一种新的实时红外图像增强技术

周 妮，张 湧，吴滢跃

（中国科学院上海技术物理研究所，上海 200083）

摘要：提出了一种新的实时红外图像增强技术。此方法首先对图像进行多尺度滤波处理，得到图像的低频部分和高频部分；然后利用自适应平台直方图均衡的方法（APE）对低频部分进行了对比度增强，利用阈值XP方法对图像的高频部分进行了边缘锐化和降噪处理。很好的解决了红外图像存在的目标与背景对比度差、边缘模糊、噪声较大等缺陷。而且此方法的处理时间为每帧25ms满足实时显示的要求。实验表明此方法能在实时红外图像系统中取得了非常好的显示结果，红外图像经该方法增强后，目标与背景的对比度、边缘清晰度等都有一定改善。

关键词：红外图像增强；APE；实时图像处理

中图分类号：TP391 文献标识码：A 文章编号：1001-81(2010)06-0324-04

A New Real-time Image Enhancement in IR Imaging System

ZHOU Ni，ZHANG Yong，WU Ying-yue

(Shanghai Institute of Technical Physics, Chinese Academy of Science, Shanghai 200083, China)

Abstract：This paper describes a new real-time image enhancement technique for IR imaging system. The method separates an input image into high spatial frequency and low spatial frequency component images. By operating on the two component images separately, that is, we apply APE to realize image contrast enhance in the low frequency component, while in the high frequency component processing edge-sharp and reducing noise. Experimental results indicated that this method can be goodly used in real-time IR imaging system.

Key words：infrared image enhancement，APE，real-time image processing

引言

随着红外技术的发展，红外探测器的响应率越来越高，最小可探测到0.01K的温差。但是红外图像与可见图像相比普遍存在着目标与背景对比度差、边缘模糊、噪声较大等缺点[1]，这就需要应用到图像增强技术。现比较流行的图像增强技术大多是基于直方图均衡的方法[2]，其原理是扩展图像中比重较大的灰度，压缩图像中比重较小的灰度。但是这种方法并不适用于红外图像，因为由于红外图像的特性，热物体（目标）可能只占图像的一小部分，或者热物体与背景的温差太大而趋于饱和。为了克服直方图均衡的不足，Silverman J[2,3]提出了直方图投影（HP）技术，Virgil E. Vichers[4]，提出了平台直方图均衡技术。其中，平台直方图均衡技术是最适用于红外图像增强的方法，实现该方法的关键是平台值（P）的选择。Gruben, J. H.[5]提出了一种自适应计算平台值（P）的方法（APE），但是APE只能增强目标的对比度，不能解决边缘模糊、噪声较大的问题。本文针对这一问题提出了一种新的方法。此方法基于unsharp masking（UM）技术[6,7]，它首先把输入图像分解成低频部分和高频部分，这样，就可以分别对低频部分进行APE，同时对高频部分进行边缘锐化和降噪处理，这样既增强了目标的对比度又解决了边缘模糊、噪声较大的问题。实验结果表明此方法能在实时红外图像系统中取得了非常好的显示结果。

1自适应平台直方图均衡（APE）

1.1 平台直方图均衡概述

平台直方图均衡是一种非常有效的对比度增强方法[4]，它通过平台值（P）可直接控制输出图像的对比度，以降低相同灰度如背景的影响。选择一个合

324

325

适的平台值（P ），背景中小的、热目标的细节能被显示出来。平台直方图均衡可用以下公式表示：

21()

()

n k k D s P d s P −⋅=

(1)

式中：D 为最大的输出值（8位显示，D ＝255）；k 为输入灰度∈[0，2n －1]；s k (P )累积分布函数定义为：

()min(,())k

k i s P P H k ==∑ (2)

式中：H (k )即为输入图像的直方图。

从式(1)中可以看出当P ＝1时，平台直方图均衡变为直方图映射（HP ），当P ≥H (k )max 时，平台直方图均衡变为经典的图像增强方法——直方图均衡（HE ）。所以说式(1)是HP 和HE 的通用表达式。 1.2 平台值的自适应选择

平台直方图均衡对红外图像具有较好的增强效果，但关键在于如何有效选择平台阈值（P ）。James H. Gruben 提出了自适应平台直方图均衡（APE ）[5]。其原理是根据输入图像的累积分布函数CDF(k )得到一些关键的参数信息，并用这些参数信息自适应地求得平台阈值（P ）。

CDF(k )由式(3)表示：

0()

CDF()k

i H i k N ==∑ (3) 式中：N 为图像总的像素个数。所需参数由图1和表

1求得。

图1 自适应平台直方图均衡所需参数

Fig.1 Parameters for APE

从表1和图1中可以看出，绝大部分参数值可以通过计算CDF(k )获得。值得注意的是CDF(k )的值不可能完全与表1所定义的一样，因此，CDF(k )所对应的灰度级应该是最接近的那个灰度级。而I inf,a 和I inf,b

则是利用直方图的形状求得的。即它们是通过利用大小为w ×w 的窗口在直方图上滑动计算其总和而得到的。I inf,a 和I inf,b 分别对应一定阈值下滑动窗口内直方图的总和与前一个总和的差等于给定阈值时的灰度级，其中，阈值为∆＝ε(I max ―I min ), ε∈[0,1]。限定条件为：

I inf,a ＝{I inf,a ＝k |I inf,a ＜I 25%}

表1 自适应平台直方图均衡所需参数详解 Table 1 Important values for adaptive plateau equalization 参数名称描述

计算方法 I min 直方图中第一个非零灰度值对应的灰度级

出现CDF(k )＞0的第一个k 值 I max 直方图中最后一个非零灰度值对应的灰度级

出现CDF(k )＞0的最后一个k 值 I 0.1% CDF(k )为0.1时所对应的灰度级

k : CDF(k )＝0.1 I 99.9% CDF(k )为0.999时所对应的灰度级

k : CDF(k )＝0.999 I 99.99% CDF(k )为0.9999时所对应的灰度级

k : CDF(k )＝0.9999I 25% CDF(k )为0.25时所对应的灰度级

k : CDF(k )＝0.25 I 75% CDF(k )为0.75时所对应的灰度级

k : CDF(k )＝0.75 I inf,a 直方图第一个拐点所对应的灰度级

见下文 I inf,b

直方图最后一个拐点所对应的灰度级

见下文

ηA 小于灰度级I inf,a 的像素个数 inf,min

1()a I A i I H i η−==∑

ηB

大于灰度级I inf,b 的像素个数

max

inf,1

()b I B i I H i η=+=

∑

max min inf,inf,inf,75%inf,,2b b b b I I I I k I I I ⎧−⎫==><⎨⎬⎩⎭

(4)

确定两拐点之后，即可利用表1中的公式求得ηA

和ηB 。

为了计算平台值（P ），还需计算一些中间变量。首先，计算直方图中心区域和直方图尾部区域的比率，如下式：

()

A B A B

N X ηηηη−+=

+ (5)

之后就可得到归一化的平台阈值P nom ：

k

H /K

I min

I 1%

I inf,a I 25%

I 75%

I 99.9%I 25%

I 99.99%

I max

I inf,b

326 99.99%inf,inf,1%

inf,inf,nom

99.99%inf,inf,1%

inf,inf,B

b a b a A b a b a

X I I I I I I P X I I I I I I ηη⎧−>−⎪−⎪=⎨⎪−≤−⎪−⎩ (6)

然后，图像的动态范围R D 和动态范围调节因子F DR 可以通过式(7)和式(8)求得：

R D ＝I 99.9%－I 1% (7)

max

D max D

DR

D

D max

max

11L R L R F R R L L ⎧−>⎪⎪=⎨⎪−≤⎪⎩

(8)

式中：L max 为输出的最大灰度；

除了动态范围调节因子F DR 外，还需计算另一个调节因子F ED ，即大于I 75%的灰度级的拉伸因子。F ED 可由下式求得：

25%0.1%ED 75%0.1%

1I I

F I I −=−− (9)

最终，平台值（P ）为这些中间变量的乘积：

P A ＝P nom ⋅F DR ⋅F ED (10)

2 本文提出的方法

此方法把输入图像分解成高频图像和低频图像

两个部分，并分别对此两部分进行处理。这样，既可以增强目标的对比度又可以降低噪声，锐化边缘。此方法的基本流程图，如图2所示。

图2 新方法的软件流程图 Fig.2 New method’s flow

首先，输入图像f (x , y )通过低通滤波获得低频图

像f lp (x , y )，这个低通滤波器通常采用均值空域滤波器，为了提高运算速度，在此采用的是加权平均滤波器，如图3所示。

1212421

21图3 加权平均滤波器 Fig.3 Weight Average Filter

把输入图像减去低频图像即为高频图像f hp (x , y )。然后，对高频图像进行调整，以增强边缘，降低噪声。这里使用阈值x p 来区分噪声和边缘，如下式所示：

()()()()()1hp hp p hp 2hp hp p

,,,,,g f x y f x y x g x y g f x y f x y x ⎧<⎪

=⎨

≥⎪⎩ (11) 对于低频图像，可采用上述所说的自适应平台直方图均衡的方法。最后，把处理好的高低频图像叠加在一起g l (x , y )，再对其进行输出灰度，便得到了输出图像：

()()()()()l l l l 0,0,,0,255255,255

g x y g x y g x y g x y g x

y ≤⎧⎪

=<<⎨⎪≥⎩

(12)

3 实验结果及分析

实验采用本所自行研制的红外相机对作为采集系统，对某一场景进行实时采集。图像分辨率为256×256，输出频率为每秒26帧。显示通过计算机软件来完成，其主界面如图4所示。

图4 显示软件的主界面 Fig.4 Software main interface

此软件分别对输入图像进行自适应平台直方图

均衡和本文提出的方法，并分别显示在左图和右图。实验结果，如图5所示。

从图5(b)中可以看到更多的细节，如球上的网格、

(a) APE (b) 提出的方法

图5 APE与提出方法的结果比较

Fig.5 Results of comparing two methods for test image

4结束语

本文针对自适应平台直方图均衡（APE）只能增强目标对比度，基于unsharp masking技术提出了一种新的实时红外图像增强技术。该方法在提高红外图像目标对比度的同时，解决了边缘模糊、噪声较大的问题。实验结果表明此方法能在实时红外图像系统中取得了非常好的显示结果。参考文献：

[1] David A. Huckridge, Reinhard R. Ebert. Dynamic range compression and

contrast enhancement in IR imaging systems[C]//Electro-Optical and Infrared Systems: Technology and Applications IV, SPIE, 2007, 6737: 67370P.

[2] Silverman J. Signal processing algorithms for display and enhancement of

IR images[C]//SPIE, 1993, 2020: 440-450.

[3] Silverman J. Display and enhancement of infrared images[M]//

Electro-Optical Displays, New York: M. A. Karim, 1992: 585-651.

[4] Vichers V E. Plateau equalization algorithm for real-time display of

high-quality infrared imagery[J]. Opt Eng, 1996, 35(7) : 1921-1926. [5] Gruben, J. H., et al. Scene-based algorithm for improved FLIR perfor-

mance[C]//P roceedings of the SPIE: Infrared Imaging Systems: Design, Analysis, Modeling,and Testing XI, 2000, 4030: 184-195.

[6] S. K. Mitra, H.Li. A new class of nonlinear filters for image enhancement

[C]//Proc. IEEE Int. Conf. Acoustics, Speech and Signal Processing, 1991:

2525-2528.

[7] G. Ramponi, N. Strobel, S. K. Mitra, et al. Nonlinear unsharp masking

methods for image contrast enhancement[J]. Journal of Electronic Imaging, 1996, 5(3): 353-366.

[8] 冈萨雷斯. 数字图像处理[M]. 第二版. 北京:电子工业出版社, 2003:

59-112.

327