红外夜视图像自适应增强系统设计

王文锦，杜素霞，陆 平

(中国船舶重工集团公司第七一八研究所，河北邯郸056027)

1 引言

随着现代科技的发展，红外夜视成像技术在世界各国军事领域均得到了广泛的应用。上至战斗机、巡航导弹，下至舰船、潜艇、坦克、步兵装备，红外夜视成像系统都是实现其信息化改造的重要组成部分，是实现信息化作战的必不可少的装备之一。但由于目标、景物的固有红外特性和外界大气环境等因素的干扰和影响，造成了成像效果的不理想，视觉观察较为模糊。所以有必要对红外夜视图像进行数字增强处理，为人眼观察和后续的智能图像分析检测提供有利条件。

直方图均衡化算法［1－2］是一种最常用的红外夜间图像增强方法。其实质是使图像中灰度概率密度较大的像素向附近灰度级扩展，而概率密度较小的像素灰度级收缩，使图像充分利用各灰度级，因而增强了图像的对比度。但由于红外夜视图像的灰度值动态范围小，而且存在噪声干扰，所以直方图均衡虽然增大了图像的对比度，但主要提升的是红外夜视图像的噪声，而非细节;而且往往处理后的图像视觉效果生硬、不够柔和，有时甚至会造成图像质量的恶化［3］。

本文根据红外夜视图像的特点，提出了一种基于小波域的图像自适应增强系统，该方案可以有效提高红外夜视图像的对比度，在抑制图像噪声的前提下对图像细节进行增强。无论是通过人眼视觉观察，还是利用客观评价指标进行评估，本文算法的表现均超越了直方图均衡化算法。

2 红外夜视图像自适应增强方案

红外夜视图像空间相关性强，对比度低，视觉效果模糊。成像器件和电路本身会带来各种噪声，再经过对数增益控制器的放大，造成了图像的低信噪比。从红外夜视图像的应用特点来看，成像系统一般应用于野外移动装置，因此红外夜视图像增强方案必须适合在嵌入式系统中运行，故开发的增强算法必须运算量小且易于硬件实现。

根据以上分析，本文提出的红外夜视图像自适应增强方案如图1所示。该系统主要由3个处理流程组成:小波变换预处理、低频子带增强和高频子带增强。下面具体介绍各流程的实现过程。

图1 红外夜视图像自适应增强系统框图

2.1 小波变换预处理

为了对红外夜视图像存在的各种缺陷采取针对性强的处理措施，本文首先对图像进行小波变换。传统的卷积小波变换运算量大，且实时性差，不利于硬件实现。因此，本文采用Daub 5/3整数提升小波变换。它的正变换公式［4］为:

对应的逆变换公式为:

Daub 5/3小波的优点有:首先，运算速度快，其正变换和逆变换的计算仅靠整数加法和移位就可实现。其次，内存需求低，小波变换后的系数用short型数据(2个字节)即可保存。这些特点均有利于它在硬件上的实现。

在小波分解后的图像中，主要整体信息由低频系数表征，纹理细节信息由高频系数表征［5］。如图2所示，本文对待处理的红外夜视图像进行1级小波变换，后续处理过程在小波分解后的低频子带和高频子带分别进行。

图2 一级小波变换示意图

2.2 低频子带增强

由于红外夜视图像像素灰度值动态范围小，不能充满整个灰度级空间，绝大部分像素集中于某些相邻的灰度级范围，而且图像整体偏暗，相应的灰度直方图也集中分布于坐标系的左侧［6］。所以红外夜视图像增强的主要工作在于将暗区的信息表达清楚，但又不能过亮，以免丢失过度的细节信息。因此，本文算法对LL1子带系数进行自适应动态范围扩展。具体实施过程为:

首先，统计出红外夜视图像LL1子带的直方图，然后从直方图的最左端开始，对各像素值的出现频数进行累加。当累积频数达到0.03时，将当前像素值记为T1;继续累加，当累加频数为0.97时，将当前像素值记为T2，累加结束。

其次，对LL1子带系数进行分段非线性变换，变换公式为:

从公式可以看出，上述变换可以将LL1子带图像的主要内容扩展到整个灰度级空间。随着亮度的增加，该非线性变换函数对灰度级的拉伸扩展程度呈递减趋势，在扩大图像暗区主要内容动态范围的同时，避免了图像过亮，有效防止了图像细节信息的丢失。而且算法只对LL1子带进行处理，有效节省了运行时间。

2.3 高频子带增强

高频子带的处理流程主要包括两项关键技术，即纹理保护高斯滤波和噪声抑制边缘增强。

2.3.1 纹理保护高斯滤波

为了抑制红外夜视图像的噪声，同时避免损失图像的纹理细节，并考虑到算法的易于硬件实现性，本文采用基于高频子带方向性的高斯模板滤波策略。

二维高斯滤波器的数学表达式［7］为:

如果对图像中的所有像素点利用该公式进行滤波处理，将涉及大量的指数和浮点数运算，在很大程度上会影响到算法的实时性。本文通过选取合适的平滑参数，将连续高斯滤波函数进行离散化和归一化，得到二维高斯滤波模板:

再对图像小波分解后的高频子带采取滤波措施。HL、LH、HH子带分别对应图像竖直、水平、对角线方向上的高频分量，包含了大量的图像纹理信息。为了保证这些细节信息不在滤波的过程中受损，本文对HL1、LH1、HH1子带分别使用三个不同方向的滤波器，所对应的公式分别为:

通过以上高斯加权平滑操作，在有效去除图像高频信息噪声的同时，保护了各方向的边缘细节信息。而且处理过程均为整数运算，保证了算法的实时性。

2.3.2 噪声抑制边缘增强

小波变换后的高频部分包含图像的细节信息，因此本文通过对高频系数进行非线性阈值增强，来突出图像的纹理细节。

由于高频子带中同时包含了图像信号和噪声，所以在进行高频系数处理前，有必要对二者进行辨识区分。利用HH1子带系数估计噪声的标准方差［8］，公式为:

其中，μ是HH1子带系数的均值;xi是HH1子带的系数;n是HH1子带系数的数量。

对于正交小波变换，高频系数中的噪声阈值取为:

将绝对值小于 T的HL1、LH1、HH1子带系数看作噪声信号，其他系数作为细节信息采用变换函数进行放大，达到增强图像的高频细节信息、并抑制噪声的目的。本文采取的非线性阈值增强函数为:

其中，Cmax、Cmin分别对应高频子带中绝对值最大和最小的系数值，Cmin一般取零。A是高频系数的放大幅度，在本文中:

通过对幅值大于噪声阈值的系数进行放大，同时抑制被辨识为噪声的系数，在不放大图像噪声的同时，对边缘细节进行了增强。

3 实验结果

为了验证本文算法的有效性，对2幅具有代表性的红外夜视图像进行了测试。分别使用本文算法和直方图均衡化算法进行增强处理，在主观视觉效果和客观评价指标两方面进行了对比。其中客观评价参数包括:离散信息熵和图像噪声指数。实验仿真的软件平台是Visual C++6.0，电脑配置为:主频2.8GHz双核CPU、2GB内存。

图3、图4给出了2组红外夜视图像利用本文方法和直方图均衡算法增强前后的视觉效果对比。从图中可以看出，本文算法处理结果对比鲜明，细节清晰，更适合人眼观察。而直方图均衡化算法对噪声进行了过度增强，一些重要细节信息在均衡的过程中也被合并掉，严重影响了图像的视觉效果。

为量化图像的灰度层次扩展程度和细节增强程度，对两种方法处理后图像的离散信息熵(公式11)进行了计算，结果如表1所示。

其中，ak表示灰度值为k的像素点;P(ak)为像素点ak在图像中出现的概率。

可以看出，和直方图均衡化算法相比，本文算法处理图像的离散信息熵提高了48%～58%。说明原始图像经本文算法增强后，含有更大的信息量，灰度层次更丰富，边缘细节信息得到了有效增强。

本文利用噪声指数［10］来衡量处理后图像的噪声大小，其定义为:

从表1的计算结果可以看出，本文算法的噪声指数仅为直方图均衡化算法的5%。这说明本文算法有效区分了有用信号和噪声，在对图像进行增强的同时没有进行噪声过增强;而且采取的降噪措施切实可行。

表1 两种算法的客观评价指标对比

4 结论

本文提出了一种基于小波域的红外夜视图像自适应增强系统。对不同内容的图像进行自适应动态范围扩展，可以根据图像的亮度统计特性自动确定变换函数，在扩大图像暗区动态范围的同时，避免了图像过亮，有效防止了图像细节信息的丢失。根据小波系数的方向性进行纹理保护高斯滤波，在去除噪声信号的同时，避免了边缘细节信息的损失。噪声抑制边缘增强技术通过估计噪声阈值，采取非线性阈值增强函数对高频系数进行边缘细节增强，同时避免了噪声信号的放大。实验结果表明，本文算法不仅在主观视觉方面的表现超越了直方图均衡化算法，且离散信息熵提高了48% ～58%，噪声指数仅为直方图均衡化算法的5%，处理后的图像满足人眼观察和机器识别的要求。今后的研究工作在于红外夜视视频序列的增强，以及在嵌入式系统上对算法进行优化实现。

［1］Stark J A．Adaptive image contrast enhancement using generalizations ofhistogram equalization［J］．IEEE Trans．on Image Processing，2000，9(5):889 －896．

［2］Lau S S Y．Global image enhancement using local information［J］．Eletron．Letters，1994，30(2):122 －123．

［3］Zeyun Yu，Chandrajit Bajaj．A fast and adaptive method for image contrast enhancement［C］//Proc．of ICIP 2004，2004:1001－1003．

［4］A W CalderBank，I Daubechies，W Sweldons．Wavelet transforms that map integers to integers［J］．Applied and computational harmonic analysis，1998，5(3):332 －369．

［5］Li Qingzhong，Wang Wenjin．Low-bit-rate coding of underwater color image using improved wavelet difference reduction［J］．Journal of visual communication and image representation，2010，21(7):762 －769．

［6］Yang Shubin，He Xi，Cao Heng．Double-plateaus histogram enhancement algorithm for low-light-level［J］．Journal of convergence information technology，2011，6(1):251－256．

［7］Wang Zhenhua，Dou Lihua，Chen Jie．An adaptive gaussian filter with scale adjustable［J］．Optical Technique，2007，32(3):395 －402．(in Chinese)王振华，窦丽华，陈杰．一种尺度自适应调整的高斯滤波器设计方法［J］．光学技术，2007，32(3):395 －402．

［8］David L Donoho，Iain M Johnstone．Ideal spatial adaption via wavelet shrinkage［J］．Biometrika，1994，81(3):425－455．

［9］Ma Shichao，Wang Zhensong．Rapid comuptation of trigonometric function on dsp［J］．Computer Engineering，2005，3(22):12 －14．(in Chinese)马士超，王贞松．基于DSP的三角函数快速计算［J］．计算机工程，2005，3(22):12 －14．

［10］ John Immerkr．Fast noise variance estimation［J］．Computer Vision and Image Understanding，1996，64(2):300－302．