【正文】 在空間域中的增強處理進行分析和研究。的去噪增強的效果有很好，但由于它有時也可能抑制了高頻中的有用信息，所以有可能會抑制圖像中的邊界和細節(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中不必要的低頻成分也即去除低頻成分的干擾，從而達到衰減或去除低頻分量的效果的同時使信號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，其本質是銳化圖像。[19]由于圖像中豐富的信息，如細節(jié)、邊緣等都在低頻部分，因此，經過理想高頻濾波后，圖像將會丟失很多必要的信息。所以，如果直接對圖像利用高通濾波處理，有時的處理后的圖像質量并不好，其原因就是因為圖像噪聲太嚴重而使圖像增強效果不明顯。因此目前經常的處理方式是在使用高通濾波的同時再利用高頻加強濾波進行處理，以此達到既使噪聲得到了抑制又使圖像的細節(jié)得到加強的效果。此種濾波方式的原理就是通過一個全通濾波器和一個高通濾波器的共同作用處理圖像，如此便能夠方便的在實現(xiàn)高通濾波的基礎上保留低頻信息。第4章 一種自適應紅外圖像增強算法研究本文從實際應用出發(fā)，綜合以上方法，提出了一種自適應紅外圖像增強算法。算法首先對基本的分段灰度變換方法進行了研究，然后通過本文提出的自適應算法得到合適的閾值，實現(xiàn)了圖像的自適應閾值增強，最后對得到的圖像進行灰度級等間距的處理，從而能夠獲得灰度 級較為連續(xù)的紅外圖像，增強圖像的細節(jié)，提高其清晰度。實驗對比表明了該算法能夠實現(xiàn)自適應閾值選擇，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到更加鮮明的對比效果，同時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 是對圖像分為三段分別進行灰度變換處理的示意圖。由圖中可看出，分段線性變換相對于其他灰度變換方法的優(yōu)點就是用戶可以根據自己的具體需要進行有目的的拉伸圖像中感興趣的特征目標的細節(jié)信息的灰度，相對抑制那些不感興趣的背景或噪聲等所占的灰度級。分段線性變換的分段點的邊界閾值一般是采用鍵盤交互的方式進行確定，由于這種方法相對比較簡單且靈活，所以對其也較容易硬件實現(xiàn)，正是因為它的這個優(yōu)點，使其在紅外圖像增強算法中占有著舉足輕重的地位，同時也得到非常廣泛的應用圖 41 中的橫軸t表示圖像的原始灰度，縱軸f(t)表示經過線性函數變換后所得到的灰度映射，也即原始圖像經過分段線性變換后所對應的灰度值。由圖(41)可得到分段線性變換的函數表達式為： （）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0 min t1， max 代表原始圖像中最大的灰度級t2 max 255。從圖 41 和函數表達式(41)可以得到。如果要壓縮某一個灰度區(qū)域，則需要把該區(qū)域中所對應的變換表達式的斜率盡可能的降低，也即變換表達式的斜率越小，則其對應在橫軸上的灰度區(qū)域映射到縱軸上以后所得到的灰度區(qū)域越窄，從而實現(xiàn)該區(qū)域中的灰度對比度抑制；反之，若欲對一段灰度區(qū)域實現(xiàn)拉伸效果，則應該把與該灰度段對應的表達式的斜率增大，也即表達式的斜率越大，其對應在橫軸上的灰度區(qū)域映射到縱軸上以后所得到的灰度區(qū)域越寬，從而實現(xiàn)該區(qū)域中的對比度提高。進一步分析，假設我們已經得到了t1和t2， 然后我們要同時對區(qū)域 [min，t1)和(t2， max]進行壓縮，同時對區(qū)域[t1，t2]進行灰度拉伸，則此時問題轉換為對參數f(t1)和參數f(t2)的取值。當f(t1)越小時，[min，t1)段的斜率越小，則該區(qū)域被壓縮了，同時(f(t2) f(t1))(t2t1)的比值增大了，即[t1，t2]區(qū)間表達式的斜率變大，也即該區(qū)間的灰度值被拉伸了。因此當t1和t2一經被確定，f(t1)和f(t2)的取值將會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、有目的對圖像灰度實現(xiàn)壓縮和拉伸，f(t1)取[min，3]，f(t2)取[245， max] 就可達到較好的效果。由于[min，t1)為背景區(qū)域[t1，t2]為目標區(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區(qū)域的分界點，也就是找出t1和t2，然后利用找到的這兩個閾值作為分段線性變換的分界點，對圖像進行有目的的拉伸和壓縮，如此便實現(xiàn)了對圖像進行圖像中的背景和噪聲的抑制，同時又實現(xiàn)了對圖像中的目標細節(jié)的拉伸和突出的目的。因此，對于分段線性變換，關鍵就是找到t1和t2這兩個分段閾值。 自適應雙閾值增強算法分段線性變換的本質是通過不斷的嘗試選取較為合適的分段點，根據實際需求分區(qū)間進行灰度線性拉伸，從而適度的實現(xiàn)對背景和噪聲灰度的抑制，為目標細節(jié)的提升留出灰度空間的目的，其圖像增強效果與平臺值的選取直接相關。因此，在紅外圖像分段線性變換增強算法中，分段閾值選取得是否合適有可能直接影響了對紅外圖像的增強效果。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作用。反之，若分界閾值選取得不合適，不但無法實現(xiàn)增強圖像的效果，甚至還可能會降低原始紅外圖像的質量。除此之外，一個或一組對某一幅或某一類紅外圖像合適的分界閾值，對另一幅或對另一類紅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行人工調整以選擇合適的分段點，這種交互式的方法雖然比較簡單靈活，但是若要選擇一個合適分段點一般都要進行多次反復的實驗，這從某一方面就限制了算法的應用和推廣。所以，在實際的圖像處理中，需要找到一種根據不同的紅外圖像能夠自適應的計算出合適的分界閾值的方法，從而實現(xiàn)紅外圖像的自適應增強。由于熱紅外圖像場景中的目標與背景之間的溫差相對比較小，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比度也較低。對比度低的紅外圖像，其直方圖中灰度級分布比較集中，直方圖中主峰所對應的灰度級通常是圖像中的背景。[20]此外由于目標與其鄰域內的背景只存在幾個灰度級的差別，故難以用肉眼檢測出目標圖 42 是通過紅外非制冷探測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分界點從而清楚地分離出目標很困難。通過對紅外圖像本身及其直方圖特點的分析，本文閾值t1和t2的選取通過直方圖峰值統(tǒng)計以及對圖中目標區(qū)域的灰度估計分別得到。其中t1表示了圖像中背景和目標區(qū)的分段點，t2表示了目標和過渡區(qū)的分段點。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原始紅外圖像及其直方圖特點的分析，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出現(xiàn)高峰現(xiàn)象，目標幾乎被“淹沒”在背景中。該峰值不僅很窄，且只分布在灰度級比較低的地方，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，目標的灰度等級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應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在選取時應盡可能的完全包含該高峰在直方圖中所對應的灰度值，如此一來，在對區(qū)域[min，t1)進行壓縮時，該高峰所對應的灰度值，也即背景區(qū)域所對應的灰度值部分便被有效的壓縮了。通過對高峰特征的分析，我們可以首先對原始紅外圖像進行直方圖統(tǒng)計，再對其直方圖值進行比較，即可得到該高峰對應的灰度。具體實現(xiàn)為：首先，通過對紅外的圖像灰度直方圖包絡進行凹度分析，尋找圖像在直方圖上的最低灰度級min 和最高灰度級 max 。其次，將 i 遍歷所有大于 min 且小于 max 的灰度級，則斜率最大者所對應的灰度級即為背景峰值所對應的灰度級Bp其中斜率s(i)為： （）上式中his(i)和his (min)分別為灰度級和min 對應的像素數。圖 43 圖像直方圖灰度級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應的灰度級，由于高峰通常都比較窄，所以通過實驗結果表明，需要對得到的高峰值作稍微的調整即可得到目標區(qū)域下限閾值t1，即：t1=bp+n。其中，n 為0 ? 10之間的隨機整數，n 為可調整參數。通過調整后，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。通過實驗結果表明了n 的取值在0 ? 10之間算法的增強效果比較穩(wěn)定，故本文將不再對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。本文采用目標區(qū)域的峰值灰度級與灰度估計相結合的方法得到t2。由于閾值t1表示了圖像中背景和目標區(qū)的分段點，因此t1同時也表示了圖像中目標區(qū)域的下限值；閾值t2表示了目標和過渡區(qū)域的分段點，因此t2同時也表示了目標區(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區(qū)的灰度范圍，且目標與其鄰域內的背景只存在幾個像素級的差別，難以用肉眼檢測出目標。因此，本算法中的t2可以通過對圖像中目標區(qū)域的峰值及其鄰域灰度級采用局部最大值估計的方法得到。根據分析，目標區(qū)域的峰值可遵循背景區(qū)域的峰值的選取方法，不同的是目標區(qū)的峰值確定方法是反向搜索，也即搜索起點為最高灰度級max，搜索方向從起點向低灰度級搜索。具體算法如下：1．由最高灰度級 H 向低灰度級遍歷求得目標峰值點，大致確定目標區(qū)域所包括的灰度級范圍；2．在步驟 1 中所確定的目標區(qū)域內任意采取一個點；3．以該點為中心，計算十字形窗口(該窗口的縱橫方向的長度均為 k )內灰度值的中值 M；其中 M 可表示為： （）4．對步驟 3 重復 k 次，即可得到 k 個均值；5．對由步驟 4 中得到的 k 個均值按照大小排序，得到最大值Mmas。該最大值即為算法中所要求的t2。由于在進行目標點的采集時有可能會存在某些人為的盲目因素，為了確保閾值t2的準確程度，因此，需要重復步驟 2 k 次，在目標區(qū)域取 k 個中心點，然后利用步驟 3 計算以該點為中心的十字形窗口的灰度均值，重復k 次，共得到k 個中值，然后通過第 5 步對得到的k 個中值進行排序，得到該局部區(qū)域的最大值，也即我們所要求的目標區(qū)域的上限閾值t2。綜上所述，算法首先通過對紅外圖像的直方圖進行分析得到了t1，然后通過對目標區(qū)域進行最大值估計得到了閾值t2。至此，算法已經基本上實現(xiàn)了雙閾值的自適應計算，在很大程度上減少了傳統(tǒng)的分段變換在選取閾值時的盲目性，同時也大大減少了人機交互的次數，實現(xiàn)了雙閾值的自適應選擇。接下來需要結合分段線性變換，對原始圖像進行分段變換，實施圖像的自適應算法的增強[22]。 對圖像增強算法的定量評估為了對本文算法處理所得結果作一個客觀的評價，對實驗數據作一個參考標準，本文采用文獻基于自適應閾值的紅外圖像增強中對圖像評價的標準對增質后的紅外圖像進行定量評價。然而由于它們無法反映出增強后紅外圖像的全部性能指標，所以對圖像質量的評價也不能完全依靠這些數據，這個評價只能作為一個參考而已。故目前對圖像質量的評估還主要依靠主觀的人眼視覺感覺作出評價。在對增質后的圖像進行評估時一般從圖像的對比度，圖像整體視覺質量、信噪比和均方誤差等幾個方面進行綜合評估1. 圖像的對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）不同亮度的測量，它主要是指一幅圖像灰度反差的大小。Ccontrast越大，則增質后的圖像越好，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 )為增質后的圖像。2．信噪比 SNR (Signal to Noise Ratio)主要是對增質后圖像的噪聲進行評估。其信噪比 SNR 值越大，則說明圖像增強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 )為增質后的圖像。3. 圖像整體視覺質量Ctatal是用來衡量整幅圖像視覺上的質量。Ctatal越大，則說明增強后圖像的質量越好?？捎萌缦鹿矫枋觯? ()在式（48）中，β 為一個常量，本文取 β = 10000，Ccontrast為前面提到的圖像對比度，SNR 為前文中的圖像信噪比。均方誤差 MSE(Mean Square Error)主要用來評價恢復圖像偏離原始圖像的誤差，經常也被用來評價圖像增強后的效果，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 )為增質后的圖像。[23]為了驗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驗結果對各種算法的優(yōu)劣做出對比。各算法處理結果如下圖 44 所示。其中，圖 44(a)是經過直方圖均衡化算法處理后的圖像及其直方圖；圖 44(b)是經過雙平臺直方圖均衡化算法處理后的圖像及其直方圖；圖 44(c)是經過本文算法處理后的圖像及其直方圖。 （a）經直方圖均衡處理后的紅外圖像及其直方圖（b）經雙平臺直方圖均衡處理后的紅外圖像及其直方圖（c）經本文算法處