王江歌
(上海郵電設(shè)計(jì)咨詢研究院有限公司,上海 200082)
紅外技術(shù)迅速發(fā)展,不僅廣泛應(yīng)用于軍事領(lǐng)域,而且在醫(yī)療、工業(yè)、農(nóng)業(yè)以及交通領(lǐng)域的應(yīng)用也越來越多[1]。紅外技術(shù)的優(yōu)點(diǎn)較多,例如環(huán)境適應(yīng)性強(qiáng)、隱蔽性好以及抗干擾能力強(qiáng)等,但是紅外圖像在應(yīng)用過程中也存在許多問題,例如灰度級(jí)集中、圖像細(xì)節(jié)清晰度不夠以及噪聲大等,這些問題都不利于視覺觀察。如何增強(qiáng)紅外圖像細(xì)節(jié)的清晰度成為國(guó)內(nèi)外學(xué)者研究的焦點(diǎn),傳統(tǒng)的方法有灰度變換法、直方圖均衡法以及同態(tài)濾波法等,此類方法在一定程度上會(huì)增強(qiáng)紅外圖像的細(xì)節(jié),但是并沒有針對(duì)人類視覺特性進(jìn)行增強(qiáng),細(xì)節(jié)信息丟失比較嚴(yán)重,不利于視覺觀察[2]?;诖?,也有學(xué)者考慮人眼對(duì)圖像的識(shí)別規(guī)律提出了新的算法,例如基于小波理論算法,該算法的問題是細(xì)節(jié)突出但是并沒有很好地對(duì)噪聲進(jìn)行處理;還有基于膜皮層(Retinex)理論算法以及學(xué)者提出了Retinex 改進(jìn)算法,該算法有利于視覺觀察,紅外圖像質(zhì)量也得到了進(jìn)一步提高,然而,這種算法會(huì)出現(xiàn)“光暈”的現(xiàn)象[3]。
因此,該文提出了一種新的紅外圖像增強(qiáng)算法,該算法充分考慮圖像的光強(qiáng)、灰度等變化的細(xì)節(jié),更符合人類的視覺特性,該算法充分利用Weber 理論模擬人類視覺特征對(duì)紅外圖像進(jìn)行預(yù)處理,然后再對(duì)分割的圖像進(jìn)行有效增強(qiáng),在突出紅外圖像細(xì)節(jié)的同時(shí),還可以有效消除“光暈”的現(xiàn)象,增強(qiáng)后的圖像很符合人類視覺的特征。
圖像背景亮度對(duì)人類視覺的影響非常大,人類視覺特性可以用分段函數(shù)來表示,同時(shí)分成4 個(gè)區(qū)域,具體的劃分結(jié)果如圖1 所示。
在圖1 中,橫坐標(biāo)表示亮度的對(duì)數(shù)形式,縱坐標(biāo)表示最小視覺差的對(duì)數(shù)。R1 之前的區(qū)域是低對(duì)比度區(qū)域,該區(qū)域的特點(diǎn)是人類視覺系統(tǒng)感受不到的刺激強(qiáng)度的變化,R1~R2區(qū)域表示低照度區(qū)域,R2~R3 是中照度區(qū)域,可稱為韋伯區(qū)域,該區(qū)域也是人類視覺系統(tǒng)主要作用的區(qū)域,最后一個(gè)區(qū)域?yàn)轱柡蛥^(qū)域[4]。人類視覺系統(tǒng)對(duì)背景亮度過高和過低的圖像細(xì)節(jié)敏感度很低,因此該文主要針對(duì)后3 個(gè)區(qū)域進(jìn)行紅外圖像分析和處理。
圖1 人眼視覺區(qū)域的劃分
根據(jù)韋伯定理可知,刺激量的感知主要由相對(duì)強(qiáng)度決定[5]。如果用i表示感覺物理量,用j表示對(duì)應(yīng)物理量,就有公式(1)。
式中:f為常量,f的取值范圍為(0,+∞);b為感知強(qiáng)度,b的取值范圍為(-∞,+∞)。
對(duì)亮度進(jìn)行處理,主要是處理紅外圖像中過暗和過亮的區(qū)域,這樣就可以保證紅外圖像中的細(xì)節(jié)信息保留在視覺敏感區(qū)域。接著進(jìn)行圖像分割,分割的依據(jù)是背景強(qiáng)度與光強(qiáng)梯度的函數(shù)關(guān)系??梢园鸭t外圖像分割成二維圖像,圖像的特征是有相似內(nèi)部特性,如公式(2)所示。
式中:A(x,y)為像素的背景強(qiáng)度;R(x,y) 為輸入圖像;S為4 個(gè)相鄰像素的集合;S'為對(duì)角線上4 個(gè)相鄰像素的集合;R(m,n) 為相鄰像素點(diǎn)坐標(biāo);R(f,l) 為對(duì)角線像素坐標(biāo)。
如果設(shè)定光強(qiáng)梯度信息為R'(x,y),那么相應(yīng)的2 個(gè)函數(shù)如公式(3)所示。
對(duì)人類視覺參數(shù)進(jìn)行定義,使用BZ表示像素最大差異,如公式(4)所示。
用Am表示背景強(qiáng)度閾值,用Fm表示光照梯度閾值,m的取值為1~3,那么就有公式(5)。
式中:β1、β2和β3分別為視覺響應(yīng)特征參數(shù),經(jīng)過測(cè)試可知,β2=0.12,β3=0.63。
因此,就可以把紅外圖像分割成3 個(gè)區(qū)域,如公式(6)所示。
針對(duì)不同區(qū)域的特點(diǎn),使用不同的算法對(duì)紅外圖像進(jìn)行增強(qiáng)處理。
針對(duì)紅外圖像分割的結(jié)果,不同區(qū)域使用不同的算法來實(shí)現(xiàn)。使用多尺度Retinex( Multi scale Retinex,MSR) 算法對(duì)紅外圖像區(qū)域2(Weber)進(jìn)行增強(qiáng)。紅外圖像有其自身的特點(diǎn),是通過物體本身熱輻射而成的,因此參數(shù)目標(biāo)量M(x,y)和發(fā)射量X(x,y)都是由自身特點(diǎn)決定的。使用對(duì)數(shù)變換就可以消除參數(shù)入射量D(x,y)對(duì)紅外圖像的影響。MSR 算法基本原理如公式(7)所示。
式中:*為卷積運(yùn)算;K(x,y)為低通函數(shù),其功能是估計(jì)低頻分量;j為環(huán)繞個(gè)數(shù),一般情況下j=3;?j為對(duì)應(yīng)的權(quán)重因子。
XN(x,y)有2 個(gè)特點(diǎn):1) 紅外圖像細(xì)節(jié)信息更多。2)動(dòng)態(tài)壓縮能力很強(qiáng)。使用該算法可以實(shí)現(xiàn)整體動(dòng)態(tài)壓縮與色感一致性之間的平衡。
針對(duì)紅外圖像分割的區(qū)域一和區(qū)域三的特點(diǎn),該文提出了改進(jìn)的自適應(yīng)直方圖均衡算法(Improved Adaptively Increasing the Value of HistogramEqualization,IAIVHE)[6],該算法可以更好地增強(qiáng)對(duì)比度。設(shè)紅外圖像為Q(x,y)、基準(zhǔn)值為Qm,紅外圖像可以分成上、中和下3 個(gè)部分,通過調(diào)整參數(shù)就可以得到QIAIVHE(f),因此就能更好地增強(qiáng)圖像對(duì)比度,如公式(8)所示。
式中:β(f)為自適應(yīng)約束參數(shù)。
調(diào)整參數(shù)像素灰度區(qū)域的分布比例,同時(shí)根據(jù)參數(shù)平均亮度Ri就可以實(shí)現(xiàn)亮、暗區(qū)產(chǎn)生黑白拉伸的效果,如公式(9)所示。
在有效情況下,α是實(shí)數(shù),其范圍是[0,1],通過大量的試驗(yàn)得出的結(jié)論是α的最佳值為0.35。因此,就可以計(jì)算QIAIVHE(f)的2 個(gè)參數(shù)(像素分布和拉伸程度),同時(shí)也能改變產(chǎn)生傳遞曲線。如果把β(f)從2 個(gè)方向無限接近Ri,就可以很好地預(yù)防視覺偽像,達(dá)到增強(qiáng)圖像對(duì)比度的目的[7]。如果使用BIAIVHE(k)表示累積密度函數(shù)歸一化灰度級(jí),就可以把輸出增強(qiáng)圖像為公式(10)。
通過以上推論可知,該算法使用參數(shù)可以自適應(yīng)調(diào)整的特點(diǎn),可以避免紅外圖像對(duì)比度過分增強(qiáng)。使用該算法可以實(shí)現(xiàn)對(duì)紅外圖像的區(qū)域一和區(qū)域三自適應(yīng)拉伸后灰度和增強(qiáng)對(duì)比度的自適應(yīng)。
使用不同方法對(duì)紅外圖像的3 個(gè)區(qū)域進(jìn)行圖像增強(qiáng)后,再對(duì)紅外圖像進(jìn)行合并,3 個(gè)區(qū)域合并的比例是0.3 ∶0.4 ∶0.3,區(qū)域二的細(xì)節(jié)信息得到凸顯。具體的算法流程如圖2 所示。
為了驗(yàn)證該文提出算法的正確性,分別使用室內(nèi)紅外圖像和室內(nèi)紅外圖像進(jìn)行對(duì)比測(cè)試,對(duì)比測(cè)試的算法有DPHE 算法、SSR 算法、CLAHE算法以及BF&HDR 算法。仿真軟件使用MATLAB R2019b,測(cè)試結(jié)果如圖3、圖4 所示。
圖3 室外紅外圖像對(duì)比測(cè)試結(jié)果
圖4 室內(nèi)紅外圖像對(duì)比測(cè)試結(jié)果
由測(cè)試結(jié)果可知,與原始圖像相比,經(jīng)DPHE 算法處理過的圖像的目標(biāo)和細(xì)節(jié)有了一定增強(qiáng),但是存在過增強(qiáng)現(xiàn)象,車身細(xì)節(jié)和人物衣服水杯等細(xì)節(jié)信息丟失。通過SSR 算法處理過的圖像存在無噪聲放大和過度增強(qiáng),雖然增強(qiáng)了細(xì)節(jié)信息,但是目標(biāo)沒有很好地得到增強(qiáng)。雖然使用CLAHE 算法處理過的圖像整體處理效果較好,但是細(xì)節(jié)信息沒有很好地得到增強(qiáng)。BF&HDR 算法處理過的紅外圖像的細(xì)節(jié)信息得到了合理增強(qiáng),視覺效果不錯(cuò),但是在邊緣處出現(xiàn)了拼接痕跡(在車尾與樹林交界處以及人與后面墻壁交界處)。使用該文提出的算法處理過的紅外圖像與原始圖像相比,其整體視覺效果很好,無論是目標(biāo)信息還是細(xì)節(jié)信息都得到有效增強(qiáng)。
為了更科學(xué)地評(píng)價(jià)紅外圖像增強(qiáng)效果,該文使用信息熵和運(yùn)行時(shí)間作為量化指標(biāo),信息熵如公式(11)所示。
式中:gi為第i個(gè)灰度級(jí)在圖像中出現(xiàn)的概率。
各個(gè)算法的量化指標(biāo)見表1、表2。
表1 各算法信息熵定量評(píng)價(jià)表
表2 各算法運(yùn)行時(shí)間定量評(píng)價(jià)表
由表1、表2 可知,該算法在信息熵和運(yùn)行時(shí)間方面都具有明顯的優(yōu)勢(shì)。
為了更好地對(duì)紅外圖像進(jìn)行增強(qiáng)處理,該文提出了一種新的方法。首先,對(duì)紅外圖像進(jìn)行預(yù)處理。其次,采用不同的方法對(duì)不同的紅外圖像進(jìn)行處理。最后,再對(duì)處理后的圖像進(jìn)行科學(xué)重構(gòu)。該文還與其他4 種不同的算法進(jìn)行對(duì)比測(cè)試和定量分析,對(duì)測(cè)試結(jié)果進(jìn)行分析可知,該文提出的算法對(duì)紅外圖像增強(qiáng)的效果更好,細(xì)節(jié)更突出,更適合人類視覺觀察,在縮短處理時(shí)間的同時(shí),還可以很好地處理“光暈”現(xiàn)象。