【正文】 在空間域中的增強(qiáng)處理進(jìn)行分析和研究。的去噪增強(qiáng)的效果有很好，但由于它有時(shí)也可能抑制了高頻中的有用信息，所以有可能會(huì)抑制圖像中的邊界和細(xì)節(jié)信息，造成圖像在不同程度上的模糊。頻域高通濾波:高通濾波器最主要的功能是去掉信號(hào)中不必要的低頻成分也即去除低頻成分的干擾，從而達(dá)到衰減或去除低頻分量的效果的同時(shí)使信號(hào)中的高頻成分順利通過。其目的就是使圖像的邊界信息更加突出或清晰，其本質(zhì)是銳化圖像。[19]由于圖像中豐富的信息，如細(xì)節(jié)、邊緣等都在低頻部分，因此，經(jīng)過理想高頻濾波后，圖像將會(huì)丟失很多必要的信息。所以，如果直接對(duì)圖像利用高通濾波處理，有時(shí)的處理后的圖像質(zhì)量并不好，其原因就是因?yàn)閳D像噪聲太嚴(yán)重而使圖像增強(qiáng)效果不明顯。因此目前經(jīng)常的處理方式是在使用高通濾波的同時(shí)再利用高頻加強(qiáng)濾波進(jìn)行處理，以此達(dá)到既使噪聲得到了抑制又使圖像的細(xì)節(jié)得到加強(qiáng)的效果。此種濾波方式的原理就是通過一個(gè)全通濾波器和一個(gè)高通濾波器的共同作用處理圖像，如此便能夠方便的在實(shí)現(xiàn)高通濾波的基礎(chǔ)上保留低頻信息。第4章 一種自適應(yīng)紅外圖像增強(qiáng)算法研究本文從實(shí)際應(yīng)用出發(fā)，綜合以上方法，提出了一種自適應(yīng)紅外圖像增強(qiáng)算法。算法首先對(duì)基本的分段灰度變換方法進(jìn)行了研究，然后通過本文提出的自適應(yīng)算法得到合適的閾值，實(shí)現(xiàn)了圖像的自適應(yīng)閾值增強(qiáng)，最后對(duì)得到的圖像進(jìn)行灰度級(jí)等間距的處理，從而能夠獲得灰度 級(jí)較為連續(xù)的紅外圖像，增強(qiáng)圖像的細(xì)節(jié)，提高其清晰度。實(shí)驗(yàn)對(duì)比表明了該算法能夠?qū)崿F(xiàn)自適應(yīng)閾值選擇，從而極大的抑制背景和噪聲，有效地增加圖像的細(xì)節(jié)和清晰度。 分段線性變換將圖像灰度區(qū)間分成兩段乃至多段，然后分別作灰度變換處理以達(dá)到更加鮮明的對(duì)比效果，同時(shí)不失圖像原有的信息，即為分段灰度變換的基本思想如圖 41 所示：圖 41 分段線性變換示意圖圖 41 是對(duì)圖像分為三段分別進(jìn)行灰度變換處理的示意圖。由圖中可看出，分段線性變換相對(duì)于其他灰度變換方法的優(yōu)點(diǎn)就是用戶可以根據(jù)自己的具體需要進(jìn)行有目的的拉伸圖像中感興趣的特征目標(biāo)的細(xì)節(jié)信息的灰度，相對(duì)抑制那些不感興趣的背景或噪聲等所占的灰度級(jí)。分段線性變換的分段點(diǎn)的邊界閾值一般是采用鍵盤交互的方式進(jìn)行確定，由于這種方法相對(duì)比較簡單且靈活，所以對(duì)其也較容易硬件實(shí)現(xiàn)，正是因?yàn)樗倪@個(gè)優(yōu)點(diǎn)，使其在紅外圖像增強(qiáng)算法中占有著舉足輕重的地位，同時(shí)也得到非常廣泛的應(yīng)用圖 41 中的橫軸t表示圖像的原始灰度，縱軸f(t)表示經(jīng)過線性函數(shù)變換后所得到的灰度映射，也即原始圖像經(jīng)過分段線性變換后所對(duì)應(yīng)的灰度值。由圖(41)可得到分段線性變換的函數(shù)表達(dá)式為： （）在公式（41）中，(t1, f(t1))和(t2,f(t2))。其中min 代表原始圖像中最小的灰度級(jí)0 min t1， max 代表原始圖像中最大的灰度級(jí)t2 max 255。從圖 41 和函數(shù)表達(dá)式(41)可以得到。如果要壓縮某一個(gè)灰度區(qū)域，則需要把該區(qū)域中所對(duì)應(yīng)的變換表達(dá)式的斜率盡可能的降低，也即變換表達(dá)式的斜率越小，則其對(duì)應(yīng)在橫軸上的灰度區(qū)域映射到縱軸上以后所得到的灰度區(qū)域越窄，從而實(shí)現(xiàn)該區(qū)域中的灰度對(duì)比度抑制；反之，若欲對(duì)一段灰度區(qū)域?qū)崿F(xiàn)拉伸效果，則應(yīng)該把與該灰度段對(duì)應(yīng)的表達(dá)式的斜率增大，也即表達(dá)式的斜率越大，其對(duì)應(yīng)在橫軸上的灰度區(qū)域映射到縱軸上以后所得到的灰度區(qū)域越寬，從而實(shí)現(xiàn)該區(qū)域中的對(duì)比度提高。進(jìn)一步分析，假設(shè)我們已經(jīng)得到了t1和t2， 然后我們要同時(shí)對(duì)區(qū)域 [min，t1)和(t2， max]進(jìn)行壓縮，同時(shí)對(duì)區(qū)域[t1，t2]進(jìn)行灰度拉伸，則此時(shí)問題轉(zhuǎn)換為對(duì)參數(shù)f(t1)和參數(shù)f(t2)的取值。當(dāng)f(t1)越小時(shí)，[min，t1)段的斜率越小，則該區(qū)域被壓縮了，同時(shí)(f(t2) f(t1))(t2t1)的比值增大了，即[t1，t2]區(qū)間表達(dá)式的斜率變大，也即該區(qū)間的灰度值被拉伸了。因此當(dāng)t1和t2一經(jīng)被確定，f(t1)和f(t2)的取值將會(huì)直接影響到斜率的取值變化，也即f(t1)和f(t2)的取值代表了灰度壓縮和拉伸的程度。在一般情況下，為了有程度、有目的對(duì)圖像灰度實(shí)現(xiàn)壓縮和拉伸，f(t1)取[min，3]，f(t2)取[245， max] 就可達(dá)到較好的效果。由于[min，t1)為背景區(qū)域[t1，t2]為目標(biāo)區(qū)域，(t2， max]為過渡區(qū)，因此，我們只需要通過某一種方式找出這三個(gè)區(qū)域的分界點(diǎn)，也就是找出t1和t2，然后利用找到的這兩個(gè)閾值作為分段線性變換的分界點(diǎn)，對(duì)圖像進(jìn)行有目的的拉伸和壓縮，如此便實(shí)現(xiàn)了對(duì)圖像進(jìn)行圖像中的背景和噪聲的抑制，同時(shí)又實(shí)現(xiàn)了對(duì)圖像中的目標(biāo)細(xì)節(jié)的拉伸和突出的目的。因此，對(duì)于分段線性變換，關(guān)鍵就是找到t1和t2這兩個(gè)分段閾值。 自適應(yīng)雙閾值增強(qiáng)算法分段線性變換的本質(zhì)是通過不斷的嘗試選取較為合適的分段點(diǎn)，根據(jù)實(shí)際需求分區(qū)間進(jìn)行灰度線性拉伸，從而適度的實(shí)現(xiàn)對(duì)背景和噪聲灰度的抑制，為目標(biāo)細(xì)節(jié)的提升留出灰度空間的目的，其圖像增強(qiáng)效果與平臺(tái)值的選取直接相關(guān)。因此，在紅外圖像分段線性變換增強(qiáng)算法中，分段閾值選取得是否合適有可能直接影響了對(duì)紅外圖像的增強(qiáng)效果。若分界閾值選擇得較為合適，則分段線性變換能夠起到較好的增強(qiáng)作用。反之，若分界閾值選取得不合適，不但無法實(shí)現(xiàn)增強(qiáng)圖像的效果，甚至還可能會(huì)降低原始紅外圖像的質(zhì)量。除此之外，一個(gè)或一組對(duì)某一幅或某一類紅外圖像合適的分界閾值，對(duì)另一幅或?qū)α硪活惣t外圖像的處理可能并不適合。分段變換方法一般采用鍵盤交互的方式進(jìn)行人工調(diào)整以選擇合適的分段點(diǎn)，這種交互式的方法雖然比較簡單靈活，但是若要選擇一個(gè)合適分段點(diǎn)一般都要進(jìn)行多次反復(fù)的實(shí)驗(yàn)，這從某一方面就限制了算法的應(yīng)用和推廣。所以，在實(shí)際的圖像處理中，需要找到一種根據(jù)不同的紅外圖像能夠自適應(yīng)的計(jì)算出合適的分界閾值的方法，從而實(shí)現(xiàn)紅外圖像的自適應(yīng)增強(qiáng)。由于熱紅外圖像場景中的目標(biāo)與背景之間的溫差相對(duì)比較小，使獲得的原始紅外圖像普遍不像可見光圖像那樣具有豐富的層次且對(duì)比度也較低。對(duì)比度低的紅外圖像，其直方圖中灰度級(jí)分布比較集中，直方圖中主峰所對(duì)應(yīng)的灰度級(jí)通常是圖像中的背景。[20]此外由于目標(biāo)與其鄰域內(nèi)的背景只存在幾個(gè)灰度級(jí)的差別，故難以用肉眼檢測(cè)出目標(biāo)圖 42 是通過紅外非制冷探測(cè)儀采集的一幅原始紅外圖像及其直方圖。從圖像中可以看出圖像灰度集中的分布在高灰度值區(qū)域，致使圖像缺乏層次；由其灰度直方圖呈現(xiàn)出很窄的單峰分布，想要從直方圖上找到一個(gè)分界點(diǎn)從而清楚地分離出目標(biāo)很困難。通過對(duì)紅外圖像本身及其直方圖特點(diǎn)的分析，本文閾值t1和t2的選取通過直方圖峰值統(tǒng)計(jì)以及對(duì)圖中目標(biāo)區(qū)域的灰度估計(jì)分別得到。其中t1表示了圖像中背景和目標(biāo)區(qū)的分段點(diǎn)，t2表示了目標(biāo)和過渡區(qū)的分段點(diǎn)。原始紅外圖像 原始紅外圖像直方圖圖 42 原始紅外圖像及直方圖 下限閾值的確定通過對(duì)原始紅外圖像及其直方圖特點(diǎn)的分析，我們可以得到由于大范圍的低灰度的背景造成了原始直方圖會(huì)出現(xiàn)高峰現(xiàn)象，目標(biāo)幾乎被“淹沒”在背景中。該峰值不僅很窄，且只分布在灰度級(jí)比較低的地方，造成這種現(xiàn)象的原因是由于圖像中存在大范圍的低灰度背景；此外，目標(biāo)的灰度等級(jí)和覆蓋范圍幾乎無法在直方圖上被辨別出來，所以直方圖中高峰對(duì)應(yīng)的灰度也就是圖像背景中含有的大部分灰度，因此，我們要盡可能的抑制背景，首先就必須要抑制這種高峰現(xiàn)象，也即算法中的閾值t1在選取時(shí)應(yīng)盡可能的完全包含該高峰在直方圖中所對(duì)應(yīng)的灰度值，如此一來，在對(duì)區(qū)域[min，t1)進(jìn)行壓縮時(shí)，該高峰所對(duì)應(yīng)的灰度值，也即背景區(qū)域所對(duì)應(yīng)的灰度值部分便被有效的壓縮了。通過對(duì)高峰特征的分析，我們可以首先對(duì)原始紅外圖像進(jìn)行直方圖統(tǒng)計(jì)，再對(duì)其直方圖值進(jìn)行比較，即可得到該高峰對(duì)應(yīng)的灰度。具體實(shí)現(xiàn)為：首先，通過對(duì)紅外的圖像灰度直方圖包絡(luò)進(jìn)行凹度分析，尋找圖像在直方圖上的最低灰度級(jí)min 和最高灰度級(jí) max 。其次，將 i 遍歷所有大于 min 且小于 max 的灰度級(jí)，則斜率最大者所對(duì)應(yīng)的灰度級(jí)即為背景峰值所對(duì)應(yīng)的灰度級(jí)Bp其中斜率s(i)為： （）上式中his(i)和his (min)分別為灰度級(jí)和min 對(duì)應(yīng)的像素?cái)?shù)。圖 43 圖像直方圖灰度級(jí)及峰值分布示意圖如果t1直接取作該高峰灰度值，則有可能出現(xiàn)該高峰沒有被完全的包括在壓縮區(qū)域，造成該高峰的左半部分被有效的抑制但是其右半部分卻被無故增強(qiáng)的現(xiàn)象。從理論上講，要想盡可能的抑制這種高峰現(xiàn)象t1的取值必須略微的大于高峰所對(duì)應(yīng)的灰度級(jí)，由于高峰通常都比較窄，所以通過實(shí)驗(yàn)結(jié)果表明，需要對(duì)得到的高峰值作稍微的調(diào)整即可得到目標(biāo)區(qū)域下限閾值t1，即：t1=bp+n。其中，n 為0 ? 10之間的隨機(jī)整數(shù)，n 為可調(diào)整參數(shù)。通過調(diào)整后，則取得的閾值t1完全或t1=Bp=n大部分的包含了高峰，因而便可以保證了高峰的右半部分在一定程度上也能被有效抑制。通過實(shí)驗(yàn)結(jié)果表明了n 的取值在0 ? 10之間算法的增強(qiáng)效果比較穩(wěn)定，故本文將不再對(duì)n的取值作過多討論[21]。 上限閾值的確定由于我們無法從圖像的直方圖上直接觀察出目標(biāo)的灰度范圍，故無法直接從直方圖上得到t2的大小。本文采用目標(biāo)區(qū)域的峰值灰度級(jí)與灰度估計(jì)相結(jié)合的方法得到t2。由于閾值t1表示了圖像中背景和目標(biāo)區(qū)的分段點(diǎn)，因此t1同時(shí)也表示了圖像中目標(biāo)區(qū)域的下限值；閾值t2表示了目標(biāo)和過渡區(qū)域的分段點(diǎn)，因此t2同時(shí)也表示了目標(biāo)區(qū)域的上限值。由于從原始圖像的直方圖中無法直觀的看出目標(biāo)區(qū)的灰度范圍，且目標(biāo)與其鄰域內(nèi)的背景只存在幾個(gè)像素級(jí)的差別，難以用肉眼檢測(cè)出目標(biāo)。因此，本算法中的t2可以通過對(duì)圖像中目標(biāo)區(qū)域的峰值及其鄰域灰度級(jí)采用局部最大值估計(jì)的方法得到。根據(jù)分析，目標(biāo)區(qū)域的峰值可遵循背景區(qū)域的峰值的選取方法，不同的是目標(biāo)區(qū)的峰值確定方法是反向搜索，也即搜索起點(diǎn)為最高灰度級(jí)max，搜索方向從起點(diǎn)向低灰度級(jí)搜索。具體算法如下：1．由最高灰度級(jí) H 向低灰度級(jí)遍歷求得目標(biāo)峰值點(diǎn)，大致確定目標(biāo)區(qū)域所包括的灰度級(jí)范圍；2．在步驟 1 中所確定的目標(biāo)區(qū)域內(nèi)任意采取一個(gè)點(diǎn)；3．以該點(diǎn)為中心，計(jì)算十字形窗口(該窗口的縱橫方向的長度均為 k )內(nèi)灰度值的中值 M；其中 M 可表示為： （）4．對(duì)步驟 3 重復(fù) k 次，即可得到 k 個(gè)均值；5．對(duì)由步驟 4 中得到的 k 個(gè)均值按照大小排序，得到最大值Mmas。該最大值即為算法中所要求的t2。由于在進(jìn)行目標(biāo)點(diǎn)的采集時(shí)有可能會(huì)存在某些人為的盲目因素，為了確保閾值t2的準(zhǔn)確程度，因此，需要重復(fù)步驟 2 k 次，在目標(biāo)區(qū)域取 k 個(gè)中心點(diǎn)，然后利用步驟 3 計(jì)算以該點(diǎn)為中心的十字形窗口的灰度均值，重復(fù)k 次，共得到k 個(gè)中值，然后通過第 5 步對(duì)得到的k 個(gè)中值進(jìn)行排序，得到該局部區(qū)域的最大值，也即我們所要求的目標(biāo)區(qū)域的上限閾值t2。綜上所述，算法首先通過對(duì)紅外圖像的直方圖進(jìn)行分析得到了t1，然后通過對(duì)目標(biāo)區(qū)域進(jìn)行最大值估計(jì)得到了閾值t2。至此，算法已經(jīng)基本上實(shí)現(xiàn)了雙閾值的自適應(yīng)計(jì)算，在很大程度上減少了傳統(tǒng)的分段變換在選取閾值時(shí)的盲目性，同時(shí)也大大減少了人機(jī)交互的次數(shù)，實(shí)現(xiàn)了雙閾值的自適應(yīng)選擇。接下來需要結(jié)合分段線性變換，對(duì)原始圖像進(jìn)行分段變換，實(shí)施圖像的自適應(yīng)算法的增強(qiáng)[22]。 對(duì)圖像增強(qiáng)算法的定量評(píng)估為了對(duì)本文算法處理所得結(jié)果作一個(gè)客觀的評(píng)價(jià)，對(duì)實(shí)驗(yàn)數(shù)據(jù)作一個(gè)參考標(biāo)準(zhǔn)，本文采用文獻(xiàn)基于自適應(yīng)閾值的紅外圖像增強(qiáng)中對(duì)圖像評(píng)價(jià)的標(biāo)準(zhǔn)對(duì)增質(zhì)后的紅外圖像進(jìn)行定量評(píng)價(jià)。然而由于它們無法反映出增強(qiáng)后紅外圖像的全部性能指標(biāo)，所以對(duì)圖像質(zhì)量的評(píng)價(jià)也不能完全依靠這些數(shù)據(jù)，這個(gè)評(píng)價(jià)只能作為一個(gè)參考而已。故目前對(duì)圖像質(zhì)量的評(píng)估還主要依靠主觀的人眼視覺感覺作出評(píng)價(jià)。在對(duì)增質(zhì)后的圖像進(jìn)行評(píng)估時(shí)一般從圖像的對(duì)比度，圖像整體視覺質(zhì)量、信噪比和均方誤差等幾個(gè)方面進(jìn)行綜合評(píng)估1. 圖像的對(duì)比度是指一幅圖像中明暗區(qū)域（也即最亮的白和最暗的黑之間）不同亮度的測(cè)量，它主要是指一幅圖像灰度反差的大小。Ccontrast越大，則增質(zhì)后的圖像越好，可用下面的公式表示： （）式（46）中，M 和 N 分別為圖像的長度和寬度， f ( x ，y )為增質(zhì)后的圖像。2．信噪比 SNR (Signal to Noise Ratio)主要是對(duì)增質(zhì)后圖像的噪聲進(jìn)行評(píng)估。其信噪比 SNR 值越大，則說明圖像增強(qiáng)后越多的噪聲被濾除了。用公式可表示為如下： （）在式（47）中， M 和 N 分別為圖像的長度和寬度， r ( x ， y )為原始圖像，f ( x ， y )為增質(zhì)后的圖像。3. 圖像整體視覺質(zhì)量Ctatal是用來衡量整幅圖像視覺上的質(zhì)量。Ctatal越大，則說明增強(qiáng)后圖像的質(zhì)量越好?？捎萌缦鹿矫枋觯? ()在式（48）中，β 為一個(gè)常量，本文取 β = 10000，Ccontrast為前面提到的圖像對(duì)比度，SNR 為前文中的圖像信噪比。均方誤差 MSE(Mean Square Error)主要用來評(píng)價(jià)恢復(fù)圖像偏離原始圖像的誤差，經(jīng)常也被用來評(píng)價(jià)圖像增強(qiáng)后的效果，它衡量的主要是像素之間的差別，主要用來描述圖像的保真度。其值越小，則說明增質(zhì)后圖像的保真度越好。用公式可表示為： ()在公式（49）中， M 和 N 分別為圖像的長度和寬度， r ( x ， y )為原始圖像，f ( x ， y )為增質(zhì)后的圖像。[23]為了驗(yàn)證本文所提算法的有效性及適用性，下面以圖 42 中一幅原始紅外圖像的實(shí)驗(yàn)結(jié)果對(duì)各種算法的優(yōu)劣做出對(duì)比。各算法處理結(jié)果如下圖 44 所示。其中，圖 44(a)是經(jīng)過直方圖均衡化算法處理后的圖像及其直方圖；圖 44(b)是經(jīng)過雙平臺(tái)直方圖均衡化算法處理后的圖像及其直方圖；圖 44(c)是經(jīng)過本文算法處理后的圖像及其直方圖。 （a）經(jīng)直方圖均衡處理后的紅外圖像及其直方圖（b）經(jīng)雙平臺(tái)直方圖均衡處理后的紅外圖像及其直方圖（c）經(jīng)本文算法處