阵。

各神经元之间没有连接，即β＝0情况下，各个神经元之间独立工作，互不影 响。由于β＝0，有U_ij＝F_ij＝I_ij。当U_ij大于阈值θ_ij时，神经元(像素(i,j))产生兴奋 点火,Y_ij＝1。当前情况下神经元产生脉冲的点火时机受外部亮度值输入影响较大， 反之相同外部输入下的神经元则能够保持相同时刻点火。当出现耦合连接时， 即β≠0的情况，各神经元存在相互连接的网络之中，当外部输入亮度最强的神 经元在t时刻首先点火，进而导致与它相邻的神经元(p,q)在这一时刻的内部激励 由原先的I_pq变为了I_pq(1+βL_ij)，从而其对应的像素亮度也得到提升。因此当 I_pq(1+βL_ij)≥θ_pq(t)＝θ_ij(t)条件成立时，神经元(p,q)将在t时刻提前点火。这种情况 称之为神经元(p,q)被神经元(i,j)捕获点火。当连接强度发生改变，β值的提升以 及耦合连接域中L_pq的提升，将会导致同时被捕获的神经元数目增加，在β和L 这两个参数确定的情况下，亮度值差异更小的神经元之间，出现同时点火的概 率更大。

在上述实施方式中，Contourlet分解变换得到的带通子带轮廓图像序列，输 入到PCNN模型中，通过PCNN模型处理得到输出结果Y_ij即为增强之后的第一 亮度分量I’。

如图4，图4为Contourlet-PCNN增强模型示意图，在Contourlet-PCNN内 部，由Contourlet变换得到的带通细节系数主要代表了图像中边缘和细节信息， 当这些带通子图像进入PCNN增强模型之后，如果像素集群灰度相似、空间相 邻，则他们同步点火的能力就越强，反之越小。这也反映图4中模型基于 Contourlet变换的PCNN图像增强技术中的关键性：同步点火则具有相同的灰度 值，从而对图像起到平滑的作用；异步点火的像素则具有不同的灰度值，从而 能更好的突出图像边缘，使得处理后的图像在灰度值的分布上更具有层次性。

图4及上文的详细描述，利用本发明提供的技术方案，能够有效地得到增 强后的第一亮度分量I’。

通过上文描述可知：Contourlet变换的关键是具有捕捉图像数据的内在几何 机构特性，它能提供每个尺度任意数目、灵活的方向。Contourlet变换通过方向 滤波器将高频信息分解为多个方向子带，这种结构分解能力使得其具有较优的 非线性逼近能力。在图像增强中，对Contourlet变换系数的处理是关键所在，通 过对变换后的系数进行分析发现，图像的能量主要集中在低频子带中，主要体 现在图像的背景成分，而图像的边缘轮廓信息主要集中在高频子带中，对于增 强处理主要针对高频子带中的成分。PCNN模型独有的空间-时间变换，对光强 度的变化具有不敏感性，提供了对图像中的一些不变量特征的描述，更贴近人 类神经系统的生理学基础，从而使得PCNN能够有效地用在图像增强处理上。

在上述的实施方式中，所述S5步骤是通过以下方法对所述饱和度分量S进 行饱和度的调整的：根据公式对所述饱和度分量S进行非线性拉伸处理， 实现调整所述饱和度分量S的饱和度；其中，S为原图像的饱和度；是处理后 图像的饱和度；α为饱和度的拉伸因子，用来决定饱和度程度。在本实施方式中， 采用非线性拉伸的处理方式，将色彩的动态范围拉伸到符合人眼观察的区间， 进而提高色彩的分辨率。

在上述具体实施例中，所述S1步骤、S6步骤通过下述公式实现RGB颜色 空间分量与HIS颜色空间分量的相互转换：

$H=\left(\begin{array}{cc}\theta & B\le G\\ 360-\theta & B>G\end{array}\right)$

$\theta =\arccos \left\{\frac{\frac{1}{2}[(R-G)+(R+G)]}{{[{(R-G)}^2+(R-G)(G-B)]}^{1/2}}\right]$

$S=1-\frac{3}{(R+G+B)}\left[\min (R,G,B)\right]$

$I=\frac{1}{3}(R+G+B)$

其中，红色分量R、绿色分量G、蓝色分量B为RGB空间的三个分量，色 调分量H、亮度分量I、饱和度分量S为HIS空间的三个分量。

请参阅图2至图4，本发明提供一种基于Contourlet变换的PCNN图像增强 装置，包括：

第一转换模块，用于将待处理图像在RGB颜色空间的分量转换至HIS颜色 空间，得到色调分量H、亮度分量I和饱和度分量S。由于RGB三个颜色通道， 并不是彼此相垂直，在任意一个颜色通道上对其进行处理都会造成对整体颜色 质量的畸变。因此在图像处理之前需要对颜色空间进行转换。大量的实验证明， HSI空间基于人眼的视觉感知特性，采用了人眼对颜色主观心理感受的颜色模 式。因此，本文选择HIS空间作为真实影像再现的颜色空间。在本实施方式具 体的实施例中，通过下述公式实现RGB颜色空间分量与HIS颜色空间分量的相 互转换：

$H=\left(\begin{array}{cc}\theta & B\le G\\ 360-\theta & B>G\end{array}\right)$

$\theta =\arccos \left\{\frac{\frac{1}{2}[(R-G)+(R+G)]}{{[{(R-G)}^2+(R-G)(G-B)]}^{1/2}}\right]$

$S=1-\frac{3}{(R+G+B)}\left[\min (R,G,B)\right]$

$I=\frac{1}{3}(R+G+B)$

其中，红色分量R、绿色分量G、蓝色分量B为RGB空间的三个分量，色 调分量H、亮度分量I、饱和度分量S为HIS空间的三个分量。

亮度增强模块，用于将所述亮度分量I通过Contourlet-PCNN模型增强得到 第一亮度分量I'。

饱和度调整模块，用于对所述饱和度分量S进行饱和度的调整，得到第一 饱和度分量S’。

第二转换模块，用于将经所述第一转换模块转换得到的色调分量H、经所 述亮度增强模块处理得到的第一亮度分量I'以及经所述饱和度调整模块调整得 到的第一饱和度分量S’转换至RGB颜色空间，得到增强后的图像。

请参阅图2及图4，在上述实施方式中，所述亮度增强模块包括：

第一响应子单元，运用Contourlet变换中LP变换将获取所述亮度分量I的 像素进行多尺度分解，利用低通滤波和下采样两个过程，获得图像的高频分量， 即图像的轮廓部分。所述公式为：

$\left(\begin{array}{c}{R}_l=G_l-\mathrm{EXPAND}\left(G_{l+1}\right)\\ R_N=G_N\end{array}\right)$

第二响应子单元，将第一响应子单元得到的多尺度图像分量中，滤除低频 图像，剩下的带通轮廓子带图像进入Contourlet变换中的方向滤波器中，进行多 方向性划分，具体公式表述为：

$M_k^{\left(l\right)}=2D_0^{l-2}{R}_3^{s_l\left(k\right)}$

其中，式中，$s_l\left(k\right)=\underset{i=2}{\overset{l-1}{\Sigma }}{t}_i{2}^{l-i}-\underset{i=2}{\overset{l-1}{\Sigma }}{2}^{l-i-1}=2|k/2|-2^{l-2}+1,$为K号子带的总采 样矩阵，D₀为低通滤波器。

亮度增强子单元，将Contourlet分解变换得到的带通子带轮廓图像序列，作 为PCNN模型接收域中的Linging输入端（也就是下文所说的L通道输入端）， 通过以下述公式组迭代计算处理得到输出结果Y_ij即为增强之后的第一亮度分量 I'，所述公式组为：

F_ij(n)＝I_ij    式1；

$L_{\mathrm{ij}}\left(n\right)=\underset{k,l}{\Sigma }{M}_{\mathrm{ijkl}}{Y}_{\mathrm{kl}}(n-1)$    式2；

U_ij(n)＝F_ij(n)(1+βL_ij(n))    式3；

θ_ij(n)＝exp(-α_θ)θ_ij(n-1)+V_θY_ij(n-1)    式4；

$Y_{\mathrm{ij}}\left(n\right)=\left(\begin{array}{c}{\theta }_{\mathrm{ij}},U_{\mathrm{ij}}\left(n\right)>{\theta }_{\mathrm{ij}}\left(n\right)\\ 0,U_{\mathrm{ij}}\left(n\right)<{\theta }_{\mathrm{ij}}\left(n\right)\end{array}\right)$    式5；

上述公式组中，式1为反馈输入子系统模型，式2为耦合连接子系统模型， 式3为调制子系统模型，式4为点火子系统模型，式5为动态门限子系统模型； ij指的是位于坐标(i,j)处的神经元；kl表示中心像素邻域的像素；n表示迭代次 数；I是外部输入常量，在本发明中是指上述经转换后的亮度分量I；β表示内 部活动项的连接系数；V_θ和a_θ表示放大系数和衰减时间常数；M_ijkl表示反馈连 接域的连接矩阵。

各神经元之间没有连接，即β＝0情况下，各个神经元之间独立工作，互不 影响。由于β＝0，有U_ij＝F_ij＝I_ij。当U_ij大于阈值θ_ij时，神经元(像素(i,j))产生 兴奋点火,Y_ij＝1。当前情况下神经元产生脉冲的点火时机受外部亮度值输入影 响较大，反之相同外部输入下的神经元则能够保持相同时刻点火。当出现耦合 连接时，即β≠0的情况，各神经元存在相互连接的网络之中，当外部输入亮度 最强的神经元在t时刻首先点火，进而导致与它相邻的神经元(p,q)在这一时刻的 内部激励由原先的I_pq变为了I_pq(1+βL_ij)，从而其对应的像素亮度也得到提升。因 此当I_pq(1+βL_ij)≥θ_pq(t)＝θ_ij(t)条件成立时，神经元(p,q)将在t时刻提前点火。这种 情况称之为神经元(p,q)被神经元(i,j)捕获点火。当连接强度发生改变，β值的提 升以及耦合连接域中L_pq的提升，将会导致同时被捕获的神经元数目增加，在β和 L这两个参数确定的情况下，亮度值差异更小的神经元之间，出现同时点火的概 率更大。

在上述实施方式中，将Contourlet变换中分解得到的多尺度多方向性带通方 向轮廓子带图像，输入到PCNN模型中，通过PCNN模型处理得到输出结果Y_ij即为增强之后的第一亮度分量I’。

请参阅图4，图4为Contourlet-PCNN增强模型示意图，在Contourlet-PCNN 内部，由Contourlet变换得到的带通细节系数主要代表了图像中边缘和细节信 息，当这些带通子图像进入PCNN增强模型之后，如果像素集群灰度相似、空 间相邻，则他们同步点火的能力就越强，反之越小。这也反映图4中模型基于 Contourlet变换的PCNN图像增强技术中的关键性：同步点火则具有相同的灰度 值，从而对图像起到平滑的作用；异步点火的像素则具有不同的灰度值，从而 能更好的突出图像边缘，使得处理后的图像在灰度值的分布上更具有层次性。

图4及上文的详细描述，利用本发明提供的技术方案，能够有效地得到增 强后的第一亮度分量I'。

通过上文描述可知：Contourlet变换的关键是具有捕捉图像数据的内在几何 机构特性，它能提供每个尺度任意数目、灵活的方向。Contourlet变换通过方向 滤波器将高频信息分解为多个方向子带，这种结构分解能力使得其具有较优的 非线性逼近能力。在图像增强中，对Contourlet变换系数的处理是关键所在，通 过对变换后的系数进行分析发现，图像的能量主要集中在低频子带中，主要体 现出图像的背景成分，而图像的边缘轮廓信息主要集中在高频子带中，对于增 强处理主要针对高频子带中的成分。PCNN模型独有的空间-时间变换，对光强 度的变化具有不敏感性，提供了对图像中的一些不变量特征的描述，更贴近人 类神经系统的生理学基础，从而使得PCNN能够有效地用在图像增强处理上。

在上述的实施方式中，所述S5步骤是通过以下方法对所述饱和度分量S进 行饱和度的调整的：根据公式对所述饱和度分量S进行非线性拉伸处理， 实现调整所述饱和度分量S的饱和度；其中，S为原图像的饱和度；是处理后 图像的饱和度；α为饱和度的拉伸因子，用来决定饱和度程度。在本实施方式中， 采用非线性拉伸的处理方式，将色彩的动态范围拉伸到符合人眼观察的区间， 进而提高色彩的分辨率。

综上所述，区别于传统基于多尺度图像增强算法不能对图像的边缘轮廓进 行有效的捕获进而有针对性的增强图像分辨率、增强算子不贴合人眼视觉观测 特性等原因。本发明提供一种基于Contourlet变换的PCNN增强算法，深入研 究Contourlet变换的原理及架构，从其结构入手以LP多分辨率分解和DFB多方 向性分解两个部分，对图像轮廓细节进行有效的刻画，并利用以视觉特性为基 础搭建而成的PCNN模型作为增强算子，对图像的对比度做到了动态的提升， 从而为图像增强领域提供新的有效的技术方案，解决了现有技术的诸多不足， 进一步地为基于多尺度分解和视觉神经网络的图像处理的发展和完善产生积极 地推动作用。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利 用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运 用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。