基于偏振成像的可见光图像增强

赵蓉;顾国华;杨蔚

【摘 要】为了改善可见光图像质量,提高对隐藏在自然背景中人造目标的探测率,采用了基于偏振成像的可见光图像增强方法,很好地凸显出人造目标,提供更多的细节与纹理信息. 利用偏振成像方式获取偏振度、偏振角和椭率角图像,对偏振图像中的像素点在邦加球内进行聚类得到偏振特征图像,运用双树复小波对光强图像和偏振特征图像进行分解,低频子带采用主成分分析法,高频子带选用区域方差特征匹配的融合策略,得到增强图像. 进行了户外实验,并理论分析得到了各个图像的性能指标数据. 结果表明,增强后的图像较原图像具有更加丰富的图像细节与偏振目标信息,该方法有效可行,对目标识别与探测具有一定意义.%In order to improve the image quality and recognition of an artificial target hidden in the natural background , an enhancement method of the visible light image based on the polarization imaging was put forward to highlight the artificial target and provide more details and texture information .Firstly, the degree of polarization , polarization angle and ellipticity angle of the image were obtained based on polarization imaging .Secondly , the polarization characteristics were obtained after the pixels in the multidimensional image clustered in the Poincare sphere .Fianlly, the intensity image and the polarization characteristic image was decomposed by means of the dual tree complex wavelet transform .The principal component analysis was used in the low frequency sub-band and the feature fusion strategy based on the region variance was used in the high frequency sub -band, then the enhancement image was obtained .The outdoor experiment was

performed to test the effectiveness of the algorithm proposed in the paper .After the theoretical analysis , the performance index of each image was obtained .The results of the subjective and objective evaluation both show that the enhancement image has more details and polarization information , which are important for target recognition and detection . 【期刊名称】《激光技术》 【年(卷),期】2016(040)002 【总页数】5页(P227-231)

【关键词】图像处理;可见光图像增强;偏振成像;邦加球;K均值聚类;双树复小波转换;区域方差特征匹配 【作 者】赵蓉;顾国华;杨蔚

【作者单位】南京理工大学电子工程与光电技术学院,南京210094;南京理工大学电子工程与光电技术学院,南京210094;南京理工大学电子工程与光电技术学院,南京210094 【正文语种】中 文 【中图分类】TN911.73

*通讯联系人。E-mail:*******************.cn

可见光图像容易受到外界环境因素的影响，对于隐藏在自然背景中的人造目标，图像中目标与背景的对比度低使得目标不易被发现。随着伪装技术的发展，新型伪装涂料的产生更加大了人造目标检测与识别的难度。针对以上可见光图像的特点，图像增强技术的研究对于目标的探测与识别具有重大意义。以往对可见光图像的增强

主要有如下几种方法：调整灰度直方图[1]、基于人眼视觉特性的图像增强算法[2]、图像的分形增强[3]等，这些方法依赖于单幅图像，增强已有的图像信息，对于质量较差的可见光图像增强能力十分有限。

对偏振成像[4]的研究发现：目标在反射和辐射电磁波的过程当中，会依据表面的物质特性改变电磁波的偏振态，利用物体反射或辐射光波的偏振态信息，可以有效区分不同材质、不同表面形态、不同导电率的散射体[5]。尤其在军事探测中，人造目标表面较光滑，辐射和反射光的线偏振较强，而自然背景的散射较强使偏振度较低，利用人造目标与背景偏振特征的差异，可以在复杂的自然环境中检测和分离人造目标[6-7]。

文中利用偏振成像方法获取图像中的偏振信息，将偏振信息在邦加球中进行聚类得到偏振特征图像，融合偏振特征图像与光强图像得到最终的增强图像。实验结果表明，本文中的方法具有更好的图像增强效果。

光波的偏振态[8]通常用Stokes矢量(I,Q,U,V)T[9]来定量化表示，其中I表示光波的总强度；Q代表水平偏振和垂直偏振之间的强度差；U代表光线偏振部分方向在45°和-45°之间的强度差；V代表光的左旋和右旋圆偏振分量的强度差。这4个参量均是光强的时间平均值，具有强度的量纲，可以直接被光电探测器探测。 任意的Stokes矢量可以表示为[10]：

式中,P,θ和ε分别表示偏振度，偏振角和椭率角。这3个量可以在光的邦加球中表示。I0，I45，I90和I135分别表示偏振方向为0°，45°，90°，135°的线偏振光的光强值，Il和Ir分别表示左旋和右旋圆偏振光的光强值。

由斯托克斯参量可以得到偏振度P、偏振角θ和椭率角ε的信息如下[10]: 光偏振态的邦加球表示法[11]如图1所示。12年,POINCARE在斯托克斯空间引入半径为1的球，球面上的点与光的全偏振态一一对应，球内点与光的部分偏振态相对应，球内任意点离球心的距离可以用来表示该部分偏振光的偏振度P，球

面上任一点的经度和纬度分别为2θ和2ε[12]。由光偏振态的邦加球表示法可以看出，对于给定的总光强值I，光波的偏振态由偏振度P、偏振角θ和椭率角ε完全决定。对于确定的偏振度、偏振角和椭率角，在邦加球中必有唯一一点与之相对应。 Stokes参量的测量光路如图2a所示。沿z轴传播的光束，先后通过快轴与参考轴成β角的λ/4波片和透光轴与参考轴成α角的起偏器。先不用λ/4波片，通过在光路中旋转起偏器使α分别为0°，45°，90°和135°，获取线偏振分量的光强图像I0，I45，I90，I135，由(1)式得到Stokes的前3个参量I，Q，U。在光路中加入λ/4波片，令α=0°，通过旋转λ/4波片使β分别取+45°和-45°，获取左旋/右旋圆偏振分量的光强图像Il和Ir，由(1)式得出最后一个Stokes参量V。根据(2)式，即可获得景物的偏振度图像I(P)，偏振角图像I(θ)和椭率角图像I(ε)图像。系统框图如图2b所示。

K-means算法是MAcQUEEN于1967年提出的一种解决聚类问题的经典算法[13]，具有时间效率高且适于处理大规模数据等优点。

设有样本集X(x1,x2…,xn)，现将n个样本划分为k个类别，分别用x,(x=1,2,…,k)表示，其中Ni是第i聚类中Ci的样本数目，mi是这些样本的均值，取距离函数为欧几里得距离函数d(Vi-Vj)=‖Vi-Vj‖，其中Vi,Vj为向量表示，K-means算法描述如下：(1)从样本集中随机选取k个样本作为初始聚类中心;(2)计算每个样本对象与中心对象的距离，并根据最小距离重新对相应对象进行分类;(3)利用均值重新计算中心值;(4)重复步骤(2)~步骤(3)，迭代到目标函数收敛，即每个聚类不再发生变化，迭代结束。

具体的算法过程可分为以下几步：(1)对拍摄得到的0°，45°，90°,135°，l(左旋)，r(右旋)几个方向的光强图像由(1)式和(2)式计算斯托克斯参量、偏振度图像I(P)、偏振角图像I(θ)和椭率角图像I(ε)；(2)对偏振态的聚类：将偏振图像I(P,θ,ε)中的各个像素点对应到邦加球中，在邦加球中对这些点进行K-means聚类，得到

偏振特征图像F;(3)将偏振特征图像F和光强图像I进行融合，得到最终融合图像W。

由于离散小波存在平移敏感性、方向有限的缺陷，KINGSBURY等人提出了双树复小波(dualtreecomplexwavelettransform,DTCWT)变换[14]，DTCWT产生指向±15°,±45°,±75°的细节子图像，图像的方向性表达增强。本文中采用双树复小波变换对偏振特征图像和光强图像进行融合， 考虑DTCWT各尺度分解层的系数特征，低通子带和高通子带分别采用不同的融合规则。

2.3.1 低频子带融合 采用主成分分析[15]对低频系数进行处理：

式中，Il(x,y),Fl(x,y)分别为光强图像和偏振特征图像小波分解后的低频系数，Wl(x,y) 为融合图像的低频系数,c1和c2分别为强度图像和偏振特征图像的主特征向量。

2.3.2 高频子带融合 区域方差能够反映区域内像素灰度值与其平均值的偏离程度，因此作者采用方差作为衡量一个区域内目标特征显著性的度量值[16]。窗口为3×3的区域方差表示为：

式中，σFl和σIl表示第l层分解以(x,y)为中心的局部方差，(x,y)表示以(x,y)为中心的区域像素的灰度均值，为加权矩阵，计算局部方差匹配度：，M(x,y)在0~1之间取值，如果存在一个阈值T(T=0.3)，若M(x,y)当M(x,y)>T时，说明两幅图像之间的相关性较高，采用加权融合规则，则有: 式中，。

为验证本文中算法的可行性和有效性，对室外两组场景分别进行了实验。图3和图4为第1组实验场景，涂有土黄色伪装涂料的金属铝板置于杂乱落叶从中，图3的4幅图分别表示由(1)式和(2)式计算得到的光强图像、偏振度图像、偏振角图像和椭率角图像。利用本文中算法得到的偏振特征图像F和最终增强图像W分别

如图4a和图4b所示;图4c为参考文献[1]中的方法得到的结果图。

由于目标隐藏在了自然背景中，所以从图3a即光强图像I中很难发现目标。偏振度图像、偏振角图像和椭率角图像虽然一定程度上凸显了伪装目标，但细节特征都不明显，图像模糊、对比度不高。在邦加球中聚类后得到的偏振特征图像F已经很明显地凸显了目标，最终得到的增强图像W较原始可见光图像目标明显突出，目标轮廓完整清晰，并且反映了更多的表面纹理信息。而参考文献[1]中的方法虽然与原始可见光图像相比整体亮度提升，但对比度不高，目标与背景仍然不能很好地区分。

第2组实验场景为涂有银灰色伪装涂料的钢板置于凹凸水泥地上，如图5和图6所示，此场景模拟空中俯拍伪装军用车辆的情景，图5和图6中的图像含义分别与图3和图4一一对应。

这一组实验中的伪装板表面漆有刮痕，地面也不平整，从偏振特征图像F和最终增强图像W中能明显看到地表的纹理和板子表面的刮痕缺陷，而参考文献[1]中的方法则缺失了这些重要信息。

这里选择图像熵(entropy)、平均梯度(averagegra-dient)和标准差(standard deviation)3个指标来评价图像质量。融合后图像的性能指标按实验顺序分别如表1和表2所示，表1为第1组实验数据指标，表2对应第2组。

通过本文中方法得到的偏振特征图像F和最终增强图像W的各项性能指标都普遍高于原始可见光图像I的指标，也高于参考文献[1]中的各项指标。

针对可见光图像增强，提出了基于偏振成像的聚类融合算法。实验表明，偏振成像有助于目标的探测和识别，特别是对于偏振度较高的人造目标，而偏振度较低的自然物往往在光强图像中的细节特征明显。文中所述的图像增强算法能够获取完整的目标区域，边缘清晰、细节信息丰富，增强后的图像很好地体现了目标特征。在邦加球中对偏振态聚类得到的偏振特征图像已能清晰地分辨目标与背景，双树复小波

在光强图像和偏振特征图像中的运用以及对低频子带和高频子带使用不同的融合规则，使得最终的增强图像保留了可见光光强图像的低频特性与偏振图像中的偏振特性，效果明显，达到了可见光图像增强的目的。

【相关文献】

[1] WANG Z Y, HUANG M W, HU P,etal. Image enhancement based on histograms and its realization with MATLAB[J]. Computer Engineering and Science, 2006, 28(2):54-56(in Chinese).

[2] KANG M, LI Y L. An adaptive image enhancement algorithm based on human visual properties[J]. Opto-Electronic Engineering, 2009,36(7):71-77(in Chinese).

[3] TAO B J,WEI Y X. Multi-target detection using fractal feature fusion of different source image[J]. Opto-Electronic Engineering,2009,36(12):11-15(in Chinese). [4] SOLOMON J E. Polarization imaging[J]. Applied Optics,1981,20(9):1537-1544. [5] ZHANG C Y, CHENG H F, CHEN Z H,etal. Geometrical optics solution for surface polarimetric scattering of camouflage materials[J]. Infrared and Laser Engineering, 2009, 38(6); 10-1067 (in Chinese).

[6] DUAN J, FU Q, MO C H,etal. Review of polarization imaging technology for international military application(Ⅰ) [J].Infared Technology, 2014, 36(3):190-195(in Chinese).

[7] MO C H, DUAN J, FU Q,etal. Review of polarization imaging technology for international military application(Ⅱ) [J]. Infared Technology, 2014, 36(4):265-270(in Chinese).

[8] WOLFF L B. Applications of polarization camera technology[J]. IEEE Export,1995,10(5):30-38.

[9] ZENG H F. Key technology research about infrared polarization imaging[D]. Nanjing: Nanjing University of Science and Technology,2012:19-40(in Chinese).

[10] WAN C. The collection and research of polarization image[D].Hangzhou: Zhejiang University,2006:9-24(in Chinese).

[11] WANG W, LI G H. The analysis and study of Poincare sphere in Stokes space[J]. Journal of Applied Optics, 2002, 23(3): 23-25 (in Chinese).

[12] MA L L, LI G H. Polarized light expressed by Poincare sphere[J]. Laser Technology, 2003,27(4):302-303(in Chinese).

[13] LI C C, WANG B, WANG J,etal.Extracting vein of leaf image based on K-means

clustering[J].Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(17):157-162 (in Chinese).

[14] KINGSBURY N G. Complex wavelets for shift invariant analysis and filtering of signals[J].Applied and Computational Harmonic Analysis,2001,10(3):234-253.

[15] PAN Y, ZHENG Y H, SUN Q S,etal.An image fusion framework based on principal component analysis and total variation model[J]. Journal of Computer—Aided Design & Computer Graphics, 2011, 23(7):1200-1210(in Chinese).

[16] ZHANG Z, BLUM R S．A categorization of multiscale decomposition based image fusion schemes with a performance study for a digital camera application[J]．Proceeding of the IEEE,1999,87(8):1315-1326.