結(jié)合視覺特性的紅外圖像增強方法

于天河,趙樹梅,蘭朝鳳

(哈爾濱理工大學(xué)電氣與電子工程學(xué)院,黑龍江 哈爾濱 150080)

1 引 言

眾所周知,紅外成像技術(shù)抗干擾性好,但紅外圖像[1-2]易受傳輸距離、探測器等影響,出現(xiàn)問題如:灰度級集中、圖像細(xì)節(jié)模糊、不利于視覺觀察等。傳統(tǒng)紅外圖像增強算法有直方圖均衡算法(Histogram Equalization,HE)[3]、自適應(yīng)直方圖均衡算法(Adaptive Histogram Equalization,AHE)[4]、非線性灰度變換[5]等。傳統(tǒng)算法僅從圖像數(shù)據(jù)本身進行變換,忽略人眼的視覺特性,容易丟失細(xì)節(jié)信息,使得增強效果并不理想。

近年來,模擬人眼視覺特性的新型增強算法取得了較好的效果。Edwin.H.Land首次提出的Retinex算法[6],后來Jobson等[7-8]提出了改進的Retinex算法。該算法呈現(xiàn)了較好的圖像效果,但細(xì)節(jié)邊緣存在“光暈”現(xiàn)象。賈瑞明等[9]提出了分形算法,結(jié)合分形維數(shù)理論處理圖像,突出細(xì)節(jié)但噪聲處理不理想。本文充分研究人眼視覺特性與紅外圖像特征,提出了一種結(jié)合視覺特性的紅外圖像增強方法,既有效地抑制了噪聲,提高了對比度,使Weber區(qū)域的細(xì)節(jié)信息更加突出,又克服邊緣“光暈”現(xiàn)象,更好的改善了圖像視覺效果。

2 人眼視覺特性

人眼視覺感知系統(tǒng)與圖像處理有相似之處,本文研究人眼的灰度分辨能力與亮度感知特性對圖像進行處理。人眼分辨能力與灰度具有一定的關(guān)系[10],即在圖像灰度值中等時,人眼視覺分辨能力較高。對于紅外圖像而言,人眼的注意力只集中在灰度變化較大的區(qū)域。因此,本文視覺處理階段采用分段式方式。

從視覺感知特性研究,在對數(shù)域上人眼所感受光強梯度與背景強度成局部線性關(guān)系[11]。根據(jù)灰度分辨能力與亮度感知特性,可以將人眼視覺區(qū)域進行劃分,如圖1所示。

圖1 人眼視覺區(qū)域的劃分

圖1所示,從x1到x2為Devries-Rose區(qū)域,欠照明區(qū)域；從x2到x3為Weber區(qū)域,適當(dāng)照明區(qū)域；從x3到無限大為Saturation區(qū)域,過度照明區(qū)域。其中,Weber區(qū)域近似于線性區(qū)域,也是最適宜于人眼觀察的區(qū)域。

3 基于Weber理論的圖像分割預(yù)處理

Weber定律[12]在很多感知現(xiàn)象中存在,表示刺激量的感知不依賴于絕對強度,而依賴于相對強度。假定m為感覺物理量,n為對應(yīng)物理量,則表達式為

m=kIn(n)+c

(1)

式中,k∈(0,+∞),c∈(-∞,+∞)。本文先利用Weber定律建立單通道視覺感知模型,對亮度進行適度處理,改善過亮、過暗區(qū)域,使圖像信息更多保留在視覺敏感區(qū)域。再利用背景強度與光強梯度的函數(shù)關(guān)系進行分段劃分,將圖像分割成具有相似內(nèi)部特性的二維圖像,公式如(2)所示。

(2)

其中,B(x,y)為像素的背景強度;X(x,y)為輸入圖像;Q為像素X(x,y)的四個相鄰像素構(gòu)成的集合;Q′為像素X(x,y)的對角線上四個相鄰像素構(gòu)成的集合。定義參數(shù)光強梯度信息X′(x,y),計算H(x,y)、G(x,y),公式如(3)所示。

(3)

定義人眼的閾值參數(shù):像素最大差異BT、背景強度閾值Bi、光照梯度閾值Ki,其中i=1,2,3,公式如(4)、(5)所示。其中α1,α2,α3為視覺響應(yīng)特征參數(shù),通過大量測試得出α2=0.12,α3=0.63。

BT=Xmax(x,y)-Xmin(x,y)

(4)

(5)

基于視覺特性實現(xiàn)對紅外圖像的分割,得到三區(qū)域,公式如(6)所示。接下來,分析三區(qū)域用不同算法對其進行增強處理。

(6)

4 結(jié)合視覺特性的增強算法

4.1 Retinex算法原理

紅外圖像是由物體本身熱輻射而成,因此目標(biāo)量L(x,y)與反射量R(x,y)取決于自身特性。為了簡化算法并消除入射量I(x,y)的影響,通常對其進行對數(shù)變換。

多尺度Retinex(Multi scale Retinex,MSR)算法理論由單尺度算法理論演化而來,其數(shù)學(xué)模型為:

(7)

式中,*表示卷積運算；G(x,y)為低通函數(shù),用來估計低頻分量；n為環(huán)繞個數(shù)；wn為對應(yīng)的權(quán)重因子,通常n=3。RM(x,y)含有更多細(xì)節(jié)信息并有較好的動態(tài)壓縮能力。為了達到整體動態(tài)壓縮與色感一致性之間的平衡,選用MSR增強算法,來增強Weber區(qū)域的圖像。

4.2 改進的自適應(yīng)直方圖均衡算法

傳統(tǒng)HE算法可使像素灰度動態(tài)范圍擴大,但容易丟失細(xì)節(jié),視覺效果較差。因此,本文提出一種新的對比度增強的自適應(yīng)直方圖均衡算法(Improved Adaptively Increasing the Value of Histogram Equalization,IAIVHE)。

本文算法對輸入圖像的P(k)重新定義,采用自適應(yīng)均值法計算基準(zhǔn)值Pi,分為上、中、下三部分,限制PIAIVHE(k),調(diào)整參數(shù)來獲得新的PIAIVHE(k),實現(xiàn)圖像對比度增強。公式如下所示:

PIAIVHE(k)=

(8)

其中，α(k)為自適應(yīng)約束參數(shù),通過改變像素灰度區(qū)域的分布比例,依據(jù)平均亮度Xm使亮、暗區(qū)產(chǎn)生黑白拉伸效果,如公式(9)所示：

α(k)=

(9)

式中,β的取值范圍為[0,1]內(nèi)的任意實數(shù),經(jīng)過實驗確定最佳β=0.35。通過β可確定亮、暗區(qū)域中PIAIVHE(k)的像素分布及拉伸程度,還可以通過β值來改變產(chǎn)生傳遞曲線。將α(k)從兩側(cè)不斷趨近于Xm,防止視覺偽像達到圖像對比度增強的效果。累積密度函數(shù)CIAIVHE(k)歸一化灰度級,輸出增強圖像,公式如下所示:

(10)

IAIVHE算法通過對參數(shù)自適應(yīng)調(diào)整,來改變對比度避免過增強。為了紅外圖像能夠自適應(yīng)拉伸灰度,增強對比度,提高圖像質(zhì)量,因此對Devries-Rose區(qū)域、Saturation 區(qū)域選用IAIVHE增強算法。

最后,將增強后的三區(qū)域圖像按0.3∶0.4∶0.3的比例進行合并,突出Weber細(xì)節(jié)區(qū)域,得到增強后的紅外圖像。如公式(11)所示：

Img=0.3×img1+0.4×img2+0.3×img3

(11)

基于以上研究內(nèi)容,本文算法經(jīng)過了分割、增強、合并。針對亮度、細(xì)節(jié)特征,分別對各區(qū)域選取合適的算法進行處理,整體設(shè)計流程如圖2所示。

圖2 整體設(shè)計流程圖

5 實驗結(jié)果

為了驗證本文算法的有效性,采用5幅紅外圖像進行實驗,包括人物、建筑物、自然風(fēng)景。與其他算法進行比較,涉及到HE算法、SSR算法、AHE算法。仿真運行環(huán)境采用Windows10,處理器采用Intel(R) Core(TM) i5-3230M CPU @ 2.60 GHz,仿真軟件為MatlabR2015b。

圖3為紅外圖像分割結(jié)果圖,選取圖像:建筑物、人物。本文算法分割得到的三區(qū)域分別是:Devries-Rose區(qū)域、Weber區(qū)域、Saturation區(qū)域。通過主觀測評,其中Weber區(qū)域為細(xì)節(jié)信息量最大、最適宜視覺觀察的區(qū)域。

圖3 紅外圖像分割結(jié)果圖

圖4為本文算法與其他算法的對比圖。其中圖4(a)為紅外原始圖像,圖像模糊不清、噪聲明顯、不宜觀察；圖4(b)為基于HE算法的增強結(jié)果,圖像處理過亮,人物細(xì)節(jié)幾乎全部丟失,并且引入噪聲嚴(yán)重；圖4(c)為基于SSR算法的增強結(jié)果,雖然目標(biāo)信息的整體輪廓易于觀察,但是圖像中的細(xì)節(jié)部分缺失；圖4(d)為基于AHE算法的增強結(jié)果,圖像細(xì)節(jié)信息部分增強,整體亮度較暗,不易視覺觀察；圖4(f)為本文算法的增強結(jié)果,亮度處理適度,增強了細(xì)節(jié)信息,圖像更適合人眼觀察。

圖4 本文算法與其他算法的對比圖

本文采用均值、信息熵、平均梯度以及運行時間來評價HE算法、SSR算法、AHE算法和本文算法在紅外增強上的性能。

表1為建筑物圖像的實驗數(shù)據(jù)。通過紅外圖像增強算法后,圖像的信息熵都得到提高,本文算法的信息熵最大,圖像的信息量較多。均值反映了紅外圖像像素的平均大小,即平均亮度,本文算法最大。平均梯度反映了圖像中細(xì)節(jié)反差和紋理變化,即清晰度,本文算法最大。表2為人物圖像的實驗數(shù)據(jù)。本文算法的均值僅次于HE算法,信息熵最大,平均梯度僅次于AHE算法。運行時間進行對比,可以發(fā)現(xiàn)本文算法較優(yōu)于其他算法。綜合上述實驗結(jié)果,證明了本文紅外圖像增強算法的有效性和適用性。

表1 建筑物紅外圖像的實驗數(shù)據(jù)

表2 人物紅外圖像的實驗數(shù)據(jù)

6 結(jié) 論

本文針對紅外圖像的對比度、細(xì)節(jié)信息等問題,提出了結(jié)合視覺特性的紅外圖像增強方法。將視覺特性與紅外圖像特征相結(jié)合,利用對數(shù)線性關(guān)系特性分割圖像區(qū)域,根據(jù)各區(qū)域不同的亮度、細(xì)節(jié)分布選取適合的算法處理,并對IAIVHE算法進行改進,重構(gòu)圖像,最終得到增強后的紅外圖像。通過實驗表明,本文算法在增強細(xì)節(jié)信息的同時改善了圖像亮度,提升了圖像的對比度,有效的克服“光暈”現(xiàn)象,更適合于人眼視覺觀察。