CN104252695A - 一种红外图像的自适应拉伸方法 - Google Patents

Abstract

本发明实施例公开了一种红外图像的自适应拉伸方法，包括：根据前一帧红外图像的连续的灰度拉伸范围获得其拉伸阈值最大值和最小值；计算当前帧红外图像中灰度大于拉伸阈值最大值的点的个数和灰度小于拉伸阈值最小值的点的个数，并据此计算当前帧红外图像的当前拉伸阈值最大值和最小值；根据该当前拉伸阈值最大值和最小值拉伸当前帧红外图像。本发明的实施例的方法中，在得到直方图连续灰度的基础上，求取当前帧图像的拉伸阈值，从而可以根据帧与帧之间的差异来调整该拉伸阈值。这样，克服了直方图统计的繁杂计算和中间灰度级信号拉伸作用不明显的缺点，有效地提高了图像的对比度。

Description

一种红外图像的自适应拉伸方法

技术领域

本发明涉及红外成像技术领域，尤其是涉及一种红外图像的自适应拉伸方法。

 

背景技术

由于红外探测器的响应率不够，在对常温场景成像时，经过非均匀性校正之后的红外图像数据的灰度分布范围很小，必须经过拉伸处理。红外图像具有“高背景低反差”的特点，即背景辐射占据了较大的图像灰度范围，目标占据的灰度较小。红外成像过程由于受到目标辐射特性、红外传输特性、红外探测特性和环境因素的影响，其成像质量远远低于可见光图像，主要体现为非常低的对比度和信噪比。

红外图像区别于可见光图像的最显著特点就是“高背景低反差”，即背景辐射占据了较大的图像动态显示范围而目标占据的动态范围较小。因此，为了能够正确地从红外图像中识别目标，非制冷红外热成像组件必须进行图像增强处理。对于常温下近距离的实时成像，场景中目标和背景相对位置、尺寸和温差都是变化的，因此所采用的图像增强算法要满足自适应的要求。

红外图像增强技术可以分为静态和动态两种，静态图像增强适用于静态图像或远距离的准静态成像观测，增强技术主要有模糊域、遗传算法等，这些算法计算量较大。目前红外成像已从远距离探测应用发展到近距离的动态观测。对于近距离的动态观测，场景中目标和背景相对位置、尺寸和温差都是动态变化的，因此此时所采用的增强技术要能满足动态场景实时观测的需要。

对于红外数字图像, 一幅图像的直方图特征可以反映出图像的特点, 当图像的对比度较小时, 它的灰度直方图在灰度轴上较小的一段区间上非零, 较暗的图像在直方图主体出现在低灰度值区间, 在高灰度区间上的幅度很小或为零, 较亮的图像恰好相反。看起来清晰柔和的图像, 它的直方图分布比较均匀。通过对大量红外图像的直方图进行统计后, 发现红外图像绝大邓分像素集中于某些相邻的灰度级范围内, 这些范围以外的灰度级上则没有, 留有很大的空闲灰度级。

在实际应用中, 许多图像拉伸算法由于复杂度、运算量或缺乏硬件支持而且需要很高的工作频率和大量的硬件资源，在一些低成本、低功耗的应用中无法推广，并且难以实现实时处理。

 

发明内容

本发明的目的之一是提供一种能够克服直方图统计的繁杂计算和中间灰度级信号拉伸作用不明显的缺点、有效地提高图像的对比度的红外图像的自适应拉伸方法。

本发明公开的技术方案包括：

提供了一种红外图像的自适应拉伸方法，其特征在于，包括：获得前一帧红外图像的灰度拉伸范围，并根据所述灰度拉伸范围获得所述前一帧红外图像的拉伸阈值最大值和拉伸阈值最小值；获取当前帧红外图像；计算所述当前帧红外图像中灰度大于所述拉伸阈值最大值的点的个数，获得第一数量；计算所述当前帧红外图像中灰度小于所述拉伸阈值最小值的点的个数，获得第二数量；根据所述第一数量和所述拉伸阈值最大值计算所述当前帧红外图像的当前拉伸阈值最大值；根据所述第二数量和所述拉伸阈值最小值计算所述当前帧红外图像的当前拉伸阈值最小值；根据所述当前拉伸阈值最大值和所述当前拉伸阈值最小值拉伸所述当前帧红外图像。

本发明的一个实施例中，所述获得前一帧红外图像的灰度拉伸范围包括：获取前一帧红外图像的灰度直方图；去除所述灰度直方图中像素个数为零的灰度值，获得所述前一帧红外图像的连续的灰度拉伸范围。

本发明的一个实施例中，去除所述灰度直方图中像素个数为零的灰度值包括：用与所述像素个数为零的灰度值相邻的较大的灰度值取代所述像素个数为零的灰度值，并用所述较大的灰度值的像素个数取代所述像素个数为零的灰度值的像素个数。

本发明的一个实施例中，根据所述第一数量和所述拉伸阈值最大值计算所述当前帧红外图像的当前拉伸阈值最大值包括：所述当前拉伸阈值最大值为：

其中range_max_m为所述当前拉伸阈值最大值，range_max_m-1为所述拉伸阈值最大值，num1为所述第一数量，step_upper_edge为步进参数，max_high和max_low为常数。

本发明的一个实施例中，所述根据所述第二数量和所述拉伸阈值最小值计算所述当前帧红外图像的当前拉伸阈值最小值包括：所述当前拉伸阈值最小值为：

，

其中range_min_m为所述当前拉伸阈值最小值，range_min_m-1为所述拉伸阈值最小值，num2为所述第二数量，min_low为常量，b为常量。

本发明的一个实施例中，根据所述当前拉伸阈值最大值和所述当前拉伸阈值最小值拉伸所述当前帧红外图像包括：拉伸后的红外图像的图像数据为：

，

其中Dout(x)为所述拉伸后的红外图像的图像数据，Din(x)为所述当前帧红外图像的图像数据，range_max_m为所述当前拉伸阈值最大值，range_min_m为所述当前拉伸阈值最小值，N为所述拉伸后的红外图像的图像数据的位宽。

本发明的实施例的红外图像自适应拉伸方法中，在得到直方图连续灰度的基础上，求取当前帧图像的拉伸阈值（即拉伸阈值最大值和拉伸阈值最小值），从而可以根据帧与帧之间的差异来调整该拉伸阈值。这样，克服了直方图统计的繁杂计算和中间灰度级信号拉伸作用不明显的缺点，有效地提高了图像的对比度。

 

附图说明

图1是本发明一个实施例的红外图像的自适应拉伸方法的流程示意图。

图2是本发明一个实施例的拉伸前的当前帧红外图像。

图3是图2中的当前帧红外图像经过拉伸之后的红外图像。

图4是图3中的红外图像的灰度分布图。

 

具体实施方式

下面将结合附图详细说明本发明的实施例的红外图像的自适应拉伸方法的具体步骤。

如图1所示，本发明的一个实施例中，在步骤10，可以计算前一帧红外图像的拉伸阈值最大值和拉伸阈值最小值。例如，可以获得前一帧红外图像的灰度拉伸范围，并根据该灰度拉伸范围获得前一帧红外图像的拉伸阈值最大值和拉伸阈值最小值。

在红外成像系统的图像拉伸处理中，通常按照帧的形式进行，依次对多帧图像进行处理。当处理当前帧时，上一帧图像的各种处理参数是已知的，即上一帧图像的拉伸阈值是已知的。如果当前帧是第一帧图像，则拉伸阈值可以根据默认设定、由用户输入、根据对第一帧图像的灰度的统计分析确定或者用其它适合的方法确定。

对于红外数字图像, 一幅图像的直方图特征可以反映出图像的特点, 当图像的对比度较小时, 它的灰度直方图在灰度轴上较小的一段区间上非零, 较暗的图像在直方图主体出现在低灰度值区间, 在高灰度区间上的幅度很小或为零, 较亮的图像恰好相反。看起来清晰柔和的图像, 它的直方图分布比较均匀。通过对大量红外图像的直方图进行统计后, 发现红外图像绝大邓分像素集中于某些相邻的灰度级范围内, 这些范围以外的灰度级上则没有, 留有很大的空闲灰度级。

在直方图统计数据中, 在图像的最大值和最小值之间存在很多像素个数为零的灰度级。这些像素个数为零的灰度级严重地影响灰度变换的结果, 使得变换后图像的灰度级不连续, 中间灰度的目标对比度差。基于此种情况，得到图像的连续灰度级可以有效地提高的图像的对比度。

因此，本发明的一个实施例中，当将要开始当前帧红外图像的处理时，可以直接从上一帧图像处理中获得上一帧图像的灰度直方图。然后，去除该灰度直方图中像素个数为零的灰度值，从而获得前一帧红外图像的连续的灰度拉伸范围。例如，一个实施例中，在灰度直方图中，当遇到像素个数为零的灰度值时，用与该像素个数为零的灰度值相邻的较大的灰度值取代该像素个数为零的灰度值，并且用这个较大的灰度值的对应的像素个数取代像素个数为零的灰度值的对应的像素个数（即，零）。也就是说，用相邻的较大的灰度值及其对应的像素个数代替像素为零的灰度值及其对应的像素个数（即，零）。这样，即可去除灰度直方图中的像素个数为零的灰度值，从而获得连续的灰度直方图，也即获得前一帧红外图像的连续的灰度拉伸范围。根据该灰度拉伸范围，即可获得前一帧红外图像的拉伸阈值最大值和拉伸阈值最小值。

前述的通过对前一帧红外图像的灰度直方图进行处理而获得前一帧红外图像的拉伸阈值最大值和拉伸阈值最小值的过程可以例如在FPGA（现场可编程门阵列）中实现或者在其它适合的逻辑器件中实现。

然后，在步骤11中，获得当前帧红外图像。当前帧红外图像可以是来自于红外探测器并可以是经过了相应的处理并具有相应的图像数据格式的红外图像。例如，本发明的一个实施例中，当前帧红外图像可以是320×240的14位高动态范围原始红外图像。但是，本发明不限制在这个尺寸的红外图像上，而是可以是用于任何尺寸的红外图像。图2显示了本发明一个实施例的当前帧红外图像。

获得了当前帧红外图像之后，在步骤12中，可以计算当前帧红外图像中灰度大于步骤10中获得的拉伸阈值最大值的点的个数，这个个数本文中称之为第一数量。例如，可以比较当前帧红外图像中的各个像素点的灰度和步骤10中获得的前一帧红外图像的拉伸阈值最大值，并统计灰度大于该拉伸阈值最大值的点的个数，从而获得该第一数量。

获得了第一数量之后，在步骤14中，可以根据这个第一数量和前述的拉伸阈值最大值（即前一帧红外图像的拉伸阈值最大值）计算当前帧红外图像的当前拉伸阈值最大值。

例如，一个实施例中，当前拉伸阈值最大值可以按照下式计算：

其中range_max_m为当前拉伸阈值最大值，range_max_m-1为拉伸阈值最大值（即前一帧红外图像的拉伸阈值最大值），num1为前述的第一数量，step_upper_edge为步进参数，max_high和max_low为常数。

max_high、max_low是由外部输入的预设的常数，该参数与图像中需要剔除的灰度最大的点的数量相关，可以根据实际情况设定。step_upper_edge为自适应步进参数，其取值与range_max_m-1  的值有关。例如，在一个实施例中，对于320×240阵列的红外成像组件所成的图像，可取step_upper_edge=range_max_m-1>>4；max_high =200、max_low=100。这里，“>>”表示右移运算。

在步骤11中获得了当前帧红外图像之后，在步骤16中，还可以计算当前帧红外图像中灰度小于前述的拉伸阈值最小值（即前一帧红外图像的拉伸阈值最小值）的点的个数，这个个数本文中称之为第二数量。例如，可以比较当前帧红外图像中的各个像素点的灰度和步骤10中获得的前一帧红外图像的拉伸阈值最小值，并统计灰度小于该拉伸阈值最小值的点的个数，从而获得该第二数量。

获得了第二数量之后，在步骤18中，可以根据这个第二数量和前述的拉伸阈值最小值（即前一帧红外图像的拉伸阈值最小值）计算当前帧红外图像的当前拉伸阈值最小值。

例如，一个实施例中，该当前拉伸阈值最小值可以按照下式计算：

，

其中range_min_m为当前拉伸阈值最小值，range_min_m-1为拉伸阈值最小值（即前一帧红外图像的拉伸阈值最小值），num2为前述的第二数量，min_low为常量，b为常量。

min_low可以是由外部输入的参数，该参数与第二数量num2的取值相关，可以根据实际情况设定。b为经验参数，可以根据实际情况灵活选取。例如，在一个实施例中，对于320×240阵列的红外成像组件的图像，可取min_low=num–100，b=128。

获得了当前拉伸阈值最大值和当前拉伸阈值最小值之后，即可根据该当前拉伸阈值最大值和当前拉伸阈值最小值对当前帧红外图像进行拉伸。

例如，一个实施例中，可以按照下式对当前帧红外图像进行拉伸：

，

其中Dout(x)为拉伸后的红外图像的图像数据，Din(x)为当前帧红外图像的图像数据，range_max_m为当前拉伸阈值最大值，range_min_m为当前拉伸阈值最小值，N为拉伸后的红外图像的图像数据的位宽。

本发明的一个实施例中，图2所示的图像经过前述的方法的自适应拉伸之后的图像如图3所示。图3的灰度分布图如图4所示。

本发明的实施例的红外图像自适应拉伸方法中，在得到直方图连续灰度的基础上，求取当前帧图像的拉伸阈值（即拉伸阈值最大值和拉伸阈值最小值），从而可以根据帧与帧之间的差异来调整该拉伸阈值。这样，克服了直方图统计的繁杂计算和中间灰度级信号拉伸作用不明显的缺点，有效地提高了图像的对比度。

以上通过具体的实施例对本发明进行了说明，但本发明并不限于这些具体的实施例。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。此外，以上多处所述的“一个实施例”表示不同的实施例，当然也可以将其全部或部分结合在一个实施例中。

Claims (6)

1.一种红外图像的自适应拉伸方法，其特征在于，包括：

获得前一帧红外图像的灰度拉伸范围，并根据所述灰度拉伸范围获得所述前一帧红外图像的拉伸阈值最大值和拉伸阈值最小值；

获取当前帧红外图像；

计算所述当前帧红外图像中灰度大于所述拉伸阈值最大值的点的个数，获得第一数量；

计算所述当前帧红外图像中灰度小于所述拉伸阈值最小值的点的个数，获得第二数量；

根据所述第一数量和所述拉伸阈值最大值计算所述当前帧红外图像的当前拉伸阈值最大值；

根据所述第二数量和所述拉伸阈值最小值计算所述当前帧红外图像的当前拉伸阈值最小值；

根据所述当前拉伸阈值最大值和所述当前拉伸阈值最小值拉伸所述当前帧红外图像。

2.如权利要求1所述的方法，其特征在于，所述获得前一帧红外图像的灰度拉伸范围包括：

获取前一帧红外图像的灰度直方图；

去除所述灰度直方图中像素个数为零的灰度值，获得所述前一帧红外图像的连续的灰度拉伸范围。

3.如权利要求2所述的方法，其特征在于，去除所述灰度直方图中像素个数为零的灰度值包括：

用与所述像素个数为零的灰度值相邻的较大的灰度值取代所述像素个数为零的灰度值，并用所述较大的灰度值的像素个数取代所述像素个数为零的灰度值的像素个数。

4.如权利要求1至3中任意一项所述的方法，其特征在于，根据所述第一数量和所述拉伸阈值最大值计算所述当前帧红外图像的当前拉伸阈值最大值包括：所述当前拉伸阈值最大值为：

其中range_max_m为所述当前拉伸阈值最大值，range_max_m-1为所述拉伸阈值最大值，num1为所述第一数量，step_upper_edge为步进参数，max_high和max_low为常数。

5.如权利要求1至4中任意一项所述的方法，其特征在于，所述根据所述第二数量和所述拉伸阈值最小值计算所述当前帧红外图像的当前拉伸阈值最小值包括：所述当前拉伸阈值最小值为：

，

其中range_min_m为所述当前拉伸阈值最小值，range_min_m-1为所述拉伸阈值最小值，num2为所述第二数量，min_low为常量，b为常量。

6.如权利要求1至5中任意一项所述的方法，其特征在于，根据所述当前拉伸阈值最大值和所述当前拉伸阈值最小值拉伸所述当前帧红外图像包括：拉伸后的红外图像的图像数据为：

，

其中Dout(x)为所述拉伸后的红外图像的图像数据，Din(x)为所述当前帧红外图像的图像数据，range_max_m为所述当前拉伸阈值最大值，range_min_m为所述当前拉伸阈值最小值，N为所述拉伸后的红外图像的图像数据的位宽。