一种基于细胞神经网络的直方图均衡化红外图像增强算法

胡刚毅　戴正权

摘要：针对红外图像背景复杂、目标模糊等缺点，提出了一种基于细胞神经网络的直方图均衡化红外图像增强算法。细胞神经网络的控制模板设计成低通滤波器以滤除背景噪声，反馈模板设计引入一个各向同性的高通滤波器生成的矩阵以保护目标的细节边缘。而后通过直方图均衡化达到图像增强。仿真结果表明，该算法能使图像的对比度得到有效增强，同时能抑制图像中的噪声，减少细节信息损失，防止出现非目标被过度增强现象，提高红外增强图像的视觉效果。

关键词：红外图像；细胞神经网络；直方图均衡；图像增强

中图分类号：TP399 文献标识码：A 文章编号：1009-3044（2017）02-0169-04

An Enhancement Algorithm for Infrared Image Based on Cellular Neural Network and Histogram Equalization

HU Gang-yi，DAI Zheng-quan

（College of computer and information， Southwest forestry university， Kunming 650224， China）

Abstract： Aiming at the disadvantages of complex background and objective fuzzy in infrared image. This paper proposes an enhancement algorithm for infrared image based on cellular neural network and histogram equalization. The control template of cellular neural network sets as low pass filter for removing the background noise. The feedback template sets as a matrix which generated by an isotropic high pass filter to protect the edge information of objective. And then through the histogram equalization to achieve image enhancement. The simulation results show that： This algorithm can effectively enhance the contrast of the image and can restrain the noise in the image. It also can reduce the loss of detail information and prevent the excessive enhancement of non target， which can improve the enhancement visual effect of infrared image.

Key words：infrared image； cellular neural network； histogram equalization； image enhancement

紅外图像具有隐蔽性和可夜视等特点，在军事、医疗等领域被广泛应用，但与可见光图像相比，其仍然存在分辨率低、对比度不明显、噪声大、目标和细节淹没在大片的背景之中等缺点，这给目标识别带来了很大的困难，因此，对红外图像进行全景去噪、目标增强等处理对改善红外图像的质量具有重要的意义[1]。

目前，国内外专家提出了各种方法来抑制噪声，增强图像的对比度。目前使用比较多的方法是直方图修正，如文献2中提出的基于双平台直方图的红外图像增强算法，虽然其能使得直方图均衡而信息丢失降低到最低，但是计算量较大；而文献3提出的基于动态广义直方图均衡的红外图像增强方法，虽然能捕获细节，但同时也放大了噪声。另外一些算法利用直方图进行图像增强时，会出现亮点以及不能抑制噪声等问题[4]。

细胞神经网络（Cellular Neural Network，CNN）是1998年由美国加州大学伯克利分校的L. O. Chua教授提出，它是一种非线性、局部连通的神经网络，具有并行性、运算速度快等特点。已广泛应用在图像加密、压缩及图像各种预处理中，本文依据红外图像的特点，结合细胞神经网络与直方图均衡变换，提出了基于细胞神经网络的直方图均衡的红外图像目标增强算法，该算法既能使图像的对比度和亮度得到增强，又能有效地抑制图像背景噪声。

1细胞神经网络理论

这两个条件既保证了图像的灰度从黑到白的次序，又保证了图像经过映射后的像素灰

度仍在一定的范围内，避免整个图像明显变亮或明显变暗。

原始图像的灰度级在经过上述函数修正之后，图像中灰度概率密度较小的像素进行灰度级收缩，而概率密度较大的像素则向附近像素扩展，实现了灰度的均匀分布，它能使图像充分并且有效地利用各个灰度级，从而拉开灰度级层次，实现了图像的对比度增强。

直方图变换虽然能够改善原始图像的对比度，但是由于灰度均匀处理会使图像细节丢失和不连续使图像产生色斑，使得图像增强效果不够理想，同时，在对含噪图像的处理上，直方图变换会出现亮点以及不能抑制噪声等[8-9]。

3基于细胞神经网络的直方图均衡变换算法设计

针对红外图像的特点，在进行红外图像增强时，利用细胞神经网络并行性、快速性和可硬件设计性，先对红外图像的噪声进行限幅，防止不必要的噪声放大，而后再进行对图像的目标信息增强。由于在细胞神经网络中，不同的参数模板设置表示不同的功能，所以算法中最重要的就是进行细胞神经网络参数模板设置，主要指反馈模板A，控制模板B的设置。

3.1控制模板B的设计

上式的意义是：X是以B为控制模板对输入图像U滤波所得的输出图像。在设置时，我们将B设置成3*3的低通滤波器，它使在待处理的红外图像中逐点地移动模板，各点像素响应低通滤波器模板扫过区域的关系来计算。本模板设计直接采用有去噪功能的低通滤波模板，能有效地抑制噪声，达到滤波功能[10]。

3.2反馈模板A的设计

在CNN的状态方程中，A模板的设计直接影响到输出，在红外图像增强算法的A模板设计中，引入一个各向同性的高通滤波器生成的矩阵来实现边缘平滑约束，保护增强图像的细节边缘。

高通滤波器会同时放大边缘和噪声，为了达到对图像目标信息的细节边缘增强和保护，我们将A设置成如下形式

细胞神经网络的模板按照上述方法设置好后，依据CNN的动态方程，细胞向能量逐渐减少的方向更新，最终达到稳定，应用于图像增强的处理[11]。

3.3 直方图均衡化图像增强

将上述经过细胞神经网络训练后达到稳定的的图像数据，再按式1进行直方图均衡化处理，当是变量连续时，变换函数为[12]

经过上述变换后，图像的灰度级减少了，灰度级的减少换取了对比度的加大，图像的效果得到增强。

4 实验结果与分析

本文利用三组不同的红外图像实例[13]，对基于细胞神经网络的直方图均衡化增强与普通的直方图均衡化增强性能进行实验验证和分析。

图2是一幅手的红外图像，左边是原始红外图像，在原图中，目标图像与背景的对比度差，手的图像完全淹没在噪声和背景中，从其对应的直方图可以明显看出，图像的灰度全部集中在中间背景区域。

中间图是采用直方图均衡化后的增强效果图，从效果图中可以看出，直方图均衡化能增大目标与背景的对比度，但不太明显，手的边缘增强不够理想，其对应的直方图中，灰度被展开，但是背景也被增强了，目标与背景间的对比度还不够理想。

右边图是采用基于细胞神经网络的直方图均衡化的增强效果图，从图中可以看出，增强图中手的轮廓和背景间对比度有了一个明显的提升，目标边缘更为清晰。在其对应的直方图中，明显分开了两个部分，目标与背景间的对比度增大非常明显，并且背景得到了抑制，突出了手的轮廓目标，边缘更为清晰。

图4也是一副坐着的人的红外图像，左边是原始红外图像，在原图中，能隐约分辨出人的轮廓，人和背景的区分相当不明显，背景掩盖了人的大部分轮廓，其对应的直方图中，图像的灰度全部集中一块，主要是背景区域。

中间图是采用直方图均衡化后的增强效果图，从效果图中可以看出，直方图均衡化能增大人的轮廓与背景的对比度，但是效果不够理想，背景中出现很多亮点，这是一种严重的干扰，其对应的直方图中，灰度被展开，目标与背景间的对比度不够理想。

右边图是采用基于细胞神经网络的直方图均衡化的增强效果图，从图中可以看出，增强后人和背景的对比有了一个明显的提升，人的轮廓较清晰，背景得到了很好的抑制。在其直方图中，目标与背景间的对比清晰，人的轮廓和边缘能很好地分辨。

5 结论

直方图均衡算法是一种比较有效的图像增强算法，但是由于红外图像的背景复杂、目标模糊等特点。使得增强后的图像目标和噪声同时放大，图像的细节模糊，同时还会出现背景中不相关亮点现象。文中提出的基于细胞神经网络的直方图均衡算法，通过细胞神经网络模板参数的合理设置，能很好地抑制红外图像的背景噪声，在此基础上，进行的直方图均衡变换，避免了红外图像的背景噪声的过度增强和目标细节信息被模糊的现象，有效地克服了图像增强中易出现的非目标亮点。本文方法获得的增强图像提高了图像的清晰度，减少了细节信息的损失，符合人的视觉特性，在紅外图像增强中具有较好的应用前景。 参考文献：

[1] 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.

[2] 宋岩峰，邵晓鹏，徐军.基于双平台直方图的红外图像增强算法[J].红外与激光工程，2008， 37（2）： 308-311.

[3] 刘松涛，王维，殷福亮. 基于动态广义直方图均衡的红外图像增强方法[J].系统工程与电子技术， 2010， 32（7）： 1411-1414.

[4] 陈军，张长江.基于小波域反正切变换的红外图像增强算法[J].计算机工程， 2013， 39（1）： 248-251。

[5] Azian Azamimi Abdullah， Bu Sze Chize， Zulkarnay Zakaria. Design of Cellular Neural

Network （CNN） Simulator Based on Matlab for Brain Tumor Detection[J]. Journal of Medical

Imaging and Health Informatics， 2012（1）： 1-11.

[6] Tukel M， Yalcin M E. A new architecture for Cellular Neural Network on reconfigurable hardware with an advance memory allocation method[C]Cellular Nanoscale Networks and Their Applications， 2010： 1-6.

[7] LI Huaqing， LIAO Xiaofeng， LI Chuandong， et al. Edge detection of noisy images based on

cellular neural networks[J]. Commun Nonlinear Sci Numer Simulate， 2011（16）： 3746-3759.

[8] 张鹏，张志辉.基于分段直方图变换的图像非线性增强[J].光子学报，2014，43（6）： 1-4.

[9] 陈莹，朱明.多子直方图均衡微光图像增强及FPGA实现[J].中国光学，2014，7（2）： 225-232.

[10] 王怀殷.细胞神经网络在图像处理中的应用技术研究[D].南京航空航天大学，2007（4）：35-36.

[11] 冯强，于盛林，张维.基于细胞神经网络的图像复原新方法[J].中国图像图形学报，2009，14（3）： 430-434.

[12] 胡元刚.直方图均衡增强算法在实时图像处理中的实现[J].液晶与显示，2009，24（6）： 907-910.

[13] 简耀波.红外图像处理中的关键算法研究[D].华中科技大学，2009（5）， 62-69.