CN102521813B - 基于双平台直方图的红外图像自适应增强方法 - Google Patents

Abstract

本发明提出了一种基于双平台直方图的红外图像自适应增强方法。该方法分析实时红外图像的统计红外图像的直方图信息，通过局部极大值的遍历、数值的近似估计和确定最小灰度间隔的方法，完成对上限和下限平台阈值的自适应实时计算与更新，从而能在突出红外图像中细节灰度信息的同时，抑制背景信息过度增强。本发明的方法对红外图像有很好的图像整体对比度增强效果，提升了图像细节对比度。

Description

基于双平台直方图的红外图像自适应增强方法

技术领域

本发明涉及一种红外图像处理算法，具体地说，本发明涉及一种基于双平台直方图的红外图像自适应增强方法。

背景技术

红外成像系统抗干扰能力强，隐蔽性能好，大气穿透能力强，适应多种特殊场合。但是由于红外探测器自身特性如灵敏度等，以及工作环境复杂及各种噪声的干扰，使得红外图像呈现出高背景，低反差的特点。具体表现为红外图像中细节信息的图像动态范围较小，造成图像细节很容易淹没在背景中，使得对一些目标的识别难度增大。因此需要对原始的红外图像进行适当的图像增强，即拉伸其灰度动态范围从而提升对比度。双平台直方图算法能够有效提升红外图像的对比度，改善图像视觉效果。

然而，在目前的双平台直方图算法中，上下限平台阈值一般采用固定的选取准则：上限平台阈值取为图像总像素数的20％～30％；下限平台阈值取为图像总像素数的5％～10％。因此，无法根据实时变化的红外图像，对上下限平台阈值进行相应实时调整。但是，每幅红外图像的信息和具体细节是不一样的，固定的上下限平台阈值很难满足不同场景和要求的红外图像对比度增强的需求，不具备鲁棒性。

发明内容

本发明提出了一种基于双平台直方图的红外图像自适应增强算法。算法分析实时红外图像的统计红外图像的直方图信息，通过局部极大值的遍历、数值的近似估计和确定最小灰度间隔的方法，完成对上限和下限平台阈值的自适应实时计算与更新，从而能在突出红外图像中细节灰度信息的同时，抑制背景信息过度增强。本算法对红外图像有很好的图像整体对比度增强效果，提升了图像细节对比度。

一种基于双平台直方图的红外图像自适应增强方法，其特征在于，包括以下步骤：

(1)统计红外图像的直方图信息；遍历红外图像，统计灰度值k在红外图像中出现的次数，以得到统计直方图值序列p(k)，其中k＝0，1，...，M，M为图像的总灰度级；

(2)根据统计直方图值序列p(k)计算上限平台值T_UP，具体包括以下子步骤：

(21)选取统计直方图值序列p(k)中的非0项，以得到有效灰度级直方图值序列N(S)，其中S＝1，2，...，L，L为统计直方图值序列p(k)中非0项的个数；

(22)将N(S)序列中所有局部极大值组合为极大值序列POLAR(r)，其中r＝1，2，...，Q，Q为局部极大值的个数，局部极大值定义为：N(t)至N(t+y-1)的中间项N(t+(y-1)/2)为：

N(t+(y-1)/2))＝max{N(t)…N(t+y-1)}

其中y为奇数，t＝1，2，...，L+1-y；

(23)对极大值序列POLAR(r)(r＝1，2，...，Q)取平均值，并令T_UP等于平均值：

$T_{\mathrm{UP}}={\mathrm{POLAR}}_{\mathrm{avg}}=\frac{{\mathrm{\Σ}}_{r=1}^Q\mathrm{POLAR}\left(r\right)}{Q};$

(3)根据统计直方图值序列p(k)和上限平台值T_UP计算下限平台值T_DOWN，具体包括以下子步骤：

(31)根据以下公式估计图像增强后的总统计量值Sta：

Sta＝min{N_TOTAL，T_UP×L}

其中，N_TOTAL为图像的总像素数；

(32)根据以下公式计算下限平台值T_DOWN：

$T_{\mathrm{DOWN}}=\frac{d\×\mathrm{Sta}}{M}=\frac{d\×\min \{N_{\mathrm{TOTAL}},T_{\mathrm{UP}}\×L\}}{M}$

其中，d为期望直方图中的最小灰度间隔；

(4)根据上限平台值T_UP和下限平台值T_DOWN执行图像的灰度值的重新分配和转换。

步骤(4)包括以下子步骤：

(41)根据以下公式对统计直方图进行增强：

$P_m\left(k\right)=\left\{\begin{array}{cc}{T}_{\mathrm{UP}}& (p\left(k\right)\&GreaterEqual;T_{\mathrm{UP}})\\ p\left(k\right)& (T_{\mathrm{DOWN}}\&le;p\left(k\right)<T_{\mathrm{UP}})\\ T_{\mathrm{DOWN}}& (0<p\left(k\right)<T_{\mathrm{DOWN}})\\ 0& (p\left(k\right)=0)\end{array}\right.$

其中，P_m(k)为基于双平台直方图的增强后图像的统计直方图值；

(42)根据以下公式对统计直方图值P_m(k)进行计算，以得到增强后图像的累积直方图值：

$F\left(k\right)=\underset{j=0}{\overset{k}{\mathrm{\&Sigma;}}}{P}_m\left(j\right),(0\&le;k\&le;M),$

其中F(k)为增强后图像的累积直方图值；

(43)根据以下公式对图像的累积直方图值进行计算，以得到增强后图像的灰度值：

其中，D(k)是增强后图像的灰度值，

表示向下取整。

本发明具有以下优点：

1.自适应调整上、下限平台值，能适应各种环境的变化。

2.相对传统算法能更有效的提升红外图像对比度，并抑制背景信息过度增强。

附图说明

图1是本发明基于双平台直方图的红外图像自适应增强方法的流程图。

图2是本发明方法中步骤(2)的细化流程图。

图3是本发明方法中步骤(3)的细化流程图。

图4是本发明方法中步骤(4)的细化流程图。

图5示出未经过本发明方法处理的原始图像。

图6示出图5中原始图像的统计直方图。

图7示出经过现有技术的图像增强方法处理后的图像。

图8示出图7中图像的统计直方图。

图9示出经过本发明方法处理后的图像。

图10示出图9中图像的统计直方图。

具体实施方式

下面结合附图对本发明进行进一步的说明。

参照图1和图5，以下以一幅1280×1024的红外原始图像为例，对本发明的各步骤进行详细说明：

(1)统计红外图像的直方图信息；遍历红外图像，统计灰度值k在红外图像中出现的次数，以得到统计直方图值序列p(k)，其中k＝0，1，...，M，M为图像的总灰度级。实例中每像素灰度为14bit，所以M为16384；

(2)根据统计直方图值序列p(k)计算上限平台值T_UP，具体包括以下子步骤：

(21)选取统计直方图值序列p(k)中的非0项，以得到有效灰度级直方图值序列N(S)，其中S＝1，2，...，L，L为统计直方图值序列p(k)中非0项的个数。本实例中L为4039；

(22)将N(S)序列中所有局部极大值组合为极大值序列POLAR(r)，其中r＝1，2，...，Q，Q为局部极大值的个数。局部极大值定义为：N(t)至N(t+y-1)的中间项N(t+(y-1)/2)为：

N(t+(y-1)/2))＝max{N(t)…N(t+y-1)}

其中y为奇数，t＝1，2，...，L+1-y。本实例中y＝5，最后找到了671个极大值，即Q＝671；

(23)对极大值序列POLAR(r)(r＝1，2，...，Q)取平均值，并令T_UP等于平均值。本实例中T_UP＝238.4918。

$T_{\mathrm{UP}}={\mathrm{POLAR}}_{\mathrm{avg}}=\frac{{\mathrm{\&Sigma;}}_{r=1}^Q\mathrm{POLAR}\left(r\right)}{Q};$

(3)根据统计直方图值序列p(k)和上限平台值T_UP计算下限平台值T_DOWN，具体包括以下子步骤：

(31)根据以下公式估计图像增强后的总统计量值Sta：

Sta＝min{N_TOTAL，T_UP×L}

其中，N_TOTAL为图像的总像素数。本实例中N_TOTAL＝1280×1024＝1310720比T_UP×L＝963270大，所以Sta取963270。

(32)根据以下公式计算下限平台值T_DOWN：

$T_{\mathrm{DOWN}}=\frac{d\&times;\mathrm{Sta}}{M}=\frac{d\&times;\min \{N_{\mathrm{TOTAL}},T_{\mathrm{UP}}\&times;L\}}{M}$

其中，d为期望直方图中的最小灰度间隔；本实例中d设为1，T_DOWN最后选取58.7932。

(4)根据上限平台值T_UP和下限平台值T_DOWN执行图像的灰度值的重新分配和转换，具体包括以下子步骤：

(41)根据以下公式对统计直方图进行增强：

$P_m\left(k\right)=\left\{\begin{array}{cc}{T}_{\mathrm{UP}}& (p\left(k\right)\&GreaterEqual;T_{\mathrm{UP}})\\ p\left(k\right)& (T_{\mathrm{DOWN}}\&le;p\left(k\right)<T_{\mathrm{UP}})\\ T_{\mathrm{DOWN}}& (0<p\left(k\right)<T_{\mathrm{DOWN}})\\ 0& (p\left(k\right)=0)\end{array}\right.$

其中，P_m(k)为基于双平台直方图的增强后图像的统计直方图值；

(42)根据以下公式对统计直方图值P_m(k)进行计算，以得到增强后图像的累积直方图值：

$F\left(k\right)=\underset{j=0}{\overset{k}{\mathrm{\&Sigma;}}}{P}_m\left(j\right),(0\&le;k\&le;M),$

其中F(k)为增强后图像的累积直方图值；

(43)根据以下公式对图像的累积直方图值进行计算，以得到增强后图像的灰度值：

其中，D(k)是增强后图像的灰度值，表示向下取整。

图9为经过本发明处理的图像；图7为经过固定双平台直方图算法处理后的图像(选取像素数的25％为其算法的上限平台阈值，像素数的7.5％为其算法的下限平台阈值，本实例中分别为327684和98304)。对比图5、图7和图9可以看到，图5整幅图对比度很低，人物和物体的细节不明显；图7较图5在对比度上有所增强，但红框内的细节仍不明显，淹没在背景之中；图9中对比度较强，红框内的物体可以清晰的看到。对比图5、图7和图9的灰度直方图，即图6、图8、图10，可以看到图5中灰度值相当的集中；虽然图7的灰度值分布比图5略有扩展，但红圈部分的灰度值没有得到利用，影响了图像的对比度；图9较图7灰度值分布得更广，对比度得到了进一步的增强。

为了更好的说明本发明的优点，下面进一步通过客观评价参数来进行定量的评判。由于进行图像增强的目的是拉伸其灰度动态范围从而提升对比度，为此在选择评价图像对比度来度量图像的对比度质量：

$C_{\mathrm{contrast}}=10\log (\frac{1}{\mathrm{MN}}\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{Y}^2(x,y)-{\left|\frac{1}{\mathrm{MN}}\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}Y(x,y)\right|}^2)$

其中，M和N分别为图像的宽和高，Y(i，j)为图像中(i，j)位置的像素灰度值。

从表中可以看到，本发明比传统的固定双平台直方图增强算法在图像对比度上高出了2.96dB。

总体而言，本算法增强后图像的灰度分布更均匀，对比度更好，视觉质量也更好，这也与两算法增强后图像效果以及统计直方图中反映出的本算法灰度拉升和对比度增强效果更好的现象相一致。

Claims (1)

1.一种基于双平台直方图的红外图像自适应增强方法，其特征在于，包括以下步骤: 

(1)统计红外图像的直方图信息;遍历所述红外图像，统计灰度值k在所述红外图像中出现的次数，以得到统计直方图值序列p(k)，其中k=0，1，...，M，M为所述图像的总灰度级; 

(2)根据所述统计直方图值序列p(k)计算上限平台值T_UP，具体包括以下子步骤: 

(21)选取所述统计直方图值序列p(k)中的非0项，以得到有效灰度级直方图值序列N(S)，其中S=1，2，...，L，L为所述统计直方图值序列p(k)中非0项的个数; 

(22)将所述N(S)序列中所有局部极大值组合为极大值序列POLAR(r)，其中r=1，2，...，Q，Q为局部极大值的个数，所述局部极大值定义为:N(t)至N(t+y-l)的中间项N(t+(y-l)/2)为: 

N(t+(y-1)/2)=max{N(t)，...，N(t+y-1)} 

其中y为奇数，t=1，2，...，L+l-y; 

(23)对所述极大值序列POLAR(r)取平均值，并令T_UP等于所述平均值: 

（3）根据所述统计直方图值序列p(k)和所述上限平台值T_UP计算下限平台值T_DOWN，具体包括以下子步骤： 

（31）根据以下公式估计所述图像增强后的总统计量值Sta： 

Sta=min{N_TOTAL,T_UP×L} 

其中，N_TOTAL为所述图像的总像素数； 

（32）根据以下公式计算所述下限平台值T_DOWN： 

其中，d为期望直方图中的最小灰度间隔； 

（4）根据所述上限平台值T_UP和所述下限平台值T_DOWN执行所述图像的灰度值的重新分配和转换；本步骤具体包括以下子步骤： 

（41）根据以下公式对所述统计直方图进行增强： 

其中，Pm(k)为基于双平台直方图的增强后图像的统计直方图值； 

（42）根据以下公式对所述统计直方图值Pm(k)进行计算，以得到所述增强后图像的累积直方图值： 

其中F(k)为所述增强后图像的累积直方图值； 

（43）根据以下公式对所述图像的累积直方图值进行计算，以得到所述增强后图像的灰度值： 

其中，D(k)是所述增强后图像的灰度值，

表示向下取整。 

Images