歐陽慧明，夏麗昆，李澤民，何 燕，朱曉杰，朱尤攀，曾邦澤，周永康

一種基于參數(shù)自適應引導濾波的紅外圖像細節(jié)增強算法

歐陽慧明1，夏麗昆2，李澤民1，何 燕1，朱曉杰3，朱尤攀1，曾邦澤1，周永康1

（1. 昆明物理研究所，云南 昆明 650223；2. 陸軍裝備部駐重慶地區(qū)軍事代表局駐昆明地區(qū)第一軍事代表室，云南 昆明 650023；3. 中國船舶工業(yè)系統(tǒng)工程研究院，北京 海淀 100094）

圖像分層濾波器中引導濾波器因其濾波保邊效果好和計算復雜度低，在紅外圖像細節(jié)增強領域得到了廣泛的研究與應用。但傳統(tǒng)的引導濾波器固定的正則化參數(shù)不能在所有場景下都取得較好的濾波分層效果，所以本文提出基于局部方差的參數(shù)自適應算法，以提高引導濾波器場景適應性。此外本文進一步通過自適應參數(shù)值，提出了改進的基于噪聲掩膜函數(shù)的細節(jié)層自適應增強算法，從而在有效抑制了圖像噪聲水平同時提高了算法在不同場景下的細節(jié)增強能力。

引導濾波；參數(shù)自適應；噪聲掩膜函數(shù)；噪聲抑制；細節(jié)增強

0 引言

紅外圖像增強是指提升紅外圖像的對比度和細節(jié)分辨能力，以達到豐富圖像信息量、加強圖像辨識效果以及改善紅外圖像可視化質(zhì)量的目的。傳統(tǒng)的紅外圖像細節(jié)增強方法可大致分為空域增強算法和頻域增強算法兩大類[1]，空域類的紅外圖像細節(jié)增強算法計算復雜度相對較低從而廣泛應用于實時紅外成像系統(tǒng)中，典型的空域增強算法有基于線性映射的增強方法（如自動增益控制[2]）、基于圖像直方圖調(diào)整的增強方法（如直方圖均衡化[3]）、基于圖像分層的反銳化掩膜[4]的增強方法等；頻域增強算法需要傅里葉變換、DCT變換等方式將圖像轉(zhuǎn)換到某個變換域內(nèi)進行處理，算法復雜度相對較高，典型的頻域增強算法有基于Retinex[5]、基于小波變換[6]、Contourlet變換[7]等。

其中，基于分層思想的紅外圖像細節(jié)增強算法[8-10]相較于其他傳統(tǒng)的增強算法，能更好地保留和增強原始寬動態(tài)紅外圖像的細節(jié)信息，從而成為了紅外圖像可視化研究領域的熱點方向。因為通過具有場景邊緣保持能力的高斯低通濾波器先將原始寬動態(tài)范圍紅外圖像進行分層，以提取出原圖像中的細節(jié)信息進行單獨的增強處理，并對高動態(tài)范圍的基礎層進行動態(tài)范圍壓縮[11]（一般由14位或16位壓縮至8位），最后再將增強后的細節(jié)層與壓縮后的背景層進行擬合相加。這樣既實現(xiàn)了動態(tài)范圍的壓縮，同時可以有效保留原圖細節(jié)信息并進一步進行細節(jié)信息的增強處理。

其中，如何選擇分層濾波器以保證圖像細節(jié)信息的有效分離出來，以及在增強細節(jié)信息的同時更好地抑制圖像噪聲是此類基于分層的紅外圖像細節(jié)增強算法的關(guān)鍵?；诖耍疚脑趥鹘y(tǒng)的引導濾波算法的基礎上，將算法中的核心參數(shù)改為自適應，從而提高了引導濾波算法對不同場景圖像的分層能力。此外，在自適應參數(shù)的基礎上，本文進一步提出了基于噪聲掩膜函數(shù)的細節(jié)層增強改進算法，該方法對不同清晰度圖像的細節(jié)層整體增益水平和同一圖像不同區(qū)域的局部細節(jié)信息增益水平，進行不同程度的調(diào)整，從而實現(xiàn)在增強圖像細節(jié)信息的同時更好地掩蔽圖像噪聲。

1 引導濾波器

常用的紅外圖像保邊分層濾波器有雙邊濾波器[12]，引導濾波器[13]，最小二乘濾波器[14]等。引導濾波器是以局部線性模型為基礎的線性濾波器，所以算法的計算復雜度要遠遠小于其它非線性保邊濾波器，此外引導濾波器可以更好地保護原圖像的邊緣梯度信息，從而有效地減少了圖像“梯度反轉(zhuǎn)”現(xiàn)象[15]的出現(xiàn)。假設輸入圖像為，輸出圖像為，引導圖像為，與在以像素為中心、為半徑的窗口中存在局部線性關(guān)系如式(1)所示：

當計算a和b時，每個像素在不同的窗口下計算得到的將不同，所以為提高計算效率可在遍歷全圖后取a和b均值，以得到引導濾波后輸出圖像，即表示為式(2)：

而且當引導圖像等于輸入圖像，及＝時，引導濾波器可以作為邊緣保持濾波器而表現(xiàn)出保邊濾噪的特性，此時求得a和b可以表示為式(3)：

2 改進的參數(shù)自適應引導濾波分層及細節(jié)增強算法

本文將基于圖像分層的原理對原始紅外圖像進行動態(tài)范圍壓縮和細節(jié)增強處理，其中分層濾波器采用本文提出的參數(shù)自適應引導濾波器；對圖像進行分層后，采用基于對比度受限的局部直方圖壓縮算法[16]對圖像基本層進行動態(tài)范圍壓縮；同時提出基于噪聲掩膜函數(shù)的細節(jié)層增強改進算法對圖像細節(jié)層進行處理；最后將處理后的圖像基本層和細節(jié)層進行合并，得到最終的動態(tài)范圍壓縮和細節(jié)增強的紅外圖像。

2.1 引導濾波參數(shù)e自適應算法

由公式(3)可知，對a值影響的兩個變量為局部方差2和值，基于上一節(jié)中對引導濾波器的分析可以進一步得出：當2值遠小于值時，a值趨于0，引導濾波后圖像的細節(jié)提取能力強；當2值遠大于值時，b值趨于0，引導濾波后圖像的細節(jié)提取能力弱。而局部方差2由原始紅外圖像的自身灰度值決定，所以濾波參數(shù)值的選擇在很大程度上影響著濾波分層的效果，但傳統(tǒng)算法中的值一般設定為一個固定參數(shù)。

圖1(a)、(b)和圖1(c)、(d)，分別為能見度較高的晴朗天氣和能見度較低的陰雨天氣的場景下不同取值引導濾波細節(jié)增強處理結(jié)果?？梢钥闯鰣D1(a)最終的細節(jié)增強效果明顯好于圖1(b)，說明較高的取值，針對能見度較高、目標能量較強、場景細節(jié)信息明顯的清晰紅外圖像，由于濾波效果較強，提取的細節(jié)信息較多，能取得更好的處理效果；但圖1(c)最終的細節(jié)增強效果卻比圖1(d)差，說明較低的取值引導濾波，針對雨霧天等能見度較低、目標場景能量較弱、場景細節(jié)信息不明顯的模糊紅外圖像，反而能取得更好的細節(jié)增強效果，而較高的取值引導濾波的強濾波能力此時起不到很好的邊緣保護的分層作用，圖像將被過度平滑，細節(jié)層中將包含過多的圖像梯度紋理信息，從而導致細節(jié)增強效果較差。所以固定的值對不同場景下的紅外圖像不一定都能取得較好的濾波分層效果。

圖1 不同能見度場景下e的不同取值時引導濾波細節(jié)增強處理結(jié)果

上文中已經(jīng)分析了局部方差2和值之間的比較關(guān)系對圖像濾波效果的影響，所以只要建立起局部方差2和值兩者之間的映射關(guān)系，將不同場景下的原始紅外圖像局部方差2值作為參量來自適應的求取合適的值，濾波器的場景適應性將極大的提高。而本文考慮到局部方差2值反映的是圖像的細節(jié)和邊緣紋理，而2統(tǒng)計信息直方圖又可以作為2分布情況的重要參考，基于此，本文將結(jié)合不同圖像的2統(tǒng)計直方圖特性作為依據(jù)來求取相應的值。

圖2(a)、(b)分別為圖1(a)和圖1(c)的原圖局部方差統(tǒng)計直方圖，直方圖橫坐標表示局部方差數(shù)值大小，縱坐標表示其相應的統(tǒng)計數(shù)量。從圖2的兩幅統(tǒng)計直方圖可以看出圖像的局部方差統(tǒng)計信息分布很廣（所以兩幅圖像的統(tǒng)計信息都只截取到6000的局部方差值），且局部方差值大部分都較小，但是由于局部方差2值反映了圖像的細節(jié)和邊緣紋理，所以圖2(a)細節(jié)紋理豐富圖像的局部方差統(tǒng)計直方圖的統(tǒng)計信息分布更寬，且相比于圖2(b)細節(jié)紋理不豐富圖像的局部方差統(tǒng)計直方圖，圖2(a)在局部方差較大的區(qū)間2分布數(shù)量也更多，但在局部方差較小的區(qū)間圖2(a)中2的分布數(shù)量卻又比圖2(b)要少很多?；谝陨戏治觯疚倪M一步考慮用局部直方圖中2的均值來求取值，其表達式如式(4)所示：

圖3為本文提出的自適應引導濾波細節(jié)增強算法在不同場景下處理結(jié)果對比。從圖3可以看出本文算法求得的值基本符合我們前文中對理想的取值的預期，且基于本文算法求得的值在不同場景下都可以得到比較好的處理效果。

圖2 細節(jié)紋理豐富圖像和細節(jié)紋理不豐富圖像局部方差直方圖對比

圖3 本文自適應e引導濾波細節(jié)增強算法處理結(jié)果（k取2）

2.2 基于噪聲掩膜函數(shù)的細節(jié)層增強改進算法

對細節(jié)層的處理對于最終的細節(jié)增強效果好壞有著重要的影響。而基于視覺掩蔽效應的細節(jié)拉伸方法是目前最常用的細節(jié)層增強和噪聲抑制方法之一，視覺掩蔽效應[17]理論認為：平坦區(qū)域的噪聲對人眼視覺系統(tǒng)的刺激比復雜紋理區(qū)域中的噪聲要更大，所以平坦區(qū)域的噪聲將明顯降低圖像的可視化效果，而噪聲在圖像灰度信息豐富的區(qū)域卻表現(xiàn)出了低可見性。文獻[18]基于這種視覺掩蔽效應提出了噪聲可見度函數(shù)，其表達式如式(5)所示：

式中：(,)表示基于圖像局部方差的噪聲掩膜函數(shù)；為調(diào)節(jié)參量。從上式可以看出，噪聲可見度函數(shù)與表征圖像局部信息豐富程度的噪聲掩膜函數(shù)的值成反比：當區(qū)域中的灰度信息豐富時，噪聲的可見度較低；而當圖像處于灰度信息較少的平坦區(qū)域時，圖像噪聲將更為凸顯。基于上述噪聲掩膜效應，基于雙邊濾波的色調(diào)映射算法（bilateral filter and dynamic range partitioning，BF & DRP[19]）、基于引導濾波器的圖像細節(jié)增強算法（guided filter and dynamic detailed enhancement，GF & DDE[20]）等算法將圖像濾波分層過程中計算得到的某些權(quán)值和中間系數(shù)來作為對圖像噪聲進行抑制的掩膜，得到細節(jié)層增益基本計算公式如式(6)所示：

式中：max和min分別為圖像的高、低增益值系數(shù)，代表了圖像的增益范圍，取值一般在（1～2.5）；(,)是表示圖像區(qū)域灰度信息豐富程度的關(guān)系式。但是上式(6)僅對圖像細節(jié)層進行單一的指定增益區(qū)間的拉伸處理，卻沒有考慮不同場景下細節(jié)層的整體增益調(diào)整問題，所以細節(jié)層增強方法的場景適應性較差?；诖?，本文在式(6)的基礎上增加了表征圖像清晰度的整體增益系數(shù)，本文提出的細節(jié)層圖像增強算法如式(7)所示：

式中：為上一節(jié)中求得的自適應濾波正則化參數(shù)；為的歸一化調(diào)整因子，取值接近于標準清晰場景下圖像求得的，一般取值500；2為圖像的局部方差。該增益系數(shù)公式主要是基于圖像的濾波參數(shù)和局部方差2設計的。此處剛好可以應用上一節(jié)中求得的值來表征圖像的整體清晰度水平，而/代表了圖像的整體增益調(diào)整參量，在整體細節(jié)紋理清晰的圖像中，/較小，圖像不需要額外的整體增益，從而避免了圖像強邊緣信息和圖像噪聲的過度增強；在整體細節(jié)紋理模糊的圖像中，細節(jié)層信息提取量較少，所以需要更大的整體增益，而求得的/更大，最后圖像的整體增益也相應會更強。2/(2＋)代表了圖像各個區(qū)域的細節(jié)紋理豐富度信息，當2/(2＋)較大時，代表該區(qū)域圖像細節(jié)豐富，基于噪聲掩膜原理，與增益系數(shù)相乘后該區(qū)域像素將獲得較大的增強；當2/(2＋)較小時，代表該區(qū)域較為平坦，根據(jù)噪聲掩膜原理，與增益系數(shù)相乘后該區(qū)域像素也將相應獲得較小的增強。所以本文算法在同時考慮了圖像局部清晰度和圖像整體清晰度水平的基礎上，對圖像細節(jié)層進行增強處理。最后再將處理后的圖像細節(jié)層和基礎層按一定比例相加，可以得到最終動態(tài)范圍壓縮及細節(jié)增強后的紅外圖像。

圖4(a)、(b)和圖4(c)、(d)分別代表了不同清晰度場景下，細節(jié)層處理方法應用GF & DDE算法細節(jié)層處理方法和本文細節(jié)層處理方法不同的處理效果對比。從圖4(a)、(b)可以看出，本文算法通過減小清晰圖像整體增益水平，相比GF & DDE算法，在有效增強目標細節(jié)時，避免了云層等處噪聲的過度放大。從圖4(c)、(d)可以看出，本文算法通過增大模糊圖像的整體增益水平，相比GF & DDE算法，進一步增強了全圖的細節(jié)信息。

2.3 針對FPGA嵌入式實現(xiàn)的算法優(yōu)化和可行性分析

針對本文所提的參數(shù)自適應引導濾波及細節(jié)增強改進算法，式(4)和式(7)只涉及簡單的加法和乘、除法運算，像素局部方差已通過引導濾波求得，而引導濾波遍歷全圖像素過程中就可以統(tǒng)計出局部方差小于閾值的像素總數(shù)及局部方差總和，再根據(jù)式(4)可以直接求取自適應值，并進一步通過式(7)求得細節(jié)增益系數(shù)，因此兩個算法也基本不占用存儲空間。所以本文所提的參數(shù)自適應引導濾波及細節(jié)增強改進算法不用優(yōu)化，可以基于FPGA硬件平臺直接實現(xiàn)。此外，對于硬件實現(xiàn)時的實時性問題，考慮實際應用時目標場景的變化速度一般遠小于紅外實時系統(tǒng)的幀頻率，所以我們可以通過使用前一幀圖像的局部方差統(tǒng)計直方圖求得的值作為下一幀圖像引導濾波和自適應細節(jié)增強算法所需的值。

3 實驗結(jié)果與分析

為進一步說明本文所提算法的處理效果好壞，本章將從主觀和客觀兩個方面對本文所提的紅外圖像動態(tài)范圍壓縮及細節(jié)增強算法做綜合評價。同時選擇了5個經(jīng)典的紅外圖像動態(tài)范圍壓縮和細節(jié)增強算法與本文算法進行綜合的比較：最簡單也是最基礎的線性映射算法AGC、線性映射和直方圖均衡化相結(jié)合算法HALEQ（histogram adjustment based on linear to equalized quantizer）[21]、經(jīng)典局部直方圖色調(diào)映射算法CLAHE[22]（contrast limited adaptive histogram equalization）、基于雙邊濾波的色調(diào)映射算法BF & DRP、基于引導濾波器的圖像細節(jié)增強算法GF & DDE。為了更好地說明本文算法的處理效果和算法適應性，本文選用了3個典型場景下的非制冷紅外圖像（圖5～圖7）進行實驗，場景分別為：細節(jié)豐富的清晰圖像、細節(jié)紋理不豐富的模糊圖像、測試紅外圖像NETD等重要性能指標的四杠靶圖像。本文中使用的實驗數(shù)據(jù)均為艾睿光電12mm氧化釩長波探測器采集，并進行非均勻性校正后輸出的16bit、1024×768像素的原始非制冷紅外圖像。

圖4 不同能見度下基于GF & DDE細節(jié)層處理方法和本文細節(jié)層處理方法結(jié)果對比

圖5 場景一：細節(jié)豐富的清晰室外場景

圖6 場景二：細節(jié)紋理模糊的室外場景

圖7 場景三：四杠靶圖像

從上述典型的3個場景中，我們可以看出AGC算法簡單，但是整體的處理效果很差，只能將其作為原始紅外圖像的可視化參考圖像。CLAHE算法映射后對圖像的局部對比度拉伸明顯，圖像的細節(jié)增強能力相對較好，但是圖像整體層次感和均勻性較差，圖像噪聲水平較高。HALEQ算法處理后圖像整體對比度拉伸明顯，但是和AGC算法、CLAHE算法一樣對圖像的細節(jié)保持和增強方面的能力相比于其他基于分層的細節(jié)增強算法明顯更差。BF & DRP算法對圖像的細節(jié)保持和增強方面的能力較好，但是也存在強邊緣過度增強等現(xiàn)象，且對于圖像噪聲的抑制能力較差。GF & DDE算法細節(jié)增強效果好于BF & DRP算法，但算法對不同場景的適應性較差，平坦區(qū)域的噪聲也不能得到有效抑制。而本文算法相比其它算法在實驗中的綜合表現(xiàn)最好，算法在圖像細節(jié)保留及增強、對比度提升、噪聲水平抑制、場景適應性等方面都表現(xiàn)出了很好的處理效果。

客觀評價方面，本文選擇了平均梯度（average gradient，AG）[23]和基于圖像信息熵概念的增強指標EMEE（measure of image enhancement of Entropy）[24]兩個指標來定量分析本文所提算法的好壞。其中平均梯度AG指標通過對全圖平均梯度水平的計算來刻畫和評判圖像中細節(jié)紋理信息的豐富程度，為得到更精確的AG值，本文選用了對噪聲不敏感的sobel算子來求圖像梯度；基于圖像信息熵概念的增強指標EMEE主要是對圖像進行分塊，然后計算各子塊內(nèi)像素灰度最大值和最小值的比值來表征圖像的局部增強程度，EMEE值越大，表明圖像的局部對比度拉伸越強，圖像增強效果越好。各算法在上述不同場景下的AG值和EMEE值情況如表1所示。

表1 各算法在3個場景下處理圖像的AG值和EMEE值結(jié)果對比

從表1可以看出，基于分層思想的3種算法的細節(jié)信息AG值要明顯高于其他3種傳統(tǒng)算法，而基于雙邊濾波的細節(jié)增強算法比基于引導濾波算法往往表現(xiàn)出過度的邊緣增強現(xiàn)象，所以BF & DRP算法的AG值要大于GF & DDE，但處理圖像的可視化效果要比GF & DDE算法差。而本文算法雖然也是基于引導濾波分層但是經(jīng)過了改進和完善后，不僅表現(xiàn)出來的可視化效果要優(yōu)于其他算法，而且在各場景下的AG值也是所有算法中整體表現(xiàn)最好的。此外由于CHALE算法和本文算法對圖像局部對比度的拉伸能力要強于其他幾種算法，CHALE算法和本文算法的EMEE值總體要高于其他算法，而本文算法的細節(jié)增強能力更強，所以在各場景下的EMEE值表現(xiàn)也要比CHALE算法更好。

最后對本文所提算法的復雜度進行分析：上述6個算法在不同場景下，AGC算法、CLAHE算法、HALEQ算法和GF & DDE算法的仿真計算時間分別為0.1s、0.8s、0.9s和1.6s左右，BF & DRP算法和本文算法的仿真計算時間分別在3s和2.4s左右，由于BF & DRP算法和本文算法的計算量相對更大，仿真時間都要高于其他4個算法。

4 結(jié)論

本文提出了基于原始紅外圖像的局部方差直方圖的引導濾波參數(shù)自適應算法，以取代傳統(tǒng)算法中固定的參數(shù)值；進一步的，通過自適應值設計了圖像清晰度評價系數(shù)，提出了基于噪聲掩膜函數(shù)的細節(jié)增強改進算法對圖像細節(jié)層進行處理。從而較大地改善了引導濾波器在不同場景下的濾波分層效果，并在有效抑制圖像噪聲水平同時提高了細節(jié)增強算法的場景適應性。最后本文選擇了5個經(jīng)典的紅外圖像動態(tài)范圍壓縮和細節(jié)增強算法，結(jié)合不同的典型紅外場景和評價指標，從主觀和客觀兩個方面對本文提出的算法的綜合性能進行對比驗證和評價。實驗結(jié)果表明，本文算法的綜合可視化效果更好、場景適應性更高，在不同場景下，能保證原始圖像的灰度信息在映射后不會過度丟失，并可以對圖像的對比度和細節(jié)信息進行有效增強，同時能更好地抑制圖像噪聲。

[1] 楊靜, 李爭. 一種基于雙邊濾波的紅外圖像細節(jié)增強方法[J]. 激光與紅外, 2016, 46(4): 507-511.

YANG Jing, LI Zheng. Detail enhancement method for infrared image based on bilateral filter[J]., 2016, 46(4): 507-511.

[2] 金偉其, 劉斌, 范永杰, 等. 紅外圖像細節(jié)增強技術(shù)研究進展[J]. 紅外與激光工程, 2011, 40(12): 2521-2527.

JIN Weiqi, LIU Bin, FAN Yongjie, et al. Research progress of infrared image detail enhancement technology[J]., 2011, 40(12): 2521-2527.

[3] 紀平, 胡學友, 張瑞琦, 等. 基于直方圖均衡算法的圖像增強技術(shù)研究[J]. 蚌埠學院學報, 2021, 10(2): 20-43.

JI Ping, HU Xueyou, ZHANG Ruiqi, et al. Research on image enhancement technology based on histogram equalization algorithm[J]., 2021, 10(2): 20-43.

[4] Polesel A, Ramponi G, Mathews V J. Image enhancement via adaptive unsharp masking[J]., 2000, 9(3): 505-510.

[5] Jobson D J, Rahman Z, Woodell G A. A multiscale retinex for bridging the gap between color images and the human observation of scenes[J]., 1997, 6(7): 965-976.

[6] 吳穎謙, 施鵬飛. 基于小波變換的低對比度圖像增強紅外[J].紅外與激光工程, 2003, 32(1): 4-7.

WU Yingqian, SHI Pengfei. Approach on image contrast enhancement based on wavelet transform[J]., 2003, 32(1): 4-7.

[7] ZHOU P, ZHAO B J. Novel scheme for infrared image enhancement based on contourlet transform and fuzzy theory[J]., 2011, 41(6): 635-640.

[8] HE K, SUN J, TANG X. Guided Image Filtering[J]., 2013, 35(6): 1397-1409.

[9] SONG Q, WANG Y, BAI K. High dynamic range infrared images detail enhancement based on local edge preserving filter[J]., 2016, 77: 464-473.

[10] 葛朋, 楊波. 一種基于引導濾波圖像分層的紅外圖像細節(jié)增強算法[J]. 紅外技術(shù), 2018, 40(12): 1161-1196. GE Peng, YANG Bo. A detailed enhancement algorithm for infrared images based on hierarchical guided filtering[J]., 2018, 40(12): 1161-1196.

[11] 歐陽慧明, 李澤明, 周永康, 等. 非制冷紅外圖像動態(tài)范圍壓縮算法研究綜述[J]. 紅外技術(shù), 2021, 43(3): 208-217.

OUYANG Huiming, LI Zeming, ZHOU Yongkang, et al. A review of dynamic range compression algorithms for infrared images[J]., 2021, 43(3): 208-217.

[12] Barash D, Comaniciu D. A common framework for nonlinear diffusion, adaptive smoothing, bilateral filtering and mean shift[J]., 2004, 22(1): 73-81.

[13] HE K, SUN J, TANG X.[M]//Computer Vision – ECCV 2010. Berlin Heidelberg: Springer, 2010.

[14] 朱道廣, 隋修寶, 朱才高, 等. 基于多尺度的高動態(tài)紅外圖像增強算法[J]. 紅外技術(shù), 2013, 35(8): 476-481.

ZHU Daoguang, SUI Xiubao, ZHU Caigao, et al. High dynamic infrared image enhancement algorithm based on multi-scale[J]., 2013, 35(8): 476-481.

[15] 樊啟明. 基于濾波分層的紅外圖像增強算法研究[D]. 武漢: 華中科技大學, 2017.

FAN Qiming. Research on Infrared Image Enhancement Algorithm Based on Filtering Layering[D]. Wuhan: Huazhong University of Science and Technology, 2017.

[16] Pizer S M, Amburn E P, Austin J D, et al. Adaptive histogram equalization and its variations[J]., 1987, 39(3): 355-368.

[17] 周永康, 朱尤攀, 曾邦澤, 等. 寬動態(tài)紅外圖像增強算法綜述[J].激光技術(shù), 2018, 42(5): 718-726.

ZHOU Yongkang, ZHU Youpan, ZENG Bangze, et al. A review for high dynamic range infrared image enhancement algorithms[J]., 2018, 42(5): 718-726.

[18] Katsaggelos A K, Biemond J, Schafer R W, et al. A regularized iterative image restoration algorithm[J]., 1991, 39(39): 914-929.

[19] Branchitta F, Diani M, Corsini G, et al. New technique for the visualization of high dynamic range infrared images[J]., 2009, 48(9): 096401.

[20] LIU N, ZHAO D. Detail enhancement for high-dynamic-range infrared images based on guided image filter[J]., 2014, 67: 138-147.

[21] DUAN J, Bressan M, Dance C, et al. Tone-mapping high dynamic range images by novel histogram adjustment[J]., 2010, 43(5): 1847-1862.

[22] Zuiderveld K.[M] //Graphics Gems IV, Academic Press Professional,. 1994: 474-485.

[23] ZHANG F, XIE W, MA G, et al. High dynamic range compression and detail enhancement of infrared images in the gradient domain[J]., 2014, 67: 441-454.

[24] Agaian S S, Silver B, Panetta K A. Transform coefficient histogram-based image enhancement algorithms contrast entropy.[J]., 2007, 16(3): 741-58.

An Infrared Image Detail Enhancement Algorithm Based on Parameter Adaptive Guided Filtering

OUYANG Huiming1，XIA Likun2，LI Zemin1，HE Yan1，ZHU Xiaojie3，ZHU Youpan1，ZENG Bangze1，ZHOU Yongkang1

(1.,650223,;2.,650023,;3.,100094,)

Of all the image layered filters, guided filter has been widely studied and applied in the field of infrared image detail enhancement because of its good edge preserving effect and low computational complexity. However, traditional fixed regularization parameter ε of the guide filter cannot achieve good filtering layering effect in all scenarios. Therefore, an adaptive algorithm of parameterbased on local variance is proposed in this paper to improve the adaptability of the guide filter in all scenarios. In addition, an improved detail layer adaptive enhancement algorithm based on noise mask function is proposed by using the adaptive parameter ε value, which can effectively suppress the noise level and improve the detail enhancement ability of the algorithm in different scenes.

guided filtering, parameter adaptation, noise mask function, noise suppression, detail enhancement

TP751.1

A

1001-8891(2022)12-1324-08

2021-04-18；

2021-06-23.

歐陽慧明（1991-），男，白族，碩士，工程師。主要研究方向：紅外成像系統(tǒng)設計及相關(guān)技術(shù)。E-mail: 799049681@qq.com。

周永康（1991-），男，碩士，工程師，紅外成像系統(tǒng)設計及相關(guān)技術(shù)。E-mail：zyk1120102464@163.com