一种新的红外图像增强算法研究

王江歌

（上海邮电设计咨询研究院有限公司，上海 200082）

0 引言

红外技术迅速发展，不仅广泛应用于军事领域，而且在医疗、工业、农业以及交通领域的应用也越来越多[1]。红外技术的优点较多，例如环境适应性强、隐蔽性好以及抗干扰能力强等，但是红外图像在应用过程中也存在许多问题，例如灰度级集中、图像细节清晰度不够以及噪声大等，这些问题都不利于视觉观察。如何增强红外图像细节的清晰度成为国内外学者研究的焦点，传统的方法有灰度变换法、直方图均衡法以及同态滤波法等，此类方法在一定程度上会增强红外图像的细节，但是并没有针对人类视觉特性进行增强，细节信息丢失比较严重，不利于视觉观察[2]。基于此，也有学者考虑人眼对图像的识别规律提出了新的算法，例如基于小波理论算法，该算法的问题是细节突出但是并没有很好地对噪声进行处理；还有基于膜皮层（Retinex）理论算法以及学者提出了Retinex 改进算法，该算法有利于视觉观察，红外图像质量也得到了进一步提高，然而，这种算法会出现“光晕”的现象[3]。

因此，该文提出了一种新的红外图像增强算法，该算法充分考虑图像的光强、灰度等变化的细节，更符合人类的视觉特性，该算法充分利用Weber 理论模拟人类视觉特征对红外图像进行预处理，然后再对分割的图像进行有效增强，在突出红外图像细节的同时，还可以有效消除“光晕”的现象，增强后的图像很符合人类视觉的特征。

1 人类视觉系统特性

图像背景亮度对人类视觉的影响非常大，人类视觉特性可以用分段函数来表示，同时分成4 个区域，具体的划分结果如图1 所示。

在图1 中，横坐标表示亮度的对数形式，纵坐标表示最小视觉差的对数。R1 之前的区域是低对比度区域，该区域的特点是人类视觉系统感受不到的刺激强度的变化，R1～R2区域表示低照度区域，R2～R3 是中照度区域，可称为韦伯区域，该区域也是人类视觉系统主要作用的区域，最后一个区域为饱和区域[4]。人类视觉系统对背景亮度过高和过低的图像细节敏感度很低，因此该文主要针对后3 个区域进行红外图像分析和处理。

图1 人眼视觉区域的划分

2 红外图像预处理

根据韦伯定理可知，刺激量的感知主要由相对强度决定[5]。如果用i表示感觉物理量，用j表示对应物理量，就有公式（1）。

式中：f为常量，f的取值范围为（0，+∞）；b为感知强度，b的取值范围为（－∞，+∞）。

对亮度进行处理，主要是处理红外图像中过暗和过亮的区域，这样就可以保证红外图像中的细节信息保留在视觉敏感区域。接着进行图像分割，分割的依据是背景强度与光强梯度的函数关系。可以把红外图像分割成二维图像，图像的特征是有相似内部特性，如公式（2）所示。

式中：A（x，y）为像素的背景强度；R（x，y） 为输入图像；S为4 个相邻像素的集合；S'为对角线上4 个相邻像素的集合；R（m，n） 为相邻像素点坐标；R（f，l） 为对角线像素坐标。

如果设定光强梯度信息为R'（x，y），那么相应的2 个函数如公式（3）所示。

对人类视觉参数进行定义，使用BZ表示像素最大差异，如公式（4）所示。

用Am表示背景强度阈值，用Fm表示光照梯度阈值，m的取值为1～3，那么就有公式（5）。

式中：β1、β2和β3分别为视觉响应特征参数，经过测试可知，β2=0.12，β3=0.63。

因此，就可以把红外图像分割成3 个区域，如公式（6）所示。

针对不同区域的特点，使用不同的算法对红外图像进行增强处理。

3 红外图像增强处理

针对红外图像分割的结果，不同区域使用不同的算法来实现。使用多尺度Retinex（ Multi scale Retinex，MSR） 算法对红外图像区域2（Weber）进行增强。红外图像有其自身的特点，是通过物体本身热辐射而成的，因此参数目标量M（x，y）和发射量X（x，y）都是由自身特点决定的。使用对数变换就可以消除参数入射量D（x，y）对红外图像的影响。MSR 算法基本原理如公式（7）所示。

式中：*为卷积运算；K（x，y）为低通函数，其功能是估计低频分量；j为环绕个数，一般情况下j=3；ϕj为对应的权重因子。

XN（x，y）有2 个特点：1） 红外图像细节信息更多。2）动态压缩能力很强。使用该算法可以实现整体动态压缩与色感一致性之间的平衡。

针对红外图像分割的区域一和区域三的特点，该文提出了改进的自适应直方图均衡算法（Improved Adaptively Increasing the Value of HistogramEqualization，IAIVHE）[6]，该算法可以更好地增强对比度。设红外图像为Q（x，y）、基准值为Qm，红外图像可以分成上、中和下3 个部分，通过调整参数就可以得到QIAIVHE（f），因此就能更好地增强图像对比度，如公式（8）所示。

式中：β（f）为自适应约束参数。

调整参数像素灰度区域的分布比例，同时根据参数平均亮度Ri就可以实现亮、暗区产生黑白拉伸的效果，如公式（9）所示。

在有效情况下，α是实数，其范围是[0，1]，通过大量的试验得出的结论是α的最佳值为0.35。因此，就可以计算QIAIVHE（f）的2 个参数（像素分布和拉伸程度），同时也能改变产生传递曲线。如果把β（f）从2 个方向无限接近Ri，就可以很好地预防视觉伪像，达到增强图像对比度的目的[7]。如果使用BIAIVHE（k）表示累积密度函数归一化灰度级，就可以把输出增强图像为公式（10）。

通过以上推论可知，该算法使用参数可以自适应调整的特点，可以避免红外图像对比度过分增强。使用该算法可以实现对红外图像的区域一和区域三自适应拉伸后灰度和增强对比度的自适应。

使用不同方法对红外图像的3 个区域进行图像增强后，再对红外图像进行合并，3 个区域合并的比例是0.3 ∶0.4 ∶0.3，区域二的细节信息得到凸显。具体的算法流程如图2 所示。

4 测试结果

为了验证该文提出算法的正确性，分别使用室内红外图像和室内红外图像进行对比测试，对比测试的算法有DPHE 算法、SSR 算法、CLAHE算法以及BF&HDR 算法。仿真软件使用MATLAB R2019b，测试结果如图3、图4 所示。

图3 室外红外图像对比测试结果

图4 室内红外图像对比测试结果

由测试结果可知，与原始图像相比，经DPHE 算法处理过的图像的目标和细节有了一定增强，但是存在过增强现象，车身细节和人物衣服水杯等细节信息丢失。通过SSR 算法处理过的图像存在无噪声放大和过度增强，虽然增强了细节信息，但是目标没有很好地得到增强。虽然使用CLAHE 算法处理过的图像整体处理效果较好，但是细节信息没有很好地得到增强。BF&HDR 算法处理过的红外图像的细节信息得到了合理增强，视觉效果不错，但是在边缘处出现了拼接痕迹（在车尾与树林交界处以及人与后面墙壁交界处）。使用该文提出的算法处理过的红外图像与原始图像相比，其整体视觉效果很好，无论是目标信息还是细节信息都得到有效增强。

为了更科学地评价红外图像增强效果，该文使用信息熵和运行时间作为量化指标，信息熵如公式（11）所示。

式中：gi为第i个灰度级在图像中出现的概率。

各个算法的量化指标见表1、表2。

表1 各算法信息熵定量评价表

表2 各算法运行时间定量评价表

由表1、表2 可知，该算法在信息熵和运行时间方面都具有明显的优势。

5 结语

为了更好地对红外图像进行增强处理，该文提出了一种新的方法。首先，对红外图像进行预处理。其次，采用不同的方法对不同的红外图像进行处理。最后，再对处理后的图像进行科学重构。该文还与其他4 种不同的算法进行对比测试和定量分析，对测试结果进行分析可知，该文提出的算法对红外图像增强的效果更好，细节更突出，更适合人类视觉观察，在缩短处理时间的同时，还可以很好地处理“光晕”现象。