周培涛

摘要：根据红外图像的特点，提出了一种改进的对比度增强算法，并采用FPGA进行实时图像处理，来提高红外图像的成像质量。对普通的对比度增强算法和改进的对比度增强算法的处理效果进行比较。改进的对比度增强算法使处理后的图像边缘更加清晰，保护了图像的细节，又有效地抑制了图像的噪声，提高了红外图像的视觉效果。

关键词：图像增强;FPGA;信号处理，红外图像

0引言

红外图像具有高背景、低反差的特点，加之红外焦平面阵列元响应率的不一致、电荷传输效率、噪声以及环境温度变化等诸多因素造成的图像的非均匀性，进一步损害了图像质量，为了能够增强视觉效果和准确测量温度信息，所以必须采取非均性校正、图像增强等处理来改善图像质量，抑制图像噪声，增强图像信息，抑制非均匀性。本文的主要目的是以红外图像特征为出发点，研究红外图像的增强处理方法，提出一种改进的对比度增强算法，并采用FPGA硬件进行实现，同时和普通增强算法处理效果进行了实验比较。

1.    局部自适应对比度增强算法

本文设计的局部自适应对比度增强算法算法首先将图像分成两个部分。一是低频部分，可以通过图像的低通滤波（平滑）获得。二是高频成分，可以过原图减去低频获取。然后高频部分被放大（放大系数集即对比度增益GAIN）并加入到反锐化掩模中去，最后得到增强的图像。此算法的核心就是如何计算GAIN。

图像的低频成分，一般可以通过计算以该像素为中心的局部区域的像素平均值来实现。我们假定x（i，j）是图像中某点的灰度值，局部区域的定义为：以（i，j）为中心，窗口大小为（2n+1）*（2n+1）的区域，其中n为一个整数。当然这个窗口区域也不一定就要是正方形。局部的平均值，也就是低频部分，

σx（i，j）就是所谓的局部标准差。定义f（i，j）表示x（i，j）对应的增强后的像素值。则自适应对比度增强算法可以表示如下：

（5）

上式中，CV是个常数，这样，GAIN是空间自适应的，并且和局部均方差成反比，在图像的边缘或者其他变化剧烈的地方，局部均方差比较大，因此GAIN的值就比较小，这样就不会产生振铃效应。然而，在平滑的区域，局部均方差就会很小，这样GAIN的值比较大，从而引起了噪音的放大，所以需要对GAIN的最大值做一定的限制才能获得更好的效果。

CV这个常数的取值可以用的图像的全局均方差，并且增加一个参数Percent，用来再次控制高频增强的程度。如果图像的全局均方差和σx（i，j）和比值太大，就默认为背景可以令Percent减小至0 从而达到背景噪声不被增强。

f（i，j）=Ex（i，j）+Percent*GAIN[x（i，j）-Ex（i，j）]

（6）

在本方案中将取样半径n取值不大于64，增强程度不大于200%，对均值进行模糊优化，就是先行均值，再列均值的优化方式。优化后的算法执行时间和n的没有关系。

2     红外图像增强算法硬件实现总体设计方案

基于xilinx公司的FPGA的红外图像增强算法实现的总体设计方案如图1 所示。整个系统由探测器偏压配置电路、四路模拟信号预处理电路、AD转换芯片、FPGA配置FLASH、Xilinx公司的FPGA芯片、DDR3存储器、FLASH系数存储、D/A及视频合成等组成。

FPGA芯片是整个系统的控制核心，完成的主要功能是：FPGA主要完成探测器读出时序控制，像元排序、非均匀校正时序逻辑部分、系数乘加、图像增强等功能，内部的软核处理器根据外部CAN总线的通信指令进行流程控制工作包含校正流程控制和校正系数计算。

红外热像仪输出的视频信号经过集成视频处理A/D之后，输出14位数字信号和由FPGA进行像元排序，非均匀校正，系数乘加，图像增强。FPGA是系统实现本文提出图像增强算法的核心部分;DDR3阵列用于存放图像及算法的實现;流程控制程序在FPGA内部的软核microblaze中运行，再对红外图像进行采集，校正、增强的过程中，图l中的DDR3一直处于预充电、读写状态，即在FPGA采集到红外图像数据后，对像元进行排序，microblaze接收到CAN总线的校正指令后，控制FPGA的逻辑部分将图像数据累加存放在DDR3中，完成帧累积，在FPGA内部进行校正系数计算，并通过逻辑部分控制将系数写入DDR3，校正完成后再从DDR3中读取系数用来将图像数据乘增益加偏置，完成数据的更新，后将校正后的数据经流水线控制和内部的block ram将数据缓存并分区域计算局部均方差和局部均值，然后进行自适应增强处理，大约需20多级流水线处理，完成数据更新。其中控制逻辑以及DDR3的时序通过FPGA由VHDL语言编程实现。最后生成相关的视频时序信号（经过锁相的像素时钟、行同步、场同步以及奇偶信号等），经D/A及视频合成芯片合成模拟视频信号输出在监视器上显示出来。

3     红外图像增强效果与分析

图2 为直接对比度增强与自适应对比度增强算法的比较结果。由图2可以看出，经过普通对比度增强后的图像边缘被加强的程度比自适应图像对比度增强算法更大，但是原图中的噪声被明显增强，由于红外图像的非均匀性被增强，造成图像中出现了很多齿状边缘，过度增强的细小条纹，严重地影响图像的和图像中目标的可识别性。而当采用本文改进的适应算法进行一些参数的调整时，就能获得比较理想的增强效果。