CN114092353B - 一种基于加权引导滤波的红外图像增强方法 - Google Patents

Abstract

一种基于加权引导滤波的红外图像增强方法，属于图像增强技术领域，为了解决现有的图像细节处理增强不够明显，边缘纹理没有得到好的改善的问题，该方法：对输入的高动态范围红外图像通过改进的多尺度加权引导滤波进行处理，得到两层细节层图像和一层基础层图像；对基础层图像采用限制对比度的自适应直方图均衡化处理，拉伸其对比度并压缩动态范围，得到基础层增强图像；对步骤1处理后得到的两张细节层图像，先采用基于泊森‑马尔科夫随机场的最大后验法进行处理，增加一定的信息，然后采用基于伽马校正的动态范围压缩得到两层细节层增强图像；对得到的基础层增强图像和细节层增强图像按权重进行线性融合，最终得到增强图像。

Description

一种基于加权引导滤波的红外图像增强方法

技术领域

本发明涉及一种基于加权引导滤波的红外图像增强方法，属于图像增强技术领域。

背景技术

图像增强已广泛应用于驾驶导航、医疗诊断到工业监控等各种应用。图像增强是对于原图像进行处理来获得更高质量的图像。例如，红外图像增强系统被广泛应用于军事和民用监控领域。由于目标与传感器距离较远，红外辐射会受到大气热辐射的影响，使得红外图像的对比度比较低，细节不明显且易缺失，不易于观察和识别。因此，提高红外图像的对比度并增强细节成为红外图像处理的关键。然而，现有的红外图像增强方法大多数效果不佳，存在两个关键问题，即细节不够明显和算法参数的设定过度依赖经验。

中国专利公开号为“CN110047055B”，名称为“一种红外图像细节增强及去噪方法”，该方法公开了一种红外图像细节增强及去噪方法,该方法对14bit红外图像进行分层处理，对背景层进行改进的直方图均衡处理；对细节层进行高斯滤波,标定脉冲点；再对处理后细节层图像进行分块计算极值,判断块内极值是否为脉冲点；去除细节层的脉冲点后,对细节层进行Gamma校正并加权回背景层得到最终的输出图像。该方法增强后的图像细节并不明显，边缘纹理也没有得到明显的改善，且会突出条状噪声。

发明内容

本发明为了解决现有的图像细节处理增强不够明显，边缘纹理没有得到好的改善的问题，提供了一种基于加权引导滤波的红外图像增强方法，该方法满足了14bit转8bit的要求，也可用于改善8bit红外图像的质量，解决了细节增强不够明显，边缘纹理没有明显改善的问题，同时更有利于人眼对图像的观察。

本发明解决技术问题的方案是：

一种基于加权引导滤波的红外图像增强方法，包括如下步骤：

步骤1，对输入的高动态范围红外图像通过改进的多尺度加权引导滤波进行处理，得到两层细节层图像和一层基础层图像；所述的多尺度加权引导滤波，先采用原图作为引导图进行第一次滤波，第二次则采用第一次引导滤波后的图像作为引导图；

步骤2，对基础层图像采用限制对比度的自适应直方图均衡化处理，拉伸其对比度并压缩动态范围，得到基础层增强图像；

步骤3，对步骤1处理后得到的两张细节层图像，先采用基于泊森-马尔科夫随机场的最大后验法进行处理，增加一定的信息，然后采用基于伽马校正的动态范围压缩得到两层细节层增强图像；

步骤4，对得到的基础层增强图像和细节层增强图像按权重进行线性融合，最终得到增强图像。

本发明的有益效果如下：

1、使用迭代的方法实现多尺度引导滤波，对细节层图像进行第二次加权引导滤波，同时在引导滤波内引入转向内核优化权值函数，能够更好的描述边缘信息，同时解决了引导滤波在边缘处普遍存在晕波伪影的问题。

2、在细节增强中采用基于泊森-马尔科夫的最大后验法处理细节层，能够合理的增加细节层的信息，使图像边缘纹理更加突出。

3、整个图像处理采用基础层与细节层分开处理的方法，保证了原图像的对比度得到合适拉伸的同时又增强了图像的细节，不仅突出了图像的细节还同时增加了图像的细节信息。

附图说明

图1为本发明一种基于加权引导滤波的红外图像增强方法的流程图。

图2为本发明所述方法中多尺度加权引导滤波算法的示意图。

图3中a为红外图像处理器输出的原图，图3中b为经过本发明所述的红外图像增强方法处理后的效果图。

具体实施方式

下面结合附图对本发明做进一步详细说明。

如图1所示，一种基于加权引导滤波的红外图像增强方法，该方法具体包括如下步骤：

步骤1，如图2所示，对输入的高动态范围红外图像通过改进的多尺度加权引导滤波进行处理，得到两层细节层图像和一层基础层图像；

对原图像进行多尺度加权引导滤波分层过程的为：

先对输入的红外图像I进行第一次以I为引导图像的加权引导滤波，得到滤波后的基础层图像B₁；原图像I与滤波后的图像B₁相减得到细节层图像I₁；对该细节层图像进行以I₁为引导图的加权引导滤波处理得到第一层细节层图像I₁并与之相减得到第二层细节层图像I₂。

其中SKWGIF为加权引导滤波处理函数，其表达式如下：

其中k是半径为r的局部窗口ω的索引，i代表引导图像I的像素点索引，q为输出图像，w_ik为控制内核。其中，a_k和b_k为线性系数，其表达式如下：

其中，p_i为引导图像中的像素点的值，为该窗口内待处理图像素点的均值，μ_k和分别为引导图像I在区域ω的均值和方差。∈_m为惩罚系数，m为当前的滤波次数，m＝1时表明该过程在第一次加权引导滤波处理。ψ_I(k)为边缘感知权值，其表达式如下

λ为一常数，用来对ψ_I(k)进行调控，N为引导图像I的像素数。

对于控制内核w_ik，考虑梯度并分析局部窗口中像素的辐射相似性，采用如下形式。定义如下：

其中h为控制核支持范围的平滑参数，x_i和x_k为像素坐标。C_i是由以像素i为中心的局部方窗ωi计算得到的对称梯度协方差矩阵，可估计为

其中G_i为局部梯度矩阵，I_k，x1、I_k，x2为像素k处沿x1、x1方向的一阶导数，该导数依赖于制导图像I的像素强度差。

步骤2，对基础层采用限制对比度的自适应直方图均衡化处理，拉伸其对比度并压缩其动态范围，得到基础层增强图像；

实现限制对比度的自适应直方图均衡化处理的具体步骤如下：

(1)先设置M×M大小的正方形滑动窗口,和一个局部映射函数m_i，其表达式为：

其中C_DF(i)为基础层图像的累积分布函数。i为像素点索引。

(2)求出各子区域内包含的所有像素值得其滑动窗口的累积分布函数S为：

其中H_ist(i)为基础层图像的直方图分布函数。

(3)求出直方图的最大高度H_max

L＝H_max-T其中,S_max是累积分布函数S的最大值，T为设定的阈值，L为补偿值。

(4)对高度大于H_max的直方图应截图多余部分。得到的新的基础层增强图像B_e，其直方图分布为:

其中H_ist(i)为基础层图像的直方图分布函数。

步骤3，对步骤1处理后得到的两张细节层图像，先采用基于泊森-马尔科夫随机场的最大后验法进行处理，增加一定的信息，然后采用基于伽马校正的动态范围压缩得到两层细节层增强图像；

其中基于泊森-马尔可夫随机场的最大后验法的实现函数如下：

式中，i、j为原始图像f的横纵坐标，g_ij为假设高清图像的像素灰度值，n为迭代的阶数，β是控制算法收敛和迭代速度的控制系数，U(f)是约束惩罚函数，α为约束重量不平衡部分的自适应正则化参数，I_i，j为处理后的第一层细节层增强图像I_e1、第二层细节层增强图像I_e2的像素值，H_si为综合退化矩阵。

步骤4，对基础层增强图像和细节层增强图像按权重进行线性融合，最终得到增强图像。

其中融合的公式为I_out＝α₁B_e+α₂I_e1+α₃I_e2，α₁、α₂、α₃为权重系数，I_e1，I_e2，分别是第一层细节层增强图像、第二层细节层增强图像，B_e是基础层增强图像，I_out为增强图像。

实施例：

步骤1，对输入的高动态范围红外图像通过改进的多尺度加权引导滤波进行分层处理，得到一层基础层图像和两层细节层图像；其中第一次引导滤波的惩罚系数∈设置为0.08,第二次引导滤波的惩罚系数∈设置为0.06；加权引导滤波中权值的λ参数设为(0.01×L)²,L为输入图像的动态范围。

步骤2，对基础层图像采用限制对比度的自适应直方图均衡化处理，拉伸其对比度并压缩其动态范围，得到基础层增强图像；其中所需的阈值T通常设置为T＝0.75H_max。

步骤3，对步骤1处理后得到的两张细节层图像，先采用基于泊森-马尔科夫随机场的最大后验法处理，增加一定的信息，然后采用基于伽马校正的动态范围压缩，得到两层细节层增强图像；其中最大后验算法中的约束惩罚函数U(f)中的增益系数δ设为2.25，平衡系数θ设为3.3；对每一张细节层图像进行伽马变换时，采用的系数λ应不相同。为了突出更能表示图像特征的细节层，设第一层细节层的伽马变换系数为λ₁，第二层细节层的伽马变换系数为λ₂，通常设λ₁为0.8，λ₂为0.64；

步骤4，对基础层增强图像和细节层增强图像按权重进行线性融合，最终得到增强图像。其中线性融合的权重系数α₁·α₂·α₃分别设为0.7、1.2和1.6。

通过上述实验条件对如图3中a所示的原始红外图像进行处理，得到的经过细节增强后的图像,如图3中b所示。

从实验结果可知，本发明提出的方法拥有丰富的细节信息，边缘纹理突出明显，实验结果进一步说明了本发明提出的方法具有更好的图像质量。

Claims (3)

1.一种基于加权引导滤波的红外图像增强方法，其特征是，该方法包括如下步骤：

步骤1，对输入的高动态范围红外图像通过改进的多尺度加权引导滤波进行处理，得到两层细节层图像和一层基础层图像；所述的多尺度加权引导滤波，先采用原图作为引导图进行第一次滤波，第二次则采用第一次引导滤波后的图像作为引导图；

步骤2，对基础层图像采用限制对比度的自适应直方图均衡化处理，拉伸其对比度并压缩动态范围，得到基础层增强图像；

步骤3，对步骤1处理后得到的两张细节层图像，先采用基于泊森-马尔科夫随机场的最大后验法进行处理，增加一定的信息，然后采用基于伽马校正的动态范围压缩得到两层细节层增强图像；

步骤4，对得到的基础层增强图像和细节层增强图像按权重进行线性融合，最终得到增强图像；

所述步骤1对原图像进行多尺度加权引导滤波分层过程的为：

先对输入的红外图像I进行第一次以I为引导图像的加权引导滤波，得到滤波后的基础层图像B₁；原图像I与滤波后的图像B₁相减得到细节层图像I₁；对该细节层图像进行以I₁为引导图的加权引导滤波处理得到第一层细节层图像I₁并与之相减得到第二层细节层图像I₂；

其中SKWGIF为加权引导滤波处理函数，其表达式如下：

其中k是半径为r的局部窗口ω的索引，i代表引导图像I的像素点索引，q为输出图像，w_ik为控制内核；其中，a_k和b_k为线性系数，其表达式如下：

其中，p_i为引导图像中的像素点的值，为该窗口内待处理图像素点的均值，μ_k和/>分别为引导图像I在区域ω的均值和方差；∈_m为惩罚系数，m为当前的滤波次数，m＝1时表明该过程在第一次加权引导滤波处理；ψ_I(k)为边缘感知权值，其表达式如下

λ为一常数，用来对ψ_I(k)进行调控，N为引导图像I的像素数；

对于控制内核w_ik，考虑梯度并分析局部窗口中像素的辐射相似性，采用如下形式；定义如下：

其中h为控制核支持范围的平滑参数，x_i和x_k为像素坐标，C_i是由以像素i为中心的局部方窗ωi计算得到的对称梯度协方差矩阵，可估计为

其中G_i为局部梯度矩阵，I_k，x1、I_k，x2为像素k处沿x1、x1方向的一阶导数，该导数依赖于制导图像I的像素强度差。

2.根据权利要求1所述的一种基于加权引导滤波的红外图像增强方法，其特征在于，所述步骤2中实现限制对比度的自适应直方图均衡化处理的具体步骤如下：

(1)先设置M×M大小的正方形滑动窗口,和一个局部映射函数m_i，其表达式为：

其中C_DF(i)为基础层图像的累积分布函数；i为像素点索引；

(2)求出各子区域内包含的所有像素值得其滑动窗口的累积分布函数S为：

其中H_ist(i)为基础层图像的直方图分布函数；

(3)求出直方图的最大高度H_max

L＝H_max-T

其中,S_max是累积分布函数S的最大值，T为设定的阈值，L为补偿值；

(4)对高度大于H_max的直方图应截图多余部分；得到的新的基础层增强图像B_e，其直方图分布为:

其中H_ist(i)为基础层图像的直方图分布函数。

3.根据权利要求1所述的一种基于加权引导滤波的红外图像增强方法，其特征在于，所述步骤3中基于泊森-马尔可夫随机场的最大后验法的实现函数如下：

式中，i、j为原始图像f的横纵坐标，g_ij为假设高清图像的像素灰度值，n为迭代的阶数，β是控制算法收敛和迭代速度的控制系数，U(f)是约束惩罚函数，α为约束重量不平衡部分的自适应正则化参数，I_i，j为处理后的第一层细节层增强图像I_e1、第二层细节层增强图像I_e2的像素值，H_si为综合退化矩阵。