王坤

摘 要

本文首先討論紅外圖像的特征，針對單一的直方圖均衡的紅外圖像增強方法存在紅外圖像細節(jié)部分不能很好的保持甚至丟失的缺點，針對此缺點，對小波變換理論及Retinex算法進行了深入研究，提出一種保持紅外圖像細節(jié)的Retinex算法，并對其算法的實現(xiàn)過程和思路作了詳細的描述，進一步通過MATLAB仿真，結果顯示，該算法可以有效提升紅外視頻圖像的細節(jié)信息。

【關鍵詞】紅外圖像 圖像增強 小波變換 直方圖均衡 Retinex 細節(jié)保持

1 引言

紅外圖像反映了目標和背景的紅外輻射的空間分布，其輻射亮度的分布主要是由所觀測景物的溫度和發(fā)射率所決定的。所觀測景物溫度高的部分表現(xiàn)在紅外圖像直方圖上為灰度值大的部分，所觀測景物溫度低的部分表現(xiàn)在紅外圖像直方圖上為灰度值小的部分。因此，紅外視頻圖像近似反映了所觀測景物的紅外輻射空間分布、景物溫差或輻射差。

由圖1紅外成像系統(tǒng)框圖所示，所觀測景物的紅外輻射需經過大氣傳輸、光學成像、光電轉換和預處理等過程才被轉換為紅外視頻圖像。因此紅外圖像一般表現(xiàn)為信噪比低、背景、目標對比度低，邊緣模糊及細節(jié)表現(xiàn)差等特點。隨著對紅外圖像增強效果要求的提高，保持原有紅外圖像細節(jié)信息以便更好地適應計算機分析和處理。

直方圖均衡化在增強對比度的同時，也放大了噪聲，并且造成圖像信息的丟失；小波變換能將紅外圖像的高、低頻信號很好地進行分離，而高頻信號往往表示的是紅外圖像的細節(jié)信息和噪聲；Retinex理論是基于特征的對比度增強方法，能將紅外圖像的目標部分進行增強處理且能有效抑制噪聲。

2 紅外圖像的小波分解與Retinex基本理論

2.1 紅外圖像的小波分解

在小波域中，噪聲主要存在于小尺度信號中，且隨著分析尺度的不斷增大而快速下降；而邊緣細節(jié)部分，隨著分析尺度的增大其下降速度比噪聲慢。因此，采用多尺度多分辨率小波變換，提取紅外圖像多個維度上的小波系數(shù)，低頻小波系數(shù)表征圖像的輪廓信息，而圖像不同維度上的細節(jié)、邊緣以及噪聲等信息則由其余的高頻小波系數(shù)表征。

小波變換將圖像分解成4個子帶圖像，水平與垂直方向皆為低頻成分的LL；水平方向低頻、垂直方向高頻成分的LH；水平方向高頻、垂直方向低頻成分的HL；水平與垂直方向均為高頻的HH。如圖2所示。高頻信號表示紅外圖像的細節(jié)信息及噪聲信息。

2.2 Retinex基本理論

Retinex（視網膜Retina和大腦皮層Cortex的縮寫）理論是于1971年提出的一種色彩理論。根據Edwin Land提出的Retinex理論，一幅給定的圖像S（x，y）分解成兩幅不同的圖像：反射物體圖像R（x，y）和入射光圖像L（x，y） 。用公式表示為：

S（x，y）=R（x，y）×L（x，y） （1）

D Jobson等人提出了多尺度Retinex算法，其公式為：

（2）

其中，Ri（x，y）是Retinex的輸出，i∈R，G，B表示3個顏色譜帶，紅外圖像由于是灰度圖像i只取其灰度值。Fn（x，y）是高斯濾波函數(shù)，Wn表示尺度的權重因子，N表示使用尺度的個數(shù)，N=1表示灰度圖像即紅外圖像。

3 保持細節(jié)的Retinex紅外圖像增強算法

紅外圖像是展現(xiàn)物體的熱量分布狀態(tài)明暗交替的灰度圖像，具有信噪比低、背景、目標對比度低，邊緣模糊及細節(jié)表現(xiàn)差等特點。根據紅外圖像的這些特點以及對直方圖均衡、小波變換和Retinex算法的分析，本文的保持細節(jié)的Retinex紅外圖像增強算法綜合三種算法的優(yōu)點。

由于小波變換可以將紅外圖像分解為低頻子帶圖像和高頻子帶圖像，紅外圖像的細節(jié)部分保留在高頻子帶圖像中，在Retinex算法中可以將噪聲有效過濾，因此可以用Retinex算法對高頻部分進行增強，獲得能夠保留紅外圖像原始細節(jié)信息的高頻部分增強圖像，且能夠有效的過濾噪聲。對于低頻部分圖像，將用直方圖均衡算法進行對比度增強，以使紅外圖像的對比度相較于完全使用Retinex算法或小波變換算法增強的紅外圖像較高。

低頻部分采用直方圖均衡化的過程如下：

（1）列出低頻部分原始紅外圖像的灰度級rk；

（2）統(tǒng)計低頻部分原始紅外圖像直方圖灰度級像素數(shù)nk；

（3）計算低頻部分原始直方圖個概率：pk=nk/N（k=0，1，2，...，L-1）；

（4）計算累計直方圖sk=∑pk；

（5）取整Sk=int{（L-1）Sk+0.5}；

（6）確定映射對應關系：rk→sk；

（7）統(tǒng)計新直方圖各灰度級像素nk；

（8）用pk（sk）=nk/N計算新直方圖。

高頻部分采用Retinex算法的過程如下：

（1）利用取對數(shù)的方法將照射光分量和反射光分量分離

S（x，y）=r（x，y）+l（x，y）=log（R（x，y））+log（L（x，y））

（2）用高斯模板對原始圖像做卷積，得到低通濾波后的圖像D（x，y），F(xiàn)（x，y）表示高斯濾波函數(shù)

D（x，y）=S（x，y）*F（x，y）

（3）在對數(shù)域中用原始圖像減去低通濾波后的圖像，得到高頻增強圖像G（x，y）

G（x，y）=S（x，y）-log（D（x，y））

（4）對G（x，y）取反對數(shù)，得到增強后的圖像R（x，y）

R（x，y）=exp（G（x，y））

（5）對R（x，y） 做對比度增強，得到最終的高頻部分增強后的圖像。

原始紅外圖像與直方圖均衡紅外增強圖像、小波分解紅外增強圖像和本文算法紅外增強圖像效果圖如圖3、圖4、圖5和圖6所示。

4 結論

本文針對紅外圖像對比度低、細節(jié)部分表現(xiàn)差等特點，利用小波變換將紅外圖像分解為高、低頻部分，對包含紅外圖像細節(jié)部分的高頻部分進行Retinex算法增強，可以有效的保留原始紅外圖像的細節(jié)信息，且能夠有效的抑制噪聲；對紅外圖像的低頻部分進行直方圖均衡化增強，保留直方圖對紅外圖像的對比度增強的優(yōu)點。因此，本文算法一定程度地使紅外圖像的對比度增強，且有效抑制噪聲的同時可以保留原始紅外圖像的細節(jié)信息。

參考文獻

[1]趙小川.MATLAB圖像處理-程序實現(xiàn)與模塊化仿真[M].北京：北京航空航天大學出版社，2014.

[2]溫海濱，畢篤彥等.消除光暈和細節(jié)增強的多尺度Retinex紅外圖像增強[J].紅外技術，2016.

[3]李毅，張云峰等.尺度變化的Retinex紅外圖像增強[J].液晶與顯示，2016.

[4]郝建新.基于小波變換與Retinex的電路板紅外圖像增強技術[J].紅外技術，2015.

[5]劉輝，趙文杰等.改進的多尺度Retinex紅外圖像增強算法[J].計算機技術與發(fā)展，2011.

[6]Rafael C.Gonzalez，Richard E.Woods，Steven Eddins.Digital Image Processing Using MATLAB[M].北京：電子工業(yè)出版社，2005.

[7]李毅，張云峰等.基于子帶分解多尺度Retinex的紅外圖像自適應細節(jié)增強[J].中國激光，2015.

[8]鄧亞平，王敏.基于視覺注意機制的紅外弱小目標檢測[J].華中科技大學學報（自然科學版），2015.

[9]代少生，劉琴等.基于路徑的Retinex算法在紅外圖像增強中的應用[J].半導體光電，2015.

[10]李毅.基于視覺模型的紅外圖像增強技術研究[D].長春：中國科學院長春光學精密機械與物理研究所，2016.

[11]王憶鋒.紅外圖像灰度直方圖統(tǒng)計分析的研究[J].紅外，2009，4（30）：14-16.

[12]彭真明，雍楊，楊先明等.光電圖像處理及應用[M].成都：電子科技大學出版社，2008.

[13]于雷.紅外圖像預處理算法研究及硬件實現(xiàn)[D].南京：南京理工大學，2010.

[14]尹士暢，喻松林.基于小波變換和直方圖均衡的紅外圖像增強[J].激光與紅外，2013，43（02）：225-228.