一种区域多直方图红外图像增强方法

收稿日期:2011-06-13;修回日期:2011-07-21 基金项目:国家自然科学基金委—中国工程物理研究院联合基金资助项目(10676029， 10776028) ;中电科技集团 CCD研发中心经费资助项目;西南科技大学校青年基金资助项目(11zx3123) 作者简介:李绘卓(1976-) ，女，四川绵阳人，讲师，硕士，主要研究方向为图形图像、软件测试(huizhuoli@ foxmail． com) ;范勇(1972-) ，男，四川 绵阳人，教授，博士，主要研究方向为机器视觉、图像理解及应用等;唐峻(1974-) ，男，四川绵阳人，讲师，硕士，主要研究方向为图形图像等;唐遵烈 (1968-) ，男，重庆人，副研究员，学士，主要研究方向为 CCD器件测试及应用研究;熊平(1965-) ，男，重庆人，研究员，硕士，主要研究方向为 CCD图 像传感器技术;周建勇(1981-) ，男，工程师，硕士，主要研究方向为信号与信息处理． 一种区域多直方图红外图像增强方法* 李绘卓1，范 勇1，唐 峻1，唐遵烈2，熊 平2，周建勇2 (1．西南科技大学 计算机科学与技术学院，四川 绵阳 621010;2．中国电子科技集团公司第四十四研究所，重庆 400060) 摘 要:直方图均衡是一种简单有效的红外图像增强技术，但存在着细节信息损失较大的缺陷。为改进这一缺 陷，使直方图均衡在增强图像对比度的同时不损失灰度级别，并能增强图像细节特征，提出一种基于区域的 multi-HE红外图像增强方法。该方法通过聚类算法将图像分割成多目标区域，据此将直方图分割成多个子图， 运用多直方图均衡化对图像进行处理，从而达到在不同目标范围内的图像增强。经过实验验证，该算法能有效 地抑制背景区的过增强，扩大了目标区的灰度范围，增强细节部分。 关键词:红外图像增强;直方图均衡;多直方图;过增强 中图分类号:TP391． 41 文献标志码:A 文章编号:1001-3695(2012)02-0772-03 doi:10． 3969 / j． issn． 1001-3695． 2012． 02． 100 Method of infrared image enhancement based on regional histogram LI Hui-zhuo1，FAN Yong1，TANG Jun1，TANG Zun-lie2，XIONG Ping2，ZHOU Jian-yong2 (1． College of Computer Science ＆ Technology，Southwest University of Science ＆ Technology，Mianyang Sichuan 621010，China;2． The 44th Research Institute，China Electronics Technology Group Corporation，Chongqing 400060，China) Abstract:Histogram equalization is a simple and effective infrared image enhancement techniques，but it leads to missing a lot of the detail informations of the objects． To improve this defect，this paper proposed the infrared image enhancement tech- nique based on regional multi-HE，which could enhance image contrast base on histogram equalization，could enhance ima- ges’details and keep no loss of gray level． This method identified the target sub-regions of the image firstly by using a cluste- ring algorithm． Then，it divided the original histogram into many sub-histograms based on the target sub-regions，and equa-liz- ed the image by utilizing the sub-histograms ensuing． Finally，it enhanced the target sub-regions of the image respectively as the result of this method． Experimental results show that the proposed techniques can effectively restrain the excessive en- hancement on background region，at the same time，the method can expand the objects’gray zone as well as enhance the ob- jects’details． Key words:infrared image enhancement;histogram equalization;multi-HE;over enhancement 0 引言 红外图像呈现出分辨率低、对比度低、视觉效果模糊和信 噪比低等缺陷。因此，改善红外图像质量，提高对比度，增强视 觉效果以利于后续的探测、识别和跟踪等应用，成为一个急需 解决的问题。红外图像增强便是上述红外图像质量改善中的 一项重要内容。目前红外图像增强方法有直方图增强技术、图 像锐化处理、图像平滑处理、伪彩色处理、遗传算法、模糊算法 等增强方法。图像锐化处理由于模板尺寸通常是偶数，待处理 像素不能放在模板的中心位置，处理的结果就会有半个像素的 错位，处理效果不理想。图像平滑处理具有运算量大、耗时长 等缺点，不适合实时性较强的应用领域。伪彩色处理在对纹理 细节的处理方面并没有增强。遗传算法在种群数目大的情况 下，存在计算处理量大、运算效率低等问题［1］。 综合效率和性能等方面的要求，在红外图像增强领域仍然 常用直方图均衡化算法，它将像素多的灰度扩展到更多的灰度 级，将像素少的灰度压缩或合并到很小的灰度级。但是红外热 图像具有分辨率低、空间相关性强、对比度低、视觉效果模糊、 清晰度低和信噪比低等特点。传统的直方图均衡化增强算法 在红外图像增强方面具有一定的缺陷。 为改进传统直方图均衡在图像增强方面的不足，研究人员 在此基础上提出了双直方图均衡，如 Kim［2］提出的双直方图均 衡(brightness preserving bi-histogram equalization，BBHE)、Wang 等人［3］提出的等面积双元子图均衡(equal area dualistic sub- image histogram equalization，DSIHE)、最小均值误差双直方图 均衡(minimum mean brightness error bi-histogram equalization， MMBEBHE)［4］、递归均值法分离直方图均衡(recursive mean- separate histogram equalization，RMSHE)［5］等方法，以及 Menotti 等人［6］提出的多直方图均衡(multi-histogram equalization， 第 29 卷第 2期 2012 年 2 月 计 算 机 应 用 研 究 Application Research of Computers Vol． 29 No． 2 Feb． 2012 MHE)。 BBHE、DSIHE、MMBEBHE 方法将直方图分成两个部分， 然后分别对其进行直方图均衡化;RMSHE 则是采用了多次递 归方法将直方图进行分区域直方图均衡化，这些算法都在一定 程度上保护了图像的平均亮度，但在视觉效果上表现欠佳。而 MHE算法将直方图分解成多个子图(sub-image)［6］，分别进行 直方图均衡，其算法复杂度较高，不适合实时系统。本文对 MHE进行了改进，引入了空域信息，将其运用于红外图像的增 强上，提出一种基于区的红外图像增强方法。该方法将红外图 像分割成多目标层次的区域，利用背景区和目标区的灰度级差 别，采用多直方图的方法分段调配其灰度范围，有效地改进了 传统直方图均衡化的不足，并且有效地提高了其算法效率。 1 区域多直方图增强方法 区域多直方图均衡是局部直方图均衡基础上的改进方法， 该算法在多直方图均衡的基础上引入空间信息，将图像区域分 割融入算法之中，能够在增强图像细节的基础上保留图像的平 均亮度，避免在全局直方图均衡增强中出现的过度增强、视觉 效果不自然等缺陷。其流程如图 1 所示。 1. 1 多直方图均衡 多直方图均衡要求将输入图像的直方图分割成直方图子 图，并运用直方图均衡化方法对每一个直方图子图进行增强 处理。 直方图子图的定义如下:设 I 为输入图像，m、n 为图像 I 的长和宽，其像素集合定义为 Xmn，任意一像素点定义为 I(x， y) ，其灰度级别为［0，L － 1］，另定义灰度级别［ls，lf］，0≤ls≤ lf≤L，则定义Isub［ls，lf］为图像 I的子图，即 Isub［Is，If］I，子图 Isub［ls，lf］所对应的点 Isub(x，y)∈X mn，且 ls ＜ Isub(x，y)＜ lf。下 面为子图的概率密度和累计概率: PI［ls，lf］l = HIl /∑ lf i = ls HIi (1) CI［ls，lf］l = ∑ lf i = ls PI［ls，lf］i (2) 多直方图均衡即在直方图子图上，根据其累计概率分布函 数 C进行直方图均衡，最后将其合并到一起。 通过对多直方图均衡化算法的分析可知，其关键点在于如 何获取直方图分割的阈值。基于区域的阈值获取方法，其核心 思想是将空间信息引入到直方图均衡算法中，将图像分成多层 次区域划分，并将根据区域划分的区域灰度级别作为多直方图 均衡的阈值。 1. 2 多直方图阈值获取方法 图像的区域分割算法有很多，如阈值分割、聚类分析的分 割方法、Mean-Shift分割方法、WaterShed 分割方法等。这些方 法中如阈值分割方法，将图像分割成两部分，而另一些算法，如 Mean-Shift分割算法不能设置分割区域数量，这都不符合多直 方图均衡多阈值选取的思路。本文算法综合了算法效率和多 直方图阈值两方面的选择要求，选择采用聚类分析方法来进行 区域划分。聚类分析方法是一种无监督模式识别学习方法，从 初始聚类中心依据相似性和相邻性构造分类器，从而将给定的 数据对象分割成若干不同的类。聚类后的数据集具有类内对 象高度相关性和类间对象差别较大的特点，因而可以用于特征 分类，也可以用于图像的分割。 均值聚类算法属于聚类分析方法中的一种基本且应用最 广泛的划分方法，是一种在无类标号数据中发现簇和簇中心的 方法。选择期望的簇中心数 k，k 均值过程反复移动中心以极 小化整个簇内方差。该算法的基本思想是:在满足式(3)的非 线性目标函数最小化的条件下，对给定的一个包含 n个对象 xi (i = 1，…，n)构成的数据集分成 k个类 Cj(j = 1，…，k) ，从而使 得类内对象具有高度的相似性、类间对象的相似性较低且生成 的类尽可能紧凑和独立［7］。 J =∑ k j = 1 ∑ n i = 1 ‖x(j)i － Cj 2‖ (3) 其中:‖x(j)i － Cj‖ 2 为选择数据集中对象 x(j)i 到聚类中心 Cj 的距离。 K-均值聚类的算法步骤［7］如下: a)确定需要分类的类数 k; b)从数据集 x(j)i 中随机选取 k个对象作为 k个类 Cj 的初 始聚类中心 Cj(j = 1，…，k) ; c)依次计算对象 x(j)i 与这 k个聚类中心 Cj 的距离 d(x (j) i ， Cj) ，并将对象划分到距离最小的类中; d)分别计算新生成的各个类 Cj 中所有对象的均值，并作 为新的聚类中心; e)计算非线性目标函数，当误差函数变化很小时，则结束 聚类，否则重复 c)～ e)。 1. 3 算法实现步骤 该算法的实现上首先将图像进行 K-means聚类分析，把图 像划分成多层区域，将每个区域的灰度级别的最大值和最小值 作为多直方图的分割阈值。然后根据阈值将图像分割成多个 sub-images，并对每个 sub-image 进行直方图统计，同时进行直 方图均衡。最后将所有均衡化后的 sub-image组合、输出，得到 最后的增强图像。其具体步骤如图 2 所示。 2 实验结果与分析 本文选取两幅图像分别采用直方图均衡(HE)、BBHE、 ·377·第 2期 李绘卓，等:一种区域多直方图红外图像增强方法 DSIHE、MMBEBHE和本文的方法进行了比较。其实验结果如 图 3 所示。 通过实验，在亮度方面所有算法都对原图亮度有了大幅度 提高，但是 HE、BBHE、DSIHE、MMBEBHE、RMSHE(r = 3)算法 对亮度提高过大，造成了图像的不自然。同时表 1 的客观评估 数据项显示，本文算法在提升图像细节的同时能保持图像的原 有亮度，使图像更为自然。同时在峰值信噪比方面，本文提出 的算法对其有很好的提升。 3 结束语 本文提出将多直方图均衡算法应用到红外图像增强上，并 将空间分割信息作为多直方图分割依据。具体采用聚类分析 方法将目标图像进行区域分割，获取区域的灰度级别，据此进 行多直方图均衡计算，从而使处理效果在保持图像自然度的情 况下，避免了其他处理方法出现的过度增强现象，增强了图像 的细节，取得了较好的效果。 表 1 实验对比客观数据 序号 算法名称 图像 1 均值 峰值信噪比 图像 2 均值 峰值信噪比 1 original 38． 16 － 37． 68 － 2 histogram equalization 139． 26 7． 30 141． 05 7． 20 3 BBHE 83． 44 11． 04 57． 49 16． 26 4 DSIHE 85． 85 10． 76 77． 07 12． 05 5 MMBEBHE 139． 26 7． 30 141． 05 2． 84 6 RMSHE(r =3) 92． 78 8． 62 86． 74 9． 32 7 This paper present(k =5) 72． 10 17． 31 78． 49 15． 83 8 This paper present (k =6) 69． 86 18． 04 62． 96 19． 25 参考文献: ［1］ 于天河，郝富春． 红外图像增强技术综述［J］． 红外与激光工程， 2007，36(7) :335-338． ［2］ KIM Y T． Contrast enhancemen tusing brightness preserving bi-histo- gram equalization［J］． IEEE Trans on Consumer Electronics， 1997，43(1) :1-8． ［3］ WANG Yu，CHEN Qian，ZHANG B． Image enhancement based on equal area dualistic sub-image histogram equalization method ［J］． IEEE Trans on Consumer Electronics，1999，45(1) :68-75． ［4］ CHEN S D，RAMLI A R． Minimum mean brightness error bi-histo- gram equalization in contrast enhancement［J］． IEEE Trans Con- sumer Electronics，2003，49(4) :1310-1319． ［5］ CHEN S D，RAMLI A R． Contrast enhancement using recursive- mean-separate histogram equalization for scalable brightness preserva- tion［J］． IEEE Trans on Consumer Electronics，2003，49(4) : 1301-1309． ［6］ MENOTTI D，NAJMAN L，FACON J，et al． Multi-histogram equali- zation methods for contrast enhancement and brightness preserving ［J］． IEEE Trans on Consum Electron，2007，53(3) :1186-1194． ［7］ 李翠，冯冬青． 基于改进 K-均值聚类的图像分割算法研究［J］．郑 州大学学报:理学版，2011，43(1) :109-112． ［8］ 喻欣，张勇，杜庆，等． 基于直方图修正的局部对比度增强算法 ［J］．计算机与数字工程，2011，39(3) :5-8． ［9］ 武英．基于双直方图均衡的自适应图像增强算法［J］． 计算机工 程，2011，37(4) :244-245． (上接第 766 页)有很大的实用价值。 参考文献: ［1］ GONZALEZ R，WOODS R，EDDINS S． Digital image processing using MATLAB［M］．［S． l．］:Prentice Hall，2003:152-170． ［2］ FERREIRA C． Genetic representation and genetic neutrality in gene expression programming［J］． Advances in Complex System，2002， 5(4) :370-375． ［3］ KAPUR J N，SAHOO P K，WONG A K C． A new method of gray- level picture thresholding using the entropy of the histogram［J］． Computer Vision ，Graphics ，and Image Processing，1985，29 (3) :273-285． ［4］ 董建园，郝重阳，齐敏．基于策略演化水平集的医学图像快速分割 ［J］．中国图象图形学报，2009，14(8) :1690-1694． ［5］ 陈健，田捷，薛健，等．多速度函数水平集算法及在医学分割中的 应用［J］．软件学报，2007，18(4) :842-849． ［6］ 吴志健，康立山，邹秀芬． 一种解函数优化问题的精英子空间演 化算法［J］．计算机应用，2003，23(2) :13-14． ［7］ 王小平，曹立明．遗传算法———理论、应用与软件实现［M］．西安: 西交通大学出版社，2002:97-103． ［8］ 李康顺，潘伟丰，汤铭端，等． 一种基于蜂王交配的求解复杂问题 的演化算法［J］．系统仿真学报，2008，20(7) :1707-1712． ［9］ 徐小慧，张安．基于粒子群优化算法的最佳熵阈值图像分割［J］． 计算机工程与应用，2006，42(10) :8-11． ［10］种劲松，周孝宽． 基于遗传算法的最佳熵阈值图像分割法［J］． 北京航空航天大学学报，1999，25(6) :747-750． ［11］章毓晋．图像工程 (上册 )图像处理和分析［M］． 北京:清华大 学出版社，2006:128-136． ［12］李宏言，盛利元，陈良款．基于二维最大熵原理和改进遗传算法 的图像阈值分割［J］．计算机与现代化，2007，13(2) :34-37． ·477· 计 算 机 应 用 研 究 第 29卷