基于小波變換的一種紅外圖像增強算法

基于小波變換的一種紅外圖像增強算法

常宏韜1，孟慶虎2

(1.河南科技大學 信息工程學院，河南 洛陽 471023；2.香港中文大學 電子工程學院，香港 999077)

摘要：圖像增強處理是紅外圖像預處理的必要和關鍵環節，但目標物體信號弱造成紅外圖像的對比度差，外界噪聲干擾嚴重造成圖像質量差。基于此，提出了一種基于小波變換與奇異值分解和閾值濾波相結合的增強算法。本文用小波分解將紅外圖像的高頻與低頻系數分開，低頻域用奇異值分解處理方法來增強對比度和圖像質量，高頻域用閾值濾波處理來消除噪聲突出細節；最后，經過小波逆變換和小波重構得到最終的增強圖像。實驗結果表明：此方法對比傳統的紅外增強算法，可以將紅外圖像的對比度提高，增強紅外圖像細節，在直觀上更符合人的感官感應，是一種有效的紅外圖像增強方法。

關鍵詞：紅外圖像；奇異值分解；小波變換；閾值濾波

基金項目：國家“863”計劃基金項目(2001AA041001)

作者簡介：常宏韜(1988-),男,河南漯河人,碩士生;孟慶虎(1962-),男,山東濟南人,教授,博士，博士生導師,研究方向為國防和醫療智能機器人.

收稿日期：2014-04-27

文章編號：1672-6871(2015)01-0048-04

中圖分類號：TP317.4

文獻標志碼：A

0引言

目前，紅外圖像增強算法研究是紅外圖像處理中的重要組成部分。由于紅外成像技術具有隱蔽性好、對高溫目標較為敏感、具有一定的穿透和抗干擾能力且可在夜間工作等特點，所以在軍民領域都有著廣泛的應用[1]。但由于本身受器件的影響和環境的干擾，圖像的質量往往不高，具體表現為視覺效果模糊、分辨率和對比度等都比較低，大大影響了圖像質量，因此，紅外圖像的后期增強處理顯得尤為重要。目前，紅外圖像增強處理是以提高圖像分辨率、增強圖像細節特征和改善圖像清晰度為目的，以達到后續處理的需要。主要方法：在空間域處理上，通常有線性拉伸、直方圖均衡、反銳化掩膜等傳統方法[2]；在頻域處理上，一般對變換系數進行處理，如高通濾波，同態濾波等，并逆變換得到增強后的紅外圖像。目前的傳統增強算法如直方圖均衡化法[2]，在處理信噪比較低的圖像時將會導致紅外圖像的背景和噪聲占用的灰度級偏多，而目標的灰度級偏少，這相當于提高了背景和噪聲的對比度，反而降低了圖像質量；而同態濾波算法[3-4]在處理對比度低、亮度暗的圖像時，存在視覺效果往往不太令人滿意，圖像細節處理后不太明顯等缺點；而文獻[5-6]中單純的小波變換的閾值濾波處理結果或單純的奇異值分解處理造成圖像對比度太差，不太符合人們視覺感官觀察，但由于其各自加入了自適應性算法等使得結果相對折中。

鑒于以上分析，本文采用空頻結合的處理方法，對紅外圖像先采用分頻處理。由于小波變換可以將一幅圖像分解為大小、位置和方向都不同的分量,在做逆變換之前可以改變小波變換域中某些系數的大小[7-8]，這樣就能夠有選擇地放大所感興趣的分量而減小不需要的分量。本文先用小波變換將圖像分為低頻域和高頻域，其中，低頻域用奇異值分解增強處理來增強對比度和圖像質量，高頻域用閾值濾波處理用來消除噪聲突出細節；最后，經過小波逆變換重構得到最后的增強圖像，使對比度和峰值信噪比達到增強的目的。本文用多種方法進行仿真對比。

1基于小波變換的一種紅外圖像增強算法

1.1　新一代紅外成像系統信息及原理

新一代的紅外成像技術已經在安防監控中發揮著越來越重要的作用，其中，智能視頻監控技術能夠對目標進行跟蹤、識別、監測[9]等，能夠為相關工作人員提供對預警或監控的關鍵信息。新一代的紅外成像系統由光學系統、光譜濾波、紅外探測器陣列、輸入電路、讀出電路、視頻圖圖像處理、視頻信號形成、時序脈沖同步控制電路、監視器等組成。其大致工作原理是：光學系統接收目標物的輻射，經過光譜濾波，將目標范圍內的紅外輻射投射到紅外探測成像模塊中；紅外模塊經過對焦平面信息收集、A/D變換、積分，獲得紅外面陣信號。

由于被測目標物體各部分的紅外輻射的熱像分布信號非常弱,且本身受器件的影響和環境的干擾，造成圖像缺少可見光圖像那種層次和立體感，因而，對圖像的增強預處理就成為其必要的處理技術手段。最后形成的圖像視頻傳送至監視器處，達到預期的預警或監控目的。

1.2　圖像的小波分解

Ajf(x,y)=;

(1)

(2)

(3)

(4)

紅外圖像經過二層小波分解，可得到相應的示意圖，如圖1所示。其中，LL2為圖像二層分解的低頻部分，圖像的大部分能量都集中在這一區域，HL1、LH1、HH1和HL2、LH2、HH2分別為一層和二層水平、垂直與對角分量。它們包含圖像的細節和噪聲信息即高頻部分。

圖1　圖像的二層小波分解示意圖

經過上述小波變換，就可以將紅外圖像的高頻與低頻分開，進而對其各頻域進行再處理。

1.3　基于奇異值分解處理的紅外圖像低頻域增強

在奇異值分解之前，先構造一個高通濾波器，本文用一個改進的高斯高通濾波器。有如下定義：

(5)

其中：D(u,v)=[(u-u0)2+(v-v0)2]1/2為頻率(u,v)到濾波中心(u0,v0)的距離；D0為(u0,v0)=(0,0)時D(u,v)的值，為截止頻率。令γH>1,γL<1，增強高頻且抑制低頻，使得圖像動態范圍變大且對比度增強。

由于數字圖像都能表示為多個非負標量組成的矩陣，其奇異值矢量也是唯一確定的，它代表矩陣的分布式特征。對奇異值分解定義[11]如下。

(6)

矩陣經奇異值分解后，通過增強奇異值矩陣來實現圖像增強。在低頻域加入噪聲來達到增強奇異值從而達到增強圖像的目的，具體方法如下：

(Ⅰ)低頻部分Ajf(x,y)經過奇異值分解得到U,S,V。

(Ⅱ)利用改進的高斯噪聲濾波器處理經過傅里葉變換的S，得到Sn。

(Ⅲ)低頻域增強后的圖像為Ag(x,y)=USnVH。

1.4　基于閾值濾波的高頻小波細節紅外圖像增強

紅外圖像經小波變換分解所得的高頻子帶為高頻濾波的結果，它包含原圖像的大部分噪聲和細節信息；具有3個特征：灰度突變性、邊界性和方向性。根據以上3個特征，如果特征存在差異，則認為是高頻細節(邊緣點)，即增強該點的細節圖像；否則，則不是。這樣既保持對比度優化又增強了紅外圖像的層次感，使圖像信息量更加豐富。

算法如下：

(Ⅰ)圖2為4個3×3模板，如圖2所示，按0°、45°、90°、135°分別設置4個3×3模板，以(i,j)點為中心將3×3像素區域分成2個部分。按照4個模板分別對紅外高頻子圖像中的每一個像素點進行卷積求和操作。圖像中的每一個像素點進行卷積求和操作。

(a)角度為0°(b)角度為45°(c)角度為90°(d)角度為135°

圖24個3×3模板

(Ⅲ)對高頻紅外子圖像中的每一像素卷積所得的4個結果求絕對值，將每個結果分別和閾值進行比較，如果其中的任意一個結果大于或等于閾值,則判定其為高頻細節，否則不是。由于噪聲是隨機分布的，無論(i,j)是有效的邊界還是平滑的內部，沿邊緣方向的2個區域(噪聲分布和噪聲強度)在概率上都是相等的，從4個模板可以看出噪聲的影響基本抵消。

(Ⅳ)對紅外高頻子圖按上述原理進行檢測，對高頻子圖像點進行處理。

1.5　本文算法

(Ⅰ)原紅外圖像經過小波變換后分別得到圖像的低頻區域系數和高頻區域系數，其中,高頻HH表現在對角、垂直和水平方向上，低頻域體現在LL2中。

(Ⅱ)低頻域LL2用奇異值分解增強處理，用于提高對比度和增強圖像質量。

(Ⅲ)高頻域用閾值濾波處理，用于去噪和細節提取，讓圖像更易于人的視覺觀察。

(Ⅳ)最后,經過小波逆變換重構得到最終的結果。

2仿真結果和分析

本文通過Matlab仿真，對傳統的紅外圖像增強算法以及文獻中所提出的增強算法和本文算法的結果進行對比。對原紅外圖像分別進行對比實驗，實驗結果如圖3所示。此次仿真針對一幅紅外圖像，使用不同的方法進行實驗結果對比，分別和傳統的直方圖均衡化處理、自適應均衡化處理、文獻[3]中的同態濾波算法以及文獻[5]中的小波閾值去噪進行對比。其中，均衡化處理和文獻中的閾值去噪處理效果用肉眼就可分辨出增強效果，自適應均衡化與同態濾波算法細節分辨較好，利用圖像質量評價中的兩個重要標準(峰值信噪比和對比度)進行評判。

本文用峰值信噪比和對比度做為圖像的評判標準。

(Ⅰ)峰值信噪比公式：

PSNR=10log(2552/MSE)，

(7)

其中，MSE是處理后圖像與原圖像的均方誤差。

(Ⅱ)對比度。對比度的定義為：

(8)

其中：m和n分別為圖像的寬度與高度；f′(i,j)為增強后的圖像；對比度高更適合人眼視覺。

圖3　實驗結果

表1為圖3中各個算法增強后的圖像的對比度和峰值信噪比結果。從表1中可以明顯看出：增強后的圖像與原圖像和傳統處理結果相比，對比度和峰值信噪比都大有改善。其中，直方圖均衡化結果對比度雖然較高，但是峰值信噪比較低，圖像的細節不能很好地展現出來。與文獻[5]中算法相比，對比度和峰值信噪比都有較好的提高，而自適應均衡化算法處理結果較為折中，本文算法的峰值信噪比指標有明顯提高。

表1　不同算法的指標結果

3結論

通過實驗仿真，本文算法相比較傳統的算法(直方圖均衡化、自適應均衡化、同態濾波等)處理和單純的小波閾值去噪處理，在對比度和細節方面有一定的改善，更適合人們的視覺觀察，對圖像的后續處理有更好的幫助，對視頻圖像的預警監控也有一定的幫助，因此是可行的。

參考文獻：

[1]雷玉堂.紅外熱成像技術及在智能視頻監控中的應用[J].中國公共安全:市場版,2007(8):114-120.

[2]陳錢.紅外圖像處理技術現狀及發展趨勢[J].紅外技術,2013，35(6):311-318.

[3]王冬梅,路敬緯,王秀芳.基于Matlab的同態濾波算法的研究[J].科學技術與工程,2010,10(26):6562-6564.

[4]呂緒良,文劉強,榮先輝,等.基于小波變換的紅外圖像模糊與同態增強[J].解放軍理工大學學報:自然科學版,2013,14(2):158-162.

[5]儲鵬鵬.基于小波變換的圖像去噪方法研究[D].西安:西安電子科技大學,2009.

[6]Shih Y T,Chien C S,Chuang C Y.An Adaptive Parameterized Block-based Singular Value Decomposition for Image De-noising and Compression[J].Applied Mathematics and Computation,2012,218(21):10370-10385.

[7]吳強,王新賽,賀明,等.一種結合小波分析與直方圖的紅外圖像增強方法[J].應用光學,2011,32(3):464-467.

[8]孫慧賢,羅飛路,張玉華.基于小波變換和同態濾波的內窺圖像增強算法[J].探測與控制學報,2008,30(5):68-72.

[9]王孟,廖云.紅外熱成像技術在高分子科學研究中的應用[J].高分子通報,2013(7):68-72.

[10]Gonzalez R C,Woods R E.數字圖像處理Matlab版[M].北京:電子工業出版社,2011.

[11]劉明,劉先忠.矩陣論[M].2版.武漢:華中科技大學出版社,2005:83-89.