【红外图像增强】基于引力和侧向抑制网络的红外图像增强模型附Matlab代码

本文链接：https://blog.youkuaiyun.com/j_jinger/article/details/146987944

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

红外图像作为一种被动成像技术，凭借其全天候、全天时的优势，在军事侦察、目标识别、安全监控、医疗诊断等领域发挥着日益重要的作用。然而，红外图像通常存在对比度低、细节模糊、噪声干扰等问题，严重影响后续图像分析和应用效果。因此，红外图像增强技术成为了一个重要的研究方向。本文旨在介绍一种基于引力和侧向抑制网络的红外图像增强模型，并阐述其原理、优势以及潜在的应用前景。

红外图像增强的目标是在不引入过多噪声的前提下，增强图像的对比度，凸显感兴趣的目标和细节，使其更易于人眼观察或机器识别。传统的图像增强方法，如直方图均衡化、对比度拉伸等，往往难以兼顾全局对比度和局部细节，容易引入噪声，甚至产生伪影。因此，近年来，研究者们不断探索新的增强方法，尝试利用更加智能化的算法来克服传统方法的局限性。

本文所述的基于引力和侧向抑制网络的红外图像增强模型，正是针对传统方法的不足而提出的一种创新性解决方案。该模型巧妙地结合了引力模型和侧向抑制机制，旨在更好地平衡全局对比度增强和局部细节保留之间的关系。

1. 引力模型 (Gravitational Model): 模拟像素间的相互作用

引力模型的灵感来源于物理学中的万有引力定律。在图像增强中，可以将图像中的像素视为具有一定质量的粒子，彼此之间存在引力作用。像素的灰度值可以映射为粒子的质量，灰度值越高的像素，质量越大，产生的引力也越大。

具体而言，该模型通过以下方式工作：

质量计算：
首先，根据像素的灰度值计算每个像素的质量。通常采用线性或非线性映射的方式，将灰度值转化为质量。质量越大，代表该像素对周围像素的影响力越强。
引力计算：
然后，计算每个像素与其他像素之间的引力。引力的大小与两个像素的质量成正比，与它们之间的距离成反比。距离的计算可以采用欧几里得距离或其他距离度量方法。
引力场生成：
将每个像素受到的所有其他像素的引力进行向量叠加，得到该像素的合引力。整个图像可以看作是一个引力场，每个像素都受到一个特定的合引力作用。
像素灰度值调整：
最后，根据像素受到的合引力方向和大小，调整该像素的灰度值。通常的做法是，如果像素受到的合引力指向高灰度值区域，则提高该像素的灰度值；反之，则降低该像素的灰度值。

通过引力模型，能够有效地增强图像的对比度，尤其是对于弱小目标的凸显具有显著效果。由于质量高的像素会吸引周围质量低的像素，因此，高灰度值的目标区域会进一步增强，而低灰度值的背景区域则会被进一步抑制。

2. 侧向抑制网络 (Lateral Inhibition Network): 强化边缘与细节

侧向抑制是一种神经生理现象，指的是神经元之间相互抑制的机制。在图像处理中，可以利用侧向抑制网络来增强图像的边缘和细节。侧向抑制网络的基本原理是，当一个像素被激活时，它会抑制周围像素的激活，从而突出该像素的特征。

具体而言，该模型通过以下方式工作：

卷积操作：
使用一系列卷积核对图像进行卷积操作。这些卷积核可以设计成高通滤波器，用于提取图像的边缘和细节信息。
抑制连接：
将每个像素的激活值与其周围像素的激活值进行抑制连接。抑制连接的强度与像素之间的距离有关，通常采用高斯函数或其他衰减函数进行建模。距离越近的像素，抑制作用越强。
激活函数：
使用非线性激活函数对像素的激活值进行处理。常用的激活函数包括ReLU、Sigmoid等。非线性激活函数可以增强网络的表达能力，并抑制噪声的放大。
迭代更新：
通过多次迭代更新像素的激活值，直到网络达到稳定状态。在每次迭代中，像素的激活值会受到其自身激活值和周围像素抑制作用的影响。

通过侧向抑制网络，能够有效地增强图像的边缘和细节信息。由于像素之间的相互抑制作用，使得边缘和细节处的像素更加突出，从而提高了图像的清晰度和辨识度。

3. 引力模型与侧向抑制网络的融合：实现优势互补

将引力模型和侧向抑制网络融合在一起，可以实现全局对比度增强和局部细节保留的优势互补。具体而言，该模型可以按照以下步骤进行：