基于小波变换的一种红外图像增强算法

基于小波变换的一种红外图像增强算法

常宏韬1，孟庆虎2

(1.河南科技大学 信息工程学院，河南 洛阳 471023；2.香港中文大学 电子工程学院，香港 999077)

摘要：图像增强处理是红外图像预处理的必要和关键环节，但目标物体信号弱造成红外图像的对比度差，外界噪声干扰严重造成图像质量差。基于此，提出了一种基于小波变换与奇异值分解和阈值滤波相结合的增强算法。本文用小波分解将红外图像的高频与低频系数分开，低频域用奇异值分解处理方法来增强对比度和图像质量，高频域用阈值滤波处理来消除噪声突出细节；最后，经过小波逆变换和小波重构得到最终的增强图像。实验结果表明：此方法对比传统的红外增强算法，可以将红外图像的对比度提高，增强红外图像细节，在直观上更符合人的感官感应，是一种有效的红外图像增强方法。

关键词：红外图像；奇异值分解；小波变换；阈值滤波

基金项目：国家“863”计划基金项目(2001AA041001)

作者简介：常宏韬(1988-),男,河南漯河人,硕士生;孟庆虎(1962-),男,山东济南人,教授,博士，博士生导师,研究方向为国防和医疗智能机器人.

收稿日期：2014-04-27

文章编号：1672-6871(2015)01-0048-04

中图分类号：TP317.4

文献标志码：A

0引言

目前，红外图像增强算法研究是红外图像处理中的重要组成部分。由于红外成像技术具有隐蔽性好、对高温目标较为敏感、具有一定的穿透和抗干扰能力且可在夜间工作等特点，所以在军民领域都有着广泛的应用[1]。但由于本身受器件的影响和环境的干扰，图像的质量往往不高，具体表现为视觉效果模糊、分辨率和对比度等都比较低，大大影响了图像质量，因此，红外图像的后期增强处理显得尤为重要。目前，红外图像增强处理是以提高图像分辨率、增强图像细节特征和改善图像清晰度为目的，以达到后续处理的需要。主要方法：在空间域处理上，通常有线性拉伸、直方图均衡、反锐化掩膜等传统方法[2]；在频域处理上，一般对变换系数进行处理，如高通滤波，同态滤波等，并逆变换得到增强后的红外图像。目前的传统增强算法如直方图均衡化法[2]，在处理信噪比较低的图像时将会导致红外图像的背景和噪声占用的灰度级偏多，而目标的灰度级偏少，这相当于提高了背景和噪声的对比度，反而降低了图像质量；而同态滤波算法[3-4]在处理对比度低、亮度暗的图像时，存在视觉效果往往不太令人满意，图像细节处理后不太明显等缺点；而文献[5-6]中单纯的小波变换的阈值滤波处理结果或单纯的奇异值分解处理造成图像对比度太差，不太符合人们视觉感官观察，但由于其各自加入了自适应性算法等使得结果相对折中。

鉴于以上分析，本文采用空频结合的处理方法，对红外图像先采用分频处理。由于小波变换可以将一幅图像分解为大小、位置和方向都不同的分量,在做逆变换之前可以改变小波变换域中某些系数的大小[7-8]，这样就能够有选择地放大所感兴趣的分量而减小不需要的分量。本文先用小波变换将图像分为低频域和高频域，其中，低频域用奇异值分解增强处理来增强对比度和图像质量，高频域用阈值滤波处理用来消除噪声突出细节；最后，经过小波逆变换重构得到最后的增强图像，使对比度和峰值信噪比达到增强的目的。本文用多种方法进行仿真对比。

1基于小波变换的一种红外图像增强算法

1.1　新一代红外成像系统信息及原理

新一代的红外成像技术已经在安防监控中发挥着越来越重要的作用，其中，智能视频监控技术能够对目标进行跟踪、识别、监测[9]等，能够为相关工作人员提供对预警或监控的关键信息。新一代的红外成像系统由光学系统、光谱滤波、红外探测器阵列、输入电路、读出电路、视频图图像处理、视频信号形成、时序脉冲同步控制电路、监视器等组成。其大致工作原理是：光学系统接收目标物的辐射，经过光谱滤波，将目标范围内的红外辐射投射到红外探测成像模块中；红外模块经过对焦平面信息收集、A/D变换、积分，获得红外面阵信号。

由于被测目标物体各部分的红外辐射的热像分布信号非常弱,且本身受器件的影响和环境的干扰，造成图像缺少可见光图像那种层次和立体感，因而，对图像的增强预处理就成为其必要的处理技术手段。最后形成的图像视频传送至监视器处，达到预期的预警或监控目的。

1.2　图像的小波分解

Ajf(x,y)=;

(1)

(2)

(3)

(4)

红外图像经过二层小波分解，可得到相应的示意图，如图1所示。其中，LL2为图像二层分解的低频部分，图像的大部分能量都集中在这一区域，HL1、LH1、HH1和HL2、LH2、HH2分别为一层和二层水平、垂直与对角分量。它们包含图像的细节和噪声信息即高频部分。

图1　图像的二层小波分解示意图

经过上述小波变换，就可以将红外图像的高频与低频分开，进而对其各频域进行再处理。

1.3　基于奇异值分解处理的红外图像低频域增强

在奇异值分解之前，先构造一个高通滤波器，本文用一个改进的高斯高通滤波器。有如下定义：

(5)

其中：D(u,v)=[(u-u0)2+(v-v0)2]1/2为频率(u,v)到滤波中心(u0,v0)的距离；D0为(u0,v0)=(0,0)时D(u,v)的值，为截止频率。令γH>1,γL<1，增强高频且抑制低频，使得图像动态范围变大且对比度增强。

由于数字图像都能表示为多个非负标量组成的矩阵，其奇异值矢量也是唯一确定的，它代表矩阵的分布式特征。对奇异值分解定义[11]如下。

(6)

矩阵经奇异值分解后，通过增强奇异值矩阵来实现图像增强。在低频域加入噪声来达到增强奇异值从而达到增强图像的目的，具体方法如下：

(Ⅰ)低频部分Ajf(x,y)经过奇异值分解得到U,S,V。

(Ⅱ)利用改进的高斯噪声滤波器处理经过傅里叶变换的S，得到Sn。

(Ⅲ)低频域增强后的图像为Ag(x,y)=USnVH。

1.4　基于阈值滤波的高频小波细节红外图像增强

红外图像经小波变换分解所得的高频子带为高频滤波的结果，它包含原图像的大部分噪声和细节信息；具有3个特征：灰度突变性、边界性和方向性。根据以上3个特征，如果特征存在差异，则认为是高频细节(边缘点)，即增强该点的细节图像；否则，则不是。这样既保持对比度优化又增强了红外图像的层次感，使图像信息量更加丰富。

算法如下：

(Ⅰ)图2为4个3×3模板，如图2所示，按0°、45°、90°、135°分别设置4个3×3模板，以(i,j)点为中心将3×3像素区域分成2个部分。按照4个模板分别对红外高频子图像中的每一个像素点进行卷积求和操作。图像中的每一个像素点进行卷积求和操作。

(a)角度为0°(b)角度为45°(c)角度为90°(d)角度为135°

图24个3×3模板

(Ⅲ)对高频红外子图像中的每一像素卷积所得的4个结果求绝对值，将每个结果分别和阈值进行比较，如果其中的任意一个结果大于或等于阈值,则判定其为高频细节，否则不是。由于噪声是随机分布的，无论(i,j)是有效的边界还是平滑的内部，沿边缘方向的2个区域(噪声分布和噪声强度)在概率上都是相等的，从4个模板可以看出噪声的影响基本抵消。

(Ⅳ)对红外高频子图按上述原理进行检测，对高频子图像点进行处理。

1.5　本文算法

(Ⅰ)原红外图像经过小波变换后分别得到图像的低频区域系数和高频区域系数，其中,高频HH表现在对角、垂直和水平方向上，低频域体现在LL2中。

(Ⅱ)低频域LL2用奇异值分解增强处理，用于提高对比度和增强图像质量。

(Ⅲ)高频域用阈值滤波处理，用于去噪和细节提取，让图像更易于人的视觉观察。

(Ⅳ)最后,经过小波逆变换重构得到最终的结果。

2仿真结果和分析

本文通过Matlab仿真，对传统的红外图像增强算法以及文献中所提出的增强算法和本文算法的结果进行对比。对原红外图像分别进行对比实验，实验结果如图3所示。此次仿真针对一幅红外图像，使用不同的方法进行实验结果对比，分别和传统的直方图均衡化处理、自适应均衡化处理、文献[3]中的同态滤波算法以及文献[5]中的小波阈值去噪进行对比。其中，均衡化处理和文献中的阈值去噪处理效果用肉眼就可分辨出增强效果，自适应均衡化与同态滤波算法细节分辨较好，利用图像质量评价中的两个重要标准(峰值信噪比和对比度)进行评判。

本文用峰值信噪比和对比度做为图像的评判标准。

(Ⅰ)峰值信噪比公式：

PSNR=10log(2552/MSE)，

(7)

其中，MSE是处理后图像与原图像的均方误差。

(Ⅱ)对比度。对比度的定义为：

(8)

其中：m和n分别为图像的宽度与高度；f′(i,j)为增强后的图像；对比度高更适合人眼视觉。

图3　实验结果

表1为图3中各个算法增强后的图像的对比度和峰值信噪比结果。从表1中可以明显看出：增强后的图像与原图像和传统处理结果相比，对比度和峰值信噪比都大有改善。其中，直方图均衡化结果对比度虽然较高，但是峰值信噪比较低，图像的细节不能很好地展现出来。与文献[5]中算法相比，对比度和峰值信噪比都有较好的提高，而自适应均衡化算法处理结果较为折中，本文算法的峰值信噪比指标有明显提高。

表1　不同算法的指标结果

3结论

通过实验仿真，本文算法相比较传统的算法(直方图均衡化、自适应均衡化、同态滤波等)处理和单纯的小波阈值去噪处理，在对比度和细节方面有一定的改善，更适合人们的视觉观察，对图像的后续处理有更好的帮助，对视频图像的预警监控也有一定的帮助，因此是可行的。

参考文献：

[1]雷玉堂.红外热成像技术及在智能视频监控中的应用[J].中国公共安全:市场版,2007(8):114-120.

[2]陈钱.红外图像处理技术现状及发展趋势[J].红外技术,2013，35(6):311-318.

[3]王冬梅,路敬纬,王秀芳.基于Matlab的同态滤波算法的研究[J].科学技术与工程,2010,10(26):6562-6564.

[4]吕绪良,文刘强,荣先辉,等.基于小波变换的红外图像模糊与同态增强[J].解放军理工大学学报:自然科学版,2013,14(2):158-162.

[5]储鹏鹏.基于小波变换的图像去噪方法研究[D].西安:西安电子科技大学,2009.

[6]Shih Y T,Chien C S,Chuang C Y.An Adaptive Parameterized Block-based Singular Value Decomposition for Image De-noising and Compression[J].Applied Mathematics and Computation,2012,218(21):10370-10385.

[7]吴强,王新赛,贺明,等.一种结合小波分析与直方图的红外图像增强方法[J].应用光学,2011,32(3):464-467.

[8]孙慧贤,罗飞路,张玉华.基于小波变换和同态滤波的内窥图像增强算法[J].探测与控制学报,2008,30(5):68-72.

[9]王孟,廖云.红外热成像技术在高分子科学研究中的应用[J].高分子通报,2013(7):68-72.

[10]Gonzalez R C,Woods R E.数字图像处理Matlab版[M].北京:电子工业出版社,2011.

[11]刘明,刘先忠.矩阵论[M].2版.武汉:华中科技大学出版社,2005:83-89.