CN101620727A - 红外图像加权直方图自适应增强算法 - Google Patents

Abstract

本发明涉及一种红外图像加权直方图的自适应增强算法，它是空间域方法含有频率特性处理能力的自适应红外图像增强算法，通过对原图各像素点灰度信息进行分析，把图像分为目标信息段、背景信息段、噪声信息段，并自适应得到两种频率因子，先利用第一种频率因子E(i，j)对原图像直方图进行加权(保留某一部分像素点频率信息，同时修改其他部分像素点的频率信息，其作用为压制噪声和无用信息，放大目标信息)，接着对加权后的直方图通过自动生成平台阈值处理得到新直方图，然后进行均衡化处理，最后再利用另一种频率因子F(i，j)对各像素灰度微调。通过本发明进行红外图像处理，既能保证得到很好增强效果的红外图像，同时与传统频率域处理方法相比，加快了处理速度。

Description

红外图像加权直方图自适应增强算法

技术领域

本发明属于红外图像处理技术领域，它特别涉及对加权直方图自适应控制的红外图像增强算法，即对红外灰度图像的直方图进行加权处理后再进行自适应控制的图像增强方法。

背景技术

红外成像系统由于成像器件的灵敏度、分辨率等相关特性，以及各种噪声对系统的干扰，使得红外图像呈现对比度低、信噪比低、高背景、边缘模糊的特性。为了能消除图像噪声以及清晰化图像细节并很好识别红外图像目标，因此必须要对图像进行增强处理。

图像增强处理不会增加图像数据的内在信息，但是能够扩充信息的动态范围。图像增强的主要目的有两个：一是改善图像的视觉效果，提高图像成分的清晰度；二是使图像变得更有利于计算机的处理。

从增强处理的作用域来分类，传统的图像增强处理可以分为频率域处理和空间域处理两大类。频率处理是将图像信息通过某种变换转换到频率域，然后对相关系数进行修正，再通过反变换得到处理后的图像，如，傅立叶变换、小波变换。其缺点是数据运算量太大，不便高速实时处理红外图像。空间域处理是直接对图像中的像素点进行数据运算。这类图像增强算法如，灰度变换、直方图均衡等，其优点是概念简单，数学方法简单、变换方便。但是这些方法对增强的对象没有选择性，增强效果不可控制。直方图均衡化是一种最常用的图像增强方法，它是为了解决图像的灰度分布集中、对比度差的问题所提出的一种算法，其根据图像的累积直方图进行灰度调整，以达到增强图像的效果。

直方图均衡算法考虑连续函数并且让变量r代表待增强图像的灰度级。假设r被归一化到区间[0，1]且r＝0表示黑色及r＝1表示白色。然后考虑一个离散公式并允在区间[0，L-1]内。

对于任一个满足上述条件的r，我们将注意力集中在变换形式上：

                       s＝T(r)   0≤r≤1

在原始图像中，对于每一个像素值r产生一个灰度值s。显然，可假设函数T(r)满足以下条件：

(1)T(r)在区间0≤r≤1中为单值且单调递增

(2)当0≤r≤1时，0≤T(r)≤1

条件(1)中要求T(r)为单值是为了保证反变换存在，单调条件保持输出像从黑到白顺序增加。变换函数不单调增加将导致至少有一部分亮度范围被倒，从而在输出图像中产生一些反转灰度级。最后，条件(2)保证输出灰度与输入有同样的范围。s到r的反变换可以表示为：

                        r＝T^-1(s)，0≤s≤1

可以证明，即使T(r)满足条件(1)和(2)，相应的函数T^-1(s)也可能不为单值。

一幅图像的灰度级可被视为区间[0，1]的随机变量。随机变量的一个重要的基本描述是其概率密度函数护(PDF)。令P_r(r)和P_s(s)分别代表随机变量r和s的概率密度函数。此处带有下标的P_r和P_s用于表示不同的函数。由基本概率理论得到一个基本结果：如果P_r(r)和T(r)已知，且T^-1(s)满足条件(1)，那么变换变量s的概率密度函数P_s(s)可以由以下简单公式得到：

$P_s\left(s\right)=P_r\left(r\right)\left|\frac{\mathrm{dr}}{\mathrm{ds}}\right|$

因此，变换变量s的概率密度函数由输入图像的灰度级PDF和所选择的变换函数决定。

在图像处理中一个尤为重要的变换函数如下所示：

$s=T\left(r\right)={\∫}_0^r{P}_r\left(\mathrm{\ω}\right)\mathrm{d\ω}$

其中ω是积分变量.上式右部分为随机变量r的累积分布函数[PDF]。因为概率密度函数永远为正，并且函数积分是一个函数曲线下的面积，所以它遵循该变换函数是单调增加的条件，因此，满足条件(1)。类似地，区间[0，1]上变量的概率密度函数的积分也在区间[0，1]上，因此也满足条件(2)。

但是，直方图均衡算法是对整个图像的所有像素都进行增强，具体增强效果不容易控制，常常使得图像中一些灰度相近、分布较少的灰度值的细节信息丢失，不能充分显现图像中的目标。此外对于全局直方图均衡还存在意想不到的噪声干扰。然而非线性滤波器能够在去除信号中噪声的过程中能很好地保持信号细节，如，中值滤波器、形态滤波器、小波滤波器、多项式滤波器以及利用人工神经网络构成的非线性滤波器等等。由Tukey提出的中值滤波器理论，在抑制脉冲噪声方面显示出很大优势，因此在噪声未知的情况下，它很适合于信号平滑。

发明内容

针对传统图像增强处理的优缺点，提出一种新的在空间域含有频率特性处理能力的自适应红外图像增强算法，通过对原图各像素点灰度信息进行分析，把图像分为目标信息段、背景信息段、噪声信息段，并自适应得到两种频率因子，先利用第一种频率因子E(i，j)对原图像直方图进行加权(保留某一部分像素点频率信息，同时修改其他部分像素点的频率信息，这样起到压制噪声和无用信息，放大目标信息的作用)，接着对加权后的直方图通过自动生成平台阈值处理得到新直方图，再接着进行均衡化处理，最后再利用另一种频率因子F(i，j)对各像素灰度微调。

对于点阵组成的大小为m×n的红外图像增强，本发明是通过如下技术步骤实现的：

步骤1：计算各像素点的频率信息：

B(i，j)＝A(i-1，j)+A(i，j-1)+A(i，j+1)+A(i+1，j)+

A(i-1，j-1)+A(i-1，j+1)+A(i+1，j-1)+A(i+1，j+1)-8A(i，j)，其中

A(i，j)是图像第i行，第j列的灰度值。

步骤2：通过对|B(i，j)|计算分析，得出其各列的最大值{C(j)|1≤j≤n}。

步骤3：对{C(j)|1≤j≤n}进行排序，提取其中的最小值C_min、最大值C_max、均值

步骤4：求出T₁＝C_min/3， $T_2=(C_{\max }+3*\stackrel{\‾}{C})/4.$

步骤5：对B(i，j)进行调整，得到新的频率因子E(i，j)、F(i，j)：

$E(i,j)=\left\{\begin{array}{cc}0,& \left|B(i,j)\right|{\&GreaterEqual;T}_2\\ \left|B(i,j)\right|,& T_1<\left|B(i,j)\right|<T_2\\ 1,& \left|B(i,j)\right|{\&le;T}_1\end{array}\right.$

同时对于|B(i，j)|≥T₂，这些区域判为干扰信号，它对应原图像(i，j)处像素点的像素值进行修改，修改原则为：用(i，j)处8邻域灰度的中值把原(i，j)处的灰度值替换，起到去除干扰信息作用。

步骤6：得到加权直方图

$P_r\left(k\right)=\underset{i\&NotEqual;1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{D}_k(i,j)E(i,j),k=\mathrm{0,1,2}\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;255$

假如在(i，j)处的灰度值为k，那么D_k(i，j)＝1，否则为0，如果E(i，j)为常数1，那么就变成普通直方图统计。

步骤7：分析加权直方图，剔除零单元，剩下的单元保持前后位置关系不变，构成一个集合{M(i)|1≤i≤K}，K为非零单元个数。

步骤8：求出集合的极大值和最大值。首先判断M(i-1)＜M(i)并且M(i)＞M(i+1)时，(2≤i≤K-1)得出极大值，还要再分析M(1)与M(K)。

步骤9：然后把步骤8中的值构成另一个集合，{N(i)|1≤i≤L}，L为该集合极大值的个数。

步骤10：接着对{N(i)|1≤i≤L}集合再进行求极大值和最大值算法，得到一个新的集合{Z(j)|1≤j≤S}，S为这个新集合的个数，并且S＜L。

步骤11：求出步骤10集合元素的中值平台阈值 $T_3=b*\stackrel{\&OverBar;}{Z}.$ (b是常数，一般取1＜b≤3)

步骤12：得出加权平台直方图

$P_T\left(k\right)=\left\{\begin{array}{cc}{P}_r\left(k\right)& P_r\left(k\right){\&le;T}_3\\ T_3& P_r\left(k\right)>T_3\end{array}\right.$

步骤13：计算其累积直方图并得出灰度映射

$F_T\left(k\right)=\underset{i=0}{\overset{k}{\mathrm{\&Sigma;}}}{P}_T\left(i\right),k=\mathrm{0,1,2}\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;255$

步骤14：得出灰度映射

$R_T\left(k\right)=\left|\frac{255*F_T\left(k\right)}{F_T\left(256\right)}\right|,$ R_T(k)是原有k灰度级对应的新灰度级

步骤15：将灰度映射后的各点灰度值与第二种频率因子F(i，j)进行对应减作。

经过以上步骤完成了对原红外图像的增强处理。

需要说明的是，

步骤1提到的频率信息的计算原理来自于：像素点频率信息表征方法一般可由一阶微分方法或二阶微分方法来表示，在图像处理中常常用拉普拉斯变换的方法来实现，因为拉普拉斯变换对细节响应有较好的保护功能，所以这里我们采用拉普拉斯算子来计算各像素点的频率信息。

步骤5中对频率信息进行分析，把图像分成目标部分、背景部分以及干扰等部分，对应区域表达式为T₁＜|B(i，j)|＜T₂、|B(i，j)|≤T₁、|B(i，j)|≥T₂，第一种频率因子E(i，j)是对原图各像素点加权，在权值设置上遵循对目标放大，背景保持，干扰拟制的原则。第二种频率因子F(i，j)的作用是使图像细节清晰。

发明的优点和效果：

本发明提出了一种对加权直方图双控的自适应增强算法，它融合了两大传统增强方法(空间域处理和频率域处理)的优点，它既能像频率域处理那样很好地对图像的各部分进行调节，通过对频率信息的分析，对感兴趣的信息进行加大权重，对无用信息进行拟制等，避免了空间域处理中诸如对各灰度级简单的整体搬移而不能很好调控各信息部分的缺点。同时又能像空间域处理那样简单计算，避免了频域处理那样为了调整各部分信息要经过变换和反变换的计算过程，降低了计算量，为实时处理提供了一种可实现的途径。实验表明通过这种算法处理红外图像，从处理效果上拓宽了原图像灰度级动态范围，有效提升了目标与背景的对比度，并使细节得到很好的显现，增强了原图像。因此本发明在增强红外图像上具有快速，高效的特点。

附图说明

图1为本发明处理流程框图；

图2为计算各像素点频率信息用的拉普拉斯算子掩模模板；

图3为一张红外图像；

图4为红外图像的灰度图像

图5为本发明方法处理后的图像；

图6为原图直方图；

图7为本发明方法处理后的图像直方图；

图8为加权直方图；

图9为平台加权直方图；

具体实施方式

下面结合附图和实例对本发明进一步说明

图3为一张大小为266×400×3的红外图像，从中我们能看出该图像对比度很低并且边缘和细节比较模糊等特点，在程序读入该图像后会将其转换为大小为266×400的灰度图像如图4，其直方图如图6，这时我们又能发现其灰度值的动态范围不宽，然后对其各点采用拉普拉斯算子计算出它们的频率信息，拉普拉斯掩模模板如图2所示；接着对B(i，j)取模分析后，将整个图像分为目标段、背景段和干扰段；通过步骤2、3、4计算出T₁、T₂，再通过步骤5进而得到两种频率因子E(i，j)、F(i，j)，前一种是对各点进行加权(原图各点权重均为1)，后一种是在最后对各点灰度值进行调整。经E(i，j)加权后的直方图如图8，它与原直方图相比某些灰度级占总体的比重得到明显提高，这些部分也就是我们要增强的目标部分，得到加权直方图后，通过步骤7、8、9、10、11算出加权直方图的平台阈值 $T_3=b*\stackrel{\&OverBar;}{Z}=466$ (这里b取2)那么平台加权直方图如图9所示，从图9能更清楚的看到目标部分得到明显的放大。接下来对平台加权直方图均衡化处理，最后用{F(i，j)|1≤i≤266，1≤j≤400}对均衡化的各像素灰度进行调整，即各像素灰度值域对应F(i，j)减操作处理。

图5就是本发明算法处理后的图像，图7是本发明算法处理后的图像的直方图。从效果看处理后的图像对比度得到很好的提升，原来模糊的边缘和细节得到了清晰，部分干扰点被去除，其灰度级的动态范围得到扩展到整个灰度范围。

Claims (5)

1、一种基于红外图像加权直方图的自适应增强算法，将空域思想和频域思想结合，对于点阵组成的大小为m×n的红外图像进行增强处理，其特征在于，包括如下步骤：

步骤1：计算各像素点的频率信息：

B(i，j)＝A(i-1，j)+A(i，j-1)+A(i，j+1)+A(i+1，j)+A(i-1，j-1)+A(i-1，j+1)+A(i+1，j-1)+A(i+1，j+1)-8A(i j)，其中A(i，j)是图像第i行，第j列的灰度值。

步骤2：通过对/B(i，j)/计算分析，得出其各列的最大值{C(j)/1≤j≤n}。

步骤3：对{C(j)/1≤j≤n}进行排序，提取其中的最小值C_min、最大值C_max、均值C。

步骤4：求出T₁＝C_min/3，T₂＝(C_max+3*C)/4。

步骤5：对B(i，j)进行调整，得到新的频率因子E(i，j)、F(i，j)：

$E(i,j)=\left\{\begin{array}{cc}0,& \left|B(i,j)\right|\&GreaterEqual;T_2\\ \left|B(i,j)\right|,& T_1<\left|B(i,j)\right|<T_2\\ 1,& \left|B(i,j)\right|\&le;T_1\end{array}\right.$

$F(i,j)=\left\{\begin{array}{cc}0,& \left|B(i,j)\right|\&GreaterEqual;T_2\\ a*B(i,j),& T_1<\left|B(i,j)\right|<T_2\\ B(i,j),& \left|B(i,j)\right|\&le;T_1\end{array}\right.$ (a为常数，0＜a＜1，一般取0.3)同时对于|B(i，j|≥T₂，这些区域判为干扰点，它对应原图像(i，j)处像素点的像素值进行修改，修改原则为：用(i，j)处8邻域灰度的中值把原(i，j)处的灰度值替换，起到去除干扰信息作用。

步骤6：得到加权直方图

$P_r\left(k\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{D}_k(i,j)E(i,j)k=\mathrm{0,1,2}......255$

假如在(i，j)处的灰度值为k，那么D_k(i，j)＝1，否则为0，如果E(i，j)为常数1，那么就变成普通直方图统计。

步骤7：分析加权直方图，剔除零单元，剩下的单元保持前后位置关系不变，构成一个集合{M(i)|1≤i≤K}，K为非零单元个数。

步骤8：求出集合的极大值和最大值。首先判断M(i-1)＜M(i)并且M(i)＞M(i+1)时，(2≤i≤K-1)得出极大值，还要再分析M(1)与M(K)。

步骤9：然后把步骤8中的值构成另一个集合，{N(i)|1≤i≤L}，L为该集合极大值的个数。

步骤10：接着对{N(i)|1≤i≤L}集合再进行求极大值和最大值算法，得到一个新的集合{Z(j)|1≤j≤S}，S为这个新集合的个数，并且S＜L。

步骤11：求出步骤10集合元素的中值Z、平台阈值T₃＝b*Z。(b是常数，一般取1＜b≤3)

步骤12：得出加权平台直方图

$P_T\left(k\right)=\left\{\begin{array}{cc}{P}_r\left(k\right)& P_r\left(k\right)\&le;T_3\\ T_3& P_r\left(k\right)>T_3\end{array}\right.$

步骤13：计算其累积直方图并得出灰度映射

$F_T\left(k\right)=\underset{i=0}{\overset{k}{\mathrm{\&Sigma;}}}{P}_T\left(i\right),k=\mathrm{0,1,2}......255$

步骤14：得出灰度映射

$R_T\left(k\right)=\left|\frac{255*F_T\left(k\right)}{F_T\left(256\right)}\right|,$ R_T(k)是原有k灰度级对应的新灰度级

步骤15：将灰度映射后的各点灰度值与第二种频率因子F(i，j)进行对应减操作。

2、根据权利要求1所述的基于红外图像加权直方图的自适应增强算法，其特征在于：

所述步骤1采用拉普拉斯算子来计算各像素点的频率信息，其掩模模板是3×3矩阵。

3、根据权利要求1和权利要求2所述的基于红外图像加权直方图的自适应增强算法，其特征在于：

所述步骤5对于/B(i，j)/＞T₂的像素点采用了中值滤波处理，去除图像中的干扰信号。

4、根据权利要求1和权利要求3所述的基于红外图像加权直方图的自适应增强算法，其特征在于：

平台阈值T₃的求解是通过对加权直方图的非零单元经连续两次求极大值(包括最大值在内)，然后取剩下单元的中值Z的b倍而来。

5、根据权利要求1和权利要求4所述的基于红外图像加权直方图的自适应增强算法，其特征在于：

所述步骤15是利用这步之前处理后的图像和步骤5中所求出的第二种频率信息{F(i，j)/1≤i≤m，1≤j≤n}，进行逻辑减操作，保护图像边缘，清晰图像细节。

Images