基于引導濾波的高動態紅外圖像壓縮算法

汪 璇,趙金博,劉智嘉,高旭輝,夏寅輝

(1.湖北大學知行學院計算機與信息工程學院,湖北 武漢 430011；2.北京波譜華光科技有限公司,北京 100015;3.華北光電技術研究所,北京 100015)

1 引 言

紅外成像技術[1]在軍事偵察、工業生產、民用生活等領域具有重要地位。目前,作為應用最為廣泛的高位寬紅外探測器,其非制冷紅外機芯可輸出位寬達14 Bit的原始紅外圖像。與普通8 Bit圖像相比,14 Bit紅外圖像具有灰度動態范圍更廣,靈敏度更高,圖像細節信息更豐富的特點?；叶葎討B范圍[2]即紅外圖像中亮度最大區域與亮度最小區域的亮度之比,紅外圖像灰度動態范圍越大,其亮度信息越豐富,細節信息越明顯。由于普通顯示設備僅能顯示8 Bit灰度等級圖像,14 Bit紅外圖像的灰度范圍遠超過普通顯示設備的響應范圍,所以這樣的圖像被稱為高動態范圍圖像。由于高動態范圍圖像比傳統顯示設備的動態范圍更廣,因此必須將14 Bit原始紅外圖像的動態范圍進行壓縮至8 Bit范圍。高動態范圍圖像處理的核心思想是對紅外攝像設備采集到的原始高動態圖像信號進行數模轉換和量化處理?；叶茸兓骄彽木拔?生成圖像的灰度分布會集中在較狹窄的區間內,而灰度變化劇烈的景物所生成圖像的灰度會散落在范圍較寬的區間。對于高動態范圍圖像紅外圖像處理,關鍵問題在于將14 Bit圖像中的信息轉化為人眼可觀察到的8 Bit圖像中同時還要保持圖像原有的細節信息,具備較好的對比度以供人眼觀察。

在此過程中,使用錯誤的壓縮算法可能導致原始圖像中重要信息丟失。另外,由于紅外成像技術和設備的特殊性,紅外成像常常出現整體亮度較暗、對比度低、邊緣模糊、噪聲大、細節表現力較差等成像缺點。為了解決上述問題,本文以非制冷紅外圖像為背景,在現有算法基礎上提出了一個改進算法,該方法可以對高動態范圍圖像進行壓縮并可以較好的顯示圖像細節,并通過仿真實驗結果證明算法的有效性。

2 常用算法及原理

在紅外圖像處理領域中,自適應增益控制(AGC)是調節圖像動態范圍和對比度的最常用方法之一,該算法利用梯度線性變換原理將14 Bit數據線性映射為8 Bit數據,隨后自適應調節圖像的平均亮度和對比度。為方便敘述進行如下定義:[rmin,rmax]為原始圖像的灰度取值區間,[smin,smax]為處理后的紅外圖像的灰度取值區間,r為原始圖像的灰度值,s為處理之后紅外圖像的灰度值,則灰度轉化公式為:

(1)

由于14 Bit高動態范圍紅外圖像的灰度范圍為0至214,所以導致rmax-rmin的數值較大的同時對比度增益的數值卻非常小,使得圖像壓縮后的圖像動態范圍(s)取值過小,造成圖像像素灰度過于集中,細節信息丟失嚴重,所以必須適當調整對比度增益。本文提出的自適應增益控制方法的核心思想是通過去掉一些極端灰度并自適應調節增益值,使壓縮后圖像盡可能利用可顯示灰度范圍,令圖像整體具有較好的對比度和細節顯示效果。

該方法的優點是高動態紅外圖像直方圖中灰度值較為極端且數量較少的像素被算法直接清除,降低了極端灰度值對對比度增益的影響。隨著極端灰度值像素消失,對比度增益變大,圖像顯示效果得到提升。不過,由于自適應增益控制算法中自適應僅針對刪除某灰度像素的選擇而言,映射增益和亮度范圍仍需要人工調整,且動態范圍采用是的線性映射轉換的方法,不能顯示原始高動態范圍的詳細信息。所以,對于高動態范圍紅外圖像該算法無法同時顯示每個灰度間隔,導致原始圖像中大量細節信息丟失。

圖1展示了使用自動增益控制算法顯示不同動態范圍的圖像。圖像中有許多細節,故須人為調整到動態范圍的低響應區域(a)和高響應區域(b)來搜索不同的細節。

圖1 AGC手動調節圖像的動態范圍

從圖1中可明顯看出,雖然自適應增益控制在一定的動態范圍內實現了畫面對比度增強,然而該方法的弊端是會丟失某些灰度間隔中攜帶的細節信息。而且,圖像顯示出明顯的過亮或過暗區域,整體顯示效果欠佳。

為了改變線性轉換算法的不足,直方圖均衡化首先利用非線性拉伸的思路處理原始高動態范圍圖像,然后重新分配紅外圖像的像素值,令某些灰度范圍內的像素數量近似于均勻分布,從而增強原始圖像直方圖中間峰段的對比度并降低兩側谷段的對比度。

圖2 直方圖均衡化示意圖

圖2所展示為灰度圖像經過直方圖均衡化前后直方圖的變化情況,左側為均衡化處理之前,右側為均衡化處理之后?？梢钥闯鰣D像的灰度直方圖形狀由較為集中轉變為接近平坦。其基本原理是通過對原始圖像的像素灰度進行映射轉化,使轉化后的圖像灰度的概率密度近趨于平坦,使不同灰度值的像素數量近似一致來達到增加圖像的對比度的目的,便于視覺觀察。圖3為使用直方圖均衡化算法的效果圖。

圖3 直方圖均衡化后的圖像

由圖3可以看出,直方圖均衡化法同樣解決了高動態范圍的原始紅外圖像在普通顯示設備上的不可視性。但是圖像背景灰度之間的間隔和占比增大,分布更加密集,背景區域對比度增大、噪點增多,圖像中觀測目標模糊且出現刷白現象。此外,由于直方圖中間灰度間隔的過度拉伸使兩端灰度的像素堆積,圖像中出現了過暗和過亮的問題。

3 基于引導濾波圖像分層的紅外圖像細節增強算法

為了改善前述算法中出現的問題,本文提出了一種基于引導濾波的高動態范圍圖像處理方法,通過將原始圖像分為基本層和細節層,然后分別對相應部分進行灰度調整和增強并將處理后結果進行疊加,以實現對原始景物中的大動態信息和8Bit圖像中的小動態細節信息的突出和增強。整體流程如圖4所示。

圖4 引導濾波算法整體流程圖

3.1 引導波圖像分層

引導濾波的基本原理是通過定義圖像中任意像素與其相鄰像素之間的隨機關系,使圖像中全部像素具有不相同線性關系,根據每個像素的線性關系找到與原始圖像梯度一致的圖像基層[3],用引導濾波的方法把原始圖像分離成表征景物輪廓的基本層與表征景物紋理細節、噪聲信息的細節層,即:

P=q+e

(2)

式中，基本層q與引導圖像I之間為線性關系,表達式為:

qi=akIi+bk,?i∈ωk

(3)

式中,k為引導圖像中某個像素；ωk表示以k為圓心半徑為r的局域窗口；ak和bk為引導圖像在窗口內的比例系數。對上式兩邊求導得到:

dq=adI

(4)

由式(4)可得知基本層q與引導圖像I的梯度線性相關,因此,導引濾波能夠較好的保持圖像的邊緣特征。

引導濾波方法就是尋找使原始圖像p與處理后圖像q差異最小ak和bk的最優解,通常選擇線性回歸算法使擬合函數的輸出值與原始圖像最為接近,在窗口ωk內,其代價函數為:

(5)

式中,ε的作用是過濾刪除過大的ak,計算可得:

(6)

(7)

3.2 直方圖均衡的基礎層壓縮

由于基本層圖像涵蓋了全局背景信息,動態范圍大且對比度低,經引導波分層處理后,其基本層依然具有很大的動態范圍,需進一步壓縮基本層圖像,控制其灰度范圍和調節對比度,本文使用一種基于直方圖均衡化的壓縮方法:首先設置圖像統計直方圖T為上限閾值,當灰度頻數P大于T,則將T值賦于P,否則保持P值不變,直方圖累積直方圖函數如下:

(8)

通過設定合適的閾值,使用該函數能夠刪除一部分像素,而且由于在利用累積直方圖進行灰度重新分配的過程中對灰度重新歸一化,所以該方法能夠在一定的范圍內重新調整灰度間距。之后進行壓縮處理,設置基本層壓縮后的動態范圍為Pb且令Pb=255,便于與細節層的合成操作。壓縮后的基本層為:

(9)

3.3 細節層的增強與噪聲抑制

細節層是通過從圖像基層中減去原始圖像而獲得,其灰度范圍較廣且攜帶細節信息的同時也包含大量的噪聲信息,降噪處理必不可少。通過對數據信息進行分析,發現信號和噪聲具有不同的特征:通常情況下,數據中信號幅值明顯大于噪聲幅值,且信號間往往具有較高的關聯性而噪聲間為隨機分布?？筛鶕鲜鎏卣鲗π盘柵c噪聲進行區別。

根據人類視覺機理的相關研究發現,人眼視覺對圖像平坦區域呈現的細節較為敏感,且容易忽略灰度變化較強區域的細節信息。基于這種掩蔽效應,Anderson等人[4]提出了噪聲可見性函數,來表征噪聲的可視性特點。該函數為:

(10)

式中，M(i,j)為表征圖像噪聲可視化的函數；θ是一個取值范圍為[0,1]的調節函數。圖像區域越平坦,該區域噪聲越明顯,且可視化函數中的M(i,j)越小、f(i,j)越接近1；灰度變化越劇烈的區域噪聲越不明顯,其可視化函數中M(i,j)越大,f(i,j)越接近于0。根據上述特點可以從兩個角度限制噪聲放大:第一,限制噪聲所在范圍數據的增益系數；第二,根據局域特征調節增益系數,即設置平坦區域增強系數較小,劇烈區域增益系數相對較大。

假設細節放大增益G(i,j)的最大值為Gmax,最小值為Gmin,由噪聲可視化函數可知,當fn(i,j)趨近0時,G(i,j)趨近于Gmax；fn(i,j)趨近于1時,G(i,j)趨近于Gmax。為簡化運算,細節圖的增強函數構造為線性函數:

G(i,j)=Gmin+[1-f(i,j)](Gmax-Gmin)

(11)

通過仿真實驗發現當增益函數中最大和最小增益分別為Gmax=1.5、Gmin=1時,圖像可滿足大多數應用需要,增強效果較好。

4 實驗與評價

本次仿真實驗所使用的計算機主要硬件參數為Intel I7 8850H、RAM 16G；使用操作系統為Windows10及軟件Matlab R2016a；實驗數據為非制冷型中波紅外焦平面探測器輸出640×512原始圖像,ADC分辨率為14 Bit。

由圖5可看出,經過引導濾波后的基本層圖像中目標邊緣比原圖更加銳化。由于細節層為原始圖像與基本層相減得到,所以圖像所呈現的是圖像的高頻特征,其中包含了大部分強邊緣及較多噪聲,圖像細節較為細膩,動態范圍也較小,遠小于高斯濾波后細節層的范圍。

圖5 原始圖像與引導濾波分層后的基本層與細節層圖像

利用直方圖均衡化法將基本層壓縮,處理前后的基本層如圖6所示。

圖6 直方圖均衡化處理前后的基本層

從圖6圖中可以對比看出經過直方圖均衡化處理后的圖像相比于處理前圖像的對比度明顯增加,且沒有出現大面積的過度增強現象。細節層利用自適應增強的方法的處理效果如圖7所示。

圖7 自適應增強前后的細節層

由圖7可以看出經過權重模板函數的自適應增強后,細節層在噪聲被大量清除的同時盡可能的保留了細節信息,并且增加了圖像的對比度。證明當Gmax=1.5、Gmin=1時,增強效果較好,該數值也可以根據具體探測背景通過實驗自定確定,以達到不同背景的最佳效果。

圖8為采用不同融合系數(α)融合后8Bit輸出圖像效果圖,圖(b)的紋理細節較圖(a)更為明顯,但是圖(a)的對比度相對均衡,更有利于視覺觀察?？筛鶕煌瑘鼍昂托枨筮x擇合適的融合系數,以達到使用者的相應目的。

圖8 不同比例融合的細節增強圖

為了更準確驗證算法性能,對多個紅外圖像壓縮與顯示算法進行對比試驗。圖9圖中(a)、(b)、(c)、(d)分別是原始高動態范圍圖像、傳統高頻增強算法處理圖像、非銳化掩模增強算法處理圖像和引導濾波增強處理圖像,原始圖像為非制冷型640×512紅外探測器所成圖像,模數轉換分辨率為 14 Bit。

圖9 四種圖像效果展示

可明顯看出,經過處理后的圖9(b)和圖9(c)的細節均得到了一定程度的增強,特別是圖像中樓房門窗的位置區域。圖9(d)中圖像基本層與圖像細節層的合成系數α取值為0.4,圖像中不僅樓房細節得到了更好的呈現,空中云團的層次感和細節也更佳明顯,成像效果優勢明顯。

上述四種算法的評價指標選取為圖像信息熵[5],評價結果如表1所示。對二維灰度圖像而言,若不考慮灰度在二維空間中的分布特征,僅僅考慮圖像的灰度層次,則信息熵值越大,圖像攜帶的信息越多。

表1 四種圖像信息熵對比

增強評價指標(Enhancement Measure Evaluation,EME[6-7]),具體涵義為子塊圖像中灰度變化的劇烈程度,其中子塊灰度變化越劇烈,圖像細節越顯著,EME的值越大。EME指標評價結果如表2所示。

表2 四種圖像EME對比

由表2可以看出,本文算法具有最大的EME值,細節增強效果最為顯著。

峰值信噪比(Peak Signal to Noise Ratio,PSNR[8]),其值為有效信號的最大功率與影響成像質量的噪聲功率之比。PNSR指標評價結果如表3所示。表3展示了本文算法的峰值信噪比最大,表明該算法最好地保留并增強了圖像細節,與原始圖像更為接近。

表3 四種圖像PSNR對比

均方根誤差(RMSE)總體表征了原始圖像與處理后圖像之間的差異,取值與成像效果正相關。指標評價結果如表4所示。

表4 四種圖像RMSE對比

通過在Matlab平臺上對實際紅外圖像的不同算法進行處理和仿真,根據定性和定量的實驗結果表明,本文所提出的改進算法對高動態圖像在完成至8 Bit圖像映射以供普通顯示設備顯示的基礎上,可顯著提高映射后圖像對比度,盡可能保留圖像豐富細節信息并可以較好的抑制噪聲,相對于之前的算法具有一定程度的性能提升,驗證了算法的有效性。

5 總 結

本文主要論述了高動態紅外圖像壓縮與顯示以及細節增強算法的基本原理與處理流程,設計編程并仿真了基于引導濾波的圖像分層細節增強算法,并將其與傳統圖像處理算法進行了比較。通過仿真實驗和實驗結果對比分析,本文提出的改進算法不僅完成了14 Bit圖像至8 Bit圖像的壓縮,還在處理過程中盡可能的保留了原圖像豐富的細節信息,并對圖像中的噪聲進行了相當程度的抑制,輸出圖像視覺效果良好。

文中算法也有不足之處:細節與噪聲在同一圖層進行處理,不利于噪聲的去除和信噪比的提高；本算法處理方式仍然屬于全局算法,對局部優化不足；算法運行速度仍有提高空間等,上述不足可作為日后研究和關注的方向。