高斯混合模型自適應(yīng)微光圖像增強(qiáng)

陳 瑩，朱 明，劉 劍，李兆澤

(1.中國(guó)科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，吉林 長(zhǎng)春 130033；2. 中國(guó)科學(xué)院大學(xué)，北京 100049；3.總裝備部沈陽(yáng)軍事代表局駐長(zhǎng)春地區(qū)軍事代表室，吉林 長(zhǎng)春 130033)

?

高斯混合模型自適應(yīng)微光圖像增強(qiáng)

陳 瑩1,2，朱 明，劉 劍1，李兆澤3

(1.中國(guó)科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，吉林 長(zhǎng)春 130033；2. 中國(guó)科學(xué)院大學(xué)，北京 100049；3.總裝備部沈陽(yáng)軍事代表局駐長(zhǎng)春地區(qū)軍事代表室，吉林 長(zhǎng)春 130033)

為了改善微光情況下可見(jiàn)光圖像傳感器輸出圖像的質(zhì)量，提出了一種基于高斯混合模型的自適應(yīng)微光圖像增強(qiáng)算法。對(duì)圖像的直方圖進(jìn)行混合高斯建模，應(yīng)用改進(jìn)的期望最大化算法對(duì)直方圖擬合，從而獲取高斯混合模型的最優(yōu)參數(shù)，然后根據(jù)各個(gè)聚類(lèi)的交點(diǎn)將直方圖分區(qū)，最后確定輸出圖像所屬聚類(lèi)的映射關(guān)系，同時(shí)應(yīng)用保持最大熵方法逼近人類(lèi)視覺(jué)特性映射函數(shù)得到最終的增強(qiáng)圖像。實(shí)驗(yàn)結(jié)果表明，此圖像增強(qiáng)模型能自適應(yīng)確定最佳聚類(lèi)個(gè)數(shù)，提高直方圖擬合的運(yùn)算速度，一幀圖像平均處理時(shí)間為0.37 s，在相關(guān)信息熵和紋理信息等的客觀評(píng)價(jià)中，增強(qiáng)結(jié)果明顯優(yōu)于傳統(tǒng)方法，有效地提高了微光圖像的對(duì)比度，同時(shí)保持了圖像的細(xì)節(jié)。

圖像增強(qiáng)；直方圖；高斯混合模型；微光圖像

1 引 言

圖像傳感器是各種光學(xué)成像裝置、計(jì)算機(jī)圖像處理系統(tǒng)輸入數(shù)據(jù)的主要來(lái)源。在實(shí)際應(yīng)用的過(guò)程中，由于天氣、曝光條件等因素的影響，圖像傳感器輸出圖像的對(duì)比度會(huì)降低，從而導(dǎo)致圖像質(zhì)量變差，影響了主觀觀測(cè)或者實(shí)際應(yīng)用的效果[1]。本文對(duì)微光圖像增強(qiáng)技術(shù)進(jìn)行了研究，微光圖像[2]的對(duì)比度低，灰度級(jí)范圍集中，較低的圖像質(zhì)量嚴(yán)重影響了目標(biāo)識(shí)別的效果，因此，提高微光圖像的質(zhì)量在實(shí)際應(yīng)用中具有重要意義。

在各種圖像增強(qiáng)技術(shù)中，直方圖均衡[3](HE)在提高圖像對(duì)比度方面得到了廣泛應(yīng)用，尤其當(dāng)圖像的對(duì)比度較低時(shí)，這種方法可以使得圖像的灰度直方圖分布更加均勻。但是會(huì)導(dǎo)致數(shù)量較少的灰度級(jí)被壓縮，數(shù)量多的灰度級(jí)被過(guò)度拉伸，從而導(dǎo)致背景噪聲的對(duì)比度增加而部分有用信號(hào)的對(duì)比度降低[4-5]。為了克服以上問(wèn)題，文獻(xiàn)[6]提出了局部直方圖均衡算法(LHE)[6]，應(yīng)用了圖像局部信息進(jìn)行增強(qiáng)。但是，LHE處理后的圖像會(huì)產(chǎn)生塊效應(yīng)，并且處理效率不高，因此沒(méi)有被廣泛應(yīng)用。近年來(lái)，應(yīng)用直方圖均衡算法研究圖像增強(qiáng)問(wèn)題取得了一定的成果，例如動(dòng)態(tài)分區(qū)直方圖均衡[7](DRSHE)方法，該算法將直方圖分成K部分，根據(jù)面積比例和參數(shù)l擴(kuò)展原始動(dòng)態(tài)范圍，并用尺度因子α進(jìn)行調(diào)節(jié)。此算法引用參數(shù)調(diào)節(jié)動(dòng)態(tài)范圍成功抑制了過(guò)度增強(qiáng)現(xiàn)象，但是，如果圖像灰度級(jí)特別集中，會(huì)造成分區(qū)不均勻，圖像會(huì)出現(xiàn)部分過(guò)亮或部分過(guò)暗的現(xiàn)象。象限動(dòng)態(tài)直方圖均衡算法[8](QDHE)，根據(jù)面積將直方圖分為相等的四份，利用閾值將灰度級(jí)按比例分配到動(dòng)態(tài)范圍上，再根據(jù)各區(qū)間的累計(jì)概率密度函數(shù)重新分配灰度級(jí)。該算法適于灰度級(jí)集中的圖像，能將灰度級(jí)很好的拉伸開(kāi)，但是，對(duì)于灰度級(jí)數(shù)量極少或者某個(gè)灰度級(jí)數(shù)量遠(yuǎn)遠(yuǎn)多于其他灰度級(jí)的情況，直方圖將出現(xiàn)分區(qū)不合理或者無(wú)法分區(qū)的問(wèn)題，若處理灰度級(jí)分居兩側(cè)(如有路燈的夜晚圖像)的直方圖則將會(huì)很大程度受噪聲影響。

針對(duì)以上算法自適應(yīng)性的不足，本文提出了一種基于高斯混合模型的自適應(yīng)微光圖像增強(qiáng)算法。通過(guò)對(duì)直方圖建模，利用高斯混合模型中聚類(lèi)的特性分配圖像灰度值。其中直方圖擬合過(guò)程采用無(wú)監(jiān)督期望最大化(EM)算法，無(wú)需確定聚類(lèi)數(shù)量，直接處理直方圖數(shù)據(jù)，運(yùn)行時(shí)間不再受圖像大小影響，大大提高了處理速度。在最后應(yīng)用保持最大熵方法對(duì)灰度信息進(jìn)行趨于人類(lèi)視覺(jué)特性調(diào)整。此模型從數(shù)學(xué)意義角度針對(duì)直方圖特性進(jìn)行增強(qiáng)，不受直方圖形狀約束。有效地保持了圖像的細(xì)節(jié)，提高了微光圖像的對(duì)比度，在主觀視覺(jué)方面和客觀評(píng)價(jià)方面都取得了很好的效果。

2 增強(qiáng)算法模型的建立

增強(qiáng)的模型建立包括：A、直方圖擬合；B、分區(qū)；C、灰度級(jí)映射；D、趨于視覺(jué)特性調(diào)整直方圖。假設(shè)輸入圖像X的大小為H×W，其動(dòng)態(tài)范圍為[xd,xu]，輸出圖像Y，其動(dòng)態(tài)范圍為[yd,yu]。

2.1 直方圖擬合

高斯混合模型[9](Gaussian Mixture Modeling, GMM)由不同參數(shù)的高斯聚類(lèi)組成，每個(gè)高斯聚類(lèi)都有屬于自己的均值、方差和加權(quán)系數(shù)。人眼對(duì)方差小密度大的部分區(qū)分比較困難，GMM模型可以較準(zhǔn)確的劃分出這部分并進(jìn)行拉伸，因此，在保留了圖像細(xì)節(jié)的同時(shí)提高了對(duì)比度。應(yīng)用GMM對(duì)直方圖建模，可以用M個(gè)聚類(lèi)來(lái)構(gòu)建，即

(1)

式中：p(x)為圖像灰度級(jí)的概率密度，p(x|wn)是第n聚類(lèi)的概率密度函數(shù)，P(wn)是第n聚類(lèi)的加權(quán)系數(shù)。

應(yīng)用期望最大化(Expectation Maximum, EM)[10]算法完成對(duì)輸入圖像高斯模型中聚類(lèi)個(gè)數(shù)及每條曲線參量的估計(jì)。這里選取的是穩(wěn)定性最好時(shí)的聚類(lèi)個(gè)數(shù)，即滿足迭代停止條件時(shí)，式(14)中(θ|x)的變化最小時(shí)的聚類(lèi)個(gè)數(shù)。

2.2 分區(qū)

有意義的交點(diǎn)可以通過(guò)數(shù)學(xué)計(jì)算獲得，高斯聚類(lèi)wn和wm的交點(diǎn)可由式(2)獲得，即

P(wn)p(x|wn)=P(wm)p(x|wm).

(2)

由式(2)得到的是高斯聚類(lèi)的所有交點(diǎn)，從中找到有意義的交點(diǎn)，去除無(wú)意義的交點(diǎn)。有意義的交點(diǎn)要滿足條件：a.在灰度級(jí)動(dòng)態(tài)范圍內(nèi)；b.由相鄰聚類(lèi)構(gòu)成的交點(diǎn)。這樣可以保證在每個(gè)子區(qū)間內(nèi)都只有一個(gè)聚類(lèi)起支配作用，即，滿足下式:

(3)

(4)

利用交點(diǎn)將灰度級(jí)的動(dòng)態(tài)范圍x分區(qū)，即

x=[x(l),x(1)]∪[x(1),x(2)]...∪...[x(M-1),x(r)],

(5)

式中:x(l)=xd，x(r)=xu，x(k)為聚類(lèi)的交點(diǎn)，且滿足x(l)

2.3 映射

首先，找出輸入圖像與輸出圖像的映射范圍。圖像X的累計(jì)概率密度函數(shù)CDF為

(6)

X的動(dòng)態(tài)范圍的每個(gè)子區(qū)間都映射到相應(yīng)的Y子區(qū)間上，區(qū)間的映射關(guān)系權(quán)重系數(shù)由αk決定，其中αk∈[0,1]，可以由式(7)求得，即

(7)

利用αk，根據(jù)式(8)將輸入子區(qū)間[x(k),x(k+1)]。映射到輸出子區(qū)間[y(k),y(k+1)]上，

(8)

采用公式(8)可以保證映射的覆蓋范圍，即[yd,yu]=[yd,y(1)]∪[y(1),y(2)]...∪...[y(M-1),yu]。若為八位圖像，則yd=0，yu=255。

其次，求出在輸出圖像中對(duì)應(yīng)的高斯聚類(lèi)參數(shù)。在輸出圖像中保留原圖像中的CDF， 即

(9)

因此，由式(6)、式(9)解得輸出圖像中對(duì)應(yīng)的高斯參數(shù)，即

(10)

式中：μk表示原圖像第k聚類(lèi)對(duì)應(yīng)的均值，μk′表示映射后圖像第k聚類(lèi)對(duì)應(yīng)的均值。

(11)

式中，σk表示原圖像第k聚類(lèi)對(duì)應(yīng)的方差，σk′表示映射后圖像第k聚類(lèi)對(duì)應(yīng)的方差。

最后，由求得的高斯參數(shù)得到映射關(guān)系。映射函數(shù)由GMM中聚類(lèi)的概率密度加權(quán)和求得，即

(12)式中：x為輸入圖像，y為映射后的輸出圖像。

2.4 趨于視覺(jué)特性調(diào)整直方圖

根據(jù)人眼的視覺(jué)特性[11]可知，人眼對(duì)低灰度級(jí)區(qū)別能力較強(qiáng)，對(duì)高灰度級(jí)區(qū)別能力較弱。通過(guò)對(duì)映射后函數(shù)進(jìn)行調(diào)整，低灰度級(jí)適當(dāng)壓縮，高灰度級(jí)適當(dāng)拉伸，使其更趨近于人類(lèi)視覺(jué)特性。

應(yīng)用文獻(xiàn)[12]中保持最大熵[12]的計(jì)算，對(duì)直方圖進(jìn)行調(diào)整。c(y)為保留最大熵后的映射函數(shù)，u為原圖像的平均亮度，微光圖像的u值一般在[0.1～0.3]之間，如圖1所示，當(dāng)u=0.5時(shí)，c(y)函數(shù)呈線性；u=0.2時(shí)，c(y)是一個(gè)凹函數(shù)，在保留圖像細(xì)節(jié)信息的同時(shí)提高了圖像的可識(shí)別能力。

圖1 當(dāng)u=0.5和u=0.2時(shí)灰度級(jí)的映射曲線Fig.1 Mapping functions when u=0.5 and u=0.2

3 高斯混合模型的求解及分析

3.1 應(yīng)用改進(jìn)的EM算法求解高斯混合模型

高斯混合模型是對(duì)具有不同參數(shù)的高斯分布的線性混合，EM算法通過(guò)迭代找到高斯混合模型的最優(yōu)參數(shù)，但是傳統(tǒng)EM算法[13]的初始化要滿足迭代時(shí)期望值在局部是收斂的，選取不當(dāng)就會(huì)造成估計(jì)錯(cuò)誤。Figueiredo提出了 EM的改進(jìn)算法FJ[14]，改善了上述初始化問(wèn)題，但它處理的數(shù)據(jù)是整幅圖像，計(jì)算量與圖像大小成比例。為了提高運(yùn)算速度，對(duì)FJ算法進(jìn)行了改進(jìn)，只處理直方圖數(shù)據(jù)，節(jié)省了存儲(chǔ)空間，大大提高了處理速度，運(yùn)算時(shí)間不再受圖像大小的影響，并且根據(jù)迭代穩(wěn)定性可以自適應(yīng)確定聚類(lèi)數(shù)量。

求解高斯混合模型是對(duì)式(1)求解，式(1)也可以表達(dá)如下：

(13)

(14)

直接對(duì)直方圖數(shù)據(jù)進(jìn)行運(yùn)算，要處理的數(shù)據(jù)為h(x)={h(x1),h(x2),...,h(xL)}，其中L為圖像最大灰度級(jí)。逼近直方圖的具體步驟如下：

(15)

(16)

(17)

(18)

(19)

重復(fù)E、M步，直到參數(shù)迭代穩(wěn)定為止，最后即可得到逼近的直方圖：

(20)

圖2為圖12采用改進(jìn)的EM算法取聚類(lèi)個(gè)數(shù)為k=2～6時(shí)的高斯混合模型進(jìn)行最佳擬合篩選，得到當(dāng)k=3時(shí)為最佳直方圖擬合效果。此時(shí)有意義的交點(diǎn)有3個(gè)(黑色空心圓圈)，保證在每個(gè)子區(qū)間內(nèi)有一個(gè)高斯聚類(lèi)起支配作用。

圖2 直方圖最佳擬合結(jié)果(k=3)Fig.2 The best fitting result (k=3)

圖3 擬合函數(shù)(θ|x)的變化Fig.3 Evolution of the cost function(θ|x)

改進(jìn)后的EM算法在運(yùn)算速度上有很大程度的提高，表1為不同大小的8位圖像在Matlab中應(yīng)用改進(jìn)前后EM算法的時(shí)間對(duì)比結(jié)果。

表1 改進(jìn)的EM算法與FJ算法的運(yùn)算時(shí)間比較

Tab.1 Comparison of the computation time for improved

3.2 增強(qiáng)模型的參數(shù)及流程

在擬合直方圖過(guò)程中，高斯聚類(lèi)個(gè)數(shù)越多，擬合的越精確，圖像增強(qiáng)效果越好。但是同時(shí)會(huì)影響運(yùn)算速度。為了兼顧運(yùn)算收斂速度和增強(qiáng)效果，本文設(shè)定聚類(lèi)個(gè)數(shù)為k=2～6，收斂函數(shù)(θ|x)取1e-6，一般幾十次迭代即可滿足條件。由前面優(yōu)化過(guò)程所述，本文算法流程如圖4所示。

圖4 算法流程圖Fig.4 Flowchart of algorithm

4 實(shí)驗(yàn)及分析

為了對(duì)本文所提算法的性能進(jìn)行深入的分析和研究，實(shí)驗(yàn)中采用HE、DRSHE、QDHE以及本文的算法對(duì)文獻(xiàn) [13]中的幾組圖像進(jìn)行增強(qiáng)，HE和QDHE不需要設(shè)置任何參數(shù)，DRSHE要根據(jù)圖像特點(diǎn)設(shè)置分區(qū)個(gè)數(shù)K，以及擴(kuò)展尺度因子α，這里取K=4，α=0.5[6]。GMM需要設(shè)置迭代停止條件和聚類(lèi)個(gè)數(shù)范圍，取l=e-6，k=2～6。圖5～圖8為4組微光圖像的增強(qiáng)實(shí)驗(yàn)結(jié)果。

在增強(qiáng)圖像的同時(shí)保持圖像細(xì)節(jié)是非常重要的，然而評(píng)價(jià)圖像增強(qiáng)能力至今還沒(méi)有明確的標(biāo)準(zhǔn)，這里采用客觀評(píng)價(jià)因子信息熵、對(duì)比度標(biāo)準(zhǔn)差、灰度平均梯度和拉普拉斯算子結(jié)合主觀分析共同評(píng)測(cè)圖像增強(qiáng)質(zhì)量。信息熵[15]用來(lái)衡量圖像的信息量，熵值越大，代表圖像的細(xì)節(jié)越多。熵的定義如下：

(21)

式中，p(xi)是灰度級(jí)xi的概率密度。

圖像對(duì)比度[16]是用標(biāo)準(zhǔn)差來(lái)衡量的，標(biāo)準(zhǔn)差越大，表示圖像的對(duì)比度拉伸的越大，圖像增強(qiáng)質(zhì)量就越好。

(22)

式中，xi表示圖像的灰度級(jí)，u表示圖像的平均亮度，p(xi)表示灰度級(jí)為xi時(shí)的概率密度。

灰度平均梯度(GMG)[17]能較好地反映圖像的對(duì)比度和紋理信息變化特征，其值越大表示圖像越清晰，圖像質(zhì)量越好。

(23)

拉普拉斯算子(Laplacian)[17]是在每個(gè)3×3鄰域內(nèi)求得微分值，圖像越清晰，輪廓越鮮明，則拉普拉斯算子的值越大。

(24)

式中，I′為I(i,j)鄰域像素灰度值的和。

4.1 主觀分析

圖5～圖8為不同圖像的增強(qiáng)結(jié)果，圖9為4組圖像對(duì)應(yīng)的映射關(guān)系。以圖5為例，HE算法是對(duì)圖像整體亮度的增強(qiáng)，對(duì)應(yīng)于圖9(a)中的映射曲線(紅色實(shí)線)，燈光處的過(guò)度增強(qiáng)現(xiàn)象很明顯。DRSHE更多地保留了圖像的原始亮度，整體圖像偏暗，對(duì)比度拉伸不夠。QDHE的映射曲線(綠色實(shí)線)位于HE和DRSHE之間，效果優(yōu)于HE和DRSHE，但QDHE在像素30左右時(shí)有明顯的轉(zhuǎn)折，灰度級(jí)拉伸不均勻，嚴(yán)重受直方圖形狀的影響。本文算法的增強(qiáng)圖像優(yōu)于其他算法，圖5(e)可以明顯看出葉子的邊緣，同時(shí)圖像較亮部分也不會(huì)出現(xiàn)亮度飽和現(xiàn)象，圖10為圖5中圖像對(duì)應(yīng)的直方圖。其他組實(shí)驗(yàn)也可以看出，本文增強(qiáng)模型對(duì)低對(duì)比度圖像的增強(qiáng)效果更佳，圖像的細(xì)節(jié)得到很好的保留。

圖5 增強(qiáng)結(jié)果.(a)原圖像; (b) HE; (c)DRSHE; (d)QDHE; (e)本文算法.Fig.5 Enhancement results. (a) Original image; (b) HE; (c) DRSHE; (d) QDHE; and (e) The proposed method.

圖6 增強(qiáng)結(jié)果. (a) 原圖像; (b) HE; (c) DRSHE; (d) QDHE; (e)本文算法.Fig.6 Enhancement results. (a) Original image; (b) HE; (c) DRSHE; (d) QDHE; and (e)The proposed method.

圖7 增強(qiáng)結(jié)果. (a) 原圖像; (b) HE; (c) DRSHE; (d) QDHE; (e)本文算法.Fig.7 Enhancement results. (a) Original image; (b) HE; (c) DRSHE; (d) QDHE; and (e) The proposed method.

圖8 增強(qiáng)結(jié)果. (a) 原圖像; (b) HE; (c) DRSHE; (d) QDHE; (e)本文算法.Fig.8 Enhancement results. (a) Original image; (b) HE; (c) DRSHE; (d) QDHE; and (e)The proposed method.

用文中提到的增強(qiáng)算法處理彩色圖像的亮度分量(l*a*b空間的l分量)，圖11～12為兩組實(shí)驗(yàn)結(jié)果。本文算法中，圖11的人物亮度較柔和，圖12中路面沒(méi)有出現(xiàn)塊狀，圖像灰度級(jí)拉伸均勻，同時(shí)圖像的細(xì)節(jié)也得以保留，因此，該算法模型的增強(qiáng)效果最好。

圖9 增強(qiáng)圖像灰度級(jí)的映射關(guān)系. (a) 圖5; (b) 圖6; (c) 圖7; (d) 圖8.Fig.9 Grayscale mapping function of enhancement images. (a)Fig.5; (b) Fig.6; (c) Fig.7; and (d) Fig.8.

圖10 圖像5對(duì)應(yīng)的直方圖. (a) 原圖像; (b) HE; (c) DRSHE; (d) QDHE; (e)本文算法.Fig.10 Histograms for Fig.5. (a) Original image; (b) HE; (c) DRSHE; (d) QDHE; and (e) The proposedmethod

圖11 增強(qiáng)結(jié)果. (a) 原圖像; (b) HE; (c) DRSHE; (d) QDHE; (e)本文算法Fig.11 Enhancement results. (a) Original image; (b) HE; (c) DRSHE; (d) QDHE; (e) The proposed method

圖12 增強(qiáng)結(jié)果. (a) 原圖像; (b) HE; (c) DRSHE; (d) QDHE; (e)本文算法.Fig.12 Enhancement results. (a) Original image; (b) HE; (c) DRSHE; (d) QDHE; (e) The proposed method.

4.2 客觀評(píng)價(jià)

由于沒(méi)有原清晰圖像，因此選用無(wú)參考評(píng)價(jià)因子圖像信息熵、標(biāo)準(zhǔn)差、灰度平均梯度和拉普拉斯算子分別對(duì)圖5～8和圖11～12進(jìn)行綜合評(píng)價(jià)，從這幾組實(shí)驗(yàn)數(shù)據(jù)結(jié)合主觀評(píng)價(jià)可知，本文算法更好的實(shí)現(xiàn)了微光圖像的增強(qiáng)。

表2 增強(qiáng)圖像的熵值

表3 增強(qiáng)圖像的對(duì)比度

表4 增強(qiáng)圖像的灰度平均梯度

表5 增強(qiáng)圖像的拉普拉斯算子值

5 結(jié) 論

為了提高微光圖像的質(zhì)量，本文針對(duì)傳統(tǒng)直方圖均衡算法的缺點(diǎn)，以自適應(yīng)提高微光圖像的對(duì)比度為目的，提出了一種基于高斯混合模型的自適應(yīng)微光圖像增強(qiáng)算法。構(gòu)建高斯混合模型根據(jù)直方圖特性增強(qiáng)圖像，采用改進(jìn)的EM算法，實(shí)現(xiàn)自適應(yīng)確定聚類(lèi)個(gè)數(shù)，算法處理時(shí)間為0.37 s，遠(yuǎn)遠(yuǎn)低于應(yīng)用傳統(tǒng)EM算法的時(shí)間，并且增強(qiáng)效果與人類(lèi)視覺(jué)系統(tǒng)的一致性較好，有效地提高了圖像的可識(shí)別能力。相對(duì)于目前已有的算法，增強(qiáng)后圖像的灰度平均梯度值提高了近0.5，拉普拉斯算子值提高了近0.4，說(shuō)明該模型在提高微光圖像對(duì)比度的同時(shí)，有效地保留了圖像的紋理細(xì)節(jié)信息，不會(huì)產(chǎn)生飽和、噪聲放大等不良現(xiàn)象，特別是對(duì)有燈光的微光圖像增強(qiáng)效果優(yōu)于傳統(tǒng)算法。

[1] 賀柏根,劉 劍,馬天瑋.基于 DSP + FPGA 的實(shí)時(shí)圖像去霧增強(qiáng)系統(tǒng)設(shè)計(jì) [J].液晶與顯示,2013,28(6)： 968-972. He B G, Liu J, Ma T W. Real-time image defogging and enhanced system designed based on DSP+FPGA [J].ChineseJournalofLiquidCrystalsandDisplays, 2013,28(6): 968-972. (in Chinese)

[2] 史繼芳,楊斌,韓占鎖,等. 基于雙重模型客觀評(píng)價(jià)微光像增強(qiáng)器的分辨力 [J] . 光學(xué)精密工程,2013,19(3)：2260-2265. Shi J F, Yang B, Han Z S,etal. IR/visible image registration based on EM iteration of log-likelihood function [J].OpticsandPrecisionEngineering, 2013, 19(3): 2260-2265. (in Chinese)

[3] Gonzalez R C, Woods R E.DigitalImageProcessing[M]. Upper Saddle River, NJ: Prentice Hall, 2006.

[4] 尹傳歷,王嘯哲.機(jī)載嵌入式圖像增強(qiáng)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn) [J]. 液晶與顯示，2013，28(4)：604-607. Yin C L, Wang X Z. Design and realization of airborne embedded image enhancement system [J].ChineseJournalofLiquidCrystalsandDisplays,2013, 28(4): 604-607. (in Chinese)

[5] 樊博，王延杰，孫宏海，等.FPGA實(shí)現(xiàn)高速實(shí)時(shí)多端口圖像處理系統(tǒng)的研究 [J] . 液晶與顯示， 2013，28(4)：620-625. Fan B, Wang Y J, Sun H H,etal. High speed real-time multiport image processing system realized on FPGA [J].ChineseJournalofLiquidCrystalsandDisplays, 2013, 28(4): 620-625. (in Chinese)

[6] Kim T K, Paik J K, Kang B S. Contrast enhancement system using spatially adaptive histogram equalization with temporal filtering [J].IEEETransactionsonConsumerElectronics, 1998, 44(1): 82-87.

[7] Iwanami T, Goto T, Hirano S,etal. An adaptive contrast enhancement using regional dynamic histogram equalization [C].IEEEInternationalConferenceonConsumerElectronics, 2012:719-722.

[8] Ooi C H, Isa N A M. Quadrants dynamic histogram equalization for contrast enhancement [J].IEEETransactionsonConsumerElectronics, 2010, 56(4): 2552-2559.

[9] 盧清華，吳志偉，范彥斌. 基于混合高斯模型的運(yùn)動(dòng)車(chē)輛檢測(cè)方法 [J].光電子·激光，2013，24(4)：751-757. Lu Q H, Wu Z W, Fan Y B. An improved mobile vehicle detection method based on Gaussian mixture model [J].JournalofOptoelectronics·Laser, 2013, 24(4):751-757. (in Chinese)

[10] 聶宏賓，侯晴宇，趙明，等. 基于似然函數(shù)EM迭代的紅外與可見(jiàn)光圖像配準(zhǔn) [J].光學(xué)精密工程,2011，21(9)：657-663. Nie H B, Hou J Y, Zhao M,etal. Objective evaluation of resolution for low-light-level image intensifier based on dual-model [J].OpticsandPrecisionEngineering, 2011, 21(9):657-663. (in Chinese)

[11] 穆為磊，高建民，陳富民，等. 符合人眼視覺(jué)特性的焊縫射線數(shù)字圖像增強(qiáng)方法 [J].西安交通大學(xué)學(xué)報(bào)，2012，46(3)：90-93. Mu W L, GaoJ M, Chen F M,etal. Weld radiographic image enhancement conforming to human visual system [J].JournalofXi＇anJiaotongUniversity,2012, 46(3): 90-93. (in Chinese)

[12] Chen S D, Ramli A R. Minimum mean brightness error bi-histogram equalization in contrast enhancement [J].IEEETransactionsonConsumerElectronics, 2003, 49(4): 1310-1319.

[13] 宋磊，鄭寶忠，張瑩，等.一種基于高斯混合模型的改進(jìn)EM算法研究 [J].應(yīng)用光學(xué)，2013，34(6)：985-989. Song L, Zheng B Z, Zhang Y,etal. Advanced EM algorithm based on Gaussian mixture model [J].JournalofAppliedOptics, 2013, 34(6): 985-989. (in Chinese)

[14] Figueiredo M, Jain A. Unsupervised learning of finite mixture models [J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2002, 24(3): 381-396.

[15] 韓希珍，趙建.結(jié)合偏微分方程增強(qiáng)圖像紋理及對(duì)比度 [J].光學(xué)精密工程,2012，18(6)：1382-1388. Han X Z, Zhao J. Enhancement of image texture and contrast combined with partial differential equation [J].OpticsandPrecisionEngineering, 2012, 18(6):1382-1388. (in Chinese)

[16] Menotti D, Najman L, Facon J,etal. Multi-histogram equalization methods for contrast enhancement and brightness preserving [J].IEEETransactionsonConsumerElectronics, 2007, 53(3): 1186-1194.

[17] 謝鳳英，趙丹培. Visual C++數(shù)字圖像處理[M].北京：電子工業(yè)出版社，2008. Xie F Y, Zhao D P.VisualC++DigitalImageProcessing[M]. Beijing: Publishing House of Electronics Industry, 2008. (in Chinese)

Automatic low light level image enhancement using Gaussian mixture modeling

CHEN Ying1,2, ZHU Ming1*, LIU Jian1, LI Zhao-ze3

(1.ChangchunInstituteofOptics,FineMechanicsandPhysics，ChineseAcademyofSciences,Changchun130033,China;2.GraduateUniversityofChineseAcademyofSciences,Beijing100039,China；3.MilitaryRepresentativeOfficeStationedinChangchunAreabyShenyangMilitaryRepresentativeBureau,GeneralArmamentDepartment,Changchun130033,China)

In order to improve the output quality of visible light sensor in low-light environment, an adaptive image enhancement algorithm using Gaussian mixture modeling is proposed in this paper. The histogram of image is modeled with Gaussian mixture modeling and the improved EM algorithm is used to fit the histogram and get the best parameters. Then, the histogram is separated into sub-histograms based on the intersections of Gaussian components. Finally, the mapping is achieved according to the parameters of output image, and the final enhanced image is obtained by the maximum entropy preserving method which tends to the characteristics of human visual. The experimental results show that the algorithm can determine the optimal number of clusters adaptively and improve the speed of the histogram fitting which costs 0.37 s averagely. Comparing with traditional methods, the enhancement result is superior in terms of objective evaluations of related information entropy and texture information. It can improve the contrast of the low light level image and maintain the details.

image enhancement; histogram; Gaussian mixture model; low light level image

2014-04-23；

2014-06-11.

國(guó)家自然科學(xué)基金(No.61203242)

1007-2780(2015)02-0300-10

TP391.4

A

10.3788/YJYXS20153002.0300

陳瑩(1989-)，女，遼寧盤(pán)錦人，碩士研究生，研究方向?yàn)閿?shù)字圖像處理、圖像增強(qiáng)。E-mail:chenying_0305@163.com 朱明(1964-)，男，江西南昌人，研究員，博士生導(dǎo)師，主要從事圖像處理，光電成像測(cè)量技術(shù)，電視跟蹤和自動(dòng)目標(biāo)識(shí)別技術(shù)等方面的研究。E-mail:zhu_mingca@163.com 劉劍(1973-)，男，吉林長(zhǎng)春人，高級(jí)工程師，從事圖像處理研究。 李兆澤 (1980-)，男，遼寧莊河人，主要從事信號(hào)處理等方面的研究。E-mail:lzzsp@aliyun.com

*通信聯(lián)系人，E-mail：zhu_mingca@163.com