基于暗通道先验和CLAHE的红外图像增强算法

郑林涛，俞卫华，董永生

（河南科技大学 信息工程学院，河南 洛阳471023）

0 引 言

由于红外图像的成像机理和成像环境的限制，红外图像的视觉质量往往欠佳，具有信噪比低、对比度低、边缘模糊和噪声大等特点。因此对红外图像进行图像增强处理对 红 外 图 像 的 后 续 处 理 非 常 重 要［1－5］。

直方图均衡 （histogram equalization，HE）是一种传统的红外图像增强算法［3］。直方图均衡化算法以图像灰度的概率累计函数为基础构造出输入输出灰度的映射函数，使增强后图像像素的灰度级以等概率的方式均匀分布。虽然直方图均衡化能够自动地增强整幅红外图像的整体对比度，但是对于大部分由背景和噪声构成的红外图像而言，直方图均衡化处理往往会导致目标细节丢失、背景过多增强和噪声放大的问题。针对直方图均衡的不足，平台直方图均衡 （plateau equalization，PE）算法通过设置一个平台阈值来抑制对红外图像中背景部分的过度增强，但是如何选择合适的平台阈值是一个难点，平台阈值的选择目前还是需要依靠经验选择，因此这也限制了平台直方图均衡算法的应用。同态滤波增强算法只适合那些本身已经具备较好对比度的红外图像，对大部分红外图像经过同态滤波处理之后图像灰度会更低，图像对比度会更差。

针对以上方法的不足，本文提出一种红外图像增强算法。该算法将广泛应用于图像除雾领域的暗通道先验 （dark channel prior，DCP）算法应用到红外图像增强［6］。首先对需要增强的红外图像运用暗通道先验算法，然后使用对比度受限自适应直方图均衡算法（CLAHE）进行后续处理。

1 暗通道先验算法

在计算机视觉和图像处理领域中，McCarney 的大气散射模型得到广泛应用；该模型表示如下

式中：x——图像上像素点；I（x）——到达成像设备的光线强度。t（x）——场景的透射率，反映了光线穿透雾的能力。J（x）——不受空气介质干扰的实际景物光线强度。J（x）t（x）——景物 的 直 接 衰 减 项。A——大 气 光；A（1－t（x））——大气光成份。图像去雾问题的目标就转化为从已获得的降质带雾图像I 反求无雾图像J，而A 和t都是未知的。

He Kaiming等根据150个流行的图像标签从互联网上搜索引擎上收集图像。手工挑选出没有雾的图像建立了一个5000副图像的数据库。通过对这些无雾场景图像进行分析后发现，在不包含天空的图像局部区域中，总是会有一些像素，它们的颜色通道中至少有一个具有很低的像素值［6］。

对一幅图像J上述结论可写作

式中：Jc——J的一个颜色通道。Ω（x）——以x为中心的一个局部邻域。这个式子被称作暗通道先验公式。

对式 （1）两边取最小运算，然后利用式 （2）可得

然后选取暗通道中0.1%最亮像素，取其亮度的最大值作为大气光A 的估计值。

求得t（x）和A 之后带入式 （1）即可得到无雾图像J（x）

t0是为了避免最终去雾结果中包含噪音而设定的透过率的下限值，常取值为0.1。

需要注意的暗通道先验理论不仅适用于彩色图像，而且也适用于灰度图像。而红外图像是灰度图像，因此也能够用暗通道先验理论来处理。

经过对图1和图2观察发现，经过暗通道先验处理过的图像与原图像相比，虽然清晰程度有很大提升，但是表现为亮度和对比度偏低的特点。为了弥补这些不足，我们引入CLAHE算法对这些图像进行后续处理。

2 CLAHE算法

CLAHE算法是由直方图均衡算法演化发展而来，最初应用于医学图像处理领域。直方图均衡是一种传统的图像增强算法。直方图均衡化是一种全局性增强方法，在改善图像整体对比度方面成效显著，但是往往对细节增强效果不佳。而这一点对红外图像增强效果的影响尤为严重。因此在红外图像增强实际应用中直方图均衡化算法往往并不能达到理想的效果。

图1 原始红外图像

图2 图1经过DCP处理的结果

为了克服上述直方图均衡算法的局限，Pizer提出自适应直方 图 均 衡 化 算 法［7］（adaptive histogram equalization，AHE），在图像的局部分析中引入直方图均衡化思想。AHE算法通过对局部区域进行直方图均衡化来改变局部的灰度分布，使局部细节得到明显的增强。因此，该算法更适合于改进图像局部的对比度来获得更多的图像细节。但是自适应直方图均衡化算法有过度放大区域的噪声问题，因此有学者提出了对比度受限自适应直方图均衡化［8－10］（contrast limited adaptive histogram equalization，CLAHE）算法，该算法对自适应直方图均衡化算法进行了改进，采用固定阈值的限幅方法有效抑制局部区域对比度的过度增强及区域噪声的放大问题。

3 本文算法

本文算法将成功应用于图像除雾领域的暗通道先验（dark channel prior，DCP）算法应用到红外图像增强。对需要增强的红外图像运用暗通道先验算法，结合使用对比度受限自适应直方图均衡算法 （CLAHE）进行后续处理。本文算法的流程如图3所示。

图3 本文算法流程

算法的详细步骤：

（1）对需要增强的红外图像I进行暗通道先验处理，将得到的结果图像记作IDCP；

（2）将从 （1）中得到的结果图像IDCP作为CLAHE 算法的输入图像，将IDCP分割成相同大小的互不重叠的子窗口；

（3）计算每个子窗口的灰度直方图；

（4）由限制系数α 计算相对应的子窗口直方图限制阈值β。采用文献 ［9］中的计算公式

式中：M、N——子窗口中的像素总数、灰度级，Smax称为最大斜率。

（5）根据限制阈值β 对子窗口的直方图进行裁剪，然后将被裁剪下来的像素重新分配子窗口直方图中；

（6）对裁剪后重新分配的子窗口直方图进行直方图均衡化操作；

（7）建立子窗口区域的灰度映射函数，用双线性插值求出各像素点的灰度值。即得到经CLAHE 变换处理后的最终增强红外图像。

4 实验结果与分析

为了验证本文所提的增强算法的有效性，对大量红外图像进行了实验，并和其它的红外图像增强方法，即直方图均衡化、同态滤波算法进行对比。

图4为原始红外图像，图5、图6和图7分别对应原始图像经过直方图均衡化、同态滤波和本文算法处理过后的结果。

图4 原始红外图像

图5 直方图均衡化后的处理结果

图6 经同态滤波处理后的结果

图7 本文算法的处理结果

图8、图9、图10和图11分别是原始图像、直方图均衡化、同态滤波和本文算法结果所对应的灰度直方图。

从图4可看出，原始红外图像对比度低并且视觉效果模糊，这可以从其所对应的直方图图8中看出。原始图像中的灰度集中分布在有限的几个灰度级中。图5和图9分别是直方图均衡化的结果和对应的直方图，从图9可以看出经过直方图均衡化后，原始红外图像的灰度分布变得更分散，这意味着图像的整体对比度得到了较大改善，这一点可以从图5中得到印证。从图9中还可看出，图像的灰度分布出现了明显的断层现象，这表明图像的细节信息已有较多的损失。虽然直方图均衡处理可以改变图像的整体对比度，但是往往会出现局部的过增强现象。在图5的四角部分可以看到明显的过亮现象。图6和图10是同态滤波后的结果和其所对应的直方图。从图6中可看出经过同态滤波处理，原始图像的亮度得到了改善，而图像的清晰度和对比度依然没有得到改善。从图10中可看出，同态滤波后图像的灰度分布集中在高亮度区域。图7和图11是本文算法的处理结果和其所对应的直方图。从图11中对应的直方图可以看出图像的灰度尽可能均匀分布在较多的灰度级上，没有集中堆积在某一灰度区域。跟原始图像相比，本文算法的结果图像显得更清晰并且拥有良好的对比度。

图8 原图像的直方图

图9 直方图均衡结果对应的直方图

图10 同态滤波结果对应的直方图

图11 本文算法结果对应的直方图

针对原始红外图像图1，表1从定量的角度对几种算法进行比较。本文采用的评价指标是红外图像增强领域广泛使用的图像熵和标准差。图像的熵值表征的是一幅图像所携带的信息量。熵值越大则表明图像增强算法的增强效果越好。标准差反映的是图像的灰度值与图像的灰度平均值的差异情况，常用标准差表示图像的反差情况。标准差越大表明图像的反差越大，对比度越大，图像增强算法的增强效果越好。直方图均衡化方法结果标准差最大而熵值最小，且熵值远比其它几种方法小。这表明直方图均衡化方法成功的提高了对比度但是对比度过高会引起过增强现象，会导致图像的信息量有较多损失。而从表中可以看出本文算法的信息熵值远高于其它算法，说明经过本算法处理大幅提升了图像的熵值，提升幅度远高于其它算法，具有更好的增强效果。本文算法的标准差虽小于直方图均衡化的结果而远大于同态滤波算法，说明本算法具有良好的提升图像对比度的效果。

表1 增强算法的定量比较结果

综上所述，从主观评价和客观指标方面比较了几种算法的效果，本文算法均表现出较好的性能。

5 结束语

本文提出了一种基于暗通道先验和CLAHE 的红外图像增强新算法。本算法先对原始红外图像进行暗通道先验处理，在保留原始图像细节的同时除去原始图像中的噪声。使用CLAHE算法对图像进行处理，提高图像的亮度和对比度。经过仿真验证，经本算法增强后的红外图像整体视觉质量得到明显改善。图像本算法比常规的红外图像增强算法具有更好的增强效果。

［1］Gade Rikke，Thomas B Moeslund.Thermal cameras and applications：A survey ［J］.Machine Vision and Applications，2014，25 （1）：245－262.

［2］GU Jianxiong.Research of infrared image enhancement algorithm ［D］.Lanzhou：University of Lanzhou，2009：1－2 （in Chinese）.［顾建雄.红外图像增强算法研究 ［D］.兰州：兰州大学，2009：1－2.］

［3］Lin Chih－Lung.An approach to adaptive infrared image enhancement for long－range surveillance［J］.Infrared Physics ＆Technology，2011，54 （2）：84－91.

［4］Bai Xiangzhi，Zhou Fugen，Xue Bindang.Infrared image enhancement through contrast enhancement by using multiscale new top－hat transform ［J］.Infrared Physics ＆ Technology，2011，54 （2）：61－69.

［5］Kylili Angeliki，Paris A Fokaides，Petros Christou，et al.Infrared thermography（IRT）applications for building diagnostics：A review ［J］.Applied Energy，2014，134：531－549.

［6］He Kaiming，Sun Jian，Tang Xiaoou.Single image haze removal using dark channel prior［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33 （12）：2341－2353.

［7］Schatz Volker.Low－latency histogram equalization for infrared image sequences：A hardware implementation ［J］.Journal of Real－Time Image Processing，2013，8 （2）：193－206.

［8］ Maitra Indra Kanta，Sanjay Nag，Samir Kumar Bandyopadhyay.Technique for preprocessing of digital mammogram［J］.Computer Methods and Programs in Biomedicine，2012，107 （2）：175－188.

［9］Reza Ali M.Realization of the contrast limited adaptive histogram equalization（CLAHE）for real－time image enhancement［J］.Journal of VLSI Signal Processing Systems for Signal，Image and Video Technology，2004，38 （1）：35－44.

［10］Min Byong Seok，Dong Kyun Lim，Seung Jong Kim，et al.A novel method of determining parameters of CLAHE based on image entropy ［J］.International Journal of Software Engineering and Its Applications，2013，7 （5）：113－120.