一种非线性变换的双直方图红外图像增强方法

李绘卓;范勇;唐峻;唐遵烈;熊平;周建勇

【摘 要】红外图像具有噪声大、对比度低等特点，红外图像增强是红外探测、识别和跟踪应用中的核心问题之一。在红外图像增强技术中，直方图均衡方法简单、有效，但存在细节信息损失较大的缺陷。提出一种对红外图像采用非线性变换分段直方图的增强方法，该方法对红外图像进行非线性变换，提高较暗区域的像素亮度，根据前背景区域特征将直方图分成两段，进行双直方图均衡化处理，对前景和背景分别进行图像的增强。经过实验验证，该算法能有效提高图像亮度，扩大目标区的灰度范围，增强前景图像的细节部分。%The infrared image has large noise and low contrast characteristic. The infrared image enhancement is one of core problems of infrared detection, recognition and tracking applications. Histogram equalization plays an important role in infrared image enhancement techniques, but large defect exists, for example the loss of detail information. This paper proposes an infrared image enhancement method based on subsection histogram with nonlinear transformation. The pixel luminance from the dark region is improved by nonlinear transformation. The histogram is divided into two sections based on foreground and background regional characteristics, and the two histograms are equalized to enhance the contrast of the foreground and background. The experiment proves that this method can effectively improve the brightness of the image;extend the gray range from the target region and enhance the detail in the foreground.

【期刊名称】《计算机工程与应用》 【年(卷),期】2014(000)009 【总页数】5页(P155-159)

【关键词】红外图像;图像增强;非线性变换;双直方图均衡 【作 者】李绘卓;范勇;唐峻;唐遵烈;熊平;周建勇

【作者单位】西南科技大学 计算机科学与技术学院，四川 绵阳 621010;西南科技大学 计算机科学与技术学院，四川 绵阳 621010;西南科技大学 计算机科学与技术学院，四川 绵阳 621010;中国电子科技集团公司 第四十四研究所，重庆 400060;中国电子科技集团公司 第四十四研究所，重庆 400060;中国电子科技集团公司 第四十四研究所，重庆 400060 【正文语种】中 文 【中图分类】TP391.41 1 引言

红外图像具有低分辨率，视觉效果模糊，信噪比低等特点，同时红外图像的图像动态变化范围大，自然环境与高热目标形成明显的暗亮区，超过人类的眼睛感知范围,导致部分图像细节难以被人眼觉察。采用红外图像增强技术可有效地改善图像质量，提高人眼对红外视觉的感知能力。目前红外图像增强技术可分为空间域和变换域两大类方法。空间域法直接处理图像的像素值以达到增强的目的，如：分段线性变换、直方图增强技术、图像锐化平滑处理、伪彩色增强等，但这种方法对于每个像素点的自身特性缺乏关注（如边缘信息、轮廓等）。而变换域增强技术则是将图像灰度

数据在一个特定的域中进行转换，如：DFT、DCT、小波、超小波等,通过分析频域信息来增强图像。此外，目前还有不少新技术也被应用到红外图像增强中如：遗传算法、模糊算法等。

红外图像的目标区域与背景区域的灰度值差异较大。针对这一特性，本文提出一种算法，该算法可有效提升特性分析图像亮度，扩大目标灰度范围，增强图像细节。算法首先采用非线性变换，着重提升红外图像暗区域（背景）的亮度，然后分别对红外图像的亮区（前景）和暗区（背景）进行局部直方图拉伸，以增强图像的纹理和细节部分。 1.1 非线性变换

红外图像中通常有较多的低温景物，其特点是图像亮度对比度低，图像细节较难觉察，通过对比度拉伸能简单有效提升亮度和对比度，目前最典型的是分段线性变换法[1]，提高灰度的动态范围，原理如图1所示。该方法通过分段线性变换公式可选择性地提高低亮度图像的动态变换范围，抑制高亮度动态范围。但是该变换需要确定分段阈值，才能达到较好的效果。 图1 分段线性变换示意图

2004年，Li Tao提出INDANE[2]算法，其中使用非线性变换（如式1）方法，该方法可以大大增加黑暗区的亮度,而降低亮区像素值。

式1中， In为输入灰度图像的归一化图像数据。

2005年Li Tao提出AINDANE[3]算法，该算法通过像素亮度参数的调节以改进非线性变换（如式2），避免了全局非线性转换。

其中：z为图像的亮度增强调节参数，取值如式（3），L为像素亮度值，8位灰度图像中其取值范围为[0,255]。

该算法可大幅度地增强低亮度像素的亮度值，并可根据参数z适当地调整其它灰度范围的增强效果。其中参数z可根据一般可见光灰度图像的统计特性确定，当图像中超过90%的像素灰度值（强度）范围高于150,此高亮图像不进行变换，z取值为1；当图像中10%或更多的像素灰度值低于50,则这部分图像需要大幅度增强，以提高其视觉效果，z此时取值为0；而其它情况下，可以采用转换公式适度调整其亮度范围。其增强曲线如图2所示。 图2 AINDANE中非线性变换 1.2 直方图均衡

综合考虑效率和性能等方面的需求，直方图均衡化算法是应用较为广泛的红外图像增强算法上。直方图均衡化算法的基本思想是将像素多的灰度扩展到更多的灰度级，而将像素少的灰度压缩或合并到较小的灰度级。其变换公式如下：

其中 L为最大的灰度，对于 8位灰度图像L=256，各级灰度的累计分布概率如式（5）所示。

最后，根据不同灰度级别的累计概率求解其均衡化后的灰度值，如式（6）。

其中, X0、Xt为灰度最小最大值，对于8位灰度图像。

但是红外图像具有高背景,低对比度和信噪比低等特点。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，其主要表现为高亮度部分的过度增强，而低亮度部分的细节增强不够等。

不少学者在传统直方图均衡基础上提出了很多改进方法,如双直方图均衡

(Brightness preserving Bi-Histogram Equalization,BBHE)[4]，等面积双元子图均衡(equal area Dualistic Sub-Image Histogram Equalization,DSIHE) [5]，递

归均值法分离直方图均衡(Recursive Mean-Separate Histogram Equalization, RMSHE)[6]，G.Maragatham于 2011年提出的改进Bi-Histogram

Equalization[7]等，这些方法的思路是将直方图分成两个部分，然后分别对其进行直方图均衡化以到达增强的效果。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。2007年，D Menotti提出了多直方图均衡（Multi-Histogram equalization，MHE）[8]。MHE算法将直方图分解成多个直方图子图，分别对每个直方图子图进行直方图均衡，该算法中，直方图分解算法复杂度较高，并不适应于实时系统。 2 非线性变换的双直方图增强算法

本文提出算法，主要针对红外图像具有的明、暗区域像素亮度分明的特点，通过对红外图像的暗区域和亮度区域进行分别处理，以达到对图像进行增强的效果。算法流程如图3所示，首先采用非线性增强方式，着重提升红外图像暗区域的亮度；然后分析亮区和暗区红外图像特性并进行局部直方图拉伸，以增强图像的纹理和细节部分。

图3 本文增强算法流程图 2.1 自适应非线性变换

Li Tao在 AINDANE中提出的非线性转换函数，其针对的是可见光灰度图像。而对于红外图像而言，该方法对红外灰度图像中的低灰度段图像增强效果并不是最佳。通过实验（如图4所示）可以看出AINDANE中的非线性变换算法能有效提高低亮图像区域的亮度。但对于图像中间灰度的区域（如图4中，原图1的房屋柱子，原图2的树干）而言，其亮度发暗，增强效果不佳。根据AINDANE中非线性变换中z参数的设定原则可以看出，该原则并不适合红外图像。其原因是，在红外图像中，其低亮度和高亮度像素比例并不满足公式3中所描述的。经过实验验证，调整参数z取值，采用公式7，其亮度提升效果较好。

图4 红外图像的非线性变换

实验结果表明改进后的算法能有效地提高低亮度区域的亮度，且对高亮度图像的影响不大，图像的平均亮度得到了较大的提高。 2.2 双直方图均衡

双直方图均衡算法需将输入图像的直方图分割成两个子图，分别为背景直方图子图和前景直方图子图。再采用直方图均衡化算法对每一个直方图子图进行灰度拉伸。 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，另定义灰度级别 。则定义为图像的子图，即，则有前背景子图。前背景子图所对应的点，且。下面为前背景直方图子图的概率密度和累计概率。

其中，lbackE=lfrontS。双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，并将其合并到一起。

通过对双直方图均衡化算法分析可知，其关键点在于如何获取直方图分割的阈值。本算法提出将图像分成前景和背景两个部分，根据分割的前背景阈值作为双直方图的分割阈值。常用分割算法有灰度期望法、熵关联法、OTSU法、聚类等算法。本算法采用K-mean分割算法。K-mean算法可将图像分割成K个分区，本算法中 K=2，将图像分成前景和背景两个部分。考虑到算法的适应性需求，当红外图像存在需要多层次目标增强时，可用本算法进行扩展，提高前背景层次感，设置 K＞2，可以得多个阈值，进而可进行多直方图增强。K-mean算法是MacQueen在1967年首次提出来的，是一种在无类标号数据中发现簇和簇中心的方法。其优点

是：原理简单，能够动态聚类，具有一定的自适应性，被广泛用于图像分割。 K-mean算法的核心思想是随机选择K个对象，每个对象代表一个簇的初始均值或中心。对剩余的每个对象，计算其与各个簇中心的距离，根据使距离指标的目标函数值E（公式11）最小的原则下，将一个包含n个对象xi(i=1,…,n)构成的数据集分成k个簇。其中g(x)为x处特征值，µj(j=1,…,k)为各个簇的聚类中心。算法选择的相似性度量通常是欧几里德距离的倒数[9]，也就是说两者的距离越小表示两者的相似性越大，反之则相似性越小。然后重新计算各个簇的新均值，更新簇中心。重复该过程，直到准则函数收敛。

根据本算法要求，将图像分成前景和背景两个部分，并计算前景区域frontI 和背景的区域 backI 的取值空间，则有

则取双直方图的分割阈值为。 3 实验分析

本实验用图片由Xeneth GoBi2195红外相机，于西南科技大学校园内拍摄。分别对细节纹理信息不够丰富的低温景物图像（如图5原图1）和富含植物图像（如图5原图2）采用直方图均衡(HE)、BBHE、DSIHE、文献 7提出算法和本文的方法进行了比较。其实验结果如图5所示。

图5 实验结果

表1 试验对比客观数据

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、DSIHERMSHE（r=3）和文献 7提出的算法对文献对比度虽然有较大改善，但对低灰度区域却无明显改善，特别是纹理细节信息。同时表1的客观评估数据显示，

本文算法在提升图像细节的同时也大幅度的提升了原图像背景区域的亮度。虽然对比文献7方法，本算法峰值信噪比值要低些，但相对其它方法本文提出的算法对峰值信噪比也有很好的提升，所得图像较为自然、清晰。 4 结束语

本文提出将双直方图均衡算法应用到红外图像增强上，同时针对红外图像具有的高温目标亮度突出、明暗分区显著的特性，先对图像进行非线性变换，提高红外图像暗区域的亮度，再运用聚类分析方法将红外图像的进行区域分割，获取前背景区域的灰度级别，据此进行双直方图均衡计算，从而有效的增强了红外图像前背景的图像细节。通过实验，红外图像取得了较好的增强效果。 参考文献

【相关文献】

[1]R.C.Gonzalez , R.E. Woods. 数字图像处理（第二版）[M]. 电子工业出版社，2004； [2]Li Tao,Vijayan Asari.An Integrated Neighborhood Dependent Approach for Nonlinear Enhancement of Color Images[J].International Conference on Information Technology: Coding and Computing (ITCC'04) .2004,2(2):138.

[3]Li Tao,V.K.Asari.Adaptive and integrated neighborhood-dependent approach for nonlinear enhancement of color images[J].Journal of Electron Imaging.2005,14(4): 043006-1-043006-14.

[4]KIM Y-T. Contrast enhancementusing brightness preserving bi-his-togram equalization [J]. IEEE Transactions on ConsumerElectron-ics, 1997, 43(1): 1-8.

[5]WANG YU, CHENQIAN, ZHANG BAEOMIN. Image enhance-mentbased on equal area dualistic sub-image histogram equalization method [J]. IEEE Transactions on ConsumerElectronics, 1999, 45(1): 68-75.

[6]CHEN S-D, RAMLIA R. Minimum mean brightness errorbi-histo-gram equalization in contrast enhancement[J]. IEEE Transactionson ConsumerElectronics, 2003,49(4): 1310-1319.

[7]G.Maragatham,S.Md Mansoor Roomi,T.Manoj Prabu.Contrast Enhancement by object

based Histogram Equalization[J]. Information and Communication Technologies (WICT). 2011(12):1118 – 1122.

[8]Menotti, D., Najman, L., Facon, J., de Araujo, A.A.Multi-Histogram equalization methods for contrast enhancement and brightness preserving[J].IEEE Trans.Consum. Electron. 2007,53 (3):1186–1194.

[9]李苏梅,韩国强.基于 K 均值聚类算法的图像区域分割[J].计算机工程与应用,2008,44(16):163-167.