一種改進的自適應分段線性變換算法

陳 龍,趙 巍

(1.北京中電慧視科技有限公司,北京 100015；2.中國電子科技集團公司第三研究所,北京 100015)

1 引 言

紅外成像技術將景物的紅外輻射分布轉化為人眼可見的圖像。利用紅外成像設備進行目標的觀察、檢測和跟蹤,具有隱蔽性好、抗干擾、鑒別偽裝、獲取信息豐富等優點。因此,紅外成像系統無論在戰略預警、目標偵查、制導等軍用領域,還是在導航、遙感、氣象等民用領域都有廣泛的應用前景[1]。雖然原始紅外數據具有動態范圍高的特點,但在進行顯示和進一步處理之前,需要將動態范圍限制為256級灰階,即轉化為8位灰度圖像,以適應人類的視覺系統和模擬或數字顯示接口的要求。

針對這一問題,國內外的眾多研究者們提出了多種增強算法[2]。直方圖均衡化是圖像增強中較為常用的算法之一,但對于紅外圖像對比度增強效果并不理想。此外,平臺直方圖均衡化[3]、直方圖規定化、Retinex算法[4]、去霧增強算法[5]、可見光與紅外圖像融合的算法[6]等方法也被用于紅外圖像的對比度增強處理,但這些方法及其改進方法雖然效果良好,但大多計算復雜度較高,難以用于運算能力有限的紅外成像設備。

紅外圖像對比度低的原因往往是灰度集中在動態范圍內較窄的區間,分段線性變換通過把較窄的目標分布區間展寬,以達到增強圖像對比度的目的。這類方法計算過程簡單,易于實現,但對于不同圖像需要調整增強區間。羅辛一[7]提出了自適應分段線性變換算法,該算法能夠根據圖像灰度的分布自適應地確定增強區間。但閾值百分比的取值仍會對增強效果有影響,許多情況下需要手工調整其取值才能獲得較好的結果。因此,該算法仍不能實現真正意義上的自適應。本文提出一種改進的自適應分段線性變換算法,能夠根據紅外圖像的特點自動調整參數閾值,不需人為干預,并且計算復雜度低,能夠適用于紅外成像設備的實時處理。

2 算法原理

本文提出的紅外圖像對比度增強算法如圖1中所示。算法的輸入為轉化后的8位灰度圖像,輸出為增強后的灰度圖像。首先,需要計算輸入圖像的灰度直方圖,這是進行對比度增強的主要依據和算法后續處理步驟的基礎。

圖1 本文方法流程圖

給定輸入圖像f(i,j),其像素灰度為a0,a1,…,a255,即共256個灰度級,則其灰度直方圖Hf(ai)可表示為:

Hf(ai)=灰度級為ai的像素數(i=0,1,2,…,255)

2.1 邊界的確定

自適應分段線性變換算法首先要在灰度直方圖上確定進行線性變換的邊界。在確定變換邊界時,首先查找灰度直方圖的最大灰度級,這也是該算法具備一定自適應性的根本原因。由于通常情況下,最大灰度級處于灰度集中區域的中心附近,因此查找最大灰度級可以作為確定邊界的先決條件。設{a0,n0}為灰度直方圖Hf上的最大灰度級,其中a0為其灰度級值,n0為對應的像素數。

當最大灰度級確定后,需要進一步確定左右邊界。設定參數θ,且θ∈(0,1),令nT=n0·θ,則在[0,a0]內從左至右搜索aL,使得[0,aL]內所有ni

由上述過程不難看出,參數θ表征的是邊界灰度級與最大灰度級之間的像素個數之比。通過θ的改變,可以實現邊界的確定,從而實現灰度線性變換區間的改變。對于不同的紅外圖像,同一θ值得到的增強效果往往是不同的。因此,為了實現完全的自適應,需要一種自適應確定θ取值的方法。

2.2 灰度直方圖簇個數的比較

經過對比度增強之后,圖像的灰度直方圖分布曲線應僅在橫坐標軸上呈現出被拉伸的變化,而整體形狀不應發生改變。這種規律體現在曲線的波峰和波谷變化上即為簇的個數不應發生改變。

灰度直方圖在形式上為一離散函數,不便于處理,因此本方法采用三次樣條插值的方法對Hf進行曲線擬合。得到Hf的曲線擬合結果后,需要查找曲線上的局部最大值。局部最大值的個數即被認作灰度直方圖簇的個數。圖2給出了簇個數相同和不同的示例,其中(a)和(b)為原始紅外圖像及對應的灰度直方圖,(c)和(d)為某一θ值的增強結果,(e)和(f)為另一θ值的增強結果。由圖2中可以看出,(b)中灰度直方圖的簇的個數為3,(d)中灰度直方圖的簇的個數為2,(f)中灰度直方圖的簇的個數為3。而對比(a)、(c)和(e)可以發現,與原圖灰度直方圖簇個數不同的增強結果丟失某些細節(如圖像左上角),而與原圖灰度直方圖簇個數相同的增強結果卻能夠很好地保留這些細節。

圖2 簇個數對比示例

2.3 參數選擇過程

參數θ的取值會影響灰度線性變換的邊界,從而會影響最終的增強結果。為了實現根據不同輸入圖像自適應選擇參數θ的取值,本文設定一個候選數值集合{0.1,0.08,0.05,0.03,0.01,0.005,0.003,0.001}以及一個步長候選集合{20,18,15,10,5,3,2},且兩個集合中的元素一一對應。由于參數θ的含義是最大灰度級與截止灰度級的像素數之比,過大的θ會使圖像細節損失嚴重,過小的θ則對于對比度增強沒有意義。又因為各灰度級上像素數為離散數值,所以這一比值無需過于精確,某一局部區間范圍之內的取值往往會得到相同的結果。

在完成對灰度直方圖的三次樣條曲線擬合后,需要對所得到的平滑曲線進行固定步長的離散采樣,才方便獲得曲線的局部最大值。對于Hf,本方法采用值為2的固定步長進行局部最大值的搜索與確定。而在判斷簇個數是否相同時,本方法在上述步長候選集中依次選取步長的取值,之后再次計算Hf局部最大值的個數,并與之前得到的局部最大值個數進行比較。如果二者相等或步長取值為候選集中最后一個,則θ的取值就為候選集中當前步長所對應的取值。這樣的參數選擇過程不但能夠快速找到θ適合的取值,而且能夠避免重復線性變換的計算過程,使算法適用于計算資源有限的紅外成像設備。

2.4 灰度線性變換

當確定了左右邊界之后,可對原始圖像的全部像素進行灰度線性變換,增強后的圖像g(x,y)可通過下式計算:

由上式可知,對于灰度落在邊界范圍[aL,aR]之內的像素點,采用一種線性公式進行灰度變換。線性分布能夠使得集中于邊界范圍之內的灰度較為均衡地拉伸到灰度直方圖的更大范圍之內,從而提高紅外圖像的對比度。而對于其他像素點,則直接將其灰度置為0或255。

3 實驗結果及分析

為了驗證本文提出方法的可行性以及有效性,本文在自行采集的對比度較差的紅外原始圖像上進行實驗。評價一幅紅外圖像的對比度往往具有很強的主觀性。有研究者采用了多種客觀指標來衡量紅外圖像的對比度,但往往會出現某一客觀指標很好,而人眼觀測效果并不理想的情況。鑒于紅外成像設備的成像結果很大一部分的目的是供人直接觀看的,因此本文僅采用主觀感受和分析的方法來評價各對比度增強算法的結果。

本文實驗所用的測試數據為使用紅外成像儀所采集到的戶外原始數據,并且經過預處理轉換為8位灰度圖像,圖像像素大小為640×512。所有實驗均在Windows 10系統,32G內存,Intel i7 八核4.2 GHz處理器的PC機上使用Matlab R2016a實現。

3.1 不同θ取值對結果的影響

為了觀測不同θ取值對增強結果的影響,在相同圖像上分別采用本文給出的θ候選集中所有取值進行增強測試。圖3給出了其中一張圖像的增強結果。由圖中結果可以看出,當θ取值較大時,如圖3(b)、(c)、(d)、(e)所示,圖像中某些細節丟失嚴重,并且出現了“顆粒化”現象。圖3(f)和(g)中的結果雖然前景景物細節保留地較好,但背景中左側邊緣處的汽車的細節保留不全。相比之下,圖3(h)中的結果是最好的,不但圖像對比度有了明顯提升,而且前景與背景的細節保留地較好。采用本文提出的方法,對于圖3中的圖像,得到的增強結果為圖3(h)中所示。

圖3 同一圖像不同θ取值的結果對比圖

在實驗過程中,不同原始圖像得到的θ取值不盡相同,但與其他θ取值的結果相比,本方法的增強結果均為相對最好的,受篇幅所限,此處不再贅述。

3.2 不同增強算法結果對比

為了比較本文提出方法與其他紅外對比度增強算法,在測試數據上分別采用5種算法進行測試。圖4給出了同一張圖像的不同增強算法的處理結果。其中,圖4(c)為自適應分段線性變換的處理結果,該算法將θ的取值固定為0.1,對比圖4(f)中本文方法的結果可以看出,本文方法的結果更好。圖4(e)中Retinex算法的處理結果前景部分較好,但背景部分出現了較為嚴重的“顆粒化”現象。

圖4 不同算法的結果對比圖

此外,算法的計算時間也是需要考慮的因素之一。計算時間過長的算法很難保證紅外成像設備的實時性,對實時觀測的影響較大。表1中給出了幾種算法在本文實驗所用15張測試圖像上的平均計算時間。由表中可以看出,本文提出的方法的計算時間相對較少。綜合考慮算法的效果和計算時間,本文提出的方法具有一定的優勢。特別的,對比自適應分段線性變換的計算時間,本文提出的方法增加了約10 %的計算時間,但取得的效果卻有明顯的提高。

表1 不同算法的平均計算時間

4 結 論

針對紅外圖像對比度不佳的問題,本文提出了一種改進的自適應分段線性變換算法。該算法能夠根據紅外原始圖像的不同,自動選取適合的參數取值,并完成圖像的對比度增強,全部過程無需人為設定或修改任何參數,能夠實現真正的自適應對比度增強過程。通過在實際數據上的實驗,證明了本文方法的可行性以及有效性。通過觀測實驗過程中本文方法參數的自動選取結果,并對比不同取值結果,證明了本文提出的方法能夠針對不同圖像自適應地選取適合的參數。此外,通過在增強效果和計算時間方面與其他算法的對比,證明了本文方法的優勢。本文所提出的方法有望應用與紅外成像設備的實時處理,并取得較好地結果。