CN104240208A - 非制冷红外焦平面探测器图像细节增强方法 - Google Patents

Abstract

本发明公开了一种非制冷红外焦平面探测器图像细节增强方法，它包括双阈值映射和增强两个部分，其中增强还包括双阈值自适应增强和边缘增强；双阈值自适应增强包括以下子步骤：使用小波函数wavedec2对已得到的图像进行二维离散多分辨率分解，选择的小波基为db8，分解为两层；对分解得到的高频系数做自适应增强处理；对低频系数采用线性调节方式来调节对比度，实现对图像的增强处理。本发明通过对原始图像的直方图进行双阈值映射和自适应增强处理，对图像灰度级进行重新分配，减少冗余灰度级，有效地拓宽了目标部分的动态范围，既提高了目标与背景间的对比度，又突出了目标的细节层次。

Description

非制冷红外焦平面探测器图像细节增强方法

技术领域

本发明涉及一种图像细节增强方法，尤其涉及一种非制冷红外焦平面探测器图像细节增强方法。

背景技术

红外图像区别于可见光图像的最显著特点是“高背景低反差”，即背景辐射占据了较大的图像显示动态范围，而目标所占据的动态范围较小，反映到直方图上就是主峰占据整个灰度级范围的较大部分。研究表明，一幅高对比度红外图像显示在灰度直方图上应该具有窄的主峰和宽的拖边，因此如果能在整个灰度范围内有效的拓宽拖边，压缩主峰并拉伸拖边各灰度级之间的间距，就能在增大目标相对于背景的对比度的同时，突出目标的细节层次，达到提高红外图像质量的目的。

红外热图像普遍存在动态范围小，目标不突出的特点，直方图均衡是一种用来改变图像的动态范围和对比度的简单有效的方法，使用这种方法，可使输入图像的灰度尺度映射到不同的灰度尺度中去，以获得良好的视觉效果。

传统的直方图均衡算法，是使图像中灰度概率密度较大的像素向附近灰度级扩展，因而灰度层次拉开，而概率密度较小的像素的灰度级收缩，从而让出原来占有的部分灰度级，这样的处理使图像充分有效地利用各个灰度级，因而增强了图像对比度，即HE(HistogramEqualization)法；从信息论的角度来看，HE算法是最优的，它进行灰度调整的策略是像素多的灰度被扩展到更多的灰度级上，像素少的灰度被压缩到很少的灰度级，而红外图像的特点是对比度很小的景物细节分布在包含噪声的大片背景上，因此，就红外图像而言，HE算法主要提升的是背景和噪声，而非图像的细节，使得原始图像中并不明显的噪声经均衡后变的突出。

发明内容

本发明的目的在于克服现有技术的不足，提供一种能够减少图像的冗余灰度级，有效地拓宽目标部分的动态范围，提高了目标与背景间的对比度，突出目标的细节层次的非制冷红外焦平面探测器图像细节增强方法。

本发明的目的是通过以下技术方案来实现的：

非制冷红外焦平面探测器图像细节增强方法，它包括双阈值映射和增强两个部分，其中增强还包括双阈值自适应增强和边缘增强；双阈值自适应增强包括以下子步骤：

S11：使用小波函数wavedec2对已得到的图像进行二维离散多分辨率分解，选择的小波基为db8，分解为两层；

S12：对分解得到的高频系数做自适应增强处理；

S13：对低频系数采用线性调节方式来调节对比度，实现对图像的增强处理；

边缘增强包括以下子步骤：

S21：对原始红外图像进行拉普拉斯变换，获得边缘图像f_B(x,y)；

S22：将平台直方图均衡化后的图像f_T(x,y)乘以一个经验系数，得到处理后图像；

S23：将处理后图像与边缘图像叠加生成红外图像f_dj(x,y)；

S24：对叠加后的灰度值进行限制得到最终的红外图像f_N(x,y)。

所述步骤S12中对高频系数做自适应增强处理的变换函数为：

$W_{\mathrm{our}}=\left\{\begin{array}{cc}{W}_{\mathrm{in}}& W_{\mathrm{in}}>r_T\\ \frac{r_T-G*r_D}{r_T-r_D}*(W_{\mathrm{in}}-r_T)+r_T& r_D<W_{\mathrm{in}}<r_T\\ G*W_{\mathrm{in}}& -r_D\&le;W_{\mathrm{in}}\&le;-r_T\\ \frac{r_T-G*r_D}{r_T-r_D}*(W_{\mathrm{in}}+r_T)-r_T& -r_T\&le;W_{\mathrm{in}}\&le;-r_D\\ W_{\mathrm{in}}& W_{\mathrm{in}}<-r_T\end{array}\right.$

式中：G为增益因子；Win和Wout为变换前后的小波系数，G与噪声显著性指数g的关系为：

$G=\left\{\begin{array}{cc}{G}_{\max }& g\&le;g_1\\ \frac{G_{\max }}{g_1-g_2}& g_1<g<g_2\\ 0& g\&GreaterEqual;g_2\end{array}\right.$

式中：g1和g2分别为门限阈值(g1<g2)。

所述步骤S21中获得边缘图像的拉普拉斯变换边缘提取算子为一个3*3的滤波器，其为：

$\left\{\begin{array}{ccc}0& -1& 0\\ -1& 4& -1\\ 0& -1& 0\end{array}\right\}.$

所述步骤S24中对叠加后的灰度值进行限制的公式如下：

$f_N(x,y)=\left\{\begin{array}{cc}0& f_{\mathrm{dj}}(x,y)<0\\ f_{\mathrm{dj}}(x,y)& 0\&le;f_{\mathrm{dj}}(x,y)\&le;255\\ 255& f_{\mathrm{dj}}(x,y)>255\end{array}\right..$

本发明的有益效果是：本发明通过对原始图像的直方图进行双阈值映射和自适应增强处理，对图像灰度级进行重新分配，减少冗余灰度级，有效地拓宽了目标部分的动态范围，既提高了目标与背景间的对比度，又突出了目标的细节层次。

附图说明

图1为本发明双阈值自适应增强流程图；

图2为本发明边缘增强流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

对图像进行基于直方图的双阈值映射，具体的实现步骤为：

(1)统计原始图像中各个灰度级的像素点个数a(n)，计算并构建原始直方图；

(2)遍历原始直方图，剔除截断阈值r_T(通常取r_T＝max[a(n)]/100)以下的冗余灰度级，并映射得到新直方图的各灰度级k，k∈[1,L_th]，其中

$L_{\mathrm{th}}=\underset{n=0}{\overset{255}{{\mathrm{\&lambda;}}_n}},{\mathrm{\&lambda;}}_n=\left\{\begin{array}{cc}1& a\left(n\right)\&GreaterEqual;r_D\\ 0& a\left(n\right)<r_D\end{array}\right.;;$

(3)采用分界阈值选取方法，自适应地选取新得到直方图的r_D；

(4)根据r_D，运用下式进行分界阈值映射，得到映射后的灰度η：

$\mathrm{\&eta;}=\left\{\begin{array}{cc}k& k\&le;r_D\\ r_D+(255-r_D)*(k-r_D)/(L_{\mathrm{th}}-r_D)& k>r_D\end{array}\right.;$

(5)遍历图像，对照截断阈值映射后的灰度级k，将分界阈值映射后的各灰度级η映射到相应的像素点，而被剔除的冗余灰度级的对应像素点灰度则用最小的像素点对应灰度代替。

如图1所示，双阈值自适应增强包括以下子步骤：

S11：使用小波函数wavedec2对已得到的图像进行二维离散多分辨率分解，选择的小波基为db8，分解为两层；

S12：对分解得到的高频系数做自适应增强处理；

S13：对低频系数采用线性调节方式来调节对比度，实现对图像的增强处理；

当噪声较小时，对小波系数的增益较大；当噪声较大时，对小波系数的增益较小，达到自适应增强的目的。

如图2所示，边缘增强包括以下子步骤：

S21：对原始红外图像进行拉普拉斯变换，获得边缘图像f_B(x,y)，其中对高频系数做自适应增强处理的变换函数为：

$W_{\mathrm{our}}=\left\{\begin{array}{cc}{W}_{\mathrm{in}}& W_{\mathrm{in}}>r_T\\ \frac{r_T-G*r_D}{r_T-r_D}*(W_{\mathrm{in}}-r_T)+r_T& r_D<W_{\mathrm{in}}<r_T\\ G*W_{\mathrm{in}}& -r_D\&le;W_{\mathrm{in}}\&le;-r_T\\ \frac{r_T-G*r_D}{r_T-r_D}*(W_{\mathrm{in}}+r_T)-r_T& -r_T\&le;W_{\mathrm{in}}\&le;-r_D\\ W_{\mathrm{in}}& W_{\mathrm{in}}<-r_T\end{array}\right.$

式中：G为增益因子；Win和Wout为变换前后的小波系数，G与噪声显著性指数g的关系为：

$G=\left\{\begin{array}{cc}{G}_{\max }& g\&le;g_1\\ \frac{G_{\max }}{g_1-g_2}& g_1<g<g_2\\ 0& g\&GreaterEqual;g_2\end{array}\right.$

式中：g1和g2分别为门限阈值(g1<g2)，

边缘图像的拉普拉斯变换边缘提取算子为一个3*3的滤波器，其为：

$\left\{\begin{array}{ccc}0& -1& 0\\ -1& 4& -1\\ 0& -1& 0\end{array}\right\};$

S22：将平台直方图均衡化后的图像f_T(x,y)乘以一个经验系数，得到处理后图像；

S23：将处理后图像与边缘图像叠加生成红外图像f_dj(x,y)， $f_{\mathrm{dj}}(x,y)=\&PartialD;*f_T(x,y)+f_B(X,Y);$

S24：对叠加后的灰度值进行限制得到最终的红外图像f_N(x,y)，对叠加后的灰度值进行限制的公式如下：

$f_N(x,y)=\left\{\begin{array}{cc}0& f_{\mathrm{dj}}(x,y)<0\\ f_{\mathrm{dj}}(x,y)& 0\&le;f_{\mathrm{dj}}(x,y)\&le;255\\ 255& f_{\mathrm{dj}}(x,y)>255\end{array}\right..$

Claims (4)

1.非制冷红外焦平面探测器图像细节增强方法，其特征在于：它包括双阈值自适应增强和边缘增强步骤，其中，所述双阈值自适应增强包括以下子步骤：

S11：使用小波函数wavedec2对已得到的图像进行二维离散多分辨率分解，选择的小波基为db8，分解为两层；

S12：对分解得到的高频系数做自适应增强处理；

S13：对低频系数采用线性调节方式来调节对比度，实现对图像的增强处理；

所述边缘增强包括以下子步骤：

S21：对原始红外图像进行拉普拉斯变换，获得边缘图像f_B(x,y)；

S22：将平台直方图均衡化后的图像f_T(x,y)乘以一个经验系数得到处理后图像；

S23：将处理后图像与边缘图像叠加生成红外图像f_dj(x,y)；

S24：对叠加后的灰度值进行限制得到最终的红外图像f_N(x,y)。

2.根据权利要求1所述的非制冷红外焦平面探测器图像细节增强方法，其特征在于：所述步骤S12中对高频系数做自适应增强处理的变换函数为：

$W_{\mathrm{out}}=\left\{\begin{array}{cc}{W}_{\mathrm{in}}& W_{\mathrm{in}}>r_T\\ \frac{r_T-G*r_D}{r_T-r_D}*(W_{\mathrm{in}}-r_T)+r_T& r_D<W_{\mathrm{in}}<r_T\\ G*W_{\mathrm{in}}& -r_D\&le;W_{\mathrm{in}}\&le;-r_T\\ \frac{r_T-G*r_D}{r_T-r_D}*(W_{\mathrm{in}}+r_T)& -r_T\&le;W_{\mathrm{in}}\&le;-r_D\\ W_{\mathrm{in}}& W_{\mathrm{in}}<-r_T\end{array}\right.$

式中：G为增益因子；Win和Wout为变换前后的小波系数，G与噪声显著性指数g的关系为：

$G=\left\{\begin{array}{cc}{G}_{\max }& g\&le;a_1\\ \frac{G_{\max }}{g_1-g_2}& g_1<g<g_2\\ 0& g\&GreaterEqual;g_2\end{array}\right.$

式中：g1和g2分别为门限阈值(g1<g2)。

3.根据权利要求1所述的非制冷红外焦平面探测器图像细节增强方法，其特征在于：所述步骤S21中获得边缘图像的拉普拉斯变换边缘提取算子为一个3*3的滤波器，其为：

$\left\{\begin{array}{ccc}0& -1& 0\\ -1& 4& -1\\ 0& -1& 0\end{array}\right\}.$

4.根据权利要求1所述的非制冷红外焦平面探测器图像细节增强方法，其特征在于：所述步骤S24中对叠加后的灰度值进行限制的公式如下：

$f_N(x,y)=\left\{\begin{array}{cc}0& f_{\mathrm{dj}}(x,y)<0\\ f_{\mathrm{dj}}(x,y)& 0\&le;f_{\mathrm{dj}}(x,y)\&le;255\\ 255& f_{\mathrm{dj}}(x,y)>255\end{array}\right..$