基于小波變換與Retinex的電路板紅外圖像增強技術

郝建新

基于小波變換與Retinex的電路板紅外圖像增強技術

郝建新

（中國民航大學基礎實驗中心，天津 300300）

電路板紅外圖像發(fā)熱芯片區(qū)域的增強是紅外圖像故障檢測系統(tǒng)中一項重要研究內(nèi)容。針對電路板某些芯片的發(fā)熱量小，芯片區(qū)域紅外圖像與背景差異弱的特點，為提高故障檢測效率，設計了一種融合小波變換與改進的多尺度Retinex紅外圖像增強算法。首先，通過小波變換獲得不同頻率的子帶圖像；然后，利用多尺度Retinex算法對低頻子帶圖像進行增強處理；對于高頻子帶圖像，利用可變閾值去噪，引入圖像清晰度參數(shù)，依據(jù)參數(shù)值對高頻圖像進行適度增強。最后，對處理后的高、低頻圖像進行小波逆變換與重構，實現(xiàn)電路板紅外圖像增強。對增強后的紅外圖像進行的定量以及定性評價表明：與單一的利用直方圖均衡算法、小波變換法以及多尺度Retinex增強算法相比，本文算法改善了某些發(fā)熱芯片區(qū)域紅外圖像對比度低且細節(jié)模糊問題，抑制了噪聲，提升了電路板紅外圖像整體視覺效果。

紅外圖像；圖像增強；小波變換；Retinex；圖像清晰度

0 引言

電路板紅外故障檢測系統(tǒng)將正常電路板工作狀態(tài)下的紅外圖像與故障電路板工作狀態(tài)下的紅外圖像進行比對，通過發(fā)熱芯片的溫度差異實現(xiàn)故障查找。但是由于紅外圖像受到大氣輻射、發(fā)熱芯片輻射以及部分芯片發(fā)熱不明顯的影響，其對比度差、信噪比低、目標形狀和結構信息均表現(xiàn)不足。如我們重點關注的對象為電路板上發(fā)熱的芯片部分，但有些發(fā)熱小的芯片受到背景區(qū)域的影響非常大，甚至與背景相混淆，這不可避免地增加了直觀定位故障點的難度。因此，要在紅外故障監(jiān)測系統(tǒng)中對紅外圖像進行必要的預處理以增加對比度提高信噪比，增強圖像的細節(jié)，改善視覺效果，使得處理后的紅外圖像更適合人眼觀察以及計算機分析和處理。

直方圖均衡化法[1]、反銳化掩膜法[2]是以往最常用的紅外圖像增強算法，但這類算法在增強了對比度的同時，也放大了噪聲，并且造成圖像信息的丟失。小波變換[3]等多分辨率的分析方法在紅外圖像增強中也有應用，即利用小波變換將紅外圖像的信號與噪聲進行分離，該方法能較好地解決噪聲問題。Retinex理論是一種關于人類視覺光亮度和色彩感知模型[4]，是一種基于特征的對比度增強方法，可以有效減少由于光照不均勻所引起的圖像降質(zhì)，對感興趣的目標進行有效增強，因此也被廣泛用于圖像增強領域。

針對電路板紅外圖像的特點，本文設計了一種將小波變換與改進的多尺度Retinex算法相結合的電路板紅外圖像增強算法。經(jīng)試驗表明，本文算法在有效的增強了紅外圖像同時抑制了噪聲的影響。

1 算法簡介

1.1 基于小波變換的圖像分解

在小波域中，噪聲主要存在于小尺度信號中，且隨著分析尺度的不斷增大而快速下降；而邊緣細節(jié)部分，隨著分析尺度的增大其下降速度比噪聲慢[5]。因此，采用多尺度多分辨率小波變換，提取電路板紅外圖像多個維度上的小波系數(shù)，低頻小波系數(shù)表征圖像的輪廓信息，而圖像不同維度上的細節(jié)、邊緣以及噪聲等信息則由其余的高頻小波系數(shù)表征。

本文利用小波變換將圖像分解成4個子帶圖像[6]，水平與垂直方向皆為低頻成分的LL；水平方向低頻、垂直方向高頻成分的LH；水平方向高頻、垂直方向低頻成分的HL；水平與垂直方向均為高頻的HH。如圖1所示。

LL3HL3HL2HL1 LH3HH3 LH2HH2 LH1HH1

對分解圖像進行分析可以得出以下結論，圖像的能量信息包含在低頻成分中，細節(jié)信息包含在高頻成分中。依據(jù)該結論，在本文后續(xù)算法中，根據(jù)不同頻率范圍內(nèi)的圖像分量特點，有針對性的采用不同的方法進行圖像增強，突出細節(jié)部分對比度的同時有效抑制了噪聲的干擾，改善了圖像質(zhì)量。

1.2 多尺度Retinex圖像增強

Retinex最早由Land提出，也可稱之為視網(wǎng)膜皮層理論，該理論是在色彩恒常性基礎上提出的一種圖像增強方法。解釋了人眼在不同亮度的環(huán)境光條件下，主要與物體的反射光有關，而與照射光無關，光照是否均勻?qū)ζ渖薀o影響，具有恒定性[7-9]。

Retinex作為人眼感知亮度和色度的視覺模型，認為紅外圖像是目標熱輻射和背景熱輻射綜合作用的結果，對于一副給定的紅外圖像(,)，由描述了背景熱輻射強度的環(huán)境亮度函數(shù)(,)與體現(xiàn)了物體目標特征的物體反射函數(shù)(,)組成，其數(shù)學表達式為：

(,)＝(,)×(,) (1)

將Retinex算法應用于紅外圖像增強，通過改變亮度圖像和反射圖像在原圖像中的比例，可以拋開物體背景輻射強度而僅僅突出目標本身特性的信息，從而達到增強圖像的目的。

自Land提出Retinex算法，先后提出了基于中心環(huán)繞的單尺度Retinex算法（SSR）和多尺度Retinex算法（MSR）[10]。對于灰度圖像，SSR算法可以表述為：

￠(,)＝lg(,)－lg[(,)*(,)] (2)

式中：￠(,)為增強后圖像；*為卷積操作；(,)為中心環(huán)繞函數(shù)，一般采用高斯函數(shù)，其表達式為：

對￠(,)進行指數(shù)變換即可得到增強后的圖像，當取較大值時，增強后的圖像比較逼真，但局部細節(jié)會有所損失；取較小值時，圖像細節(jié)突出，輸出顏色容易出現(xiàn)失真。為了保證圖像細節(jié)與輸出顏色之間的平衡，引入了多尺度Retinex算法（MSR），其數(shù)學表達式為：

2 基于小波與Retinex紅外圖像增強

電路板紅外熱圖像是表征電路板上芯片以及電子元件的發(fā)熱情況分布，是灰度圖像，分辨率低，且對比度低、相關性強、噪聲大、視覺效果不明顯。根據(jù)電路板紅外圖像特點，本文分4步對紅外圖像進行增強：

1）利用小波變換實現(xiàn)對紅外圖像進行分解，分別獲得高頻與低頻圖像；

2）利用改進的多尺度Retinex算法，獲得低頻子帶增強圖像；

3）利用自適應閾值法對高頻小波系數(shù)進行去噪處理，以圖像清晰度參數(shù)作為參考，計算相應像素點的增強系數(shù)，獲得高頻增強圖像；

4）重構低頻與高頻圖像，獲得增強圖像。

算法流程圖如圖2所示。

圖2 增強算法流程圖

2.1 低頻紅外圖像增強

Retinex依據(jù)人眼在不同亮度情況下仍可以辨認物體本來顏色的色感一致性能力，在處理彩色圖像時，它分別對每個顏色通道進行處理與再合成。而對于紅外圖像，可以理解為該圖像只有一個顏色通道，色彩一致性體現(xiàn)的是在不同亮度情況下分辨物體灰度級的能力。

經(jīng)小波變換得到電路板紅外圖像低頻信息，其低頻子帶系數(shù)(,)有正有負，而Retinex是按照單通道灰度圖像來處理紅外圖像的，因此按照式(5)，將系數(shù)范圍映射到0～255之間：

式中：min、max分別代表子帶系數(shù)的最小值與最大值；￠(,)為映射后的子帶系數(shù)。將￠(,)作為輸入圖像，按照式(4)進行多尺度增強。實驗表明，按照上述方法增強后的低頻子帶圖像灰暗且運算時間過長，無法實現(xiàn)最佳視覺效果與實時處理。因此，在MSR基礎上引入離散余弦變換，對MSR算法進行如下改進：

步驟一：分別在30、80、150、300四種不同的尺度因子下計算中心環(huán)繞函數(shù)(,)。

步驟二：對輸入圖像￠(,)以及中心環(huán)繞函數(shù)(,)按照式(6)、式(7)進行離散余弦變換：

(,)＝(￠(,))×((,)) (6)

式中：表示進行離散余弦變換；￠(,)表示進行離散余弦變換后得到的輸出圖像。

步驟三：按照式(8)對輸出圖像￠(,)進行自動截斷拉伸：

式中：out￠(,)為截斷拉伸后的輸出值，截取點的上限max￠與下限min￠由圖像的均值avg與標準差d來確定，其中：

max￠＝avg＋×d(9)

min￠＝avg－×d(10)

式中：取值為1.5～3。

步驟四：將out￠(,)按照式(5)反向映射回(min,max)范圍內(nèi)，用于進行后續(xù)的圖像重構。

2.2 高頻紅外圖像增強

在對紅外高頻圖像進行增強之前，首先要對其進行去噪處理。目前常用的去噪方法為硬閾值去噪與軟閾值去噪。但是，硬閾值去噪因采用非連續(xù)函數(shù)，易使圖像出現(xiàn)局部黑點；軟閾值去噪采用連續(xù)函數(shù)，但壓縮了高頻細節(jié)的系數(shù)值。為克服軟硬閾值去噪的缺點，本文采用可變閾值方法對高頻圖像進行去噪處理。假設圖像大小為×，按照式(11)、式(12)進行通用閾值定義：

式中：為噪聲信號標準方差；為分解尺度，隨著尺度的不斷變換，閾值大小隨著變換，克服了通用閾值全局不變的缺點；HH1為小波分解第一層的對角線高頻系數(shù)；median()為中值函數(shù)。

根據(jù)自適應軟閾值定義規(guī)則，對尺度方向子帶中變換系數(shù)按照下式進行去噪處理：

f,k(,)＝sgn(f,k(,))×max(?f,k(,)?－,k(,),0) (13)

利用全局增強算法對去噪后的高頻圖像進行增強時，容易導致某些清晰像素被過度增強，出現(xiàn)振鈴或者偽影。本文引入圖像的清晰度參數(shù)對圖像增強系數(shù)進行調(diào)節(jié)，使之與局部圖像特征相適應。圖像清晰度可以由局部梯度矩陣奇異值得到，假設(,)表示一副圖像，(x,y)處像素的局部清晰度定義為：

式中：1與2分別為局部梯度矩陣的奇異值。局部圖像越模糊，則該處的奇異值越小。顯然，清晰的像素點不需要增強，對于不清晰的像素，以清晰度值作為依據(jù)進行適度的增強。本文依據(jù)式(14)進行增強系數(shù)選擇，當≥0時：

式中：為圖像像素的清晰度；1和2為增強閾值，分別取100和150；E為與增強系數(shù)相關的常數(shù)，取0.6。對高頻圖像利用下式進行圖像增強：

￠(,)＝(1＋)×(,) (16)

式中：￠(,)表示高頻圖像中(,)位置增強后的系數(shù)；(,)表示降噪后的圖像系數(shù)。

3 實驗結果及分析

在Matlab R2009a環(huán)境下，利用直方圖均衡法、小波變換法、多尺度Retinex法以及本文算法分別對圖3所示機載氣象雷達電路板紅外原始圖像進行增強處理，增強效果對比圖如圖4(a)～圖4(d)所示。

利用圖像評價中的2個重要指標：峰值信噪比與圖像對比度，對圖像處理結果進行定量評價。評價結果如表1所示。

圖3 電路板紅外原始圖像

圖4 基于不同算法圖像增強效果對比圖

表1 實驗板卡B增強指標分析

綜合紅外圖像增強效果圖與定量評價指標的對比可以發(fā)現(xiàn)，直方圖均衡法與多尺度Retinex算法都增加了圖像的對比度，但是不論是直觀的增強效果圖還是定量指標分析，上述算法增強了圖像對比度的同時也放大了噪聲，如圖4(a)、圖4(c)所示。

如表1所示，小波變換法在4種增強算法中峰值信噪比最高，對噪聲的抑制效果最好。但是，其增強效果不理想，對比度也較低。本文利用小波變換與多尺度Retinex相結合方法處理紅外圖像，如圖4(d)所示，調(diào)節(jié)了紅外圖像亮度的同時，將淹沒在陰影區(qū)域的細節(jié)表現(xiàn)得更清楚，整體視覺效果比較理想；在指標定量分析方面，不論是對比度還是峰值信噪比都取得了比較滿意的結果，這也表明本文方法在增強圖像的同時很好地抑制了噪聲，較好地改善了圖像的增強效果。

4 結論

1）利用小波變換分解紅外圖像，有效地將圖像邊緣細節(jié)與噪聲部分進行分離，對高頻和低頻圖像有針對性地設計相應算法，分別實現(xiàn)圖像增強處理。將本文算法應用于紅外故障檢測系統(tǒng)中，可以更容易利用人眼直接判斷芯片的發(fā)熱紅外圖像，定位故障點所在，具有一定的實用價值。

2）在低頻部分，利用人眼的色感一致性能力對低頻部分圖像進行增強，增強和圖像視覺效果良好；高頻部分，可變閾值可以較好地去除圖像噪聲，圖像清晰度參數(shù)的應用有針對性地對高頻圖像進行不同程度的增強處理。

3）通過表1可知，直方圖均衡法與多尺度Retinex法在增強了對比度的同時也放大了噪聲；小波變換法雖然對噪聲產(chǎn)生了較好地抑制，但是沒有有效地增強圖像對比度；本文算法中，對比度雖然低于直方圖均衡法，但是其信噪比較高，視覺效果明顯高于直方圖均衡法。同時，本文算法在去噪方面只略低于小波變換增強算法，比單獨使用多尺度Retinex算法增強效果更好。

綜上所述，本文算法在一定程度改善了圖像的對比度增強視覺效果，同時也有效地對噪聲進行了抑制，綜合效果優(yōu)于另外3種方法，可以應用于電路板紅外圖像故障檢測系統(tǒng)中。

[1] 賈兆輝, 伊興國, 孔鵬, 等. 一種基于直方圖的自適應紅外圖像增強算法[J]. 紅外技術, 2014, 36(9): 719-722.

JIA Zhao-hui, YI Xing-guo, Kong peng, et al. A self-adaptive enhancement algorithm for infrared images based on histogram[J]., 2014, 36(9): 719-722.

[2] 趙曉雷, 姚新宇. 基于小波變換的反銳化掩模圖像增強研究[J]. 渭南師范學院學報: 綜合版, 2013, 28(6): 60-62.

ZHAO Xiao-lei, YAO Xin-yu. Research on unsharp masking image enhancement based on wavelet transformation[J]., 2013, 28(6): 60-62.

[3] 尹士暢, 喻松林. 基于小波變換和直方圖均衡的紅外圖像增強[J]. 激光與紅外, 2013, 43(2): 225-228.

YIN shi-chang, YU Song-lin. Infrared image enhancement algorithm based on wavelet transform and histogram equalization[J]., 2013, 43(2): 225-228.

[4] 劉瑞劍, 陳樹越, 張甲杰. 多尺度Retinex算法在紅外圖像增強中的應用[J]. 彈箭與制導學報, 2008, 28(4): 193-195.

LIU Rui-jian, CHEN shu-yue, ZHANG Jia-jie. The application of enhanced technology of infrared image based on Retintex[J].,,, 2008, 28(4): 193-195.

[5] 張新明, 沈蘭蓀. 基于小波和統(tǒng)計特性的自適應圖像增強[J]. 信號處理, 2001, 17(3): 227-231.

ZHANG xin-ming, SHEN lan-sun. Adaptive image enhancement based on Wavelet and statistical properties[J]., 2001, 17(3): 227-231.

[6] 宋慶峰, 呂緒良, 隋明序, 等. 一種基于小波變換的圖像增強方法[J]. 光電技術應用, 2014, 29(6):39-42.

SONG Qing-feng, LV Xu-liang, SUI Ming-xu, et al. Image enhancement method based on wavelet transform[J]., 2014, 29(6):39-42.

[7] JH J, Y B, JB R. Contrast-enhanced fusion of multi-sensor images using subband-decomposed multiscale retinex[J]., 2012, 21(8): 3479-3490.

[8] 張凱, 金偉其, 裘溯, 等. 水下彩色圖像的亮度通道多尺度Retinex增強算法[J]. 紅外技術, 2011, 33(11): 630-634.

ZHAGN Kai, JIN Wei-qi, QIU su, et al. Multi-scale Retinex enhancement algorithm on luminance channel of color underwater image[J]., 2011, 33(11): 630-634.

[9] 劉海波, 湯群芳, 楊杰. 改進直方圖均衡和Retinex算法在灰度圖像增強中的應用[J]. 量子電子學報, 2014, 31(5):525-532.

LIU Hai-bo, Tang Qun-fang, YANG Jie. Application of improved histogram equalization and Retinex algorithm in gray image enhancement[J]., 2014, 31(5): 525-532.

[10] 李秋妮, 晁愛農(nóng), 史德琴, 等. 一種新的小波半軟閾值圖像去噪方法[J]. 計算機工程與科學, 2014, 36(8): 1566-1570.

LI Qiu-ni, CHAO Ai-nong, SHI De-qin, et al. A novel image denoising method of wavelet semi-soft threshold[J]., 2014, 36(8): 1566-1570.

The Technology about Infrared Image Enhancement of Circuit Board Based on Wavelet Transform and Retinex

HAO Jian-xin

（，300300，）

The chip area image enhancement of the circuit board is an important part of the infrared image fault detection system. Because some chip of circuit board has low calorific value, there is no obvious difference between the chip area infrared image and the background area infrared image. To improve the fault detection efficiency, a new infrared image enhancement method based on the wavelet transform and the improved multi-scale Retinex is designed in this paper. Firstly, the wavelet transform is used to obtain sub-band images of different frequency. Then, for low frequency sub-band image, the multi-scale Retinex is used， and for high frequency sub-band image, the variable threshold is applied to de-noise. At last, for the low and high frequency image, the image reconstruction is taken to achieve image fusion. The experiment results show that the method can suppress noise while preserving edge and detail elements, and enhance visual effect effectively.

infrared image，image enhancement，wavelet transform，Retinex，image sharpness

TP391.41

A

1001-8891(2015)12-1036-05

2015-04-20；

2015-07-27.

郝建新（1986-），男，天津武清人，碩士研究生，研究方向為模式識別與智能系統(tǒng)。

國家自然科學基金，編號：U1333111；天津市自然基金，編號：12JCQNJC00600。