CN110838091A - 完全自适应的红外图像对比度增强方法及系统 - Google Patents

Abstract

本发明公开了一种完全自适应的红外图像对比度增强方法及系统，红外图像对比度增强方法包括：步骤S1：接收灰度图像，并根据所述灰度图像获得灰度直方图；步骤S2：根据所述灰度直方图获得所述灰度直方图上进行线性变换的边界；步骤S3：根据所述边界对所述灰度图像的全部像素进行线性变换获得增强后的所述灰度图像。本发明能够根据红外图像的特点自动调整参数阈值，不需人为干预，并且计算复杂度低，能够适用于红外成像设备的实时处理。

Description

完全自适应的红外图像对比度增强方法及系统

技术领域

本发明涉及红外成像技术领域，尤其涉及一种用于红外成像系统的完全自适应的红外图像对比度增强方法及系统。

背景技术

红外线的产生是由于原子、分子的热运动引起的，故而该过程也称之为热辐射。热辐射的强弱大小由物体表面的温度和表面状态决定，从而形成一幅能够反映物体表面特征以及温度分布的红外热辐射图像。红外成像设备能够将景物的红外辐射分布转化为人眼可见图像。利用红外成像设备进行目标的观察、检测和跟踪，具有隐蔽性好、抗干扰、鉴别伪装、获取信息丰富等优点。因此，红外成像系统无论在战略预警、目标侦查、制导等军用领域，还是在导航、遥感、气象等民用领域都有广泛的应用前景。

通常，红外成像设备获取到的原始数据为14位的信号(16384级灰阶)，而人类的视觉系统仅能识别图像中约128级灰阶(7位)，许多模拟和数字视频接口都要求采用8位信号。因此，虽然原始红外数据具有动态范围高的特点，但在进行显示和进一步处理之前，需要将动态范围限制为256级灰阶，即转化为8位灰度图像。经过转化后的红外灰度图像往往会出现对比度低的问题，从其灰度直方图的角度来看，是由图像像素灰度分布不均匀所导致的。

针对这一问题，国内外的众多研究者们提出了多种增强算法。直方图均衡化是图像增强中较为常用的算法之一，但对于红外图像对比度增强效果并不理想。Virgil针对直方图均衡化效果不佳的问题提出了平台直方图均衡化算法，该算法的效果与平台阈值的选取直接相关，通常需要根据经验选取。此外，直方图规定化、Retinex算法、去雾增强算法、可见光与红外图像融合的算法等方法也被用于红外图像的对比度增强处理，但这些方法及其改进方法虽然效果良好，但大多计算复杂度较高，难以用于运算能力有限的红外成像设备。

红外图像对比度低的原因往往是灰度集中在动态范围内较窄的区间，分段线性变换通过把较窄的目标分布区间展宽，以达到增强图像对比度的目的。该方法计算过程简单，易于实现，但对于不同图像需要调整增强区间。罗辛一提出了自适应分段线性变换算法，该算法能够根据图像灰度的分布自适应地确定增强区间。但阈值百分比的取值仍会对增强效果有影响，许多情况下需要手工调整其取值才能获得较好的结果。因此，该算法仍不能实现真正意义上的自适应。

因此急需一种克服上述缺陷的完全自适应的红外图像对比度增强方法及系统。

发明内容

本发明所要解决的技术问题在于提供一种完全自适应的红外图像对比度增强方法，其中，包括：

步骤S1：接收灰度图像，并根据所述灰度图像获得灰度直方图；

步骤S2：根据所述灰度直方图获得所述灰度直方图上进行线性变换的边界；

步骤S3：根据所述边界对所述灰度图像的全部像素进行线性变换获得增强后的所述灰度图像。

上述的红外图像对比度增强方法，其中，于所述步骤S2中包括：

步骤S21：对所述灰度直方图进行曲线拟合，获得所述灰度直方图的簇的个数；

步骤S22：将所述灰度直方图的簇的个数与所述灰度图像的簇的个数进行比较；

步骤S23：根据比较结果自适应确定参数的取值；

步骤S24：根据所述参数获得所述灰度直方图上进行线性变换的边界。

上述的红外图像对比度增强方法，其中，于所述步骤S24中包括：

步骤S241：确定所述灰度直方图的最大灰度级；

步骤S242：确定所述灰度直方图上进行线性变换的第一边界及第二边界。

上述的红外图像对比度增强方法，其中，于所述步骤S23中包括：

通过设定一个候选数值集合以及一个与所述候选数值集合一一对应地步长候选集合自适应确定参数的取值。

上述的红外图像对比度增强方法，其中，于所述步骤S3中通过以下公式进行灰度线性变换：

其中，g(x,y)为增强后的图像，[a_L,a_R]分别为第一边界及第二边界，f为。

本发明还提供一种完全自适应的红外图像对比度增强系统，其中，包括：

灰度直方图获得单元，接收灰度图像，并根据所述灰度图像获得灰度直方图；

边界获得单元，根据所述灰度直方图获得所述灰度直方图上进行线性变换的边界；

增强单元，根据所述边界对所述灰度图像的全部像素进行线性变换获得增强后的所述灰度图像。

上述的红外图像对比度增强系统，其中，所述边界获得单元包括：

计算模块，对所述灰度直方图进行曲线拟合，获得所述灰度直方图的簇的个数；

比较模块，将所述灰度直方图的簇的个数与所述灰度图像的簇的个数进行比较；

参数选择模块，根据比较结果自适应确定参数的取值；

边界确定模块，根据所述参数获得所述灰度直方图上进行线性变换的边界。

上述的红外图像对比度增强系统，其中，所述边界确定模块确定所述灰度直方图的最大灰度级后，确定所述灰度直方图上进行线性变换的第一边界及第二边界。

上述的红外图像对比度增强系统，其中，所述参数选择模块，通过设定一个候选数值集合以及一个与所述候选数值集合一一对应地步长候选集合自适应确定参数的取值。

上述的红外图像对比度增强系统，其中，所述增强单元通过以下公式进行灰度线性变换：

其中，g(x,y)为增强后的图像，[a_L,a_R]分别为第一边界及第二边界，f为。

本发明针对于现有技术其功效在于：能够根据红外图像的特点自动调整参数阈值，不需人为干预，并且计算复杂度低，能够适用于红外成像设备的实时处理。

附图说明

图1为本发明红外图像对比度增强方法的流程图；

图2为图1中步骤S2的分步骤流程图；

图3为图2中步骤S24的分步骤流程图；

图4a-图4f示出了簇个数相同和不同的示例；

图5为边界搜索顺序示例灰度直方图；

图6为本发明红外图像对比度增强系统的结构示意图。

具体实施方式

兹有关本发明的详细内容及技术说明，现以一较佳实施例来作进一步说明，但不应被解释为对本发明实施的限制。

请参照图1-图3，图1为本发明完全自适应的红外图像对比度增强方法的流程图；图2为图1中步骤S2的分步骤流程图；图3为图2中步骤S24的分步骤流程图。如图1-图3所示，本发明的红外图像对比度增强方法包括以下步骤：

步骤S1：接收灰度图像，并根据灰度图像获得灰度直方图；

步骤S2：根据灰度直方图获得所述灰度直方图上进行线性变换的边界；

步骤S3：根据边界对灰度图像的全部像素进行线性变换获得增强后的灰度图像。

进一步地，于所述步骤S1中灰度直方图表示为：

H_f(a_i)＝灰度级为a_i的像素数(i＝0,1,2,...,255)

其中，H_f(a_i)为灰度直方图，f(i,j)为灰度图像，其像素灰度为a₀,a₁,...,a₂₅₅。

再进一步地，于步骤S2中包括：

步骤S21：对灰度直方图进行曲线拟合，获得灰度直方图的簇的个数。

步骤S22：将灰度直方图的簇的个数与灰度图像的簇的个数进行比较。

步骤S23：根据比较结果自适应确定参数θ的取值；其中，本步骤中通过设定一个候选数值集合以及一个与所述候选数值集合一一对应地步长候选集合自适应确定参数的取值。

步骤S24：根据参数获得灰度直方图上进行线性变换的边界。

又进一步地，于步骤S24中包括：

步骤S241：确定灰度直方图的最大灰度级；

步骤S242：确定灰度直方图上进行线性变换的第一边界及第二边界。

更进一步地，于步骤S3中通过以下公式进行灰度线性变换：

其中，g(x,y)为增强后的图像，[a_L,a_R]分别为第一边界及第二边界，f(x， y)为增强前图像。

以下结合具体实施例，说明本发明红外图像对比度增强方法的具体过程如下：

本发明红外图像对比度增强方法的输入为转化后的8位灰度图像，输出为增强后的8位灰度图像。

首先，需要计算灰度图像的灰度直方图，这是进行对比度增强的主要依据和算法后续处理步骤的基础，对于给定输入图像f(i,j)，其像素灰度为 a₀,a₁,...,a₂₅₅，即共256个灰度级，则其灰度直方图H_f(a_i)可表示为：

H_f(a_i)＝灰度级为a_i的像素数(i＝0,1,2,...,255)

其次，经过对比度增强之后，图像的灰度直方图分布曲线应仅在横坐标轴上呈现出被拉伸的变化，而整体形状不应发生改变。这种规律体现在曲线的波峰和波谷变化上即为簇的个数不应发生改变。由前文分析可知，如果灰度直方图曲线的簇的个数存在差异，则是由于θ取值不当所导致的。

灰度直方图在形式上为一离散函数，不便于处理，因此本方法采用三次样条插值的方法对H_f进行曲线拟合。设灰度直方图H(a_i)＝n_i，i＝0,1,...,255，256 个离散点的横纵坐标值均已知，则在全部离散点所形成的255个区间内，存在分段样条曲线S(x)满足以下条件：

a.在所有分段区间[a_i,a_i+1]，S(x)＝S_i(x)为一个三次多项式；

b.满足S(a_i)＝n_i；

c.S(x)，导数S′(x)，二阶导数S″(x)在[0,255]区间都是连续的，即S(x)曲线是光滑的。

所以255个三次多项式分段可写作：

S_i(x)＝α_i+β_i(x-a_i)+χ_i(x-a_i)²+δ_i(x-a_i)³ i＝0,1,...,254

其中，α_i，β_i，χ_i，δ_i为多项式系数，由已知条件以及设定的端点条件，通过求解矩阵方程的方式可以求得。因此，拟合结果S(x)可以通过计算得到。

得到H_f的曲线拟合结果后，需要查找曲线上的局部最大值。局部最大值的个数即被认作灰度直方图簇的个数。图4a-图4f示出了簇个数相同和不同的示例，其中图4a和图4b为原始红外图像及对应的灰度直方图，图4c和图4d 为某一θ值的增强结果，图4e和图4f为另一θ值的增强结果。由图3中可以看出，4b中灰度直方图的簇的个数为3，图4d中灰度直方图的簇的个数为2， 4f中灰度直方图的簇的个数为3。而对比图4a、图4c和图4e可以发现，与原图灰度直方图簇个数不同的增强结果丢失某些细节(如图像左上角)，而与原图灰度直方图簇个数相同的增强结果却能够很好地保留这些细节。

参数θ的取值会影响灰度线性变换的边界，从而会影响最终的增强结果。为了实现根据不同输入图像自适应选择参数θ的取值，本方法设定一个候选数值集合{0.1,0.08,0.05,0.03,0.01,0.005,0.003,0.001}以及一个步长候选集合 {20,18,15,10,5,3,2}，且两个集合中的元素一一对应。由于参数θ的含义是最大灰度级与截止灰度级的像素数之比，过大的θ会使图像细节损失严重，过小的θ则对于对比度增强没有意义。又因为各灰度级上像素数为离散数值，所以这一比值无需过于精确，某一局部区间范围之内的取值往往会得到相同的结果。

在完成对灰度直方图的三次样条曲线拟合后，需要对所得到的平滑曲线进行固定步长的离散采样，才方便获得曲线的局部最大值。对于H_f，本方法采用值为2的固定步长进行局部最大值的搜索与确定。而在判断簇个数是否相同时，本方法在上述步长候选集中依次选取步长的取值，之后再次计算H_f局部最大值的个数，并与之前得到的局部最大值个数进行比较。如果二者相等或步长取值为候选集中最后一个，则θ的取值就为候选集中当前步长所对应的取值。这样的参数选择过程不但能够快速找到θ适合的取值，而且能够避免重复线性变换的计算过程，使得改进的算法在计算复杂度上与原始算法相差不多，能够适用于计算资源有限的红外成像设备。

再次，在获取到输入图像的灰度直方图后，可以发现红外图像对比度低的原因是由于图像像素的灰度过度集中于灰度直方图的某一区域范围之内。因此，需要在灰度直方图上确定进行线性变换的边界。

自适应分段线性变换算法在确定变换边界时，首先查找灰度直方图的最大灰度级，这也是该算法具备一定自适应性的根本原因。由于通常情况下，最大灰度级处于灰度集中区域的中心附近，因此查找最大灰度级可以作为确定边界的先决条件。设{a₀,n₀}为灰度直方图H_f上的最大灰度级，其中a₀为其灰度级值， n₀为对应的像素数。直观地来看，a₀即为H_f上最高点的横坐标，n₀为对应的纵坐标。

当最大灰度级确定后，需要进一步确定左右边界。设定参数θ，且θ∈(0,1)，令n_T＝n₀·θ，则在[0,a₀]内从左至右搜索a_L，使得[0,a_L]内所有n_i＜n_T。相似地，可以得到右边界a_R。由左边界a_L和右边界a_R即可确定线性变换区间[a_L,a_R]。需要指出的是，在边界搜索过程中，需按照自左向右(a_L)和自右向左(a_R)的方式逐个灰度级进行判断。这样的搜索顺序可以防止从a₀向两侧搜索时由于波谷的存在使得将远端的灰度簇忽略。例如图5中红外图像灰度直方图所示，最大灰度级a₀＝90，在确定右边界时，如果采用从a₀向右的搜索顺序，则可能会将处于[168,199]之间的灰度簇排除在外。

由上述过程不难看出，参数θ表征的是边界灰度级与最大灰度级之间的像素个数之比。通过θ的改变，可以实现边界的确定，从而实现灰度线性变换区间的改变。对于不同的红外图像，同一θ值得到的增强效果往往是不同的。在一些增强效果较差的情况下，图像中的某些细节会丢失。因此，不存在某一固定的θ值使得增强算法能够在所有情况下取得较好的效果。本发明提出一种通过比较灰度直方图簇个数的方式来自适应确定θ取值的方法，从而使算法能够对不同的情况实现真正自适应的对比度增强。

最后，当确定了左右边界之后，其中在本实施例中，第一边界为边界，第二边界为右边界，但本发明并不以此为限，可对原始图像的全部像素进行灰度线性变换，增强后的图像g(x,y)可通过下式计算：

由上式可知，对于灰度落在边界范围[a_L,a_R]之内的像素点，采用一种线性公式进行灰度变换。线性分布能够使得集中于边界范围之内的灰度较为均衡地拉伸到灰度直方图的更大范围之内，从而提高红外图像的对比度。而对于其他像素点，则直接将其灰度置为0或255。

请参照图6，图6为本发明红外图像对比度增强系统的结构示意图。如图 6所示，本发明的红外图像对比度增强系统应用上述中的红外图像对比度增强方法，红外图像对比度增强系统包括：灰度直方图获得单元11、边界获得单元12及增强单元13；灰度直方图获得单元接收灰度图像，并根据灰度图像获得灰度直方图；边界获得单元12根据灰度直方图获得灰度直方图上进行线性变换的边界；增强单元13根据边界对所述灰度图像的全部像素进行线性变换获得增强后的灰度图像。

进一步地，灰度直方图表示为：

H_f(a_i)＝灰度级为a_i的像素数(i＝0,1,2,...,255)

其中，H_f(a_i)为灰度直方图，f(i,j)为灰度图像，其像素灰度为a₀,a₁,...,a₂₅₅。

再进一步地，边界获得单元12包括：

计算模块121对灰度直方图进行曲线拟合，获得灰度直方图的簇的个数；

比较模块122将灰度直方图的簇的个数与灰度图像的簇的个数进行比较；

参数选择模块123根据比较结果自适应确定参数的取值；

边界确定模块124根据参数获得灰度直方图上进行线性变换的边界。

其中，边界确定模块124确定灰度直方图的最大灰度级后，确定灰度直方图上进行线性变换的第一边界及第二边界。

更进一步地，增强单元13通过以下公式进行灰度线性变换：

其中，g(x,y)为增强后的图像，[a_L,a_R]分别为第一边界及第二边界，f(x， y)为增强前图像。

综上所述，本发明提出了一种完全自适应的红外图像对比度增强方法及系统。能够根据红外原始图像的不同，自动选取适合的参数取值，并完成图像的对比度增强，全部过程无需人为设定或修改任何参数，能够实现真正的自适应对比度增强过程。此外，本发明具有计算复杂度低的优点，能够应用于计算资源有限的红外成像设备上，达到实时处理的目的。经过本发明处理过后的红外图像，对比度明显增强，内容更加清晰，更加适合人类观测，并为后续基于红外图像的目标探测与跟踪、场景解析等处理算法做好铺垫。

上述仅为本发明的较佳实施例而已，并非用来限定本发明实施的范围，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种完全自适应的红外图像对比度增强方法，其特征在于，包括：

步骤S1：接收灰度图像，并根据所述灰度图像获得灰度直方图；

步骤S2：根据所述灰度直方图获得所述灰度直方图上进行线性变换的边界；

步骤S3：根据所述边界对所述灰度图像的全部像素进行线性变换获得增强后的所述灰度图像。

2.如权利要求1所述的红外图像对比度增强方法，其特征在于，于所述步骤S2中包括：

步骤S21：对所述灰度直方图进行曲线拟合，获得所述灰度直方图的簇的个数；

步骤S22：将所述灰度直方图的簇的个数与所述灰度图像的簇的个数进行比较；

步骤S23：根据比较结果自适应确定参数的取值；

步骤S24：根据所述参数获得所述灰度直方图上进行线性变换的边界。

3.如权利要求3所述的红外图像对比度增强方法，其特征在于，于所述步骤S24中包括：

步骤S241：确定所述灰度直方图的最大灰度级；

步骤S242：确定所述灰度直方图上进行线性变换的第一边界及第二边界。

4.如权利要求3所述的红外图像对比度增强方法，其特征在于，于所述步骤S23中包括：

通过设定一个候选数值集合以及一个与所述候选数值集合一一对应地步长候选集合自适应确定参数的取值。

5.如权利要求1-4中任一项所述的红外图像对比度增强方法，其特征在于，于所述步骤S3中通过以下公式进行灰度线性变换：

其中，

为增强后的图像，

分别为第一边界及第二边界，ｆ（x，y）为增强前图像。

6.一种完全自适应的红外图像对比度增强系统，其特征在于，包括：

灰度直方图获得单元，接收灰度图像，并根据所述灰度图像获得灰度直方图；

边界获得单元，根据所述灰度直方图获得所述灰度直方图上进行线性变换的边界；

增强单元，根据所述边界对所述灰度图像的全部像素进行线性变换获得增强后的所述灰度图像。

7.如权利要求6所述的红外图像对比度增强系统，其特征在于，所述边界获得单元包括：

计算模块，对所述灰度直方图进行曲线拟合，获得所述灰度直方图的簇的个数；

比较模块，将所述灰度直方图的簇的个数与所述灰度图像的簇的个数进行比较；

参数选择模块，根据比较结果自适应确定参数的取值；

边界确定模块，根据所述参数获得所述灰度直方图上进行线性变换的边界。

8.如权利要求7所述的红外图像对比度增强系统，其特征在于，所述边界确定模块确定所述灰度直方图的最大灰度级后，确定所述灰度直方图上进行线性变换的第一边界及第二边界。

9.如权利要求7所述的红外图像对比度增强系统，其特征在于，所述参数选择模块，通过设定一个候选数值集合以及一个与所述候选数值集合一一对应地步长候选集合自适应确定参数的取值。

10.如权利要求6-9中任一项所述的红外图像对比度增强系统，其特征在于，所述增强单元通过以下公式进行灰度线性变换：

其中，

为增强后的图像，分别为第一边界及第二边界，ｆ（x，y）为增强前图像。

Images