图像增强算法综述.pdf

该【图像增强算法综述 】是由【司棋夸克】上传分享，文档一共【10】页，该文档可以免费在线阅读，需要了解更多关于【图像增强算法综述 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。计算机系统应用 ISSN 1003-3254, CODEN CSAOBNE-mail: ******@
Computer Systems & Applications,2021,30(6):18−27 [doi: .]-s-
©: +86-10-62661041
 
 
图像增强算法综述①
靳阳阳,  韩现伟,  周书宁,  张世超
(河南大学 物理与电子学院, 开封 475001)
通讯作者: 韩现伟, E-mail: ******@
摘 要: 图像增强算法主要是对成像设备采集的图像进行一系列的加工处理, 增强图像的整体效果或是局部细节,
从而提高整体与部分的对比度, 抑制不必要的细节信息, 改善图像的质量, 使其符合人眼的视觉特性. 首先, 本文从
图像增强算法的基本原理出发, 归纳了直方图均衡图像增强、小波变换图像增强、偏微分方程图像增强、分数阶
微分的图像增强、基于Retinex理论的图像增强和基于深度学习的图像增强算法, 并讨论了它们的改进算法. 然后,
从视觉效果、对比度、信息熵等方面对几种算法进行了定性和定量的对比, 分析了它们的优势和劣势. 最后, 对图
像增强算法的未来发展趋势作了简单的展望.
关键词: 图像增强; 直方图均衡; 小波变换; 微分方程; Retinex理论; 深度学习
引用格式:  靳阳阳,韩现伟,周书宁,,2021,30(6):18–27. -s--3254/
ReviewonImageEnhancementAlgorithms
JIN Yang-Yang, HAN Xian-Wei, ZHOU Shu-Ning, ZHANG Shi-Chao
(School of Physics and Electronics, Henan University, Kaifeng 475001, China)
Abstract: Image enhancement algorithm mainly process the captured images to enhance the overall effect or local details,
increasing the overall and partial contrast while suppressing unwanted details. As a result, the quality of the images is
improved, conforming to the visual perception of the human eye. Firstly, according to the basic principles of image
enhancement algorithms, this study analyzes those based on histogram equalization, wavelet transform, partial differential
equations, fractional-order differential equations, the Retinex theory and deep learning, and their improved algorithms.
Then, the qualitative and quantitative comparisons between image enhancement algorithms are carried out with regard to
visual effect, contrast, and information entropy to indentify the advantages and disadvantages of them. Finally, the future
development trend of image enhancement algorithms is briefly predicted.
Keywords: image enhancement; histogram equalization; wavelet transform; differential equation; Retinex theory; deep
learning
 
 
在全球信息化大幅发展的时代, 对于这个世界的度也有着细微的变化, 同样由于仪器设备的质量, 参数
认识越来越依靠于信息的爆炸性传递. 大部分人认识的设置, 人员的操作都会使图像质量在一定程度上的
世界的主要途径还是眼睛的可视性, 人眼所看到的一损伤, 影响图像的质量. 图像增强算法的出现, 无疑是
切都可以化作图像的形式. 图像的获取、生成、压对受损的图像做一个“修补”的工作, 以此来满足各样
缩、存储、变换过程自然会受到各种状况的影响, 例的需求. 图像增强的目的是为了适应人眼的视觉特性,
如获取图像时会因为天气原因, 不同光照条件, 图像亮且易于让机器来进行识别. 近些年来, 图像增强的发展
①  收稿时间: 2020-10-12; 修改时间: 2020-11-05; 采用时间: 2020-11-17; csa在线出版时间: 2021-06-01
18 专论•综述 Special Issue
万方数据
2021 年 第 30 卷 第 6 期-s-
涉及了很多领域, 其中包括了遥感卫星成像领域、医相增强算法, 改善对比度, 抑制噪声[21]; MSR与颜色恢
学影像领域、影视摄影等各领域[1].复(MSRCR)算法增强的图像在复杂的情况下进行识
要想真正地实现图像增强的效果, 首先对于整个别物体[22]; 基于变分Retinex方法的图像增强, 良好结
图像来讲, 要提高图像部分和整体的对比度, 细节也不合了MSRCR和变分方法的优点, 保证图像自然度[23].
能忽略; 其次应提高图像的信噪比, 抑制噪声的产生,近年来, 基于深度学习的图像处理算法迎来了一个新的
对“降质”的图像处理; 然后是对于增强过的图像来讲,时代[24]. Hu等利用超分辨卷积神经网络(SRCNN)方
避免出现局部增强不适, , 结果较传统
下面我们将列出几类典型的且应用范围比较广的方法更精细[25]; Li等利用深度学习来增强低光图像, 提
图像增强算法以及改进的算法. 直方图均衡(HE)技术出利用深度的卷积神经网络进行学习 , 提高图像质量[26].
原理是对原图像的灰度直方图从比较集中的某个灰度
区间转换为全部灰度区域内的均匀分布[2]; 由此算法进1    图像增强算法的介绍
行转化的局部直方图均衡化[3], 符合图像局部特性; 
等提出的保持亮度的双直方图均衡算法(BBHE)[4],直方图均衡化算法, 简言之就是对图像直方图的
最大亮度双直方图均衡(MMBEBHE)算法有效地保持每个灰度级来进行统计[3]. 实现归一化的处理, 再对每
图像亮度[5]; 迭代阈值的双直方图均衡算法(IBBHE)[6]一灰度值求累积分布的结果, 可求得它的灰度映射表,
用迭代的方法达到增强对比度和亮度保持的效果; 彩由灰度映射表, 可对原始图像中的对应像素来进行修
色图像直方图均衡算法[7], 运算复杂度很低, 合并图像正 , 生成一个修正后的图像.
的视觉效果很好. 基于偏微分方程(PDE)    传统标准直方图均衡算法
是把图像作为水平集或高维空间中的曲面, 再根据曲传统直方图均衡算法是通过图像灰度级的映射,
线和曲面演化逐步来增强图像的对比度[8]; 基于全变分在变换函数作用下, 呈现出相对均匀分布的输出图像
模型插值的图像增强方法[9], 保留原图像的细节, 提高灰度级, 增强了图像的对比度. 该算法是相对于图1中
了对比度; 基于HE的偏微分方程增强方法, 在梯度域n=1, 均衡函数为fHE的简化模型[27], 即:
增强对比度基础上[10]提出新梯度变换函数. 小波变换Y=fHE(X)(1)
中增强本质是图像信号分解为不同频段图像分量[11]; 小
其中, 函数fHE代表直方图均衡过程, 其大致过程为: 已
波变换图像多聚集模糊增强方法[12], 增强后的图像较
知输入和输出图像为X和Y, 总灰度级为L, 则存在Xk=
为清晰; 基于离散余弦变换(DCT)和离散小波变换(DWT)
{X0,X1,···,XL−1}, 均衡后输出和输入图之间有如下变
的图像增强方法, 提高图像的质量, 同时减少计算复杂换关系:
度和内存使用量[13]; 基于小波分析和伪彩色处理的图
Y=fHE(Xk)=X0−(XL−1−X0)c(Xk)(2)
像增强方法[14], 在降噪增强的同时进一步提高图像分
其中, c(Xk)展现的累积概率分布表示函数输入图像灰
辨率. 基于量子力学偏微分方程的缺陷图像增强的研
度级.
究[15]. 基于PDE的红外图像增强, 很好改进了传统对 
XY
比度增强方法的不足[16]; 基于PDE平滑技术是一种新11
兴的图像增强滤波技术, 实质性、开创性的研究在图
XXYY
像增强滤波中引入的尺度空间理论[17]. 基于LBPV (Local22
Binary Pattern Variance)的分数阶微分图像增强算法[18],······
Y=F(X)
在图像纹理和细节方面处理效果比现有分数阶算法效XnYn
果更好; 自适应分数阶微分理论指纹图像增强算法改 
图1    全局均衡算法的模型
进了传统分数阶微分形式, 提高了计算精度[19]. 基于多 
尺度Retinex的HSV彩色快速图像增强算法, 在HSV如果输入图像看作一个连续随机变量, 即L=∞,
颜色模型中有与Multi-Scale Retinex (MSR)等同的结则输出图像自然是一个随机变量, 输出图像灰度级均
果, 处理时间短[20]; 基于多尺度Retinex的数字射线照衡后的概率分布将趋于均匀, 则输出图像的亮度均值为:
Special Issue 专论•综述 19
万方数据
计算机系统应用-s- 年 第 30 卷 第 6 期
+−
X0XL1据的子直方图却在较宽的范围内均衡 .
E(Y)=(3)

得到均衡后图像的均值分布与原图像无关, 由此19世纪80年代Morlet提出小波变换的概念, 数
可知其不能有效保持原始图像的亮度, 由于原图像各学家Merey在十几年后提出小波基构造思想, 随着
灰度级概率密度的差异 , , 两个人共同建立了小波变换算法. 通过
    保持亮度的双直方图均衡算法小波逆变换将同态滤波处理的低频分量和经自应阈值
BBHE实质是利用两个独立的子图像的直方图等噪、改进模糊增强的高频分量得到增强处理后的红外
价性[4]两个子图像的直方图等价性是根据输入图像的
. 图像 [28].
均值对其进行分解得到,     标准小波变换图像增强
的子图像在输入均值附近彼此有界作为基于图像均值小波理论具有低熵和多分辨率的性质, 处理小波
进行的分割, 均衡后图像均值偏离原始图像均值的现系数对降噪有一定作用, 噪声主要在高通系数中呈现,
象不会出现, 达到了亮度保持的目的, 其算法流程如下:对高低通子带均需要增强对比度和去噪处理. 标准小
1)计算输入图像均值Gmean, 根据均值将原始直方波变换图像增强(WT)将图像分解为1个低通子图像
, 高通子图像包括水
2)分别计算左右两个子直方图的灰度分布概率直平细节图像、垂直细节图像和对角细节图像[29]. 小波
方图PL(i)和PR(i), 即:变换最大的特点是能较好地用频率表示某些特征的局
hi部特征 , 而且小波变换的尺度可以不同[30].
PL(i)=,i∈[0,Gmean](4)
    改进后的小波变换图像增强算法
hi针对传统方法对图像多聚焦模糊特征进行增强会
PR(i)=,i∈[Gmean+1,L−1](5)
Np出现图像不清晰、细节丢失现象, 小波变换图像多聚
焦模糊特征增强方法, 利用背景差分法将目标图像的
其中, NL和NR分别表示左右两个子直方图的总像素数,
, 背景区域亮度会随时间发生变化,
进而完成背景区域特征更新; 根据全局像素点熵值和
3)计算左右两子直方图的累积分布直方图cdfL(i)
预设阈值校正加强模糊特征, 突出小波变换图像边界局
和cdfR(i), 即:
部纹理细节信息, 完成增强变换. 基于小波变换域的医
∑i
cdfL(i)=PL(j),i∈[0,Gmean](6)学图像增强方法[31], 是基于Shearlet变换改进的Gamma
j=0校正, 采用改进的伽玛校正对低频进行处理, 利用模糊
∑i对比函数增强图像细节, 增强图像的对比度.
=,∈+,−
cdfR(i)PR(j)i[Gmean1L1](7)二进小波变换简单的对信号尺度参数实现了离散
j=Gmon+1
化, 不过仍具备和连续小波变换同样的平移不变特性.
计算左右两个映射表和合并之后
4)tabL(i)tabR(i), 利用二进小波变换将指纹图像分解[32], 步骤如下:
得到最终的映射表tab, 其中round表示四舍五入取整, 即:1)首先将获取的指纹图像进行尺度的分解, 这样
tabL(i)=round(Gmean×cdfL(i)),i∈[0,Gmean](8)得到的频率分量为一低三高;
2)对低频分量进行直方图均衡;
tabR(i)=round(Gmean+1+(L−Gmean−2)×cdfR(i)),
3)对3个高频分量先进行高斯拉普拉斯掩膜锐
i∈[Gmean+1,L−1](9)
化, 得到锐化后的图像;
=∪
tabtabLtabR(10)4)直方图均衡后的低频分量和处理后的3个高频
对于一些低照度和高亮的图像, 均值会处于较低分量进行二进小波逆变换重构 , 得到增强后的图像.
和较高的地方, 
()
的话, 很大程度上会导致一个有大量数据的子直方图关于未知函数ux1,x2,···,xn的偏微分方程是形如
在小范围内进行均衡的情况出现, 另一个只有少量数式(11)的等式:
20 专论•综述 Special Issue
万方数据
2021 年 第 30 卷 第 6 期-s-

∂mu论, 计算图像边缘的量子概率; 在此基础上, 建立融合
Fx,u,Du,···,=0(11)
m1m2mn
∂x∂x···∂xn各向异性量子概率的偏微分方程来增强航空材料缺陷
1(2)
=,,···,=,,···,图像. 此算法可以在有效抑制噪声和减少成像不均匀
其中, x(x1x2xn), Duux1ux2uxn, F是关
于x和未知函数u加上u的有限多个偏导数的基础函性的同时 , 更好保留缺陷的特征, 增强图像的对比度.
数. 偏微分方程(Partial Differential Equation, PDE)
微分方程的一种, 如果一个微分方程出现多元函数的近些年, 分数阶微积分在多领域都有了突破性进
展[34]. 分数阶微分不仅可以提升图像中的高频分量, 还
偏导数 , 这种方程就是偏微分方程[33].
    标准偏微分方程图像增强可以以一种非线性形式保留图像中低频分量所带有的
o性能. 常用的分数阶微分定义有G-L、R-L、Caputo三
假设Vlo(p)和Vl(p)分别为两幅图像l和l的对比度
种定义, 其中最常用的是采用非整型分数阶微积分的
场, 若Vlo(p)与Vl(p)在每一点上具有相同的梯度方向,
但前者大小均大于后者, 则图像应该lo比l具有更高的G- L定义[35].
对比度, 可以将lo看作l的增强图像. 实际上,     图像增强的分数阶微分算子构造
l到图像lo的过程就是标准PDE图像增强实现的过程,让图像像素邻域中任一像素与对应系数进行乘法
可以由以下式子来描述它们的关系:运算, 得到的结果再进行和运算, 得到像素点所在位置
的回复, 当邻域的大小为m×n, 要求的系数会很多. 这
Vlo(p)=k·Vl(p)(∀p∈Ω)(12)
些系数被排列成一个矩阵, 称为滤波器、模板或者
式中, Vlo(p)为增强后图像的对比度场; k为增强因子,
掩模[36].
一般情况下k>1, 过大的话会增大噪声. 对于式(12),
在整数阶微分方程的增强算子中, 有一类是拉普
图像l是已知的, 其解为:
拉斯算子, 对任一二元连续函数f(x,y)来讲, 其拉氏变
lo(p)=k·l(p)+φ(∀p∈Ω)(13)
换可表示为:
式中, φ是一个与坐标无关的常数. 可看到两幅图像之
∂2f∂2f
间的动态范围存在k倍的差距. 对于可在计算机屏幕∇2f=+(15)
∂x2∂y2
上显示的数字图像, 其动态范围为0 ~ 255. 我们要做到
由于在图像f(x,y)中, 两个相邻像素点之间灰度产
先要对lo(p)的对比度场进行约束, 之后开始按照步骤
生差异的距离最小, 因此图像f(x,y)在它的x和y方向
运算 , 最后才能得到比较准确的数据.
上灰度值的变化只能以像素之间的最小距离为单位来
    改进的偏微分方程增强方法
进行数值度量和分析, 所以f(x,y)的最小等分间隔只能设
为避免增强图像梯度场同时造成噪声的危害加剧,
为: h=1, 如果图像中x和y方向的持续区间分别为x∈
寻找一种比较适合的增强方法. 定义原图像的数值梯[]
,∈,=−
∇[x1x2]和yy1y2, 则最大等分份数分别为nx[x2x1]
度函数为u, 梯度模的最大值为max∥∇u∥, 最小值为[]
和ny=y2−y1.
min∥∇u∥, 增强之后的图像梯度为S[10]:
将上式拉普拉斯变换写成离散的表示形式对
∥∇u∥−minmax, 
∥∇u∥∥vu∥∇u
S=1−cos·π··(14)x方向和y方向重新定义, 得到它的二阶微分表示:
max−min2∥∇u∥
∥vu∥∥∇u∥∂2
f≈+,+−,−,
∇uf(x1y)f(x1y)2f(xy)(16)
式中表示梯度场的方向信息经过改进的梯度函数∂x2
, ∥∇∥. 
u[][]
,,∂2f
梯度场从min∥∇u∥max∥∇u∥的区域内映射到0max∥∇u∥≈f(x,y+1)+f(x,y−1)−2f(x,y)(17)
∂x2
内. 原本纹理突显出来的同时保留梯度值较大的边缘.
基于量子力学偏微分方程的缺陷图像增强研究方根据以上定义, 可以得到:
∇2,=+,+−,+,+
法[15]. 航空材料缺陷的图像增强对缺陷的定性和定量f(xy)[f(x1y)f(x1y)f(xy1)
+f(x,y−1)]−4f(x,y)
性能起着至关重要的作用, 由于复合材料分布不均匀,(18)
将导致缺陷成像对比度不高, 会让识别和量化的难度拉氏算子还要对处理前后的图像完成进一步的叠
加大. 算法主要分为两个步骤: 首先是根据量子力学理加, 其方式如下:
Special Issue 专论•综述 21
万方数据
计算机系统应用-s- 年 第 30 卷 第 6 期
{
,−∇2,其中,表示原始图像的第个通道分量的像素值
,=f(xy)f(xy), Ii(xy)i,
g(xy),+∇2,(19)
f(xy)f(xy)i∈(R,G,B)颜色通道中的一个, G(x,y,c)表示中心环绕
在雾天图像中应用算子增强图像, 边缘轮廓还有函数, ∗是一种卷积操作表示, 入射分量的表达可以借
纹理部分的效果会很容易看到, 不过若是图像像素中用Jobson等的成果, Li(x,y)则可以看做入射图像的第
某一范围灰度变化不明显, 细节可能受到损失. 因此,i个通道分量. SSR 的实现过程如式(21)至式(23)
构建图像增强的分数阶微分算子, 将整数阶微分扩展所示:
到分数阶微分上并且应用于图像增强中 [37]
.logRi(x,y,c)=logIi(x,y)−log(Ii(x,y)∗G(x,y,c))(21)
    改进的分数阶微分算子增强图像()
,,=−x2+y2/c2
相比传统的分数阶微分算法的不足, 提出新的改G(xyc)Ke(22)
"
进算法, 在极端条件处理拍摄的交通图像时, 具有良好
G(x,y,c)dxdy=1(23)
效果. 上文提到的指纹图像增强算法, 对传统形式加以
改造, 在计算精度上有所提升, 进而构造了更加高精度由于SSR算法处理要对图像细节对比度和色彩的
的分数阶微分掩模. 通过对像素周围的纹理对比从而保留做到很好的发展, 而尺度c又相对难做到极好的
逐点选择微分阶, 明确的选择了具有二阶精度的分数运用, MSR算法的出现, 在很大程度上解决了这一问
阶微分形式来构造IRH算子, 并对算子结构进行相应题 , 起到了平衡图像色彩和细节的良好效果.
的改进, 之后利用图像的梯度信息和局部统计信息,     改进的Retinex图像增强
合中心像素对相邻像素的影响, 建立自适应分数阶微Retinex算法对于图像增强的效果需要经过精确
分的自适应函数, 此法保留了指纹纹线和图像纹理细且复杂的计算, 最后的结果精确度越高, 增强效果将会
更好. 文献[20]中基于多尺度Retinex的HSV彩色快
节 , 对于降噪起到很好的作用.
. 在HSV模型中用多尺度Retinex进
Retinex是retina(视网膜)和cortexv(大脑皮层)组行图像增强, 由于颜色转换的非线性, 计算起来非常复
成的, Retinex算法由美国物理学家提出[38]. Retinex理杂. 使用亮度校正的MSR算法基于HSV颜色模型和
论的基础是人类视觉系统的色彩恒常性, 人类视觉感修正的V频道输出图像的RGB分量的线性形式减少
知系统的色知觉存在“先入为主”的特性, 即光源条件30–75%的平均处理时间, MSR算法在Haar小波变换
发生改变, 视网膜接收到的彩色信息也会被人们的大低频区域应用亮度校正的处理速度有很明显优势, 平
脑驳回. Retinex理论的依据就是是原始图像S(x,y)可均加速度接近3倍. 文献[22,23]中介绍了MSRCR算
以分解为照射图像L(x,y)和反射图像R(x,y), 最重要的法. 由于传统均值移位算法有不少的不足, 改进后, 对
就是让S(x,y)摆脱L(x,y)的影响, 以便得到图像的反射要增强的图像可以在情况复杂下进行识别物体, 增强
属性 .对比度的同时, 光晕现象的产生被消灭, 噪声得到抑制,
    经典的Retinex图像增强保证图像自然度. 基于Retinex提出一种自适应的图像
对数域进行操作可以把乘法运算变成简单的加法增强方法, 其中包括如下4个步骤: (1)用引导滤波器
运算, 进而出现了多种Retinex算法. 经典的有: 单尺度估计其照度分量; (2)提取图像的反射分量; (3)对反射
Retinex算法(SSR)、多尺度Retinex算法(MSR)和带分量进行颜色恢复校正; (4)后处理. 由于雾霾和照度
色彩恢复的多尺度Retinex算法(MSMCR)等[39].较低, 自然生成的图像质量比较差, 而此法不管是在定
针对运算速度缓慢的问题, 在1986年, Jobson等[40]量还是定性上都突出了更好的优势. 此算法最终的结
将高斯低通滤波与Retinex结合, 改进了Land提出的
果图像具有清晰的对比度和生动自然的颜色 [41].
中心环绕Retinex算法(Center/Surround Retinex), 
了单尺度Retinex(SSR)算法. 在SSR算法中, Jobson在当今社会经济科技奋进之时, 深度学习的发展
等创新的使用高斯函数与图像进行卷积的方式来近似
可谓是如日中天 , 特别是在图像增强方面.
实现了入射分量的表达. 它的数学表达式如式(20)表示:    卷积神经网络图像增强算法
,=,∗,,
Li(xy)Ii(xy)G(xyc)(20)神经网络(neural networks)最基本的组成结构是
22 专论•综述 Special Issue
万方数据
2021 年 第 30 卷 第 6 期-s-
神经元(neuron), 神经元概念源于生物神经网络[42]. 卷算法均衡后的图像在增强对比度的同时很好保持原图
积神经网络(Convolutional Neural Network, CNN)在传像的平均亮度. IBBHE根据各子图像的直方图分别进
统神经网络基础上, 引入了卷积(convolution)和池化行独立的均衡化处理, IBBHE增强效果更好. WT算法
(pooling), CNN的建筑灵感来自于视觉感知[43]. CNN增强图像细节信息, 但是增加了噪声. 小波变换图像多
是深度学习领域最重要的网络之一, CNN在计算机视聚集模糊增强方法, 对图像增强后, 图像较为清晰, 细
觉和自然语言处理等诸领域都有很大成就. 卷积神经节没有丢失, 效果较好. PDE和TVPDE算法放大了图
网络的特性比较突出, 除了可以实现权值共享外, 可调像对比度场, 增强后图像都有较高对比度[45]. 自适应分
的参数相对来说不多, 对二维图像这类的, 它的平移、数阶微分可以很好降噪. SSR和MSR算法去除了图像
倾斜、, 还原景物本身的亮度信息, MSRCR
CNN相比于一般的神经网络, 具有很大优势[44]: (1)局处理后的图像比原图像细节增加了, 亮度有所提高, 颜
部连接. 每个神经元只与少数神经元相连, 有效地减少色有一定矫正, 对颜色的恢复存在失真现象. 基于深度
了参数, 加快了收敛速度; (2)重量共享. 一组连接可做学习的图像增强算法通过复杂的神经网络, 进行大量
到同时分享相同的权值, 进一步降低了所需的参数;的训练, 得到的模型同时减少了训练时间, 取得了更好
(3)降采样降维. 池化层利用图像部分相关的依据对图的精度 .
像进行降采样, 降低运算数据量, 
卷积神经网络大致包含4部分, 卷积层、池化层、全对一幅图像的增强效果来讲, 需要对图像对比度
连接层以及反卷积层, 各自具有不同作用, 承担独自的和信息熵来进行评价和比较, 可以对图像有很好认识.
工作. 深度越深, 网络性能越好; 随着深度增加, 网络性图像对比度的计算公式:
==
能逐渐饱和 ∑nkm∑k
.1
G,=
I,−I+,+
(24)
    基于深度学习图像增强的改进算法ijNijimjn
n=−km=−k
Hu等基于深度学习方法增强MMSI亮温图像, 设计
其中, Ii,j为中心像素点的灰度值, N为图像局部块内像
卷积神经网络重建风云四号卫星MMSI的亮温图像和
素点的个数. 为了计算一幅完整图像的对比度, 需要对