汪 璇,趙金博,劉智嘉,高旭輝,夏寅輝

(1.湖北大學(xué)知行學(xué)院計算機與信息工程學(xué)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(shù)研究所,北京 100015)

1 引 言

紅外成像技術(shù)[1]在軍事偵察、工業(yè)生產(chǎn)、民用生活等領(lǐng)域具有重要地位。目前,作為應(yīng)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(tài)范圍更廣,靈敏度更高,圖像細(xì)節(jié)信息更豐富的特點。灰度動態(tài)范圍[2]即紅外圖像中亮度最大區(qū)域與亮度最小區(qū)域的亮度之比,紅外圖像灰度動態(tài)范圍越大,其亮度信息越豐富,細(xì)節(jié)信息越明顯。由于普通顯示設(shè)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(yuǎn)超過普通顯示設(shè)備的響應(yīng)范圍,所以這樣的圖像被稱為高動態(tài)范圍圖像。由于高動態(tài)范圍圖像比傳統(tǒng)顯示設(shè)備的動態(tài)范圍更廣,因此必須將14 Bit原始紅外圖像的動態(tài)范圍進行壓縮至8 Bit范圍。高動態(tài)范圍圖像處理的核心思想是對紅外攝像設(shè)備采集到的原始高動態(tài)圖像信號進行數(shù)模轉(zhuǎn)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(qū)間內(nèi),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(qū)間。對于高動態(tài)范圍圖像紅外圖像處理,關(guān)鍵問題在于將14 Bit圖像中的信息轉(zhuǎn)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(xì)節(jié)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(dǎo)致原始圖像中重要信息丟失。另外,由于紅外成像技術(shù)和設(shè)備的特殊性,紅外成像常常出現(xiàn)整體亮度較暗、對比度低、邊緣模糊、噪聲大、細(xì)節(jié)表現(xiàn)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(xiàn)有算法基礎(chǔ)上提出了一個改進算法,該方法可以對高動態(tài)范圍圖像進行壓縮并可以較好的顯示圖像細(xì)節(jié),并通過仿真實驗結(jié)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(lǐng)域中,自適應(yīng)增益控制(AGC)是調(diào)節(jié)圖像動態(tài)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(shù)據(jù)線性映射為8 Bit數(shù)據(jù),隨后自適應(yīng)調(diào)節(jié)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(qū)間,[smin,smax]為處理后的紅外圖像的灰度取值區(qū)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(zhuǎn)化公式為:

(1)

由于14 Bit高動態(tài)范圍紅外圖像的灰度范圍為0至214,所以導(dǎo)致rmax-rmin的數(shù)值較大的同時對比度增益的數(shù)值卻非常小,使得圖像壓縮后的圖像動態(tài)范圍(s)取值過小,造成圖像像素灰度過于集中,細(xì)節(jié)信息丟失嚴(yán)重,所以必須適當(dāng)調(diào)整對比度增益。本文提出的自適應(yīng)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(yīng)調(diào)節(jié)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(xì)節(jié)顯示效果。

該方法的優(yōu)點是高動態(tài)紅外圖像直方圖中灰度值較為極端且數(shù)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(yīng)增益控制算法中自適應(yīng)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(diào)整,且動態(tài)范圍采用是的線性映射轉(zhuǎn)換的方法,不能顯示原始高動態(tài)范圍的詳細(xì)信息。所以,對于高動態(tài)范圍紅外圖像該算法無法同時顯示每個灰度間隔,導(dǎo)致原始圖像中大量細(xì)節(jié)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(tài)范圍的圖像。圖像中有許多細(xì)節(jié),故須人為調(diào)整到動態(tài)范圍的低響應(yīng)區(qū)域(a)和高響應(yīng)區(qū)域(b)來搜索不同的細(xì)節(jié)。

圖1 AGC手動調(diào)節(jié)圖像的動態(tài)范圍

從圖1中可明顯看出,雖然自適應(yīng)增益控制在一定的動態(tài)范圍內(nèi)實現(xiàn)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(xì)節(jié)信息。而且,圖像顯示出明顯的過亮或過暗區(qū)域,整體顯示效果欠佳。

為了改變線性轉(zhuǎn)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(tài)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(nèi)的像素數(shù)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(cè)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(jīng)過直方圖均衡化前后直方圖的變化情況,左側(cè)為均衡化處理之前,右側(cè)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(zhuǎn)變?yōu)榻咏教埂Ｆ浠驹硎峭ㄟ^對原始圖像的像素灰度進行映射轉(zhuǎn)化,使轉(zhuǎn)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(shù)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(tài)范圍的原始紅外圖像在普通顯示設(shè)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(qū)域?qū)Ρ榷仍龃?、噪點增多,圖像中觀測目標(biāo)模糊且出現(xiàn)刷白現(xiàn)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(xiàn)了過暗和過亮的問題。

3 基于引導(dǎo)濾波圖像分層的紅外圖像細(xì)節(jié)增強算法

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

圖4 引導(dǎo)濾波算法整體流程圖

3.1 引導(dǎo)波圖像分層

引導(dǎo)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(guān)系,使圖像中全部像素具有不相同線性關(guān)系,根據(jù)每個像素的線性關(guān)系找到與原始圖像梯度一致的圖像基層[3],用引導(dǎo)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(xì)節(jié)、噪聲信息的細(xì)節(jié)層,即:

P=q+e

(2)

式中，基本層q與引導(dǎo)圖像I之間為線性關(guān)系,表達式為:

qi=akIi+bk,?i∈ωk

(3)

式中,k為引導(dǎo)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(dǎo)圖像在窗口內(nèi)的比例系數(shù)。對上式兩邊求導(dǎo)得到:

dq=adI

(4)

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

引導(dǎo)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(yōu)解,通常選擇線性回歸算法使擬合函數(shù)的輸出值與原始圖像最為接近,在窗口ωk內(nèi),其代價函數(shù)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(chǔ)層壓縮

由于基本層圖像涵蓋了全局背景信息,動態(tài)范圍大且對比度低,經(jīng)引導(dǎo)波分層處理后,其基本層依然具有很大的動態(tài)范圍,需進一步壓縮基本層圖像,控制其灰度范圍和調(diào)節(jié)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(shè)置圖像統(tǒng)計直方圖T為上限閾值,當(dāng)灰度頻數(shù)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(shù)如下:

(8)

通過設(shè)定合適的閾值,使用該函數(shù)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(nèi)重新調(diào)整灰度間距。之后進行壓縮處理,設(shè)置基本層壓縮后的動態(tài)范圍為Pb且令Pb=255,便于與細(xì)節(jié)層的合成操作。壓縮后的基本層為:

(9)

3.3 細(xì)節(jié)層的增強與噪聲抑制

細(xì)節(jié)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(xì)節(jié)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(shù)據(jù)信息進行分析,發(fā)現(xiàn)信號和噪聲具有不同的特征:通常情況下,數(shù)據(jù)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(guān)聯(lián)性而噪聲間為隨機分布?？筛鶕?jù)上述特征對信號與噪聲進行區(qū)別。

根據(jù)人類視覺機理的相關(guān)研究發(fā)現(xiàn),人眼視覺對圖像平坦區(qū)域呈現(xiàn)的細(xì)節(jié)較為敏感,且容易忽略灰度變化較強區(qū)域的細(xì)節(jié)信息?；谶@種掩蔽效應(yīng),Anderson等人[4]提出了噪聲可見性函數(shù),來表征噪聲的可視性特點。該函數(shù)為:

(10)

式中，M(i,j)為表征圖像噪聲可視化的函數(shù)；θ是一個取值范圍為[0,1]的調(diào)節(jié)函數(shù)。圖像區(qū)域越平坦,該區(qū)域噪聲越明顯,且可視化函數(shù)中的M(i,j)越小、f(i,j)越接近1；灰度變化越劇烈的區(qū)域噪聲越不明顯,其可視化函數(shù)中M(i,j)越大,f(i,j)越接近于0。根據(jù)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(shù)據(jù)的增益系數(shù)；第二,根據(jù)局域特征調(diào)節(jié)增益系數(shù),即設(shè)置平坦區(qū)域增強系數(shù)較小,劇烈區(qū)域增益系數(shù)相對較大。

假設(shè)細(xì)節(jié)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(shù)可知,當(dāng)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(xì)節(jié)圖的增強函數(shù)構(gòu)造為線性函數(shù):

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

(11)

通過仿真實驗發(fā)現(xiàn)當(dāng)增益函數(shù)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(shù)應(yīng)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(shù)為Intel I7 8850H、RAM 16G；使用操作系統(tǒng)為Windows10及軟件Matlab R2016a；實驗數(shù)據(jù)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(jīng)過引導(dǎo)濾波后的基本層圖像中目標(biāo)邊緣比原圖更加銳化。由于細(xì)節(jié)層為原始圖像與基本層相減得到,所以圖像所呈現(xiàn)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(xì)節(jié)較為細(xì)膩,動態(tài)范圍也較小,遠(yuǎn)小于高斯濾波后細(xì)節(jié)層的范圍。

圖5 原始圖像與引導(dǎo)濾波分層后的基本層與細(xì)節(jié)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(jīng)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(xiàn)大面積的過度增強現(xiàn)象。細(xì)節(jié)層利用自適應(yīng)增強的方法的處理效果如圖7所示。

圖7 自適應(yīng)增強前后的細(xì)節(jié)層

由圖7可以看出經(jīng)過權(quán)重模板函數(shù)的自適應(yīng)增強后,細(xì)節(jié)層在噪聲被大量清除的同時盡可能的保留了細(xì)節(jié)信息,并且增加了圖像的對比度。證明當(dāng)Gmax=1.5、Gmin=1時,增強效果較好,該數(shù)值也可以根據(jù)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(shù)(α)融合后8Bit輸出圖像效果圖,圖(b)的紋理細(xì)節(jié)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。可根據(jù)不同場景和需求選擇合適的融合系數(shù),以達到使用者的相應(yīng)目的。

圖8 不同比例融合的細(xì)節(jié)增強圖

為了更準(zhǔn)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(tài)范圍圖像、傳統(tǒng)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(dǎo)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(shù)轉(zhuǎn)換分辨率為 14 Bit。

圖9 四種圖像效果展示

可明顯看出,經(jīng)過處理后的圖9(b)和圖9(c)的細(xì)節(jié)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(qū)域。圖9(d)中圖像基本層與圖像細(xì)節(jié)層的合成系數(shù)α取值為0.4,圖像中不僅樓房細(xì)節(jié)得到了更好的呈現(xiàn),空中云團的層次感和細(xì)節(jié)也更佳明顯,成像效果優(yōu)勢明顯。

上述四種算法的評價指標(biāo)選取為圖像信息熵[5],評價結(jié)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(biāo)(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(xì)節(jié)越顯著,EME的值越大。EME指標(biāo)評價結(jié)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(xì)節(jié)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(zhì)量的噪聲功率之比。PNSR指標(biāo)評價結(jié)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(xì)節(jié),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(guān)。指標(biāo)評價結(jié)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(jù)定性和定量的實驗結(jié)果表明,本文所提出的改進算法對高動態(tài)圖像在完成至8 Bit圖像映射以供普通顯示設(shè)備顯示的基礎(chǔ)上,可顯著提高映射后圖像對比度,盡可能保留圖像豐富細(xì)節(jié)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(jié)

本文主要論述了高動態(tài)紅外圖像壓縮與顯示以及細(xì)節(jié)增強算法的基本原理與處理流程,設(shè)計編程并仿真了基于引導(dǎo)濾波的圖像分層細(xì)節(jié)增強算法,并將其與傳統(tǒng)圖像處理算法進行了比較。通過仿真實驗和實驗結(jié)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(xì)節(jié)信息,并對圖像中的噪聲進行了相當(dāng)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(xì)節(jié)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(yōu)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(guān)注的方向。