一種新的紅外圖像增強算法研究

王江歌

（上海郵電設計咨詢研究院有限公司，上海 200082）

0 引言

紅外技術迅速發展，不僅廣泛應用于軍事領域，而且在醫療、工業、農業以及交通領域的應用也越來越多[1]。紅外技術的優點較多，例如環境適應性強、隱蔽性好以及抗干擾能力強等，但是紅外圖像在應用過程中也存在許多問題，例如灰度級集中、圖像細節清晰度不夠以及噪聲大等，這些問題都不利于視覺觀察。如何增強紅外圖像細節的清晰度成為國內外學者研究的焦點，傳統的方法有灰度變換法、直方圖均衡法以及同態濾波法等，此類方法在一定程度上會增強紅外圖像的細節，但是并沒有針對人類視覺特性進行增強，細節信息丟失比較嚴重，不利于視覺觀察[2]。基于此，也有學者考慮人眼對圖像的識別規律提出了新的算法，例如基于小波理論算法，該算法的問題是細節突出但是并沒有很好地對噪聲進行處理；還有基于膜皮層（Retinex）理論算法以及學者提出了Retinex 改進算法，該算法有利于視覺觀察，紅外圖像質量也得到了進一步提高，然而，這種算法會出現“光暈”的現象[3]。

因此，該文提出了一種新的紅外圖像增強算法，該算法充分考慮圖像的光強、灰度等變化的細節，更符合人類的視覺特性，該算法充分利用Weber 理論模擬人類視覺特征對紅外圖像進行預處理，然后再對分割的圖像進行有效增強，在突出紅外圖像細節的同時，還可以有效消除“光暈”的現象，增強后的圖像很符合人類視覺的特征。

1 人類視覺系統特性

圖像背景亮度對人類視覺的影響非常大，人類視覺特性可以用分段函數來表示，同時分成4 個區域，具體的劃分結果如圖1 所示。

在圖1 中，橫坐標表示亮度的對數形式，縱坐標表示最小視覺差的對數。R1 之前的區域是低對比度區域，該區域的特點是人類視覺系統感受不到的刺激強度的變化，R1～R2區域表示低照度區域，R2～R3 是中照度區域，可稱為韋伯區域，該區域也是人類視覺系統主要作用的區域，最后一個區域為飽和區域[4]。人類視覺系統對背景亮度過高和過低的圖像細節敏感度很低，因此該文主要針對后3 個區域進行紅外圖像分析和處理。

圖1 人眼視覺區域的劃分

2 紅外圖像預處理

根據韋伯定理可知，刺激量的感知主要由相對強度決定[5]。如果用i表示感覺物理量，用j表示對應物理量，就有公式（1）。

式中：f為常量，f的取值范圍為（0，+∞）；b為感知強度，b的取值范圍為（－∞，+∞）。

對亮度進行處理，主要是處理紅外圖像中過暗和過亮的區域，這樣就可以保證紅外圖像中的細節信息保留在視覺敏感區域。接著進行圖像分割，分割的依據是背景強度與光強梯度的函數關系。可以把紅外圖像分割成二維圖像，圖像的特征是有相似內部特性，如公式（2）所示。

式中：A（x，y）為像素的背景強度；R（x，y） 為輸入圖像；S為4 個相鄰像素的集合；S'為對角線上4 個相鄰像素的集合；R（m，n） 為相鄰像素點坐標；R（f，l） 為對角線像素坐標。

如果設定光強梯度信息為R'（x，y），那么相應的2 個函數如公式（3）所示。

對人類視覺參數進行定義，使用BZ表示像素最大差異，如公式（4）所示。

用Am表示背景強度閾值，用Fm表示光照梯度閾值，m的取值為1～3，那么就有公式（5）。

式中：β1、β2和β3分別為視覺響應特征參數，經過測試可知，β2=0.12，β3=0.63。

因此，就可以把紅外圖像分割成3 個區域，如公式（6）所示。

針對不同區域的特點，使用不同的算法對紅外圖像進行增強處理。

3 紅外圖像增強處理

針對紅外圖像分割的結果，不同區域使用不同的算法來實現。使用多尺度Retinex（ Multi scale Retinex，MSR） 算法對紅外圖像區域2（Weber）進行增強。紅外圖像有其自身的特點，是通過物體本身熱輻射而成的，因此參數目標量M（x，y）和發射量X（x，y）都是由自身特點決定的。使用對數變換就可以消除參數入射量D（x，y）對紅外圖像的影響。MSR 算法基本原理如公式（7）所示。

式中：*為卷積運算；K（x，y）為低通函數，其功能是估計低頻分量；j為環繞個數，一般情況下j=3；?j為對應的權重因子。

XN（x，y）有2 個特點：1） 紅外圖像細節信息更多。2）動態壓縮能力很強。使用該算法可以實現整體動態壓縮與色感一致性之間的平衡。

針對紅外圖像分割的區域一和區域三的特點，該文提出了改進的自適應直方圖均衡算法（Improved Adaptively Increasing the Value of HistogramEqualization，IAIVHE）[6]，該算法可以更好地增強對比度。設紅外圖像為Q（x，y）、基準值為Qm，紅外圖像可以分成上、中和下3 個部分，通過調整參數就可以得到QIAIVHE（f），因此就能更好地增強圖像對比度，如公式（8）所示。

式中：β（f）為自適應約束參數。

調整參數像素灰度區域的分布比例，同時根據參數平均亮度Ri就可以實現亮、暗區產生黑白拉伸的效果，如公式（9）所示。

在有效情況下，α是實數，其范圍是[0，1]，通過大量的試驗得出的結論是α的最佳值為0.35。因此，就可以計算QIAIVHE（f）的2 個參數（像素分布和拉伸程度），同時也能改變產生傳遞曲線。如果把β（f）從2 個方向無限接近Ri，就可以很好地預防視覺偽像，達到增強圖像對比度的目的[7]。如果使用BIAIVHE（k）表示累積密度函數歸一化灰度級，就可以把輸出增強圖像為公式（10）。

通過以上推論可知，該算法使用參數可以自適應調整的特點，可以避免紅外圖像對比度過分增強。使用該算法可以實現對紅外圖像的區域一和區域三自適應拉伸后灰度和增強對比度的自適應。

使用不同方法對紅外圖像的3 個區域進行圖像增強后，再對紅外圖像進行合并，3 個區域合并的比例是0.3 ∶0.4 ∶0.3，區域二的細節信息得到凸顯。具體的算法流程如圖2 所示。

4 測試結果

為了驗證該文提出算法的正確性，分別使用室內紅外圖像和室內紅外圖像進行對比測試，對比測試的算法有DPHE 算法、SSR 算法、CLAHE算法以及BF&HDR 算法。仿真軟件使用MATLAB R2019b，測試結果如圖3、圖4 所示。

圖3 室外紅外圖像對比測試結果

圖4 室內紅外圖像對比測試結果

由測試結果可知，與原始圖像相比，經DPHE 算法處理過的圖像的目標和細節有了一定增強，但是存在過增強現象，車身細節和人物衣服水杯等細節信息丟失。通過SSR 算法處理過的圖像存在無噪聲放大和過度增強，雖然增強了細節信息，但是目標沒有很好地得到增強。雖然使用CLAHE 算法處理過的圖像整體處理效果較好，但是細節信息沒有很好地得到增強。BF&HDR 算法處理過的紅外圖像的細節信息得到了合理增強，視覺效果不錯，但是在邊緣處出現了拼接痕跡（在車尾與樹林交界處以及人與后面墻壁交界處）。使用該文提出的算法處理過的紅外圖像與原始圖像相比，其整體視覺效果很好，無論是目標信息還是細節信息都得到有效增強。

為了更科學地評價紅外圖像增強效果，該文使用信息熵和運行時間作為量化指標，信息熵如公式（11）所示。

式中：gi為第i個灰度級在圖像中出現的概率。

各個算法的量化指標見表1、表2。

表1 各算法信息熵定量評價表

表2 各算法運行時間定量評價表

由表1、表2 可知，該算法在信息熵和運行時間方面都具有明顯的優勢。

5 結語

為了更好地對紅外圖像進行增強處理，該文提出了一種新的方法。首先，對紅外圖像進行預處理。其次，采用不同的方法對不同的紅外圖像進行處理。最后，再對處理后的圖像進行科學重構。該文還與其他4 種不同的算法進行對比測試和定量分析，對測試結果進行分析可知，該文提出的算法對紅外圖像增強的效果更好，細節更突出，更適合人類視覺觀察，在縮短處理時間的同時，還可以很好地處理“光暈”現象。