基于偽暗原色的紅外增強(qiáng)技術(shù)研究

曹 慧，張寶輝，陳 磊，楊開峰

?

基于偽暗原色的紅外增強(qiáng)技術(shù)研究

曹 慧1，張寶輝2，陳 磊1，楊開峰2

（1.南京理工大學(xué)電子工程與光電技術(shù)學(xué)院，江蘇 南京 210094； 2.北方夜視科技集團(tuán)有限公司南京研發(fā)中心，江蘇 南京 211106）

基于紅外圖像與可見光霧化圖像之間的相似性，通過比較紅外圖像的灰度均值和圖像亮暗程度的灰度閾值，實(shí)現(xiàn)圖像亮暗的自動判別，進(jìn)而判斷圖像是否需要灰度反轉(zhuǎn)。對原圖或原圖灰度反轉(zhuǎn)圖采用類似可見光去霧的暗原色先驗(yàn)算法——偽暗原色算法求出紅外圖像的粗糙透射率，結(jié)合導(dǎo)向?yàn)V波實(shí)現(xiàn)粗糙透射率的細(xì)化，依據(jù)大氣散射物理模型得到最終增強(qiáng)的紅外圖像。實(shí)驗(yàn)結(jié)果表明，采用偽暗原色紅外圖像增強(qiáng)的算法可以提高紅外圖像的對比度，突出其細(xì)節(jié)，提高其信噪比，并且具有良好的視覺效果。

紅外圖像增強(qiáng)；偽暗原色；導(dǎo)向?yàn)V波；大氣散射物理模型

0 引言

目前，紅外圖像已經(jīng)廣泛應(yīng)用于軍事、醫(yī)療、科研等領(lǐng)域，越來越多的需求也使得人們對紅外圖像的質(zhì)量要求越來越高。由于紅外熱輻射及波長較長等固有的紅外特性及熱成像探測能力等原因，紅外圖像具有對比度低、紋理信息少、信噪比低等特點(diǎn)。紅外圖像的這些缺點(diǎn)導(dǎo)致成像的紅外目標(biāo)質(zhì)量差，因而不利于檢測、識別或跟蹤。為滿足后續(xù)紅外圖像處理要求，需要對圖像進(jìn)行增強(qiáng)預(yù)處理，提高其對比度，突出其細(xì)節(jié)，使其利于人眼觀察[1-2]。

紅外圖像增強(qiáng)的算法很多，其中直方圖均衡化算法（HE）是最常用的一種。它根據(jù)圖像的累積直方圖進(jìn)行灰度重新分配，使得像素多的灰度級被擴(kuò)展到更多的灰度級，像素少的灰度級被壓縮到更少的灰度級，因而提高了圖像背景和噪聲的對比度，但也降低了目標(biāo)的對比度。在HE基礎(chǔ)上改進(jìn)的平臺直方圖均衡化算法（PHE）與HE類似，不同的是平臺直方圖均衡化對灰度設(shè)置了平臺閾值，對大于或小于平臺閾值的灰度值進(jìn)行了限制。平臺直方圖均衡化算法是目前常用且有效的紅外圖像增強(qiáng)算法[3]，但平臺閾值選取得不當(dāng)很容易造成增強(qiáng)后的圖像質(zhì)量下降。

本文在紅外圖像增強(qiáng)算法的研究基礎(chǔ)上，提出了一種基于偽暗原色先驗(yàn)的紅外圖像增強(qiáng)算法。實(shí)驗(yàn)結(jié)果表明，該算法能夠很好地實(shí)現(xiàn)紅外圖像對比度增強(qiáng)及細(xì)節(jié)突出，具有良好的人眼視覺效果。

1 紅外圖像特征分析

紅外圖像表征著場景內(nèi)物體的溫度分布，其灰度值對應(yīng)著物體的溫度值。由于同一環(huán)境中的物體之間會進(jìn)行不間斷的熱傳遞和熱輻射，因而紅外圖像呈現(xiàn)出空間相關(guān)性強(qiáng)、灰度值相對集中、對比度差的特點(diǎn)。除此之外，物體熱輻射經(jīng)過大氣傳輸?shù)竭_(dá)紅外系統(tǒng)的過程中必然會受到大氣衰減的影響，文獻(xiàn)[4]中提到大氣對紅外輻射的總衰減公式為：

若令為總衰減系數(shù)：

則式(1)改寫為：

a()＝exp(－) (2)

1999年由Nayar和Narasimhan提出的經(jīng)典大氣散射物理模型描述了可見光霧化圖像的退化過程[5]：

()＝()×()＋[()],()＝exp(－) (3)

式中：()是觀測到的有霧圖像；()為待求的無霧圖像；()為大氣透射率；表示大氣光強(qiáng)度；為大氣衰減系數(shù)；為場景到攝像位置的距離。

對比式(2)和式(3)可以認(rèn)為，紅外圖像在大氣傳輸中受水分子等的影響和可見光圖像受霧、霾等粒子的影響有相同之處。紅外圖像的低對比度、視覺效果模糊的特點(diǎn)與可見光霧化圖像偏灰白色、對比度低、視覺效果差的特點(diǎn)也非常相似，可以將對比度低的紅外圖像也稱為霧化圖像。因此采用可見光霧化圖像的暗原色先驗(yàn)去霧算法處理紅外圖像，實(shí)現(xiàn)紅外圖像的對比度增強(qiáng)。

2 偽暗原色

近年來，暗原色先驗(yàn)方法[6]是單幅圖像去霧算法中被公認(rèn)為最好的算法。該方法基于大氣散射物理模型[5]，由He等人依據(jù)戶外無霧圖像庫的統(tǒng)計(jì)規(guī)律總結(jié)提出。He等認(rèn)為，在非天空區(qū)域，戶外無霧圖像中色彩鮮艷的景物、深色馬路或物體的影子等大部分物體的RGB三通道中至少有一個通道的像素灰度值很低，甚至接近于0，因而再對圖像局部區(qū)域進(jìn)行最小值濾波后的灰度值也接近于0，這個先驗(yàn)知識被稱為暗原色先驗(yàn)。用如下公式[6]表述：

dark()＝min?(x)[min?{r,g,b}c()],dark?0 (4)

式中：c是圖像的一個顏色通道；()是以為中心的一個局部方塊域；是()中的任一像素點(diǎn)。對于無霧圖像，dark趨近于0；對于有霧圖像，其暗原色灰度值的大小反映了原圖的霧化程度。

然而，紅外圖像是灰度圖像，沒有RGB三通道，因而不存在暗原色的說法。但是對紅外灰度圖像進(jìn)行局部最小值濾波后也能得到類似暗原色的圖，該圖灰度值的高低對應(yīng)著紅外圖像霧化的程度。因此，將對紅外灰度圖像進(jìn)行局部最小值濾波操作獲得圖像霧化程度的方法稱作偽暗原色，表述為：

darkI()＝min?(x)[I()] (5)

式中：下標(biāo)I表示紅外圖像，定義的參數(shù)與式(4)類似。

3 紅外圖像增強(qiáng)模型

結(jié)合偽暗原色先驗(yàn)和大氣散射物理模型，建立如下紅外圖像增強(qiáng)模型。針對紅外圖像特征，重新定義式(3)中參數(shù)的意義：I()表示待增強(qiáng)的紅外初始圖像；I()表示增強(qiáng)后的紅外圖像，I()表示紅外輻射透射率；I表示環(huán)境光。

根據(jù)式(5)可知場景中未霧化的區(qū)域的偽暗原色值接近于0，因此得到：

為了使復(fù)原后的圖像達(dá)到合適的視覺效果，在式(8)中引入一個常數(shù)（?0,1），的取值偏大會使得增強(qiáng)后的圖像偏暗，取值偏小會導(dǎo)致增強(qiáng)后的圖像偏亮[7]。依據(jù)經(jīng)驗(yàn)值，這里取0.95，式(8)改寫為：

I()＝[I()－I]/I()＋I(xiàn)(10)

式(10)中，分母I()接近于0時(shí)會嚴(yán)重影響I()，因此給I()設(shè)定一個下限值，一般取Imin＝0.1，式(10)變?yōu)椋?/p>

I()＝[I()－I]/max[I(),Imin]＋I(xiàn)(11)

環(huán)境光I的取值是偽暗原色圖像前0.1%灰度值最大的像素對應(yīng)的原圖灰度值中的最大值。

上述紅外圖像增強(qiáng)算法是針對較明亮的紅外圖像，其在視覺效果上與霧化圖像類似，但偏暗的紅外圖像并沒有這樣的特征。然而通過對灰度值偏低的紅外圖像的灰度反轉(zhuǎn)圖像作偽暗原色圖像增強(qiáng)，同樣可提高圖像對比度[9]。依據(jù)人類視覺生理學(xué)，物體灰度值（0～255）小于31時(shí)人眼感覺黑暗，大于63時(shí)感覺明亮[10]。因此將灰度值47（取31和63的中間值）設(shè)置為紅外圖像亮暗的閾值，比較該值與初始圖像灰度平均值的大小，實(shí)現(xiàn)自適應(yīng)偽暗原色紅外圖像增強(qiáng)算法。表述為：

式中：×表示圖像的像素總數(shù)；I￠、I()￠表示由255－I()作偽暗原色增強(qiáng)算法過程中的環(huán)境光強(qiáng)和精細(xì)透射率。該式即為本文提出的自適應(yīng)偽暗原色紅外圖像增強(qiáng)模型。

4 實(shí)驗(yàn)結(jié)果分析與評價(jià)

為驗(yàn)證本文算法的有效性，我們在MATLAB R2010b環(huán)境下對亮暗程度不同的紅外圖像（圖1、圖2）、不同場景的紅外圖像進(jìn)行了實(shí)驗(yàn)驗(yàn)證（圖3）。為客觀評價(jià)本文算法的性能，我們對比了不同的紅外圖像增強(qiáng)算法對同一場景的紅外圖像的處理效果（圖4）。圖1為基于偽暗原色紅外圖像增強(qiáng)算法對偏亮的紅外圖像的處理過程及結(jié)果圖；圖2為該算法對偏暗的紅外圖像的處理結(jié)果。

圖1給出了一組基于本文算法處理的灰度值偏高的紅外圖像及其結(jié)果圖，包括偽暗原色圖、精細(xì)透射率圖和最終增強(qiáng)結(jié)果圖。從偽暗原色圖中可以看出原圖中灰度值較小的部分向外擴(kuò)張，吞噬了周圍灰度值較大的區(qū)域，如圖1(a)中的白色數(shù)字（13:14:30:583）在偽暗原色圖中未顯現(xiàn)；精細(xì)透射率除去了塊狀效應(yīng)，還原了原圖的邊緣；增強(qiáng)后的圖像視覺效果明顯改善，細(xì)節(jié)更加清晰。對比原圖直方圖和增強(qiáng)后的圖像直方圖，明顯看出增強(qiáng)后的直方圖灰度級分布更加均衡。

圖2給出了本文算法對偏暗的紅外圖像增強(qiáng)處理的結(jié)果，包括原圖的灰度反轉(zhuǎn)圖（圖2(b)）、圖2(b)的偽暗原色圖像增強(qiáng)結(jié)果即圖2(c)，以及對圖2(c)進(jìn)行灰度反轉(zhuǎn)得到的最終增強(qiáng)結(jié)果圖2(d)。對比圖2(a)和圖2(d)看出圖像對比度和細(xì)節(jié)信息都得到了顯著提高。

圖3是采用本文算法針對不同場景的紅外圖像的增強(qiáng)結(jié)果。圖3第1排是原圖，第2排是對應(yīng)的實(shí)驗(yàn)結(jié)果圖，顯然增強(qiáng)后的圖像對比度明顯提高，視覺效果良好。這也說明基于原圖灰度均值判斷圖像是否亮暗，進(jìn)而利用基于偽暗原色先驗(yàn)的紅外圖像增強(qiáng)算法可行，且有良好的效果。

選擇直方圖均衡化和雙平臺直方圖均衡化算法與本文算法進(jìn)行對比。通過局部對比度評價(jià)指標(biāo)和可見邊指標(biāo)來衡量處理后的圖像質(zhì)量。局部對比度指標(biāo)是將圖像分為尺寸相等的若干塊，然后計(jì)算各子塊局部對比度的累加值。該累加值越高說明圖像對比度越高[11]?？梢娺呍谖墨I(xiàn)[12]中是指圖像局部對比度超過5%的點(diǎn)，可認(rèn)為這樣的點(diǎn)在視覺上可見，因而圖像可見邊的數(shù)量表征著圖像細(xì)節(jié)的數(shù)量。

從表1數(shù)據(jù)來看，HE、DPHE和本文算法均能不同程度地提高圖像對比度。雖然HE處理后的圖像獲得最大程度的對比度增強(qiáng)，但該算法主要提升背景和噪聲，而細(xì)節(jié)并未突出。如圖4(1b)方框內(nèi)部的噪聲明顯突出，從而該區(qū)域的對比度增大，并非所需的目標(biāo)與背景之間對比度的增大；圖4(2b)紅外內(nèi)部灰度值溢出，失去原有的細(xì)節(jié)信息。從主觀視覺和客觀數(shù)據(jù)兩種評價(jià)指標(biāo)均可判斷平臺直方圖均衡化的處理效果比HE的效果好，但是要確定合適的平臺閾值是平臺直方圖均衡化算法的關(guān)鍵。相比HE算法和DPHE算法，本文算法更有優(yōu)勢。從局部對比度指標(biāo)和可見邊指標(biāo)都顯示出本文算法的增強(qiáng)程度更好；從人眼視覺角度看，本文算法處理的結(jié)果細(xì)節(jié)突出（如圖4(d)中方框內(nèi)部細(xì)節(jié)），背景平滑，噪聲比例低。

圖1 基于偽暗原色處理的偏亮紅外圖像增強(qiáng)結(jié)果

圖2 基于偽暗原色處理的偏暗紅外圖像增強(qiáng)結(jié)果

圖3 自適應(yīng)偽暗原色處理的紅外圖像增強(qiáng)結(jié)果

表1 圖4中兩組圖像的局部對比度指標(biāo)和可見邊指標(biāo)

圖4 3種算法處理的增強(qiáng)結(jié)果

5 結(jié)論

在紅外圖像和可見光霧化圖像在大氣衰減過程中具有相似性的基礎(chǔ)上，依據(jù)人類視覺生理學(xué)，設(shè)置判斷圖像亮暗的灰度閾值，比較該閾值與紅外圖像的灰度均值，實(shí)現(xiàn)圖像亮暗的自動判斷，進(jìn)而判斷圖像是否需要灰度反轉(zhuǎn)。接著對原圖或原圖灰度反轉(zhuǎn)圖采用局部最小值濾波即偽暗原色算法求出紅外圖像的粗糙透射率估計(jì)；再以原圖為導(dǎo)向圖，通過導(dǎo)向?yàn)V波快速獲取圖像的精細(xì)透射率；最后根據(jù)大氣散射物理模型，求出增強(qiáng)后的紅外圖像。實(shí)驗(yàn)結(jié)果表明，采用偽暗原色紅外圖像增強(qiáng)的算法對亮暗程度不同、場景不同的紅外圖像增強(qiáng)后，圖像細(xì)節(jié)突出、對比度高、人眼視覺效果良好；客觀評價(jià)指標(biāo)也表明，該算法比平臺直方圖均衡化及直方圖均衡化均有更好的提高紅外圖像對比度的效果。

[1] 于天河, 郝富春, 康為民, 等.紅外圖像增強(qiáng)技術(shù)綜述[J].紅外與激光工程, 2007, 36(S2): 335-338.

YU Tianhe, HAO Fuchun, KANG Weimin, et al. Summarization on the infrared image enhancement technology[J]., 2007, 36(S2): 335-338.

[2] 胡竇明, 趙海生, 李云川, 等.一種基于同態(tài)濾波的紅外圖像增強(qiáng)新方法[J]. 紅外技術(shù), 2012, 34(4): 224-228.

HU Douming, ZHAO Haisheng, LI YunChuan, et al. A new approach to infrared image enhancement based on homomorphic filter[J]., 2012, 34(4): 224-228.

[3] 王炳健, 劉上乾, 周慧鑫, 等.基于平臺直方圖的紅外圖像自適應(yīng)增強(qiáng)算法[J]. 光子學(xué)報(bào), 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.

[4] 周國輝, 劉湘?zhèn)? 徐記偉.一種計(jì)算紅外輻射大氣透過率的數(shù)學(xué)模型[J]. 紅外技術(shù), 2008, 30(6): 331-334.

ZHOU Guohui, LIU Xiangwei, XU Jiwei. A math model of calculate the atmospheric transmittance of infrared radiation[J]., 2008, 30(6): 331-334.

[5] Nayar S K, Narasimhan S G. Vision in bad weather[C]//, 1999, 2:820-827.

[6] He K, Sun J, Tang X. Single image haze removal using dark channel prior[C]//, 2009:1956-1963.

[7] 李毅, 張?jiān)品? 張強(qiáng), 等.基于去霧模型的紅外圖像對比度增強(qiáng)[J]. 中國激光, 2015, 42(1): 298-306.

LI Yi, ZHANG Yunfeng, ZHANG Qiang, et al. Infrared image contrast enhancement based on haze remove method[J]., 2015, 42(1): 298-306.

[8] He K, Sun J, Tang X. Guided image filtering[J]., 2013, 35(6):1397-1409.

[9] Zhang X, Shen P, Luo L, et al. Enhancement and noise reduction of very low light level images[C]//(), 2012:2034-2037.

[10] 趙媛, 趙敏, 謝正祥. 基于現(xiàn)代數(shù)字圖像處理技術(shù)對中間視覺對比度分辨率限制（閾值）的測定[J]. 中國組織工程研究與臨床康復(fù), 2011, 15(26): 4841-4844.

ZHAO Yuan, ZHAO Min, XIE Zhengxiang. Measuring the contrast resolution limits(threshold) of mesopic vision based on digital image processing technology[J]., 2011, 15(26): 4841-4844.

[11] Grigoryan A M, Agaian S S. Transform-based image enhancement algorithms with performance measure[J]., 2001, 10(3): 367-382.

[12] Hautière N, Tarel J P, Aubert D, et al. Blind contrast restoration assessment by gradient ratioing at visible edges[J]., 2008, 27(6): 87-95.

Research of Infrared Images Enhancement Technique Based on Pseudo Dark Channel Prior

CAO Hui1，ZHANG Baohui2，CHEN Lei1，YANG Kaifeng2

(1.,,210094,; 2.,,,211106,)

Based on the similarities between infrared images and visible hazy images, automatic identification of an image whether it is light or dark is achieved by comparing the average of the image’s gray level and the threshold determining the degree of dark, and then it is known whether the image needs gray scale inversion. Next, similar dark channel prior (DCP) method called pseudo dark channel prior is implemented on original image or inversed image to get the coarse transmission of the infrared image; refined transmission is got by using the guided image filtering; final enhanced infrared image is obtained according to the atmospheric scattering physical model. Experimental results show that the infrared image enhancement algorithm based on pseudo dark channel prior can improve the contrast of infrared images, highlight the details, improve signal to noise ratio, and have a good visual effect.

infrared images enhancement，pseudo dark channel prior，guided image filtering，atmospheric scattering physical model

TP391

A

1001-8891(2016)06-0476-05

2015-12-14；

2016-03-03.

曹慧（1991-），女，碩士研究生，主要從事圖像處理方面的研究。E-mail：chwise@163.com。