劉 樂(lè) 劉 勇 趙子倫 李 旭 侯 雄

1.北京航天計(jì)量測(cè)試技術(shù)研究所，北京 100076；2.北京航天自動(dòng)控制研究所，北京 100854

0 引言

紅外圖像由于隱蔽性強(qiáng)，極強(qiáng)的穿透煙霧能力、抗干擾能力的特征使其在軍事領(lǐng)域受到廣泛應(yīng)用，然而，由于光學(xué)探測(cè)器的光敏響應(yīng)和光學(xué)系統(tǒng)在非理想條件下工作的影響，導(dǎo)致紅外圖像具有高噪聲、低對(duì)比度、圖像邊緣細(xì)節(jié)模糊等缺點(diǎn)，給遠(yuǎn)距離目標(biāo)及弱小目標(biāo)的識(shí)別帶來(lái)很大干擾，降低了武器裝備識(shí)別率和準(zhǔn)確度，為了改善圖像質(zhì)量，增強(qiáng)紅外圖像紋理特征，突出目標(biāo)特性，需要對(duì)圖像進(jìn)行細(xì)節(jié)增強(qiáng)。

紅外圖像增強(qiáng)可以被劃分為頻域增強(qiáng)和空間域增強(qiáng)2種方法[1]。基于頻域的紅外圖像增強(qiáng)方法將空間域變換為頻域，通過(guò)修改圖像的幅度等信息，增強(qiáng)或抑制圖像中相關(guān)特征，增強(qiáng)了圖像的辨識(shí)能力。基于空間域的紅外圖像增強(qiáng)方法，通過(guò)改變像素的灰度值，實(shí)現(xiàn)圖像的增強(qiáng)。直方圖均衡化(Histogram Equalization，HE)是根據(jù)輸入像素值的概率將像素均勻分布在各灰度級(jí)上，從而增強(qiáng)紅外圖像的對(duì)比度[2]。自適應(yīng)直方圖均衡化(APHE)算法在統(tǒng)計(jì)紅外圖像的局部灰度直方圖的基礎(chǔ)上，自適應(yīng)地將灰度重新分布在動(dòng)態(tài)范圍，以提升紅外圖像的整體對(duì)比度，但存在過(guò)度放大圖像中相同區(qū)域噪聲的問(wèn)題[3]。而限制對(duì)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(qiáng)算法推動(dòng)了紅外圖像處理領(lǐng)域的發(fā)展，但是由于算法僅關(guān)注灰度值的分布，忽略了細(xì)節(jié)信息的處理，導(dǎo)致紋理特征和占據(jù)像素點(diǎn)較少的細(xì)節(jié)信息而變得模糊。

為了使紅外圖像具有更好的細(xì)節(jié)信息，學(xué)者們開(kāi)始關(guān)注分層處理的方式，出現(xiàn)了許多分層與細(xì)節(jié)增強(qiáng)相結(jié)合的算法。Branchitta等提出了一種基于雙邊濾波的動(dòng)態(tài)范圍增強(qiáng)算法[6]，該算法對(duì)高動(dòng)態(tài)范圍紅外圖像進(jìn)行細(xì)節(jié)增強(qiáng)時(shí)保留了圖像的高頻細(xì)節(jié)信息,但在灰度變化較大的區(qū)域容易產(chǎn)生邊緣翻轉(zhuǎn)的現(xiàn)象，導(dǎo)致處理后的紅外圖像中出現(xiàn)光暈偽像。Liu N等提出了一種基于引導(dǎo)濾波的紅外圖像細(xì)節(jié)增強(qiáng)算法[7]，算法采用引導(dǎo)濾波器代替雙邊濾波器作為分頻工具，但算法在計(jì)算紅外圖像有效灰度值個(gè)數(shù)、門限閾值時(shí)均采用固定參數(shù)的方法，導(dǎo)致算法場(chǎng)景適應(yīng)性較差。Gao C 等提出了基于小波變換的圖像細(xì)節(jié)增強(qiáng)算法[8],該算法將小波變換作為分頻器，并使用CLAHE處理基礎(chǔ)層低頻信息，最后實(shí)驗(yàn)結(jié)果表明，基于分層思想的算法相較于單一的增強(qiáng)算法提升效果明顯，但是對(duì)運(yùn)動(dòng)場(chǎng)景的適應(yīng)性不強(qiáng)。

本文通過(guò)多種紅外圖像增強(qiáng)算法的對(duì)比分析，最后基于分層處理的思想，提出一種高動(dòng)態(tài)紅外圖像自適應(yīng)增強(qiáng)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(chǔ)層低頻信息和細(xì)節(jié)層高頻信息。根據(jù)二者所包含的圖像信息的不同，對(duì)基礎(chǔ)層圖像采用基于自適應(yīng)伽馬變換的增強(qiáng)方法，提高圖像的對(duì)比度；利用雙邊濾波對(duì)高頻細(xì)節(jié)層信息進(jìn)行降噪處理。選取適當(dāng)?shù)募訖?quán)參數(shù)，將處理后的高頻細(xì)節(jié)層信息和低頻基礎(chǔ)層信息加權(quán)融合。最后將融合后的16位高動(dòng)態(tài)紅外圖像壓縮至8位圖像。

圖1 算法框圖

1 高動(dòng)態(tài)紅外圖像自適應(yīng)增強(qiáng)與壓縮算法

基于分層思想的算法是將高動(dòng)態(tài)紅外圖像分解為包含大量低頻背景信息的基礎(chǔ)層和包含少量高頻信息的細(xì)節(jié)層，然后進(jìn)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(qū)域，需要對(duì)其進(jìn)行灰度圖展開(kāi)等操作，以提升對(duì)比度；高頻信息是紅外圖像中變換較為劇烈的區(qū)域，一般包括邊緣和局部紋理信息以及噪聲，因此需要對(duì)高頻部分進(jìn)行降噪處理。

1.1 小波分解與重構(gòu)

小波變換是一種具有時(shí)域局部變化的函數(shù)，可以在有限的時(shí)間和變化的頻率下對(duì)信號(hào)進(jìn)行多尺度分析，因而可以同時(shí)提供時(shí)間和頻率信息[9]。小波變換基本原理是通過(guò)對(duì)基本函數(shù)進(jìn)行伸縮、平移得到小波基以對(duì)時(shí)變信號(hào)進(jìn)行分解和重構(gòu)。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(chǔ)層圖像以及3個(gè)方向的高頻細(xì)節(jié)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(chǎng)景信息分離開(kāi)，如圖3所示為原圖和基礎(chǔ)層信息及其各自灰度直方圖分布對(duì)比，經(jīng)小波分解后，低頻信息的有效灰度范圍沒(méi)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(duì)比度有所增強(qiáng)，視覺(jué)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(duì)比

1.2 改進(jìn)的自適應(yīng)伽馬增強(qiáng)方法

本文將16位原始紅外圖像數(shù)據(jù)作為輸入，在實(shí)際應(yīng)用中，高動(dòng)態(tài)紅外圖像很少甚至幾乎無(wú)法達(dá)到整個(gè)動(dòng)態(tài)范圍，這使得輸出圖像出現(xiàn)對(duì)比度差，細(xì)節(jié)紋理信息不突出等問(wèn)題，不易于肉眼觀察。如圖4所示，未經(jīng)處理的高動(dòng)態(tài)紅外圖像的灰度直方圖分布范圍窄，導(dǎo)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(duì)基礎(chǔ)層的信息進(jìn)行灰度拉伸，達(dá)到增強(qiáng)圖像細(xì)節(jié)的目的。HE及其相關(guān)增強(qiáng)算法過(guò)度關(guān)注全局或局部灰度分布，忽略了圖像紋理特征，導(dǎo)致圖像出現(xiàn)過(guò)度增強(qiáng)，細(xì)節(jié)丟失的問(wèn)題。對(duì)此，本文提出了一種改進(jìn)的自適應(yīng)伽馬變換增強(qiáng)算法。

圖4 紅外圖像及其灰度直方圖

伽馬變換是相對(duì)簡(jiǎn)潔且對(duì)環(huán)境適應(yīng)性較強(qiáng)的圖像處理算法，能夠改善低對(duì)比度圖像的視覺(jué)效果。伽馬變換通過(guò)使用2個(gè)變化參數(shù)γ和c來(lái)控制紅外圖像的整體亮度及對(duì)比度，伽馬變換如式(3)。

(3)

其中，c,γ∈(0,1)，Igamma為輸出圖像數(shù)據(jù)；Iin為原始圖像數(shù)據(jù)。伽馬變換可以根據(jù)不同的γ取值選擇性的增強(qiáng)低灰度或高灰度區(qū)域的對(duì)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(guān)系。

圖5 伽馬變換映射曲線

紅外原始圖像數(shù)據(jù)有效灰度范圍很窄，然而紅外探測(cè)器時(shí)常會(huì)遺留未被檢測(cè)到的盲原或響應(yīng)不完全的像元，這導(dǎo)致有效灰度范圍外出現(xiàn)零散的灰度值，給有效灰度范圍的提取帶來(lái)了困擾。如圖6所示，若將少數(shù)無(wú)效的灰度值包含在有效灰度范圍內(nèi)，會(huì)大大降低算法對(duì)紅外圖像的增強(qiáng)效果。另外從算法處理后的直方圖分布也可以看出，包含無(wú)效灰度值的增強(qiáng)直方圖雖然有所展開(kāi)，但未被完全拉伸，這也證明零散無(wú)效灰度的存在會(huì)大大妨礙算法的性能。因此如何準(zhǔn)確提取有效灰度范圍是伽馬變換增強(qiáng)的關(guān)鍵。自適應(yīng)伽馬增強(qiáng)流程如下。

圖6 不同有效灰度范圍增強(qiáng)效果圖

首先，求得輸入16位高動(dòng)態(tài)紅外圖像Igamma的均值μ及標(biāo)準(zhǔn)差σ，均值能夠體現(xiàn)有效灰度值的中心所在，標(biāo)準(zhǔn)差則能體現(xiàn)出有效灰度值分布的緊密性。為了剔除無(wú)效的灰度值，引進(jìn)參數(shù)α和β。將存在于(α*β,β*μ)范圍外的視為無(wú)效灰度值，將其置為μ。其中α和β依據(jù)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(yīng)多場(chǎng)景的應(yīng)用，本文根據(jù)原始數(shù)據(jù)分布區(qū)域與γ的映射關(guān)系設(shè)計(jì)自適應(yīng)參數(shù)，輸出紅外圖像F由式(5)所得

(5)

(6)

1.3 高頻信息處理

對(duì)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(qiáng)邊緣信息變得模糊，所以細(xì)節(jié)增強(qiáng)算法需要采用能夠保留圖像邊緣信息同時(shí)去除噪聲的濾波器。本文采用雙邊濾波來(lái)對(duì)高頻信息進(jìn)行降噪處理，同時(shí)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(shí)，具有很強(qiáng)的邊緣保持性能，并且能夠保留大量的細(xì)節(jié)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(diǎn)f(i,j)的某個(gè)領(lǐng)域；R(i,j)為點(diǎn)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(shù)w(i,j)為以(i,j)為中心計(jì)算的(k,l)處模板的權(quán)重。w(i,j)由式(10)可得。

(10)

由式(8)和(9)可以看出，σd變大時(shí)，參與加權(quán)的像素?cái)?shù)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(shè)計(jì)的動(dòng)態(tài)場(chǎng)景紅外圖像自適應(yīng)增強(qiáng)算法將基礎(chǔ)層和細(xì)節(jié)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(chǔ)層信息以及細(xì)節(jié)層信息；p∈(0,1)為融合參數(shù)，經(jīng)大量實(shí)驗(yàn)驗(yàn)證p=0.3為最合適的取值，能夠適應(yīng)多種場(chǎng)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(jìn)行圖像壓縮能夠有效避免因圖像的灰度級(jí)合并使得部分信息丟失。由于已經(jīng)對(duì)紅外數(shù)據(jù)高低頻信息進(jìn)行了分布式處理，紅外圖像的對(duì)比度等特征得到了很好的提升，因此只需采用簡(jiǎn)潔的線性壓縮方法，即將16位紅外圖像按照線性關(guān)系壓縮成8位圖像，壓縮過(guò)程如式(12)所示

(12)

其中(a,b)位輸入灰度動(dòng)態(tài)范圍，(c,d)為壓縮映射后的動(dòng)態(tài)范圍。

2 實(shí)驗(yàn)驗(yàn)證

本文有針對(duì)性的選取了場(chǎng)景信息豐富的、小目標(biāo)及單一背景的、具有易對(duì)比的多細(xì)節(jié)的及亮暗場(chǎng)景對(duì)比明顯的4種類型的紅外圖像來(lái)驗(yàn)證算法性能，且所有紅外圖像均為16位數(shù)據(jù)，大小為320×256。如圖7所示為傳統(tǒng)的HE、CLAHE、基于引導(dǎo)濾波的增強(qiáng)方法和基于小波變換的增強(qiáng)方法與本文算法對(duì)比圖。

圖7 實(shí)驗(yàn)結(jié)果對(duì)比

通過(guò)5種算法增強(qiáng)后的圖像可以看出，基于分層思想的增強(qiáng)算法在對(duì)比度、邊緣等特征信息的增強(qiáng)都優(yōu)于傳統(tǒng)的HE、CLAHE增強(qiáng)算法。HE算法雖然能對(duì)紅外圖像進(jìn)行一定拉伸，但易造成局部乃至整體對(duì)比度過(guò)度增強(qiáng)，致使細(xì)節(jié)信息丟失；CLAHE增強(qiáng)算法雖然避免了全局對(duì)比度過(guò)度增強(qiáng)，但細(xì)節(jié)邊緣等特征信息損失過(guò)多；由于將一些無(wú)效的灰度值引入需被增強(qiáng)的灰度范圍內(nèi)，基于引導(dǎo)濾波的增強(qiáng)算法導(dǎo)致其增強(qiáng)結(jié)果在整體上偏亮或偏暗，局部細(xì)節(jié)信息被淹沒(méi)；基于小波變換的增強(qiáng)方法在前3種場(chǎng)景的對(duì)比度增強(qiáng)效果很好，但在第4種場(chǎng)景中出現(xiàn)過(guò)度增強(qiáng)，且在邊緣增強(qiáng)較差；本文提出的算法能夠很好地適應(yīng)4種不同的場(chǎng)景，經(jīng)過(guò)本算法處理后的圖像信息要遠(yuǎn)多于其他算法，且目標(biāo)輪廓清晰為了更加客觀全面的分析對(duì)比5種算法的性能，實(shí)驗(yàn)選擇信息熵、峰值信噪比(PSNR)、細(xì)節(jié)增強(qiáng)評(píng)價(jià)(EME)3種指標(biāo)進(jìn)行評(píng)價(jià)。

(1)信息熵

信息熵是衡量圖像信息豐富程度的重要指標(biāo)，對(duì)于圖像而言，灰度分布越廣，細(xì)節(jié)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(gè)灰度級(jí)出現(xiàn)的概率；Ak表示第k個(gè)灰度級(jí)上的像素個(gè)數(shù)；M×N為圖像大小。

(2)PSNR

PSNR用于評(píng)價(jià)圖像質(zhì)量的參數(shù)，能夠反映噪聲對(duì)圖像影響的大小，圖像峰值信噪比越大表示圖像質(zhì)量越好，其表達(dá)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(jīng)算法處理后的圖像和原始圖像灰度值。

(3)EME

EME是針對(duì)圖像細(xì)節(jié)豐富程度的評(píng)價(jià)指標(biāo)，其思想將圖像分為多個(gè)小區(qū)域，統(tǒng)計(jì)小區(qū)域的灰度差異來(lái)反映整幅圖像細(xì)節(jié)的豐富程度?？梢苑从吵鼍植繀^(qū)域灰度變化程度，變化越劇烈，圖像細(xì)節(jié)越豐富，EME值越大。表達(dá)式如式(16)所示：

(16)

表1為5種不同的紅外增強(qiáng)算法在3種評(píng)價(jià)指標(biāo)下得出的結(jié)果。可以看出，基于分層思想的增強(qiáng)算法在噪聲消除和紋理特征的增強(qiáng)都要強(qiáng)于單一的HE算法。而基于引導(dǎo)濾波的算法由于引入無(wú)效灰度值導(dǎo)致其信息熵較低，但在信噪比方面要優(yōu)于基于小波變換的算法。本文提出的算法對(duì)低頻和高頻信息都進(jìn)行了相應(yīng)的處理，使其在信噪比和細(xì)節(jié)信息的指標(biāo)都較高，增強(qiáng)效果明顯。

表1 不同算法客觀評(píng)價(jià)結(jié)果

3 結(jié)論

提出了一種高動(dòng)態(tài)紅外圖像自適應(yīng)增強(qiáng)與壓縮算法，算法以分層處理的思想為基礎(chǔ)，利用小波變換將紅外圖像分解為高頻細(xì)節(jié)信息和低頻基礎(chǔ)層信息；針對(duì)基礎(chǔ)層的低頻信息，設(shè)計(jì)了自適應(yīng)的伽馬增強(qiáng)方法，并利用自適應(yīng)門限參數(shù)，去除原始圖像中占據(jù)像素點(diǎn)個(gè)數(shù)較少但分布范圍較廣的無(wú)效灰度值，使得有效灰度均勻分布到全局動(dòng)態(tài)范圍；針對(duì)高頻信息，利用雙邊濾波在去除高頻噪聲的同時(shí)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(shù)進(jìn)行加權(quán)融合。高動(dòng)態(tài)紅外圖像數(shù)據(jù)已經(jīng)進(jìn)行了充分的處理，因此最后只需將其線性壓縮至低動(dòng)態(tài)范圍，而不會(huì)損失圖像的細(xì)節(jié)信息。在最后的實(shí)驗(yàn)驗(yàn)證中，對(duì)5種算法性能進(jìn)行對(duì)比，無(wú)論是主觀評(píng)價(jià)還是3種指標(biāo)的客觀評(píng)價(jià)都證明本文算法在紅外圖像細(xì)節(jié)增強(qiáng)與壓縮方面具有一定的優(yōu)勢(shì)。