红外增强算法综述.docx
《红外增强算法综述.docx》由会员分享，可在线阅读，更多相关《红外增强算法综述.docx（14页珍藏版）》请在冰豆网上搜索。
红外增强算法综述
红外增强算法综述
在图像形成、传输或变换的过程中，由于受到其它客观因素诸如系统噪声、曝光不足或过量、相对运动等影响，获取图像往往会与原始图像之间产生某种差异（称为降质或退化）。
退化后的图像通常模糊不清或者经过机器提取的信息量减少甚至错误，因此必须对其采取一些手段进行改善。
图像增强技术正是在此意义上提出的，目的就是为了改善图像的质量。
图像增强根据图像的模糊情况采用各种特殊的技术突出图像中的某些信息，削弱或消除元关信息，达到强调图像的整体或局部特征的目的。
图像增强尚没有统一的理论方法，常用的图像增强技术有直方图修改、图像平滑滤波、图像锐化等。
下面将由红外图像的直方图出发，介绍相关的增强算法。
1、红外图像的直方图及其特点
1、红外图像的直方图
图像的基本描述有灰度、分辨率、信噪比、频谱等等。
灰度直方图是用于表达图像灰度分布情况的统计图表，有一维直方图和二维直方图之分。
其中最常用的是一维直方图，其定义是：
对于数字图像
，设图像灰度值为
、
......
，则概率密度函数
为：
且有
，由于
取值离散，故直方图习惯画成灰度级—像素数（图1）的形式。
图1：
典型直方图
直方图具有以下性质:
1）只表示图像中每一灰度级出现的频数，而失去了具有该灰度级的像素的位置信息；
2）图像与直方图之间是多对一的映射关系；
3）一副图像各子区直方图之和等于该图像的全图直方图。
在图像处理中，直方图是很有用的决策和评价工具。
直方图可以提供下列信息：
1）每个灰度级像素数出现的频数；
2）图像像素值的动态范围；
3）整幅图像的大致平均亮度；
4）图像的整体对比度情况。
直方图统计在对比度拉伸，灰度级修正、动态范围调整、图像亮度调整、模型化等图像处理方法中发挥了很大作用，在本文后面的讨论中将可以看到直方图的意义。
2、红外直方图的特点
对红外图像直方图与可见光图像直方图进行对比研究可以发现，红外图像相对于可见光图像有着其特有的规律和特点：
1）像素灰度值动态范围小，很少能覆盖整个灰度级空间。
而可见光图像的像素则几乎分布于几乎整个灰度级空间。
2）绝大部分像素集中于某些相邻的灰度级范围内，在这些范围内以外的灰度级上的像素数量很少，而可见光的像素分布则相对比较均匀。
3）直方图中有明显的峰存在，很多情况下为单峰或者双峰（分为主峰、次峰），而可见光图像直方图的峰不是很明显，并且峰的数量一般多于两个。
但要注意的是，上述三点是大多数红外图像直方图所具备的特点。
由于具体的气候条件、环境温度等因素的影响，不同季节不同时间段内各种物体的热辐射呈现不同的特点，物体越热，红外成像的亮度越高，物体温度越低，其红外成像的亮度就越低，所以实际当中的红外图像往往呈现出各自的特点，并不一定与上述特点完全一致。
2、通常的红外图像增强算法
图像增强是一种基本的图像预处理手段，对图像的某些特征，如对比度、边
缘等进行增强或突显，便于后续分析和处理。
它并不意味着能增加原始图像的信
息，有时甚至会损失一些信息。
但图像增强的结果却能加强对某些特定信息的识
别能力，使图像中我们感兴趣的特征得以加强，从而使这些特征的检测和识别变
得更加容易。
1、红外图像增强算法的分类
图像增强的处理技术从增强的作用域出发，可以分为空间域的方法和变换域
的方法两大类，如图2所示。
空间域法直接对图像像素进行操作，主要的空间域法有直方图均衡化、直方图规定化、灰度窗口和空域滤波等技术；而频率域法是首先将图像从空间域按照某种变换模型（如傅立叶变换）变换到频率域，然后对图像进行处理，再将其反变换到空间域，获得增强图像，这是一种间接地方法，频域方法有高通滤波、低通滤波、带通和带阻滤波等技术。
图像增强算法的优劣不是绝对的，由于具体用的目的和要求不同，所需要的
具体的增强技术也大不相同，因此没有图像增强的通用标准，观察者才是某种增
强方法优劣的最终判断者。
增强算法处理的效果，除了与算法本身有一定关系外，
还与图像的数据特征直接相关。
实际应用中应当根据图像数据的特点和工作的要
求来选择合理的图像增强处理方法。
由于红外图像的成像机理以及红外成像系统自身的原因，红外图像与可见光
图像相比，大多有图像对比度低、图像较模糊、噪声大等特点。
为了有利于后续
的图像分析、目标识别或跟踪等处理，必须对红外图像进行增强预处理。
本文算
法以提高红外图像对比度为目的，讨论基于灰度变换的图像增强方法。
图2：
图像增强分类图
下边将分析研究常见的图像增强方法，并应用这些方法对红外图像进行增强
处理研究。
2、直接灰度变换
图像的直接灰度调整是一种较为简单实用的红外图像处理方法。
直接灰度变
换在算法分析上比较简单，这里只需给出变换前后的灰度映射关系即可，在图3中给出了四种常用的变换曲线。
图像求反的定义是将原图像的灰度值翻转，如图3中（a）所示。
图中
为原图像中像素的灰度值，
为对图像进行灰度变化的增强图像中像素的灰度值，增强的效果是使原图像中亮的地方变暗，暗的地方变亮。
其表达式如下：
对比度增强方法增强了原图像中各部分的反差。
典型的增强对比度的变换曲
线如图3.2中（b）所示。
可以看出，通过这样的变换，原图像中灰度值在0到
和
到
之间的像素的动态范围被压缩，而灰度值在
到
之间的像素的动态范围被拉伸。
这种变换通常是将图像中感兴趣的灰度值范围拉伸，可以得到增强的图像。
图3：
常用的灰度变换曲线（a）图像求反（b）对比度增强（c）动态范围压缩（d）灰度切分
有时候原始图像的动态范围太大，超出某些显示设备的允许动态范围。
比如
医疗图像的灰度值用上12位、甚至更多的二进制位来表示，这种显示超出了普通显示器的显示范围，这就需要通过压缩（或伪彩色增强）处理后才能对图像进行显示。
一种常用的动态范围压缩方法是借助对数变换，如图3.2中（c）所示。
其表达式如下：
其中
为尺度比例常数。
对数变换有一个重要特征，就是它在很大程度上压
缩了图像像素值的动态范围，其应用的一个典型例子就是傅立叶频谱，它的像素
值有很大的动态范围。
灰度切分的目的是将某个灰度值范围变得比较突出。
一种典型的变换曲线如
图3中（d）所示，它将
到
之间灰度级突出，而将其余灰度级变为某个低灰度值，其实质是图像的二值化。
类似的变换曲线还有很多，可以通过改变变换曲线的形状，使变换后的图像的灰度统计直方图满足需要，这里对其它的直接灰度变化不再一一举例。
直接灰度变换是将图像中的每一点（或在一个区域中的每一点）从已给定的
灰度映射到变换后的另一个灰度，这种方法用于所处理图像的灰度级未占满其全
部容许的灰度级范围的情况时，对比度的增强效果是明显的。
通常这时所处理的
图像常常来自于图像记录器件或图像最初为“欠曝光”的情况。
灰度变换方法简
单，如果原图的灰度范围越小，该方法的增强效果也就越好。
该方法的主要缺点
在于：
首先，该方法对于原图中所有的灰度级的变换是相同的，而在实际情况下，
人们更关心图像中的某些灰度级，也更希望对这些灰度级进行增强。
其次，该方法适用于原图中大部分灰度级集中在较窄范围内的情况，但对于
整个灰度范围较大的情况，增强效果较差。
第三，对于分段式灰度变换，须先对目标所在的灰度级进行提取，选取合理
的阈值对图像的灰度进行分割，这样可以对目标所占据的灰度范围进行拉伸，而
对其它的背景不进行拉伸或进行压缩。
但同时，阈值的选取成为算法难于解决的
问题。
红外图像的增强处理中，常采用直接灰度变换中的对比度增强的方法来对图
像视觉效果进行改善，通过人工选取图像灰度阈值对图像进行分段操作。
红外图
像增强的具体效果与能否准确选取各阈值有着直接关系。
3、直方图均衡化
直方图调整是一种通过改变图像灰度的概率分布而达到提高图像对比度的方法，包括直方图均衡化与直方图规定化，其中应用最多的是直方图均衡化。
直方图均衡化是非常典型的空域增强方法，它可以大大改善图像灰度分布的动态范围，使其均匀化，增加图像的整体对比度，使人们获得对于红外图像更好的观看效果。
该算法因其简捷高效而得到了广泛的应用。
直方图均衡化的基本思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布，从而改善整幅图像灰度分布的动态范围，达到增强图像整体对比度的效果。
直方图均衡化对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。
它所采用的方法是利用累积分布函数作为图像灰度值的变换曲线，这里用
表示原图像中像素的灰度值，
表示第
级灰度值，
表示增强图像中像素的灰度值，
表示第
级，并对
和
作归一化处理，则直方图均衡化可表示为：
式中
是图像的灰度级个数，
是图像中具有灰度值
的像素的个数，
是图像的像素总数，
代表增强操作。
即为各灰度级的概率。
增强函数需要满足两个条件：
在
范围内是一个单值单增函数；
对
有
。
上面第一个条件保证原始图像各灰度级在变换后仍保持从黑到白（或从白到
黑）的排列次序。
第二个条件保证变换前后图像的灰度值动态范围保持一致。
直方图均衡化的优点是能自动地增强整个图像的对比度，但它的具体增强效
果不易控制，处理的结果总是得到全局均衡化的直方图。
而往往在图像处理中人
们更关心的是目标，对在图像中占大多数像素的背景则不太关注，这种情况下需
要变换直方图使之成为某个特定的形状，从而有选择地增强目标所在的灰度值范
围内的对比度，这就是直方图规定化。
从直方图规定化的原理看，它是可以满足
人们对于图像增强的要求的。
但是为了得到最佳的增强效果，需要制定最佳的特
定直方图，这就要求首先对图像中目标的大小、灰度分布等特征进行相当准确的
提取，否则可能造成目标的残缺或失真。
对于千变万化的实际场景，如何准确提
取目标特征、进一步如何利用这些目标特征制定最佳的特定直方图是相当困难和
复杂的。
在近红外图像的处理中，直方图均衡算法对含有大目标的红外图像增强的效
果一般较好，但不具有普遍性，尤其当图像中含有较小的目标时，可能会因为图
像灰度级的变少而使较小目标消失或者变模糊，使背景得到了增强，这种情况下，
反而会降低了目标与背景的对比度。
4、其他常用的红外图像增强算法
在对红外图像增强的处理中，目前常见的增强处理方法还有形态学锐化图像
增强、对直方图均衡法算法加以改进、多种算法融合增强图像等。
形态学锐化方法基本原理为结合形态学腐蚀与膨胀两种运算，选取一定尺度，先对图像每点分别作腐蚀与膨胀运算，然后在得到的灰度中选取离原灰度最近者，若距离相等，则保持图像灰度不变。
但是基本的形态学锐化方法由于没有区分边缘与平坦区，没有对噪声采取措施进行抑制，虽然能锐化边缘，但视觉效果不佳,而且其形态学结构不能根据边缘自动调整。
对直方图进行拉伸算法是对图像按灰度分布密度进行非均匀采样，采用压扩
量化算法，其基本思想是将非均匀分布的图像转化到均匀域内进行均匀量化，然
后将量化结果反变换成不均匀的结果。
直方图非线性拉伸增强算法综合了一般非
均匀采样的分层思想和压扩量化的变换思想，即对直方图横轴进行非均匀拉伸，
方法是先将直方图的横轴按直方图分布非均匀化，转化到非均匀域进行重整，然
后再将不均匀的直方图横轴均匀化。
基于数字图像融合技术的红外图像增强方法是针对红外图像传输过程中经常出现的噪声类型所提出的一种有效算法。
在图像处理过程中，多数滤波器虽然可以过滤掉一定类型的噪声，但却不能增加原始图像的有用背景信息和目标信息。
实际的目标检测或跟踪系统迫切要求突出目标或背景灰度，增加图像匹配的有用信息，因而对图像的预处理算法提出了更高的要求。
图像融合的目的是综合同一个场景的多个算法结果图像的信息，使其更适合图像匹配处理。
图像数据融合的方法分为像素层融合、特征层融合、符号层融合。
融合算法有效地滤除高斯噪声和脉冲噪声，同时强调了目标和背景中的边缘成分。
这种算法基于不同类型噪声是影响红外图像匹配概率和匹配精度的主要原因，因而可以设计不同的滤波器滤除不同类型的噪声，然后将不同算法处理后的图像按一定的融合规则重新合并为一幅图像。
除上述几种常用红外图像增强算法外，目前小波算法、遗传算法等也被引入
了红外图像增强处理的实际应用中，在对红外图像的增强处理中，处理效果各有
利弊，本文中对这些算法不多做介绍。
3、对直方图均衡化的修正算法
直接对直方图进行均衡化的特点有以下几方面：
（1）自动增强整个红外图像的对比度，均衡化前图像中像素少并且灰度级相邻的那些灰度值，在均衡化以后被压缩到很少几个或一个灰度级内，即出现了灰度级合并现象。
当这些像素数较少的灰度级构成图像的重要细节时，则均衡后细节信息损失较大。
（2）对含有大目标的红外图像而言，因为目标像素点出现的频率较大，因此采用直方图均衡化能起到很好的图像增强效果。
但是当目标是点目标或斑点目标时，因为目标灰度级较少，直接采用直方图均衡化会使目标消失或者变模糊。
（3）直方图均衡化虽然增大了红外图像的对比度，但往往处理后的图像视觉效果生硬、细节分辨效果更差，同时有时有明显的噪声突出，这是因为增强并没有区分目标和噪声。
这显然不符合我们检测低温目标的要求，因而需要对这种均衡化算法进行一定修正。
根据参考资料，这部分有多种算法对直方图进行进一步的修正。
主要有基于阈值和基于规定化两类。
下面将分别进行介绍：
1、基于阈值的直方图均衡化修正
基于阈值的直方图修正就是根据图像的灰度直方图，选择一个合理的阈值，对直方图值小于和大于阈值的灰度级进行不同的处理。
以在增强图像整体分辨率的前提下，保留图像和目标的细节信息，使目标图像显示得更细致。
对于对阈值上下部分的不同处理方法，这里主要介绍平台直方图均衡化以及均衡化——对数变换两种方法。
需要指出的是，基于阈值的直方图均衡化修正方法中，阈值的选取是一个关键的因素，阈值的大小以及能否适应不同图像的特点都是增强结果好坏的决定性因素。
这里的两种方法用了两种不同的方式来获得阈值，下面会进行具体介绍。
平台直方图均衡化算法，首先通过一种自适应的方法获得平台值即阈值。
具体的做法是取出直方图中的极大值构成集合，并求这些极大值的平均数以获得阈值。
在求平均数的时候，根据背景和目标的灰度关系，设定权值进行求平均。
例如，我们的课题中背景亮度要比目标高些，因而求平均值的时候灰度级低的权值要大些。
在获得阈值后，根据阈值对图像进行处理。
对于直方图值高于阈值
的部分取其值为阈值，低于阈值的部分保持不变：
在获得新的直方图的基础上再进行均衡化。
这样处理，能够在一定水平上消除直接对原直方图进行均衡化引起的灰度级合并，和对图像细节的湮没。
另外一种基于阈值的修正方法，首先通过模糊集的理论获得阈值，原理较为复杂，这里不再赘述。
然后对于直方图值高出阈值的部分进行均衡化，而对于低于阈值的部分进行对数变换。
这样处理使得像素在灰度级范围内均匀分布的同时，避免了包含像素较少的灰度级的合并，保留了图像细节的信息。
在提高图像的整体分辨率的同时，能够有较好的细节分辨水平。
2、基于直方图规定化的修正方法
这种修正方法的原理是根据原直方图均衡化的结果，对直方图值不为零的灰度级重新进行平均分配以获得目标分部。
再通过直方图规定化把原图像变换到目标图像。
有的文献又称双向直方图均衡化，具体的做法是：
密度均衡处理后，对灰度不为零的灰度级进行累加统计，设为
，
为实际有效的灰度级数目。
然后将这些灰度级进行重新排序，在整个灰度范围内作等间距的排列，变换函数为：
式中，
表示均衡处理后某一个不为零的灰度在N。
个灰度级中的位置。
具体步骤如下:
步骤1:
对原始图像进行直方图均衡化处理，并进行初始化。
步骤2:
统计均衡化图像中有效灰度级数目
，并记录灰度值在不为零灰度中的相对位置。
步骤3:
根据上式计算等间距的排列建灰度查找表。
步骤4:
根据查找表将均衡化图像各像素的灰阶映射为新灰度级。
双向直方图均衡算法的理论步骤如上。
这种处理方法，在直方图均衡化的基础上，进一步使灰度级的分割根据像素的分布情况平均化。
使一些像素较少的部分获得了更大的灰度范围，在一定程度上提高了细节的分辨率。
四、各增强算法的MATLAB实现
1、图像类型的转换
因图像的增强都是针对灰度图像进行的，而我们的原图不一定是灰度图像，所以首先要对原图像进行转换。
实现过程代码如下：
i=imread（‘g:
\image\tuxiang.jpg’）;
j=rgb2gray（i）;
imshow（j）;
imwrite（j,’g:
\image\tuxiang1.tif’）
3、灰度图像直方图均衡化
i=imread（‘g:
\image\tuxiang1.ti’）;
j=histeq（i）;
figure;
subplot（121）,imhist（i）;
subplot（122）,imhist（j）
4、灰度图像平滑与锐化处理
i=imread（‘g:
\image\tuxiang1.ti’）;
i=imnose（i,’gaussian’,0,0.02）;
subplot（121）,imshow（j）;
j1=wiener2（j）;
subplot（122）,imshow（j1）;
h=fspecial（‘gaussian’,2,0.05）;j2=imfilter（I,h）;
figure;
subplot（121）,imshow（i）;
subplot（122）,imshow（j2）
5、对直方图均衡化修正算法
这部分的MATLAB实现代码比较复杂，这里只给出其流程图。
基于阈值的修正法:
双向直方图均衡化：
五、自己目前完成了的工作
在过去的这短时间里，我主要做了三件事情：
1、学习了MATLAB，对于用MATLAB进行图像处理进行了一些实验；
2、研究了目前常用的一些算法，包括了解了原理，以及其特点。
初步选定了本课题采用的算法；
3、对于自己选择的算法进行了一些初步的试验，不过用的都是自己在网上找的图。
这些图的直方图分布特点和自己估计的目标图像还是有一些差距，而且大都是经过处理的图像。
所以目前没有较好的实验材料进行处理。
升级会员 