CN103208105A - 一种红外图像细节增强与噪声自适应抑制方法 - Google Patents

Abstract

本发明公开了一种红外图像细节增强与噪声自适应抑制方法，包括以下步骤：（1）获取原始红外图像F_org；（2）使用微分算子计算原始红外图像的滤波分量F_d；（3）计算原始红外图像背景复杂度，确定噪声抑制阈值T₁；（4）计算原始红外图像的邻域方差V，根据初始阈值T₂将邻域方差图像二值化，用矩阵BW表示二值化图像；（5）计算滤波分量F_d的加权矩阵Coe；（6）输出细节增强图像F_out。本发明与现有技术相比，具有以下显著优点：（1）红外图像细节增强与噪声自适应抑制新方法特别针对信噪比的图像进行处理，在图像细节增强的同时有效抑制了图像的噪声放大。

Description

一种红外图像细节增强与噪声自适应抑制方法

技术领域

本发明涉及红外图像处理领域，特别涉及一种适合硬件实时实现的图像细节增强与噪声自适应抑制方法。

背景技术

在红外图像摄取、传输和处理过程中，受光的衍射、聚焦不良、景物和取像装置的相对运动的影响，不可避免导致图像质量下降，使图像变模糊，此外，电子系统高频性能不好也会损失图像的高频分量，而使图像不清晰。大量研究表明，图像变模糊物理过程的数学模型一般含有求和、平均或积分运算。根据图像变模糊的过程可知，在空间域中运用微分运算或在频率域中用加强信号高频分量的方法可有效增强图像细节。

目前，图像细节增强技术受到了研究者的广泛关注。针对红外成像的特点，研究提出了多种有效的红外图像细节增强处理算法，通过增强场景中目标与背景之间的灰度对比度以及图像细节信息，如边缘、轮廓、纹理等，可提高对弱小目标探测、跟踪及识别的能力，增强对图像内容和关键细节信息理解的准确性。现有的图像细节增强算法存在以下缺点：（1）多数现有的图像细节增强算法仅适用于高信噪比的原始红外图像，随着原始红外图像信噪比下降，增强后的图像视觉效果变差，不利用人或机器对图像的理解和分析；（2）多数现有的噪声抑制算法对整幅图像采用同一滤波参数进行噪声抑制，没有利用图像局部特征信息，导致噪声抑制的同时损失了大量图像细节信息；（3）多数现有的图像细节增强与噪声自适应抑制算法运算量大，不易硬件实时实现。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种红外图像细节增强与噪声自适应抑制方法。

为了解决上述技术问题，本发明公开了一种红外图像细节增强与噪声自适应抑制方法，包括以下步骤：

（1）获取原始红外图像F_org；

（2）运用微分算子计算原始红外图像的滤波分量F_d；

（3）计算原始红外图像背景复杂度，确定噪声抑制阈值T₁；

（4）计算原始红外图像的邻域方差V，根据初始阈值T₂将邻域方差图像二值化，用矩阵BW表示；

（5）计算滤波分量F_d的加权矩阵Coe；

（6）输出细节增强图像F_out；

本发明中使用无方向性的拉氏算子计算滤波分量F_d。

本发明红外图像细节增强与噪声自适应抑制新方法中，背景复杂度用邻域信息熵特征H表示。红外图像中以坐标(i,j)为中心的P×Q大小的邻域信息熵H(i,j)计算公式为：

$H(i,j)=-\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{Q}{\mathrm{\Σ}}}p(i,j)\·\mathrm{lgp}(i,j)$

$p(i,j)=F_{\mathrm{org}}(i,j)/\left[\underset{i=1}{\overset{10}{\mathrm{\Σ}}}\underset{j=1}{\overset{10}{\mathrm{\Σ}}}{F}_{\mathrm{org}}(i,j)\right]$

其中，F_org(i,j)为原始红外图像中坐标(i,j)位置的灰度值，H(i,j)和p(i,j)分别为坐标(i,j)位置邻域信息熵H和灰度分布概率的输出值，0≤i≤M，0≤j≤N，M和N分别表示原始红外图像的行数和列数。P和Q分别表示邻域的高度和宽度，5≤P≤15，5≤Q≤15。

本发明红外图像细节增强与噪声自适应抑制新方法中，根据原始红外图像平均背景复杂度确定噪声抑制阈值T₁，背景复杂度高，阈值T₁小，相反背景复杂度低，阈值T₁大。

根据原始红外图像平均背景复杂度确定噪声抑制阈值T₁；平均背景复杂度

采用以下公式计算：

$\stackrel{\‾}{H}=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}H(i,j)}{M\×N},$

坐标(i,j)位置的噪声抑制阈值T₁(i,j)计算公式如下：

$T_1(i,j)=\left\{\begin{array}{cc}A,& H(i,j)>\stackrel{\&OverBar;}{H}\\ B,& H(i,j)<\stackrel{\&OverBar;}{H}\end{array}\right.,$

其中，T₁(i,j)是抑制阈值T₁中坐标(i,j)位置的噪声抑制阈值，A和B是常系数。A和B的取值范围为自然数，A取值越大，则噪声抑制能力越强；B取值越大，则噪声抑制能力越强。

本发明红外图像细节增强与噪声自适应抑制新方法中，图像的邻域方差V通过邻域周边像素均值减去中心像素均值方法进行计算。

本发明红外图像细节增强与噪声自适应抑制新方法中，加权系数Coe(i,j)是通过统计二值化图像BW中以坐标(i,j)为中心大小P₁×Q₁窗口非零值数量，若非零值数量大于噪声抑制阈值T₁(i,j)，Coe(i,j)=1，否则Coe(i,j)=0，其中，Coe(i,j)是加权矩阵Coe中坐标(i,j)位置的输出值，T₁(i,j)是噪声抑制阈值T₁中(i,j)位置的输出值，P₁和Q₁分别是窗口的高度和宽度。P₁和Q₁取值范围为自然数，3≤P₁≤7，3≤Q₁≤7。

本发明红外图像细节增强与噪声自适应抑制新方法中，坐标(i,j)位置F_out(i,j)表达式如下所示：

F_out(i,j)=F_org(i,j)-Coe(i,j)×F_d(i,j)

其中，F_out(i,j)、F_org(i,j)和F_d(i,j)分别是坐标(i,j)位置的细节增强图像F_out、原始红外图像F_org(i,j)和滤波分量F_d的灰度值。

本发明与现有技术相比，具有以下显著优点：（1）红外图像细节增强与噪声自适应抑制新方法特别针对信噪比的图像进行处理，在图像细节增强的同时有效抑制了图像的噪声放大；（2）利用背景复杂度局部特征计算滤波系数，可使算法具备对同一图像多尺度抑噪能力，实现平滑区域抑噪作用强，细节区域抑噪作用弱，图像细节有效保留；（3）利用概率统计原理，算法认为区域内图像细节表现为多个高方差点的集合，而噪声则表现为孤立高方差点，它是区分图像细节和噪声的有效手段；（4）本发明提出的红外图像细节增强与噪声自适应抑制新方法不存在高阶运算和复杂结构，算法运算量小，易于硬件实时实现。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1为本发明流程图。

图2a为原始图像。

图2b为传统图像细节增强图。

图2c为实施例处理结果图。

具体实施方式

本发明公开了一种红外图像细节增强与噪声自适应抑制方法，包括以下步骤：

（1）获取原始红外图像F_org；

（2）使用微分算子计算原始红外图像的滤波分量F_d；

（3）计算原始红外图像背景复杂度，确定噪声抑制阈值T₁；

（4）计算原始红外图像的邻域方差V，根据初始阈值T₂将邻域方差图像二值化，用矩阵BW表示二值化图像；

（5）计算滤波分量F_d的加权矩阵Coe；

（6）输出细节增强图像F_out。

使用无方向性的拉氏算子计算滤波分量F_d。

背景复杂度用邻域信息熵特征H表示，红外图像中以坐标(i,j)为中心的P×Q大小的邻域信息熵H(i,j)计算公式为：

$H(i,j)=-\underset{i=1}{\overset{P}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{Q}{\mathrm{\&Sigma;}}}p(i,j)\&CenterDot;\mathrm{lgp}(i,j)$

$p(i,j)=F_{\mathrm{org}}(i,j)/\left[\underset{i=1}{\overset{P}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{Q}{\mathrm{\&Sigma;}}}{F}_{\mathrm{org}}(i,j)\right],$

其中，F_org(i,j)为原始红外图像中坐标(i,j)位置的灰度值，H(i,j)和p(i,j)分别为坐标(i,j)位置邻域信息熵和灰度分布概率的值，0≤i≤M，0≤j≤N，M和N分别表示原始红外图像的行数和列数，P和Q分别表示邻域的高度和宽度，5≤P≤15，5≤Q≤15。

步骤（3）中，根据原始红外图像平均背景复杂度确定噪声抑制阈值T₁；平均背景复杂度

采用以下公式计算：

$\stackrel{\&OverBar;}{H}=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}H(i,j)}{M\&times;N},$

坐标(i,j)位置的噪声抑制阈值T₁(i,j)计算公式如下：

$T_1(i,j)=\left\{\begin{array}{cc}A,& H(i,j)>\stackrel{\&OverBar;}{H}\\ B,& H(i,j)<\stackrel{\&OverBar;}{H}\end{array}\right.,$

其中，T₁(i,j)是抑制阈值T₁中坐标(i,j)位置的噪声抑制阈值，A和B是常系数。

步骤（4）中，图像的邻域方差V通过邻域周边像素均值减去中心像素均值方法进行计算。

步骤（5）中，加权矩阵Coe的加权系数Coe(i,j)通过统计矩阵BW中以坐标(i,j)为中心大小P₁×Q₁窗口非零值数量，若非零值数量大于噪声抑制阈值T₁(i,j)，令Coe(i,j)=1，否则令Coe(i,j)=0，其中，Coe(i,j)是加权矩阵Coe中(i,j)位置的加权系数，P₁和Q₁分别是窗口的高度和宽度。

步骤（6）中，坐标(i,j)位置细节增强图像F_out(i,j)采用下式计算：

F_out(i,j)=F_org(i,j)-Coe(i,j)×F_d(i,j)，

其中，F_d(i,j)是滤波分量F_d中坐标(i,j)位置的灰度值。

实施例1

结合图1，下面以实例来说明本发明红外图像细节增强与噪声自适应抑制新方法。红外图像的像素个数320×256，帧频25HZ。红外热像仪的数字信号通过光纤传给DSP+FPGA架构的专用图像处理板，红外图像细节增强与噪声自适应抑制新方法在DSP处理器中实现，满足实时处理的需求，具体实施步骤如下：

（1）获取原始红外图像F_org；

原始红外图像F_org是14-bit数字图像。红外热像仪的数字信号通过光纤打包方式传给专用图像处理板的FPGA，FPGA完成光纤解包将数字信号经DSP的EMIF接口传给DSP，得到14-bit原始红外图像F_org。

（2）运用微分算子计算原始红外图像的滤波分量F_d；

由于图像细节边界可能是任意走向的，因此需要微分算子具备无方向性。这里，选用无方向性的8邻域拉氏算子作为微分算子。对离散图像F_org，滤波分量F_d(i,j)表达式如下所示：

${\&dtri;}^2{F}_d(i,j)={\mathrm{\&Delta;}}_x^2{F}_{\mathrm{org}}(i,j)+{\mathrm{\&Delta;}}_y^2{F}_{\mathrm{org}}(i,j),$ 即，

${\&dtri;}^2{F}_d(i,j)=F_{\mathrm{org}}(i+1,j)+F_{\mathrm{org}}(i-1,j)+F_{\mathrm{org}}(i,j+1)+F_{\mathrm{org}}(i,j-1)-4F_{\mathrm{org}}(i,j),$ 其中，F_d(i,j)和F_org(i,j)分别是滤波分量F_d和原始红外图像F_org中(i,j)位置的灰度值，运算符

表示梯度运算，

和

是F_org(i,j)在i方向和j方向的二阶差分。

（3）计算原始红外图像背景复杂度，确定噪声抑制阈值T1；

背景复杂度用邻域信息熵特征表示。这里，选用10×10计算邻域信息熵，表达式如下所示：

$H(i,j)=-\underset{i=1}{\overset{10}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{10}{\mathrm{\&Sigma;}}}p(i,j)\&CenterDot;\mathrm{lgp}(i,j).$

$p(i,j)=F_{\mathrm{org}}(i,j)/\left[\underset{i=1}{\overset{10}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{10}{\mathrm{\&Sigma;}}}{F}_{\mathrm{org}}(i,j)\right].$

其中，F_org(i,j)为图像中坐标(i,j)位置的灰度值，p(i,j)为坐标(i,j)位置的灰度分布概率，0≤i≤256，0≤j≤320。

平均背景复杂度

表达式如下所示：

$\stackrel{\&OverBar;}{H}=\frac{\underset{i=1}{\overset{256}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{320}{\mathrm{\&Sigma;}}}H(i,j)}{256\&times;320}.$

坐标(i,j)位置的噪声抑制阈值T₁(i,j)表达式如下所示：

$T_1(i,j)=\left\{\begin{array}{cc}A,& H(i,j)>\stackrel{\&OverBar;}{H}\\ B,& H(i,j)<\stackrel{\&OverBar;}{H}\end{array}\right..$

其中，T₁(i,j)是抑制阈值T₁中(i,j)位置的输出值，A和B是常系数，A=3，B=6，抑制阈值T₁(i,j)增大则噪声抑制能力变强。

（4）计算原始红外图像的邻域方差V，根据初始阈值T₂将邻域方差图像二值化，用矩阵BW表示；

这里，选用5×5邻域计算邻域方差V，坐标(i,j)位置的邻域方差V(i,j)表达式如下所示：

$V(i,j)=\frac{{\mathrm{Sum}}_{3\&times;3}}{9}-\frac{{\mathrm{Sum}}_{5\&times;5}-{\mathrm{Sum}}_{3\&times;3}}{16}.$

其中，V(i,j)是邻域方差V中(i,j)位置的输出值，Sum_3×3和Sum_5×5分别是原始红外图像F_org中以(i,j)为中心3×3和5×5邻域像素值总和。

因此，(i,j)位置的二值化矩阵BW(i,j)表达式如下所示：

$\mathrm{BW}(i,j)=\left\{\begin{array}{cc}1& V(i,j)>T_2\\ 0& V(i,j)<T_2\end{array}\right..$

其中，BW(i,j)是BW中(i,j)位置的输出值，T₂是常系数，初始化值T₂=8。

（5）计算滤波分量F_d的加权矩阵Coe；

加权系数Coe(i,j)是通过统计BW中以坐标(i,j)为中心P₁×Q₁窗口中数值1的数量，P₁=5，Q₁=5，若数值1的数量大于噪声抑制阈值T₁(i,j)，Coe(i,j)=1，否则Coe(i,j)=0，其中，Coe(i,j)是加权矩阵Coe中(i,j)位置的输出值，T₁(i,j)是噪声抑制阈值T₁中(i,j)位置的输出值。

（6）输出细节增强图像F_out；

坐标(i,j)位置F_out(i,j)表达式如下所示：

F_out(i,j)=F_org(i,j)-Coe(i,j)×F_d(i,j)。

其中，F_out(i,j)、F_org(i,j)和F_d(i,j)分别是增强图像F_out、原始红外图像F_org(i,j)和滤波分量F_d中(i,j)位置的灰度值，0≤i≤256，0≤j≤320。

实施例2

图2中，图2a表示原始图像，图2b表示传统图像细节增强，图2c是图像细节增强与噪声自适应抑制方法的处理结果。原始图像的细节模糊；传统图像细节增强算法增强了图像细节，但图像噪声被放大；图像细节增强与噪声自适应抑制方法在增强图像细节的同时，有效抑制了点状噪声。

本发明提供了一种红外图像细节增强与噪声自适应抑制方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (7)

1.一种红外图像细节增强与噪声自适应抑制方法，其特征在于，包括以下步骤：

（1）获取原始红外图像F_org；

（2）使用微分算子计算原始红外图像的滤波分量F_d；

（3）计算原始红外图像背景复杂度，确定噪声抑制阈值T₁；

（4）计算原始红外图像的邻域方差V，根据初始阈值T₂将邻域方差图像二值化，用矩阵BW表示二值化图像；

（5）计算滤波分量F_d的加权矩阵Coe；

（6）输出细节增强图像F_out。

2.根据权利要求1所述的一种红外图像细节增强与噪声自适应抑制方法，其特征在于，使用无方向性的拉氏算子计算滤波分量Fd。

3.根据权利要求1所述的一种红外图像细节增强与噪声自适应抑制方法，其特征在于，背景复杂度用邻域信息熵特征H表示，红外图像中以坐标(i,j)为中心的P×Q大小的邻域信息熵H(i,j)计算公式为：

$H(i,j)=-\underset{i=1}{\overset{P}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{Q}{\mathrm{\&Sigma;}}}p(i,j)\&CenterDot;\mathrm{lgp}(i,j),$

$p(i,j)=F_{\mathrm{org}}(i,j)/\left[\underset{i=1}{\overset{P}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{Q}{\mathrm{\&Sigma;}}}{F}_{\mathrm{org}}(i,j)\right],$

其中，F_org(i,j)为原始红外图像中坐标(i,j)位置的灰度值，H(i,j)和p(i,j)分别为坐标(i,j)位置邻域信息熵和灰度分布概率的值，0≤i≤M，0≤j≤N，M和N分别表示原始红外图像的行数和列数，P和Q分别表示邻域的高度和宽度，5≤P≤15，5≤Q≤15。

4.根据权利要求3所述的一种红外图像细节增强与噪声自适应抑制方法，其特征在于，步骤（3）中，根据原始红外图像平均背景复杂度确定噪声抑制阈值T₁；平均背景复杂度

采用以下公式计算：

$\stackrel{\&OverBar;}{H}=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}H(i,j)}{M\&times;N},$

坐标(i,j)位置的噪声抑制阈值T₁(i,j)计算公式如下：

$T_1(i,j)=\left\{\begin{array}{cc}A,& H(i,j)>\stackrel{\&OverBar;}{H}\\ B,& H(i,j)<\stackrel{\&OverBar;}{H}\end{array}\right.,$

其中，T₁(i,j)是抑制阈值T₁中坐标(i,j)位置的噪声抑制阈值，A和B是常系数。

5.根据权利要求4所述的一种红外图像细节增强与噪声自适应抑制方法，其特征在于，步骤（4）中，图像的邻域方差V通过邻域周边像素均值减去中心像素均值方法进行计算。

6.根据权利要求5所述的一种红外图像细节增强与噪声自适应抑制方法，其特征在于，步骤（5）中，加权矩阵Coe的加权系数Coe(i,j)通过统计矩阵BW中以坐标(i,j)为中心大小P₁×Q₁窗口非零值数量，若非零值数量大于噪声抑制阈值T₁(i,j)，令Coe(i,j)=1，否则令Coe(i,j)=0，其中，Coe(i,j)是加权矩阵Coe中(i,j)位置的加权系数，P₁和Q₁分别是窗口的高度和宽度。

7.根据权利要求6所述的一种红外图像细节增强与噪声自适应抑制方法，其特征在于，步骤（6）中，坐标(i,j)位置细节增强图像F_out(i,j)采用下式计算：

F_out(i,j)=F_org(i,j)-Coe(i,j)×F_d(i,j)，

其中，F_d(i,j)是滤波分量F_d中坐标(i,j)位置的灰度值。

Images