一种结合PE的高动态范围红外图像压缩及细节增强算法

葛 朋，杨 波，洪闻青，王晓东，刘传明，苏 兰，苏俊波

一种结合PE的高动态范围红外图像压缩及细节增强算法

葛 朋，杨 波，洪闻青，王晓东，刘传明，苏 兰，苏俊波

（昆明物理研究所，云南 昆明 650223）

针对在提升高动态范围红外图像中潜在或弱小目标细节的同时，还需兼顾噪声抑制、对比度增强的问题，提出了一种基于引导滤波图像分层的动态范围及细节增强算法。对背景层采用平台直方图均衡算法进行压缩，对细节层先采用中值滤波进行去噪，再采用非线性映射对细节中潜在的弱小目标细节进行增强，最后按照一定权重合并得到细节增强后的图像。综合主、客观实验结果，相对于映射类、直方图均衡、双边滤波分层增强等算法，该算法能够在动态范围压缩的过程中提高红外图像目标场景的对比度，突显其纹理特征，取得良好的细节增强效果。

引导滤波；红外图像；细节增强；动态范围压缩；平台直方图均衡

0 引言

目前，随着红外成像技术的发展，红外成像技术被广泛应用于现代武器系统进行目标跟踪、警戒搜索和制导，同时也被广泛应用于工业中电子设备的故障诊断、安防领域中车辆行驶的夜间辅助观察、医疗业中红外人体测温仪等民用领域，而这些应用都离不开红外成像系统越来越高的空间和温度分辨能力。

为满足不同应用领域和场景，尤其是一些大动态范围红外场景对红外成像系统的要求，高性能红外成像系统设计并采用14位或更高位位深度的A/D转换器对探测器输出信号进行采样和量化已成趋势。目前一般显示设备的灰度显示动态范围只到256级，并且人眼所能分辨的灰度级数最高只到128级。为了方便人眼观测红外场景中的目标，同时兼顾显示设备的显示，往往需要将红外成像系统获得的14位或更高位原始红外数据压缩到8位数据宽度进行显示，这就是红外成像系统中经常提到的动态范围压缩（dynamic range compression，DRC）。如果压缩不当，则会导致原始14位或更高位红外图像中可能存在的目标细节损失；另外，原始红外图像灰度分布跨度较大，高达上万个灰度级，且其灰度分布往往集中在某一个灰度区间内，而在其他灰度范围分布很少，这就造成红外图像整体偏暗、图像边缘模糊、细节较难分辨、对比度低、噪声较大等问题，如何在提升高动态范围红外图像中潜在或弱小目标细节的同时，还能抑制噪声，增强对比度，值得深入研究。

国内外已有很多对红外图像细节增强算法的研究，大致方向可以分为：

1）基于图像直方图均衡化（Histogram Equalization，HE）的增强方法，该方法基于图像直方图分布的特点，对灰度分布较少的两端区域进行去除，再对去冗余得到的直方图进行线性拉伸[1]，这种方法能很好改善图像对比度，但是对图像的空间和频域信息利用较少，容易出现局部区域“过亮”或“过暗”现象，在增强弱小细节方面缺少灵活性。V. Vickers等人[2]对直方图均衡化算法进行了改进，提出了平台直方图均衡化（Plateaus-histogram Equalization，PE）算法，通过设定一个合适的平台阈值，对图像中背景信息进行适度的抑制，而留出更多的灰度空间对目标灰度进行拉伸，从而提高目标对比度，避免了图像中由于局部“过亮”或“过暗”而丢失局部细节的问题。Reza[3]提出了另一种直方图均衡化改进算法，在该算法中，每一个像素都要根据其像素邻域进行对比度的限制，最后通过双线性插值方法进行算法加速，减少变换函数的计算次数，该方法的细节增强效果明显。

2）基于图像分层处理的增强方法。F. Branchitta等人[4]基于双边滤波器提出了一种基于图像分层的动态范围压缩细节增强算法。该算法通过双边滤波器将图像分成图像基础层和细节层，然后对这两层分别采用不同参数的Gamma变换进行灰度映射，最后按一定比例重组后进行输出，该方法能够取得很好的增强图像细节效果，但是该算法对双边滤波器的参数取值十分敏感，并且增强后的图像易出现梯度翻转现象。C. Zuo等人[5]在双边滤波分层处理的基础上提出了一个改进算法，对双边滤波得到的细节层进行自适应高斯滤波处理，从而避免了细节层的过增强而出现梯度翻转现象。

3）基于变换域的增强方法。文献[6]基于小波变换提出一种红外图像增强算法，该算法通过设定不同的变换尺度将图像中的不同特征转变为小波分量，再采用不同的变换函数处理这些小波分量，该方法能较好地增强红外图像对比度，并且对图像内部的噪声进行抑制。文献[7]提出了一种基于多尺度的高动态红外图像增强算法，该算法采用加权最小二乘滤波器将原始图像分解成不同尺度下的基础图像和细节图像，采用不同映射算法处理后再把细节层和基础层合成并输出。该方法能有效增强红外图像的目标场景细节，并且能有效避免梯度反转现象的产生。

4）近年来，基于人工智能算法的发展，文献[8]提出了基于聚类的对比度调整的算法，该算法通过多次迭代和权重计算来分配聚类信号的级别，来对图像局部对比度进行调整。

针对在提升高动态范围红外图像中潜在或弱小目标细节的同时，还需兼顾制噪声抑，对比度增强的问题，本文提出了一种结合平台直方图均衡的基于引导滤波图像分层的动态范围压缩和细节增强算法。

1 本文算法

本文采集的原始高动态范围红外图像位深度为14bits，图像尺寸为640×512，算法框图如图1所示，首先对其进行引导滤波得到图像基础层，再将得到的基础层与原图相减就得到图像细节层。由于原始红外图像的灰度分布往往集中在某一个灰度区间内，而在其他灰度范围分布很少，其得到的基础层往往对比度较低，图像偏暗，本文采用平台直方图均衡对基础层进行处理，能够很好增强对比度，同时避免直接直方图处理容易带来的“刷白”效应。细节层是原图与基础层相减得到的，灰度值有正有负，且往往存在脉冲噪声，因此本文采用中值滤波先对其去噪，之后再采用非线性变化对细节层中潜在的弱小目标进行增强，最后按照一定权重合成得到8bits输出图像。

图1 本文高动态范围红外图像增强算法框图

1.1 引导滤波

引导滤波是一种基于局部线性模型的边缘保持平滑滤波器，它将图像中任意像素点与其部分邻近像素点定义为线性关系[9]，设为输入的高动态红外图像，为经过引导滤波处理后得到的图像，其数学模型可表示如下：

式中：||表示窗口内总像素数；a和b是在窗口内的线性系数；表示窗口内的均值；2表示窗口内的方差；称为规整化因子，用于规整掉值很大的a。

1.2 引导滤波与双边滤波的对比

如前文所述，双边滤波也是图像分层处理增强方法中被广泛使用的滤波器，现讨论引导滤波和双边滤波的区别及优势。引导滤波和双边滤波都是通过各自的模型滤波器通过遍历整幅图像来实现滤波过程的，只不过它们所使用的滤波器的模型和数学表达式不一样，但它们的滤波操作都可以统一归纳成如式(4)的表达式：

式中：表示引导图像；表示输入图像；表示输出图像；()表示它们的滤波器的数学表达式，()具体的表达式如式(5)所示：

式中：|x－x|和|I－I|分别表示像素间空间差值和灰度差值，s和r分别表示空间域和灰度域标准差。

从式(5)对比分析可知，与双边滤波相比，引导滤波器的核权重与完全无关。另外，由于引导滤波采用的是局部线性模型，它具有更好的边缘保持能力，能克服双边滤波器在处理图像后易出现梯度翻转的现象。如图2所示，从一维信号入手，比较分析了双边滤波和引导滤波器在处理信号时的区别。图中黑色实曲线表示给定的一维输入信号，该一维信号存在灰度逐渐变化的区域，黑色虚曲线表示经过滤波器处理后的输出信号，蓝色曲线表示输入信号与滤波处理后的信号的差值。图中双边滤波对灰度逐渐变化区域的处理结果会出现灰度跳变的现象，如图中黑色实曲线所示，它与虚曲线存在较大差异，这是因为边缘区域周围具有相同灰度的像素很少，双边滤波算子加权平均时缺少统计数据，从而与实际灰度值偏小或偏大；而从图中可以看出，引导滤波处理后得到的虚曲线与代表输入信号的实曲线基本一致，这是因为引导滤波器局部线性的数学模型，在边缘处满足，能更好地保留边缘信息。另外，双边滤波处理后得到的代表细节信息的蓝色曲线存在较大的跳变，从而导致黑色虚曲线与蓝色曲线相加后得到的代表增强信号的绿色曲线在边缘处有梯度翻转现象，而作为对比，右边的引导滤波器处理得到的增强信号与输入信号基本一致，从而说明了引导滤波处理能更好地保护边缘信息[10]。

如图3所示，图(a)和图(b)分别为采用双边滤波（＝4,s＝4,r＝0.01）和引导滤波（＝4,＝0.01）后得到的细节层，可以看出经过双边滤波后得到的图像中的建筑边缘出现了明显的梯度翻转现象，表现为一条明显的边界线，而经过引导滤波后得到的细节层建筑物边缘保持更加自然。

1.3 基于PE的基础层压缩

由于原始高动态红外图像本身存在缺陷，经过引导滤波处理后得到的图像基础层往往对比度较低，图像偏暗，且这部分包含的细节很少，对于基础层的压缩本文采用对比度受限自适应平台直方图均衡算法进行处理，该方法能使基础层灰度分布更均匀，更好地提高其对比度，同时避免直接直方图均衡处理容易带来的“刷白”效应。使用HE和PE基础层压缩的效果如图4所示，基础层经过直方图均衡处理后出现局部区域“过亮”的问题，在建筑物整体轮廓上表现尤为明显，而经过PE处理后的基础层明暗均匀，层次分明，整体对比度更好。

图2 双边滤波和引导滤波一维信号处理细节对比

图3 双边滤波和引导滤波细节增强对比

图4 基础层HE和PE处理效果

1.4 细节层的噪声抑制和增强

细节层是原图与基础层相减得到的，灰度值有正有负，主要对应原始图像中的高频部分，且往往存在脉冲噪声，并且由于红外探测器本身的缺陷，存在部分盲元，在细节层中显示比较明显，因此本文采用中值滤波先对其去噪，之后再采用非线性变化对细节层中潜在的弱小目标进行增强。如图5所示，图(a)为未处理的细节层，其存在部分红外探测器盲元，表现为杂散的亮点或黑点，经过中值滤波能很好地去除，效果如图(b)所示，将经过去噪后得到的细节层采用非线性映射对潜在目标进行增强，本文采用的非线性变换为gamma变换（＝0.8），效果如图(c)所示，从结果来看，图中天空中左上角的云层和右下角的建筑物轮廓有了更多细节，另外增强后的细节层整体对比度更高，细节更多。

1.5 基础层与细节层合成

由于一般的显示设备的灰度显示级只有256，需要将得到的细节层和基础层分配一定权重进行合成得到最终的8bits图像。对得到的基础层base分配权重值记为（0＜＜1），则细节层detail的权重即为（1－），最终得到的输出图像如式(6)所示：

out＝×base＋(1－)×detail(6)

图5 细节层的噪声抑制与增强

如图6所示为不同权重值下的输出图像，值越大，即基础层权重值越大，图像细节越少，综合图像细节和显示效果，本文选择的基础层权重值为0.3。

2 实验结果及分析

为了验证本文算法的增强效果，采集了不同场景下的原始红外图像，原始图像分辨率为640×512，位深度为14bits，并与常用算法自适应增益（Auto Gain Control，AGC）、直方图均衡（HE）、平台直方图均衡（PE）、基于双边滤波的细节增强（Digital Detail Enhancement with Bilateral Filter，BF-DDE）进行了对比，结果分别如图7，图8和图9所示。

图6 不同权重下得到的输出图像

图7 不同增强算法处理结果对比（场景一）

图8 不同增强算法处理结果对比（场景二）

图9 不同增强算法处理结果对比（场景三）

从不同算法处理效果来看，AGC算法处理后得到的图像整体对比度不高，有很多物体细节不清楚，而HE处理后的图像出现了局部区域“过亮”的问题，与之对比的平台直方图均衡处理就很好地解决了这个问题，PE处理后的图像对比度提高，但是对图像中弱小目标增强效果不明显；采用BF-DDE和本文算法的图像都显著提升了图像对比度，但是本文算法对细节的增强和保持效果要好于双边滤波，特别是建筑物的轮廓，树木的细节体现更好；同时弱小目标的细节增强效果更好，如图7中建筑物玻璃上的弱小细节，屋顶上热水器的管道轮廓都清晰可见，图8中住宅阳台窗户细节、阳台护栏细节显示都明显好于BF-DDE，图9中窗户和热水器细节增强都好于BF-DDE。

另外采用信息熵、标准差和平均梯度3种客观评价指标对3组不同场景下不同算法增强图像进行了客观评价，如表1所示。从测试结果来看，3个场景中本文算法取得了最大图像信息熵值，信息熵值越大表明图像信息量越多，另外经过本文算法处理后图像标准差和平均梯度也得到了很大的提升，同样说明了经过本文算法增强后，图像中细节有了很大的提升。

表1 不同算法增强效果客观评价指标

3 结论

针对在提升高动态范围红外图像中潜在或弱小目标细节的同时，还需兼顾噪声抑制，对比度增强的问题，提出了一种基于引导滤波图像分层的动态范围压缩及细节增强算法。通过不同场景下红外图像不同算法处理效果的仿真，可以发现本文算法能够在动态范围压缩的过程中提高红外图像目标场景的对比度，突显其纹理特征，取得良好的细节增强效果，具有一定的实际应用价值。

[1] 韦瑞峰, 赵荣普, 徐肖庆, 等. 基于直方图的红外图像细节增强算法研究[J]. 红外技术, 2016, 38(6): 472-475.

WEI Ruifeng, ZHAO Rongpu, XU Xiaoqing, et al. Infrared Image Detail Enhancement Based on Histogram[J]., 2016, 38(6): 472-475.

[2] VickersV. Plateau equalization algorithm for real-time display of high-quality infrared imagery[J]., 1996, 35(7): 1921-1926.

[3] RezaA. Realization of the contrast limited adaptive histogram equalization (CLAHE) for real-time image enhancement[J]., 2004, 38(1): 35-44.

[4] Branchitta F, DianiM, CorsiniG, et al. New technique for the visualization of high dynamic range infrared images[J]., 2009, 48(9): 76401-76414.

[5] ZUO C, CHEN Q, LIU N, et al. Display and detail enhancement for high-dynamic-range infrared images[J]., 2011, 50(12): 127401-127409.

[6] 杨静. 基于小波变换的低对比度图像增强方法[J]. 计算机时代, 2011(1): 10-12.

YANG Jing. Approach of Low-contrast Image Enhancement Based on Wavelet Transform[J]., 2011(1): 10- 12.

[7] 朱道广, 隋修宝, 朱才高, 等. 基于多尺度的高动态红外图像增强算法[J]. 红外技术, 2013, 35(8): 476-481.

ZHU Daoguang, SUI Xiubao, ZHU Caigao, et al. Enhancement Algorithm for High Dynamic Range Infrared Image Based on Multi-scale Processing[J]., 2013, 35(8): 476-481.

[8] Rossi A, Acito N, Diani M, et al. High dynamic range compression for visualization of IR images in maritime scenarios[C]//, 2012, 8451: 85410V1-85410V10.

[9] 谢伟, 周玉钦, 游敏. 融合梯度信息的改进引导滤波[J]. 中国图象图形学报, 2016, 21(9): 1119-1126.

XIE Wei, ZHOU Yuqin, YOU Min. Improved guided image filtering integrated with gradient information[J]., 2016, 21(9): 1119-1126.

[10] LIU Ning, ZHAO Dongxue. Detail enhancement for high dynamic range infrared images based on guided image filter[J]., 2014, 67(7): 138-147.

Dynamic Range Compression and Detail Enhancement Algorithm Combined with PE for High Dynamic Range Infrared Images

GE Peng，YANG Bo，HONG Wenqing，WANG Xiaodong，LIU Chuanming，SU Lan，SU Junbo

(Kunming Institute of Physics, Kunming 650223, China)

To address the problem of noise suppression and contrast enhancement in enhancing the details of potential or small targets in infrared images with a high dynamic range, a dynamic range and detail enhancement algorithm based on a guided filter image is proposed. The base layer is compressed by a plateau-histogram equalization algorithm. The detail layer is denoised by a median filter first, and then the potential and small target details are enhanced by nonlinear mapping. Finally, the image is integrated according to a certain weight to obtain the enhanced details. Based on the subjective and objective experimental results, compared with algorithms based on mapping, histogram equalization, and a bilateral filter, this algorithm can improve the contrast of the target scene of the infrared image in the process of dynamic range reduction. The proposed algorithm can highlight the texture features and obtain a good detail enhancement effect.

guided image filter, infrared image, detail enhancement, dynamic range compression, plateaus-histogram equalization

TP391

A

1001-8891(2020)05-0279-07

2019-10-23；

2020-03-09.

葛朋（1992-），男，硕士，主要研究方向为红外图像处理技术。E-mail:542851112@qq.com。

洪闻青（1986-），男，博士，高工，主要研究方向为红外成像技术。E-mail:hongwenqing@aliyun.com。