结合视觉特性的红外图像增强方法

于天河,赵树梅,兰朝凤

(哈尔滨理工大学电气与电子工程学院,黑龙江 哈尔滨 150080)

1 引 言

众所周知,红外成像技术抗干扰性好,但红外图像[1-2]易受传输距离、探测器等影响,出现问题如:灰度级集中、图像细节模糊、不利于视觉观察等。传统红外图像增强算法有直方图均衡算法(Histogram Equalization,HE)[3]、自适应直方图均衡算法(Adaptive Histogram Equalization,AHE)[4]、非线性灰度变换[5]等。传统算法仅从图像数据本身进行变换,忽略人眼的视觉特性,容易丢失细节信息,使得增强效果并不理想。

近年来,模拟人眼视觉特性的新型增强算法取得了较好的效果。Edwin.H.Land首次提出的Retinex算法[6],后来Jobson等[7-8]提出了改进的Retinex算法。该算法呈现了较好的图像效果,但细节边缘存在“光晕”现象。贾瑞明等[9]提出了分形算法,结合分形维数理论处理图像,突出细节但噪声处理不理想。本文充分研究人眼视觉特性与红外图像特征,提出了一种结合视觉特性的红外图像增强方法,既有效地抑制了噪声,提高了对比度,使Weber区域的细节信息更加突出,又克服边缘“光晕”现象,更好的改善了图像视觉效果。

2 人眼视觉特性

人眼视觉感知系统与图像处理有相似之处,本文研究人眼的灰度分辨能力与亮度感知特性对图像进行处理。人眼分辨能力与灰度具有一定的关系[10],即在图像灰度值中等时,人眼视觉分辨能力较高。对于红外图像而言,人眼的注意力只集中在灰度变化较大的区域。因此,本文视觉处理阶段采用分段式方式。

从视觉感知特性研究,在对数域上人眼所感受光强梯度与背景强度成局部线性关系[11]。根据灰度分辨能力与亮度感知特性,可以将人眼视觉区域进行划分,如图1所示。

图1 人眼视觉区域的划分

图1所示,从x1到x2为Devries-Rose区域,欠照明区域；从x2到x3为Weber区域,适当照明区域；从x3到无限大为Saturation区域,过度照明区域。其中,Weber区域近似于线性区域,也是最适宜于人眼观察的区域。

3 基于Weber理论的图像分割预处理

Weber定律[12]在很多感知现象中存在,表示刺激量的感知不依赖于绝对强度,而依赖于相对强度。假定m为感觉物理量,n为对应物理量,则表达式为

m=kIn(n)+c

(1)

式中,k∈(0,+∞),c∈(-∞,+∞)。本文先利用Weber定律建立单通道视觉感知模型,对亮度进行适度处理,改善过亮、过暗区域,使图像信息更多保留在视觉敏感区域。再利用背景强度与光强梯度的函数关系进行分段划分,将图像分割成具有相似内部特性的二维图像,公式如(2)所示。

(2)

其中,B(x,y)为像素的背景强度;X(x,y)为输入图像;Q为像素X(x,y)的四个相邻像素构成的集合;Q′为像素X(x,y)的对角线上四个相邻像素构成的集合。定义参数光强梯度信息X′(x,y),计算H(x,y)、G(x,y),公式如(3)所示。

(3)

定义人眼的阈值参数:像素最大差异BT、背景强度阈值Bi、光照梯度阈值Ki,其中i=1,2,3,公式如(4)、(5)所示。其中α1,α2,α3为视觉响应特征参数,通过大量测试得出α2=0.12,α3=0.63。

BT=Xmax(x,y)-Xmin(x,y)

(4)

(5)

基于视觉特性实现对红外图像的分割,得到三区域,公式如(6)所示。接下来,分析三区域用不同算法对其进行增强处理。

(6)

4 结合视觉特性的增强算法

4.1 Retinex算法原理

红外图像是由物体本身热辐射而成,因此目标量L(x,y)与反射量R(x,y)取决于自身特性。为了简化算法并消除入射量I(x,y)的影响,通常对其进行对数变换。

多尺度Retinex(Multi scale Retinex,MSR)算法理论由单尺度算法理论演化而来,其数学模型为:

(7)

式中,*表示卷积运算；G(x,y)为低通函数,用来估计低频分量；n为环绕个数；wn为对应的权重因子,通常n=3。RM(x,y)含有更多细节信息并有较好的动态压缩能力。为了达到整体动态压缩与色感一致性之间的平衡,选用MSR增强算法,来增强Weber区域的图像。

4.2 改进的自适应直方图均衡算法

传统HE算法可使像素灰度动态范围扩大,但容易丢失细节,视觉效果较差。因此,本文提出一种新的对比度增强的自适应直方图均衡算法(Improved Adaptively Increasing the Value of Histogram Equalization,IAIVHE)。

本文算法对输入图像的P(k)重新定义,采用自适应均值法计算基准值Pi,分为上、中、下三部分,限制PIAIVHE(k),调整参数来获得新的PIAIVHE(k),实现图像对比度增强。公式如下所示:

PIAIVHE(k)=

(8)

其中，α(k)为自适应约束参数,通过改变像素灰度区域的分布比例,依据平均亮度Xm使亮、暗区产生黑白拉伸效果,如公式(9)所示：

α(k)=

(9)

式中,β的取值范围为[0,1]内的任意实数,经过实验确定最佳β=0.35。通过β可确定亮、暗区域中PIAIVHE(k)的像素分布及拉伸程度,还可以通过β值来改变产生传递曲线。将α(k)从两侧不断趋近于Xm,防止视觉伪像达到图像对比度增强的效果。累积密度函数CIAIVHE(k)归一化灰度级,输出增强图像,公式如下所示:

(10)

IAIVHE算法通过对参数自适应调整,来改变对比度避免过增强。为了红外图像能够自适应拉伸灰度,增强对比度,提高图像质量,因此对Devries-Rose区域、Saturation 区域选用IAIVHE增强算法。

最后,将增强后的三区域图像按0.3∶0.4∶0.3的比例进行合并,突出Weber细节区域,得到增强后的红外图像。如公式(11)所示：

Img=0.3×img1+0.4×img2+0.3×img3

(11)

基于以上研究内容,本文算法经过了分割、增强、合并。针对亮度、细节特征,分别对各区域选取合适的算法进行处理,整体设计流程如图2所示。

图2 整体设计流程图

5 实验结果

为了验证本文算法的有效性,采用5幅红外图像进行实验,包括人物、建筑物、自然风景。与其他算法进行比较,涉及到HE算法、SSR算法、AHE算法。仿真运行环境采用Windows10,处理器采用Intel(R) Core(TM) i5-3230M CPU @ 2.60 GHz,仿真软件为MatlabR2015b。

图3为红外图像分割结果图,选取图像:建筑物、人物。本文算法分割得到的三区域分别是:Devries-Rose区域、Weber区域、Saturation区域。通过主观测评,其中Weber区域为细节信息量最大、最适宜视觉观察的区域。

图3 红外图像分割结果图

图4为本文算法与其他算法的对比图。其中图4(a)为红外原始图像,图像模糊不清、噪声明显、不宜观察；图4(b)为基于HE算法的增强结果,图像处理过亮,人物细节几乎全部丢失,并且引入噪声严重；图4(c)为基于SSR算法的增强结果,虽然目标信息的整体轮廓易于观察,但是图像中的细节部分缺失；图4(d)为基于AHE算法的增强结果,图像细节信息部分增强,整体亮度较暗,不易视觉观察；图4(f)为本文算法的增强结果,亮度处理适度,增强了细节信息,图像更适合人眼观察。

图4 本文算法与其他算法的对比图

本文采用均值、信息熵、平均梯度以及运行时间来评价HE算法、SSR算法、AHE算法和本文算法在红外增强上的性能。

表1为建筑物图像的实验数据。通过红外图像增强算法后,图像的信息熵都得到提高,本文算法的信息熵最大,图像的信息量较多。均值反映了红外图像像素的平均大小,即平均亮度,本文算法最大。平均梯度反映了图像中细节反差和纹理变化,即清晰度,本文算法最大。表2为人物图像的实验数据。本文算法的均值仅次于HE算法,信息熵最大,平均梯度仅次于AHE算法。运行时间进行对比,可以发现本文算法较优于其他算法。综合上述实验结果,证明了本文红外图像增强算法的有效性和适用性。

表1 建筑物红外图像的实验数据

表2 人物红外图像的实验数据

6 结 论

本文针对红外图像的对比度、细节信息等问题,提出了结合视觉特性的红外图像增强方法。将视觉特性与红外图像特征相结合,利用对数线性关系特性分割图像区域,根据各区域不同的亮度、细节分布选取适合的算法处理,并对IAIVHE算法进行改进,重构图像,最终得到增强后的红外图像。通过实验表明,本文算法在增强细节信息的同时改善了图像亮度,提升了图像的对比度,有效的克服“光晕”现象,更适合于人眼视觉观察。