叶晓杰,赵巨峰,2,公晓丽,2,朱礼尧,崔光茫
(1.杭州电子科技大学电子信息学院,浙江 杭州 310018; 2.杭州电子科技大学射频电路与系统教育部重点实验室,浙江 杭州 310018)
随着经济的发展,如何实时监控海洋等水面环境成为保障安全、发展海洋经济的重要一环。由于海面复杂环境的影响,尤其是大范围浓厚水雾等恶劣天气影响,红外成像的目标对比度急剧下降。硬件器件受限,只能依赖复原增强技术提升对比,为探测识别奠定基础。
为了提升图像的视觉效果,便于观察或机器识别,需要对红外图像进行增强[1]。近年来,研究红外图像增强的算法很多,包括直方图均衡化(Histogram Equalization,HE)[2]、对比度自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization,CLAHE)增强[3]、分层图像增强、子带分解多尺度的图像增强[4]、顶帽变换(Multi Scale &Top-Hat,MSTH)图像增强[5]、基于双峰高斯函数规定化的变分增强[6]等。刘轶彤等通过Kinect立体相机获取红外图像的深度信息,根据景深来分离船舶目标区域和背景区域,通过设定初始阈值,进行冗余灰度压缩、幂指数拉伸和直方图均衡,实现了红外图像的增强[7]。曹慧等采用类似可见光去雾的暗原色算法提高了红外图像对比度[8],凸显细节信息,并提高了信噪比。平台直方图均衡化方法是通过选取合适的平台阈值来抑制对红外图像中背景和噪声的过度增强,但阈值选取依赖经验,限制了算法的应用[9]。为了更好凸显图像中的目标,将脉冲耦合神经网络(PCNN)分割和模糊集理论相结合,也可实现红外图像的增强[10]。
为将红外复原增强方法应用于实际系统,一是效率要求,即运行速度快,参数适应性强;二是效果要求,即增强效果好。统筹相关算法的优势与不足,本文提出一种水面环境下的红外图像增强算法,效果好,速度快,参数适应性强。该方法在分析水面环境红外成像退化机理的基础上,结合暗通道先验[11]粗略估计透过率,结合边缘权重分析估计精细透过率与路径辐射,针对性地增强细节亮度,快速提升降质红外图像的视觉效果。
在水面环境下成像,一方面是来自于场景与物体的辐射Eradiation;由于水汽的影响,路径辐射能量Epath也相对较大。因此,红外传感器获取的能量Esensor可以表示为:
Esensor=Eradiation+Epath
(1)
一方面,场景辐射随着传输距离而迅速衰减。根据衰减规律,到达传感器的辐射结果为:
(2)
E0(λ)是场景在波段λ1~λ2上的辐射;τ(λ)是大气透过系数;D表示场景各处到相机的实际距离。为运算方便,用波段均值E0代替波段的积分均值,用大气平均透过率T代替e-τ(λ)D积分。E0为场景本身的辐射,即我们待求的原始辐射。
另一方面,路径辐射随着实际距离D的增大而增大。距离积分得到有效路径辐射:
Epath=I∞(1-e-τ(λ)D)=I∞(1-T)
(3)
式中,当D无穷大时,T=0,路径辐射最大即I∞,它代表大气的光强程度。
结合公式(1)~(3),原始辐射E0可推导得到:
(4)
为防止病态,分母趋近于0时,一般由较小的常数代替。从原理上看,Esensor、E0都是辐射,而通常所获取的是红外的灰度图像,因此最佳的策略是先对相机进行辐射标定。在近似情况下,可用图像代替辐射。因此,上式中,Esensor即观测图像,E0即待求清晰图。若能较好获取I∞与T,即可实现增强获取原始清晰图像。
水面红外图像中,景物是有限的局部区域,利用边缘矩阵M可以分析局部区域的灰度状况。M一般在N×N窗口内计算,对像素(x,y)处的Mxy有:
(5)
(6)
α可以决定M中值的范围,其具体可由下式确定:
(7)
n=c-c×s
(8)
由此获取的M矩阵,可以归一化到[0,1],表征灰度相对强弱变化的程度。
3.2I∞与T的估计
为防止零星噪点的影响,在M>th(阈值)的对应区域,搜寻观测图像的前5个最大值的平均值作为I∞值。一方面由于局部方差是N×N窗口内的,克服了噪点的影响,另一方面,观测当前图c的灰度值较大值也分布于M值较大的附近,可以有效防止盲目搜寻。
对透过率T的求解,借鉴可见光暗通道去雾透过率的求解方式,使用局部区域的最小值的相关函数,来表征透射率。于是,某N×N邻域内的透过率为:
(9)
公式的透过率t是粗糙的,N×N邻域内都是相同的,需要像素级别上的细化。对于水面环境下的红外图像,感兴趣的目标或者像素是有限的,细化的过程中,只需要对那些潜在目标区域进行更好的细化,而其他区域相对平滑即可。这里,使用结合边缘矩阵M的导向滤波细化,其细化在r×r的局部空间内操作,在任何像素(x,y)处,有透过率:
(10)
式中,Kxy即滤波器;对于此变异公式的导向滤波输入,包括c以及经边缘矩阵约束的粗糙透过率(Mt),由此可获得适合此应用场景的较为精细的透过率图。导向滤波的具体解释可参见文献[12]。
本实验采用的台式机配置为双核CPU(1.7 GHz),运行平台为Matlab R2010b。采用了三幅图(图1)来验证算法的效果,并且选用了三种常用及出色的红外图像增强算法进行对比,包括直方图均衡化法(HE)[2],对比度自适应直方图均衡化法(CLAHE)[3]和顶帽变换法(MSTH)[5]。图2~4是本文方法与三种对比方法对图1进行红外增强后的视觉效果比较。
图1 原始红外图像实例
图2 用四种方法的算法对图1
图3 用四种方法的算法对图1(b)进行红外 图像增强后的比较示意图
图4 用四种方法的算法对图1(c)进行红外 图像增强后的比较示意图
图像质量评价的方式包含人眼主观评价和算法客观评估。通常,主观评价为最佳方式。
图1(a)是一艘轮船的红外图像,图2(a),(b),(c)和(d)分别是用本文算法、HE方法、CLAHE方法和 MSTH方法的增强结果。通过观察,HE方法和CLAHE方法导致了较多区域的过度增强,引入了噪声,视觉效果甚至比原图更差;而图2(d)中视觉效果相对更好,但图2(a)视觉效果最佳,实现了轮船目标特征区域增强及背景杂波、噪声抑制的平衡,这说明本文算法在红外图像增强方面的优势。
图1(b)是水面环境中有两艘舰船的红外图,舰船比较模糊,不易分辨。图3(a),(b),(c)和(d)分别为本文算法、HE方法、CLAHE方法和 MSTH方法的增强结果。图3(b)中几乎看不到舰船,视觉效果不佳;图3(c)中CLAHE方法增大了整幅图的亮度,无法确定目标区域;图3(d)的主观评价比图3(b)和(c)高,然而,与其他效果图相比,图3(a)中舰船这一目标区域更亮,达到了更好的视觉效果,主观评价更好。
图1(c)是两艘游艇的红外图,海中的两艘游艇非常模糊。图4(a),(b),(c)和(d)是四种方法的增强视觉图。从图4(b)中可以看出一些图像信息,但图像整体偏亮,对比度低,较难分辨目标信息;图4(c)中目标区域无法得到有效增强;图4(d)的视觉效果好,但背景上出现了较为明显的伪信息;相比之下,图4(a)中游艇这一目标区域更亮,杂波与噪声得到相对抑制,说明本文算法比HE、CLAHE和MSTH等方法更能有效实现红外图像的增强。
从图1~4的视觉效果角度观察,HE、CLAHE方法不能有效地增强这些红外图像,非目标区域被过度增强,其视觉效果与原始图像相比甚至变差;MSTH方法的主观评价比HE方法和CLAHE方法高,但有时会引入背景杂波;本文方法能够有效增强目标区域,抑制背景杂波,视觉效果更佳。
客观评价方法使用模糊线性指标(LIF)方法[13-14],该方法广泛应用于图像增强的客观评价。LIF的度量标准γ指标定义为:
(11)
(12)
其中,f(x,y)和max(f)表示(x,y)处的灰度值和图像f的最大灰度值;W、H即f的宽度、高度。γ值越小说明增强质量越好。图2~4都用γ值进行了评估,表1列出了四种算法的γ指标值。根据表1,三幅原图的γ值是最大的,说明四种算法都能增强原图;其中本文算法的γ值最小,表明本文算法在红外图像增强上的优势。
表1 对图2~4的结果使用LIF方法计算的γ指标
此外,运行速度是衡量图像算法性能的重要指标之一。实验中,图像的尺寸大约为256×210,四种方法的处理时间如表2所示。由表2可知,本文方法和HE方法及CLAHE方法的处理时间相近,远远小于MSTH方法。但HE方法和CLAHE方法的主、客观评价差。
根据实验结果可以看出,本文方法主客观评价一致,都比HE方法、CLAHE方法和MSTH方法高,计算速度快,效率高。因此,本文方法总体表现最为优异。
表2 使用四种方法对图2~4进行计算的时间 (单位:秒)
本文提出了一种基于大气传输模型及加入权重分析的红外图像增强方法。通过辐射理论分析获得了原始场景关于透射率与路径辐射光的函数表达;通过暗通道先验、边缘权重分析与导向滤波,获取精细透过率;并在边缘分析基础上,确定了路径辐射。观测实验证明本文增强结果的潜在目标区域的局部对比好,突出了边缘与纹理特征。相比于其他方法,此方法对于在水面环境下的红外增强有着许多的优点:权重的分析增强模型极大地提高了视觉效果;算法运行速度快,实时性较好。
在今后的研究中,一是参数自动化,即更加注重于如何自动设置参数来达到最好的实验效果;二是进一步的提升运行速度,比如综合光路、加速算法等思路进行开拓。
[1] LIU Rang, WANG Dejiang,JIA Ping,et al.Overview on small target detection technology in infrared image[J].Laser & Optoelectronics Progress,2016,(5):050004.(in Chinese)
刘让,王德江,贾平,等.红外图像弱小目标探测技术综述[J].激光与光电子学进展,2016,(5):050004.
[2] J A Stark. Adaptive image contrast enhancement using generalizations of histogram equalization[J].IEEE Transactions on Image Processing,2000,9(5):889-896.
[3] S Mohan, M Ravishankar.Modified contrast limited adaptive histogram equalization based on local contrast enhancement for mammogram images[J].Mobile Communication and Power Engineering Communications in Computer and Information Science 2013,296:397-403.
[4] ZHOU Yuren, GENG Aihui,WANG Ying,et al.Contrast enhanced fusion of infrared and visible images[J].Chinese Journal of Lasers,2014,41(9):0909001.(in Chinese)
周渝人,耿爱辉,王莹,等.基于对比度增强的红外与可见光图像融合[J].中国激光,2014,41(9):0909001.
[5] X Bai, F Zhou,B Xue.Image enhancement using multi scale image features extracted by top-hat transform[J].Optics & Laser Technology,2012,44(2):328-336.
[6] ZHAO Wenda, ZHAO Jianm,ZHAO Fan,et al.Variable infrared image enhancement of bimodalgaussian function specification[J].Chinese Journal of Lasers,2014,41(3):0309002.
赵文达,赵建,赵凡,等.双峰高斯函数规定化的变分红外图像增强[J].中国激光,2014,41(3):0309002.
[7] LIU Yitong. Enhancement algorithm of infrared images based on Kinect and histogram equalization[J].Ship Science and Technology,2015,37(3):173-176.(in Chinese)
刘轶彤.基于Kinect和直方图均衡化的红外图像增强算法[J].舰船科学技术 2015,37(3):173-176.
[8] CAO Hui,ZHANG Baohui,CHEN Lei,et al.Research of infrared images enhancement technique based on pseudo dark channel prior[J].Infrared Technology,2016,38(6):476-480.(in Chinese)
曹慧,张宝辉,陈磊,等.基于伪暗原色的红外增强技术研究[J].红外技术,2016,38(6):476-480.
[9] K Liang, Y Ma,Y Xie,et al.A new adaptive contrast enhancement algorithm for infrared images based on double plateaus histogram equalization[J].Infrared Physics & Technology,2012,55(4):309-315.
[10] SU Juan, LI Bing,WANG Yanzhao.Infrared image enhancement based on PCNN segmentation and fuzzy set theory[J].Acta Optica Sinica,2016,36(9):0910001.(in Chinese)
苏娟,李冰,王延钊.结合PCNN分割和模糊集理论的红外图像增强[J].光学学报,2016,36(9):0910001.
[11] K He, J Sun,X Tang.Single image haze removal using dark channel prior[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(12):2341-2353.
[12] K He, J Sun,X Tang.Guided image filtering[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2013,35(6):1397-1409.
[13] J Zhao, Y Chen,H Feng,et al.Fast image enhancement using multi-scale saliency extraction in infrared imagery[J].Optik-International Journal for Light and Electron Optics,2014,125(15):4039-4042.
[14] A Kaufmann, D L Swanson.Introduction to the theory of fuzzy subsets[M].New York:Academic Press,1975.