一种自适应红外图像增强技术

收稿日期:2009205210

基金项目:教育部科学技术重点研究项目资助(108114)

作者简介:寇小明(19672),男,中船重工第705所研究员,西安电子科技大学博士研究生,E 2mail :casscamm @https://www.360docs.net/doc/289179067.html,.

一种自适应红外图像增强技术

寇小明1,2,刘上乾1,洪　鸣1,汪大宝1

(1.西安电子科技大学技术物理学院,陕西西安　710071;

2.中船重工第705研究所,陕西西安　710075)

摘要:针对红外热成像对比度不足的问题,提出了一种S 曲线映射函数,该函数具有定义域与值域区间

一致、拐点非对称的特点,在目标图像增强的同时拟制了杂波背景.为了满足动态场景自适应增强的需

要,建立了基于场景灰度特征调整S 曲线参数的动态自适应模型,该模型用灰度直方图的阈值和调制度

作为输入,用图像增强算法的参数作为输出,并基于典型样本数据通过人工神经网络的BP 算法确定出

了模型中权系数的值,工程应用实例表明这种方法是切实有效的.

关键词:红外成像;背景抑制;图像增强;自适应;BP 算法

中图分类号:TN911.73 文献标识码:A 文章编号:100122400(2009)0621070205

Approach for adaptive infrared thermal image enhancement

KOU X i ao 2mi ng 1,2,L I U S hang 2qi an 1,HO N G M i ng 1,W A N G D a 2bao 1

(1.School of Technical Physics ,Xidian Univ.,Xi ’an 710071,China ;

2.No.705Research Institute CSIC ,Xi ’an 710075,China )

Abstract :　As for the inadequate contrast of inf rared thermal imaging ,as S curve mapping f unction is

proposed to enhance target objectives and in the meantime suppress background clutters ,which has the

same range of domain with a variable interval and a non 2symmetrical inflection point.With the need of

adaptive enhancement for the changing scene ,a dynamic self 2adaptive model is proposed to adjust the

parameters of the S curve based on the scene.By using the threshold and modulation of histogram as the

input parameters and the parameters of the enhancement algorithm as the outputs ,the coefficients of the

model is determined based on typical samples of data through the artificial neural network BP algorithm ,

with the application showing that this approach is effective.

K ey Words :　infrared imaging ;background suppression ;image enhancement ;adaptive ;BP algorithm

红外成像过程由于受到目标辐射特性、红外传输特性、红外探测特性和环境因素的影响,其成像质量远远低于可见光图像,主要体现为非常低的对比度和信噪比.按照普朗克方程,常温附近场景中1K 的温差,在中红外波段反映出的对比度信息大约是4%,在长波段大约是2%[1],在实际应用中常温附近3K 的表观温差意味着非常好的热成像条件,但此时图像的热对比度仍然比较低[2],因此,红外成像观测系统的性能较强地受到背景的制约,属于BL IP 系统.在红外探测、识别和跟踪应用中,背景温度的影响非常显著,如何进行背景抑制和图像增强一直是红外成像技术研究的核心问题之一[3].

红外图像增强技术可以分为静态和动态两种,静态图像增强适用于静态图像或远距离的准静态成像观测,增强技术主要有模糊域、遗传算法等[425],这些算法计算量较大.目前红外成像已从远距离探测应用发展到近距离的动态观测,场景中目标和背景相对位置、尺寸和温差都是动态变化的,而非静态探测时相对单一,此时所采用的增强技术要能满足动态场景实时观测的需要.

目前在红外成像动态增强方面,常采用基于直方图分析的灰度变换,有单阈值处理,也有双阈值处2009年12月

第36卷　第6期　西安电子科技大学学报(自然科学版)

J OU R NAL O F XI D IAN U N IV E R S I T Y Dec.2009

Vol.36　No.6

理[627],这些算法易于实时实现,但背景抑制和图像增强的效果不够理想,也没有解决动态场景下增强算法参数的自适应调整问题.笔者通过对红外热成像系统典型灰度分布特性的分析,提出一种能够实现背景杂波抑制和目标图像增强的算法,并使得该算法的参数能够随着场景的变化而自适应调整,以满足动态场景成像观测的要求.

1　红外图像灰度分布特点

图像增强的本质是突出感兴趣区域的图像灰度特征,为此首先要分析红外图像中目标图像的灰度分布特征.在动态观测中,视场中目标的类型、形状、大小和观测距离等信息均是未知的,即没有任何先验知识的情况下要分析目标图像,只能通过灰度直方图分析,由直方图分析能够得到当前图像灰度分布的最大值、最小值、均值、方差等信息.

通过直方图分析可以把图像灰度分为目标和背景,对红外图像来说,一般情况下,背景区域温度较低,相应的图像灰度值相对较小,而目标区域温度较高,图像灰度值相应较大.

当目标图像尺寸较大或温度较高时图1　3种典型的直方图形状在灰度直方图中能够看到目标和背景两个峰值分布;当目标尺寸较

小、目标和背景温差较小时其峰值分布不明显,甚至淹没在背景分布

中,图像增强主要针对后一种情形.

红外成像过程由于存在复杂的背景或较大的噪声,图像灰度分布

差别很大,从直方图上分析,有3种典型的灰度分布,如图1所示[8].

第1种情况直方图为双峰形状,如图1中①所示,目标和背景灰度分

布差别明显,分离性较好;第2种情况直方图是多峰的,如图1中②

所示,此时A 峰和B 峰可能都是背景,C 区是目标,但目标不够明显,

这种情况常见于地物场景;第3种情况直方图是单峰的,如图1中③所示,此时目标在一个大的背景中,目标淹没在背景中,并不明显,这

种情况常见于空中场景图像,红外图像增强技术要能自动适应这3种典型分布.

2　基于灰度映射变换的图像增强算法

由上面的分析可知,通过直方图分析可以把图像灰度区分为目标和背景,一般背景区域图像灰度值较小,目标区图像灰度值相对较大.红外成像观测系统反映的是目标和背景的相对温差,当背景干扰严重时温差不够,会导致目标不够清晰.图像增强的目的是进一步降低背景的图像灰度,并提高目标的图像灰度.因此需要寻找一种映射函数f ,把原始图像灰度x (i ,j )映射到新的图像灰度y (i ,j ),该映射应具有低灰度压缩及高灰度增强的功能,但又不能超出有效灰度范围,为此可设计一种非线性的S 形状映射曲线,一开始缓慢增长,中间某一段加速增长,然后又缓慢增长,该算法的导数是光滑的,更贴近于实际情况.

常用的S 曲线有双曲正切、幂函数和伽马函数,双曲正切和幂函数都是关于拐点对称的,伽马函数也称为通用Logistic 曲线,具有式(1)的函数形式[9210],它是一个广泛使用而且灵活的函数,曲线的拐点及拐点处的增长速率均可控制.

y =a +c (1+t exp (-b (x -m )))1/t ,

(1)式中y 为映射函数值,x 为自变量,取实数,a 为低端渐近线,c 为高端渐近线,m 为最大增长位置(拐点),b 为拐点的增长速度,t 为控制最大增长出现在低端还是高端,一般t >0.

由伽马曲线可得到pearl 和G ompertz 曲线两个变种,其中pearl 曲线以拐点为中心对称,位置因子和形状因子相互独立;G ompertz 曲线是非对称的[11].上面这些函数均通过渐近线取得极限值,而且大部分是关于拐点对称的[12],会导致部分灰度区域无法达到,而且不能够结合图像灰度特征进行针对性增强.这里要找到一种新的S 曲线增强算法,该映射应满足如下条件:

(1)映射函数的值域和自变量区间是相同的,均为[0,h];8位灰度时h =255,10位时h =1023;

1701第6期 寇小明等:一种自适应红外图像增强技术

(2)曲线起始于原点[0,0],单调增加,终止于[h ,h]点,即函数在[0,h]区间不存在截尾;

(3)映射函数不是关于拐点对称的,从而可以使拐点靠近目标灰度区域

;

图2　不同参数下的S 曲线示例

(4)参数易于控制,实时性好,可用于动态增强.

经过综合分析比较,笔者提出了一种新的S 形曲线映

射算法,具有如下形式

y =hx (x +exp (a -bx ))　.

(2)y x =0=0,h 是最大灰度值,S 曲线在y 轴上覆盖[0,h]

区间.

式(2)中参数a 和b 用于设置曲线的形状,a 代表整数极

限,b 决定曲线增长的快慢.图2是在h =255,b =0106下,a

分别为8,12,16时的映射曲线,可以看出,它们具有理想S

曲线的特征,参数a 主要决定曲线中快速增长区的位置,a 值

减小,S 曲线左移,a 值增大,S 曲线右移;参数b 主要决定曲

线中快速增长区的最大斜率,b 值越大,映射曲线在拐点处

的增长速度越快;曲线不以拐点对称,因而具有更好的灵活

性,可对不同区间的灰度值进行放大以提高对比度.3　参数自适应调整算法

为了提高图像增强算法的普适性,式(2)中的参数a 和b 在各种动态场景应用场合下应能够自动调整.要在对场景图像没有任何先验知识的情况下确定S 曲线增强函数的参数,从灰度直方图分析入手是一种直观而有效的方法.直方图分析能够得到场景中目标和背景的灰度分布,这里的核心问题是找到式(2)中的参数a ,b 和它们之间的关系.

在对动态场景没有任何先验信息的情况下,可以从典型直方图分布入手,图1中的3种典型直方图分布覆盖了各种不同的使用场合,这里提出的思路是要从3种典型的灰度分布中均可以提取出所需的参数,用于控制增强算法的参数a 和b ,从而通过映射突出目标的灰度特征.

红外图像增强的核心是目标图像的对比度增强,而调制度反映了图像的相对对比度,调制度m 为

m =(h max -h min )(h max +h min )　,

(3

)图3　分割阈值的确定示意图

式中h max ,h min 分别是一幅图像的最大灰度值和最小灰度值,调制度的

取值范围为[0,1],调制度越小,图像的对比度越小,表明图像需要增

强,b 的取值应大一些;调制度越大图像的对比度越大,表明图像需要

适当增强,b 的取值可以小一些.

调制度仅给出了图像的相对对比度,还没有确定红外目标的图像

灰度,因此还需要找到表达目标的图像灰度.为了提高普适性,这里采

用了一种通用的方法,通过分割阈值t 将目标与背景分离开来,如图3

所示.首先由灰度直方图最大值g max 和原始图像的最大灰度值h max 确

定一条直线,然后计算直方图曲线到该直线的垂直距离,图中的p 是最大距离,最大距离点对应的灰度就是分割阈值t [8].这种分割方法对

图1所示的3种情形均适用,为了提高精度,可以对直方图进行平滑后再确定直线,直线的表达式为

kx +ny +d =0　,

(4)式中,x 代表灰度轴,y 是g (h ).灰度曲线上任意一点(x ,y )到直线的垂直距离为

p =(kx +ny +d )(k 2+n 2)1/2　,(5)

式中取p 的最大值对应的灰度点就是分割阈值t.

为了找到图像增强参数a ,b 与图像灰度特征t ,m 之间的内在关系,这里建立了一个模型,模型的输入是

2

701 西安电子科技大学学报(自然科学版) 第36卷

t ,m ,模型的输出是a ,b,由于图像增强的目的是提高观测效果,而观测效果离不开人的主观评价,因此采用人工神经网络的方法识别模型的内部参数,即通过对一组包含图1所示的3种典型分布的图像做S 灰度变换,人工调整参数得到最佳观测效果时记录参数(a ,b )的值,同时通过原始图像的灰度直方图计算参数(t ,m ),便得到一组样本,假设样本数为s 个,模型输入为(t ,m ),输出为(a ,b ).

这里采用单层人工神经网络的B P 算法确定映射参数[13],对第i 个样本,神经网络的输出为

a i =f (w 11t i +w 12m i -θ)　,

b i =f (w 21t i +w 22m i -θ

)　,(6)式中w 11,w 12,w 21,w 22就是所要确定的权系数,θ是偏置,f 是激发函数,可以取线性函数或非线性函数,这里采用线性函数作为激发函数,式(6)成为

a i =w 11t i +w 12m i +c ,

b i =w 21t i +w 22m i +

c .(7)

则s 个样本的总误差为

e =

∑s

i =1[(a i -a )2+(b i -b )2]2　

.(8)

取e 的梯度最速下降法作为学习规则,便可以确定式(7)中的权系数.图4是由实验数据取得的一组权系数

值的应用效果,分别对应3种不同的典型分布,图4(a )～(c )是原始图像,图4(a ′

)～(c ′)是自适应增强后的图像.

图4　图像增强效果

这样通过一组典型的样本值,就可以采用人工神经网络的B P 算法确定函数的参数,从而将人的感知效果和系统参数之间的关系模型化,模型的准确度取决于图像增强技术的使用场合和激发函数,当然,激发函数也可以选用非线性的sigmoid 函数.

4　结束语

提出了一种自适应红外图像增强技术,通过对红外热成像特性和红外目标图像的分析表明有必要进行背景抑制和图像增强,并据此提出了S 曲线增强算法,该算法具有显著的优点.为了适用动态场景应用的需要,又结合红外图像的灰度分布分析创造性地提出了一种自适应参数调整技术,并通过自学习神经网络得到模型参数,初步应用表明,这种方法效果较为显著、适应性好.根据适应性要求通过神经网络确定好模型参

3701第6期 寇小明等:一种自适应红外图像增强技术

4701 西安电子科技大学学报(自然科学版) 第36卷数后,可以应用于红外热像仪预处理电路中,能有效提高观测效果.

参考文献:

[1]Runciman H M.Thermal Imaging[M].England:Pilkington Optronics,1999by CRC Press LL C,1999.

[2]Richard H,Vollmerhausen R,Eddie J.The Targeting Task Performance(T TP)Metric a New Model for Predicting

Target Acquisition Performance[R].Port Belvoir:NV ESD Technical Report AMSEL2NV2TR2230,2003.

[3]刘靳,姬红兵.基于移动式加权管道滤波的红外弱小目标检测[J].西安电子科技大学学报,2007,34(5):7432747.

Liu Jin,Ji Hongbing.Detection Method for Small Targets in the IR Image Based on the Variable Weighted Pipeline Filter [J].Journal of Xidian University,2007,34(5):7432747.

[4]刘政清,杨华,张骏.基于模糊集理论的红外图像自适应增强方法[J].制导与引信,2006,27(3):45247.

Liu Zhengqing,Yang Hua,Zhang J un.Adaptive Enhancement Method of Inf rared Image Based on Fuzzy Set Theory[J].

Guidance&Fuze,2006,27(3):45247.

[5]李恩科,刘上乾,麻彦轩.一种新的运动目标自适应图像分割算法[J].西安电子科技大学学报,2008,35(3):

4902494.

Li Enke,Liu Shangqian,Ma Yanxuan.Novel Algorithm for Adaptive Image Segmentation of Moving Targets[J].

Journal of Xidian University,2008,35(3):4902494.

[6]王建涛.一种双波段红外图像弱小目标融合检测新算法[J].西安电子科技大学学报,2008,35(3):5302535.

Wang Jiantao.New Fusion Detection Algorithm for the Dual Band IR Small Target[J].Journal of Xidian University, 2008,35(3):5302535.

[7]王炳健,刘上乾,拜丽萍.红外图像实时增强的新算法[J].光电工程,2006,33(1):46249.

Wang Bingjian,Liu Shangqian,Bai Liping.New Real2time Enhancement Algorithm for Inf rared Images[J].Opto2 electronic Engineering,2006,33(1):46249.

[8]Anuj D.Segmentation of Infrared Images[D].Texas:Texas Tech University,2002:30232.

[9]Co H C.The Growth Curve[C]//Technology and Operations Management2003.San L uis Obispo:California

Polytechnic and State University,2003:6217.

[10]G eorgios G.Techno2economic Evaluation of3rd G eneration Mobile Systems[D].London:University College London,

2003:34236.

[11]Nikhil A J.Resource/Attack Modeling and Optimal Intrusion Recovery[D].California:University of California,2002:

27230.

[12]雷小丽,党群.一种新的非线性变换法实现图像增强的方法[J].光子学报,2007,36(Sup1):3462348.

Lei Xiaoli,Dang Qun.A New Image Enhancement by Non2linearity Transform Method[J].Acta Photonica Sinica, 2007,36(S1):3462348.

[13]Freeman J A,Skapura D M.Neural Networks:Algorithms,Applications and Programming Techniques[M].Redwood

City:Addison2Wesley,1991.

(编辑:齐淑娟)