王文錦，杜素霞，陸 平

(中國船舶重工集團公司第七一八研究所，河北邯鄲056027)

1 引言

隨著現(xiàn)代科技的發(fā)展，紅外夜視成像技術在世界各國軍事領域均得到了廣泛的應用。上至戰(zhàn)斗機、巡航導彈，下至艦船、潛艇、坦克、步兵裝備，紅外夜視成像系統(tǒng)都是實現(xiàn)其信息化改造的重要組成部分，是實現(xiàn)信息化作戰(zhàn)的必不可少的裝備之一。但由于目標、景物的固有紅外特性和外界大氣環(huán)境等因素的干擾和影響，造成了成像效果的不理想，視覺觀察較為模糊。所以有必要對紅外夜視圖像進行數(shù)字增強處理，為人眼觀察和后續(xù)的智能圖像分析檢測提供有利條件。

直方圖均衡化算法［1－2］是一種最常用的紅外夜間圖像增強方法。其實質(zhì)是使圖像中灰度概率密度較大的像素向附近灰度級擴展，而概率密度較小的像素灰度級收縮，使圖像充分利用各灰度級，因而增強了圖像的對比度。但由于紅外夜視圖像的灰度值動態(tài)范圍小，而且存在噪聲干擾，所以直方圖均衡雖然增大了圖像的對比度，但主要提升的是紅外夜視圖像的噪聲，而非細節(jié);而且往往處理后的圖像視覺效果生硬、不夠柔和，有時甚至會造成圖像質(zhì)量的惡化［3］。

本文根據(jù)紅外夜視圖像的特點，提出了一種基于小波域的圖像自適應增強系統(tǒng)，該方案可以有效提高紅外夜視圖像的對比度，在抑制圖像噪聲的前提下對圖像細節(jié)進行增強。無論是通過人眼視覺觀察，還是利用客觀評價指標進行評估，本文算法的表現(xiàn)均超越了直方圖均衡化算法。

2 紅外夜視圖像自適應增強方案

紅外夜視圖像空間相關性強，對比度低，視覺效果模糊。成像器件和電路本身會帶來各種噪聲，再經(jīng)過對數(shù)增益控制器的放大，造成了圖像的低信噪比。從紅外夜視圖像的應用特點來看，成像系統(tǒng)一般應用于野外移動裝置，因此紅外夜視圖像增強方案必須適合在嵌入式系統(tǒng)中運行，故開發(fā)的增強算法必須運算量小且易于硬件實現(xiàn)。

根據(jù)以上分析，本文提出的紅外夜視圖像自適應增強方案如圖1所示。該系統(tǒng)主要由3個處理流程組成:小波變換預處理、低頻子帶增強和高頻子帶增強。下面具體介紹各流程的實現(xiàn)過程。

圖1 紅外夜視圖像自適應增強系統(tǒng)框圖

2.1 小波變換預處理

為了對紅外夜視圖像存在的各種缺陷采取針對性強的處理措施，本文首先對圖像進行小波變換。傳統(tǒng)的卷積小波變換運算量大，且實時性差，不利于硬件實現(xiàn)。因此，本文采用Daub 5/3整數(shù)提升小波變換。它的正變換公式［4］為:

對應的逆變換公式為:

Daub 5/3小波的優(yōu)點有:首先，運算速度快，其正變換和逆變換的計算僅靠整數(shù)加法和移位就可實現(xiàn)。其次，內(nèi)存需求低，小波變換后的系數(shù)用short型數(shù)據(jù)(2個字節(jié))即可保存。這些特點均有利于它在硬件上的實現(xiàn)。

在小波分解后的圖像中，主要整體信息由低頻系數(shù)表征，紋理細節(jié)信息由高頻系數(shù)表征［5］。如圖2所示，本文對待處理的紅外夜視圖像進行1級小波變換，后續(xù)處理過程在小波分解后的低頻子帶和高頻子帶分別進行。

圖2 一級小波變換示意圖

2.2 低頻子帶增強

由于紅外夜視圖像像素灰度值動態(tài)范圍小，不能充滿整個灰度級空間，絕大部分像素集中于某些相鄰的灰度級范圍，而且圖像整體偏暗，相應的灰度直方圖也集中分布于坐標系的左側(cè)［6］。所以紅外夜視圖像增強的主要工作在于將暗區(qū)的信息表達清楚，但又不能過亮，以免丟失過度的細節(jié)信息。因此，本文算法對LL1子帶系數(shù)進行自適應動態(tài)范圍擴展。具體實施過程為:

首先，統(tǒng)計出紅外夜視圖像LL1子帶的直方圖，然后從直方圖的最左端開始，對各像素值的出現(xiàn)頻數(shù)進行累加。當累積頻數(shù)達到0.03時，將當前像素值記為T1;繼續(xù)累加，當累加頻數(shù)為0.97時，將當前像素值記為T2，累加結(jié)束。

其次，對LL1子帶系數(shù)進行分段非線性變換，變換公式為:

從公式可以看出，上述變換可以將LL1子帶圖像的主要內(nèi)容擴展到整個灰度級空間。隨著亮度的增加，該非線性變換函數(shù)對灰度級的拉伸擴展程度呈遞減趨勢，在擴大圖像暗區(qū)主要內(nèi)容動態(tài)范圍的同時，避免了圖像過亮，有效防止了圖像細節(jié)信息的丟失。而且算法只對LL1子帶進行處理，有效節(jié)省了運行時間。

2.3 高頻子帶增強

高頻子帶的處理流程主要包括兩項關鍵技術，即紋理保護高斯濾波和噪聲抑制邊緣增強。

2.3.1 紋理保護高斯濾波

為了抑制紅外夜視圖像的噪聲，同時避免損失圖像的紋理細節(jié)，并考慮到算法的易于硬件實現(xiàn)性，本文采用基于高頻子帶方向性的高斯模板濾波策略。

二維高斯濾波器的數(shù)學表達式［7］為:

如果對圖像中的所有像素點利用該公式進行濾波處理，將涉及大量的指數(shù)和浮點數(shù)運算，在很大程度上會影響到算法的實時性。本文通過選取合適的平滑參數(shù)，將連續(xù)高斯濾波函數(shù)進行離散化和歸一化，得到二維高斯濾波模板:

再對圖像小波分解后的高頻子帶采取濾波措施。HL、LH、HH子帶分別對應圖像豎直、水平、對角線方向上的高頻分量，包含了大量的圖像紋理信息。為了保證這些細節(jié)信息不在濾波的過程中受損，本文對HL1、LH1、HH1子帶分別使用三個不同方向的濾波器，所對應的公式分別為:

通過以上高斯加權平滑操作，在有效去除圖像高頻信息噪聲的同時，保護了各方向的邊緣細節(jié)信息。而且處理過程均為整數(shù)運算，保證了算法的實時性。

2.3.2 噪聲抑制邊緣增強

小波變換后的高頻部分包含圖像的細節(jié)信息，因此本文通過對高頻系數(shù)進行非線性閾值增強，來突出圖像的紋理細節(jié)。

由于高頻子帶中同時包含了圖像信號和噪聲，所以在進行高頻系數(shù)處理前，有必要對二者進行辨識區(qū)分。利用HH1子帶系數(shù)估計噪聲的標準方差［8］，公式為:

其中，μ是HH1子帶系數(shù)的均值;xi是HH1子帶的系數(shù);n是HH1子帶系數(shù)的數(shù)量。

對于正交小波變換，高頻系數(shù)中的噪聲閾值取為:

將絕對值小于 T的HL1、LH1、HH1子帶系數(shù)看作噪聲信號，其他系數(shù)作為細節(jié)信息采用變換函數(shù)進行放大，達到增強圖像的高頻細節(jié)信息、并抑制噪聲的目的。本文采取的非線性閾值增強函數(shù)為:

其中，Cmax、Cmin分別對應高頻子帶中絕對值最大和最小的系數(shù)值，Cmin一般取零。A是高頻系數(shù)的放大幅度，在本文中:

通過對幅值大于噪聲閾值的系數(shù)進行放大，同時抑制被辨識為噪聲的系數(shù)，在不放大圖像噪聲的同時，對邊緣細節(jié)進行了增強。

3 實驗結(jié)果

為了驗證本文算法的有效性，對2幅具有代表性的紅外夜視圖像進行了測試。分別使用本文算法和直方圖均衡化算法進行增強處理，在主觀視覺效果和客觀評價指標兩方面進行了對比。其中客觀評價參數(shù)包括:離散信息熵和圖像噪聲指數(shù)。實驗仿真的軟件平臺是Visual C++6.0，電腦配置為:主頻2.8GHz雙核CPU、2GB內(nèi)存。

圖3、圖4給出了2組紅外夜視圖像利用本文方法和直方圖均衡算法增強前后的視覺效果對比。從圖中可以看出，本文算法處理結(jié)果對比鮮明，細節(jié)清晰，更適合人眼觀察。而直方圖均衡化算法對噪聲進行了過度增強，一些重要細節(jié)信息在均衡的過程中也被合并掉，嚴重影響了圖像的視覺效果。

為量化圖像的灰度層次擴展程度和細節(jié)增強程度，對兩種方法處理后圖像的離散信息熵(公式11)進行了計算，結(jié)果如表1所示。

其中，ak表示灰度值為k的像素點;P(ak)為像素點ak在圖像中出現(xiàn)的概率。

可以看出，和直方圖均衡化算法相比，本文算法處理圖像的離散信息熵提高了48%～58%。說明原始圖像經(jīng)本文算法增強后，含有更大的信息量，灰度層次更豐富，邊緣細節(jié)信息得到了有效增強。

本文利用噪聲指數(shù)［10］來衡量處理后圖像的噪聲大小，其定義為:

從表1的計算結(jié)果可以看出，本文算法的噪聲指數(shù)僅為直方圖均衡化算法的5%。這說明本文算法有效區(qū)分了有用信號和噪聲，在對圖像進行增強的同時沒有進行噪聲過增強;而且采取的降噪措施切實可行。

表1 兩種算法的客觀評價指標對比

4 結(jié)論

本文提出了一種基于小波域的紅外夜視圖像自適應增強系統(tǒng)。對不同內(nèi)容的圖像進行自適應動態(tài)范圍擴展，可以根據(jù)圖像的亮度統(tǒng)計特性自動確定變換函數(shù)，在擴大圖像暗區(qū)動態(tài)范圍的同時，避免了圖像過亮，有效防止了圖像細節(jié)信息的丟失。根據(jù)小波系數(shù)的方向性進行紋理保護高斯濾波，在去除噪聲信號的同時，避免了邊緣細節(jié)信息的損失。噪聲抑制邊緣增強技術通過估計噪聲閾值，采取非線性閾值增強函數(shù)對高頻系數(shù)進行邊緣細節(jié)增強，同時避免了噪聲信號的放大。實驗結(jié)果表明，本文算法不僅在主觀視覺方面的表現(xiàn)超越了直方圖均衡化算法，且離散信息熵提高了48% ～58%，噪聲指數(shù)僅為直方圖均衡化算法的5%，處理后的圖像滿足人眼觀察和機器識別的要求。今后的研究工作在于紅外夜視視頻序列的增強，以及在嵌入式系統(tǒng)上對算法進行優(yōu)化實現(xiàn)。

［1］Stark J A．Adaptive image contrast enhancement using generalizations ofhistogram equalization［J］．IEEE Trans．on Image Processing，2000，9(5):889 －896．

［2］Lau S S Y．Global image enhancement using local information［J］．Eletron．Letters，1994，30(2):122 －123．

［3］Zeyun Yu，Chandrajit Bajaj．A fast and adaptive method for image contrast enhancement［C］//Proc．of ICIP 2004，2004:1001－1003．

［4］A W CalderBank，I Daubechies，W Sweldons．Wavelet transforms that map integers to integers［J］．Applied and computational harmonic analysis，1998，5(3):332 －369．

［5］Li Qingzhong，Wang Wenjin．Low-bit-rate coding of underwater color image using improved wavelet difference reduction［J］．Journal of visual communication and image representation，2010，21(7):762 －769．

［6］Yang Shubin，He Xi，Cao Heng．Double-plateaus histogram enhancement algorithm for low-light-level［J］．Journal of convergence information technology，2011，6(1):251－256．

［7］Wang Zhenhua，Dou Lihua，Chen Jie．An adaptive gaussian filter with scale adjustable［J］．Optical Technique，2007，32(3):395 －402．(in Chinese)王振華，竇麗華，陳杰．一種尺度自適應調(diào)整的高斯濾波器設計方法［J］．光學技術，2007，32(3):395 －402．

［8］David L Donoho，Iain M Johnstone．Ideal spatial adaption via wavelet shrinkage［J］．Biometrika，1994，81(3):425－455．

［9］Ma Shichao，Wang Zhensong．Rapid comuptation of trigonometric function on dsp［J］．Computer Engineering，2005，3(22):12 －14．(in Chinese)馬士超，王貞松．基于DSP的三角函數(shù)快速計算［J］．計算機工程，2005，3(22):12 －14．

［10］ John Immerkr．Fast noise variance estimation［J］．Computer Vision and Image Understanding，1996，64(2):300－302．