CN101980282A - 一种红外图像动态细节增强方法 - Google Patents

Abstract

本发明公开了一种红外图像细节增强方法，包括原始图像提取、去噪声、计算梯度信息、权值计算、权值消零、直方图均衡、图像输出七大步骤。该方法通过与周围8点比较的方法去除噪声，再利用数学形态学方法中图像的膨胀与腐蚀之差得到图像梯度信息，修正此梯度信息避免像素权值贡献为零，结合去噪声后图像的灰度值计算出灰度统计权值，并将此权值应用于细节图像的直方图均衡算法中并结合图像的细节信息最终得到细节增强后的图像。

Description

一种红外图像动态细节增强方法

技术领域

本发明涉及红外图像处理技术领域，具体涉及一种红外图像动态细节增强方法。

背景技术

不同种类的物体发射出的红外光波段是有其特定波段的，人们可以利用这种特定波段的红外光来实现对物体目标的探测与跟踪。自从二十世纪四十年代初德国研制出硫化铅(PbS)探测器以来，红外探测技术取得了极大的发展。以光子探测为代表的制冷型红外探测器已经应用于通信、医学、军事和工业等诸多领域，但因其严苛的低温致冷工作环境，造成系统庞大、结构复杂且成本偏高，从而无法大规模的推广应用。微测辐热计作为一种新型红外焦平面阵列的发明，有力的推动了非制冷红外探测器的发展，其可靠性高、小型化、低功耗等优点将使非制冷型红外探测器广泛应用于军事及民用领域。

非制冷红外焦平面阵列通常由M行×N列个非制冷红外焦平面单元组成，工作时温度目标发出红外辐射，焦平面单元上的热敏感薄膜受到红外辐照电阻值发生变化，由读出电路通过微桥结构中的电学通道检测出该电阻值变化所引起的电流变化，并经过选通、积分、采样和放大几部分单元的电路处理得到原始红外图像，最终由红外图像处理算法得到比较清晰的红外探测图像。

红外成像系统普遍存在着输出目标图像与场景细节不清晰的现象，这是继非均匀校正之后制约红外成像系统性能的又一大不足之处。高动态范围是红外图像的特点之一，所谓“高”是指人眼只能识别大约128级(7位)灰度阶，而非制冷红外探测器输出范围则是相对较高的14位(大于15000级灰度阶)图像信号，所以需要把14位的数据信息压缩到7位处理并显示，这样一来，即使目标处于红外探测器的探测范围以内，如果采取的数据压缩方法处理不当，使得本来探测到高动态图像的信息得不到显示，即高动态图像压缩可能会造成原有信息丢失，在显示图像中表现为图像细节的丢失。这就是对高动态范围红外图像处理的一大难题，采用的图像处理方法决定了显示图像清晰与否的关键。

在实际探测中，受探测器性能限制，红外图像会出现对比度低、细节信息不明显、信噪比低等诸多问题，这些问题表现为像素灰度动态范围不大，极少能够充满整个灰度级，绝大多数像素灰度集中于某些灰度级，直方图中出现尖峰。传统的对红外图像增强的方法需兼顾动态范围、噪声抑制、处理器与存储资源的多种因素，对算法的要求很高，例如直方图均衡，包括HE(HisteqEqualization)、PE(Plateau Equalization)及各种线性拉伸算法，但是处理高动态范围红外图像时，不能同时兼顾图像的低温区和高温区细节信息，可能造成与背景温度相差不大的目标物体图像细节信息丢失。近年来，由直方图均衡算法改进的其他算法也层出不穷，例如：双向直方图均衡是在HE的基础之上再一次对直方图的灰度阶做一次等间隔划分，从而获得灰度连续的图像；小波变换法能够在增强红外图像对比度的同时，又能很好地抑制红外图像中的各种噪声；以模糊分析方法为基础，提出了基于模糊逻辑的红外图像增强算法等，然而这些方法都只能克服某一方面的缺陷，无法满足宏观和微观两方面对清晰度及细节信息的要求。

发明内容

本发明所要解决的问题是：如何提供一种红外图像细节增强方法，该方法能够解决在高动态范围场景中定位低对比度目标，无论目标处于怎样的温度范围都能均衡地增强不同温区内图像细节。

本发明所提出的技术问题是这样解决的：提供一种红外图像细节增强方法，其特征在于，包括以下步骤：

①原始红外图像提取；

②去噪声：

对红外图像中灰度的极值点进行检测，如果被检测极值点的灰度值大于周围所有8点的灰度值，则将此点用周围8点的平均值替换，如果被检测的极值点的灰度值介于周围8点灰度值内，则将其灰度保留；

③计算梯度信息：

设A为原始图像，A_d为膨胀图像，A_e为腐蚀图像，B定义为ω×ω(ω为奇数)矩形框，A_d、A_e定义为

$A_d(i,j)=A\⊕B=\max \left\{A(s,t)\right|s\∈[i-(w-1)/2,i+(w-1)/2],$

t∈[j-(w-1)/2，j+(w-1)/2]}

A_e(i，j)＝A□B＝min{A(s，t)|s∈[i-(w-1)/2，i+(w-1)/2]，

t∈[j-(w-1)/2，j+(w-1)/2]}

本发明中取ω＝3，即长度为3×3的矩形框，ω为矩形框的边长；点(i，j)的像素值替换为周围四点像素A(s＝i-1，t＝j-1)、A(s＝i+1，t＝j-1)、A(s＝i-1，t＝j+1)、A(s＝i+1，t＝j+1)最大值(膨胀)或最小值(腐蚀)，s、t代表矩形框内点横纵坐标值；

A的梯度图像Ag定义为膨胀图像与腐蚀图像的差

A_g＝A_d-A_e

A_g(i，j)反映了图像A在(i，j)点位置的变化情况；

④权值消零：

采用梯度信息A_g与图像所有列梯度最大值中最小值相加

A′_g(i，j)＝A_g(i，j)+min(max(A_g(i，j)))

修正后的梯度信息保证图像所有像素对灰度统计值贡献至少为1；

⑤权值计算：

设I(i，j)为图像A在(i，j)位置的灰度值，该点对灰度I的统计贡献权值R(i，j)定义为

$R(i,j)=A_g^{\′}(i,j)\×(1+\sqrt{|I(i,j)-I_m|})---\left(12\right)$

其中I_m定义为原图像的灰度平均值，R(i，j)表明，如果某像素处在细节区域，该灰度值对统计贡献大，提升将更明显，同时，如果该灰度值偏离灰度平均值越远，即会处在很暗或很亮的区域，其提升幅度也将会更高；

⑥直方图均衡：

首先通过传统的直方图均衡化方法处理经步骤⑤得到的红外图像，设红外图像共有M级灰度，其直方图分布为P_i，经直方图均衡化后有N级灰度，其直方图分布为Q_i，其中P_i和Q_i代表分布概率，传统直方图算法通过累积分布函数变换将P_i→Q_i，将上述统计贡献权值R(i，j)加权入P_i中并归一化

$K\left(x_i\right)=\underset{I(i,j)=r_i}{\mathrm{\Σ}}R(i,j)/\underset{i.j}{\mathrm{\Σ}}R(i,j)---\left(13\right)$

其中K_i代表细节加权后直方图灰度分布概率，进而用K_i代替P_i通过累积分布函数变换K_i→Q_i得到加权后的直方均衡图。

本发明可用于解决大动态范围时不同温度区间的图像细节增强问题，该方法采用了先进的非线性图像处理算法，能够将高动态范围图像中的细节加以提取和加强，并与原始背景图像总动态范围匹配，输出细节比较清晰的红外图像。

本发明通过与周围8点比较的方法去除噪声，再利用数学形态学方法中图像的膨胀与腐蚀之差得到图像梯度信息，修正此梯度信息避免像素权值贡献为零，结合去噪声后图像的灰度值计算出灰度统计权值，并将此权值应用于细节图像的直方图均衡算法中并结合图像的细节信息最终得到细节增强后的图像。

附图说明

图1是本发明的逻辑方框图；

图2是本发明的去噪声的原理示例图。

其中，1、2、3为极值点。

具体实施方式

下面结合附图对本发明作进一步描述：

本发明的目的是提供一种红外图像细节增强的算法，该算法能够解决在高动态范围场景中定位低对比度目标，无论目标处于怎样的温度范围都能均衡地增强不同温区内图像细节。

本发明是一种红外图像细节增强的非线性算法，该算法不仅考虑了整幅图像中的灰度分布直方图，还考虑像素所处的空间区域与邻域细节特性。图1是整个红外图像细节增强系统框图，其中包括原始图像提取、去噪声、计算梯度信息、权值计算、权值消零、直方图均衡、图像输出七大部分。经过红外探测器输出的原始图像中包含了大量的散粒噪声，散粒噪声是一种高频信息，在图像细节增强过程中必然伴随噪声放大，因此必须在后续图像算法处理之前抑制散粒噪声。红外图像细节增强算法首先检测原始图像中的极值点并用周围点的平均值替换，可以有效地去除散粒噪声；通过数学形态学的方法利用图像的膨胀与腐蚀之差得到图像梯度信息，修正此梯度信息避免像素权值贡献为零，结合去噪声后图像的灰度值计算出灰度统计权值，并将此权值应用于细节图像的直方图均衡算法中并结合图像的细节信息最终得到细节增强后的图像。

采集了大量原始红外图像进行实验，使用本发明介绍的动态细节增强算法进行图像处理并与原始图像进行对比，动态细节增强算法由于采用权值计算的方法，提升了细节部分对传统HE算法的灰度统计贡献值，从而有效增强了探测者感兴趣的细节信息，尤其是在大动态范围环境下，可以同时捕获提升低温与高温区的细节信息，对各个温区部分的细节信息都有很好的增强。

本发明解决了大动态范围场景中不同温度区域细节信息加强的问题；采用基于梯度信息自适应权值调整的红外图像细节增强技术，算法简单、细节提升效果好；自动实时调节细节目标与背景图像之间动态范围的匹配，使得输出图像拥有最大化的场景信息。

以下是本发明的具体实施例：

①原始图像去除噪声

这里的原始图像并非是指由A\D模数转换得到的目标信息，而是经过非均匀校正和盲元补偿后得到的14位数据信息。这是进入系统内红外图像噪声主要表现为随机干扰，即图像中的高频信息。由于本系统的目标是图像细节增强，如不抑制噪声，在后续图像增强时必然造成噪声的增加，从而严重影响图像质量。对于噪声的抑制有许多行之有效的办法，但通常计算量大，实时性受到限制。普通的中值和均值滤波等方法又会损失图像细节，容易造成图像颗粒变粗或边沿模糊。针对红外图像，其散粒噪声点往往表现为灰度局部极大值或极小值，为此，对图像中灰度的极值点进行检测，如图2所示。图中标注2和3表示如果一个点的灰度值大于(或小于)周围所有8点的灰度值，则将此点用周围8点的平均值替换；标注1表示如果一个点的灰度值介于周围8点灰度值内，则此点灰度保留。这种去除极值噪声的方法简单，计算速度快，实验表明对散粒噪声消除效果很好，而且较少损失有用的细节信息。

②计算梯度信息

在进行灰度统计时，某像素对该灰度统计直方图的贡献不再固定为1，而是由该像素所在位置邻域的动态变化特性决定，为此需要描绘其动态特征，称为梯度信息。为了简便计算，采用数学形态学的膨胀与腐蚀算法得到梯度图像。设A为原始图像，A_d为膨胀图像，A_e为腐蚀图像，B定义为ω×ω(ω为奇数)矩形框。A_d、A_e定义为

$A_d(i,j)=A\⊕B=\max \left\{A(s,t)\right|s\∈[i-(w-1)/2,i+(w-1)/2],$

t∈[j-(w-1)/2，j+(w-1)/2]}

A_e(i，j)＝A□B＝min{A(s，t)|s∈[i-(w-1)/2，i+(w-1)/2]，

t∈[j-(w-1)/2，j++(w-1)/2]}

A的梯度图像Ag定义为膨胀图像与腐蚀图像的差

A_g＝A_d-A_e

A_g(i，j)反映了图像A在(i，j)点位置的变化情况。值越大，则变化越剧烈，包含了重要的细节信息，因而在灰度统计时有更大的贡献。

③权值消零

再考虑计算梯度信息时，采用膨胀与腐蚀图像之差计算梯度信息虽然有效，但也存在某区域两者值相等的情况，即A_g＝A_d-A_e＝0的情况，这会导致该区域对统计灰度值贡献为零。为了避免零值贡献情况的发生，采用梯度信息A_g与图像所有列梯度最大值中最小值相加

A′_g(i，j)＝A_g(i，j)+min(max(A_g(i，j)))

修正后的梯度信息保证了图像所有像素对灰度统计值贡献至少为1

④权值计算

在采用直方图均衡算法进行图像增强时，如果某灰度值出现频度高，则会得到更大的提升。在该系统中对细节图像增强，同时引入梯度信息控制该像素对统计直方图的贡献。此外，考虑到人眼视觉特性，通常对太暗或太亮的区域不太敏感，所以在计算权值时，还与像素本身的灰度值有关。设I(i，j)为图像A在(i，j)位置的灰度值，该点对灰度I的统计贡献权值R(i，j)定义为

$R(i,j)=A_g^{\′}(i,j)\×(1+\sqrt{|I(i,j)-I_m|})$

其中I_m定义为原图像的灰度平均值。如果某像素处在细节区域，该灰度值对统计贡献大，提升将更明显；同时，如果该灰度值偏离灰度平均值越远，即会处在很暗或很亮的区域，其提升幅度也将会更高。

⑤直方图均衡

传统的直方图均衡方法根据图像中灰度值的数量决定伸缩比例，与像素所在的区域位置和邻域细节无关，这必然会导致图像中的某些重要细节信息由于占整幅图像比例小而被压缩，反之背景信息不包含重要细节，却因为数量多而得到提升。

本发明中动态细节增强算法则通过计入图像梯度信息和像素灰度值修正灰度统计的权值，达到改善图像的视觉效果。首先通过传统的直方图均衡化方法处理去噪声后的红外图像，设红外图像共有M级灰度，其直方图分布为P_i，经直方图均衡化后有N级灰度，其直方图分布为Q_i，其中P_i和Q_i代表分布概率，传统直方图算法通过累积分布函数变换将P_i→Q_i。将上述统计贡献权值R(i，j)加权入P_i中并归一化

$K\left(x_i\right)=\underset{I(i,j)=r_i}{\mathrm{\Σ}}R(i,j)/\underset{i,j}{\mathrm{\Σ}}R(i,j)$

其中K_i代表细节加权后直方图灰度分布概率，进而用K_i代替P_i通过累积分布函数变换K_i→Q_i得到加权后的直方均衡图。这样，经过加强细节信息的直方图均衡化方法处理过的红外图像无论是从大范围整体效果还是从局部目标细节都是比较清晰的。

Claims (1)

1.一种红外图像细节增强方法，其特征在于，包括以下步骤：

①原始红外图像提取；

②去噪声：

对红外图像中灰度的极值点进行检测，如果被检测极值点的灰度值大于周围所有8点的灰度值，则将此点用周围8点的平均值替换，如果被检测的极值点的灰度值介于周围8点灰度值内，则将其灰度保留；

③计算梯度信息：

设A为原始图像，A_d为膨胀图像，A_e为腐蚀图像，B定义为ω×ω(ω为奇数)矩形框，A_d、A_e定义为

$A_d(i,j)=A\⊕B=\max \left\{A(s,t)\right|s\∈[i-(w-1)/2,i+(w-1)/2],$

t∈[j-(w-1)/2，j+(w-1)/2]}

A_e(i，j)＝A□B＝min{A(s，t)|s∈[i-(w-1)/2，i+(w-1)/2]，

t∈[j-(w-1)/2，j+(w-1)/2]}

其中，ω为矩形框的边长，点(i，j)的像素值替换为周围四点像素s、t代表矩形框内点横纵坐标值

A的梯度图像Ag定义为膨胀图像与腐蚀图像的差

A_g＝A_d-A_e

A_g(i，j)反映了图像A在(i，j)点位置的变化情况；

④权值消零：

采用梯度信息A_g与图像所有列梯度最大值中最小值相加

A′_g(i，j)＝A_g(i，j)+min(max(A_g(i，j)))

修正后的梯度信息保证图像所有像素对灰度统计值贡献至少为1；

⑤权值计算：

设I(i，j)为图像A在(i，j)位置的灰度值，该点对灰度I的统计贡献权值R(i，j)定义为

$R(i,j)=A_g^{\′}(i,j)\×(1+\sqrt{|I(i,j)-I_m|})---\left(12\right)$

其中I_m定义为原图像的灰度平均值，R(i，j)表明，如果某像素处在细节区域，该灰度值对统计贡献大，提升将更明显，同时，如果该灰度值偏离灰度平均值越远，即会处在很暗或很亮的区域，其提升幅度也将会更高；

⑥直方图均衡：

首先通过传统的直方图均衡化方法处理经步骤⑤得到的红外图像，设红外图像共有M级灰度，其直方图分布为P_i，经直方图均衡化后有N级灰度，其直方图分布为Q_i，其中P_i和Q_i代表分布概率，传统直方图算法通过累积分布函数变换将P_i→Q_i，将上述统计贡献权值R(i，j)加权入P_i中并归一化

$K\left(x_i\right)=\underset{I(i,j)=r_i}{\mathrm{\Σ}}R(i,j)/\underset{i.j}{\mathrm{\Σ}}R(i,j)---\left(13\right)$

其中K_i代表细节加权后直方图灰度分布概率，进而用K_i代替P_i通过累积分布函数变换K_i→Q_i得到加权后的直方均衡图。

Images