一種改進(jìn)的自適應(yīng)分段線性變換算法

陳 龍,趙 巍

(1.北京中電慧視科技有限公司,北京 100015；2.中國(guó)電子科技集團(tuán)公司第三研究所,北京 100015)

1 引 言

紅外成像技術(shù)將景物的紅外輻射分布轉(zhuǎn)化為人眼可見(jiàn)的圖像。利用紅外成像設(shè)備進(jìn)行目標(biāo)的觀察、檢測(cè)和跟蹤,具有隱蔽性好、抗干擾、鑒別偽裝、獲取信息豐富等優(yōu)點(diǎn)。因此,紅外成像系統(tǒng)無(wú)論在戰(zhàn)略預(yù)警、目標(biāo)偵查、制導(dǎo)等軍用領(lǐng)域,還是在導(dǎo)航、遙感、氣象等民用領(lǐng)域都有廣泛的應(yīng)用前景[1]。雖然原始紅外數(shù)據(jù)具有動(dòng)態(tài)范圍高的特點(diǎn),但在進(jìn)行顯示和進(jìn)一步處理之前,需要將動(dòng)態(tài)范圍限制為256級(jí)灰階,即轉(zhuǎn)化為8位灰度圖像,以適應(yīng)人類(lèi)的視覺(jué)系統(tǒng)和模擬或數(shù)字顯示接口的要求。

針對(duì)這一問(wèn)題,國(guó)內(nèi)外的眾多研究者們提出了多種增強(qiáng)算法[2]。直方圖均衡化是圖像增強(qiáng)中較為常用的算法之一,但對(duì)于紅外圖像對(duì)比度增強(qiáng)效果并不理想。此外,平臺(tái)直方圖均衡化[3]、直方圖規(guī)定化、Retinex算法[4]、去霧增強(qiáng)算法[5]、可見(jiàn)光與紅外圖像融合的算法[6]等方法也被用于紅外圖像的對(duì)比度增強(qiáng)處理,但這些方法及其改進(jìn)方法雖然效果良好,但大多計(jì)算復(fù)雜度較高,難以用于運(yùn)算能力有限的紅外成像設(shè)備。

紅外圖像對(duì)比度低的原因往往是灰度集中在動(dòng)態(tài)范圍內(nèi)較窄的區(qū)間,分段線性變換通過(guò)把較窄的目標(biāo)分布區(qū)間展寬,以達(dá)到增強(qiáng)圖像對(duì)比度的目的。這類(lèi)方法計(jì)算過(guò)程簡(jiǎn)單,易于實(shí)現(xiàn),但對(duì)于不同圖像需要調(diào)整增強(qiáng)區(qū)間。羅辛一[7]提出了自適應(yīng)分段線性變換算法,該算法能夠根據(jù)圖像灰度的分布自適應(yīng)地確定增強(qiáng)區(qū)間。但閾值百分比的取值仍會(huì)對(duì)增強(qiáng)效果有影響,許多情況下需要手工調(diào)整其取值才能獲得較好的結(jié)果。因此,該算法仍不能實(shí)現(xiàn)真正意義上的自適應(yīng)。本文提出一種改進(jìn)的自適應(yīng)分段線性變換算法,能夠根據(jù)紅外圖像的特點(diǎn)自動(dòng)調(diào)整參數(shù)閾值,不需人為干預(yù),并且計(jì)算復(fù)雜度低,能夠適用于紅外成像設(shè)備的實(shí)時(shí)處理。

2 算法原理

本文提出的紅外圖像對(duì)比度增強(qiáng)算法如圖1中所示。算法的輸入為轉(zhuǎn)化后的8位灰度圖像,輸出為增強(qiáng)后的灰度圖像。首先,需要計(jì)算輸入圖像的灰度直方圖,這是進(jìn)行對(duì)比度增強(qiáng)的主要依據(jù)和算法后續(xù)處理步驟的基礎(chǔ)。

圖1 本文方法流程圖

給定輸入圖像f(i,j),其像素灰度為a0,a1,…,a255,即共256個(gè)灰度級(jí),則其灰度直方圖Hf(ai)可表示為:

Hf(ai)=灰度級(jí)為ai的像素?cái)?shù)(i=0,1,2,…,255)

2.1 邊界的確定

自適應(yīng)分段線性變換算法首先要在灰度直方圖上確定進(jìn)行線性變換的邊界。在確定變換邊界時(shí),首先查找灰度直方圖的最大灰度級(jí),這也是該算法具備一定自適應(yīng)性的根本原因。由于通常情況下,最大灰度級(jí)處于灰度集中區(qū)域的中心附近,因此查找最大灰度級(jí)可以作為確定邊界的先決條件。設(shè){a0,n0}為灰度直方圖Hf上的最大灰度級(jí),其中a0為其灰度級(jí)值,n0為對(duì)應(yīng)的像素?cái)?shù)。

當(dāng)最大灰度級(jí)確定后,需要進(jìn)一步確定左右邊界。設(shè)定參數(shù)θ,且θ∈(0,1),令nT=n0·θ,則在[0,a0]內(nèi)從左至右搜索aL,使得[0,aL]內(nèi)所有ni

由上述過(guò)程不難看出,參數(shù)θ表征的是邊界灰度級(jí)與最大灰度級(jí)之間的像素個(gè)數(shù)之比。通過(guò)θ的改變,可以實(shí)現(xiàn)邊界的確定,從而實(shí)現(xiàn)灰度線性變換區(qū)間的改變。對(duì)于不同的紅外圖像,同一θ值得到的增強(qiáng)效果往往是不同的。因此,為了實(shí)現(xiàn)完全的自適應(yīng),需要一種自適應(yīng)確定θ取值的方法。

2.2 灰度直方圖簇個(gè)數(shù)的比較

經(jīng)過(guò)對(duì)比度增強(qiáng)之后,圖像的灰度直方圖分布曲線應(yīng)僅在橫坐標(biāo)軸上呈現(xiàn)出被拉伸的變化,而整體形狀不應(yīng)發(fā)生改變。這種規(guī)律體現(xiàn)在曲線的波峰和波谷變化上即為簇的個(gè)數(shù)不應(yīng)發(fā)生改變。

灰度直方圖在形式上為一離散函數(shù),不便于處理,因此本方法采用三次樣條插值的方法對(duì)Hf進(jìn)行曲線擬合。得到Hf的曲線擬合結(jié)果后,需要查找曲線上的局部最大值。局部最大值的個(gè)數(shù)即被認(rèn)作灰度直方圖簇的個(gè)數(shù)。圖2給出了簇個(gè)數(shù)相同和不同的示例,其中(a)和(b)為原始紅外圖像及對(duì)應(yīng)的灰度直方圖,(c)和(d)為某一θ值的增強(qiáng)結(jié)果,(e)和(f)為另一θ值的增強(qiáng)結(jié)果。由圖2中可以看出,(b)中灰度直方圖的簇的個(gè)數(shù)為3,(d)中灰度直方圖的簇的個(gè)數(shù)為2,(f)中灰度直方圖的簇的個(gè)數(shù)為3。而對(duì)比(a)、(c)和(e)可以發(fā)現(xiàn),與原圖灰度直方圖簇個(gè)數(shù)不同的增強(qiáng)結(jié)果丟失某些細(xì)節(jié)(如圖像左上角),而與原圖灰度直方圖簇個(gè)數(shù)相同的增強(qiáng)結(jié)果卻能夠很好地保留這些細(xì)節(jié)。

圖2 簇個(gè)數(shù)對(duì)比示例

2.3 參數(shù)選擇過(guò)程

參數(shù)θ的取值會(huì)影響灰度線性變換的邊界,從而會(huì)影響最終的增強(qiáng)結(jié)果。為了實(shí)現(xiàn)根據(jù)不同輸入圖像自適應(yīng)選擇參數(shù)θ的取值,本文設(shè)定一個(gè)候選數(shù)值集合{0.1,0.08,0.05,0.03,0.01,0.005,0.003,0.001}以及一個(gè)步長(zhǎng)候選集合{20,18,15,10,5,3,2},且兩個(gè)集合中的元素一一對(duì)應(yīng)。由于參數(shù)θ的含義是最大灰度級(jí)與截止灰度級(jí)的像素?cái)?shù)之比,過(guò)大的θ會(huì)使圖像細(xì)節(jié)損失嚴(yán)重,過(guò)小的θ則對(duì)于對(duì)比度增強(qiáng)沒(méi)有意義。又因?yàn)楦骰叶燃?jí)上像素?cái)?shù)為離散數(shù)值,所以這一比值無(wú)需過(guò)于精確,某一局部區(qū)間范圍之內(nèi)的取值往往會(huì)得到相同的結(jié)果。

在完成對(duì)灰度直方圖的三次樣條曲線擬合后,需要對(duì)所得到的平滑曲線進(jìn)行固定步長(zhǎng)的離散采樣,才方便獲得曲線的局部最大值。對(duì)于Hf,本方法采用值為2的固定步長(zhǎng)進(jìn)行局部最大值的搜索與確定。而在判斷簇個(gè)數(shù)是否相同時(shí),本方法在上述步長(zhǎng)候選集中依次選取步長(zhǎng)的取值,之后再次計(jì)算Hf局部最大值的個(gè)數(shù),并與之前得到的局部最大值個(gè)數(shù)進(jìn)行比較。如果二者相等或步長(zhǎng)取值為候選集中最后一個(gè),則θ的取值就為候選集中當(dāng)前步長(zhǎng)所對(duì)應(yīng)的取值。這樣的參數(shù)選擇過(guò)程不但能夠快速找到θ適合的取值,而且能夠避免重復(fù)線性變換的計(jì)算過(guò)程,使算法適用于計(jì)算資源有限的紅外成像設(shè)備。

2.4 灰度線性變換

當(dāng)確定了左右邊界之后,可對(duì)原始圖像的全部像素進(jìn)行灰度線性變換,增強(qiáng)后的圖像g(x,y)可通過(guò)下式計(jì)算:

由上式可知,對(duì)于灰度落在邊界范圍[aL,aR]之內(nèi)的像素點(diǎn),采用一種線性公式進(jìn)行灰度變換。線性分布能夠使得集中于邊界范圍之內(nèi)的灰度較為均衡地拉伸到灰度直方圖的更大范圍之內(nèi),從而提高紅外圖像的對(duì)比度。而對(duì)于其他像素點(diǎn),則直接將其灰度置為0或255。

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文提出方法的可行性以及有效性,本文在自行采集的對(duì)比度較差的紅外原始圖像上進(jìn)行實(shí)驗(yàn)。評(píng)價(jià)一幅紅外圖像的對(duì)比度往往具有很強(qiáng)的主觀性。有研究者采用了多種客觀指標(biāo)來(lái)衡量紅外圖像的對(duì)比度,但往往會(huì)出現(xiàn)某一客觀指標(biāo)很好,而人眼觀測(cè)效果并不理想的情況。鑒于紅外成像設(shè)備的成像結(jié)果很大一部分的目的是供人直接觀看的,因此本文僅采用主觀感受和分析的方法來(lái)評(píng)價(jià)各對(duì)比度增強(qiáng)算法的結(jié)果。

本文實(shí)驗(yàn)所用的測(cè)試數(shù)據(jù)為使用紅外成像儀所采集到的戶外原始數(shù)據(jù),并且經(jīng)過(guò)預(yù)處理轉(zhuǎn)換為8位灰度圖像,圖像像素大小為640×512。所有實(shí)驗(yàn)均在Windows 10系統(tǒng),32G內(nèi)存,Intel i7 八核4.2 GHz處理器的PC機(jī)上使用Matlab R2016a實(shí)現(xiàn)。

3.1 不同θ取值對(duì)結(jié)果的影響

為了觀測(cè)不同θ取值對(duì)增強(qiáng)結(jié)果的影響,在相同圖像上分別采用本文給出的θ候選集中所有取值進(jìn)行增強(qiáng)測(cè)試。圖3給出了其中一張圖像的增強(qiáng)結(jié)果。由圖中結(jié)果可以看出,當(dāng)θ取值較大時(shí),如圖3(b)、(c)、(d)、(e)所示,圖像中某些細(xì)節(jié)丟失嚴(yán)重,并且出現(xiàn)了“顆?；爆F(xiàn)象。圖3(f)和(g)中的結(jié)果雖然前景景物細(xì)節(jié)保留地較好,但背景中左側(cè)邊緣處的汽車(chē)的細(xì)節(jié)保留不全。相比之下,圖3(h)中的結(jié)果是最好的,不但圖像對(duì)比度有了明顯提升,而且前景與背景的細(xì)節(jié)保留地較好。采用本文提出的方法,對(duì)于圖3中的圖像,得到的增強(qiáng)結(jié)果為圖3(h)中所示。

圖3 同一圖像不同θ取值的結(jié)果對(duì)比圖

在實(shí)驗(yàn)過(guò)程中,不同原始圖像得到的θ取值不盡相同,但與其他θ取值的結(jié)果相比,本方法的增強(qiáng)結(jié)果均為相對(duì)最好的,受篇幅所限,此處不再贅述。

3.2 不同增強(qiáng)算法結(jié)果對(duì)比

為了比較本文提出方法與其他紅外對(duì)比度增強(qiáng)算法,在測(cè)試數(shù)據(jù)上分別采用5種算法進(jìn)行測(cè)試。圖4給出了同一張圖像的不同增強(qiáng)算法的處理結(jié)果。其中,圖4(c)為自適應(yīng)分段線性變換的處理結(jié)果,該算法將θ的取值固定為0.1,對(duì)比圖4(f)中本文方法的結(jié)果可以看出,本文方法的結(jié)果更好。圖4(e)中Retinex算法的處理結(jié)果前景部分較好,但背景部分出現(xiàn)了較為嚴(yán)重的“顆?；爆F(xiàn)象。

圖4 不同算法的結(jié)果對(duì)比圖

此外,算法的計(jì)算時(shí)間也是需要考慮的因素之一。計(jì)算時(shí)間過(guò)長(zhǎng)的算法很難保證紅外成像設(shè)備的實(shí)時(shí)性,對(duì)實(shí)時(shí)觀測(cè)的影響較大。表1中給出了幾種算法在本文實(shí)驗(yàn)所用15張測(cè)試圖像上的平均計(jì)算時(shí)間。由表中可以看出,本文提出的方法的計(jì)算時(shí)間相對(duì)較少。綜合考慮算法的效果和計(jì)算時(shí)間,本文提出的方法具有一定的優(yōu)勢(shì)。特別的,對(duì)比自適應(yīng)分段線性變換的計(jì)算時(shí)間,本文提出的方法增加了約10 %的計(jì)算時(shí)間,但取得的效果卻有明顯的提高。

表1 不同算法的平均計(jì)算時(shí)間

4 結(jié) 論

針對(duì)紅外圖像對(duì)比度不佳的問(wèn)題,本文提出了一種改進(jìn)的自適應(yīng)分段線性變換算法。該算法能夠根據(jù)紅外原始圖像的不同,自動(dòng)選取適合的參數(shù)取值,并完成圖像的對(duì)比度增強(qiáng),全部過(guò)程無(wú)需人為設(shè)定或修改任何參數(shù),能夠?qū)崿F(xiàn)真正的自適應(yīng)對(duì)比度增強(qiáng)過(guò)程。通過(guò)在實(shí)際數(shù)據(jù)上的實(shí)驗(yàn),證明了本文方法的可行性以及有效性。通過(guò)觀測(cè)實(shí)驗(yàn)過(guò)程中本文方法參數(shù)的自動(dòng)選取結(jié)果,并對(duì)比不同取值結(jié)果,證明了本文提出的方法能夠針對(duì)不同圖像自適應(yīng)地選取適合的參數(shù)。此外,通過(guò)在增強(qiáng)效果和計(jì)算時(shí)間方面與其他算法的對(duì)比,證明了本文方法的優(yōu)勢(shì)。本文所提出的方法有望應(yīng)用與紅外成像設(shè)備的實(shí)時(shí)處理,并取得較好地結(jié)果。