嚴紅麗 石永華 孫凱傳

(1. 滁州學院電子與電氣工程學院， 安徽 滁州 239000； 2. 滁州學院計算機與信息工程學院， 安徽 滁州 239000)

基于NSCT變換的紅外圖像增強新算法

嚴紅麗1石永華1孫凱傳2

(1. 滁州學院電子與電氣工程學院， 安徽 滁州 239000； 2. 滁州學院計算機與信息工程學院， 安徽 滁州 239000)

針對夜間紅外圖像噪聲大、對比度低的問題，探討一種基于正態(tài)分布特性和NSCT變換相結(jié)合的夜間紅外圖像增強算法。充分利用了高頻子帶的系數(shù)標準差、系數(shù)均值和每個子帶系數(shù)最大值的構(gòu)造自適應(yīng)閾值，保護圖像的邊緣細節(jié)，抑制圖像噪聲；提出一種新的弱邊緣系數(shù)增益函數(shù)，有效地提升了圖像的弱邊緣信息。低頻系數(shù)采用了基于正態(tài)分布特性的對比度拉伸增強算法。

紅外圖像增強； 正態(tài)分布； 圖像邊緣； 自適應(yīng)閾值

紅外成像設(shè)備在軍事和民用領(lǐng)域應(yīng)用廣泛，但是紅外成像設(shè)備獲取的夜間紅外圖像受環(huán)境影響，存在噪聲大、對比度低等缺陷[1]。對紅外圖像需作進一步的清晰化處理，即紅外圖像增強。傳統(tǒng)的紅外圖像增強主要采用空域增強法和頻域增強法[2]。空域增強法，可直接對圖像的灰度值進行處理，通過改變圖像像素的分布特性以提升圖像對比度，如線性灰度變換、直方圖均衡化等。頻域增強法，可將圖像由空域轉(zhuǎn)換到頻域中隊頻譜并進行相應(yīng)操作，如頻域高通濾波、頻域低通濾波等，以達到圖像增強的效果。 傳統(tǒng)方法在增強圖像的同時，圖像的噪聲同時也被放大，增強效果仍需提高[3]。為此，國內(nèi)外學者針對紅外圖像增強作了大量研究[4-6]。

本次研究中，討論一種新的NSCT變換紅外圖像增強算法，通過NSCT分解得到高頻子帶和低頻子帶系數(shù)并進行相應(yīng)處理，經(jīng)反變換得到增強后的圖像。

1 NSCT變換

NSCT變換和小波變換相類似，也是一種多尺度分解的圖像二維表示方法，具有多分辨率、局部定位、多方向性、近鄰界采樣和各向異性等性質(zhì)，可將圖像分為高頻子帶和低頻子帶。NSCT變換具有很好的平移不變性，相比Contourlet變換具有更好的采集規(guī)律性，能更好地提取圖像本身的信息[7]。

NSCT變換中的濾波器組主要包括拉普拉斯金子塔濾波器結(jié)構(gòu)(LP)和方向濾波器(DFB)(見圖1)[8]。LP濾波器主要負責將圖像分為高頻子帶系數(shù)和低頻子帶系數(shù)，將高頻子帶和低頻子帶分開處理。DFB濾波器負責子帶系數(shù)的多方向分解，在實際使用中分解的方向數(shù)隨著尺度的變化而發(fā)生變化。NSCT變換可以很好地應(yīng)用于圖像增強處理。

圖1 NSCT變換濾波器組結(jié)構(gòu)和頻率分解圖

2 基于NSCT紅外圖像增強算法

2.1 高頻子帶處理增強

圖像經(jīng)NSCT分解之后，高頻方向子帶系數(shù)中包含了圖像大部分的細節(jié)邊緣信息以及幾乎全部的噪聲。一般情況下，噪聲存在于高頻子帶中絕對值較小的系數(shù)之中，對這部分系數(shù)需要采取措施加以抑制；而細節(jié)邊緣信息存在于高頻子帶中絕對值較大的系數(shù)中，這部分系數(shù)需要保留或增強。選取一個合適的閾值，將大于閾值的高頻子帶判別為邊緣信息分量，而小于閾值的分量判別為噪聲分量。因此，閾值選取合適與否十分關(guān)鍵，直接影響后續(xù)的圖像處理的結(jié)果。文獻[9]中對大于閾值的高頻子帶乘上一個正數(shù)進行放大處理。但是由于信號中存在能量較高的區(qū)域，若簡單地對信號能量較高的部分進行放大，可能會導致邊緣過增強，使增強后的圖像出現(xiàn)邊緣震蕩現(xiàn)象。

在此，設(shè)定一個閾值，高頻子帶上大于這個閾值的部分為信號部分。將這部分信號劃分為強邊緣信號和弱邊緣信號，強邊緣信號由于邊緣信息足夠應(yīng)予以保留，弱邊緣信息強度不足則應(yīng)進行增強處理。高頻子帶中小于這個閾值的部分是噪聲，應(yīng)予以去除。其算法如下：

(1)

為了使弱邊緣信號得到增強，在此應(yīng)用一種改進的雙曲正切函數(shù)對弱邊緣系數(shù)進行增強處理，可避免普通增益函數(shù)放大噪聲的問題。其算法如下：

(2)

式中，sgn(x)表示符號函數(shù)。通過加入符號函數(shù)可以保持高頻子帶系數(shù)的符號對應(yīng)弱邊緣的相位不變，增益調(diào)節(jié)系數(shù)的加入使得弱邊緣區(qū)域得到有效的增強。

2.2 閾值的構(gòu)造

文獻[10]中認為每個子帶的閾值為不同值。若對不同尺度、不同方向上的變換系數(shù)取同樣大小的閾值，并不能很好地估計每個子帶的噪聲和邊緣區(qū)域。高頻子帶系數(shù)自適應(yīng)確定閾值，即在不同尺度和不同方向上自適應(yīng)地選取不同的閾值。設(shè)定閾值和變換系數(shù)的標準差成正比[10]：

(3)

然而，若只根據(jù)標準取值來構(gòu)造閾值，并不能有效地估計信號的強度大小。這是因為，某些邊緣信號變化不是很大，其標準差取值過小，有可能導致噪聲被放大和保留。在此，綜合考慮每個高頻子帶的系數(shù)標準差、系數(shù)均值和每個子帶系數(shù)的最大值，得到以下閾值估計式：

(4)

2.3 低頻系數(shù)增強

經(jīng)NSCT變換所得到的低頻系數(shù)，包含了大量圖像的基本信息。其圖像是除了邊緣和輪廓信息之外的圖像縮略圖，基本不受噪聲影響，因此，對低頻系數(shù)進行增強處理可以提高圖像的對比度信息。于是，原始圖像對比度受到影響最大。為了有效提高原始圖像的對比度，需要對低通子帶系數(shù)進行拉升，以擴大圖像的整體對比度。分析NSCT分解后的低頻分量，發(fā)現(xiàn)其低頻分量的直方圖分布近似于正態(tài)分布。在此，利用直方圖正態(tài)分布的特性對低頻系數(shù)的對比度進行增強處理。對低頻分量的截取拉伸算法如下：

(5)

(6)

式中：μ為低頻系數(shù)的均值；δ為低頻系數(shù)的標準差；λ為常數(shù)，表示在均值附近截取的倍數(shù)。從以上分析可以看出，λ取3比較合適。

2.4 算法步驟

(1) 對夜間紅外圖像進行NSCT分解，將圖像分解為高頻分量和低頻分量。

(2) 利用式(3)求得高頻分量分割的閾值，并利用式(1)對弱邊緣進行增強處理，對噪聲分量予以去除，達到降低圖像噪聲和提升邊緣的目的。

(3) 對低頻分量利用直方圖截取拉伸進行灰度增強處理，即使用式(4)對低頻系數(shù)進行處理，提高圖像的對比度信息。

(4) 對增強后的高頻系數(shù)和低頻系數(shù)進行NSCT反變換，得到增強后的圖像。

3 實驗結(jié)果分析

為檢驗本算法的應(yīng)用效果，采集2組夜間紅外圖像進行對比。NSCT的分解層數(shù)是3層，濾波器組選擇“9-7”濾波器和“dmaxflat7”濾波器組。對2組圖像進行圖像增強實驗，并選取直方圖均衡化與文獻[4]的增強圖像進行對比。

3.1 第一組紅外灰度圖像增強實驗

對比第一組圖像采用幾種不同算法的增強實驗效果(見圖2)，并繪制其對應(yīng)的直方圖(見圖3)。

圖2 第一組紅外圖像增強效果對比

圖3 第一組圖像效果直方圖對比

原始夜間紅外圖像的質(zhì)量較差，圖像非常模糊，圖像的對比度和清晰度較低。從其對應(yīng)的直方圖來看，圖像的灰度級集中于低灰度級區(qū)域，分布不均，需要采取一定的措施提高圖像的質(zhì)量。采用直方圖均衡化方法增強后的圖像亮度得到提升，但其對應(yīng)直方圖的圖像出現(xiàn)了過增強現(xiàn)象。文獻[4]增強圖像的總體亮度得到提高，但圖像邊緣信息未能得到很好的突出，圖像仍顯模糊。

本算法增強后的圖像整體對比度得到大幅提升，圖像邊緣紋理得到了很好的突出。從直方圖分布上看，本算法增強后圖像的像素點在整個灰度范圍內(nèi)都得到了有效分布，圖像邊緣紋理特征也更加凸顯，如人體周圍的邊緣更為清晰。

3.2 第二組紅外灰度圖像增強實驗

對比第二組圖像采用幾種不同算法的增強實驗效果(見圖4)，并繪制其對應(yīng)的直方圖(見圖5)。

圖4 第二組紅外圖像增強效果對比

圖5 第二組圖像效果直方圖對比

原始圖像中包含較多噪聲干擾，圖像整體偏暗，且對比度低，圖像的邊緣和紋理比較模糊。直方圖均衡化處理后的圖像對比度大大提高，但是局部區(qū)域出現(xiàn)過增強現(xiàn)象，有些噪聲分量也被增強。此外，增強后的圖像在左上角區(qū)域出現(xiàn)了噪點，同時直方圖均衡化的增強效果無法實現(xiàn)調(diào)控；文獻[4]增強后的圖像亮度和對比度有一定提升，紋理邊緣信息也得到突出，但是效果并不顯著。

本算法增強后的圖像不僅亮度和對比度高，而且有效突出了邊緣和輪廓信息，也未出現(xiàn)過增強現(xiàn)象，有效抑制了圖像的噪聲，具有良好的視覺效果。其直方圖顯示，增強后的圖像灰度級分布相對更加合理。直方圖均衡化增強后的局部區(qū)域出現(xiàn)過增強現(xiàn)象，且局部噪聲也被放大。本算法增強后的圖像對比度更高，且未出現(xiàn)過增強現(xiàn)象。

3.3 信息熵指標評價

通過視覺觀察能在一定程度上評價圖像的質(zhì)量好壞，但是卻不能定量評價圖像的質(zhì)量。為定量的比較幾種算法的效果，在此選用信息熵指標評價圖像的質(zhì)量。信息熵能衡量圖像的信息量大小，信息熵越大表示圖像所含有用信息越多，圖像質(zhì)量越好。

表1 圖2中各圖像信息熵值

表2 圖4中各圖像信息熵值

數(shù)據(jù)顯示，本算法增強后的圖像信息熵值最高；直方圖均衡化和文獻[4]中的方法提升了信息熵值，但是其值仍小于本算法增強后的圖像信息熵值。本算法有效恢復(fù)了紅外圖像的信息，和主觀評價基本一致。綜上所述，無論從主觀評價還是客觀評價方面來看，本算法均優(yōu)于其他2種算法。

4 結(jié) 語

在研究NSCT圖像增強算法的基礎(chǔ)上，提出了一種新的NSCT變換夜間紅外圖像增強算法，對NSCT分解之后的高頻和低頻分量分別進行增強處理。通過高頻系數(shù)增強處理提高了圖像的邊緣和輪廓信息，降低了圖像的噪聲；通過低頻分量對圖像灰度值的拉伸處理，提升了圖像的對比度。后續(xù)研究中還需進一步觀察紅外圖像的成像機理，以實現(xiàn)紅外圖像的自適應(yīng)增強處理。

[1] 吳強, 王新賽, 賀明, 等. 一種結(jié)合小波分析與直方圖的紅外圖像增強方法 [J]. 應(yīng)用光學, 2011, 32(3): 464-467.

[2] KIM S, KANG W, LEE E, PAIK J. Wavelet-domain color image enhancement using filtered directional bases and frequency-adaptive shrinkage [J]. IEEE Transactions on Consumer Electronics, 2010, 56(2): 1063-1070.

[3] KOBER V. Robust and efficient algorithm of image enhancement [J]. IEEE Transactions on Consumer Electronics, 2005, 52(2): 655-659.

[4] 石丹, 李慶武, 倪雪, 等. 基于 Contourlet 變換的紅外圖像非線性增強算法[J]. 光學學報, 2009, 29(2): 342-346.

[5] 萬智萍. 基于小波 Contourlet 系數(shù)相關(guān)性的紅外圖像增強算法[J]. 圖學學報, 2014, 35(1): 93-99.

[6] 龔昌來, 羅聰, 楊冬濤, 等. 一種基于平穩(wěn)小波域的紅外圖像增強方法[J]. 激光與紅外, 2013, 43(6): 703-707.

[7] 吳一全，史俊鵬. 基于多尺度 Retinex的非下采樣Contourlet域圖像增強[J]. 光學學報,2015,35(3):87-96.

[8] KHAN M A U, KHAN M K, KHAN M A. Coronary angiogram image enhancement using decimation-free directional filter banks[G]∥ Proc. Int. Conf. Acoutics, Speech and Signal Proc.(ICASSP), Montreal, QC, Canada, 2004: 441-444.

[9] 杜超本, 賈振紅, 覃錫忠, 等. 基于 NSCT 的遙感圖像模糊增強算法[J]. 計算機工程, 2012, 38(4): 188-190.

[10] 梁棟, 殷兵, 于梅, 等. 基于非抽樣 Contourlet 變換的自適應(yīng)閾值圖像增強算法[J]. 電子學報, 2008, 36(3): 527-530.

[11] 劉茜, 盧心紅, 李象霖. 基于多尺度 Retinex 的自適應(yīng)圖像增強方法[J]. 計算機應(yīng)用, 2008, 29(8): 2077-2079.

[12] 胡韋偉, 汪榮貴, 方帥, 等. 基于雙邊濾波的 Retinex 圖像增強算法[J]. 工程圖學學報, 2010 (2): 104-109.

InfraredImageEnhancementAlgorithmBasedontheNSCTTransform

YANHongli1SHIYonghua1SUNKaichuan2

(1.School of Electronic and Electrical Engineering, Chuzhou University, Chuzhou Anhui 239000, China; 2.School of Computer and Information Engineering, Chuzhou University, Chuzhou Anhui 239000, China)

Because of the low contrast and loud noise of night infrared image, the infrared image enhancement method is presented in this paper, which is based on normal distribution characteristics and NSCT transform. By making full use of the high frequency sub-band coefficient of standard deviation, coefficient of mean and each sub-band coefficient maximum value for the construction of adaptive threshold, the image edge details are protected to better suppress the image noise. It also puts forward a new weak edge gain coefficient function, so weak edge information of the image can be effectively enhanced. The low frequency coefficient is based on the normal distribution characteristics and the contrast is enhanced.

infrared image enhancement; normal distribution; edge of image; adaptive threshold

2017-09-06

安徽省高校優(yōu)秀拔尖人才培育資助項目 —— 高校優(yōu)秀中青年骨干人才國內(nèi)外訪學研修重點項目(GXFXZD2016252)

嚴紅麗(1981 — )，女，碩士，講師，研究方向為信號處理和通信技術(shù)。

TP391

A

1673-1980(2017)06-0120-05