CN111783885A - 一种基于局部增强的毫米波图像的质量分类模型构建方法 - Google Patents

Abstract

本发明提供了一种基于局部增强的毫米波图像质量分类模型构建方法，对于输入图像，对其局部增强后，可以使得整幅图像的清晰度得到提升，与模糊图像具有较大的区分度，而模糊图像在增强后其清晰度不会得到显著改变；针对增强后的图像，构造并提取有效的特征向量，送给分类器用于训练。本发明的优点在于：通过局部增强提高了清晰图像和模糊图像的对比度，增加两类图像的区别，通过方向梯度直方图特征和灰度共生矩阵特征构建特征向量，能够更好的描述毫米波图像的信息，从而使得图像分类后，不同类别的图像差异尽可能大，基于径向基函数的核函数形式构建SVM分类器的核函数，处理特征向量和类标签之间的关系更加灵活，运用广泛。

Description

一种基于局部增强的毫米波图像的质量分类模型构建方法

技术领域

本发明涉及毫米波成像技术领域，尤其涉及一种基于局部增强的毫米波图像的质量分类模型构建方法。

背景技术

毫米波图像的清晰度是衡量毫米波图像质量优劣的一个重要指标，可以用来指导毫米波图像处理系统的构建和调整，优化算法设计和参数选择。毫米波成像技术是目前用于在隐匿衣物下进行危险品检测的一个重要研究方向，其中，毫米波图像质量的好坏影响着图像中危险品目标能否被成功检测出。因此，过滤出图像成像质量较差的图像，得到质量较为清晰的图像用于检测识别，近年来得到广泛学者的关注。图像质量分类的基本思想是首先对训练图像进行特征描述，运用机器学习的相关方法，结合先验知识(例如图像类别的标签),构建学习训练的分类模型，最后对测试图像进行分类。目前主要包括以下图像质量分类的方法：一类是传统的基于特征提取的图像分类，该类方法在使用时特征提取和分类器设计是分开进行的；另一类是基于深度学习的图像分类，该类方法是一个端到端的学习方法，也就是特征提取与分类器设计是一起进行学习的。

(1)基于特征提取的图像分类

传统的图像分类方法包含特征提取和分类器设计两个方面，其中特征提取是主要研究方向。因为只有使用合适的特征向量，分类器对其分类才能达到较优的分类效果。具体流程图如附图1所示，即输入图像后，采用设计的算法提取图像的特征，将特征向量作为分类器的输入，然后待测图片进行预测分析。

常用的图像分类算法包含最近邻算法(KNN)和支持向量机(SVM)等，在实际应用中可以达到较高的识别准确率。然而使用基于SVM的图像分类算法，需要提取较为有效的特征，构建特征描述子。虽然描述子可以很好地描述图像信息，但是考虑到单一的描述子都属于局部描述子，因此容易受到噪声的影响，很难直接运用于图像分类任务中。

(2)基于深度学习的图像分类

深度学习(Deep Learning)是机器学习的一个重要分支，即尝试构建一种复杂的结构对数据进行高层抽象的算法。在图像分类中，经常使用卷积神经网络(ConvolutionalNeural Networks,CNN)的方法。基于CNN的图像分类方法主要在于如何训练网络模型。得到训练好的模型后，直接输入测试图片，得到响应最大的标签就是预测图片的标签。

虽然基于深度学习的图像分类技术层出不穷，但是还是存在一些主要问题：训练数据量较为缺乏。针对毫米波图像的分类问题，具有标注的图像数量有限，并不能提供太多的有效数据用于训练，进而导致训练数据匮乏，而样本不足的情况下训练得到的模型并不能满足使用需求；同时基于深度学习的处理效率较低，网络层数等对计算机硬件配置有较高的要求。

如中国专利申请CN108364017A公开了一种适用于毫米波图像的图像质量分类方法，通过提取图像三维特征矢量，并输入卷积神经网络进行训练，根据训练好的神经网络模型和预设的漏检率和误检率对图像进行质量分类，这种方法对个人经验和历史数据的依赖性较高，实用性不强。

发明内容

本发明所要解决的技术问题在于提供一种基于局部增强处理对毫米波图像质量进行准确识别的毫米波图像质量分类模型的构建方法。

本发明是通过以下技术方案解决上述技术问题的：

对于输入图像，对其局部增强后，可以使得整幅图像的清晰度得到提升，与模糊图像具有较大的区分度，而模糊图像在增强后其清晰度不会得到显著改变；针对增强后的图像，构造并提取有效的特征向量，送给分类器用于训练，对图像质量好坏的区分具有较优的区分效果。

本发明提供了一种基于局部增强的毫米波图像质量分类模型构建方法，包括以下步骤：

步骤A：获取训练图像，人工标定图像质量为清晰或模糊；

步骤B：制作方形模板，将模板在图像上逐行进行平滑移动，对模板区域内的图像进行直方图均衡化处理，并用均衡化处理后的模板对应的图像区域中心点像素值取代原中心点像素值；

步骤C：提取图像的方向梯度直方图特征和灰度共生矩阵特征；

步骤D：将提取的图像特征输入到SVM分类器中求解最优超平面即得到毫米波图像质量分类模型，其中SVM分类器的核函数采用径向基函数的核函数形式。

本发明通过局部增强提高了清晰图像和模糊图像的对比度，增加两类图像的区别，通过方向梯度直方图特征和灰度共生矩阵特征构建特征向量，能够更好的描述毫米波图像的信息，从而使得图像分类后，不同类别的图像差异尽可能大，基于径向基函数的核函数形式构建SVM分类器的核函数，处理特征向量和类标签之间的关系更加灵活，运用广泛。

优选的，步骤A中以图像中的人物的头部、手臂和腿部是否存在重影为标准标定图像为清晰或模糊。

优选的，步骤B中的模板像素大小为3*3或5*5，模板区域内的直方图均衡化关系为g(x,y)＝T(f(x,y))

模板中心点的直方图均衡化关系为

g(x₀,y₀)＝T(f(x₀,y₀))

其中，f(x,y)表示坐标为(x,y)的像素点的原始灰度值，g(x,y)表示坐标为(x,y)的像素点直方图均衡化处理后的灰度值，算符T(·)表示直方图均衡化操作。

优选的，对于原毫米波图像的边缘位置的直方图均衡化后的灰度值的处理方法为：

从边缘向外补灰度值为0的像素点进行计算；或从边缘向外补灰度值与改点灰度值相同的像素点进行计算，此时拐角处的灰度值取相邻像素点的平均值；或保留原灰度值；或舍弃该像素点。

优选的，步骤C中所述的提取方向梯度直方图特征的方法包括以下步骤：

步骤i：对经过局部增强处理后的毫米波图像进行归一化处理；

步骤ii：对归一化后的毫米波图像进行卷积操作，获得每个像素点在水平方向和竖直方向的梯度分量；

步骤iii：将图像划分为多个单元，将梯度方向在0～180°内均分成9个区间，对每个单元内的每一个像素在每个区间的梯度方向上进行加权投影，得到每个单元的梯度方向直方图和9维特征向量；

步骤iv：以2×2个单元构建一个块，采用滑动窗口的形式，以一个单元为步长使用块对图像进行扫描；

步骤v：对块内的特征向量进行归一化处理，得到的块特征串即为方向梯度直方图特征向量。

优选的，步骤i所述的对毫米波图像进行归一化处理的方法为：通过Gamma校正对图像灰度进行归一化处理，

f(I)＝I^γ

其中，I表示像素点的灰度值，当γ＜1时，在低灰度值区域内，动态范围变化大，图像对比度增强；在高灰度值区域内，动态范围变小，图像对比度降低，图像整体的灰度值变大；当γ＞1时，低灰度值区域的动态范围变小，高灰度值区域在动态范围变大，降低了低灰度值区域图像对比度，提高了高灰度值区域图像对比度，图像整体的灰度值变小。

优选的，步骤ii中使用一维离散微分模板[-1,0,1]和其转置[-1,0，1]^T进行卷积操作，即可获得图像在水平方向和竖直方向的梯度分量：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

其中，G_x(x,y)、G_y(x,y)和G(x,y)分别为当前像素点的水平梯度、竖直梯度和像素值，和分别表示当前像素点的梯度幅值和梯度方向。

优选的，步骤iii中每个单元为8×8个像素点，对单元内的每个像素点，根据该像素点的梯度幅值为每个方向区间进行投影。

优选的，步骤v中每个块为2×2×9的36维特征向量，对每一个块内的36维特征向量进行归一化处理，

其中，ε是数值极小的常数。

优选的，步骤C所述的灰度共生矩阵特征的获取方法为：对于图像中灰度值为i的像素点(x,y)，统计与该点距离为d灰度为j的像素(x+Dx,y+Dy)同时出现的次数p(i,j,d,θ)，即

p(i,j,d,θ)＝[(x,y),(x+Dx,y+Dx)|f(x,y)＝i,f(x+Dx,y+Dy)＝j]

其中，i,j＝0,1,2,…,L-1是灰度值，D_x,D_y是位置偏移量，d是生成灰度共生矩阵的补偿，θ为生成的共生矩阵的方向；对灰度共生矩阵做归一化处理，得到：

选取4个方向上的均值作为纹理特征参数，作为灰度共生矩阵的特征。

优选的，步骤D中输入SVM分类器的输入数据为每张图片的方向梯度直方图特征和灰度共生矩阵特征合并得到的特征向量；

通过非线性映射将输入向量映射到一个高维特征空间，映射方程为

其中，

为变换后的空间内积，基于径向基函数的核函数形式构造一个核函数k(x_i,x_j)，使之等于变换后空间的内积运算

即

通过运算求解得到最优解

即最优超平面。

本发明提供的基于局部增强的毫米波图像的质量分类模型构建方法的优点在于：通过局部增强提高了清晰图像和模糊图像的对比度，增加两类图像的区别，通过方向梯度直方图特征和灰度共生矩阵特征构建特征向量，能够更好的描述毫米波图像的信息，从而使得图像分类后，不同类别的图像差异尽可能大，基于径向基函数的核函数形式构建SVM分类器的核函数，处理特征向量和类标签之间的关系更加灵活，运用广泛。

本发明首先根据图像的清晰程度，即根据头部是否发生抖动以及手部和腿部是否清晰，对毫米波图像数据进行清洗，判断图像是属于干净清晰图像还是模糊图像。

本发明在提取图像特征之前，首先对训练图像和测试图像做局部图像增强操作，即使用自适应直方图均衡化，使得清晰的图像会更为清晰，含有丰富的纹理特征和细节信息，而模糊图像的图像质量并不会得到显著提升，进而进一步加强两类图像质量的区别。

本发明针对增强后的毫米波图像，使用HOG和GLCM联合的方法提取图像的特征，构建特征向量，更好地描述毫米波图像的信息，从而使得图像分类后，不同类别的图像差异尽可能大。

附图说明

图1为本发明的背景技术中基于特征提取的分类方法流程图；

图2为本发明的实施例提供的基于局部增强的毫米波图像的质量分类模型构建方法的流程图；

图3为本发明的实施例提供的经过局部增强后的清晰图像和模糊图像的对比图；

图4为本发明的实施例提供的基于局部增强的毫米波图像的质量分类模型构建方法的非线性可分的二分类图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

如图2所示，本实施例提供了一种基于局部增强的毫米波图像的质量分类模型构建方法，包括以下步骤：

步骤A：获取训练图像，人工标定图像质量为清晰或模糊；

结合图3，本实施例以图像中的人物的头部、手臂和腿部是否存在重影为标准标定图像为清晰或模糊，其中图3(a)为原始的清晰图像，图3(c)为原始的模糊图像。

步骤B：制作方形模板，将模板在图像上逐行进行平滑移动，对模板区域内的图像进行直方图均衡化处理，并用均衡化处理后的模板对应的图像区域中心点像素值取代原中心点像素值；

所述模板的像素大小为3*3或5*5，模板区域内的直方图均衡化关系为g(x,y)＝T(f(x,y))

模板中心点的直方图均衡化关系为

g(x₀,y₀)＝T(f(x₀,y₀))

其中，f(x,y)表示坐标为(x,y)的像素点的原始灰度值，g(x,y)表示坐标为(x,y)的像素点直方图均衡化处理后的灰度值，算符T(·)表示直方图均衡化操作。

对于原毫米波图像的边缘位置的直方图均衡化后的灰度值的处理方法为：

从边缘向外补灰度值为0的像素点进行计算；或从边缘向外补灰度值与改点灰度值相同的像素点进行计算，此时拐角处的灰度值取相邻像素点的平均值；在模板大小为3*3时，外圈补一圈即可，模板大小为5*5时，外圈需补两圈，选用其他尺寸的模板时对应确定具体的补充的像素点圈数即可。

也可以对边缘像素点直接保留原灰度值；或舍弃该像素点；经过上述步骤处理，对图像进行具有优化增强，图3(b)是处理后的清晰图像，与图3(a)相比纹理与细节更为丰富，图3(d)为局部增强后的模糊图像，与图3(c)相比没有显著变，由此说明经过本实施提供的局部增强进行处理后，能够提升清晰图像的质量，并对模糊图像没有明显的影响；从而提高清晰图像与模糊图像的区分度，方便模型的训练。经过局部直方图均衡化，重新分布亮度，以提升图像的对比度进一步提升图片在胸口处和手臂处的成像质量，方便区分清晰图像和模糊图像，提高分类精度。

步骤C：提取图像特征，

经过局部增强处理后的图像进行特征选择的过程包括：(1)手工选择，对清晰和模糊图像的形状、纹理等进行分析，选择可能分开两类的特征，(2)试验获取，提取图像特征，使用分类器训练，通过测试结果的好坏来选择或优化更好的特征，本实施例选择方向梯度直方图(HOG)和灰度共生矩阵(GLCM)这两个特征用于特征提取。

方向梯度直方图特征提取包块以下步骤：

步骤i：对经过局部增强处理后的毫米波图像进行归一化处理；具体为使用Gamma校正对图像灰度进行归一化处理，

f(I)＝I^γ

其中，I表示像素点的灰度值，当γ＜1时，在低灰度值区域内，动态范围变化大，图像对比度增强；在高灰度值区域内，动态范围变小，图像对比度降低，图像整体的灰度值变大；当γ＞1时，低灰度值区域的动态范围变小，高灰度值区域在动态范围变大，降低了低灰度值区域图像对比度，提高了高灰度值区域图像对比度，图像整体的灰度值变小。通过该方法能够降低毫米波图像的局部阴影和光照变化，使得方向梯度直方图特征对光照变化具有较好的鲁棒性。

步骤ii：对归一化后的毫米波图像进行卷积操作，获得每个像素点在水平方向和竖直方向的梯度分量；具体方法为：使用一维离散微分模板[-1,0,1]和其转置[-1,0，1]^T进行卷积操作，即可获得图像在水平方向和竖直方向的梯度分量：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

其中，G_x(x,y)、G_y(x,y)和G(x,y)分别为当前像素点的水平梯度、竖直梯度和像素值，和分别表示当前像素点的梯度幅值和梯度方向。

步骤iii：将图像划分为多个单元，本实施例中每个单元(cell)为8*8个像素点，将梯度方向在0～180°内均分成9个区间，每个区间为20°，对每个单元内的每一个像素在每个区间的梯度方向上进行加权投影，即将该单元内的每个像素点根据梯度幅值分别在每个方向进行投影，得到每个单元的梯度方向直方图的9维特征向量；

步骤iv：对整幅图像选择16*16的图像块进行分割操作，对每一个16*16的图像块，以8*8的cell为单元，可构成4个cell。采用滑动窗口的形式，以一个cell为步长使用块对图像块进行扫描，得到的每个块均为一个2*2*9的36维特征向量v；

步骤v：对块内的特征向量v进行归一化处理，得到的块特征串即为方向梯度直方图特征向量；归一化处理的方法为：

其中，为一个数值极小的常数项，作用为防止分母为0。

灰度共生矩阵特征的获取方法为：对于图像中灰度值为i的像素点(x,y)，统计与该点距离为d灰度为j的像素(x+Dx,y+Dy)同时出现的次数p(i,j,d,θ)，即

p(i,j,d,θ)＝[(x,y),(x+Dx,y+Dx)|f(x,y)＝i,f(x+Dx,y+Dy)＝j]

其中，i,j＝0,1,2,…,L-1是灰度值，D_x,D_y是位置偏移量，d是生成灰度共生矩阵的补偿，θ为生成的共生矩阵的方向；灰度共生矩阵能够导出许多纹理特征，对灰度共生矩阵做归一化处理，得到以下特征：

其中，Con表示对比度，反映了图像的清晰度和纹理的沟纹深浅；Asm表示能量，反映了图像灰度分布均匀程度和纹理粗细度；Ent表示熵，是图像包含信息量的随机性度量；H表示逆方差，反映了图像纹理局部变化的大小；Corr表示相关性，用来度量图像的灰度级在行或列方向上的相似程度。

本实施例中计算(0°、45°、90°、135°)的灰度共生矩阵，然后循环计算这几个方向的灰度共生矩阵，再进行归一化处理，试验选取对比度Con、能量Asm、熵Ent、逆方差H、相关性Corr作为最终提取的特征。

经过上述处理后，将每个图像的方向梯度直方图特征和灰度共生矩阵特征合并得到该图像的特征向量。

步骤D：将提取的图像特征输入到SVM分类器中求解最优超平面即得到毫米波图像质量分类模型，其中SVM分类器的核函数采用径向基函数的核函数形式。

SVM是基于最优化理论处理机器学习较为流行的方法，主要用于解决二分类问题。分类问题主要包含两方面：线性可分和非线性可分。目的是求解使得两类之间的距离最大的分类面即最优超平面。

本发明考虑非线性可分的情况，即通过事先选择的非线性映射(核函数)将输入向量映射到一个高维特征空间，参考图4，SVM线性不可分映射方程为：

其中，

为变换后的空间内积，基于径向基函数的核函数形式构造一个核函数k(x_i,x_j)，使之等于变换后空间的内积运算

即

因为使用了核函数，可以将样本毫米波图像映射到一个更高维度的空间，用来处理特征和类标签之间的非线性关系，具有较高的灵活性，运用广泛。求解得到最优解

得到分离超平面。

基于该超平面函数对测试图片进行质量分类，此时仍需要对测试图片进行步骤B-C的直方图均衡化处理和方向梯度直方图及灰度共生矩阵的提取，然后将处理后的图片输入分类器，输出图片为清晰图片或模糊图片的结果。

本实施例进一步通过混淆矩阵评价分类结果的好坏，即通过计算混淆矩阵对角线上的值占每行总数的比值得出分类准确率。混淆矩阵M为：

其中，m_ij表示第i类模式被分类器判断为第j类模式的数据占第i类模式样本总数的百分率。试验中选择若干幅清晰图像和模糊图像，按照7:3的比例分成训练图片集和测试集。通过准确率来衡量分类的实验效果，即：

表1：验证试验结果

最终实验结果如表1所示，模糊图片全部被分类检测出来，而清晰图片仅有少数分类错误。说明本实施例提供的方法构建的质量分类模型能够有效的对毫米波图像进行分类识别。

本实施的技术思路是，首先对用于训练的毫米波图像采用自适应直方图均衡化(Adaptive histogram equalization,AHE)。普通的直方图均衡化算法是对整幅图像中所有像素点执行相同的直方图变换，但是对于如果图像中包含局部过亮或者局部过暗的部分，在这些部分的对比度得不到有效的增强。自适应直方图均衡化技术通过对局部区域进行响应的直方图均衡可以较好的提升毫米波图像的对比度。可以简单理解为对图像中的每个像素点，利用其周边的一个矩形范围内的所有像素，做直方图均衡化。

其次对增强后的图像提取特征向量。该向量由两部分组成，一个是使用方向梯度直方图(Histogram of Oriented Gradients,HOG)，在HOG中，使用梯度的方向分布作为一种特征，因为毫米波图像中，边缘和角点包含了很多的形状信息，因此沿着一幅图片的X轴和Y轴方向上的梯度是较为有用的特征信息。另一个是使用灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)，共生矩阵用两个位置的像素的联合概率密度来定义，它不仅可以反映亮度的分布特征，也反映具有同样亮度或者接近亮度的像素之间的位置分布特性，是有关图像亮度变化的二阶统计特征。它是定义一组纹理特征的基础。由于纹理是灰度在空间位置上反复出现而形成的，因而在图像空间中相隔一定距离的两像素之间会存在一定的灰度关系，也就是图像中灰度的空间相关特性。使用灰度共生矩阵的目的是通过研究灰度的空间相关特性来描述图像的纹理，使用灰度共生矩阵可以计算出14种统计量，即：能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度以及最大相关系数。而对于本申请所涉及的毫米波图像，清晰图像和模糊图像在纹理层面具有很大的差异，因此使用GLCM可以很好地描述毫米波图像的纹理特性。故本申请中采用计算毫米波图像的灰度共生矩阵作为一部分特征的方法。最后联合HOG和GLCM特征，得到最终提取后的特征向量。

考虑到对图像质量的分类判别，不是一个线性问题，因此不具有线性可分性，故采用非线性分类器模型。将提取的特征送给分类器进行训练，得到分类器模型；最后对待预测的图片进行预测分类，得到图像质量好的和坏的两类图像。

Claims (11)

1.一种基于局部增强的毫米波图像质量分类模型构建方法，其特征在于：包括以下步骤：

步骤A：获取训练图像，人工标定图像质量为清晰或模糊；

步骤B：制作方形模板，将模板在图像上逐行进行平滑移动，对模板区域内的图像进行直方图均衡化处理，并用均衡化处理后的模板对应的图像区域中心点像素值取代原中心点像素值；

步骤C：提取图像的方向梯度直方图特征和灰度共生矩阵特征；

步骤D：将提取的图像特征输入到SVM分类器中求解最优超平面即得到毫米波图像质量分类模型，其中SVM分类器的核函数采用径向基函数的核函数形式。

2.根据权利要求1所述的一种基于局部增强的毫米波图像质量分类模型构建方法，其特征在于：步骤A中以图像中的人物的头部、手臂和腿部是否存在重影为标准标定图像为清晰或模糊。

3.根据权利要求1所述的一种基于局部增强的毫米波图像质量分类模型构建方法，其特征在于：步骤B中的模板像素大小为3*3或5*5，模板区域内的直方图均衡化关系为

g(x,y)＝T(f(x,y))

模板中心点的直方图均衡化关系为

g(x₀,y₀)＝T(f(x₀,y₀))

其中，f(x,y)表示坐标为(x,y)的像素点的原始灰度值，g(x,y)表示坐标为(x,y)的像素点直方图均衡化处理后的灰度值，算符T(·)表示直方图均衡化操作。

4.根据权利要求3所述的一种基于局部增强的毫米波图像质量分类模型构建方法，其特征在于：对于原毫米波图像的边缘位置的直方图均衡化后的灰度值的处理方法为：

从边缘向外补灰度值为0的像素点进行计算；或从边缘向外补灰度值与改点灰度值相同的像素点进行计算，此时拐角处的灰度值取相邻像素点的平均值；或保留原灰度值；或舍弃该像素点。

5.根据权利要求3所述的一种基于局部增强的毫米波图像的质量分类模型构建方法，其特征在于：步骤C中所述的提取方向梯度直方图特征的方法包括以下步骤：

步骤i：对经过局部增强处理后的毫米波图像进行归一化处理；

步骤ii：对归一化后的毫米波图像进行卷积操作，获得每个像素点在水平方向和竖直方向的梯度分量；

步骤iii：将图像划分为多个单元，将梯度方向在0～180°内均分成9个区间，对每个单元内的每一个像素在每个区间的梯度方向上进行加权投影，得到每个单元的梯度方向直方图和9维特征向量；

步骤iv：以2×2个单元构建一个块，采用滑动窗口的形式，以一个单元为步长使用块对图像进行扫描；

步骤v：对块内的特征向量进行归一化处理，得到的块特征串即为方向梯度直方图特征向量。

6.根据权利要求5所述的一种基于局部增强的毫米波图像的质量分类模型构建方法，其特征在于：步骤i所述的对毫米波图像进行归一化处理的方法为：通过Gamma校正对图像灰度进行归一化处理，

f(I)＝I^γ

其中，I表示像素点的灰度值，当γ＜1时，在低灰度值区域内，动态范围变化大，图像对比度增强；在高灰度值区域内，动态范围变小，图像对比度降低，图像整体的灰度值变大；当γ＞1时，低灰度值区域的动态范围变小，高灰度值区域在动态范围变大，降低了低灰度值区域图像对比度，提高了高灰度值区域图像对比度，图像整体的灰度值变小。

7.根据权利要求5所述的一张基于局部增强的毫米波图像的质量分类模型构建方法，其特征在于：步骤ii中使用一维离散微分模板[-1,0,1]和其转置[-1,0，1]^T进行卷积操作，即可获得图像在水平方向和竖直方向的梯度分量：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

其中，G_x(x,y)、G_y(x,y)和G(x,y)分别为当前像素点的水平梯度、竖直梯度和像素值，和分别表示当前像素点的梯度幅值和梯度方向。

8.根据权利要求7所述的一种基于局部增强的毫米波图像的质量分类模型构建方法，其特征在于：步骤iii中每个单元为8×8个像素点，对单元内的每个像素点，根据该像素点的梯度幅值为每个方向区间进行投影。

9.根据权利要求5所述的一种基于局部增强的毫米波图像的质量分类模型构建方法，其特征在于：步骤v中每个块为2×2×9的36维特征向量，对每一个块内的36维特征向量进行归一化处理，

其中，ε是数值极小的常数。

10.根据权利要求9所述的一种基于局部增强的毫米波图像的质量分类模型构建方法，其特征在于：步骤C所述的灰度共生矩阵特征的获取方法为：对于图像中灰度值为i的像素点(x,y)，统计与该点距离为d灰度为j的像素(x+Dx,y+Dy)同时出现的次数p(i,j,d,θ)，即

p(i,j,d,θ)＝[(x,y),(x+Dx,y+Dx)|f(x,y)＝i,f(x+Dx,y+Dy)＝j]

其中，i,j＝0,1,2,…,L-1是灰度值，D_x,D_y是位置偏移量，d是生成灰度共生矩阵的补偿，θ为生成的共生矩阵的方向；对灰度共生矩阵做归一化处理，得到：

选取4个方向上的均值作为纹理特征参数，作为灰度共生矩阵的特征。

11.根据权利要求10所述的一种基于局部增强的毫米波图像质量分类模型构建方法，其特征在于：步骤D中输入SVM分类器的输入数据为每张图片的方向梯度直方图特征和灰度共生矩阵特征合并得到的特征向量；

通过非线性映射将输入向量映射到一个高维特征空间，映射方程为

其中，

为变换后的空间内积，基于径向基函数的核函数形式构造一个核函数k(x_i,x_j)，使之等于变换后空间的内积运算

即

通过运算求解得到最优解

即最优超平面。

Images