王洋

摘 要：由于主動(dòng)式車載紅外夜視儀本身的特點(diǎn)，在紅外圖像成像時(shí)不可避免地受到外界環(huán)境的影響，所以普遍存在圖像質(zhì)量較低等問(wèn)題，而引起此類問(wèn)題的最主要因素為低照度圖像的存在。因此低照度紅外圖像的增強(qiáng)技術(shù)成為紅外圖像處理的一項(xiàng)重要研究課題。本文將小波神經(jīng)網(wǎng)絡(luò)引入圖像增強(qiáng)領(lǐng)域中，通過(guò)中值濾波提取圖像特征，并利用一種自適應(yīng)算法來(lái)優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，最終建立了一種針對(duì)低照度紅外圖像增強(qiáng)的新算法。實(shí)驗(yàn)結(jié)果表明，該算法在對(duì)低照度紅外圖像的增強(qiáng)上優(yōu)于傳統(tǒng)直方圖均衡化等方法，并且有較強(qiáng)的魯棒性；同時(shí)能夠最大限度保護(hù)圖像的細(xì)節(jié)信息。

關(guān)鍵詞：主動(dòng)式；低照度；紅外圖像；圖像增強(qiáng)；小波神經(jīng)網(wǎng)絡(luò)；中值濾波

1 引言

近年來(lái)，隨著汽車行業(yè)的快速發(fā)展，汽車數(shù)量迅速增加。導(dǎo)致交通事故呈不斷上升趨勢(shì)，給人們的生命財(cái)產(chǎn)安全帶來(lái)巨大的傷害。而這其中夜間或陰天情況下行車所發(fā)生的交通事故尤為嚴(yán)重。所以夜間行車的安全性越來(lái)越受到人們的關(guān)注。保證夜間行車安全性能的關(guān)鍵之一是發(fā)展車載紅外夜視成像技術(shù)，通過(guò)它來(lái)提高駕駛員的夜間觀察能力。本文采用主動(dòng)式紅外夜視成像。而主動(dòng)式車載紅外夜視成像技術(shù)中最為關(guān)鍵的技術(shù)難點(diǎn)就是對(duì)紅外圖像的增強(qiáng)處理。由于車載紅外夜視儀工作環(huán)境的特殊性，在紅外圖像成像時(shí)不可避免地受到外界環(huán)境的影響，從而普遍存在對(duì)比度差、噪聲較大、邊緣模糊等特點(diǎn)。尤其是在夜間情況下更為明顯。因此，針對(duì)低照度紅外圖像增強(qiáng)算法的研究成為車載紅外夜視成像技術(shù)處理中的一個(gè)重要研究領(lǐng)域。

小波神經(jīng)網(wǎng)絡(luò)（wavelet neural network， WNN）是在小波分析理論的基礎(chǔ)上建立起來(lái)的一種多分辨率的、分層的新型人工神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)結(jié)合了小波分析在時(shí)頻域的優(yōu)良特性和神經(jīng)網(wǎng)絡(luò)的自適應(yīng)優(yōu)點(diǎn)。因此，WNN近年來(lái)越來(lái)越受到人們的關(guān)注，并被廣泛研究和應(yīng)用于各種不同的領(lǐng)域中。本文將WNN引入到低照度紅外圖像增強(qiáng)研究中，并針對(duì)低照度紅外圖像的特征提出一種基于WNN的圖像增強(qiáng)新算法。

2 利用中值濾波提取圖像特征

圖像增強(qiáng)技術(shù)是對(duì)圖像進(jìn)行處理時(shí)，用以改善圖像的質(zhì)量，增強(qiáng)圖像視覺(jué)效果的重要方法。傳統(tǒng)的圖像增強(qiáng)處理方法基本可以分為空域圖像增強(qiáng)和頻域圖像增強(qiáng)兩大類。空域?yàn)V波直接在空域上對(duì)圖像進(jìn)行處理的方法。根據(jù)功能可以分為平滑濾波和銳化濾波。

平滑濾波是低頻增強(qiáng)的空間域?yàn)V波技術(shù)，一般可分為線性平滑濾波和非線性平滑濾波兩種。使用線性平滑濾波進(jìn)行圖像的平滑時(shí)，噪聲濾除效果比較理想，但是若鄰域大小選擇不當(dāng)，會(huì)造成圖像過(guò)于模糊從而失去實(shí)用價(jià)值，常見(jiàn)有領(lǐng)域均值濾波、三角濾波、高斯濾波等，而中值濾波是一種常見(jiàn)的線性平滑濾波。

中值濾波是基于排序統(tǒng)計(jì)理論的一種空域?yàn)V波。它是一種能夠有效抑制噪聲的非線性信號(hào)處理技術(shù)。中值濾波可以有效地濾除脈沖噪聲同時(shí)能較好地保全圖像的細(xì)節(jié)信息。在二維形式下，中值濾波是某種形式的含有奇數(shù)像素點(diǎn)的二維滑動(dòng)窗口，將窗口內(nèi)的像素按照灰度值的大小進(jìn)行排序，取序號(hào)為中心點(diǎn)的像素灰度值作為濾波輸出，即：

f（x，y）=MedA{f（x，y）} （1）

公式（1）中，A為滑動(dòng)窗口，f（x，y）為以窗口A為大小的二維灰度圖像中所有像素點(diǎn)的灰度值集合。

3 在中值濾波提取圖像特征基礎(chǔ)上的小波神經(jīng)網(wǎng)絡(luò)圖像增強(qiáng)算法

將經(jīng)過(guò)中值濾波對(duì)圖像進(jìn)行特征提取后的灰度圖像M*N作為學(xué)習(xí)圖像，則進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)的樣本數(shù)為M*N。對(duì)于樣本中的某個(gè)特征點(diǎn)gx，y，相對(duì)應(yīng)的網(wǎng)絡(luò)輸出即為：

上式（9）中s（w）為權(quán)值參數(shù)搜索方向，αiw為在進(jìn)行第i次迭代后權(quán)值學(xué)習(xí)的步長(zhǎng)。同理，對(duì)于平移值和伸縮參數(shù)也有類似（6）～（10）的公式。按照公式（9）、（10）逐次的迭代學(xué)習(xí)，直到滿足誤差條件，完成整個(gè)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)。

神經(jīng)網(wǎng)絡(luò)中隱層節(jié)點(diǎn)的個(gè)數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)性能的影響是非常大的。根據(jù)小波神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)，小波基個(gè)數(shù)的選擇問(wèn)題即是神經(jīng)網(wǎng)絡(luò)中隱層節(jié)點(diǎn)的個(gè)數(shù)選擇問(wèn)題。因此，本文在參考了大量的有關(guān)論文的前提下提出了一種自適應(yīng)搜索方法來(lái)確定小波基的個(gè)數(shù)：首先確定初始的小波基個(gè)數(shù)（例如K=1），然后進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。一旦滿足網(wǎng)絡(luò)的收斂條件，就停止迭代同時(shí)完成網(wǎng)絡(luò)的學(xué)習(xí)；若在學(xué)習(xí)的過(guò)程中達(dá)到最大迭代的次數(shù)而網(wǎng)絡(luò)仍然未收斂，則將小波基個(gè)數(shù)增加1（K=K+1），再進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。

在WNN學(xué)習(xí)過(guò)程中，在多維輸入情況下，隨著網(wǎng)絡(luò)的輸入維數(shù)增加，網(wǎng)絡(luò)所訓(xùn)練的樣本呈指數(shù)增長(zhǎng)，網(wǎng)絡(luò)結(jié)構(gòu)也將隨之變得龐大，使得網(wǎng)絡(luò)收斂速度大大下降。因此本文在自適應(yīng)步長(zhǎng)確定的基礎(chǔ)上，利用一種根據(jù)網(wǎng)絡(luò)參數(shù)對(duì)輸出的貢獻(xiàn)的大小來(lái)確定其學(xué)習(xí)步長(zhǎng)的初始值方法。如果某個(gè)參數(shù)的變化能夠造成誤差函數(shù)的較大變化，那么該參數(shù)的學(xué)習(xí)率應(yīng)該較小，相應(yīng)的步長(zhǎng)初始值也應(yīng)該較??；反之，若某個(gè)參數(shù)的的能夠造成誤差函數(shù)較小變化，則該參數(shù)的學(xué)習(xí)率應(yīng)該較大，相應(yīng)的步長(zhǎng)初始值也應(yīng)該較大。

4 結(jié)果與結(jié)論

學(xué)術(shù)上評(píng)價(jià)一幅圖像增強(qiáng)效果的方法主要有客觀統(tǒng)計(jì)和主觀判斷兩種評(píng)價(jià)方法。主觀評(píng)價(jià)是直接利用觀察者對(duì)被測(cè)系統(tǒng)圖像的主觀反應(yīng)來(lái)確定系統(tǒng)性能的一

種測(cè)試，主觀上去評(píng)價(jià)圖像增強(qiáng)的效果?？陀^統(tǒng)計(jì)評(píng)價(jià)即通過(guò)統(tǒng)計(jì)參數(shù)客觀評(píng)價(jià)圖像增強(qiáng)效果，這些參數(shù)定義為：

PSNR和SNR兩個(gè)參數(shù)主要反映的是圖像的保真度，其數(shù)值越大表明圖像的保真度越好，圖像中的細(xì)節(jié)保護(hù)的越好。NMSE參數(shù)主要反映了處理后的圖像與理想中圖像的逼近程度，其數(shù)值越小表明圖像增強(qiáng)效果越好，越接近理想中的圖像。

小波變換通過(guò)尺度伸縮和平移對(duì)信號(hào)進(jìn)行多尺度分析，能有效提取信號(hào)的局部信息。

神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)和容錯(cuò)性等特點(diǎn)，并且是一類通用函數(shù)逼近器。

小波神經(jīng)網(wǎng)絡(luò)的基元和整個(gè)結(jié)構(gòu)是依據(jù)小波分析理論確定的，可以避免BP神經(jīng)網(wǎng)絡(luò)等結(jié)構(gòu)設(shè)計(jì)上的盲目性。

本文將WNN引入圖像增強(qiáng)領(lǐng)域中，先利用中值濾波提取圖像特征，再在其基礎(chǔ)上提出了一種針對(duì)車載紅外夜視圖像的增強(qiáng)算法，并將其應(yīng)用于低照度紅外圖像增強(qiáng)。實(shí)驗(yàn)結(jié)果表明，該算法在圖像增強(qiáng)上優(yōu)于傳統(tǒng)直方圖均衡化等方法，同時(shí)具有較強(qiáng)的魯棒性。在實(shí)現(xiàn)圖像增加的同時(shí)能夠最大限度地保護(hù)圖像的細(xì)節(jié)信息，具有很好的保真度。實(shí)驗(yàn)結(jié)果亦表明了本文算法在對(duì)低照度紅外圖像增強(qiáng)處理上具有非常好的的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1]Bhowmik ， M.K ， Bhattacharjee， D， Nasipuri， M. et al. Optimum fusion of visual and thermal face images for recognition[R]. Japan： Information Assurance and Security conference， 2010

[2] 薛南斌， 張文啟， 霍志成. 微光與紅外夜視技術(shù)的現(xiàn)狀與發(fā)展[J]. 科技資訊，2008（16）： 4

[3]L .Andreone ，M. Mariani. Cutomer benefit in user centered dedign of a novel drivers vision enhancement support system[D]. Madrid： Intelligent Transport System and Services，2009

[4] 林淑芬. 車載主動(dòng)式紅外激光夜視成像系統(tǒng)的研究[D]. 廈門： 廈門大學(xué)， 2008

[5] Yoichiro Iwasaki. A Method of Robust Moving Vehicle Detection For Bad Weather Using an Infrared Thermography Camera[R]. HongKong： Conference on Wavelet Analysis and Pattern Recognition，2008

[6] 葛小青. 紅外與可見(jiàn)光圖像融合的研究[D]. 重慶： 重慶大學(xué)， 2010.

[7]孫雅琳. 紅外與可見(jiàn)光圖像配準(zhǔn)技術(shù)研究[D]. 西安： 西安電子科技大學(xué)， 2010

[8] Lei， j. ，Liu， S.， Sun， M.， ”An image reconstruction algorithm base on the extended Tihonov regularization methon for electrical capacitance tomography”， Measurement， 42，368-376（2009）

[9] Hu， H.l.， Chen X.， Bai， T.， “An ECT image reconstruction methon based on radial basis function and wavelet transform”， Journal of Xian Jiaotong University， 44（2）， 1-5（2010）.

[10] LUO Yaoming NIE Gui hua A niche hierarchy genetic a lgorithms for learning wavelet neural networks[C] IEEE Conference on Industrial Electronics and Applications Harbin，China 2007：960-964

[11] 彭金柱， 王耀南， 孫煒.基于混合學(xué)習(xí)算法的模糊小波神經(jīng)網(wǎng)絡(luò)控制[J].湖南大學(xué)學(xué)報(bào)：自然科學(xué)版，2006， 33（02）： 51-54.

[12] 唐軍. 基于HMM 與小波神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別系統(tǒng)研究[D]. 南京： 南京理工大學(xué)，2007.

[13] 劉俊華， 顏運(yùn)昌， 荊琦. 遺傳算法與神經(jīng)網(wǎng)絡(luò)在語(yǔ)音識(shí)別中的應(yīng)用[J]. 機(jī)電工程，2007，24 （12）：20-24.