CN108765304A - 基于自适应梯度增益控制的高动态红外图像增强方法 - Google Patents

Abstract

本发明涉及一种基于自适应梯度增益控制的高动态红外图像增强方法，包括以下步骤：(a)获取第一高动态红外图像F₀；(b)对所述第一高动态红外图像F₀进行带阈值参数的直方图均衡化处理，获得强度约束目标图像d；(c)对所述第一高动态红外图像F₀进行归一化处理，获得第二高动态红外图像M；(d)根据所述第二高动态红外图像M，构造局部自适应梯度增益控制因子β；(e)根据所述局部自适应梯度增益控制因子β、所述第二高动态红外图像M和所述强度约束目标图像d迭代计算增强图像，完成图像处理。本发明实施例，能够在提升图像动态压缩与细节增强效果的同时，抑制梯度逆转现象以及平坦区域噪声放大现象。

Description

基于自适应梯度增益控制的高动态红外图像增强方法

技术领域

本发明属于数字图像处理领域，具体涉及一种基于自适应梯度增益控制的高动态红外图像增强方法。

背景技术

现代红外成像系统的输出图像通常具有较高的动态范围，而常用的显示设备只能显示256级灰度。高动态图像在常用显示设备上线性显示时，会出现对比度低，信息丢失和细节模糊等问题。为了改善高动态图像的显示效果，需要对图像的动态范围进行压缩，同时保留并增强图像中的细节信息。针对图像的动态压缩与细节增强问题，该领域的研究者进行了大量的探索和研究，提出了许多具有良好效果的解决方法。

空间域图像增强方法计算相对简单，便于硬件实现，是比较常用的一类图像增强方法。经典的空间域图像增强方法包括直方图均衡、对比度受限自适应直方图均衡化等，这些方法都有不错的增强效果，但是噪声抑制和细节增强能力有限。目前最具代表性的两类细节增强算法分别是基于分层技术数字细节增强方法和基于梯度保真技术数字细节增强方法，其代表算法分别是左超等提出的BF_DDE算法(请参见如下文献：Zuo C,Chen Q,RenJ.Display and detail enhancement for high-dynamic-range infrared images[J].Optical Engineering,2011,50(12):895-900.)，以及张菲菲等人提出的GD_DDE算法(请参见如下文献：Zhang F,Xie W,Ma G,et al.High dynamic range compression anddetail enhancement of infrared images in the gradient domain[J].InfraredPhysics&Technology,2014,67:441-454.)。上述两类算法中，前一类算法的压缩增强效果较为显著，但在强边缘处会出现梯度逆转现象；后一类算法的处理结果虽未曾出现明显的梯度逆转现象，但动态压缩和细节增强效果不够理想。

因此，现有的算法很难在抑制梯度逆转现象的同时，取得较好的动态范围压缩与细节增强效果。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于自适应梯度增益控制的高动态红外图像增强方法。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种基于自适应梯度增益控制的高动态红外图像增强方法，包括以下步骤：

(a)获取第一高动态红外图像F₀；

(b)对所述第一高动态红外图像F₀进行带阈值参数的直方图均衡化处理，获得强度约束目标图像d；

(c)对所述第一高动态红外图像F₀进行归一化处理，获得第二高动态红外图像M；

(d)根据所述第二高动态红外图像M，构造局部自适应梯度增益控制因子β；

(e)根据所述局部自适应梯度增益控制因子β、所述第二高动态红外图像M和所述强度约束目标图像d迭代计算增强图像，完成图像处理。

在本发明的一个实施例中，步骤(b)包括：

(b1)引入阈值参数，计算所述第一高动态红外图像F₀的有效直方图分布；

(b2)根据所述第一高动态红外图像F₀的有效直方图分布计算原始高动态红外图像F₀的有效像素个数的总数；

(b3)根据所述有效像素个数的总数计算获得所述强度约束目标图像d。

在本发明的一个实施例中，所述阈值参数为150。

在本发明的一个实施例中，步骤(d)包括：

(d1)计算所述第二高动态红外图像M的x轴梯度分量和y轴梯度分量

(d2)根据所述x轴梯度分量和y轴梯度分量计算所述第二高动态红外图像M的梯度；

(d3)根据所述第二高动态红外图像M的梯度构造所述局部自适应梯度增益控制因子β。

在本发明的一个实施例中，步骤(e)包括：

(e1)根据所述局部自适应梯度增益控制因子β、所述第二高动态红外图像M和所述强度约束目标图像d，计算得到第t+1次迭代的增强图像f_t+1；

(e2)判断迭代次数是否小于最大迭代次数iter，如果所述迭代次数小于所述最大迭代次数，则继续进行迭代计算；否则，结束迭代；

(e3)采用自动增益控制方法将所述第t+1次迭代的增强图像f_t+1映射到低动态范围，获得最终输出图像F_OUT，完成图像处理。

在本发明的一个实施例中，所述最大迭代次数iter为10。

在本发明的一个实施例中，步骤(e1)包括：

(e11)利用所述强度约束目标图像d作为迭代的初始增强图像f₀；

(e12)根据所述初始增强图像构建增强图像f_t的强度保真项；

(e13)根据所述局部自适应梯度增益控制因子β构建所述增强图像f_t的梯度保真项；

(e14)根据所述强度保真项和所述梯度保真项构建能量泛函；

(e15)求解所述能量泛函的最小值得到所述第t+1次迭代的增强图像f_t+1。

在本发明的一个实施例中，所述局部自适应梯度增益控制因子β的计算公式为：

其中，max(S(x,y))表示取S(x,y)的最大值函数，mean(S(x,y))表示取S(x,y)的平均值函数，α为大于1的调节参数，β(x,y)表示第二高动态红外图像M中坐标为(x,y)处的局部自适应梯度增益控制因子。

在本发明的一个实施例中，步骤(e13)包括：

(x1)计算所述增强图像f_t在(x,y)像素处的x轴梯度分量和y轴梯度分量；

(x2)根据所述x轴梯度分量和y轴梯度分量构建所述增强图像f_t的梯度保真项。

在本发明的一个实施例中，步骤(e15)包括：

(y1)构造所述增强图像f_t的x轴梯度逼近项DX和y轴梯度逼近项DY；

(y2)根据所述x轴梯度逼近项DX计算所述x轴梯度逼近项DX的x轴梯度分量；根据所述y轴梯度逼近项DY计算y轴梯度逼近项DY的y轴梯度分量；

(y3)根据所述x轴梯度逼近项DX的x轴梯度分量和y轴梯度逼近项DY的y轴梯度分量，求解所述能量泛函的最小值得到所述第t+1次迭代的增强图像f_t+1。

与现有技术相比，本发明的有益效果：

1.本发明引入了局部自适应梯度增益控制因子，在增强图像细节信息的同时，抑制了梯度逆转现象和平坦区域噪声放大现象。

2.本发明引入了带阈值参数的直方图均衡化处理，具有更好的动态压缩性能，抑制了局部动态范围饱和现象。

3.本发明通过这种方法，在提升动态压缩与细节增强效果的同时，有效改善了原有算法的不足。

附图说明

图1为本发明实施例提供的一种基于自适应梯度增益控制的高动态红外图像增强方法的流程示意图；

图2为本发明实施例提供的另一种基于自适应梯度增益控制的高动态红外图像增强方法的流程示意图；

图3a是本发明实施例提供的一种基于自适应梯度增益控制的高动态红外图像增强方法的测试图1通过线性压缩处理后的显示效果图；

图3b是采用GD_DDE方法对测试图1进行处理后的输出图像；

图3c是采用BF_DDE方法对测试图1进行处理后的输出图像；

图3d是本发明实施例提供的一种基于自适应梯度增益控制的高动态红外图像增强方法对测试图1进行处理后的输出图像；

图4a是本发明实施例提供的一种基于自适应梯度增益控制的高动态红外图像增强方法的测试图2通过线性压缩处理后的显示效果图；

图4b是采用GD_DDE方法对测试图2进行处理后的输出图像；

图4c是采用BF_DDE方法对测试图2进行处理后的输出图像；

图4d是本发明实施例提供的一种基于自适应梯度增益控制的高动态红外图像增强方法对测试图2进行处理后的输出图像；

图5a是本发明实施例提供的一种基于自适应梯度增益控制的高动态红外图像增强方法的测试图3通过线性压缩处理后的显示效果图；

图5b是采用GD_DDE方法对测试图3进行处理后的输出图像；

图5c是采用BF_DDE方法对测试图3进行处理后的输出图像；

图5d是本发明实施例提供的一种基于自适应梯度增益控制的高动态红外图像增强方法对测试图3进行处理后的输出图像。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1，图1为本发明实施例提供的一种基于自适应梯度增益控制的高动态红外图像增强方法的流程示意图。

一种基于自适应梯度增益控制的高动态红外图像增强方法，包括以下步骤：

(a)获取第一高动态红外图像F₀；

(b)对所述第一高动态红外图像F₀进行带阈值参数的直方图均衡化处理，获得强度约束目标图像d；

(c)对所述第一高动态红外图像F₀进行归一化处理，获得第二高动态红外图像M；

(d)根据所述第二高动态红外图像M，构造局部自适应梯度增益控制因子β；

(e)根据所述局部自适应梯度增益控制因子β、所述第二高动态红外图像M和所述强度约束目标图像d迭代计算增强图像，完成图像处理。

在本发明实施例中，将原始高动态红外图像作为第一高动态红外图像；将归一化后的高动态红外图像作为第二高动态红外图像。

本发明是现有的技术手段上将采用带阈值参数的直方图均衡化处理得到的强度约束目标和局部自适应梯度增益控制因子加入了对图像的迭代增强处理中，在提升动态压缩与细节增强效果的同时，抑制原有算法中出现的梯度逆转现象以及平坦区域噪声放大现象，同时改善了原有算法对比度低的问题。

实施例二

请再次参见图1，同时请参见图2，图2为本发明实施例提供的另一种基于自适应梯度增益控制的高动态红外图像增强方法的流程示意图，本实施例在上述实施例的基础上，重点对一种基于自适应梯度增益控制的高动态红外图像增强方法进行详细描述。

(S10)获取第一高动态红外图像F₀；

本实施例采用红外图像压缩增强实验中常用的三幅图像作为原始高动态红外图像作为测试图，F₀为测试图之一。由于普通输出设备无法显示高动态原图的细节，因此本实施例中的原始高动态红外图像F₀采用线性压缩方式显示以作参考。

(S20)对所述第一高动态红外图像F₀进行带阈值参数的直方图均衡化处理，获得强度约束目标图像d。

直方图均衡化处理是对图像中像素个数多的灰度级进行展宽，而对图像中像素个数少的灰度进行压缩，从而扩展像元取值的动态范围，提高了对比度和灰度色调的变化，使图像更加清晰。

步骤(20)包括以下步骤：

(S201)引入阈值参数th，计算所述第一高动态红外图像F₀的有效直方图分布。所述有效直方图的分布情况如下所示：

nl(i_k)＝mod(n0(i_k),th)，k∈{1,2,...,L}

其中，i_k表示第一高动态红外图像F₀的第k灰度级对应的灰度值，L为第一高动态红外图像F₀的灰度级数，n0(i_k)表示第一高动态红外图像F₀中灰度值为i_k的像素个数，函数mod(a,b)为取模函数，表示变量b整除变量a取得的余数，在上述公式中，取模函数的变量a为n0(i_k)，变量b为th，nl(i_k)表示第一高动态红外图像F₀中灰度值为i_k的有效像素个数。

在一个具体实施例中，所述阈值参数th取值为150；

(S202)根据所述第一高动态红外图像F₀的有效直方图分布计算原始高动态红外图像F₀的有效像素个数的总数。

所述有效像素个数的总数满足：

其中，L为第一高动态红外图像F₀的灰度级数，nl(i_k)表示第一高动态红外图像F₀中灰度值为i_k的有效像素个数。

(S203)根据所述有效像素个数的总数计算获得所述强度约束目标图像d。

所述强度约束目标图像d的计算公式如下：

其中，Ω表示第一高动态红外图像F₀的空间域坐标集合，F₀(x,y)表示第一高动态红外图像F₀在坐标(x,y)处的灰度值，nl(F₀(x,y))表示第一高动态红外图像F₀中灰度值为F₀(x,y)的有效像素个数，d(x,y)表示强度约束目标图像d在坐标(x,y)处的灰度值。

(S30)对所述第一高动态红外图像F₀进行归一化处理，获得第二高动态红外图像M。

所述第二高动态红外图像M满足：

其中，F_min表示第一高动态红外图像F₀中的最小灰度值，F_max表示第一高动态红外图像F₀中的最大灰度值。

(S40)根据所述第二高动态红外图像M，构造局部自适应梯度增益控制因子β。

步骤(S40)包括以下步骤：

(S401)计算所述第二高动态红外图像M的x轴梯度分量和y轴梯度分量

所述x轴梯度分量和y轴梯度分量的计算公式分别如下所示：

其中，表示第二高动态红外图像M在坐标(x,y)处的x轴梯度分量，表示第二高动态红外图像M在坐标(x,y)处的y轴梯度分量；

(S402)根据所述x轴梯度分量和y轴梯度分量计算所述第二高动态红外图像M的梯度。

所述第二高动态图像M的梯度计算公式如下：

其中，S(x,y)表示第二高动态红外图像M在坐标(x,y)处的梯度大小；

(S403)根据所述第二高动态红外图像M的梯度构造所述局部自适应梯度增益控制因子β。

所述局部自适应梯度增益控制因子β满足：

其中，max(S(x,y))表示取S(x,y)的最大值函数，mean(S(x,y))表示取S(x,y)的平均值函数，α为大于1的调节参数，β(x,y)表示第二高动态红外图像M中坐标为(x,y)处的局部自适应梯度增益控制因子。

(S50)根据所述局部自适应梯度增益控制因子β、所述第二高动态红外图像M和所述强度约束目标图像d迭代计算增强图像，完成图像处理。

(S501)根据所述局部自适应梯度增益控制因子β、所述第二高动态红外图像M和所述强度约束目标图像d，计算得到第t+1次迭代的增强图像。

步骤(S501)又分为以下几个步骤：

(S5011)利用所述强度约束目标图像d作为迭代的初始增强图像f₀。

即用所述强度约束目标图像d作为第0次迭代的增强图像f₀。

在一个具体实施例中，设置最大迭代次数iter＝10。

(S5012)根据所述初始增强图像f₀构建增强图像f_t的强度保真项。

所述强度保真项满足：

其中，下标t为迭代序号，为2范数。

(S5013)根据所述局部自适应梯度增益控制因子β构建所述增强图像f_t的梯度保真项。

所述梯度保真项由所述增强图像f_t在(x,y)像素处的x轴梯度分量、y轴梯度分量以及所述局部自适应梯度增益控制因子β共同构建。

所述增强图像f_t在(x,y)像素处的x轴梯度分量和y轴梯度分量的计算公式分别为：

其中，表示x轴梯度分量，表示y轴梯度分量；

所述梯度保真项满足：

其中，表示x方向的梯度算子，表示y方向的梯度算子；

(S5014)根据所述强度保真项和所述梯度保真项构建能量泛函。

所述能量泛函满足：

其中，μ为正的权值系数；

(S5015)求解所述能量泛函的最小值计算得到所述第t+1次迭代的增强图像f_t+1。

采用最陡下降法求解所述能量泛函ε(f_t)的最小化问题，获得所述第t+1次迭代的增强图像f_t+1。

步骤(S5015)又包括以下几个步骤：

(a)构造所述增强图像f_t的x轴梯度逼近项DX和y轴梯度逼近项DY。所述x轴梯度逼近项DX和所述y轴梯度逼近项DY的计算公式分别如下：

(b)根据所述x轴梯度逼近项DX计算所述x轴梯度逼近项DX的x轴梯度分量；根据所述y轴梯度逼近项DY计算y轴梯度逼近项DY的y轴梯度分量；公式分别如下：

其中，表示x轴梯度逼近项DX在坐标(x,y)处的x轴梯度分量，表示y轴梯度逼近项DY在坐标(x,y)处的y轴梯度分量；

(c)根据所述x轴梯度逼近项DX的x轴梯度分量和y轴梯度逼近项DY的y轴梯度分量，求解所述能量泛函的最小值得到所述第t+1次迭代的增强图像f_t+1。

所述第t+1次迭代的增强图像f_t+1的计算公式如下所示：

其中，dt为迭代步长，div_x表示x轴方向的散度算子，div_y表示y轴方向的散度算子。

在一个具体实施例中，所述dt的取值为0.25。

(S502)判断迭代次数是否小于最大迭代次数iter，如果所述迭代次数小于所述最大迭代次数，则继续进行迭代计算；否则，结束迭代。

(S503)采用自动增益控制方法将所述第t+1次迭代的增强图像f_t+1映射到低动态范围，获得最终输出图像F_OUT，完成图像处理。

所述低动态范围是指图像可以在显示器上显示出来的范围。

采用自动增益控制方法(AGC)方法将所述第t+1次迭代的增强图像f_t+1映射到低动态范围，获得最终输出图像：

其中，F_OUT指输出的最终图像；th_min为最小映射阈值，本实施例中th_min取值为增强图像f_t+1累计直方图为0.01所对应的灰度值；th_max为最大映射阈值，本实施例中th_max取值为增强图像f_t+1累计直方图为0.99所对应的灰度值。

本发明通过这种方法，可以达到以下有益效果:

1.本发明引入了局部自适应梯度增益控制因子，在增强图像细节信息的同时，抑制了梯度逆转现象和平坦区域噪声放大现象；

2.本发明引入了带阈值参数的直方图均衡化处理，具有更好的动态压缩性能，抑制了局部动态范围饱和现象。

实施例三

本发明实施例在上述实施例的基础上，对一种基于自适应梯度增益控制的高动态红外图像增强方法的效果进行了详细描述。

本发明通过这种方法得到的效果可通过以下实验进一步说明：

1.定性实验

本实施例选取了3幅常用的高动态红外图像进行测试。由于普通输出设备无法显示高动态原图的细节，因此本实施例中的测试图采用线性压缩处理并显示以作参考，实验对比的重点是与参考方法之间的比较。经验证，本发明的方法优于现有数字细节增强技术中的两种优秀方法GD_DDE方法和BF_DDE方法。

(1.1)测试图1

请参见图3a，图3a是本发明实施例提供的一种基于自适应梯度增益控制的高动态红外图像增强方法的测试图1通过线性压缩处理后的显示效果图。由于图测试图1的动态范围较大，所以图3a中很多细节不可见。图3a分别用现有的GD_DDE方法、BF_DDE方法和本申请的方法进行压缩增强处理，输出结果请依次参见图3b、3c和3d。图3b是采用GD_DDE方法对测试图1进行处理后的输出图像；图3c是采用BF_DDE方法对测试图1进行处理后的输出图像；图3d是本发明实施例提供的一种基于自适应梯度增益控制的高动态红外图像增强方法对测试图1进行处理后的输出图像。对比图3b、3c和3d，图3b的细节较为丰富，高温目标处与原图一致性最佳，但对比度较低细节增强效果不佳；图3c中黑暗区域细节最为明显，但高温目标处与原图一致性较差，出现了轻微的梯度逆转现象；图3d中细节增强效果较好，空间层次感强，高温目标(灯光)处与所述测试图1一致性较好。

(1.2)测试图2

请参见图4a，图4a是本发明实施例提供的一种基于自适应梯度增益控制的高动态红外图像增强方法的测试图2通过线性压缩处理后的显示效果图。由于测试图2的动态范围较大，所以图4a中很多细节不可见。图4a分别用现有的GD_DDE方法、BF_DDE方法和本申请的方法进行压缩增强处理，输出结果请依次参见图4b、4c和4d。图4b是采用GD_DDE方法对测试图2进行处理后的输出图像；图4c是采用BF_DDE方法对测试图2进行处理后的输出图像；图4d是本发明实施例提供的一种基于自适应梯度增益控制的高动态红外图像增强方法对测试图2进行处理后的输出图像。对比图4b、4c和4d，图4b中，较暗区域的台灯难以被发现，整体对比度较差的特点尤其突出；图4c中，在强边缘处(人脸与背景交界处)出现了明显的梯度逆转现象；图4d中没有出现梯度逆转，台灯容易发现，整体效果相对较好。

(1.3)测试图3

请参见图5a，图5a是本发明实施例提供的一种基于自适应梯度增益控制的高动态红外图像增强方法的是测试图3通过线性压缩处理后的显示效果图。由于测试图3的动态范围较所述测试图1和所述测试图2小，所以图4a中细节可见但整体对比度较差。图5a分别用现有的GD_DDE方法、BF_DDE方法和本申请的方法进行压缩增强处理，输出结果请依次参见图5b、5c和5d。图5b是采用GD_DDE方法对测试图3进行处理后的输出图像；图5c是采用BF_DDE方法对测试图3进行处理后的输出图像；图5d是本发明实施例提供的一种基于自适应梯度增益控制的高动态红外图像增强方法对测试图3进行处理后的输出图像。对比图5b、5c和5d，图5b中依然存在对比度较低的问题，而且还出现了噪声放大现象；图5c丢失了部分信息；图5d的压缩增强效果较好，而且抑制了噪声放大现象。

2.定量实验

在上述定性实验中，均为主观评价，在定量实验中将采用EN、EME两种针对图像增强效果的客观评价标准对上述三幅测试图的处理结果进行评价。EN、EME分别从全局到局部再到邻域范围内对图像增强效果进行评价。EN主要衡量整体对比度，EME衡量局部细节对比度。EN、EME评价结果分别如表1、表2所示。一般情况下，EN、EME的值越大说明增强效果越好。

表1采用信息熵(EN)评价动态压缩与细节增强结果

	测试图1	测试图2	测试图3
				GD_DDE	6.60	5.89	7.42
PF_DDE	7.73	7.36	7.59
				本发明	7.73	7.44	7.60

表2采用增强指标(EME)评价动态压缩与细节增强结果

	测试图1	测试图2	测试图3
				GD_DDE	11.54	9.32	18.79
PF_DDE	22.18	12.89	23.22
				本发明	34.75	18.73	28.69

由表1和表2可知，本发明的方法在EN和EME这两个评价指标中的表现明显优于现有的GD_DDE方法和PF_DDE方法。

本发明所提出的基于自适应梯度控制的高动态红外图像增强方法，在提升动态压缩与细节增强效果的同时还避免了梯度逆转现象以及平坦区域噪声放大现象。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于自适应梯度增益控制的高动态红外图像增强方法，其特征在于，包括以下步骤：

(a)获取第一高动态红外图像F₀；

(b)对所述第一高动态红外图像F₀进行带阈值参数的直方图均衡化处理，获得强度约束目标图像d；

(c)对所述第一高动态红外图像F₀进行归一化处理，获得第二高动态红外图像M；

(d)根据所述第二高动态红外图像M，构造局部自适应梯度增益控制因子β；

(e)根据所述局部自适应梯度增益控制因子β、所述第二高动态红外图像M和所述强度约束目标图像d迭代计算增强图像，完成图像处理。

2.根据权利要求1所述的一种基于自适应梯度增益控制的高动态红外图像增强方法，其特征在于，步骤(b)包括：

(b1)引入阈值参数，计算所述第一高动态红外图像F₀的有效直方图分布；

(b2)根据所述第一高动态红外图像F₀的有效直方图分布计算原始高动态红外图像F₀的有效像素个数的总数；

(b3)根据所述有效像素个数的总数计算获得所述强度约束目标图像d。

3.根据权利要求2所述的一种基于自适应梯度增益控制的高动态红外图像增强方法，其特征在于，所述阈值参数为150。

4.根据权利要求1所述的一种基于自适应梯度增益控制的高动态红外图像增强方法，其特征在于，步骤(d)包括：

(d1)计算所述第二高动态红外图像M的x轴梯度分量和y轴梯度分量

(d2)根据所述x轴梯度分量和y轴梯度分量计算所述第二高动态红外图像M的梯度；

(d3)根据所述第二高动态红外图像M的梯度构造所述局部自适应梯度增益控制因子β。

5.根据权利要求1所述的一种基于自适应梯度增益控制的高动态红外图像增强方法，其特征在于，步骤(e)包括：

(e1)根据所述局部自适应梯度增益控制因子β、所述第二高动态红外图像M和所述强度约束目标图像d，计算得到第t+1次迭代的增强图像f_t+1；

(e2)判断迭代次数是否小于最大迭代次数iter，如果所述迭代次数小于所述最大迭代次数，则继续进行迭代计算；否则，结束迭代；

(e3)采用自动增益控制方法将所述第t+1迭代的增强图像f_t+1映射到低动态范围，获得最终输出图像F_OUT，完成图像处理。

6.根据权利要求5所述的一种基于自适应梯度增益控制的高动态红外图像增强方法，其特征在于，所述最大迭代次数iter为10。

7.根据权利要求5所述的一种基于自适应梯度增益控制的高动态红外图像增强方法，其特征在于，步骤(e1)包括：

(e11)利用所述强度约束目标图像d作为迭代的初始增强图像f₀；

(e12)根据所述初始增强图像f₀构建增强图像f_t的强度保真项；

(e13)根据所述局部自适应梯度增益控制因子β构建所述增强图像f_t的梯度保真项；

(e14)根据所述强度保真项和所述梯度保真项构建能量泛函；

(e15)求解所述能量泛函的最小值得到所述第t+1次迭代的增强图像f_t+1。

8.根据权利要求5所述的一种基于自适应梯度增益控制的高动态红外图像增强方法，其特征在于，所述局部自适应梯度增益控制因子β的计算公式为：

其中，max(S(x,y))表示取S(x,y)的最大值函数，mean(S(x,y))表示取S(x,y)的平均值函数，α为大于1的调节参数，β(x,y)表示第二高动态红外图像M中坐标为(x,y)处的局部自适应梯度增益控制因子。

9.根据权利要求8所述的一种基于自适应梯度增益控制的高动态红外图像增强方法，其特征在于，步骤(e13)包括：

(x1)计算所述增强图像f_t在(x,y)像素处的x轴梯度分量和y轴梯度分量；

(x2)根据所述x轴梯度分量和y轴梯度分量构建所述增强图像f_t的梯度保真项。

10.根据权利要求9所述的一种基于自适应梯度增益控制的高动态红外图像增强方法，其特征在于，步骤(e15)包括：

(y1)构造所述增强图像f_t的x轴梯度逼近项DX和y轴梯度逼近项DY；

(y2)根据所述x轴梯度逼近项DX计算所述x轴梯度逼近项DX的x轴梯度分量；根据所述y轴梯度逼近项DY计算y轴梯度逼近项DY的y轴梯度分量；

(y3)根据所述x轴梯度逼近项DX的x轴梯度分量和y轴梯度逼近项DY的y轴梯度分量，求解所述能量泛函的最小值得到所述第t+1次迭代的增强图像f_t+1。