红外伪彩色图像的去彩化研究

杨 晨，张智勇，王继红，黄寓洋，丁 召

(1.贵州大学 贵州省微纳电子与软件技术重点实验室, 贵州 贵阳 550025;2. 中国科学院苏州纳米技术与纳米仿生研究所, 江苏 苏州 215125)



红外伪彩色图像的去彩化研究

杨 晨1，张智勇1，王继红1，黄寓洋2，丁 召1

(1.贵州大学 贵州省微纳电子与软件技术重点实验室, 贵州 贵阳 550025;2. 中国科学院苏州纳米技术与纳米仿生研究所, 江苏 苏州 215125)

为适应人眼的感知能力，伪彩色编码技术常被用于处理红外探测系统输出的灰度图像。较于灰度图像，计算机对彩色图像处理所需的存储量与计算量较大。鉴于某些红外设备只提供伪红外图像的输出，因此伪红外图像的去彩色化算法成为该文的主要研究目标。除利用最大值分解、平均值与光亮度法3种常见灰度化算法对伪红外图像的处理外，直接对伪彩色图像进行解码的方式也在文中被用于红外图像的去彩色化。实验基于上述两类方法，对线性与正弦非线性彩虹伪彩色图像的去彩色化进行了研究,并对处理后图像的质量进行了比较。实验结果表明，常规灰度算法处理后的伪彩色图像质量较差，而线性伪彩色图像经解码处理后可完全恢复出原图，实现0均方差；对于正弦非线性算法，虽然存在由量化误差引起的损失，但与原图像比仍有非常低的均方差(0.309 4)与高的峰值信噪比(101.356 0)。

伪彩色图像； 解码；非线性； 量化误差

引言

红外成像技术利用红外传感器阵列将人眼不可感知的红外光信号转化为电信号，再经AD转换、编码等环节后成像于显示终端；是现代信息技术的重要组成部分，被广泛应用于医疗、军事、科研、农业、安全监控等领域[1]。不同于可见光的成像器件，红外成像器件一般只对某一波段的光谱敏感，所以常用灰度图像或视频来表示其输出。较之彩色图像，人眼对灰度图像的敏感度较低，因此成熟的红外成像系统往往利用色彩映射的方式将灰度图像转化为伪彩色。伪彩色编码的方法众多，比如彩虹编码[2]、局部线性映射法[3]、自动阈值法[4]等。

现代图像技术的应用包括医药图像处理、卫星图像处理、分子图像处理等，彩色图像向灰度图像转换是最常用到的图像处理算法之一[5]。这不仅由于计算机对灰度图像处理所需的存储量与运算量往往要低于对彩色图像的要求。而且有研究认为，灰度算法的选择对图像的后续处理算法，如图像识别等，有重要的影响[6]。

由于在图像处理中的重要意义，去彩色化算法引起了国内外研究者的极大兴趣。有的算法旨在灰度化后维持图像的对比度、锐度、阴影和保持图像的结构[5]。有的研究采用全局映射和局部彩色对比度提高相接合的方法[7]。也有研究者利用虚拟光度轴(VLA)的方法[8]。但上述研究均面向于一般的彩色图像，而本文针对某些商用红外成像系统只提供伪彩色处理后的图像或视频输出这一特点，对图像的去彩色化展开了研究。除了常见的最大值、平均值与加权平均值3种灰度化算法外，本文还利用红外设备常采用线性与非线性正弦彩虹编码进行伪彩色处理这一特点，提出了利用解码的方式对伪彩色图像进行灰度化。并比较了经这两种方法处理后的图像质量，并对解码去彩色化过程中产生的误差进行了分析。

1 基本原理

1.1 伪彩色算法

灰度图像有多种伪彩色算法，例如热金属算法是按图像灰度级的由低到高映射到黑色到白色，其命名类比于金属由低温到高温颜色；而彩虹编码是按灰度级由低到高映射为蓝色至红色，类似于彩虹的颜色区间[2]。而不同伪彩色算法的基本原理可表示为[9]

(1)

其中，Γx(x=R, G, B)为将图像的灰度映射到红、绿、蓝RGB图像的映射函数。

按照伪彩色编码的映射关系，可以将伪彩色变换分为线性变换与非线性变换[9]。在遵循将灰度级由低到高映射到由蓝到红这一基本原则下，彩虹编码可以按照线性方法(图1(a))，或以人眼对光的吸收为依据[1]按正弦(图1(b))的非线性的关系进行映射。线性映射与非线性映射的Γx可以分别为

Γx=kxI+bx

(2)

Fx=255sin(ωxI+φx)

(3)

图1 彩虹伪彩色编码的映射关系图Fig.1 Mapping relationship of rainbow pseudo code

1.2 灰度化算法

伪彩色图像也属于一种RGB图像，其灰度化也可以适用普通彩色图像的灰度化算法。对于RGB图像，图像灰度化基本流程如图2所示。

图2 伪彩色化图像灰度化的基本流程图Fig.2 Basic flowchart of conversion for pseudo color image gray image

其基本思路是将图像加载到内存之后，按顺序将每个像素的红、绿、蓝三通道的灰度值取出，并按特定的灰度化算法进行处理。其灰度化算法主要以如下3种算法为代表[5-6, 10-12]：

1) 最大值法：对某一像素，取3个基色通道中的最大值：

R=G=B=max(R,G,B)

(4)

2) 平均值法：对某一像素，取3个基色通道中的平均：

R=G=B=(R+G+B)/3

(5)

3) 亮度法：根据人眼对不同色彩的敏感度来调整权值Wr、Wg和Wb：

R=G=B=WrR+WgG+WbB

(6)

式中，(Wr,Wg,Wb)的一种常用取值为0.298 9、 0.587 0、0.114 0[12]。

对于经伪彩色算法处理后的图像而言，这3种灰度算法没有考虑到图像的变换过程，因此在变换过程中可能产生损失。而红外伪彩色图像是灰度图的变换，无论是线性还是非线性映射，伪彩色编码都要遵行在灰度空间与彩色空间的单一映射，如图1和(1)式所示。利用这一特点，可以将流程图中灰度化算法用对伪彩色图像解码的方法来替换。解码的灰度化方式可以保持伪彩色图像和灰度图像映射之间一一对应的关系。但由(1)式混合后的伪彩色图像，在灰度化解码过程中，要考虑到不同颜色之间的相互作用，因此解编过程可以表示为

I(i,j)=Γ-1[R(i,j),G(i,j),B(i,j)]

(7)

2 实验结论与讨论

2.1 实验结论

图3(b)和(c)为经彩红编码处理后的伪彩色图像。可以看出，由于2种插值均属于彩虹编码，其共同之处是将低亮度的低温区映射到蓝色区、中亮度的中温区映射到绿色区、高亮度的高温区映射到红色区。而从图3(b)和(c)可以看出，线性插值在高频细节区域显示较为模糊，而正弦插值在高频细节方面体现得更好。

图4为利用最大值法、均值法与亮度法对图 3 中伪彩色图像灰度处理后的结果。可以看出，经均值法处理后的伪彩色图像，细节损失严重，整体的灰度偏暗。而最大值法对于细节的保存虽然较好，但是由于总是强制取3个基色空间中的最大值，因此整体的图像偏亮。权重法利用不同的权重调整人眼对不同基色的敏感度，因此在细节与亮度方面都取得了较好的效果。

对比线性和非线性伪彩色图像的灰度化效果，可以看出，非线性插值的伪彩色图像经通用灰度化算法处理之后，可以获得更好的处理效果。这与图3中伪彩色图像自身的质量一致。

图5为利用解码法对红外伪彩色图像进行处理的结果，可以看出解码法对线性与非线性伪彩色图像处理之后的效果无明显区别，且处理结果与图3(a)中的图像原图比较一致。

图5 红外伪彩色图像的解码算法Fig.5 Decoding algorithm for infrared pseudo color image

2.2 解码误差分析

均方差(MSE)与峰值信噪比(PSNR)是衡量图像处理前后图像质量的重要标准[13-14]。从表 1可以看出，在通用灰度化算法中，亮度法的均方差最小，峰值信噪比最大；而最大值法的均方差最大，峰值信噪比最小。这也说明了在通用灰度算法中经亮度法处理后的伪彩色图像质量最好。而非线性正弦伪彩色图像经通用灰度化算法处理后的图像与对应线性伪彩色相比，均方差低，峰值信噪比高，这与图 4和图 5所观察到的效果一致。

表1 伪彩色图像经解码与通用灰度化算法处理后的图像质量

从表 1也可以看出解码算法的效果远好于通用算法，对线性伪彩色图像，解码算法可以无损恢复出原始图像。而由于受到量化误差的影响，正弦伪彩色图像的解码误差主要来自于量化误差。

(8)

由(2)式可以看出，线性伪彩色算法的Γx一直在将亮度值I维持在整数空间，因此编码和解码的过程中都不会产生量化误差。

3 结论

本文研究了红外图像的彩虹线性与非线性伪彩色映射及将伪彩色图像去彩色化的算法。线性映射与非线性映射相比，运算形式较为简单、运算量小，但伪彩色图像质量较差。在常见的灰度算法下，线性伪彩色图像灰度化后的图像质量较差。本文还提出了以解码的方式对伪彩色图像进行灰度化，线性伪彩色图像可以通过解码无损恢复出原图像；而非线性伪彩色图像由于受到2次量化误差的影响，恢复后的图像会产生损耗，但实验结果表示，其仍具有较低的均方差和较高的峰值信噪比。

[1]GonzalezRC,WoodsRE.Digitalimageprocessing[M]. 3rded.Indiana：PrenticeHall, 2007：29-46.

[2] Levkowitz H, Herman G T. The design and evaluation of color scales for image data [J]. IEEE computer Graphics and Applications, 1992, 12(1): 72-80.

[3] Wu Qiang, Wang Xinsai, Wang Weiping, et al. Infrared imaging colorizing method based on local linear embedding [M]. Journal of Applied Optics, 2012, 33(4): 733-737. 吴强，王新赛，王卫平, 等. 基于LLE的红外成像彩色化处理算法研究[M]. 应用光学，2012，33(4): 733-737.

[4] Liu Chanlao, Tan Lixun, Li Chunyang, et al. Pseudo-color coding and processing for infrared images [J]. Jounal of Applied Optics,2006,27(5):419-422. 刘缠牢, 谭立勋, 李春燕,等. 红外图像伪彩色编码和处理[J]. 应用光学，2006, 27(5): 419-422.

[5] Saravanan C. Color image to grayscale image conversion [C]. Washington：Computer Engineering and Applications (ICCEA), 2010 Second International Conference, 2010: 196-199.

[6] Kanan C, Cottrell G W. Color-to-crayscale: does the method matter in image recognition? [J]. PLoS ONE, 2012, 7(1): e29740.

[7] Smith K, Landes P E, Thollot J, et al. Apparent greyscale: a simple and fast conversion to perceptually accurate images and video [J]. Computer Graphics Forum, 2008, 27(2): 193-200.

[8] Hua X. Human computer interactions for converting color images to gray [J]. Neurocomputing, 2012, 85: 1-5.

[9] Abidi B R, Zheng Y, Gribok A V, et al. Improving weapon detection in single energy X-Ray images through pseudocoloring [J]. IEEE,2006,36(6):748-196.

[10] Gooch A A, Olsen S C, Tumblin J, et al. Color2Gray: salience-preserving color removal [J]. ACM Transactions on Graphics, 2005, 24(3): 634-639.

[11] Reinhard E, Ashikhmin M, Gooch B, et al. Color transfer between images [J]. IEEE, 2001, 21(5): 34-41.

[12] Grundland M, Dodgson N A. Decolorize: Fast, contrast enhancing, color to grayscale conversion [J]. Pattern Recognition, 2007, 40 (11): 2891-2896.

[13] Huynh-Thu Q, Ghanbari M. Scope of validity of PSNR in image/video quality assessment [J]. Electronics Letters, 2008, 44(13): 800-801.

[14] Chikkerur S, Sundaram V, Reisslein M, et al. Objective video quality assessment methods: a classification, review, and performance comparison [J]. IEEE, 2011, 57(2): 165-182.

Decolorizing of infrared pseudo color image

Yang Chen1, Zhang Zhiyong1, Wang Jihong1, Huang Yuyang2, Ding Zhao1

(1.Guizhou Provincial Key Laboratory for Micro-Nano-Electronics and Software, Guizhou University,Guiyang 550025, China; 2.Suzhou Institute of Nano-tech and Nano-bionics, CAS, Suzhou 215125, China)

Considering the human eyes’ perception capability, the pseudo color coding technology is usually adopted to colorize the output gray image of infrared systems. Comparing to gray images, computers need more memory and calculation to process color images. Since some infrared equipments only provide pseudo color images,the grayscale conversion of pseudo color image was studied. Besides the 3 common algorithms, maximum decomposition, average and luminance, a decoding method was presented to decolorize infrared images. Based on the 2 kinds of methods above, decolorizing for both linear and sinusoidal nonlinear pseudo color images were studied in experiment; furthermore, image quality was also compared. The experiment result demonstrates that the decoding method is a kind of lossless algorithm for linear pseudo color image with 0 mean squared error. For sinusoidal nonlinear algorithm, loss due to quantization errors are inevitable, it still has a quite low mean square error (0.309 4) and high peak signal noise ratio (101.356 0).

pseudo color image; decode; nonlinear; quantization error

1002-2082(2015)03-0403-05

2014-06-23；

2015-04-01

杨晨(1982-)，男，贵州贵阳人，博士，主要从事光电系统与嵌入式成像技术研究。E-mail:eliot.c.yang@163.com

TN911.73

A

10.5768/JAO201536.0302004