CN102222323A - 基于直方图统计拉伸和梯度滤波的红外图像细节增强方法 - Google Patents

Abstract

本发明涉及基于直方图统计拉伸和梯度滤波的红外图像细节增强方法，属于光电成像技术领域。对红外图像进行直方图统计和概率密度函数累加，在人为给定阈值的条件下完成红外图像的直方图拉伸，生成基体图，从而提高图像整体对比度；同时，利用梯度滤波算子对红外图像进行滤波处理，提取图像的细节信息并进行直方图统计拉伸，生成细节图；最后对基体图和细节图进行伽马变换，将基体图和细节图以加权的方式进行求和，生成最终细节增强的红外图像。本发明不但能有效提高图像的整体对比度，而且能较好显示图像的弱对比度细节；处理流程简单、数据处理量小、运算速度快，可实现硬件实时处理，能满足广泛的应用需求。

Description

基于直方图统计拉伸和梯度滤波的红外图像细节增强方法

技术领域

本发明涉及一种红外图像细节增强方法，属于光电成像技术领域。

背景技术

红外热成像技术是一种对场景的温度分布进行成像、处理及显示的高科技前沿技术，其利用目标与周围背景之间的温差来实现对目标形状和状态等相关信息的获取。由于红外热成像技术的隐蔽性、被动性及适合全天候应用等特点，因此具有极高的军事战略应用前景和需求。随着近些年红外技术的不断发展和成熟，红外成像器件的生产规模不断升级，制造成本不断降低，使得红外热成像设备在民用领域也得到了越来越广泛地应用，如民用安防、工业在线检测、医用卫生等领域。

由于红外场景通常具有非常宽的温度范围，即红外场景的动态范围非常大，因此热成像系统在对红外场景实现成像并进行图像显示时，只会显示出场景的大致轮廓和基本背景信息，损失了场景的大量细节特征，从而导致重要细节信息的丢失。

基于直方图均衡化的红外图像细节增强方法大致可以分为两大类：全局直方图均衡化和局域直方图均衡化。

全局直方图均衡化是利用整幅图像的概率密度分布函数计算累积密度分布函数，并通过灰度级映射来实现处理图像整体对比度增强。该方法能够对直方图中概率较高的灰度级实现明显的增强效果，而对低概率灰度级却很难实现有效增强，甚至由于灰度级的合并导致细节信息的损失。

局域直方图均衡化方法是将直方图均衡化处理应用到图像的局域。由于局域直方图均衡化处理可以减小图像其他区域对当前处理区域的影响，因此可以明显增强图像局域的细节信息，取得比全局直方图均衡化方法更好的图像辨识和显示效果。但是，局域直方图均衡化方法数据处理量大、计算复杂，对硬件性能要求高，因此很难实现实时处理。

除此之外，还有其它多种类型的图像细节增强方法，如非锐化掩膜、Retinex、CLAHE等。这些方法无论从处理效果还是从处理实效性考虑，都不能作为一种较好的增强处理方法。

发明内容

本发明的目的是为了克服现有技术存在的缺陷和不足，提出一种基于直方图统计拉伸和梯度滤波的红外图像细节增强方法。

本发明的目的是通过下述技术方案实现的。

本发明的基于直方图统计拉伸和梯度滤波的红外图像细节增强方法，首先，对红外图像进行直方图统计和概率密度函数累加，在人为给定阈值的条件下完成红外图像的直方图拉伸，生成基体图，从而提高图像整体对比度；同时，利用梯度滤波算子对红外图像进行滤波处理，提取图像的细节信息并进行直方图统计拉伸，生成细节图；最后对基体图和细节图进行伽马变换，将基体图和细节图以加权的方式进行求和，生成最终细节增强的红外图像。

有益效果

本方法对比现有技术，不但能有效提高图像的整体对比度，而且能较好显示图像的弱对比度细节。本方法处理流程简单、数据处理量小、运算速度快，可实现硬件实时处理，能满足广泛的应用需求。

附图说明

图1是本发明的框架设计流程图。

图2是本发明处理过程中的四幅图像：图2(a)是红外输入图像，图2(b)是基体图，图2(c)是细节图，图2(d)是最终处理图像。

具体实施方式

下面结合附图及实施例对本发明的具体实施方式做进一步说明。

本发明的框架设计流程图如图1所示，包括以下步骤：

步骤一、统计待处理红外图像的直方图，确定出图像背景所在的灰度级，使得处理后的图像具有自然的视觉感知。具体采用以下方式：

统计被处理图像的直方图h_o，确定出最大的概率密度值p_max及其所在的灰度级。

p_max＝m(h_o)

g_max＝p(h_o，p_max)

其中，m(h_o)是一个函数，用来确定直方图h_o的最大概率密度值p_max。p(h_o，p_max)用来确定p_max在h_o中的位置，并将该灰度级赋值给g_max。g_max表示最大概率密度对应的灰度级。

步骤二、根据直方图，获取待处理红外图像的基本图和细节图。

其中，基本图的获取过程如下：

首先，进行灰度阈值v_t限制下的概率密度值累加，由此能够获得图像有效像素的统计结果，v_t可在一定程度上剔除过高和过低异常像元的灰度值。具体如下：

以最大概率密度对应的灰度级g_max为中心，分别向两侧进行概率密度累加并设定灰度阈值v_t。

$h_{\mathrm{sum}}=\underset{k=g_{\max }-m}{\overset{g_{\max }+m}{\mathrm{\Σ}}}{p}_r\left(k\right)=\underset{k=g_{\max }-m}{\overset{g_{\max }+m}{\mathrm{\Σ}}}\frac{n_k}{n},$ if m(h_sum)≤v_t  m＝0，1，2，Λ2^N-1

其中，k表示灰度级；p_r(k)表示灰度级k的概率密度值；n_k表示灰度级k的像素数量；n表示图像总像素数；h_sum表示概率密度累加结果；m表示当前累加灰度级距g_max的距离。

此时，判断累加后的结果是否小于给定的阈值。如果灰度阈值不满足给定的阈值，则进行直方图拉伸，v_min＝g_max-m，v_max＝g_max+m。如果灰度阈值满足给定的阈值，即，如果g_max-m对应的概率密度值为零，则v_min＝g_max-m，之后的累加运算只计算大于g_max的概率密度值直到不满足给定的阈值，则v_max＝g_max+m′，m′指在阈值满足条件下单方向累加的灰度级直到不满足阈值条件为止。同理，如果灰度阈值满足给定的阈值，即，如果g_max+m对应的概率密度值为零，则v_min＝g_max+m，之后的累加运算只计算小于g_max的概率密度值直到不满足给定的阈值，则v_min＝g_max+m′。

v_min和v_max表示在灰度阈值限制下，灰度范围的上下限。

之后，对直方图进行拉伸处理，输出给定数据宽度的图像结果，如8位图像数据或是14位图像数据，得到基体图。

其中，q(k)表示灰度级k对应的输出灰度级；N表示输出的图像数据宽度。

获取细节图的获取过程如下：

对待处理红外图像进行梯度滤波，得到图像的梯度结果。具体处理步骤如下：

利用梯度算子t_mask(x，y)对待处理红外图像o(x，y)进行滤波处理，得到梯度滤波结果g_g(x，y)。滤波处理可以看做是一种卷积过程，*表示卷积符号

g_g(x，y)＝o(x，y)*t_mask(x，y)

采用直方图统计拉伸，在给定梯度阈值v_g的条件下，对g_g(x，y)执行与获取基本图相同的处理过程，得到细节图。

步骤三、对步骤二得到的基体图和细节图分别进行伽玛变换，调整灰度值：

$b_{\mathrm{adj}}(x,y)=b{(x,y)}^{{\mathrm{\γ}}_b}$

$g_{\mathrm{adj}}(x,y)=g_g{(x,y)}^{{\mathrm{\γ}}_d}$

b(x，y)表示基体图，g_g(x，y)表示细节图；b_adj(x，y)和g_adj(x，y)分别是伽玛变换后的基体图和细节图；γ_b和γ_d则分别表示对基体图和细节图所采用的伽玛参数。

步骤四、将伽玛变换后的基体图和细节图按照权重进行求和，得到细节增强结果。

r(x，y)＝(1-α)b_adj(x，y)+αg_adj(x，y)

其中，a为权重值，r(x，y)为增强处理结果。

实施例

本实施例中对一幅8位(256灰度级)红外图像进行处理，实现图像细节的增强处理，见图2。

具体实施步骤如下：

步骤一：统计图像直方图，确定最大的概率密度值，并确定最大概率密度值所在的灰度级。

首先对红外图像进行直方图统计，然后找出直方图中的最大概率密度值。本实施例中，最大概率密度值为0.004。根据最大概率密度值，在直方图中找到该值对应的灰度级。本实施例中最大概率密度值的灰度级为71。

步骤二：根据直方图，获取待处理红外图像的基本图和细节图。

获取基本图的过程如下：

以步骤一确定的灰度级为中心，分别向两侧进行概率密度值累加，同时判断累加结果是否满足灰度阈值条件。如果条件不满足，则累加停止，得到灰度范围的上下限。如果条件不满足，则累加过程继续并再次判断灰度阈值条件。

如果遇到特殊情况，即满足灰度阈值时，某一方向的概率密度值已经为零，则停止该方向的概率密度值累加，只累加相反方向的概率密度值，直到不满足灰度阈值，获得灰度范围的上下限。本实施例中选择的灰度阈值v_t为0.98。通过累加计算，确定出的灰度范围上下限分别为53和235。

根据得到的灰度值上下限，让原始红外图像中大于上限的灰度值取255，小于下限的灰度值取0，处于中间的灰度范围按照线性方式进行拉伸，生成基体图。

获取细节图的过程如下：

首先，利用梯度算子对原始红外图像进行滤波处理。本实施例中采用拉普拉斯算子作为梯度算子，其算子结构如下：

$\mathrm{mask}=\begin{array}{ccc}0& 1& 0\\ 1& -4& 1\\ 0& 1& 0\end{array}$

为了剔除原始图像中异常像元梯度的影响，在设定梯度阈值的条件下，得到的梯度滤波结果执行与基本图中相同的直方图统计，得到细节图。本实施例中选择的梯度阈值v_g为0.98。

步骤三：对基体图和细节图分别进行伽玛变换，调整灰度值。

对基体图和细节图分别进行伽玛校正，调整灰度数值。本实施例中为细节图设定的伽玛参数为0.8，基体图设定的伽玛参数为1.2。

步骤四：将伽玛变换后的基体图和细节图按照权重进行求和，得到最终的细节增强结果。本实施例中权重值α的数值设定为0.2。

为了说明本方法的处理效果，利用信息熵作为图像细节能力的客观评价标准，针对当前常用的全局直方图均衡化、局域直方图均衡化和本方法进行客观评价；同时利用台式电脑作为平台，测试三种方法完成处理所需的时间。结果如表1所示。其中，信息熵数值越大，表明图像中所包含的细节信息越多，图像的细节表现越好。

表1原始图像和处理图像的信息熵及方法耗时

结论：从表1可以看出，本方法的信息熵明显优于其他两种方法。因此本方法能够更有效增强图像的细节信息，显示图像的细节特征。通过人眼的观察，可以发现客观评价结果与主观评价结果相一致。

针对方法耗时的对比，本方法虽比全局直方图均衡化方法的处理时间要长，但相比局域直方图均衡化方法而言却要少很多。因此综合考虑结果，本方法具有细节增强能力强和实现硬件实时处理的特点。

Claims (1)

1.基于直方图统计拉伸和梯度滤波的红外图像细节增强方法，其特征在于包括以下步骤：

步骤一、统计待处理红外图像的直方图，确定出图像背景所在的灰度级，使得处理后的图像具有自然的视觉感知；具体采用以下方式：

统计被处理图像的直方图h_o，确定出最大的概率密度值p_max及其所在的灰度级；

p_max＝m(h_o)

g_max＝p(h_o，p_max)

其中，m(h_o)是一个函数，用来确定直方图h_o的最大概率密度值p_max，p(h_o，p_max)用来确定p_max在h_o中的位置，并将该灰度级赋值给g_max。g_max表示最大概率密度对应的灰度级；

步骤二、根据直方图，获取待处理红外图像的基本图和细节图；

其中，基本图的获取过程如下：

首先，进行灰度阈值v_t限制下的概率密度值累加，由此能够获得图像有效像素的统计结果，v_t可在一定程度上剔除过高和过低异常像元的灰度值；具体如下：

以最大概率密度对应的灰度级g_max为中心，分别向两侧进行概率密度累加并设定灰度阈值v_t；

$h_{\mathrm{sum}}=\underset{k=g_{\max }-m}{\overset{g_{\max }+m}{\mathrm{\Σ}}}{p}_r\left(k\right)=\underset{k=g_{\max }-m}{\overset{g_{\max }+m}{\mathrm{\Σ}}}\frac{n_k}{n},$ if m(h_sum)≤v_t  m＝0，1，2，Λ2^N-1

其中，k表示灰度级；p_r(k)表示灰度级k的概率密度值；n_k表示灰度级k的像素数量；n表示图像总像素数；h_sum表示概率密度累加结果；m表示当前累加灰度级距g_max的距离；

此时，判断累加后的结果是否小于给定的阈值；如果灰度阈值不满足给定的阈值，则进行直方图拉伸，v_min＝g_max-m，v_max＝g_max+m；如果灰度阈值满足给定的阈值，即，如果g_max-m对应的概率密度值为零，则v_min＝g_max-m，之后的累加运算只计算大于g_max的概率密度值直到不满足给定的阈值，则v_max＝g_max+m′，m′指在阈值满足条件下单方向累加的灰度级直到不满足阈值条件为止；同理，如果灰度阈值满足给定的阈值，即，如果g_max+m对应的概率密度值为零，则v_min＝g_max+m，之后的累加运算只计算小于g_max的概率密度值直到不满足给定的阈值，则v_min＝g_max+m′；

v_min和v_max表示在灰度阈值限制下，灰度范围的上下限；

之后，对直方图进行拉伸处理，输出给定数据宽度的图像结果，如8位图像数据或是14位图像数据，得到基体图；

其中，q(k)表示灰度级k对应的输出灰度级；N表示输出的图像数据宽度；

获取细节图的获取过程如下：

对待处理红外图像进行梯度滤波，得到图像的梯度结果；具体处理步骤如下：

利用梯度算子t_mask(x，y)对待处理红外图像o(x，y)进行滤波处理，得到梯度滤波结果g_g(x，y)；滤波处理可以看做是一种卷积过程，*表示卷积符号

g_g(x，y)＝o(x，y)*t_mask(x，y)

采用直方图统计拉伸，在给定梯度阈值v_g的条件下，对g_g(x，y)执行与获取基本图相同的处理过程，得到细节图；

步骤三、对步骤二得到的基体图和细节图分别进行伽玛变换，调整灰度值：

$b_{\mathrm{adj}}(x,y)=b{(x,y)}^{{\mathrm{\γ}}_b}$

$g_{\mathrm{adj}}(x,y)=g_g{(x,y)}^{{\mathrm{\γ}}_d}$

b(x，y)表示基体图，g_g(x，y)表示细节图；b_adj(x，y)和g_adj(x，y)分别是伽玛变换后的基体图和细节图；γ_b和γ_d则分别表示对基体图和细节图所采用的伽玛参数；

步骤四、将伽玛变换后的基体图和细节图按照权重进行求和，得到细节增强结果；

r(x，y)＝(1-α)b_adj(x，y)+αg_adj(x，y)

其中，a为权重值，r(x，y)为增强处理结果。

Images