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。

一、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()y x f ,，设图像灰度值为0r 、1r ......1-L r ，则概率密度函数()i r P 为：

()()....3,2,1==

i r r P i i 图像上总的像素数的像素数灰度级为

且有()110

=∑-k i r P ，由于i r 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。

二、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s为原图像中像素的灰度值，t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：

t

=1

-

L

s-

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

s 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

1和2s到1-L之间的像素的动态范围被压缩，而灰度值在1s到2s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：

()s

=1

log

t+

C

其中C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1s到2s之间灰度级突出，而将其余灰度级变为某个低灰度