摘 要: 针对红外图像的特点,提出了一种基于直方图变换及图像融合的红外图像增强的新方法。该方法利用平稳小波分解进行噪声抑制,通过自适应直方图均衡提高图像对比度,并利用非线性滤波算法增加新的高频分量,最后进行图像融合以实现图像的增强。该算法克服了传统直方图均衡增强背景而削弱目标以及平台直方图均衡中难以选择平台值的缺点,并大幅度提高了图像的细节。实验结果表明,该算法对红外图像具有很好的增强效果,可以很好地抑制背景,提高目标的对比度,同时使目标的细节更加明显。
0 引言
图像增强是指对图像的某些特征进行强调或尖锐化,以便于显示、观察或进一步分析与处理,它将增加所选择特征的动态范围,从而使这些特征更容易被检测或识别。红外图像是热辐射成像,而由于场景的温度较高,目标与背景的温差较小,所以红外图像具有高背景、低反差的特点,其动态范围大、对比度低,信噪比也较可见光图像的低。为了能够从红外图像中正确识别出目标,必须对红外图像的高背景进行抑制,提高图像的信噪比,以增强图像。直方图均衡化(HE)[1-2]是一种常用的图像增强方法,但是由于红外图像的高背景、低反差特点,传统的直方图均衡化增强算法并不适用于红外图像。平台直方图算法[3]基本上解决了一般直方图均衡化算法提高红外图像背景对比度、削弱目标的缺点,但该算法需要一个合适的平台值,不同的红外图像所需要的平台值一般不相同。V. E. Vickers[4]提出了一种迭代方法来计算平台值,但该算法计算的平台值与初始条件关系很大,而且运算量较大,不易实时实现。Wang[5]提出了一种自适应平台直方图均衡化的方法,有效的解决了这个问题,但平台值的计算仍比较繁琐。针对上述问题,本文提出了一种基于图像融合的红外图像增强的方法,该方法能有效地提高红外图像的对比度,并且对红外图像传输过程中常见的噪声有很好的抑制作用。
1 联合直方图均衡及图像融合的红外图像增强方法
1.1 算法原理
红外成像系统易受到噪声的干扰,所以首先需要对红外图像进行噪声抑制,将抑制噪声后的图像进行改进的自适应直方图均衡处理以提高图像对比度的目的;其次将图像的高频部分经过处理后生成新的频率成分,以达到增强细节的目的;最后将直方图均衡化后图像与新的频率成分进行融合,达到同时提高对比度以及增强细节的结果。本文方法的具体流程如图1所示。
1.2 自适应阈值处理
对输入图像进行二维平稳小波变换[6],得到了四个子带图像,分别为LL,LH,HL和HH,其中LL为输入图像的低频逼近部分,其他三个分别为图像在不同方向上的高频细节部分,并且每个子带图像与原始图像大小相同。本文选用具有线性相位的紧支撑双正交小波Bior3小波函数。由于图像包含变换部分的同时,往往还会有噪声的存在,所以图像增强算法中的阈值和增强处理方法必须在增强边缘的同时,对噪声有效抑制而不是将噪声同时放大。本文方法采用自适应阈值,根据A.F.Laine提出的增强函数[7]：
一固定值。文献[7]表明f(x)在[-1,1]单调递增,存在一个阈值,使得系数的绝对值小于T时的被削弱,当大于T时被增强。即小于T的系数被认为是图像噪声,而大于T的部分被认为是需要增强的细节。为了避免对某一尺度某一方向进行噪声抑制的同时放大了其他尺度和方向的噪声,本文在不同尺度和方向上自适应选择阈值,设定阈值为：
其中,(M,N)为图像大小,cqp(i,j)为第q个尺度上第p个子带图像的变换系数,m为该子带内系数的均值。
1.3 自适应直方图均衡
红外图像的对比度较低,其直方图分布相对比较集中,直方图中的主峰所对应的灰度级往往是图像中的背景。而实际情况中,人们更关心的是图像中的目标所对应的某些灰度级。为使目标所占据的灰度级得以增强,可以对目标所占据的灰度范围进行拉伸,而对背景所对应的灰度范围进行压缩,这样不但能提高目标的对比度,而且可以更清楚的显示目标内部细节的变化。
首先,对图像进行自适应阈值分割,确定出目标和背景灰度值的分界线,从而从直方图上得到目标和背景分别所占的灰度级数,并根据两者的比例确定目标和背景分别在整个灰度空间所对应的灰度范围,然后分别在此范围进行直方图均衡化。本文选用最大类间方差法(Otsu)[8]计算阈值,根据计算出的阈值T可以将图像分成目标和背景两部分,对这两部分分别进行灰度变换。假设图像灰度在变换前的动态范围是[a,b],则背景部分灰度动态范围为[a,T],目标部分灰度动态范围为[T+1,b]。假设M=L(T-a)/(b-a),则变换后图像背景和目标的灰度范围分别为[0,M][M+1,L]。
1.4 细节增强处理以及图像融合
由于一帧图像可以表示为其低频子带和对应高频子带图像之和,所以如果能将在待增强图像的基础上构造出与之相位相同的高频部分,那么迭加后图像能得到比原图像更清晰的图像。对高频子带图像进行非线性滤波,可以得到与其相位一致的新的频率成分,从而达到细节增强的目的。处理过程如下:
其中,HP表示高通滤波,s表示放大系数,T2表示新的高频分量的范围,c为控制参数且c∈(0,1),本文取c=0.2。最后,将对比度提高后的图像作为低频子带图像,与新得到的三个高频子带图像进行二维平稳小波重构,从而实现了整个红外图像的增强过程。
2 实验结果及分析
其中,H为评价参数,m为目标所占灰度级,s为目标面积。
根据上述算法,对若干幅红外图像进行实验,取得了满意的效果。其中一幅图像的增强效果如图1。
从图2中可以看出,直方图均衡增强的效果很不理想,它在增强目标的同时,将背景噪声也增强
了;两种平台直方图均衡算法的增强效果比直方图均衡算法好,但是对于目标细节的表达上仍有些欠缺,并且对于背景的抑制效果较差;文中方法在未进行图像融合前,对比度有了很大的提高,并且能很好地对背景进行抑制,增强目标;图像融合后,更加突出了目标的细节,整体效果要优于直方图均衡以及平台直方图均衡增强方法。从实验结果上可以看出来,本文所介绍的方法能有效地提高图像的对比度,同时提高了目标的细节。
3 结论
本文提出了一种利用联合直方图均衡及图像融合的红外图像增强方法,将图像进行平稳小波分解后,对各子带图像分别进行不同的处理,最终进行像素级融合从而达到对比度和细节同时增强的效果。实验结果表明本算法不但提高了红外图像的对比度,同时使目标的细节更加突出,具有广泛的应用范围。实验在定量分析上引入了细节评价参数,定量分析目标的细节,并取得了令人满意的效果。
参考文献:
[1] Stark J A.Adaptive image contrast enhancement usinggeneralizations of histogram equalization [ J]. IEEETrans. Image Process,2000,9(5):889-896.
[2] Lau S S Y. Global image enhancement using localinformation[J]. Electron. Lett., 1994, 30 (2): 122-123.
[3] Silverman J,Mooney J M,Vickers V E.Display of widedynamic range infrared images from PtSi Schottkybarrier cameras[J].Opt. Engineering,1990,29(2):97-104.
[4] Vickers V E. Plateau equalization algorithm for realtime display of high quality infrared imagery[J].Opt .
Engineering,1996,35(7):1921-1926.
[5] Wang Bingjian,Liu Shangqian,LI Qing,et al.A real-time contrast enhancement algorithm for infraredimages based on plateau histogram[J].Infrared Phys.and Technol.,2006,48:77-82.
[6] Shensa M J.The discrete wavelet transform: weddingthe a trous and Mallat algorithms[J]. IEEE Trans. onSignal Processing,1992,40(10):2464-2482.
[7] Laine A F,Zong Xuli.A multiscale sub2octave wavelettransform for denosing and enhancement [J].Proc. of
SPIE,1996,2825:238-249.
[8] Otsu N.A threshold selection method from gray-levelhistogram [ J ]. IEEE Trans. Systems Man andCybernet,1978,8:62-66.
作者简介:张 峰(1982-),男,山东诸城人,博士研究生,主要研究方面为红外成像系统、红外目标检测、跟踪与识别。
