IHS色彩空間下基于Curvelet變換的汽車抗暈光方法＊

王言 郭全民 張豪文

（西安工業大學，西安 710021）

主題詞：汽車抗暈光 圖像融合 IHS色彩空間 Curvelet變換

1 前言

夜間行車時，對向車輛的遠光燈會使駕駛員感到刺眼，無法看清前方路況，這種由于目標和背景亮度差異巨大而導致的瞬間致盲現象稱為暈光現象。濫用遠光燈極易造成暈光現象而引發交通事故，據公安部門統計，我國發生在夜間的交通事故中，與遠光燈使用不當有關的達到30%～40%[1]。因此，消除暈光以提高夜間駕駛安全性是目前亟待解決的問題。

針對這一問題，在雙向車道中間設置植物隔離帶或隔光板可有效消除暈光，但受城建規劃等因素影響，一般僅應用于城市主干道和高速公路。文獻[2]研究表明，在機動車前照燈及前風窗玻璃上加裝偏振片能完全消除暈光，但偏振片會削弱光照強度造成暗處信息觀察困難，且要求對方車上同樣安裝有方向嚴格一致的偏振裝置，難以普及。文獻[3]利用兩路積分時間不同的攝像機采集同一場景融合成一幅圖像，擴大了圖像的動態范圍，但無法徹底消除暈光現象。部分制造商給汽車配備了紅外夜視儀[4-6]，利用物體反射或自身輻射的紅外線成像來解決暈光問題，紅外圖像無暈光，但色彩、細節信息缺失嚴重，視覺效果不理想。文獻[7]提出了使用IHS加小波變換融合可見光和紅外圖像的方法來消除暈光，該方法充分利用了可見光圖像色彩細節信息豐富和紅外圖像沒有暈光的優點，融合后的圖像在降低暈光的同時，又具有豐富的色彩和細節信息，為解決暈光問題提供了一種新途徑，具有廣泛的應用前景。但由于采用的小波變換無法有效表達二維信息中的邊緣、輪廓等細節信息，故融合圖像的清晰度仍有待提高。

為了較為徹底地消除暈光，獲得符合人眼視覺習慣的清晰圖像，本文利用Curvelet[8]支撐區間具有各向異性的特點，提出了一種在IHS色彩空間下使用Curvelet變換融合可見光和紅外圖像的方法。Curvelet變換相比小波變換，在消除融合圖像暈光的同時，能保留更多的細節信息，提升圖像清晰度。

2 基于可見光和紅外圖像融合的抗暈光原理

可見光圖像雖然存在暈光現象，但其在除暈光之外的區域光譜信息豐富、分辨率高、細節紋理清晰；紅外圖像雖然分辨率低，細節信息模糊，但是其穿透性強，不受光照條件影響，夜晚拍攝強光目標源不會產生暈光。因此，本文利用可見光和紅外圖像成像特點的互補性來解決暈光問題，將二者進行融合獲得既無暈光又細節清楚的圖像。

由于原始圖像以RGB色彩模式存儲，首先將可見光圖像轉換到IHS色彩空間進行處理，即將其轉換為亮度I、色調H和飽和度S等3個分量，通過觀察發現暈光信息主要存在于其亮度分量I中，故僅對I與紅外圖像進行單通道融合，相比3個通道同時處理可減少運算量，提高處理速度，并且將亮度分量和色彩分量分開處理的方法有效地避免了色彩失真現象，得到的圖像更符合人眼視覺習慣。采用Curvelet變換來融合可見光亮度分量和紅外圖像，克服了二維小波基不具有各向異性的缺陷，能更好地表達邊緣、輪廓等細節信息。低頻系數包含了圖像的主要信息，反映了圖像的大致輪廓，相當于一定尺度下對原始圖像的近似，故可以認為可見光的暈光信息主要包含在低頻系數中，因此采用加權平均的低頻系數融合策略，能夠在消除暈光的同時保留2幅圖像的主要信息；而高頻系數反映了圖像的邊緣、輪廓等細節信息[9]，故高頻系數采用絕對值取大的融合策略，能夠保留更多更清晰的紋理細節信息。

3 IHS-Curvelet變換融合的抗暈光實現過程

為了減少圖像拍攝過程中存在的誤差，在融合前先對兩路圖像進行濾波、配準等預處理操作，然后對可見光圖像進行IHS正變換得到I、H、S分量，再對I分量和紅外圖像分別進行Curvelet分解得到各自的低頻與高頻系數，并采用加權平均策略融合低頻系數和絕對值取大的策略融合高頻系數，最后對融合系數進行Curvelet重構得到新的亮度分量I′，將其與原始的色調H、飽和度S分量進行IHS逆變換得到最終的融合圖像。整個圖像融合過程如圖1所示。

3.1 圖像預處理

用可見光和紅外相機拍攝夜間對向來車開啟遠光燈時的場景，可看到兩圖像空間位置不匹配，且都含有噪聲，其中可見光圖像產生暈光現象，暗處信息不易觀察，如圖2a所示，紅外圖像細節信息模糊，色彩單一，如圖2b所示。因此在融合前要對圖像進行濾波、配準等預處理操作。為了在消除噪聲的同時使圖像信息損失達到最小，采用3×3模板的均值濾波濾除圖像中的噪點，如圖2c、圖2d所示；以紅外圖像為參考圖像，對可見光圖像使用互相關加仿射變換法[10]進行配準，如圖2e所示。

圖1 圖像融合過程

圖2 圖像預處理

3.2 IHS色彩空間下基于Curvelet的可見光與紅外圖像融合

3.2.1 可見光圖像轉換到IHS色彩空間

使用IHS正變換公式[11]將可見光圖像轉換到IHS色彩空間，得到其亮度分量I、色度分量H和飽和度分量S：

式中，v1、v2為中間變量。

3.2.2 可見光圖像亮度分量I和紅外圖像Curvelet分解

由于待處理的數字圖像是二維離散信號，因此使用Curvelet變換的二維離散形式[12]進行Curvelet分解：

式中，f[t1,t2](t1≥0,t2＜n)為笛卡爾坐標系下的輸入；為Curvelet函數，其中D表示離散，j表示Curvelet分解的尺度，l表示方向，k表示位置。

使用式（4）對可見光圖像亮度分量I和紅外圖像進行Curvelet分解，得到各自的低頻系數、和不同尺度、不同方向下的高頻系數，其中VI表示可見光，IR表示紅外，0表示低頻。

本文采用Wrapping算法[12]實現式（4）中的Curvelet變換，具體實現步驟為：

a. 對式（4）中的輸入f[t1,t2]進行二維快速傅里葉變換（Fast Fourier Transformation，FFT）得到傅里葉采樣序列F[n1,n2](n1≥-n/2,n2≤n/2)；

b. 對每一個尺度、方向參數組(j,l)，將擬合窗與F[n1,n2] 相乘，其中為笛卡爾坐標系下滿足一定允許條件的類似“楔形”的塊狀窗函數；

3.2.3 低頻系數融合

可見光低頻系數既包含圖像的主要信息，也包含了暈光的主要信息。考慮到在消除暈光的同時能夠保留兩幅圖像的主要信息，本文采用加權平均的策略來融合低頻系數，即：

3.2.4 高頻系數融合

高頻系數反映了圖像的邊緣、輪廓等細節信息，一般絕對值較大的高頻系數包含了更多更清晰的紋理細節信息，所以采用絕對值取大的策略[13]來融合高頻系數，即：

3.2.5 Curvelet重構

采用Wrapping算法對融合后的高、低頻系數進行Curvelet重構，具體實現步驟為：

a. 對每一尺度、方向參數組(j,l)下的Curvelet系數CD(j,l,k)進行二維FFT得到；

b. 對每一尺度、方向參數組(j,l)下的與相應的Wrapped Curvelet函數相乘得到；

d.對F[n1,n2]進行二維逆FFT得到 f[t1,t2]，即融合圖像，將該圖像作為新的亮度分量I′。

3.2.6 IHS色彩空間轉換到RGB色彩空間

使用IHS逆變換公式[11]對可見光圖像的新亮度分量I′和原始的色調H、飽和度S分量進行IHS逆變換，獲得適合顯示器顯示的RGB色彩圖像，即為最終抗暈光融合圖像：

4 試驗結果及分析

為了驗證本文算法的有效性，選取IHS變換、小波變換、Curvelet變換、IHS-小波變換共4種不同算法與本文算法進行融合結果的比較，融合結果如圖3所示。

從融合結果可以看出，使用了IHS變換的圖3a、圖3d、圖3e中的人物、車牌等都有清晰的色彩，而未使用IHS變換的圖3b、圖3c幾乎成為灰度圖像，丟失了大量的色彩信息，表明可見光與紅外圖像融合時，采用的IHS變換能很好地保留原圖中的色彩信息，避免色彩失真。

對比圖3a、圖3d和圖3e可以看出：IHS變換融合圖像中的車輛輪廓、車牌、道路邊緣及背景建筑物模糊不清，圖像清晰度低；IHS-小波變換融合圖像的清晰度較IHS變換有所提升，邊緣輪廓等細節信息較為清楚；本文算法的IHS-Curvelet變換融合圖像清晰度明顯優于IHS-小波變換融合圖像，車輛輪廓、車牌、道路邊緣及背景建筑物清晰可見。3種算法融合圖像的清晰度依次遞增，表明在IHS變換的基礎上，因為小波變換具有可聚焦到信號任意細節的特點，加入小波變換使其融合圖像清晰度得到提升，Curvelet變換因為具有各向異性的支撐區間，能用更少的系數表示曲線，使其較小波變換能更好地保留圖像信息，融合圖像清晰度更高。

圖4 不同算法下的融合圖像

為了客觀地評價本文算法效果，選取標準差（Stan?dard Deviation）、平均梯度（Average Gradient）、邊緣強度（Edge Intensity）、信息熵（Entropy）4個通用參數[14-15]對IHS變換、小波變換、Curvelet變換、IHS-小波變換和本文算法5種算法的融合圖像進行了客觀數據分析，結果如表1所示。

表1 融合圖像的客觀評價

從表1中可以看出，本文算法融合圖像的標準差較IHS變換、小波變換、IHS-小波變換依次提高了50.58%、39.08%、27.26%，標準差的顯著提升表明本文算法使用的Curvelet變換比IHS和小波變換融合圖像的灰度范圍明顯增大，對比度大幅提高，較Curvelet變換提高了3.10%，表明在Curvelet變換的基礎上使用IHS變換，能進一步提高融合圖像的對比度。

本文算法融合圖像的平均梯度較IHS變換、小波變換、IHS-小波變換分別提高了62.27%，53.95%，51.78%；邊緣強度較IHS變換、小波變換、IHS-小波變換分別提高了60.29%，52.34%，50.62%。可知在這兩項指標上本文算法較使用IHS變換或小波變換的算法也有顯著提升，說明本文算法融合圖像的邊緣、輪廓、紋理等細節信息比IHS變換和小波變換算法的更加豐富，圖像清晰度大幅提升。本文算法融合圖像較Curvelet變換的平均梯度、邊緣強度分別提高了2.15%、8.77%，表明在Curvelet變換的基礎上使用IHS變換，能進一步提高融合圖像的清晰度。

本文算法融合圖像的信息熵較IHS變換、小波變換、Curvelet變換、IHS-小波變換依次提高了4.22%、3.78%、0.55%、2.88%，表明本文算法較以上幾種算法能保留更多的原圖信息，減少信息丟失。

以上客觀指標的數據對比與分析表明本文提出的IHS-Curvelet變換融合可見光和紅外圖像的算法，能使融合圖像的對比度和清晰度顯著提升，包含的信息量更多，進一步驗證了本文抗暈光方法的有效性。

5 結束語

本文針對現有抗暈光算法消除暈光不理想，融合圖像清晰度較低的問題，提出了一種在IHS色彩空間下基于Curvelet變換融合可見光和紅外圖像的抗暈光方法，克服了二維小波基不具有各向異性的缺陷，能更好地表達圖像的邊緣、輪廓、紋理等細節信息，同時保留了色彩信息，避免了色彩失真。通過對初步試驗結果的主、客觀分析表明，本文算法在有效消除暈光的同時，保留了更多的圖像原始信息，融合圖像色彩清晰，細節清楚，更符合人眼視覺習慣，有望增強現有汽車夜視系統及其效果，為夜間會車時的暈光問題提供一種更好的解決方案。然而該方法在低頻系數融合時采用了常用的加權平均融合策略，暈光信息仍參與了圖像融合，導致無法從根本上消除暈光，故有待進一步對低頻系數融合策略進行優化，使其能主動剔除暈光信息，避免參與融合過程，最終實現徹底消除暈光。