摘 要: 提出了一種基于非抽樣Contourlet變換的紅外圖像增強(qiáng)算法,利用非線性函數(shù)對(duì)紅外圖像Contourlet變換系數(shù)進(jìn)行修正,以增強(qiáng)圖像有益貢獻(xiàn)的同時(shí)抑制噪聲分量。實(shí)驗(yàn)表明,與傳統(tǒng)的圖像增強(qiáng)算法相比,該算法可以有效地增強(qiáng)紅外圖像的細(xì)節(jié)和紋理。
關(guān)鍵詞: 紅外圖像增強(qiáng); 非抽樣Contourlet變換; 非線性函數(shù)
隨著紅外技術(shù)的迅速發(fā)展,它已廣泛應(yīng)用于軍事國防、遙感探測、無損檢測等眾多領(lǐng)域。由于紅外圖像的成像機(jī)理以及紅外成像系統(tǒng)自身的原因,紅外成像系統(tǒng)的成像效果不夠理想,大多紅外圖像都有對(duì)比度低、圖像模糊、灰度范圍窄的缺點(diǎn)。實(shí)際應(yīng)用中,為了提高紅外圖像的質(zhì)量,需要對(duì)紅外圖像進(jìn)行必要的增強(qiáng)處理。一般圖像增強(qiáng)處理的方法是基于空間域和變換域的,前者主要包括直接灰度變換、空間濾波和直方圖處理等;后者是將圖像由時(shí)域變換到頻域,再通過修正變換域內(nèi)的系數(shù)達(dá)到增強(qiáng)圖像的目的,它優(yōu)于基于空間域的增強(qiáng)方法,代表性算法有小波變換的算法和基于Contourlet變換的算法等[1]。
2002年,DO和VETTERLI提出的Contourlet變換是多尺度幾何分析方法中十分重要的一類。Contourlet能夠?qū)崿F(xiàn)一種“真正”二維的圖像表示,能夠提取在圖像中非常重要的內(nèi)在幾何結(jié)構(gòu)特征。類似于小波可以從濾波器角度考慮,Contourlet則利用不可分的濾波器建立了一個(gè)離散的多分辨率多方向率分析,實(shí)現(xiàn)靈活的多分辨率、局部的、具有方向性的圖像表示。研究Contourlet變換的方向選擇能力和非線性近似能力,體現(xiàn)Contourlet變換超越小波的優(yōu)異表現(xiàn)。但是由于小波變換與Contourlet變換都缺乏平移不變性,圖像增強(qiáng)結(jié)果會(huì)產(chǎn)生偽Gibbs失真,CUNHA A L等提出的非抽樣Contourlet變換具有平移不變性,可以在一定程度上抑制這種失真。本文對(duì)其進(jìn)行了改進(jìn),與基于小波變換、Contourlet變換的圖像增強(qiáng)算法相比,該算取得了良好的增強(qiáng)效果[2]。
1 非抽樣Contourlet變換
Contourlet變換也稱金字塔形方向?yàn)V波器組PDFB(Pyramidal Direction Filter Bank),其分解變換的實(shí)現(xiàn)可以分為兩個(gè)步驟:拉普拉斯金字塔LP(Laplacian Pyramid)分解和方向?yàn)V波器組DFB(Directional Filter Bank)濾波。其變換思想是使用類似于線段的基函數(shù)去逼近原始圖像,從而實(shí)現(xiàn)對(duì)圖像信號(hào)的稀疏分離。因此,要實(shí)現(xiàn)Contourlet變換,首先需要對(duì)圖像進(jìn)行一個(gè)多尺度變換以檢測不同尺度下的奇異點(diǎn),然后再通過一個(gè)具有局部性的方向變換將同一尺度下相鄰的奇異點(diǎn)連接成線段結(jié)構(gòu)[3]。Contourlet變換的實(shí)現(xiàn)過程可以歸納為如下步驟:
(1)使圖像通過類似于小波的多尺度變換以檢測邊緣上的奇異點(diǎn);
(2)將步驟(1)所得到的圖像通過局部化的方向變換完成輪廓線段的檢測。
非抽樣Contourlet變換NSCT(Nonsubsampled Contourlet Transform)由非抽樣塔狀濾波器NSP(Nonsubsampled Pyramid)將圖像分解為低頻部分和高頻部分,然后由非抽樣方向性濾波器組NSDFB(Nonsubasmpled Directional Filter Banks)將高頻部分分解為若干個(gè)方向。
NSP是一種平移不變性的雙通道濾波器結(jié)構(gòu),它使NSCT具有多尺度性質(zhì),并且下一層次的濾波器可以通過對(duì)上一層的濾波器抽樣得到。其頻域分解圖如圖1所示。
NSDFB由兩通道的非采樣濾波器組迭代構(gòu)成,該濾波器組也沒有進(jìn)行采樣,具有平移不變性。NSDFB可以將第一級(jí)變換所得到的高頻部分分解為2的任意次冪個(gè)方向,每個(gè)方向上的高頻部分與NSP得到的低頻部分以及原始圖像都有相同的大小。NSDFB分解是將信號(hào)在一組基函數(shù)上展開,它對(duì)應(yīng)的基函數(shù)之間是冗余的[4]。頻域分解圖如圖2所示。
NSP與NDFB可以保證信號(hào)完全重建的條件是濾波器必須滿足等式:
其中,H0(z)、H1(z)表示分解濾波器,G0(z)、G1(z)表示重建濾波器。非抽樣Contourlet變換在表達(dá)圖像時(shí)具有Contourlet變換所具有的優(yōu)點(diǎn),還具有平移不變性[4]。
2 基于的非抽樣的Contourlet變換圖像增強(qiáng)算法
圖像變換后,對(duì)變換系數(shù)分三種:強(qiáng)邊緣、弱邊緣和噪聲。強(qiáng)邊緣每個(gè)方向的系數(shù)值都較大;弱邊緣在某一方向的系數(shù)大,但在其他方向上的系數(shù)?。辉肼暿侵改切┰谒蟹较蛏系南禂?shù)都較小[5]。LAINE A F提出的增強(qiáng)函數(shù):
x為輸入原始圖像的變換系數(shù),0<p<1再次放大。此函數(shù)可以放大弱邊緣的系數(shù),保持強(qiáng)邊緣的系數(shù)[6]。
基于Contourlet變換的圖像增強(qiáng)算法的流程如圖3所示,具體步驟如下:
(1)對(duì)圖像進(jìn)行非抽樣Coutourlet變換,得到不同尺度不同方向的變換系數(shù);
(2)按照上述原則對(duì)Contourlet變換系數(shù)進(jìn)行處理;
(3)由修正后的變換系數(shù)重建增強(qiáng)圖像。
3 實(shí)驗(yàn)結(jié)果與分析
本文采用客觀評(píng)價(jià)標(biāo)準(zhǔn)信噪比SNR來衡量不同去噪方法去噪后圖像的客觀質(zhì)量,SNR的定義如下:
實(shí)驗(yàn)結(jié)果如圖4所示。原圖是分辨率為640×480像素的紅外熱像儀拍攝的紅外照片,建筑物為主要探測目標(biāo),建筑物后有少量植被。圖4(b)為加噪圖像,圖4(c)為利用拉普拉斯變換處理的圖像,圖4(d)為利用Contourlet變換處理的圖像,圖4(e)為利用本文算法處理的圖像。SNR值如表1所示。
由表1可知,本文算法的SNR明顯提高,圖像視覺也更好,符合真實(shí)情況。Contourlet變換方法能夠抓住圖像幾何本質(zhì)特征,在表現(xiàn)各項(xiàng)異性的奇異性時(shí)性能更加優(yōu)越,因此處理紋理信息豐富的圖像效果更好。
參考文獻(xiàn)
[1] ESLAMI R, RADHA H. Wavelet based contourlet coding using an SPIHT-like algorithm[C].Singapore:IEEE International Conference on Image Processing,2004.
[2] ESLAMI R, RADHA H. The contourlet transform for image de-noising using cycle spinning[C]. Pacific Grove,USA: Asilomar Conference on Signals, Systems and Computers, 2003:1982-1986.
[3] DO M N, VETTERLI M. The contourlet transform: an efficient directional multiresolution image representation[J]. IEEE Trans on Image Processing, 2005,14(12):2091-2106.
[4] SERRA J. Image analysis and mathematical morphology VolumeI: theoretical advances [M].London:Academic,1988.
[5] NEZHADARYA E, SHAMSOLLAHI M B. Image contrast enhancement by cotourlet transform[C]. 48th International Sym Posium EIMAR,Zadar,Croatia,2006.
[6] 梁棟,沈敏.一種基于Contourlet遞歸Cycle Spinning的圖像去噪方法[J].電子學(xué)報(bào),2005,33(11):2044-2046.