CN101950412B - 一种红外图像细节增强和动态范围压缩方法 - Google Patents

Abstract

本发明涉及一种红外图像细节增强和动态范围压缩处理方法，包括以下步骤：1、原始高动态范围红外图像经过高斯约束滤波器分解成为基图和细节图；2、将基图和细节图进行动态饱和提取和非线性动态范围压缩；3、将基图和细节图合成输出。该方法可用于各种红外焦平面探测器成像系统，易于硬件实现，可广泛应用于红外告警系统、红外夜视系统、空间红外成像研究、工业及民用红外成像系统等领域，提供快速有效的红外图像细节增强技术手段。

Description

一种红外图像细节增强和动态范围压缩方法

技术领域

本发明涉及一种基于高斯约束滤波的红外图像细节增强和动态范围压缩处理方法，属于红外成像领域。该方法可用于各种红外焦平面探测器成像系统，易于硬件实现，可广泛应用于红外告警系统、红外夜视系统、空间红外成像研究、工业及民用红外成像系统等领域，提供快速有效的红外图像细节增强技术手段。

背景技术

红外焦平面阵列(IRFPA，Infrared Focal Plane Array)是当今技术性能最先进的红外探测器，是众多实际应用的红外成像系统的核心部件，在军事和民用领域得到广泛应用。红外热成像技术利用目标与周围背景之间的温差来实现目标形状和状态等相关信息的提取，是一种对场景的温度分布进行成像、处理及显示的高科技前沿技术。但是红外图像存在对比度低，图像边缘细节信息模糊等缺点，降低了红外图像对细小目标的探测、识别能力。另外，红外图像原始数据具有很高的动态范围(12bit或14bit)，如何将高动态范围数据在保留图像细节的同时压缩到8bit在传统的显示设备上显示，也是红外图像处理过程的重要组成部分。传统的压缩方式是采用全局的自动增益控制AGC、直方图均衡化GHE和非线性的γ变换等，在一些场景条件下图像质量难以满足应用要求。

红外图像数字细节增强(Digital Detail Enhancement，DDE)技术是近年来迅速发展的红外图像处理技术类型，其通过增强红外场景中目标与背景之间的灰度对比度以及目标自身表面的细微结构(如边缘、轮廓、纹理等)来提高对细小目标的探测、识别能力，增强对图像内容和关键信息理解，可深入挖掘并清晰显示红外图像中存在的微弱重要细节特征。传统的非锐化掩模图像细节增强算法是一种有效的DDE算法，图2是对图1进行传统非锐化掩模细节增强算法处理结果。这种算法存在容易产生光晕及亮暗背景中的微细目标增强不明显问题，如图2的位置1、2处所示。本发明提出了一种基于高斯滤波器和定义的约束滤波器组合成的高斯约束滤波器对图像的细节进行提取、增强、并同时进行动态范围压缩的红外图像细节增强和动态范围压缩方法。

发明内容

本发明的目的在于提供一种基于高斯约束滤波器(Gaussian and RestrictionLow-Pass Filter，GRLPF)红外图像细节增强和动态范围压缩处理方法。所述方法对红外图像适应广泛，处理效果显著，操作简便、性能稳定，计算量较小，便于在实际红外焦平面阵列成像系统中实现实时处理。

本发明提供了一种红外图像细节增强和动态范围压缩方法，包括以下步骤：

一、原始高动态范围红外图像经过高斯约束滤波器分解成为基图和细节图；

本发明所述高斯约束滤波器定义为

s(i-m，j-n)＝g(m，n)·r(i-m，j-n)(1)

g(m，n)是空间高斯低通滤波器，r(i-m，j-n)是根据以原始红外图像点(i，j)为中心w×w窗口内像素的灰度分布生成的约束滤波器，定义分别如下

$g(m,n)=e^{-\frac{m^2+n^2}{2{\mathrm{\σ}}^2}}---\left(2\right)$

$r(i-m,j-n)=\frac{T}{{[f(i-m,j-n)-f(i,j)]}^2+T}---\left(3\right)$

其中

σ表示方差，w为奇数，代表滤波窗口的尺寸，对于一帧图像T为常数，取

T＝2×[max(f(i，j))-min(f(i，j))](4)

max()、min()函数的作用是求取原始输入红外图像的最大、最小值；

设f(i，j)表示原始输入图像，本发明所述基图的获取过程如下

$f^{\mathrm{base}}(i,j)=\frac{\underset{m=-\frac{w-1}{2}}{\overset{\frac{w-1}{2}}{\mathrm{\Σ}}}\underset{n=-\frac{w-1}{2}}{\overset{\frac{w-1}{2}}{\mathrm{\Σ}}}s(i-m,j-n)\·f(i-m,j-n)}{\underset{m=-\frac{w-1}{2}}{\overset{\frac{w-1}{2}}{\mathrm{\Σ}}}\underset{n=-\frac{w-1}{2}}{\overset{\frac{w-1}{2}}{\mathrm{\Σ}}}s(i-m,j-n)}---\left(5\right)$

本发明所述细节图的获取过程为：

f^detail(i，j)＝f(i，j)-f^base(i，j)(6)

二、将基图和细节图进行动态饱和提取和非线性动态范围压缩，具体方法为：

函数P{g(i，j)}完成高动态范围图像g(i，j)的非线性压缩处理，其中g(i，j)分别取值f^base(i，j)和f^detail(i，j)，从而分别完成对基图和细节图的动态饱和提取和非线性动态范 围压缩：

$P\left\{g(i,j)\right\}=P\left\{g^{\mathrm{\η}}(i,j)\right|g^{\mathrm{\η}}(i,j)=T\left[g(i,j)\right]\}=D\·{\left\{\frac{g^{\mathrm{\η}}(i,j)-\min \left[g^{\mathrm{\η}}(i,j)\right]}{\max \left[g^{\mathrm{\η}}(i,j)\right]-\min \left[g^{\mathrm{\η}}(i,j)\right]}\right\}}^{\mathrm{\γ}}---\left(7\right)$

其中，D为输出图像的灰度级；g^η(i，j)＝T[g(i，j)]表示对g(i，j)进行动态饱和提取，也就是使g(i，j)在灰度高端、低端区域有一定比例的像素饱和，其中η＝[η_L，η_H]，η_L、η_H分别代表灰度低端和高端区域允许饱和的比例；

三、将基图和细节图合成输出：

f_out(i，j)＝(1-α)·P{f^base(i，j)}+α·P{f^detail(i，j)}(8)

其中f_out(i，j)代表输出图像，函数P{}表示高动态图像非线性映射到0～255灰度级，α为基图与细节图像合成过程中细节图像占的权重。

有益效果

本发明可以有效地对高动态红外图像进行细节增强和动态范围压缩处理，提高成像质量。可以挖掘并清晰显示红外图像中存在的潜在重要细节特征，提高红外图像对细小目标的探测、识别能力。算法计算量较小，可在硬件平台上实现实时处理。同传统非锐化掩模图像细节增强方法相比，本方法在控制光晕现象产生的同时，可以使亮暗背景中的微细目标得到明显增强。

附图说明

图1是原始高动态范围红外图像；

图2是对图1进行传统非锐化掩模细节增强算法处理结果；

图3是原始高动态范围红外图像；

图4是对图3进行基于高斯约束滤波器红外图像细节增强和动态范围压缩处理结果；

图5为图3第156列灰度分布曲线；

图6为图3用传统非锐化掩模细节增强算法处理结果第156列灰度分布曲线；

图7为图3用基于高斯约束滤波器红外图像细节增强和动态范围压缩处理结果第156列灰度分布曲线；

图8是本发明中的基于高斯约束滤波器红外图像细节增强和动态范围压缩处理方法流程图。

具体实施方式

下面结合附图，进一步说明本发明的优选实施方式。

本实施例通过对一幅分辨率为320×240的非制冷型红外焦平面样机获取的高动态(14bit)范围红外图像来说明本发明中细节增强和高动态范围压缩处理算法的应用。图3为该样机输出的一帧高动态范围红外图像，图中包含丰富细节信息，但是细节部分对比度低，图像边缘细节信息模糊。该图像灰度范围约2700级，该图像第156列灰度如图5，该列图像包含了典型的细节信息和场景变化情况，对照图3的曲线和原始图像，可以容易看出，a是天空背景中的高亮度的细节目标，b、c处细线是暗背景中的低对比度细节目标，d是天空和楼交界处的强边缘区域，e处窗格是亮背景中的低对比度细节目标。

本实施例使用本发明进行红外图像细节增强和动态范围压缩处理方法的过程如下：

步骤一：用公式(5)、(6)获取基图、细节图；

步骤二：用公式(7)将基图、细节图分别进行动态饱和提取和非线性动态范围压缩；

这里，D为输出图像的灰度级，当输出8bit时D＝255。处理过程分两步进行：①g^η(i，j)＝T[g(i，j)]表示使g(i，j)在灰度高端、低端区域有一定比例(η＝[η_L，η_H]，η_L、η_H分别代表灰度低端和高端区域允许饱和的比例)的像素饱和，该处理过程可有效调节输出图像的动态显示效果；②γ变换压缩，对于基图，γ_B＜1，便于扩展基图的低端、压缩基图中的高端，进一步增强基图的细节信息；对于细节图，γ_D＞1，便于压缩细节图的低端、扩展细节图中的高端，抑制细节图的噪声。

步骤三：用公式(8)进行合成输出细节增强和动态范围压缩整体处理后红外图像，处理效果如图4所示。细节增强后图像4灰度范围8bit(256级)，其第156列灰度如图7，传统非锐化掩模方法处理后第156列灰度如图6所示。通过图6、7对比可以看出本发明处理方法不仅克服了传统非锐化掩模细节增强方法在亮暗交界处产生明显的光晕现象的缺点，如图6、7的位置d处，而且在暗背景中的电线细节(图6、7的位置b、c处)和亮背景中的窗户边缘细节(图6、7的位置e处)细节明显保留并且显著增强。

Claims (2)

1.一种红外图像细节增强和动态范围压缩方法，其特征在于，包括以下步骤：

一、原始高动态范围红外图像经过高斯约束滤波器分解成为基图和细节图；

所述高斯约束滤波器定义为

s(i-m，j-n)＝g(m，n)·r(i-m，j-n)                (1)

g(m，n)是空间高斯低通滤波器，r(i-m，j-n)是根据以原始红外图像点(i，j)为中心w×w窗口内像素的灰度分布生成的约束滤波器，定义分别如下

$g(m,n)=e^{-\frac{m^2+n^2}{{2\mathrm{\σ}}^2}}---\left(2\right)$

$r(i-m,j-n)=\frac{T}{{[f(i-m,j-n)-f(i,j)]}^2+T}---\left(2\right)$

其中 $m=-\frac{w-1}{2},\·\·\·,-1,\mathrm{0,1},\·\·\·\frac{w-1}{2};$ $n=-\frac{w-1}{2},\·\·\·,-\mathrm{1,0,1}\·\·\·\frac{w-1}{2};$ σ表示方差，w为奇数，代表滤波窗口的尺寸，对于一帧图像T为常数，取

T＝2×[max(f(i，j))-min(f(i，j))]                (4)

max()、min()函数的作用是求取原始输入红外图像的最大、最小值；

设f(i，j)表示原始输入图像，所述基图的获取过程如下

$f^{\mathrm{base}}(i,j)=\frac{\underset{m=-\frac{w-1}{2}}{\overset{\frac{w-1}{2}}{\mathrm{\Σ}}}\underset{n=-\frac{w-1}{2}}{\overset{\frac{w-1}{2}}{\mathrm{\Σ}}}s(i-m,j-n)\·f(i-m,j-n)}{\underset{m=-\frac{w-1}{2}}{\overset{\frac{w-1}{2}}{\mathrm{\Σ}}}\underset{n=-\frac{w-1}{2}}{\overset{\frac{w-1}{2}}{\mathrm{\Σ}}}s(i-m,j-n)}---\left(5\right)$

所述细节图的获取过程为：

f^detail(i，j)＝f(i，j)-f^base(i，j)               (6)

二、将基图和细节图进行动态饱和提取和非线性动态范围压缩，具体方法为：

函数P{g(i，j)}完成高动态范围图像g(i，j)的非线性动态范围压缩处理，其中g(i，j)分别取值f^base(i，j)和f^detail(i，j)从而分别完成对基图和细节图的动态饱和提取和非线性动态范围压缩：

$P\left\{g(i,j)\right\}=P\left\{g^{\mathrm{\η}}(i,j)\right|g^{\mathrm{\η}}(i,j)=T\left[g(i,j)\right]\}=D\·{\left\{\frac{g^{\mathrm{\η}}(i,j)-\min \left[g^{\mathrm{\η}}(i,j)\right]}{\max \left[g^{\mathrm{\η}}(i,j)\right]-\min \left[g^{\mathrm{\η}}(i,j)\right]}\right\}}^{\mathrm{\γ}}---\left(7\right)$

其中，D为输出图像的灰度级；g^η(i，j)＝T[g(i，j)]表示对g(i，j)进行动态饱和提取，也就是使g(i，j)在灰度高端、低端区域有一定比例的像素饱和，其中η＝[η_L，η_H]，η_L、η_H分别代表灰度低端和高端区域允许饱和的比例；

三、将基图和细节图合成输出：

f_out(i，j)＝(1-α)·P{f^base(i，j)}+α·P{f^detail(i，j)}                (8)

其中f_out(i，j)代表输出图像，函数P{}表示高动态范围图像非线性映射到0～255灰度级，α为基图与细节图像合成过程中细节图像占的权重。

2.根据权利要求1所述的一种红外图像细节增强和动态范围压缩方法，其特征在于，步骤二式(7)中γ的取值为：对于基图，γ_B＜1，；对于细节图，γ_D＞1。

Images