高動態紅外圖像自適應增強算法研究

劉 樂 劉 勇 趙子倫 李 旭 侯 雄

1.北京航天計量測試技術研究所，北京 100076；2.北京航天自動控制研究所，北京 100854

0 引言

紅外圖像由于隱蔽性強，極強的穿透煙霧能力、抗干擾能力的特征使其在軍事領域受到廣泛應用，然而，由于光學探測器的光敏響應和光學系統在非理想條件下工作的影響，導致紅外圖像具有高噪聲、低對比度、圖像邊緣細節模糊等缺點，給遠距離目標及弱小目標的識別帶來很大干擾，降低了武器裝備識別率和準確度，為了改善圖像質量，增強紅外圖像紋理特征，突出目標特性，需要對圖像進行細節增強。

紅外圖像增強可以被劃分為頻域增強和空間域增強2種方法[1]。基于頻域的紅外圖像增強方法將空間域變換為頻域，通過修改圖像的幅度等信息，增強或抑制圖像中相關特征，增強了圖像的辨識能力?；诳臻g域的紅外圖像增強方法，通過改變像素的灰度值，實現圖像的增強。直方圖均衡化(Histogram Equalization，HE)是根據輸入像素值的概率將像素均勻分布在各灰度級上，從而增強紅外圖像的對比度[2]。自適應直方圖均衡化(APHE)算法在統計紅外圖像的局部灰度直方圖的基礎上，自適應地將灰度重新分布在動態范圍，以提升紅外圖像的整體對比度，但存在過度放大圖像中相同區域噪聲的問題[3]。而限制對比度直方圖均衡(CLAHE)算法能夠限制這種不利的放大[5]。上述的增強算法推動了紅外圖像處理領域的發展，但是由于算法僅關注灰度值的分布，忽略了細節信息的處理，導致紋理特征和占據像素點較少的細節信息而變得模糊。

為了使紅外圖像具有更好的細節信息，學者們開始關注分層處理的方式，出現了許多分層與細節增強相結合的算法。Branchitta等提出了一種基于雙邊濾波的動態范圍增強算法[6]，該算法對高動態范圍紅外圖像進行細節增強時保留了圖像的高頻細節信息,但在灰度變化較大的區域容易產生邊緣翻轉的現象，導致處理后的紅外圖像中出現光暈偽像。Liu N等提出了一種基于引導濾波的紅外圖像細節增強算法[7]，算法采用引導濾波器代替雙邊濾波器作為分頻工具，但算法在計算紅外圖像有效灰度值個數、門限閾值時均采用固定參數的方法，導致算法場景適應性較差。Gao C 等提出了基于小波變換的圖像細節增強算法[8],該算法將小波變換作為分頻器，并使用CLAHE處理基礎層低頻信息，最后實驗結果表明，基于分層思想的算法相較于單一的增強算法提升效果明顯，但是對運動場景的適應性不強。

本文通過多種紅外圖像增強算法的對比分析，最后基于分層處理的思想，提出一種高動態紅外圖像自適應增強與壓縮算法。如圖1所示，算法利用小波變換作為分頻器，將圖像分為基礎層低頻信息和細節層高頻信息。根據二者所包含的圖像信息的不同，對基礎層圖像采用基于自適應伽馬變換的增強方法，提高圖像的對比度；利用雙邊濾波對高頻細節層信息進行降噪處理。選取適當的加權參數，將處理后的高頻細節層信息和低頻基礎層信息加權融合。最后將融合后的16位高動態紅外圖像壓縮至8位圖像。

圖1 算法框圖

1 高動態紅外圖像自適應增強與壓縮算法

基于分層思想的算法是將高動態紅外圖像分解為包含大量低頻背景信息的基礎層和包含少量高頻信息的細節層，然后進行分布式處理。低頻信息是紅外圖像中像素灰度值變化平緩的區域，需要對其進行灰度圖展開等操作，以提升對比度；高頻信息是紅外圖像中變換較為劇烈的區域，一般包括邊緣和局部紋理信息以及噪聲，因此需要對高頻部分進行降噪處理。

1.1 小波分解與重構

小波變換是一種具有時域局部變化的函數，可以在有限的時間和變化的頻率下對信號進行多尺度分析，因而可以同時提供時間和頻率信息[9]。小波變換基本原理是通過對基本函數進行伸縮、平移得到小波基以對時變信號進行分解和重構。小波變換可以將圖像分解為低頻部分和高頻部分，如式(1)所示。

(1)

(2)

如圖2所示，為分解后的低頻基礎層圖像以及3個方向的高頻細節層圖像?？梢钥闯鲂〔ㄗ儞Q能夠有效的將圖像的邊緣特征和場景信息分離開，如圖3所示為原圖和基礎層信息及其各自灰度直方圖分布對比，經小波分解后，低頻信息的有效灰度范圍沒有變化，由于分解后的圖像直方圖分布波峰較多，致使圖像局部對比度有所增強，視覺效果得到提升。

圖2 分解后的高低頻圖像

圖3 原圖與小波分解后圖像對比

1.2 改進的自適應伽馬增強方法

本文將16位原始紅外圖像數據作為輸入，在實際應用中，高動態紅外圖像很少甚至幾乎無法達到整個動態范圍，這使得輸出圖像出現對比度差，細節紋理信息不突出等問題，不易于肉眼觀察。如圖4所示，未經處理的高動態紅外圖像的灰度直方圖分布范圍窄，導致圖像整體效果偏亮或偏暗，能夠辨別出的特征少。因此需要對基礎層的信息進行灰度拉伸，達到增強圖像細節的目的。HE及其相關增強算法過度關注全局或局部灰度分布，忽略了圖像紋理特征，導致圖像出現過度增強，細節丟失的問題。對此，本文提出了一種改進的自適應伽馬變換增強算法。

圖4 紅外圖像及其灰度直方圖

伽馬變換是相對簡潔且對環境適應性較強的圖像處理算法，能夠改善低對比度圖像的視覺效果。伽馬變換通過使用2個變化參數γ和c來控制紅外圖像的整體亮度及對比度，伽馬變換如式(3)。

(3)

其中，c,γ∈(0,1)，Igamma為輸出圖像數據；Iin為原始圖像數據。伽馬變換可以根據不同的γ取值選擇性的增強低灰度或高灰度區域的對比度，如圖5所示為輸入圖像和輸出圖像之間的灰度映射關系。

圖5 伽馬變換映射曲線

紅外原始圖像數據有效灰度范圍很窄，然而紅外探測器時常會遺留未被檢測到的盲原或響應不完全的像元，這導致有效灰度范圍外出現零散的灰度值，給有效灰度范圍的提取帶來了困擾。如圖6所示，若將少數無效的灰度值包含在有效灰度范圍內，會大大降低算法對紅外圖像的增強效果。另外從算法處理后的直方圖分布也可以看出，包含無效灰度值的增強直方圖雖然有所展開，但未被完全拉伸，這也證明零散無效灰度的存在會大大妨礙算法的性能。因此如何準確提取有效灰度范圍是伽馬變換增強的關鍵。自適應伽馬增強流程如下。

圖6 不同有效灰度范圍增強效果圖

首先，求得輸入16位高動態紅外圖像Igamma的均值μ及標準差σ，均值能夠體現有效灰度值的中心所在，標準差則能體現出有效灰度值分布的緊密性。為了剔除無效的灰度值，引進參數α和β。將存在于(α*β,β*μ)范圍外的視為無效灰度值，將其置為μ。其中α和β依據式(4)選取

(4)

其次，提取圖像的最大值IHigh及最小灰度值ILow，即有效灰度范圍(ILow,IHigh)，所要映射到的灰度范圍為(FLow,FHigh)。為了保證算法能夠適應多場景的應用，本文根據原始數據分布區域與γ的映射關系設計自適應參數，輸出紅外圖像F由式(5)所得

(5)

(6)

1.3 高頻信息處理

對紅外圖像低通濾波降噪是比較常用的圖像去噪方法，但容易將紅外圖像中的高頻強邊緣信息變得模糊，所以細節增強算法需要采用能夠保留圖像邊緣信息同時去除噪聲的濾波器。本文采用雙邊濾波來對高頻信息進行降噪處理，同時能夠保留邊緣信息。

雙邊濾波(Bilateral filter)是一種非線性濾波器，能夠在濾除圖像噪聲的同時，具有很強的邊緣保持性能，并且能夠保留大量的細節特征。其原理如式(7)所示

(7)

(8)

(9)

其中，f(i,j)為位置(i,j)的灰度值；W為圖像點f(i,j)的某個領域；R(i,j)為點f(i,j)雙邊濾波后的灰度值；ws(i,j)為空間鄰近度因子；wr(i,j)為灰度相似因子；σd和σr濾波參數w(i,j)為以(i,j)為中心計算的(k,l)處模板的權重。w(i,j)由式(10)可得。

(10)

由式(8)和(9)可以看出，σd變大時，參與加權的像素數量增多，圖像變得模糊，但由于σr的限制，保持了邊緣特征。

1.4 圖像融合及壓縮

本文設計的動態場景紅外圖像自適應增強算法將基礎層和細節層信息按照不同比例融合，如式(11)所示

Iout=(1-p)Ibase+pIdetial

(11)

其中，Iout為融合后的紅外圖像；Ibase和Idetial分別為基礎層信息以及細節層信息；p∈(0,1)為融合參數，經大量實驗驗證p=0.3為最合適的取值，能夠適應多種場景。

在圖像融合后，紅外圖像依然是16位，因此還需將其壓縮成8位以便于顯示。在算法最后階段進行圖像壓縮能夠有效避免因圖像的灰度級合并使得部分信息丟失。由于已經對紅外數據高低頻信息進行了分布式處理，紅外圖像的對比度等特征得到了很好的提升，因此只需采用簡潔的線性壓縮方法，即將16位紅外圖像按照線性關系壓縮成8位圖像，壓縮過程如式(12)所示

(12)

其中(a,b)位輸入灰度動態范圍，(c,d)為壓縮映射后的動態范圍。

2 實驗驗證

本文有針對性的選取了場景信息豐富的、小目標及單一背景的、具有易對比的多細節的及亮暗場景對比明顯的4種類型的紅外圖像來驗證算法性能，且所有紅外圖像均為16位數據，大小為320×256。如圖7所示為傳統的HE、CLAHE、基于引導濾波的增強方法和基于小波變換的增強方法與本文算法對比圖。

圖7 實驗結果對比

通過5種算法增強后的圖像可以看出，基于分層思想的增強算法在對比度、邊緣等特征信息的增強都優于傳統的HE、CLAHE增強算法。HE算法雖然能對紅外圖像進行一定拉伸，但易造成局部乃至整體對比度過度增強，致使細節信息丟失；CLAHE增強算法雖然避免了全局對比度過度增強，但細節邊緣等特征信息損失過多；由于將一些無效的灰度值引入需被增強的灰度范圍內，基于引導濾波的增強算法導致其增強結果在整體上偏亮或偏暗，局部細節信息被淹沒；基于小波變換的增強方法在前3種場景的對比度增強效果很好，但在第4種場景中出現過度增強，且在邊緣增強較差；本文提出的算法能夠很好地適應4種不同的場景，經過本算法處理后的圖像信息要遠多于其他算法，且目標輪廓清晰為了更加客觀全面的分析對比5種算法的性能，實驗選擇信息熵、峰值信噪比(PSNR)、細節增強評價(EME)3種指標進行評價。

(1)信息熵

信息熵是衡量圖像信息豐富程度的重要指標，對于圖像而言，灰度分布越廣，細節更豐富，信息熵也越大。圖像信息熵定義如下：

(13)

(14)

其中，p(k)表示第k個灰度級出現的概率；Ak表示第k個灰度級上的像素個數；M×N為圖像大小。

(2)PSNR

PSNR用于評價圖像質量的參數，能夠反映噪聲對圖像影響的大小，圖像峰值信噪比越大表示圖像質量越好，其表達式如式(15)所示

(15)

其中，IMAX為最大灰度值；m,n為圖像大??；I(i,j)，K(i,j)分別為經算法處理后的圖像和原始圖像灰度值。

(3)EME

EME是針對圖像細節豐富程度的評價指標，其思想將圖像分為多個小區域，統計小區域的灰度差異來反映整幅圖像細節的豐富程度?？梢苑从吵鼍植繀^域灰度變化程度，變化越劇烈，圖像細節越豐富，EME值越大。表達式如式(16)所示：

(16)

表1為5種不同的紅外增強算法在3種評價指標下得出的結果。可以看出，基于分層思想的增強算法在噪聲消除和紋理特征的增強都要強于單一的HE算法。而基于引導濾波的算法由于引入無效灰度值導致其信息熵較低，但在信噪比方面要優于基于小波變換的算法。本文提出的算法對低頻和高頻信息都進行了相應的處理，使其在信噪比和細節信息的指標都較高，增強效果明顯。

表1 不同算法客觀評價結果

3 結論

提出了一種高動態紅外圖像自適應增強與壓縮算法，算法以分層處理的思想為基礎，利用小波變換將紅外圖像分解為高頻細節信息和低頻基礎層信息；針對基礎層的低頻信息，設計了自適應的伽馬增強方法，并利用自適應門限參數，去除原始圖像中占據像素點個數較少但分布范圍較廣的無效灰度值，使得有效灰度均勻分布到全局動態范圍；針對高頻信息，利用雙邊濾波在去除高頻噪聲的同時能夠保留邊緣信息，然后將處理后的高低頻信息利用閾值系數進行加權融合。高動態紅外圖像數據已經進行了充分的處理，因此最后只需將其線性壓縮至低動態范圍，而不會損失圖像的細節信息。在最后的實驗驗證中，對5種算法性能進行對比，無論是主觀評價還是3種指標的客觀評價都證明本文算法在紅外圖像細節增強與壓縮方面具有一定的優勢。