基于暗通道先驗(yàn)和CLAHE的紅外圖像增強(qiáng)算法

鄭林濤，俞衛(wèi)華，董永生

（河南科技大學(xué) 信息工程學(xué)院，河南 洛陽(yáng)471023）

0 引 言

由于紅外圖像的成像機(jī)理和成像環(huán)境的限制，紅外圖像的視覺質(zhì)量往往欠佳，具有信噪比低、對(duì)比度低、邊緣模糊和噪聲大等特點(diǎn)。因此對(duì)紅外圖像進(jìn)行圖像增強(qiáng)處理對(duì) 紅 外 圖 像 的 后 續(xù) 處 理 非 常 重 要［1－5］。

直方圖均衡 （histogram equalization，HE）是一種傳統(tǒng)的紅外圖像增強(qiáng)算法［3］。直方圖均衡化算法以圖像灰度的概率累計(jì)函數(shù)為基礎(chǔ)構(gòu)造出輸入輸出灰度的映射函數(shù)，使增強(qiáng)后圖像像素的灰度級(jí)以等概率的方式均勻分布。雖然直方圖均衡化能夠自動(dòng)地增強(qiáng)整幅紅外圖像的整體對(duì)比度，但是對(duì)于大部分由背景和噪聲構(gòu)成的紅外圖像而言，直方圖均衡化處理往往會(huì)導(dǎo)致目標(biāo)細(xì)節(jié)丟失、背景過(guò)多增強(qiáng)和噪聲放大的問(wèn)題。針對(duì)直方圖均衡的不足，平臺(tái)直方圖均衡 （plateau equalization，PE）算法通過(guò)設(shè)置一個(gè)平臺(tái)閾值來(lái)抑制對(duì)紅外圖像中背景部分的過(guò)度增強(qiáng)，但是如何選擇合適的平臺(tái)閾值是一個(gè)難點(diǎn)，平臺(tái)閾值的選擇目前還是需要依靠經(jīng)驗(yàn)選擇，因此這也限制了平臺(tái)直方圖均衡算法的應(yīng)用。同態(tài)濾波增強(qiáng)算法只適合那些本身已經(jīng)具備較好對(duì)比度的紅外圖像，對(duì)大部分紅外圖像經(jīng)過(guò)同態(tài)濾波處理之后圖像灰度會(huì)更低，圖像對(duì)比度會(huì)更差。

針對(duì)以上方法的不足，本文提出一種紅外圖像增強(qiáng)算法。該算法將廣泛應(yīng)用于圖像除霧領(lǐng)域的暗通道先驗(yàn) （dark channel prior，DCP）算法應(yīng)用到紅外圖像增強(qiáng)［6］。首先對(duì)需要增強(qiáng)的紅外圖像運(yùn)用暗通道先驗(yàn)算法，然后使用對(duì)比度受限自適應(yīng)直方圖均衡算法（CLAHE）進(jìn)行后續(xù)處理。

1 暗通道先驗(yàn)算法

在計(jì)算機(jī)視覺和圖像處理領(lǐng)域中，McCarney 的大氣散射模型得到廣泛應(yīng)用；該模型表示如下

式中：x——圖像上像素點(diǎn)；I（x）——到達(dá)成像設(shè)備的光線強(qiáng)度。t（x）——場(chǎng)景的透射率，反映了光線穿透霧的能力。J（x）——不受空氣介質(zhì)干擾的實(shí)際景物光線強(qiáng)度。J（x）t（x）——景物 的 直 接 衰 減 項(xiàng)。A——大 氣 光；A（1－t（x））——大氣光成份。圖像去霧問(wèn)題的目標(biāo)就轉(zhuǎn)化為從已獲得的降質(zhì)帶霧圖像I 反求無(wú)霧圖像J，而A 和t都是未知的。

He Kaiming等根據(jù)150個(gè)流行的圖像標(biāo)簽從互聯(lián)網(wǎng)上搜索引擎上收集圖像。手工挑選出沒有霧的圖像建立了一個(gè)5000副圖像的數(shù)據(jù)庫(kù)。通過(guò)對(duì)這些無(wú)霧場(chǎng)景圖像進(jìn)行分析后發(fā)現(xiàn)，在不包含天空的圖像局部區(qū)域中，總是會(huì)有一些像素，它們的顏色通道中至少有一個(gè)具有很低的像素值［6］。

對(duì)一幅圖像J上述結(jié)論可寫作

式中：Jc——J的一個(gè)顏色通道。Ω（x）——以x為中心的一個(gè)局部鄰域。這個(gè)式子被稱作暗通道先驗(yàn)公式。

對(duì)式 （1）兩邊取最小運(yùn)算，然后利用式 （2）可得

然后選取暗通道中0.1%最亮像素，取其亮度的最大值作為大氣光A 的估計(jì)值。

求得t（x）和A 之后帶入式 （1）即可得到無(wú)霧圖像J（x）

t0是為了避免最終去霧結(jié)果中包含噪音而設(shè)定的透過(guò)率的下限值，常取值為0.1。

需要注意的暗通道先驗(yàn)理論不僅適用于彩色圖像，而且也適用于灰度圖像。而紅外圖像是灰度圖像，因此也能夠用暗通道先驗(yàn)理論來(lái)處理。

經(jīng)過(guò)對(duì)圖1和圖2觀察發(fā)現(xiàn)，經(jīng)過(guò)暗通道先驗(yàn)處理過(guò)的圖像與原圖像相比，雖然清晰程度有很大提升，但是表現(xiàn)為亮度和對(duì)比度偏低的特點(diǎn)。為了彌補(bǔ)這些不足，我們引入CLAHE算法對(duì)這些圖像進(jìn)行后續(xù)處理。

2 CLAHE算法

CLAHE算法是由直方圖均衡算法演化發(fā)展而來(lái)，最初應(yīng)用于醫(yī)學(xué)圖像處理領(lǐng)域。直方圖均衡是一種傳統(tǒng)的圖像增強(qiáng)算法。直方圖均衡化是一種全局性增強(qiáng)方法，在改善圖像整體對(duì)比度方面成效顯著，但是往往對(duì)細(xì)節(jié)增強(qiáng)效果不佳。而這一點(diǎn)對(duì)紅外圖像增強(qiáng)效果的影響尤為嚴(yán)重。因此在紅外圖像增強(qiáng)實(shí)際應(yīng)用中直方圖均衡化算法往往并不能達(dá)到理想的效果。

圖1 原始紅外圖像

圖2 圖1經(jīng)過(guò)DCP處理的結(jié)果

為了克服上述直方圖均衡算法的局限，Pizer提出自適應(yīng)直方 圖 均 衡 化 算 法［7］（adaptive histogram equalization，AHE），在圖像的局部分析中引入直方圖均衡化思想。AHE算法通過(guò)對(duì)局部區(qū)域進(jìn)行直方圖均衡化來(lái)改變局部的灰度分布，使局部細(xì)節(jié)得到明顯的增強(qiáng)。因此，該算法更適合于改進(jìn)圖像局部的對(duì)比度來(lái)獲得更多的圖像細(xì)節(jié)。但是自適應(yīng)直方圖均衡化算法有過(guò)度放大區(qū)域的噪聲問(wèn)題，因此有學(xué)者提出了對(duì)比度受限自適應(yīng)直方圖均衡化［8－10］（contrast limited adaptive histogram equalization，CLAHE）算法，該算法對(duì)自適應(yīng)直方圖均衡化算法進(jìn)行了改進(jìn)，采用固定閾值的限幅方法有效抑制局部區(qū)域?qū)Ρ榷鹊倪^(guò)度增強(qiáng)及區(qū)域噪聲的放大問(wèn)題。

3 本文算法

本文算法將成功應(yīng)用于圖像除霧領(lǐng)域的暗通道先驗(yàn)（dark channel prior，DCP）算法應(yīng)用到紅外圖像增強(qiáng)。對(duì)需要增強(qiáng)的紅外圖像運(yùn)用暗通道先驗(yàn)算法，結(jié)合使用對(duì)比度受限自適應(yīng)直方圖均衡算法 （CLAHE）進(jìn)行后續(xù)處理。本文算法的流程如圖3所示。

圖3 本文算法流程

算法的詳細(xì)步驟：

（1）對(duì)需要增強(qiáng)的紅外圖像I進(jìn)行暗通道先驗(yàn)處理，將得到的結(jié)果圖像記作IDCP；

（2）將從 （1）中得到的結(jié)果圖像IDCP作為CLAHE 算法的輸入圖像，將IDCP分割成相同大小的互不重疊的子窗口；

（3）計(jì)算每個(gè)子窗口的灰度直方圖；

（4）由限制系數(shù)α 計(jì)算相對(duì)應(yīng)的子窗口直方圖限制閾值β。采用文獻(xiàn) ［9］中的計(jì)算公式

式中：M、N——子窗口中的像素總數(shù)、灰度級(jí)，Smax稱為最大斜率。

（5）根據(jù)限制閾值β 對(duì)子窗口的直方圖進(jìn)行裁剪，然后將被裁剪下來(lái)的像素重新分配子窗口直方圖中；

（6）對(duì)裁剪后重新分配的子窗口直方圖進(jìn)行直方圖均衡化操作；

（7）建立子窗口區(qū)域的灰度映射函數(shù)，用雙線性插值求出各像素點(diǎn)的灰度值。即得到經(jīng)CLAHE 變換處理后的最終增強(qiáng)紅外圖像。

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文所提的增強(qiáng)算法的有效性，對(duì)大量紅外圖像進(jìn)行了實(shí)驗(yàn)，并和其它的紅外圖像增強(qiáng)方法，即直方圖均衡化、同態(tài)濾波算法進(jìn)行對(duì)比。

圖4為原始紅外圖像，圖5、圖6和圖7分別對(duì)應(yīng)原始圖像經(jīng)過(guò)直方圖均衡化、同態(tài)濾波和本文算法處理過(guò)后的結(jié)果。

圖4 原始紅外圖像

圖5 直方圖均衡化后的處理結(jié)果

圖6 經(jīng)同態(tài)濾波處理后的結(jié)果

圖7 本文算法的處理結(jié)果

圖8、圖9、圖10和圖11分別是原始圖像、直方圖均衡化、同態(tài)濾波和本文算法結(jié)果所對(duì)應(yīng)的灰度直方圖。

從圖4可看出，原始紅外圖像對(duì)比度低并且視覺效果模糊，這可以從其所對(duì)應(yīng)的直方圖圖8中看出。原始圖像中的灰度集中分布在有限的幾個(gè)灰度級(jí)中。圖5和圖9分別是直方圖均衡化的結(jié)果和對(duì)應(yīng)的直方圖，從圖9可以看出經(jīng)過(guò)直方圖均衡化后，原始紅外圖像的灰度分布變得更分散，這意味著圖像的整體對(duì)比度得到了較大改善，這一點(diǎn)可以從圖5中得到印證。從圖9中還可看出，圖像的灰度分布出現(xiàn)了明顯的斷層現(xiàn)象，這表明圖像的細(xì)節(jié)信息已有較多的損失。雖然直方圖均衡處理可以改變圖像的整體對(duì)比度，但是往往會(huì)出現(xiàn)局部的過(guò)增強(qiáng)現(xiàn)象。在圖5的四角部分可以看到明顯的過(guò)亮現(xiàn)象。圖6和圖10是同態(tài)濾波后的結(jié)果和其所對(duì)應(yīng)的直方圖。從圖6中可看出經(jīng)過(guò)同態(tài)濾波處理，原始圖像的亮度得到了改善，而圖像的清晰度和對(duì)比度依然沒有得到改善。從圖10中可看出，同態(tài)濾波后圖像的灰度分布集中在高亮度區(qū)域。圖7和圖11是本文算法的處理結(jié)果和其所對(duì)應(yīng)的直方圖。從圖11中對(duì)應(yīng)的直方圖可以看出圖像的灰度盡可能均勻分布在較多的灰度級(jí)上，沒有集中堆積在某一灰度區(qū)域。跟原始圖像相比，本文算法的結(jié)果圖像顯得更清晰并且擁有良好的對(duì)比度。

圖8 原圖像的直方圖

圖9 直方圖均衡結(jié)果對(duì)應(yīng)的直方圖

圖10 同態(tài)濾波結(jié)果對(duì)應(yīng)的直方圖

圖11 本文算法結(jié)果對(duì)應(yīng)的直方圖

針對(duì)原始紅外圖像圖1，表1從定量的角度對(duì)幾種算法進(jìn)行比較。本文采用的評(píng)價(jià)指標(biāo)是紅外圖像增強(qiáng)領(lǐng)域廣泛使用的圖像熵和標(biāo)準(zhǔn)差。圖像的熵值表征的是一幅圖像所攜帶的信息量。熵值越大則表明圖像增強(qiáng)算法的增強(qiáng)效果越好。標(biāo)準(zhǔn)差反映的是圖像的灰度值與圖像的灰度平均值的差異情況，常用標(biāo)準(zhǔn)差表示圖像的反差情況。標(biāo)準(zhǔn)差越大表明圖像的反差越大，對(duì)比度越大，圖像增強(qiáng)算法的增強(qiáng)效果越好。直方圖均衡化方法結(jié)果標(biāo)準(zhǔn)差最大而熵值最小，且熵值遠(yuǎn)比其它幾種方法小。這表明直方圖均衡化方法成功的提高了對(duì)比度但是對(duì)比度過(guò)高會(huì)引起過(guò)增強(qiáng)現(xiàn)象，會(huì)導(dǎo)致圖像的信息量有較多損失。而從表中可以看出本文算法的信息熵值遠(yuǎn)高于其它算法，說(shuō)明經(jīng)過(guò)本算法處理大幅提升了圖像的熵值，提升幅度遠(yuǎn)高于其它算法，具有更好的增強(qiáng)效果。本文算法的標(biāo)準(zhǔn)差雖小于直方圖均衡化的結(jié)果而遠(yuǎn)大于同態(tài)濾波算法，說(shuō)明本算法具有良好的提升圖像對(duì)比度的效果。

表1 增強(qiáng)算法的定量比較結(jié)果

綜上所述，從主觀評(píng)價(jià)和客觀指標(biāo)方面比較了幾種算法的效果，本文算法均表現(xiàn)出較好的性能。

5 結(jié)束語(yǔ)

本文提出了一種基于暗通道先驗(yàn)和CLAHE 的紅外圖像增強(qiáng)新算法。本算法先對(duì)原始紅外圖像進(jìn)行暗通道先驗(yàn)處理，在保留原始圖像細(xì)節(jié)的同時(shí)除去原始圖像中的噪聲。使用CLAHE算法對(duì)圖像進(jìn)行處理，提高圖像的亮度和對(duì)比度。經(jīng)過(guò)仿真驗(yàn)證，經(jīng)本算法增強(qiáng)后的紅外圖像整體視覺質(zhì)量得到明顯改善。圖像本算法比常規(guī)的紅外圖像增強(qiáng)算法具有更好的增強(qiáng)效果。

［1］Gade Rikke，Thomas B Moeslund.Thermal cameras and applications：A survey ［J］.Machine Vision and Applications，2014，25 （1）：245－262.

［2］GU Jianxiong.Research of infrared image enhancement algorithm ［D］.Lanzhou：University of Lanzhou，2009：1－2 （in Chinese）.［顧建雄.紅外圖像增強(qiáng)算法研究 ［D］.蘭州：蘭州大學(xué)，2009：1－2.］

［3］Lin Chih－Lung.An approach to adaptive infrared image enhancement for long－range surveillance［J］.Infrared Physics ＆Technology，2011，54 （2）：84－91.

［4］Bai Xiangzhi，Zhou Fugen，Xue Bindang.Infrared image enhancement through contrast enhancement by using multiscale new top－h(huán)at transform ［J］.Infrared Physics ＆ Technology，2011，54 （2）：61－69.

［5］Kylili Angeliki，Paris A Fokaides，Petros Christou，et al.Infrared thermography（IRT）applications for building diagnostics：A review ［J］.Applied Energy，2014，134：531－549.

［6］He Kaiming，Sun Jian，Tang Xiaoou.Single image haze removal using dark channel prior［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33 （12）：2341－2353.

［7］Schatz Volker.Low－latency histogram equalization for infrared image sequences：A hardware implementation ［J］.Journal of Real－Time Image Processing，2013，8 （2）：193－206.

［8］ Maitra Indra Kanta，Sanjay Nag，Samir Kumar Bandyopadhyay.Technique for preprocessing of digital mammogram［J］.Computer Methods and Programs in Biomedicine，2012，107 （2）：175－188.

［9］Reza Ali M.Realization of the contrast limited adaptive histogram equalization（CLAHE）for real－time image enhancement［J］.Journal of VLSI Signal Processing Systems for Signal，Image and Video Technology，2004，38 （1）：35－44.

［10］Min Byong Seok，Dong Kyun Lim，Seung Jong Kim，et al.A novel method of determining parameters of CLAHE based on image entropy ［J］.International Journal of Software Engineering and Its Applications，2013，7 （5）：113－120.