CN113496531A - 一种红外图像动态范围压缩方法和系统 - Google Patents

Abstract

本发明公开了一种红外图像动态范围压缩方法和系统，该方法包括：对获取的高位宽的原始红外图像进行分离处理，得到平滑层和细节层；分别对平滑层和细节层进行处理，得到低位宽的平滑层图像和低位宽的细节层图像；对平滑层图像和细节层图像进行融合处理，得到低位宽的增强红外图像。本发明基于目前红外图像压缩算法的优缺点，将全局映射算法和局部映射算法相结合，根据图像的细节程度将其分割为细节层和平滑层，利用改良的直方图均衡算法对平滑层进行处理，利用基于自适应增益控制的局部映射算法对细节层进行处理，最终实现压缩图像的同时保留图像细节、增强图像对比度，且压缩后的图像不存在过度增强、光晕等问题。

Description

一种红外图像动态范围压缩方法和系统

技术领域

本发明属于红外图像处理技术领域，尤其涉及一种红外图像动态范围压缩方法和系统。

背景技术

红外成像技术在检测、侦查、监控和导航方面有着广泛的应用。现代红外成像系统输出的图像通常具有较高的动态范围，一般可达14bit以上。高动态范围能够保证成像系统在温度变化极大的场景中，仍然能够清晰地分辨场景内温度变化较小的细节。然而，由于当前的后端显示和处理设备大多基于8bit灰度级，高动态范围的红外图像在显示之前必须进行动态范围压缩(Dynamic Range Comperession，DRC)。如果压缩方法选择不当，将使得原有高动态范围图像信息得不到保留。因此，采取适当的压缩算法使得图像在压缩的同时保留细节，是红外图像处理中及其重要的一环。

DRC算法分为全局映射和局部映射两类。目前，全局映射算法如线性变换、直方图增强以及一些非线性全局压缩算子等，处理后的图像容易出现区域增强效果有限、细节丢失、过度增强等问题。局部映射算法如基于Retinex理论的视网膜算法、基于小波变换的局部自适应压缩算法等，有着整体明暗效果不佳、易产生光晕的问题。

综上所述，红外图像的动态范围压缩算法需兼顾细节增强、噪声抑制、对比度调节等多种因素。目前，尚无算法可较好的解决上述问题。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种红外图像动态范围压缩方法和系统，基于目前红外图像压缩算法的优缺点，将全局映射算法和局部映射算法相结合，根据图像的细节程度将其分割为细节层和平滑层，利用改良的直方图均衡算法对平滑层进行处理，利用基于自适应增益控制的局部映射算法对细节层进行处理，最终实现压缩图像的同时保留图像细节、增强图像对比度，且压缩后的图像不存在过度增强、光晕等问题。

为了解决上述技术问题，本发明公开了一种红外图像动态范围压缩方法，包括：

获取高位宽的原始红外图像I_src；

对原始红外图像I_src进行分离处理，得到平滑层I_base和细节层I_detial；

基于直方图均衡算法对平滑层I_base进行处理，得到低位宽的平滑层图像 I_{base_8}；

基于自适应增益控制的局部映射算法对细节层I_detial进行处理，得到低位宽的细节层图像I_{detial_8}；

对平滑层图像I_{base_8}和细节层图像I_{detial_8}进行融合处理，得到低位宽的增强红外图像I_dst。

在上述红外图像动态范围压缩方法中，对原始红外图像I_src进行分离处理，得到平滑层I_base和细节层I_detial，包括：

对原始红外图像I_src进行双边滤波处理，得到滤波后图像I_BF；

对滤波后图像I_BF进行自适应高斯滤波处理，得到平滑层I_base；

使用原始红外图像I_src减去平滑层I_base，得到细节层I_detial

在上述红外图像动态范围压缩方法中，基于直方图均衡算法对平滑层I_base进行处理，得到低位宽的平滑层图像I_{base_8}，包括：

对平滑层I_base进行分块处理，并统计每个子块的直方图，得到各子块直方图；

使用预先定义的阈值对各子块直方图进行裁剪，得到各子块对应的裁剪后的子块直方图；

使用裁剪后的子块直方图对各子块进行直方图均衡处理，将每个子块映射至设定范围内，得到低位宽的平滑层图像I_{base_8}。

在上述红外图像动态范围压缩方法中，基于自适应增益控制的局部映射算法对细节层I_detial进行处理，得到低位宽的细节层图像I_{detial_8}，包括：

确定自适应增益控制函数：

其中，G(i,j)表示细节层I_detial中第i行、第j列像素点的增益系数；G_min和 G_max分别表示G(i,j)的最小值和最大值；k(i,j)表示原始红外图像I_src中第i行、第j列像素点处的双边滤波器权重之和；

将G(i,j)与细节层I_detial进行相乘，得到相乘结果；

使用线性拉伸的方式将相乘结果映射至设定范围内，得到低位宽的细节层图像I_{detial_8}。

在上述红外图像动态范围压缩方法中，设定范围为8bit。

在上述红外图像动态范围压缩方法中，对滤波后图像I_BF进行自适应高斯滤波处理，得到平滑层I_base，包括：

根据式(2)，得到滤波后图像I_BF的二阶微分

其中，I_BF(i,j)表示滤波后图像I_BF第i行、第j列处的像素灰度值；

根据式(3)，得到原始红外图像I_src与滤波后图像I_BF的边缘权重偏差图像 E(i,j)：

E(i,j)＝k(i,j)[I_src(i,j)-I_BF(i,j)]···(3)

其中，k(i,j)表示原始红外图像I_src中第i行、第j列像素点处的双边滤波器权重之和；I_src(i,j)表示原始红外图像I_src中第i行、第j列处的像素灰度值，I_BF(i,j) 表示滤波后图像I_BF中第i行、第j列处的像素灰度值；

根据式(2)和式(3)，得到自适应高斯滤波的标准差σ：

根据式(4)，确定自适应高斯滤波的模板函数f(x,y)：

使用式(5)，对滤波后图像I_BF进行卷积运算处理，得到平滑层I_base。

在上述红外图像动态范围压缩方法中，原始红外图像I_src的位宽为14bit，平滑层图像I_{base_8}的位宽为8bit，细节层图像I_{detial_8}的位宽为8bit，增强红外图像I_dst的位宽为8bit。

本发明还公开了一种红外图像动态范围压缩系统，包括：

图像获取模块，用于获取高位宽的原始红外图像I_src；

图像分离模块，用于对原始红外图像I_src进行分离处理，得到平滑层I_base和细节层I_detial；

图像处理模块，用于基于直方图均衡算法对平滑层I_base进行处理，得到低位宽的平滑层图像I_{base_8}；基于自适应增益控制的局部映射算法对细节层I_detial进行处理，得到低位宽的细节层图像I_{detial_8}；

图像融合模块，用于对平滑层图像I_{base_8}和细节层图像I_{detial_8}进行融合处理，得到低位宽的增强红外图像I_dst。

本发明具有以下优点：

本发明公开了一种红外图像动态范围压缩方法和系统，基于目前红外图像压缩算法的优缺点，将全局映射算法和局部映射算法相结合，根据图像的细节程度将其分割为细节层和平滑层，利用改良的直方图均衡算法对平滑层进行处理，利用基于自适应增益控制的局部映射算法对细节层进行处理，最终实现压缩图像的同时保留图像细节、增强图像对比度，且压缩后的图像不存在过度增强、光晕等问题。

附图说明

图1是本发明实施例中一种红外图像动态范围压缩方法的步骤流程图；

图2是本发明实施例中一种14bit的原始红外图像；

图3是基于图2进行处理后得到的8bit的平滑层图像；

图4是基于图2进行处理后得到的8bit细节层图像；

图5是基于图3和图4得到的8bit的增强红外图像。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明公开的实施方式作进一步详细描述。

如图1，在本实施例中，该红外图像动态范围压缩方法，包括：

步骤101，获取高位宽的原始红外图像I_src。

步骤102，对原始红外图像I_src进行分离处理，得到平滑层I_base和细节层I_detial。

在本实施例中，为了将高位宽的原始红外图像I_src根据细节的多少分离为平滑层和细节层，需首先将原始红外图像I_src经过双边滤波，得到滤波后图像I_BF。由于双边滤波会引起边缘的过度锐化，导致梯度逆转的现象。因此，需要对滤波后图像I_BF进行自适应高斯滤波以修正梯度反转现象。也即，步骤102具体可以包括：

子步骤1021，对原始红外图像I_src进行双边滤波处理，得到滤波后图像I_BF。

子步骤1022，对滤波后图像I_BF进行自适应高斯滤波处理，得到平滑层I_base。

优选的，自适应高斯滤波处理的具体实现如下：

根据式(2)，得到滤波后图像I_BF的二阶微分

根据式(3)，得到原始红外图像I_src与滤波后图像I_BF的边缘权重偏差图像 E(i,j)：

E(i,j)＝k(i,j)[I_src(i,j)-I_BF(i,j)]···(3)

根据式(2)和式(3)，得到自适应高斯滤波的标准差σ：

根据式(4)，确定自适应高斯滤波的模板函数f(x,y)：

使用式(5)，对滤波后图像I_BF进行卷积运算处理，得到平滑层I_base。

其中，I_BF(i,j)表示滤波后图像I_BF第i行、第j列处的像素灰度值；k(i,j)表示原始红外图像I_src中第i行、第j列像素点处的双边滤波器权重之和；I_src(i,j)表示原始红外图像I_src中第i行、第j列处的像素灰度值，I_BF(i,j)表示滤波后图像 I_BF中第i行、第j列处的像素灰度值。

子步骤1023，使用原始红外图像I_src减去平滑层I_base，得到细节层I_detial。

步骤103，基于直方图均衡算法对平滑层I_base进行处理，得到低位宽的平滑层图像I_{base_8}。

在本实施例中，本实施例所述的直方图均衡算法是一种改良的新直方图均衡算法，具体如下步骤如下：

子步骤1031，对平滑层I_base进行分块处理，并统计每个子块的直方图，得到各子块直方图。

子步骤1032，使用预先定义的阈值对各子块直方图进行裁剪，得到各子块对应的裁剪后的子块直方图。

子步骤1033，使用裁剪后的子块直方图对各子块进行直方图均衡处理，将每个子块映射至设定范围(如8bit)内，得到低位宽的平滑层图像I_{base_8}。

步骤104，基于自适应增益控制的局部映射算法对细节层I_detial进行处理，得到低位宽的细节层图像I_{detial_8}。

在本实施例中，细节层为图像的高频部分，不仅含有我们需要的景物细节，而且包含了图像的噪声；因此，细节层在增强细节的同时需要对噪声进行抑制。本实施例基于自适应增益控制的局部映射算法来实现增强细节、抑制噪声的目的。具体实现如下：

确定自适应增益控制函数：

将G(i,j)与细节层I_detial进行相乘，得到相乘结果。

使用线性拉伸的方式将相乘结果映射至设定范围(如8bit)内，得到低位宽的细节层图像I_{detial_8}。

其中，G(i,j)表示细节层I_detial中第i行、第j列像素点的增益系数；G_min和 G_max分别表示G(i,j)的最小值和最大值。

步骤105，对平滑层图像I_{base_8}和细节层图像I_{detial_8}进行融合处理，得到低位宽的增强红外图像I_dst。

在本实施例中，可以采用任意一种适当的方式来实现平滑层图像I_{base_8}与细节层图像I_{detial_8}的融合。例如，可以采用如下线性融合方式得到低位宽的增强红外图像I_dst：

I_dst＝p×I_{detial_8}+(1-p)×I_{base_8}

其中，p为一常数，可根据可视化需求和图像整体质量选择。

在本实施例中，需要说明的是，高位宽和低位宽是一个相对的概念，如原始红外图像I_src的位宽可以为14bit，则，平滑层图像I_{base_8}的位宽可以为8bit，细节层图像I_{detial_8}的位宽可以为8bit，增强红外图像I_dst的位宽可以为8bit。

在上述实施例的基础上，下面结合一个具体实例进行说明。

(1)获取高位宽的原始红外图像I_src。

选取如图2所示的位宽为14bit，分辨率为384×288的原始红外图像I_src，该原始红外图像I_src的灰度范围约有3200级，并且包含丰富的细节信息。若采用线性映射的方式直接对原始红外图像I_src进行压缩，会导致细节灰度被合并到相近的灰度级，使得原始红外图像I_src的细节信息丢失。

(2)对原始红外图像I_src进行分离处理，得到平滑层I_base和细节层I_detial。

首先，对原始红外图像I_src进行双边滤波处理，得到滤波后图像I_BF。其中，双边滤波的滤波器窗口可以取图像大小的2.5％，本实施例中取7×7；空间邻近度因子标准差σ_d可以取滤波器窗口的1/2，本实施例中取3；亮度相似度因子标准差σ_r取25。在上述参数中，σ_d越大，图像的平滑效果越明显；σ_r越大，对同等灰度差的像素平滑效果越差，保边效果越差，技术人员可根据实际情况选择上述两参数的值，本实施例对此不作限制。

然后，对滤波后图像I_BF进行自适应高斯滤波处理，得到平滑层I_base。其中，本实施例中所采用的自适应高斯滤波与经典高斯滤波的不同之处在于：

实施例中所采用的自适应高斯滤波会对每一次卷积运算，实时调整标准差σ的大小。σ的计算方法如上述式(2)～(4)所示。本步骤在实施时，应首先计算出整幅图像每一个像素点处的σ值，再根据该σ计算每个像素点处的卷积核，最后进行卷积运算。本实例所采用的卷积核大小为5×5。高斯滤波的卷积核越大，平滑效果越强，技术人员可根据实际情况选择该卷积核大小。

最后，使用原始红外图像I_src减去平滑层I_base，得到细节层I_detial

(3)基于直方图均衡算法对平滑层I_base进行处理，得到低位宽的平滑层图像I_{base_8}。

在本实施例中，可以将得到的平滑层I_base分割为8×8共64个子块，分别统计每个子块的直方图，得到各子块直方图。对每个子块直方图设置一个上限平台阈值T，并对各子块直方图进行阈值处理：若某灰度级的频数P大于阈值T，则将其设置为T；若某灰度级的频数小于P，则不变。使用阈值处理后的子块直方图进行直方图均衡，将每个子块映射至8bit范围内，可得到8bit平滑层图像I_{base_8}，如图3所示。本步骤的关键在于上限平台阈值T的选择，T的取值过高则起不到对背景灰度空间的抑制作用，T的取值过低则图像亮度过暗，对比度得不到提高。本实施例采用每个子块像素个数的0.1％作为上限平台阈值T 的取值。

(4)基于自适应增益控制的局部映射算法对细节层I_detial进行处理，得到低位宽的细节层图像I_{detial_8}。

在本实施例中，可以先通过上述式(1)计算出每个像素点处的增益值，再将计算结果与细节层I_detial相乘，最后进行线性映射，即可得到8bit的细节层图像I_{detial_8}，如图4所示。其中，式(1)中的G_max可以取2.5，G_min可以取1。技术人员可根据实际情况选择这两个参数的值。经过自适应增益处理后的细节层图像可直接通过线性映射的方式压缩至8bit。

(5)对平滑层图像I_{base_8}和细节层图像I_{detial_8}进行融合处理，得到低位宽的增强红外图像I_dst。

本实施例采用线性融合的方式I_dst＝p×I_{detial_8}+(1-p)×I_{base_8}得到8bit的增强红外图像I_dst，如图5所示。其中，参数p的选择要综合细节增强的可视化需求和图像的整体质量，如果p过高则会使图像的对比度偏低，整体图像发暗；如果p过小，则细节不突出，达不到细节增强的效果。技术人员可根据实际情况选择该参数，本实施例选取p为0.3。

其中，需要说明的是，图3～图5是图像处理前后的效果对比示意图，可以看出，经过本发明所述方法的处理，最终得到的图像很好的保留了原始红外图像中的细节信，图像对比度较好，不存在过度增强现象。

在上述实施例的基础上，本发明还公开了一种红外图像动态范围压缩系统，包括：图像获取模块，用于获取高位宽的原始红外图像I_src；图像分离模块，用于对原始红外图像I_src进行分离处理，得到平滑层I_base和细节层I_detial；图像处理模块，用于基于直方图均衡算法对平滑层I_base进行处理，得到低位宽的平滑层图像I_{base_8}；基于自适应增益控制的局部映射算法对细节层I_detial进行处理，得到低位宽的细节层图像I_{detial_8}；图像融合模块，用于对平滑层图像I_{base_8}和细节层图像I_{detial_8}进行融合处理，得到低位宽的增强红外图像I_dst。

对于系统实施例而言，由于其与方法实施例相对应，所以描述的比较简单，相关之处参见方法实施例部分的说明即可。

本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。

Claims (8)

1.一种红外图像动态范围压缩方法，其特征在于，包括：

获取高位宽的原始红外图像I_src；

对原始红外图像I_src进行分离处理，得到平滑层I_base和细节层I_detial；

基于直方图均衡算法对平滑层I_base进行处理，得到低位宽的平滑层图像I_{base_8}；

基于自适应增益控制的局部映射算法对细节层I_detial进行处理，得到低位宽的细节层图像I_{detial_8}；

对平滑层图像I_{base_8}和细节层图像I_{detial_8}进行融合处理，得到低位宽的增强红外图像I_dst。

2.根据权利要求1所述的红外图像动态范围压缩方法，其特征在于，对原始红外图像I_src进行分离处理，得到平滑层I_base和细节层I_detial，包括：

对原始红外图像I_src进行双边滤波处理，得到滤波后图像I_BF；

对滤波后图像I_BF进行自适应高斯滤波处理，得到平滑层I_base；

使用原始红外图像I_src减去平滑层I_base，得到细节层I_detial。

3.根据权利要求1所述的红外图像动态范围压缩方法，其特征在于，基于直方图均衡算法对平滑层I_base进行处理，得到低位宽的平滑层图像I_{base_8}，包括：

对平滑层I_base进行分块处理，并统计每个子块的直方图，得到各子块直方图；

使用预先定义的阈值对各子块直方图进行裁剪，得到各子块对应的裁剪后的子块直方图；

使用裁剪后的子块直方图对各子块进行直方图均衡处理，将每个子块映射至设定范围内，得到低位宽的平滑层图像I_{base_8}。

4.根据权利要求1所述的红外图像动态范围压缩方法，其特征在于，基于自适应增益控制的局部映射算法对细节层I_detial进行处理，得到低位宽的细节层图像I_{detial_8}，包括：

确定自适应增益控制函数：

其中，G(i,j)表示细节层I_detial中第i行、第j列像素点的增益系数；G_min和G_max分别表示G(i,j)的最小值和最大值；k(i,j)表示原始红外图像I_src中第i行、第j列像素点处的双边滤波器权重之和；

将G(i,j)与细节层I_detial进行相乘，得到相乘结果；

使用线性拉伸的方式将相乘结果映射至设定范围内，得到低位宽的细节层图像I_{detial_8}。

5.根据权利要求3或4所述的红外图像动态范围压缩方法，其特征在于，设定范围为8bit。

6.根据权利要求2所述的红外图像动态范围压缩方法，其特征在于，对滤波后图像I_BF进行自适应高斯滤波处理，得到平滑层I_base，包括：

根据式(2)，得到滤波后图像I_BF的二阶微分

其中，I_BF(i,j)表示滤波后图像I_BF第i行、第j列处的像素灰度值；

根据式(3)，得到原始红外图像I_src与滤波后图像I_BF的边缘权重偏差图像E(i,j)：

E(i,j)＝k(i,j)[I_src(i,j)-I_BF(i,j)]···(3)

其中，k(i,j)表示原始红外图像I_src中第i行、第j列像素点处的双边滤波器权重之和；I_src(i,j)表示原始红外图像I_src中第i行、第j列处的像素灰度值，I_BF(i,j)表示滤波后图像I_BF中第i行、第j列处的像素灰度值；

根据式(2)和式(3)，得到自适应高斯滤波的标准差σ：

根据式(4)，确定自适应高斯滤波的模板函数f(x,y)：

使用式(5)，对滤波后图像I_BF进行卷积运算处理，得到平滑层I_base。

7.根据权利要求1所述的红外图像动态范围压缩方法，其特征在于，原始红外图像I_src的位宽为14bit，平滑层图像I_{base_8}的位宽为8bit，细节层图像I_{detial_8}的位宽为8bit，增强红外图像I_dst的位宽为8bit。

8.一种红外图像动态范围压缩系统，其特征在于，包括：

图像获取模块，用于获取高位宽的原始红外图像I_src；

图像分离模块，用于对原始红外图像I_src进行分离处理，得到平滑层I_base和细节层I_detial；

图像处理模块，用于基于直方图均衡算法对平滑层I_base进行处理，得到低位宽的平滑层图像I_{base_8}；基于自适应增益控制的局部映射算法对细节层I_detial进行处理，得到低位宽的细节层图像I_{detial_8}；

图像融合模块，用于对平滑层图像I_{base_8}和细节层图像I_{detial_8}进行融合处理，得到低位宽的增强红外图像I_dst。

Images