红外图像具有噪声大、对比度低等特点，红外图像增强是红外探测、识别和跟踪应用中的核心问题之一。在红外图像增强技术中，直方图均衡方法简单、有效，但存在细节信息损失较大的缺陷。提出一种对红外图像采用非线性变换分段直方图的增强方法，该方法对红外图像进行非线性变换，提高较暗区域的像素亮度，根据前背景区域特征将直方图分成两段，进行双直方图均衡化处理，对前景和背景分别进行图像的增强。经过实验验证，该算法能有效提高图像亮度，扩大目标区的灰度范围，增强前景图像的细节部分。
李绘卓,范勇,唐峻,等:一种非线性变换的双直方图红外图像增强方法 2014,50(9 157 DSIHE),递归均值法分离直方图均衡( Recursive mean其低亮度和高亮度像素比例并不满足公式(3)中所描述 Separate Histogram Equalization, RMSHE), G, Maragatham的。经过实验验证,调整参数z取值,采用公式(7),其亮 于2011年提出的改进Bi- Histogram Equalization等,这度提升效果较好。 些方法的思路是将直方图分成两个部分,然后分别对其 0.L≤100 进行直方图均衡化以达到增强的效果。这些算法都在一 100·100<L≤200 定程度上保护了图像的平均亮度,但在视觉效果上表现 1,L>200 欠佳。207年, D Menotti提出了多直方图均衡( Multi 实验结果表明改进后的算法能有效地提高低亮度 Histogram Equalization,MHE)。MHE算法将直方图 区域的亮度,且对高亮度图像的影响不大,图像的平均 分解成多个直方图了图,分别对每个直方图了图进行直 方图均街该算法中,直方图分解算法复杂度较高,并不亮度得到了较大的提高 适应于实时系统。 2非线性变换的双首方图增强算法 本文提出的算法,主要针对红外图像具有的明、暗 图1 原图2 区域像素亮度分明的特点,通过对红外图像的暗区域和 亮度区域进行分别处理,以达到对图像进行增强的效 果。算法流程如图3所示,首先采用非线性增强方式, 着重提升红外图像暗区域的亮度;然后分析亮区和暗区 红外图像特性并进行局部直方图拉伸,以增强图像的纹 AINDANE中非线性变换 理和细节部分。 开始 输入图像 非线性变换 本文中的非线性变换 图4红外图像的非线性变换 采用K-Mean分割图像 22双直方图均衡 提取背景图像 提取前景图像 双直方图均衡算法需将输入图像的直方图分割成 计算背景区域灰度范围 计算前景区域灰度 两个子图,分别为背景直方图子图和前景直方图子图 再采用直方图均衡化算法对每一个直方图子图进行灰 计算前背景区分的灰度阈值 度拉伸 根据灰度國值进行双直方图均衡 直方图子图的定义如下。设为输入图像,m,n 输出增强图像 为图像「的长和宽,其像素集合定义为X,任意一像 素点定义为l(x,y),其灰度级别为10,L-1,另定义灰 结束) 度级别月,0≤≤≤L。则定义lm,为图像的 图3本文增强算法流程图 子图,即4,小≤,则有前背景子图 kLbacks, backe 21自适应非线性变换 l fron Ll fronts. IGrontrl( I=lak)。前背景子图所对应的点 Li1ao在 DINdaNE中提出的非线性转换函数,其1(x)mo(xy)∈xm,且1.<a(x,ym(xy)<l 针对的是可见光灰度图像。而对于红外图像而言,该方下面为前背景直方图子图的概率密度和累计概率 法对红外灰度图像中的低灰度段图像增强效果并不是最 佳。通过实验(如图4所示)可以看出 AINDANE中的非 线性变换算法能有效提高低亮图像区域的亮度。但对 tack l backs. ackel 于图像中问灰度的区城(如图4中,原图1的房屋柱子 原图2的树十)而言,其亮度发暗,増强效果不佳。根据 AINDANE中非线性变换中z参数的设定原则可以看出, 该原则并不适合红外图像。其原因是,在红外图像中 fran [fronts, fonE 158 014,50(9) Computer Engineering and Applications计算机工程与应用 的低温景物图像(如图5原图1)和富含植物图像(如图5 k backs, ' backed bact L backs' bEckE- 原图2)采用直方图均衡(HE)、BBHE、 DSIHE、 RMSHE back r=3)、文献[]提出算法和本文的方法进行了比较。其 fron [fronts forEl 实验结果如图5所示 backs t(acke-lbacksCl(0),<backe (10) l+( lfonic(, 7>1 其中,beE=lons。双直方图均衡即在直方图子图上, 根据其累计概率分布函数C进行直方图均衡,并将其合 原图1 原图2 并到一起。 通过对双直方图均衡化算法分析可知,其关键点在 于如何获取直方图分割的阈值。本文算法提出将图像 分成前景和背景两个部分,根据分割的前背景阈值作为 双直方图的分割阈值。常用分割算法有灰度期望法、熵 关联法、OISU法、聚类等算法。本文算法采用K-mean 分割算法。K-mean算法可将图像分割成K个分区,本 算法中K=2,将图像分成前景和背景两个部分。考虑 到算法的适应性需求,当红外图像存在需要多层次目标 增强时,可用本文算法进行扩展,提高前背景层次感,设 BBHE 置K>2,可以得多个國值,进而可进行多直方图增强。 K-mean算法是 MacQueen在1967年首次提出来的,是 一种在无类标号数据屮发现簇和簇中心的方法。其优 点是:原理筲单,能够动态聚类,具有一定的自适应性, DSIHE 被广泛用于图像分割。 K-mean算法的核心思想是随机选择K个对象,每 个对象代表一个簇的初始均值或中心。对剩余的每个 对象,计算其与各个簇中心的距离,根据使距离指标的 目标函数值E(公式(11)最小的原则下,将一个包含n RMSHE(r3) 个对象x,( n)构成的数据集分成k个簇。其 中g(x)为x处特祉值,4(=1,2,…,k)为各个簇的聚 类屮心。算法选择的相似性度量通常是欧几里德距离 的倒数,也就是说两者的距离越小表示两者的相似性 越大,反之则桕似性越小。然后重新计算各个簇的新均 文献[7提出的算法 值,更新簇中心。重复该过程,直到准则函数收敛。 E=∑∑|g(x)-1+ 根据本文算法要求,将图像分成前景和背景两个部 本文算法 分,并计算前景区域l和背景的区城IA的取值空 图5实验结果 间,则有: 通过实验,在亮度方面所有算法都对原图亮度有了 x E Front g(x)e[lfon s, Fonte (12)大幅度提高,但是IE、BBIE、DSIE、 RMSHE(r=3)和 x∈ lback g(x)∈[aks, backed 文献[刁]提出的算法对文献对比度虽然有较大改善,但对 则取双直方图的分割阙值为lsF=lemn 低灰度区域却无明显改善,特别是纹理细节信息、。同时 表1的客观评估数据显示,本文算法在提升图像细节的 3实验分析 同时也大幅度提升了原图像背景区域的亮度。虽然对 本实验用图片山 Xcncth GoBi2195红外相机,于西比文献「η方法,本文算法峰值信噪比值要低些,但相对 南科技大学校园内拍摄。分别对细节纹理信息不够丰富其他方法本文提出的算法对峰值信噪比有很好的提升, 李绘卓,范勇,唐峻,等:一种非线性变换的双直方图红外图像增强方法 2014,50(9 所得图像较为白然、清晰 approach for nonlinear enhancement of color images[C 表1实验对比客观数据 International Conference on Information Technology Coding and Computing(ITCC 04), 2004 图像 图像2 序号算法名称 均值 PSNR(dB均值 [3]Ii Tao, Asari V KAdaptive and intcgrated ncighborhood PSNR/dB 51.58 44.00 dependent approach for nonlinear enhancement of color 直方图 l28.72 900 7.92 images [J]Journal of Electron Imaging, 2005, 14(4 BBHE 85.31 12.50 81.80 11.11 [4 Kim Y T Contrast enhancement using brightness preserving DSIHE 87.8612.18 84.7410.83 bi-histogram equalization[J]. IEEE Transactions on Con- 5 RMSHE(=3 95.34 9.75 90.30 8.73 sumer Electronics. 1997,43(1): 1-8 6文献[7]方法65582011 56.7616.53 [5 Wang Yu, Chen Qian, Zhang Baomin Imagc enhancement 本文方法 160.80 14.80 166.75 13.23 based on equal area dualistic sub-image histogram equal- zation method[J .IEEE Transactions on Consumer Elec 4结束语 tronIcs,1999,45(1):68-75 本文提出将双直方图均衡算法应用到红外图像增6] Chen s d. Ramlia R Minimum mean brightness error bilis 强上,同时针对红外图像县有的高温目标亮度突出、明 togram equalization in contrast enhancement[IEEE Trans 暗分区显著的特性,先对图像进行非线性变换,提高红 actions on Consumer Electronics, 2003, 49(4):1310-1319 外图像暗区域的亮度,再运川聚类分析方法将红外图像71 aragatham, oomI, rabu M. Contrast enhance 进行区域分割,获取前背景区域的灰度级别,据此进行 ment by object based histogram equalization Cyilnfor 双直方图均衡计算,从而有效增强了红外图像前背景的 mation and Communication Technologies(WICT), 2011 图像细节。通过实验,红外图像取得了较好的增强效果。 1118-1122 8 Menotti D, Najman L, Facon J,et al. Multi-histogram equal ization mcthods for contrast enhancement and brightness 参考文献 preserving[ IEEE Trans on Consum Electron, 2007, 53 [] Gonzalez r c, Woods r e.数字图像处理[M]2版北京 (3):1186-1194 电了工业出版社,2004 9]李苏梅,韩国强基于K-均值聚类算法的图像区域分割方 [ Li Tao, Asari VAn integrated neighborhood dependent 法[J计算机工程与应用,2008,44(16):163-167 第三届高分辨率对地观测学术年会 The 3rd China high resolution Earth observation Conference 征文通知 高分辨率对地观测学术年会( China high Resolution earth observation Conference)是一个开放的学术交流平台旨在交 流思想观点,分享研究成果,营造学术氛围,进一步开拓思路,发现人才,推动理论创新和技术进步,促进产学研合作与交流,支持 我国高分辩率对地观测事业持续健康发展。 主办单位:高分率对地观测系统重大专項管理办公室;中囯科学院重大科技饪务局;中国阬天科技集团公司宇航部;中匡 航天科工集团公司空间工程部;中国电子科技集团公司科技部。 征文要求:1.年会只收录未公廾发表过的论文,中英文均可。中文稿件必须包含英文题目、英文摘要、英文关键宇和英文参考 文献;2论文重点突岀,观点眀确.论据充分,数据准确,文字通顺,图表工整清晰;3.论文请勿涉及保密內窄(提交全文时须在线或 传真出具单位保密审査证眀),请作者确保论文的真实性、准确性,文责自负;4.凡投稿论文被录用且未作特殊声眀者,视为已同意 授杈岀版。请自留论文底稿,来稿恕不退冋;5.“青年创新基金论文¨第一作者年龄要求不大于40周岁,第一作者若为在恔学生 毕业时间颏晩于2016年2月;6论文模板、提交方式详见会议网站,会议不接受其他方式投稿;7.论文摘要提交截止时间:2014年6 月30口;仝文提交截止时间:2014年7月30口 详情请登录计算机工程与应用官:htp:/ea.ceaj.org。 组委会联系方式 1电话:010-58887299/136815699042传真:010-58887301 3会议网址: Www. chrEos oro(请留意本网站最新消息)4电子邮箱: chrcoc(a mail.icaccn 高分辨率对地观测学术年会组织委员会 2014年4月