基于直方图的红外图像细节增强算法研究

2016-03-15 06:47韦瑞峰赵荣普徐肖庆赵灿辉
红外技术 2016年6期
关键词:灰度级直方图遗传算法

韦瑞峰,赵荣普,徐肖庆,赵灿辉,赵 旋



基于直方图的红外图像细节增强算法研究

韦瑞峰1,赵荣普1,徐肖庆1,赵灿辉1,赵 旋2

(1.云南电网公司昆明供电局,云南 昆明 650200;2.广州安电测控技术有限公司,广东 广州 510630)

红外热成像技术广泛应用于故障检测中,但由于红外探测器各单元响应的非均匀性,使得红外图像对比度低、细节和边缘模糊,不利于人工观测和机器识别,因此对红外图像细节增强算法的研究具有深刻的意义。分析了传统直方图增强算法中的缺陷,提出了一种抑制背景的局部直方图均衡算法,并使用遗传算法加快了阈值求取的速度。实验结果表明,该方法可以在抑制背景的同时增强红外图像的细节,同时速度较快,可用于实时红外图像的预处理。

红外图像;直方图均衡;细节增强;遗传算法

0 引言

红外热成像技术以其非接触、能识别设备内部热性故障等优势广泛应用于故障检测中,但温度的连续性和红外探测单元的非均匀性使得红外图像边界模糊、对比度低,不利于人工观测和机器识别。因此,对红外探测器输出图像的细节部分进行增强处理是后续人工观测与机器识别的基础,由于直方图的直观性和有效性,通过直方图来调整图像对比度增强图像的方法成为一种热门的研究方法[1-2]。

国内外学者提出了多种基于直方图的红外图像增强算法[3]。大致可分为基于全局处理的直方图均衡算法和基于局部处理的直方图均衡算法[4],全局处理算法包括平台直方图均衡算法[5](PE)、直方图投影[6](HP)等,局部处理算法包括自适应直方图均衡[7](AHE)、对比度受限自适应直方图均衡[8](CLAHE)、局部交叠子块直方图均衡[9-11](POSHE)等。

但现有算法处理时并没有将背景和目标分开进行处理,所以不可避免地会在增强目标的同时也增强了背景和噪声。针对现有算法的不足,提出了一种抑制背景的局部直方图均衡算法,并引入遗传算法加快了求解速度,实验结果表明,该算法可以在增强图像目标细节的同时抑制背景噪声,有效地改善了图像的视觉效果。

1 抑制背景的局部直方图均衡算法

1.1 直方图均衡算法原理

直方图均衡算法以累计分布函数(CDF)作为变换函数,通过扩展含有较多像素灰度级的显示范围并压缩含有较少灰度级像素的显示范围,使处理后的直方图近似于均匀分布,然后用处理后的直方图调整原图像来提升图像整体亮度并增大对比度[12-14]。

其变换函数表示为:

式中:为原灰度级;为变换后的灰度级;为对应灰度级的概率密度;为灰度的级数。最后将变换后的灰度级扩展到级灰度上:

=(-1)(2)

1.2 抑制背景的局部直方图均衡算法原理

针对传统直方图均衡会造成背景对目标的压缩效应而自适应直方图均衡所需的计算量过大[15]的缺点,提出一种抑制背景的局部直方图均衡算法。算法利用最大类间方差法将原图像依据灰度值分成3部分,得出2个阈值,并以较小的阈值作为目标和背景的分界灰度,对被判为目标的灰度直方图进行均衡得出增强后的图像。创新性地将遗传算法引入阈值的计算中,大大提升了计算的速度。算法的流程图如图1。

图1 抑制背景的局部直方图均衡算法流程图

算法首先以类间方差作为判别函数求出2个阈值将原图像分成3类,分别为背景、灰度较小的目标和灰度较大的目标,以较小的阈值作为目标和背景的分界灰度。分为3类而不是传统的目标和背景2类的原因是红外图像的边界较模糊,部分目标和背景之间的灰度级相隔较近,分成3类能较好地识别出这一类灰度较小的目标。

设原始红外图像的大小为×,其中2类目标像素个数为1、2,灰度均值为1、2,背景像素个数为3,灰度均值为3,全局灰度均值为,则:2类目标像素出现概率为:

背景像素出现的概率为:

各类灰度均值为:

式中:()表示第类像素的灰度范围;n表示灰度级为的像素个数。

全局灰度均值为:

则目标和背景的类间方差为:

1(1)2+2(2)2+3(3)2(7)

求使式(7)中最大的阈值1和2,则:

=min{1,2} (8)

求出背景与目标的阈值后,计算灰度级大于阈值的局部直方图的累计分布函数(CDF),并根据CDF求映射后的灰度级,然后扩展到目标灰度级范围,具体算法如下:

=(-)×(10)

式中:为变换前灰度级;为变换后灰度级。

1.3 利用遗传算法加快阈值求解过程

阈值求解过程可以看作是以类间方差作为适应度准则来寻求最优解的过程,从而可以使用遗传算法来加快求解速度。将待求阈值1和2编码为16bit的二进制位作为种群的基因(1、2的取值范围为0~255,各占8bit),令初始种群大小为4,在每一代遗传中,将类间方差作为适应度函数以确定个体遗传的概率,类间方差大的个体遗传到下一代的概率大、类间方差小的个体遗传到下一代的概率小,然后随机选择个体交叉,交叉方法采用两点交叉,最后对每一个个体进行变异,采用两点二进制变异方法,产生出新的子代个体并循环进行以上步骤。当前后两代个体的最大适应度相差较小时,算法结束,输出最大适应度对应的个体并解码成所求阈值。算法的流程如图2。

对同一幅红外图像分别按照传统的循环遍历算法和遗传算法进行阈值的求解,所求阈值和耗时比较如表1所示(运行5次后求平均)。

图2 遗传算法求解阈值流程图

表1 传统算法与遗传算法运行时间对比

通过对比可以看出,遗传算法可在保持准确性的前提下大大减少运算时间,更重要的是,由于遗传算法本身的并行性,使其有更进一步优化的空间。另外,传统算法的耗时会随着图像尺寸的增大而快速增加,而遗传算法是基于概率的随机性算法,在较大的数据下依然能快速收敛。本文将遗传算法应用到分割阈值的求取中,加快了处理的效率,使其更适合实时处理。

2 实验结果

选取1幅杆塔的红外图像作为处理对象,图3为该图像及其灰度直方图。可以看出,其直方图呈两端分布,且背景灰度级占据了大部分像素,这是红外图像的典型特征,表现为边界模糊、对比度低。

图3 原红外图像及其直方图

Fig.3 Original infrared image and its histogram

图4是进行全局直方图均衡处理后的效果图和其灰度直方图。可以看出,通过直方图均衡,图像的对比度得到提高,灰度级的范围得到扩展,使得整幅图像显得更“亮”。但是图中也出现了一些噪声点和伪轮廓,这是因为红外图像的背景和噪声占据较多的像素,所以直接对全局进行均衡处理会扩展噪声的灰度级[16]。

图4 全局直方图均衡处理效果及其直方图

图5是对原始图像进行自适应局部直方图均衡(AHE)后的效果图和其灰度直方图,可以看出,其在目标区域的伪轮廓非常明显,是因为目标区域较亮,故当滑动窗口在目标区域时,会增强窗口区域中的平均亮度,呈现出伪轮廓的现象。

图5 AHE算法处理效果及其直方图

图6是对原始图像进行平台直方图均衡处理(PE)后的效果图和其直方图,平台值的选择采用Vickers[17]提出的迭代算法确定,算法中的相邻灰度显示间隔G取4。可以看出,经过PE处理后增加了目标部分灰度级的范围,但由于还是存在背景像素的“压挤”效应[18],所以增强得不是很明显。

图6 平台直方图算法处理效果及其直方图

图7是经过本文算法处理后的效果图及其直方图,可以看出夹杂在背景中暗目标部分的灰度级也得到了扩展和加强,使得目标轮廓更清晰,同时背景和噪声得到了较好的抑制。

4 结论

本文提出的抑制背景的局部直方图均衡算法能有效地扩展目标对象的对比度,改善图像的效果,对于后续的分割和识别起到了较好的辅助作用,可用于红外图像识别的预处理中,同时引入遗传算法加快了阈值求解的速度,可用于需要实时处理的场合。

图7 本文算法处理效果及直方图

[1] 金伟其, 刘斌, 范永杰, 等. 红外图像细节增强技术研究进展[J]. 红外与激光工程, 2011, 40(12): 2521-2527.

JIN Weiqi, LIU Bin, FAN Yongjie, et al. Review on infrared image detail enhancement techniques[J]., 2011, 40(12): 2521-2527.

[2] 黄庆华. 红外图像处理算法的研究[D]. 西安: 西安科技大学, 2008.

HUANG Qinghua. Research on algorithm for infrared image processing[D]. Xi’an: Xi’an University of Technology, 2008.

[3] 章毓晋. 图像工程(上册)[M]. 北京: 清华大学出版社, 2012: 43-50.

ZHANG Yujin.(I)[M]. Beijing: Tsinghua University Press, 2012: 43-50.

[4] 赵文达, 续志军, 赵建, 等. 基于梯度直方图变换增强红外图像的细节[J]. 光学精密工程, 2014, 22(7): 1962-1968.

ZHAO Wenda, XU Zhijun, ZHAO Jian. Enhancement of infrared image details based on gradient histogram transform[J]., 2014, 22(7): 1962-1968.

[5] 邹志峰, 张艳红, 张健. 基于海空背景的红外图像处理算法研究[J]. 红外技术, 2011, 33(2): 108-112.

ZOU Zhifeng, ZHANG Yanhong, ZHANG Jian. Theoretical methods of infrared image signal processing under sea and sky background[J]., 2011, 33(2): 108-112.

[6] 黄涛, 顾桂梅. 含裂纹缺陷的红外热图像处理算法研究[J]. 红外技术, 2014, 36(9): 732-736.

HUANG Tao. Research on processing algorithms of infrared thermal image with crack defect[J]., 2014, 36(9): 732-736.

[7] 尚晋, 杨有, 李晓虹. 一种改进的自适应直方图均衡化增强档案图像的方法[J]. 计算机科学, 2007, 34: 237-239

SHANG Jin, YANG You, LI Xiaohong. An improved method of adaptive histogram equilibrium for document image enhancement[J]., 2007, 34: 237-239.

[8] 刘轩, 刘佳宾. 基于对比度受限自适应直方图均衡的乳腺图像增强[J]. 计算机工程与应用, 2008, 44(10): 173-175.

LIU Xuan, LIU Jiabin. Mammary image enhancement based on contrast limited adaptive histogram equalization[J]., 2008, 44(10): 173-175.

[9] 何昕, 李晓华, 周激流. 一种自适应多阈值直方图均衡方法[J]. 计算机工程, 2011, 37(17): 206-210.

HE Xin, LI Xiaohua, ZHOU Jiliu. Adaptive multi-thresholds histogram equalization method[J]., 2011, 37(17): 206-210

[10] 张懿, 刘旭, 李海峰. 自适应图像直方图均衡算法[J]. 浙江大学学报, 2007, 41(4): 630-633.

ZHANG Yi, LIU Xu, LI Haifeng. Self adaptive image histogram equalization algorithm[J]., 2007, 41(4): 630-633.

[11] 毛本清, 金小梅. 自适应直方图均衡化算法在图像增强处理的应用[J]. 河北北方学院学报, 2010, 26(5): 64-68.

MAO Benqing, JIN Xiaomei. Application of self-adaptive histogram equalization algorithm to image enhancement processing[J]., 2010, 26(5): 64-68.

[12] 赵耀宏, 史泽林, 罗海波, 等. 自适应红外图像直方图均衡增强算法[J]. 光电工程, 2008, 35(3): 97-101.

ZHAO Yaohong, SHI Zelin, LUO Haibo. Self-adaptive histogram equalization enhancement algorithm for infrared image[J]., 2008, 35(3): 97-101.

[13] 陈永亮. 灰度图像的直方图均衡化处理研究[D]. 合肥: 安徽大学, 2014.

CHEN Yongliang. Gray image histogram equalization processing research[D]. Hefei: Anhui University, 2014.

[14] 黄自力, 王雪梅, 黄明晶, 等. 用于红外图像增强处理的改进型POSHE算法[J]. 红外, 2014, 35(11): 37-41.

HUANG Zili, WANG Xuemei, HUANG Mingjing, et al. Improved POSHE algorithm for infrared image enhancement[J]., 2014, 35(11): 37-41.

[15] 王炳健, 刘上乾, 周慧鑫, 等. 基于平台直方图的红外图像自适应增强算法[J]. 光子学报, 2005, 34(2): 299-301.

WANG Bingjian, LIU Shangqian, ZHOU Huixin, et al. Self-adaptive contrast enhancement algorithm for infrared images based on plateau histogram[J]., 2005, 34(2): 299-301.

[16] 王巍, 赵俊鹏, 杜治芸, 等. 双阈值映射自适应红外图像处理算法[J]. 红外与激光工程, 2010, 39(6): 1184-1187.

WANG Wei, ZHAO Junpeng, DU Zhiyun, et al. Adaptive enhanced infrared image algorithm based on bi-threshold mapping[J]., 2010, 39(6): 1184-1187.

[17] Vickers V E. Plateau equalization algorithm for real-time display of high-quality infrared imagery[J]., 1996, 35(7): 1921-1926.

[18] 刘斌, 金伟其, 王岭雪, 等. 基于空域和频域处理的红外图像细节增强算法[J]. 红外技术, 2011, 33(8): 477-481.

LIU Bin, JIN Weiqi, WANG Lingxue, et al. Infrared image detail enhancement based on the spatial and frequency domain processing[J]., 2011, 33(8): 477-481.

Infrared Image Detail Enhancement Based on Histogram

WEI Ruifeng1,ZHAO Rongpu1,XU Xiaoqing1,ZHAO Canhui1,ZHAO Xuan2

(1.,,650200,; 2.,,, 510630)

Infrared thermal imaging technology is widely used in fault detection, but as a result of infrared detectors¢heterogeneity response, the contrast of infrared image is low and is not conductive for human observation and machine recognition,so the research on the infrared image detail enhancement has profound significance. This paper first analyzes the defects of traditional histogram enhancement algorithm, and then proposes a local histogram equalization algorithm with background suppression, and uses genetic algorithm to speed up the threshold calculation. Experimental results show that the proposed method can suppress background while enhancing infrared images’ detail and running fast, and can be used for real-time infrared image processing.

infrared image,histogram equalization,detail enhancement,genetic algorithm

TP391

A

1001-8891(2016)06-0472-04

2015-12-03;

2015-12-21.

韦瑞峰(1976-),男,本科,高级工程师,主要从事变电运维检修管理相关工作。

猜你喜欢
灰度级直方图遗传算法
符合差分隐私的流数据统计直方图发布
人眼可感知最多相邻像素灰度差的全局图像优化方法*
用直方图控制画面影调
基于灰度直方图的单一图像噪声类型识别研究
基于自适应多子直方图均衡的图像增强算法
一种基于遗传算法的聚类分析方法在DNA序列比较中的应用
中考频数分布直方图题型展示
基于遗传算法和LS-SVM的财务危机预测
圆投影及直方图不变矩在多视角产品检测中的应用
软件发布规划的遗传算法实现与解释