一種基于細胞神經(jīng)網(wǎng)絡的直方圖均衡化紅外圖像增強算法

胡剛毅　戴正權

摘要：針對紅外圖像背景復雜、目標模糊等缺點，提出了一種基于細胞神經(jīng)網(wǎng)絡的直方圖均衡化紅外圖像增強算法。細胞神經(jīng)網(wǎng)絡的控制模板設計成低通濾波器以濾除背景噪聲，反饋模板設計引入一個各向同性的高通濾波器生成的矩陣以保護目標的細節(jié)邊緣。而后通過直方圖均衡化達到圖像增強。仿真結(jié)果表明，該算法能使圖像的對比度得到有效增強，同時能抑制圖像中的噪聲，減少細節(jié)信息損失，防止出現(xiàn)非目標被過度增強現(xiàn)象，提高紅外增強圖像的視覺效果。

關鍵詞：紅外圖像；細胞神經(jīng)網(wǎng)絡；直方圖均衡；圖像增強

中圖分類號：TP399 文獻標識碼：A 文章編號：1009-3044（2017）02-0169-04

An Enhancement Algorithm for Infrared Image Based on Cellular Neural Network and Histogram Equalization

HU Gang-yi，DAI Zheng-quan

（College of computer and information， Southwest forestry university， Kunming 650224， China）

Abstract： Aiming at the disadvantages of complex background and objective fuzzy in infrared image. This paper proposes an enhancement algorithm for infrared image based on cellular neural network and histogram equalization. The control template of cellular neural network sets as low pass filter for removing the background noise. The feedback template sets as a matrix which generated by an isotropic high pass filter to protect the edge information of objective. And then through the histogram equalization to achieve image enhancement. The simulation results show that： This algorithm can effectively enhance the contrast of the image and can restrain the noise in the image. It also can reduce the loss of detail information and prevent the excessive enhancement of non target， which can improve the enhancement visual effect of infrared image.

Key words：infrared image； cellular neural network； histogram equalization； image enhancement

紅外圖像具有隱蔽性和可夜視等特點，在軍事、醫(yī)療等領域被廣泛應用，但與可見光圖像相比，其仍然存在分辨率低、對比度不明顯、噪聲大、目標和細節(jié)淹沒在大片的背景之中等缺點，這給目標識別帶來了很大的困難，因此，對紅外圖像進行全景去噪、目標增強等處理對改善紅外圖像的質(zhì)量具有重要的意義[1]。

目前，國內(nèi)外專家提出了各種方法來抑制噪聲，增強圖像的對比度。目前使用比較多的方法是直方圖修正，如文獻2中提出的基于雙平臺直方圖的紅外圖像增強算法，雖然其能使得直方圖均衡而信息丟失降低到最低，但是計算量較大；而文獻3提出的基于動態(tài)廣義直方圖均衡的紅外圖像增強方法，雖然能捕獲細節(jié)，但同時也放大了噪聲。另外一些算法利用直方圖進行圖像增強時，會出現(xiàn)亮點以及不能抑制噪聲等問題[4]。

細胞神經(jīng)網(wǎng)絡（Cellular Neural Network，CNN）是1998年由美國加州大學伯克利分校的L. O. Chua教授提出，它是一種非線性、局部連通的神經(jīng)網(wǎng)絡，具有并行性、運算速度快等特點。已廣泛應用在圖像加密、壓縮及圖像各種預處理中，本文依據(jù)紅外圖像的特點，結(jié)合細胞神經(jīng)網(wǎng)絡與直方圖均衡變換，提出了基于細胞神經(jīng)網(wǎng)絡的直方圖均衡的紅外圖像目標增強算法，該算法既能使圖像的對比度和亮度得到增強，又能有效地抑制圖像背景噪聲。

1細胞神經(jīng)網(wǎng)絡理論

這兩個條件既保證了圖像的灰度從黑到白的次序，又保證了圖像經(jīng)過映射后的像素灰

度仍在一定的范圍內(nèi)，避免整個圖像明顯變亮或明顯變暗。

原始圖像的灰度級在經(jīng)過上述函數(shù)修正之后，圖像中灰度概率密度較小的像素進行灰度級收縮，而概率密度較大的像素則向附近像素擴展，實現(xiàn)了灰度的均勻分布，它能使圖像充分并且有效地利用各個灰度級，從而拉開灰度級層次，實現(xiàn)了圖像的對比度增強。

直方圖變換雖然能夠改善原始圖像的對比度，但是由于灰度均勻處理會使圖像細節(jié)丟失和不連續(xù)使圖像產(chǎn)生色斑，使得圖像增強效果不夠理想，同時，在對含噪圖像的處理上，直方圖變換會出現(xiàn)亮點以及不能抑制噪聲等[8-9]。

3基于細胞神經(jīng)網(wǎng)絡的直方圖均衡變換算法設計

針對紅外圖像的特點，在進行紅外圖像增強時，利用細胞神經(jīng)網(wǎng)絡并行性、快速性和可硬件設計性，先對紅外圖像的噪聲進行限幅，防止不必要的噪聲放大，而后再進行對圖像的目標信息增強。由于在細胞神經(jīng)網(wǎng)絡中，不同的參數(shù)模板設置表示不同的功能，所以算法中最重要的就是進行細胞神經(jīng)網(wǎng)絡參數(shù)模板設置，主要指反饋模板A，控制模板B的設置。

3.1控制模板B的設計

上式的意義是：X是以B為控制模板對輸入圖像U濾波所得的輸出圖像。在設置時，我們將B設置成3*3的低通濾波器，它使在待處理的紅外圖像中逐點地移動模板，各點像素響應低通濾波器模板掃過區(qū)域的關系來計算。本模板設計直接采用有去噪功能的低通濾波模板，能有效地抑制噪聲，達到濾波功能[10]。

3.2反饋模板A的設計

在CNN的狀態(tài)方程中，A模板的設計直接影響到輸出，在紅外圖像增強算法的A模板設計中，引入一個各向同性的高通濾波器生成的矩陣來實現(xiàn)邊緣平滑約束，保護增強圖像的細節(jié)邊緣。

高通濾波器會同時放大邊緣和噪聲，為了達到對圖像目標信息的細節(jié)邊緣增強和保護，我們將A設置成如下形式

細胞神經(jīng)網(wǎng)絡的模板按照上述方法設置好后，依據(jù)CNN的動態(tài)方程，細胞向能量逐漸減少的方向更新，最終達到穩(wěn)定，應用于圖像增強的處理[11]。

3.3 直方圖均衡化圖像增強

將上述經(jīng)過細胞神經(jīng)網(wǎng)絡訓練后達到穩(wěn)定的的圖像數(shù)據(jù)，再按式1進行直方圖均衡化處理，當是變量連續(xù)時，變換函數(shù)為[12]

經(jīng)過上述變換后，圖像的灰度級減少了，灰度級的減少換取了對比度的加大，圖像的效果得到增強。

4 實驗結(jié)果與分析

本文利用三組不同的紅外圖像實例[13]，對基于細胞神經(jīng)網(wǎng)絡的直方圖均衡化增強與普通的直方圖均衡化增強性能進行實驗驗證和分析。

圖2是一幅手的紅外圖像，左邊是原始紅外圖像，在原圖中，目標圖像與背景的對比度差，手的圖像完全淹沒在噪聲和背景中，從其對應的直方圖可以明顯看出，圖像的灰度全部集中在中間背景區(qū)域。

中間圖是采用直方圖均衡化后的增強效果圖，從效果圖中可以看出，直方圖均衡化能增大目標與背景的對比度，但不太明顯，手的邊緣增強不夠理想，其對應的直方圖中，灰度被展開，但是背景也被增強了，目標與背景間的對比度還不夠理想。

右邊圖是采用基于細胞神經(jīng)網(wǎng)絡的直方圖均衡化的增強效果圖，從圖中可以看出，增強圖中手的輪廓和背景間對比度有了一個明顯的提升，目標邊緣更為清晰。在其對應的直方圖中，明顯分開了兩個部分，目標與背景間的對比度增大非常明顯，并且背景得到了抑制，突出了手的輪廓目標，邊緣更為清晰。

圖4也是一副坐著的人的紅外圖像，左邊是原始紅外圖像，在原圖中，能隱約分辨出人的輪廓，人和背景的區(qū)分相當不明顯，背景掩蓋了人的大部分輪廓，其對應的直方圖中，圖像的灰度全部集中一塊，主要是背景區(qū)域。

中間圖是采用直方圖均衡化后的增強效果圖，從效果圖中可以看出，直方圖均衡化能增大人的輪廓與背景的對比度，但是效果不夠理想，背景中出現(xiàn)很多亮點，這是一種嚴重的干擾，其對應的直方圖中，灰度被展開，目標與背景間的對比度不夠理想。

右邊圖是采用基于細胞神經(jīng)網(wǎng)絡的直方圖均衡化的增強效果圖，從圖中可以看出，增強后人和背景的對比有了一個明顯的提升，人的輪廓較清晰，背景得到了很好的抑制。在其直方圖中，目標與背景間的對比清晰，人的輪廓和邊緣能很好地分辨。

5 結(jié)論

直方圖均衡算法是一種比較有效的圖像增強算法，但是由于紅外圖像的背景復雜、目標模糊等特點。使得增強后的圖像目標和噪聲同時放大，圖像的細節(jié)模糊，同時還會出現(xiàn)背景中不相關亮點現(xiàn)象。文中提出的基于細胞神經(jīng)網(wǎng)絡的直方圖均衡算法，通過細胞神經(jīng)網(wǎng)絡模板參數(shù)的合理設置，能很好地抑制紅外圖像的背景噪聲，在此基礎上，進行的直方圖均衡變換，避免了紅外圖像的背景噪聲的過度增強和目標細節(jié)信息被模糊的現(xiàn)象，有效地克服了圖像增強中易出現(xiàn)的非目標亮點。本文方法獲得的增強圖像提高了圖像的清晰度，減少了細節(jié)信息的損失，符合人的視覺特性，在紅外圖像增強中具有較好的應用前景。 參考文獻：

[1] 趙文達，續(xù)志軍，趙建， 等 基于梯度直方圖變換增強紅外圖像的細節(jié)[J].光學精密工程， 2014， 22（7）： 1962-1968.

[2] 宋巖峰，邵曉鵬，徐軍.基于雙平臺直方圖的紅外圖像增強算法[J].紅外與激光工程，2008， 37（2）： 308-311.

[3] 劉松濤，王維，殷福亮. 基于動態(tài)廣義直方圖均衡的紅外圖像增強方法[J].系統(tǒng)工程與電子技術， 2010， 32（7）： 1411-1414.

[4] 陳軍，張長江.基于小波域反正切變換的紅外圖像增強算法[J].計算機工程， 2013， 39（1）： 248-251。

[5] Azian Azamimi Abdullah， Bu Sze Chize， Zulkarnay Zakaria. Design of Cellular Neural

Network （CNN） Simulator Based on Matlab for Brain Tumor Detection[J]. Journal of Medical

Imaging and Health Informatics， 2012（1）： 1-11.

[6] Tukel M， Yalcin M E. A new architecture for Cellular Neural Network on reconfigurable hardware with an advance memory allocation method[C]Cellular Nanoscale Networks and Their Applications， 2010： 1-6.

[7] LI Huaqing， LIAO Xiaofeng， LI Chuandong， et al. Edge detection of noisy images based on

cellular neural networks[J]. Commun Nonlinear Sci Numer Simulate， 2011（16）： 3746-3759.

[8] 張鵬，張志輝.基于分段直方圖變換的圖像非線性增強[J].光子學報，2014，43（6）： 1-4.

[9] 陳瑩，朱明.多子直方圖均衡微光圖像增強及FPGA實現(xiàn)[J].中國光學，2014，7（2）： 225-232.

[10] 王懷殷.細胞神經(jīng)網(wǎng)絡在圖像處理中的應用技術研究[D].南京航空航天大學，2007（4）：35-36.

[11] 馮強，于盛林，張維.基于細胞神經(jīng)網(wǎng)絡的圖像復原新方法[J].中國圖像圖形學報，2009，14（3）： 430-434.

[12] 胡元剛.直方圖均衡增強算法在實時圖像處理中的實現(xiàn)[J].液晶與顯示，2009，24（6）： 907-910.

[13] 簡耀波.紅外圖像處理中的關鍵算法研究[D].華中科技大學，2009（5）， 62-69.