CN113096053A - 基于多尺度引导滤波的高动态红外图像细节增强方法 - Google Patents

Abstract

本发明公开了一种基于多尺度引导滤波的高动态红外图像细节增强方法，对输入的高动态红外图像进行多尺度引导滤波分解，获得不同尺度的图像细节层；对所述不同尺度的图像细节层进行加权融合，获得多尺度融合的细节层，并通过与原始图像作差，获得相应的基本层；对所述多尺度融合的细节层和相应的基本层分别进行非线性压缩映射，获得增强的细节层和低动态的基本层；最后，叠加所述增强的细节层和低动态的基本层并进行归一化，获得细节增强的低动态红外图像。本发明能够快速高效地提取更多细节信息，也避免出现梯度翻转问题，细节增强性能和整体视觉效果较优。

Description

基于多尺度引导滤波的高动态红外图像细节增强方法

技术领域

本发明属于高动态范围红外图像处理领域，具体涉及一种基于多尺度引导滤波的高动态红外图像细节增强方法。

背景技术

为了尽可能记录真实场景中丰富且细微的温差变化，现代高性能红外热像仪通常具备高动态范围成像能力，即能够输出14位甚至16位动态范围(对应灰度级为0～16383和0～65535)的原始红外图像数据；然而，常规显示设备的动态范围仅有8位，因此需要对高动态范围的原始红外图像进行压缩以用于8位显示和后续的计算机任务处理。

常用的动态范围压缩方法主要包括自动增益控制(AGC)和直方图均衡化(HE)，AGC方法在剔除原始数据中小部分极端像素的基础上，将数据线性压缩映射成8位，然而这种方法往往导致生成的图像整体偏暗，对比度较低，细节不清晰，HE方法能够显著提升图像对比度，但由于直方图中背景尖峰的存在，容易使得灰度压缩后的图像中出现过饱和效应和部分细节丢失问题。为此，FLIR公司提出了数字图像细节增强(DDE)技术用于进一步解决高动态范围场景中定位低对比度目标的难题，此算法是一种高级非线性图像处理算法，可保留原始高动态范围图像中的细节信息，从DDE技术可见，在高动态范围红外图像压缩显示中，保持甚至增强细节信息来使生成的常规8位图像具备更优的可视性，是热成像领域中一项重要的研究内容。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于多尺度引导滤波的高动态红外图像细节增强方法。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供一种基于多尺度引导滤波的高动态红外图像细节增强方法，该方法为:对输入的高动态红外图像进行多尺度引导滤波分解，获得不同尺度的图像细节层；对所述不同尺度的图像细节层进行加权融合，获得多尺度融合的细节层，并通过与原始图像作差，获得相应的基本层；对所述多尺度融合的细节层和相应的基本层分别进行非线性压缩映射，获得增强的细节层和低动态的基本层；最后，叠加所述增强的细节层和低动态的基本层并进行归一化，获得细节增强的低动态红外图像。

上述方案中，所述对输入的高动态红外图像进行多尺度引导滤波分解，获得不同尺度的图像细节层，具体为：所述对输入的高动态红外图像进行多尺度引导滤波分解，采用四个不同尺度滤波核的引导滤波器来分别对输入的高动态红外图像进行滤波分解，其中四个滤波核大小均为3×3,滤波尺度因子分别为10²、10³、10⁴、10⁵，该多尺度引导滤波分解过程具体表达为：

式中，GF_k表示不同尺度的引导滤波器，k＝1，2，3，4；X为输入的高动态红外图像以及以其自身作为引导图像；s为滤波核的大小，即均设置为3×3；λ_k表示滤波尺度因子，分别设置为10²、10³、10⁴、10⁵；B_k和D_k为多尺度分解后得到的图像基本层和图像细节层，其中取B⁰＝X。

上述方案中，对所述不同尺度的图像细节层进行加权融合，获得多尺度融合的细节层，并通过与原始图像作差，获得相应的基本层，具体为：对不同尺度的图像细节层分配不同的权值系数，然后进行线性加权融合从而获得多尺度融合的细节层，并通过与原始图像作差，获得相应的基本层，具体表达为：

式中，D是多尺度融合的细节层，B是相应的基本层，权值系数的分配规则是依据不同尺度细节层的特点而定的。

上述方案中，对所述多尺度融合的细节层和相应的基本层分别进行非线性压缩映射，获得增强的细节层和低动态的基本层，具体为：采用基于Sigmoid型的非线性函数对多尺度融合的细节层进行非线性压缩增强，获得增强的细节层，采用直方图变换方法对相应的基本层进行非线性压缩映射，获得低动态的基本层。

上述方案中，所述采用基于Sigmoid型的非线性函数对多尺度融合的细节层进行非线性压缩增强，获得增强的细节层，具体表达为

式中，D′为压缩后增强的细节层，β为压缩程度控制参数，0＜β＜1。

上述方案中，所述采用直方图变换方法对相应的基本层进行非线性压缩映射，获得低动态的基本层，具体表达为：

式中，h和h′分别为基本层的直方图和变换后新直方图，l为高动态范围灰度级，α是调节参数，用于控制直方图压缩变换程度，其值大于零，然后利用新直方图h′，进行均衡化处理，从而得到低动态的基本层，具体表达为：

B′＝HE(h′)

式中，HE表示直方图均衡化操作，B′为低动态的基本层。

上述方案中，叠加所述增强的细节层和低动态的基本层并进行归一化，获得细节增强的低动态红外图像，具体为：

X′＝LN(B′+ωD′)

式中，LN表示线性归一化；ω控制细节层的灰度强度，取100～150；X′为最终获得的细节增强的低动态红外图像。

与现有技术相比，本发明采用多尺度引导滤波分解的方法能够快速高效地提取更多细节信息，也避免出现梯度翻转问题；同时对基本层和细节层的相应非线性压缩映射方法也为高动态红外图像细节增强中常规分层处理思路提供了新的操作策略；细节增强性能和整体视觉效果较优。

附图说明

此处所说明的附图用来公开对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例提供一种基于多尺度引导滤波的高动态红外图像细节增强方法的整体流程图。

图2为细节增强前后的红外图像显示效果；(a)为原始高动态红外图像，(b)为经AGC方法处理后红外图像的显示效果；(c)为经HE方法处理后红外图像的显示效果；(d)为经本发明方法处理后红外图像的显示效果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种基于多尺度引导滤波的高动态红外图像细节增强方法，如图1所示，该方法具体通过以下步骤实现：

步骤101：对输入的高动态红外图像进行多尺度引导滤波分解，获得不同尺度的图像细节层。

具体地，采用四个不同尺度滤波核的引导滤波器来分别对输入的高动态范围红外图像进行滤波分解，其中四个滤波核大小均为3×3,滤波尺度因子分别为10²、10³、10⁴、10⁵，该多尺度引导滤波分解过程具体表达为：

式中，GF_k表示不同尺度的引导滤波器，k＝1，2，3，4；X为输入的高动态红外图像以及以其自身作为引导图像；s为滤波核的大小，即均设置为3×3；λ_k表示滤波尺度因子，分别设置为10²、10³、10⁴、10⁵；B_k和D_k为多尺度分解后得到的图像基本层和图像细节层，其中取B₀＝X。

步骤102：对不同尺度的图像细节层进行加权融合，获得多尺度融合的细节层，并通过与原始图像作差，得到相应的基本层。

具体地，对不同尺度的图像细节层分配不同的权值系数，然后进行线性加权融合从而获得多尺度融合的细节层，并通过与原始图像作差，得到相应的基本层，该过程具体表达为：

式中，D是多尺度融合的细节层，B是相应的基本层。权值系数的分配规则是依据不同尺度细节层的特点而定的。

步骤103：分别对基本层和多尺度融合的细节层进行非线性压缩映射，获得低动态的基本层和增强的细节层。

具体地，对基本层进行非线性压缩映射：首先采用基于对数-幂的非线性函数来对基本层的直方图进行压缩变换，获得新直方图，该过程具体表达为：

式中，h和h′分别为基本层的直方图和变换后新直方图，l为高动态范围灰度级，α是调节参数，用于控制直方图压缩变换程度，其值大于零，然后利用新直方图h′，进行灰度均衡化处理，从而得到低动态的新基本层，具体表达为：

B′＝HE(h′)

式中，HE表示直方图均衡化操作，B′为相应低动态范围的新基本层。

对细节层进行非线性压缩映射，则是采用基于Sigmoid型的非线性函数来对细节层进行压缩增强，从而得到增强的新细节层，该过程具体可表达为：

式中，D′为压缩后增强的细节层，β为压缩程度控制参数，0＜β＜1。

步骤104：最后叠加低动态的基本层和增强的细节层并进行归一化，获得细节增强的低动态红外图像。

具体地，可表达为：

X′＝LN(B′+ωD′)

式中，LN表示线性归一化；ω控制细节层的灰度强度，取100～150；X′为最终获得的细节增强的低动态红外图像。

如图2所示，给出了一组本发明方法和常规显示方法的实验对比结果。从图中可以看到，由AGC方法生成的图像仅能模糊地显示出场景的内容信息，缺乏好的层次感，且图像对比度较差，整体视觉效果欠佳。HE方法有效地增强了图像的整体对比度，使得图像视觉效果相比AGC方法的有一定程度地提升，然而也导致图像较亮区域出现饱和效应，造成了其中细节信息的丢失。相比之下，本发明方法产生的结果不仅纹理细节特征突出，富有层次感，同时图像整体效果自然清晰，可视性良好，从而使场景内容信息更易被人眼感知。

本实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、物品或者装置中还存在另外的相同要素。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (7)

1.一种基于多尺度引导滤波的高动态红外图像细节增强方法，其特征在于,该方法为:对输入的高动态红外图像进行多尺度引导滤波分解，获得不同尺度的图像细节层；对所述不同尺度的图像细节层进行加权融合，获得多尺度融合的细节层，并通过与原始图像作差，获得相应的基本层；对所述多尺度融合的细节层和相应的基本层分别进行非线性压缩映射，获得增强的细节层和低动态的基本层；最后，叠加所述增强的细节层和低动态的基本层并进行归一化，获得细节增强的低动态红外图像。

2.根据权利要求1所述的基于多尺度引导滤波的高动态红外图像细节增强方法，其特征在于，所述对输入的高动态红外图像进行多尺度引导滤波分解，获得不同尺度的图像细节层，具体为：所述对输入的高动态红外图像进行多尺度引导滤波分解，采用四个不同尺度滤波核的引导滤波器来分别对输入的高动态红外图像进行滤波分解，其中四个滤波核大小均为3×3,滤波尺度因子分别为10²、10³、10⁴、10⁵，该多尺度引导滤波分解过程具体表达为：

式中，GF_k表示不同尺度的引导滤波器，k＝1，2，3，4；X为输入的高动态红外图像以及以其自身作为引导图像；s为滤波核的大小，即均设置为3×3；λ_k表示滤波尺度因子，分别设置为10²、10³、10⁴、10⁵；B_k和D_k为多尺度分解后得到的图像基本层和图像细节层，其中取B₀＝X。

3.根据权利要求1或2所述的基于多尺度引导滤波的高动态红外图像细节增强方法，对所述不同尺度的图像细节层进行加权融合，获得多尺度融合的细节层，并通过与原始图像作差，获得相应的基本层，具体为：对不同尺度的图像细节层分配不同的权值系数，然后进行线性加权融合从而获得多尺度融合的细节层，并通过与原始图像作差，获得相应的基本层，具体表达为：

式中，D是多尺度融合的细节层，B是相应的基本层，权值系数的分配规则是依据不同尺度细节层的特点而定的。

4.根据权利要求3所述的基于多尺度引导滤波的高动态红外图像细节增强方法，其特征在于，对所述多尺度融合的细节层和相应的基本层分别进行非线性压缩映射，获得增强的细节层和低动态的基本层，具体为：采用基于Sigmoid型的非线性函数对多尺度融合的细节层进行非线性压缩增强，获得增强的细节层，采用直方图变换方法对相应的基本层进行非线性压缩映射，获得低动态的基本层。

5.根据权利要求4所述的基于多尺度引导滤波的高动态红外图像细节增强方法，其特征在于，所述采用基于Sigmoid型的非线性函数对多尺度融合的细节层进行非线性压缩增强，获得增强的细节层，具体表达为

式中，D′为压缩后增强的细节层，β为压缩程度控制参数，0＜β＜1。

6.根据权利要求4所述的基于多尺度引导滤波的高动态红外图像细节增强方法，其特征在于，所述采用直方图变换方法对相应的基本层进行非线性压缩映射，获得低动态的基本层，具体表达为：

式中，h和h′分别为基本层的直方图和变换后新直方图，l为高动态范围灰度级，α是调节参数，用于控制直方图压缩变换程度，其值大于零，然后利用新直方图h′，进行均衡化处理，从而得到低动态的基本层，具体表达为：

B′＝HE(h′)

式中，HE表示直方图均衡化操作，B′为低动态的基本层。

7.根据权利要求6所述的基于多尺度引导滤波的高动态红外图像细节增强方法，其特征在于，叠加所述增强的细节层和低动态的基本层并进行归一化，获得细节增强的低动态红外图像，具体为：

X′＝LN(B′+ωD′)

式中，LN表示线性归一化；ω控制细节层的灰度强度，取100～150；X′为最终获得的细节增强的低动态红外图像。

Images