基于多尺度加權(quán)引導(dǎo)濾波的紅外圖像增強(qiáng)方法

胡家琿，詹偉達(dá)，桂婷婷，石艷麗，顧 星

基于多尺度加權(quán)引導(dǎo)濾波的紅外圖像增強(qiáng)方法

胡家琿，詹偉達(dá)，桂婷婷，石艷麗，顧 星

（長(zhǎng)春理工大學(xué) 電子信息工程學(xué)院，吉林 長(zhǎng)春 130000）

現(xiàn)有的紅外圖像存在細(xì)節(jié)模糊、邊緣和紋理不清晰的問(wèn)題。針對(duì)上述問(wèn)題，本文提出一種基于加權(quán)引導(dǎo)濾波的紅外圖像增強(qiáng)方法。首先，將圖像通過(guò)帶轉(zhuǎn)向核的多尺度加權(quán)引導(dǎo)濾波進(jìn)行分層處理，得到多幅含有細(xì)節(jié)信息的細(xì)節(jié)層圖像和基礎(chǔ)層圖像；接著，對(duì)細(xì)節(jié)層采用基于Markov-Possion的最大后驗(yàn)概率算法和Gamma校正算法對(duì)細(xì)節(jié)層進(jìn)行增強(qiáng)；然后，對(duì)基礎(chǔ)層采用限制對(duì)比度的自適應(yīng)直方圖均衡算法進(jìn)行對(duì)比度拉伸，最后，進(jìn)行線性融合得到增強(qiáng)后的圖像。綜合主、客觀實(shí)驗(yàn)結(jié)果，得出本文方法具有良好的細(xì)節(jié)增強(qiáng)效果，處理后的圖像邊緣和紋理信息比較突出，且算法在信息熵（IE），熵增強(qiáng)（EME）和平均梯度（AG）3個(gè)指標(biāo)都有較優(yōu)的計(jì)算結(jié)果?；緷M足紅外圖像細(xì)節(jié)得到增強(qiáng)，邊緣紋理清晰的需求。

紅外圖像；引導(dǎo)濾波；細(xì)節(jié)增強(qiáng)；直方圖均衡

0 引言

紅外傳感器可以捕捉到物體發(fā)出的熱輻射，由于其良好的隱蔽性，受環(huán)境影響比較小，可24h全天候工作。其特殊的成像系統(tǒng)可攝取人體溫度分布的熱圖像，探測(cè)電氣設(shè)備的不良接觸、以及過(guò)熱的機(jī)械部件，也可用于目標(biāo)檢測(cè)，使得紅外成像被廣泛應(yīng)用在軍事、工業(yè)及民用等領(lǐng)域[1-4]。紅外波段的輻射波長(zhǎng)短于無(wú)線電波，長(zhǎng)于可見(jiàn)光，空間分辨率高于雷達(dá)，但低于可見(jiàn)光[2]。由于目標(biāo)與傳感器距離較遠(yuǎn)，紅外輻射會(huì)受到大氣熱輻射的影響，使得紅外圖像的灰度分布不均勻，對(duì)比度比較低，細(xì)節(jié)不明顯且易缺失，不易于觀察和識(shí)別[5-8]。因此，提高紅外圖像的對(duì)比度并增強(qiáng)細(xì)節(jié)成為紅外圖像處理的關(guān)鍵。

傳統(tǒng)紅外圖像增強(qiáng)算法主要是基于映射的算法，這類(lèi)算法以合適的映射關(guān)系來(lái)表達(dá)原始圖像和增強(qiáng)圖像之間的關(guān)系，常見(jiàn)的算法為直方圖均衡（histogram equalization，HE）。HE算法能有效地增強(qiáng)圖像對(duì)比度，但會(huì)因灰度級(jí)合并而造成細(xì)節(jié)信息的丟失。Wang等[9]提出在紅外圖像直方圖計(jì)算中引入相鄰像素之間的二維差分信息，在不過(guò)度增強(qiáng)的情況下增強(qiáng)了對(duì)比度。Wan等[10]采用局部加權(quán)散點(diǎn)平滑算法和局部最小值檢驗(yàn)分割灰度直方圖，對(duì)前景子直方圖采用局部對(duì)比度加權(quán)分布均衡，但增強(qiáng)效果不穩(wěn)定，邊緣和紋理易模糊。該類(lèi)算法復(fù)雜度低、能有效地增強(qiáng)圖像對(duì)比度，但圖像的輪廓和邊緣紋理等信息因?yàn)閷?duì)細(xì)節(jié)的忽視而不夠凸顯。

為了對(duì)細(xì)節(jié)信息進(jìn)行增強(qiáng)，各國(guó)學(xué)者相繼提出了各種紅外圖像細(xì)節(jié)增強(qiáng)算法。在高動(dòng)態(tài)范圍紅外圖像增強(qiáng)領(lǐng)域中，文獻(xiàn)[11]提出一種基于雙邊濾波的增強(qiáng)算法（bilateral filter and digital detail enhancement algorithm，BF&DDE），該算法提出運(yùn)用雙邊濾波將圖像分為低頻信息構(gòu)成的基礎(chǔ)層圖像和高頻信息構(gòu)成的高頻層圖像，再用不同的算法對(duì)兩層圖像進(jìn)行處理。文獻(xiàn)[12]提出了一種基于引導(dǎo)濾波的增強(qiáng)算法（guided image filter and digital detail enhancement algorithm, GIF & DDE）。該算法將BF & DDE中的雙邊濾波替換為對(duì)邊緣和紋理保留效果更好的引導(dǎo)濾波，對(duì)細(xì)節(jié)信息進(jìn)行增強(qiáng)，由于引導(dǎo)濾波是將邊緣和紋理信息保留在了基礎(chǔ)層，其細(xì)節(jié)層含有邊緣和紋理信息過(guò)少，且該算法對(duì)基礎(chǔ)層只進(jìn)行了對(duì)比度拉伸，導(dǎo)致其對(duì)細(xì)節(jié)層圖像增強(qiáng)后的邊緣和紋理不夠突出。Chen等[13]提出一種利用能量梯度函數(shù)與多尺度引導(dǎo)濾波相結(jié)合的方法，在動(dòng)態(tài)范圍壓縮時(shí)能夠較好地保留圖像的細(xì)節(jié)，但仍不滿足主觀上邊緣和紋理信息突出的需求。

根據(jù)上述方法的特點(diǎn)和缺陷，本文提出一種基于多尺度加權(quán)引導(dǎo)濾波的圖像增強(qiáng)方法。在濾波分層方面，本文方法提出將帶轉(zhuǎn)向核的引導(dǎo)濾波[14]與迭代多尺度方式相結(jié)合對(duì)圖像進(jìn)行分層處理，以獲得更完整的細(xì)節(jié)；在基礎(chǔ)層方面，采用限制對(duì)比度的自適應(yīng)直方圖均衡進(jìn)行增強(qiáng)處理；在細(xì)節(jié)層采用基于Markov-Poisson分布的最大后驗(yàn)法和Gamma校正增強(qiáng)其細(xì)節(jié)信息。最后對(duì)基礎(chǔ)層圖像和細(xì)節(jié)層圖像進(jìn)行線性融合得到細(xì)節(jié)增強(qiáng)后的圖像。該方法能對(duì)圖像進(jìn)行對(duì)比度拉伸的同時(shí)增強(qiáng)其細(xì)節(jié)信息，使圖像的紋理和邊緣更加清晰明顯。

1 相關(guān)理論

1.1 加權(quán)引導(dǎo)濾波理論

引導(dǎo)濾波（guided image filter, GIF）[15]是一種基于局部線性模型的平滑濾波器，引導(dǎo)圖像為本身時(shí)，對(duì)圖像的邊緣和紋理信息有較好的保護(hù)作用。引導(dǎo)濾波在某像素點(diǎn)處的輸出可以表示為一個(gè)加權(quán)平均的形式，如下式：

式中：為輸出圖像；和代表像素的坐標(biāo)；p為輸入圖像；為引導(dǎo)圖像；W是引導(dǎo)圖像的權(quán)重函數(shù)，其表達(dá)式如下：

引導(dǎo)濾波器假定在以像素為中心的局部方形窗口內(nèi)，濾波輸出是制導(dǎo)圖像的線性變換，則其局部線性模型的表達(dá)式為：

式中：a、b是窗口中不變的線性系數(shù)，其值通過(guò)最小化代價(jià)函數(shù)確定，代價(jià)函數(shù)的表達(dá)式為：

由參考文獻(xiàn)[16]可知GIF在濾波的同時(shí)還能保護(hù)邊緣，但是由于對(duì)于任意窗口，其懲罰系數(shù)都采用同一值，忽略了像素間的差別。為此，文獻(xiàn)[17]提出一種加權(quán)引導(dǎo)濾波（weighted guided image filtering，WGIF），采用基于窗口像素方差的邊緣權(quán)重因子()來(lái)調(diào)節(jié)懲罰系數(shù)，公式(4)變?yōu)椋?/p>

由上述公式和文獻(xiàn)[17]可知加權(quán)引導(dǎo)濾波對(duì)局部窗口有一定的適應(yīng)性。為了進(jìn)一步提高引導(dǎo)濾波對(duì)局部窗口的適應(yīng)性，Sun[14]等人提出一種帶導(dǎo)向核的加權(quán)引導(dǎo)濾波（weighted guided image filtering with steering kernel，SKWGIF），將歸一化局部轉(zhuǎn)向核（steering kernel）[18]代入引導(dǎo)濾波中，表達(dá)式為：

式中：為控制核的平滑參數(shù)，x和x為像素坐標(biāo)。是由以像素為中心的局部窗口計(jì)算得到的對(duì)稱梯度協(xié)方差矩陣，式(3)變?yōu)椋?/p>

由公式和文獻(xiàn)[14]得，引入局部轉(zhuǎn)向核的SKWGIF比GIF和WGIF有更好的邊緣保持性。

1.2 限制對(duì)比度的自適應(yīng)直方圖均衡

紅外探測(cè)器的原始圖像經(jīng)過(guò)濾波處理后存在對(duì)比度低，圖像整體偏暗等問(wèn)題，對(duì)基礎(chǔ)層必須進(jìn)行對(duì)比度增強(qiáng)處理。直方圖均衡（histogram equalization，HE）可以對(duì)紅外圖像進(jìn)行對(duì)比度增強(qiáng)，但處理后的圖像部分區(qū)域的對(duì)比度增強(qiáng)過(guò)大，成為噪點(diǎn)；且邊緣處經(jīng)過(guò)調(diào)整后變得過(guò)暗。為了避免上述問(wèn)題，本文采用限制對(duì)比度的自適應(yīng)直方圖均衡（contrast limited adaptive histogram equalization, CLAHE）算法[19]，該方法能有效地避免局部增強(qiáng)過(guò)大的問(wèn)題，處理后的直方圖分布更均勻，且能避免過(guò)度增強(qiáng)。CLAHE實(shí)現(xiàn)限制對(duì)比度的原理如下：

1）設(shè)定×大小的滑動(dòng)窗口，則其局部映射函數(shù)M表達(dá)式為：

式中：DF()是局部直方圖分布函數(shù)ist()的累積分布函數(shù)值。

2）灰階映射函數(shù)的導(dǎo)數(shù)可視為對(duì)比度增強(qiáng)的幅度。局部映射函數(shù)M的導(dǎo)數(shù)為：

由公式(9)可知，通過(guò)限制ist()即可限制對(duì)比度的增強(qiáng)幅度。

3）求出直方圖的最大高度：

4）設(shè)定閾值，如圖1所示，將高度大于的直方圖部分截掉，重新均勻地分布在直方圖上，且最大值不會(huì)超過(guò)max，其中為設(shè)定的閾值，為補(bǔ)償值。

直方圖的總面積不變，整體灰度圖上升高度，max，和之間滿足以下關(guān)系：

＝max－(11)

重新分配后，得到的新的基礎(chǔ)層圖像的直方圖分布為：

1.3 基于Markov-Poisson的最大后驗(yàn)概率

由于原始紅外圖像本身細(xì)節(jié)比較模糊，細(xì)節(jié)層的信息易丟失，導(dǎo)致其經(jīng)過(guò)濾波處理的細(xì)節(jié)層圖像含有的信息較少，分辨力下降，不利于人眼觀察。為了合理地增加細(xì)節(jié)信息，本文采用超分辨率算法的思想對(duì)細(xì)節(jié)層進(jìn)行處理。最大后驗(yàn)概率算法可用來(lái)增加圖像的細(xì)節(jié)信息，但是增加的信息過(guò)于虛假，且與基礎(chǔ)層相加會(huì)導(dǎo)致邊緣紋理變得模糊；為了解決上述問(wèn)題，文獻(xiàn)[20-21]采用基于Poisson-Markov分布的最大后驗(yàn)概率算法（Poisson and Markov model Maximum a Posteriori, MPMAP）對(duì)細(xì)節(jié)層進(jìn)行處理，其實(shí)現(xiàn)函數(shù)如下：

式中：g為圖像像素灰度值；為迭代的階數(shù)；是控制迭代速度和算法收斂的控制系數(shù)；()是Markov約束函數(shù)；為約束重量不平衡部分的自適應(yīng)正則化參數(shù)；I,j為處理后的圖像。

經(jīng)過(guò)該算法處理后的細(xì)節(jié)層圖像如圖2所示，基于Poisson-Markov分布的最大后驗(yàn)法能夠根據(jù)細(xì)節(jié)層圖像合理增加圖像的細(xì)節(jié)信息，使細(xì)節(jié)更明顯，利于人眼觀察。

2 本文方法流程

本文提出的方法流程如圖3所示，先利用多尺度加權(quán)引導(dǎo)濾波器將圖像分成基礎(chǔ)層和多個(gè)紅外細(xì)節(jié)層；其次，對(duì)第一層細(xì)節(jié)層圖像進(jìn)行基于Markov-Poisson的最大后驗(yàn)法處理，對(duì)第二層圖像進(jìn)行Gamma校正來(lái)對(duì)細(xì)節(jié)層進(jìn)行增強(qiáng)，得到兩幅增強(qiáng)后的細(xì)節(jié)層圖像；同時(shí)對(duì)基礎(chǔ)層圖像進(jìn)行限制對(duì)比度的自適應(yīng)直方圖均衡，得到增強(qiáng)后的基礎(chǔ)層圖像；最后將增強(qiáng)后的基礎(chǔ)層圖像與增強(qiáng)后的細(xì)節(jié)層圖像線性融合，得到具有全局細(xì)節(jié)的增強(qiáng)圖像。

圖2 MPMAP對(duì)細(xì)節(jié)層處理后效果對(duì)比圖

其中，為了得到完整的細(xì)節(jié)層圖像，本文對(duì)多尺度加權(quán)引導(dǎo)濾波進(jìn)行改進(jìn)，將轉(zhuǎn)向核與加權(quán)引導(dǎo)濾波相結(jié)合，并對(duì)多尺度的實(shí)現(xiàn)方式做出改進(jìn)（詳細(xì)內(nèi)容見(jiàn)2.1節(jié)）；對(duì)細(xì)節(jié)層圖像采用MPMAP和Gamma校正進(jìn)行處理而達(dá)到增強(qiáng)細(xì)節(jié)層并突出邊緣和紋理的目的。

2.1 對(duì)多尺度加權(quán)引導(dǎo)濾波的改進(jìn)

為了獲得紅外圖像中更完整的細(xì)節(jié)，文獻(xiàn)[13]中提到了一種基于迭代的多尺度引導(dǎo)濾波實(shí)現(xiàn)算法，其表達(dá)式為：

式中：為輸入的紅外圖像；為濾波后的基礎(chǔ)層圖像；為細(xì)節(jié)層圖像，由原圖像與濾波后的圖像相減得到；為迭代次數(shù)，代表該算法中共進(jìn)行次引導(dǎo)濾波。

圖3 本文算法流程

為了對(duì)圖像的邊緣和紋理進(jìn)行增強(qiáng)，本文對(duì)多尺度引導(dǎo)濾波做出改進(jìn)，將GIF替換成SKWGIF（weighted guided image filtering with steering kernel），＝2即采用兩次引導(dǎo)濾波，將第一次引導(dǎo)濾波得到的細(xì)節(jié)層圖像作為第二次引導(dǎo)濾波的處理對(duì)象，得到一層含有豐富細(xì)節(jié)信息的第一層細(xì)節(jié)層圖像和含有邊緣、紋理信息的第二層細(xì)節(jié)層圖像。此時(shí)的多尺度加權(quán)引導(dǎo)濾波的公式定義為：

式中：為濾波后得到的基礎(chǔ)層圖像；為第一次濾波得到的細(xì)節(jié)層圖像；1為第二次濾波得到的細(xì)節(jié)層圖像，2為減去1得到的第二層細(xì)節(jié)層圖像。為保證第二層細(xì)節(jié)層圖像含有邊緣和紋理信息，需要將第一次的加權(quán)引導(dǎo)濾波的懲罰系數(shù)設(shè)置在0.16～0.25，第二次的加權(quán)引導(dǎo)濾波的懲罰系數(shù)設(shè)置為0.01～0.04。輸入的紅外圖像與輸出的圖像、第二次濾波得到的細(xì)節(jié)層圖像1和第二層細(xì)節(jié)層圖像2的關(guān)系為：

2.2 對(duì)細(xì)節(jié)層進(jìn)行MPMAP和Gamma校正的增強(qiáng)處理

對(duì)于多尺度加權(quán)引導(dǎo)濾波后得到的兩幅細(xì)節(jié)層圖像，由于第一層細(xì)節(jié)圖像含有豐富的細(xì)節(jié)信息，本文采用MPMAP算法對(duì)第一層細(xì)節(jié)層圖像做增強(qiáng)處理，合理增加其細(xì)節(jié)信息；對(duì)第二層細(xì)節(jié)層圖像，采用Gamma校正達(dá)到增強(qiáng)其邊緣、紋理信息的目的。對(duì)于基礎(chǔ)層圖像，采用CLAHE算法進(jìn)行處理以達(dá)到拉伸對(duì)比度的目的。最后采用加權(quán)融合的方式對(duì)細(xì)節(jié)層圖像和基礎(chǔ)層圖像進(jìn)行融合。最終輸出圖像可以描述為：

3 實(shí)驗(yàn)結(jié)果及分析評(píng)價(jià)

為驗(yàn)證本文方法的可行性及有效性，本文選取3個(gè)場(chǎng)景進(jìn)行對(duì)比試驗(yàn)。選用的3個(gè)場(chǎng)景分別為：圖4(a)所示場(chǎng)景，該場(chǎng)景中包含的樹(shù)干紋理信息較多，可作為算法處理后圖像的重點(diǎn)觀察對(duì)象；圖5(a)所示場(chǎng)景，該場(chǎng)景中包含車(chē)輛，樹(shù)干，電線和馬路，包含的細(xì)節(jié)信息較為豐富；圖6(a)所示場(chǎng)景，該場(chǎng)景中包含地面紋理信息較多且噪聲較少，可作為算法處理后圖像的重點(diǎn)觀察對(duì)象。本文采取HE算法、Gamma校正算法、CLAHE算法、文獻(xiàn)[10]提到的算法和本文方法分別對(duì)其進(jìn)行處理，從主觀和客觀上進(jìn)行對(duì)比和評(píng)價(jià)。其中，Gamma校正算法中的值設(shè)為0.8，本文算法中第一次和第二次加權(quán)引導(dǎo)濾波的懲罰系數(shù)分別設(shè)為0.01和0.06。

從不同算法處理效果來(lái)看，HE算法容易使圖像的對(duì)比度拉伸過(guò)于嚴(yán)重，導(dǎo)致部分細(xì)節(jié)信息丟失，且對(duì)細(xì)節(jié)層沒(méi)有增強(qiáng)效果，如圖4(b)中，左上方中樹(shù)的紋理信息丟失嚴(yán)重；圖6(b)中，人物的衣服、汽車(chē)輪胎處過(guò)亮，部分細(xì)節(jié)信息丟失。Gamma校正算法容易使圖像局部過(guò)亮，導(dǎo)致細(xì)節(jié)丟失嚴(yán)重，如圖4(c)所示，整體偏亮且樹(shù)干紋理較為模糊；文獻(xiàn)[10]的算法對(duì)圖像細(xì)節(jié)沒(méi)有很好的增強(qiáng)效果，且細(xì)節(jié)模糊現(xiàn)象嚴(yán)重，如圖4(e)所示，左上方的樹(shù)枝紋理與原圖相比更模糊；CLAHE算法因?qū)θ诌M(jìn)行對(duì)比度拉伸，使得其對(duì)比度有較好的改善，但因未對(duì)細(xì)節(jié)層進(jìn)行增強(qiáng)，導(dǎo)致對(duì)邊緣、紋理的突出效果不明顯，且容易突出噪聲，如圖5(d)所示，天空中噪聲嚴(yán)重。本文提出的方法由于采用多尺度加權(quán)引導(dǎo)濾波對(duì)圖像進(jìn)行分層處理，并對(duì)細(xì)節(jié)層進(jìn)行MPMAP和Gamma校正處理，使得邊緣和紋理明顯、突出且清晰，如圖4(f)所示，與其他圖像相比不僅對(duì)比度得到改善，同時(shí)樹(shù)干的紋理明顯、清晰且自然；圖5(f)中，與其他圖像相比，右上方房屋的紋理的增強(qiáng)效果明顯，路邊的建筑邊緣和紋理的突出效果明顯；圖6(f)與其他圖像相比，左邊樹(shù)的紋理得到改善，地面紋理清晰。

圖4 第一場(chǎng)景增強(qiáng)效果對(duì)比

圖5 第二場(chǎng)景增強(qiáng)效果對(duì)比

圖6 第三場(chǎng)景增強(qiáng)效果對(duì)比

為客觀評(píng)價(jià)各算法對(duì)圖像的增強(qiáng)效果，本文采用信息熵（IE），熵增強(qiáng)（EME）[22]和平均梯度（AG）3個(gè)客觀指標(biāo)對(duì)增強(qiáng)后的圖像進(jìn)行定量評(píng)價(jià)。其中，IE代表圖像中的信息含量程度；EME是對(duì)圖像局域灰度的變化程度的表現(xiàn)，局域灰度變化越強(qiáng)，圖像表現(xiàn)出的細(xì)節(jié)越強(qiáng)；AG為圖像梯度圖上所有點(diǎn)的均值，反映了圖像中的細(xì)節(jié)反差和紋理變化特征。表1、表2和表3分別為圖4、圖5和圖6中各個(gè)算法處理后的圖像的相關(guān)指標(biāo)的計(jì)算結(jié)果。表1、表2和表3可以看出，HE算法的信息熵最高，但是其EME和AG相對(duì)較低，反映出其細(xì)節(jié)信息較差。本文方法與HE算法、Gamma校正算法，CLAHE算法和文獻(xiàn)[10]中提到的算法相比，其指標(biāo)相對(duì)較高，說(shuō)明本文處理后的圖像具有較高的質(zhì)量，細(xì)節(jié)信息得到較好的增強(qiáng)，且圖4(f)、圖5(f)和圖6(f)中紋理和邊緣突出效果明顯、清晰。綜上可以看出本文方法紅外圖像增強(qiáng)效果較好，且具有可行性和優(yōu)化性。

表1 圖4對(duì)應(yīng)圖像IE，EME和AG指標(biāo)

表2 圖5對(duì)應(yīng)圖像IE，EME和AG指標(biāo)

表3 圖6對(duì)應(yīng)圖像IE，EME和AG指標(biāo)

4 結(jié)論

為突出紅外圖像細(xì)節(jié)信息，使紅外圖像邊緣和紋理清晰，本文提出一種基于多尺度加權(quán)引導(dǎo)濾波的紅外圖像增強(qiáng)方法。該方法將SKWGIF與多尺度引導(dǎo)濾波相結(jié)合對(duì)圖像進(jìn)行分層處理；對(duì)基礎(chǔ)層用CLAHE算法，增強(qiáng)輸出圖像的對(duì)比度；采用MPMAP算法和Gamma校正算法對(duì)細(xì)節(jié)層進(jìn)行增強(qiáng)處理，增加并突出輸出圖像的細(xì)節(jié)信息。實(shí)驗(yàn)結(jié)果表明，本文方法可以增強(qiáng)圖像的對(duì)比度，同時(shí)對(duì)圖像細(xì)節(jié)信息的增強(qiáng)效果明顯，且增強(qiáng)后的圖像紋理和邊緣比較自然，清晰且明顯。本文算法局限之處在于增強(qiáng)后的圖像會(huì)出現(xiàn)塊效應(yīng)的現(xiàn)象。

[1] 鞠默然, 羅海波, 劉廣琦, 等. 采用空間注意力機(jī)制的紅外弱小目標(biāo)檢測(cè)網(wǎng)絡(luò)[J]. 光學(xué)精密工程, 2021, 29(4): 843-853.

JU M R, LUO H B, LIU G Q, et al. Infrared dim and small target detection network based on spatial attention mechanism[J].., 2021, 29(4): 843-853.

[2] 趙尚男, 王靈杰, 張新, 等. 采用視覺(jué)特征整合的紅外弱小目標(biāo)檢測(cè)[J]. 光學(xué)精密工程, 2020, 28(2): 497-506.

ZHAO S N, WANG L J, ZHANG X, et al. Detection of infrared dim small target based on visual feature integration [J].., 2020, 28(2): 497-506.

[3] ZHU D P, ZHAN W D, JIANG Y C, et al. MIFFuse: a multi-level feature fusion network for infrared and visible images [J]., 2021, 9: 130778-130792.

[4] 谷雨, 劉俊, 沈宏海, 等. 基于改進(jìn)多尺度分形特征的紅外圖像弱小目標(biāo)檢測(cè)[J]. 光學(xué)精密工程, 2020, 28(6): 1375-1386.

GU Y, LIU J, SHEN H H, et al. Infrared dim-small target detection based on an improved multiscale fractal feature [J].., 2020, 28(6): 1375-1386.

[5] WANG Z J, LUO Y Y, JIANG S Z, et al. An improved algorithm for adaptive infrared image enhancement based on guided filtering[J]., 2020, 40(11): 3463-3467.

[6] WANG Y F, BAI X Z. Intensity inhomogeneity suppressed fuzzy C-means for infrared pedestrian segmentation[J]., 2018, 20(9): 3361-3374.

[7] ASHIBA H I, ASHIBA M I. Super-efficient enhancement algorithm for infrared night vision imaging system[J]., 2021, 80(6): 9721-9747.

[8] JIANG Y C, LIU Y Q, ZHAN W D, et al. Lightweight dual-stream residual network for single image super-resolution[J]., 2021, 9: 129890-129901.

[9] WANG J J, LI Y, CAO L, et al. Range-restricted pixel difference global histogram equalization for infrared image contrast enhancement[J]., 2021, 28(2): 145-158.

[10] WAN M J, GU G H, QIAN W X, et al. Infrared image enhancement using adaptive histogram partition and brightness correction[J]., 2018, 10(5): 682.

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

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

[13] CHEN F R, ZHANG J L, CAI JJ, et al. Infrared image adaptive enhancement guided by energy of gradient transformation and multiscale image fusion [J]., 2020, 10(18): 6262.

[14] SUN Z G, HAN B, LI J, et al. Weighted guided image filtering with steering Kernel[J]., 2019, 29: 500-508.

[15] HE K M, SUN J, TANG X O. Guided image filtering[J]., 2012, 35(6): 1397-1409.

[16] LU Z W, LONG B Y, LI K, et al. Effective guided image filtering for contrast enhancement[J]., 2018, 25(10): 1585-1589.

[17] LI Z G, ZHENG J H, ZHU Z J, et al. Weighted guided image filtering [J]., 2014, 24(1): 120-129.

[18] TAKEDA H, FARSIU S, MILANFAR P. Kernel regression for image processing and reconstruction[J]., 2007, 16(2): 349-366.

[19] YAKNO M, MOHAMAD-Saleh J, IBRAHIM M Z. Dorsal hand vein image enhancement using fusion of CLAHE and fuzzy adaptive Gamma[J]., 2021, 21(19): 6445.

[20] 劉秀, 劉詠, 林招榮. 最大后驗(yàn)概率算法在遙感圖像復(fù)原中的應(yīng)用[J]. 光學(xué)學(xué)報(bào), 2013(B12): 206-212.

LIU X, LIU Y, LIN Z R. Application of maximum a posteriori algorithm in remote sensing image reconstruction[J]., 2013(B12): 206-212.

[21] 劉秀, 金偉其, 徐超. 基于MPMAP序列紅外圖像高分辨力重建和非均勻性校正[J]. 電子學(xué)報(bào), 2011, 39(9): 2103-2107.

LIU X, JIN W Q, XU C. High-resolution reconstruction and non-uniformity correction from images sequences based on Poisson-Markov model MAP[J]., 2011, 39(9): 2103-2107.

[22] AGAIAN S S, PANETTA K, GRIGORYAN A M. A new measure of image enhancement[C]//, 2000: 19-22.

Infrared Image Enhancement Method Based on Multiscale Weighted Guided Filtering

HU Jiahui，ZHAN Weida，GUI Tingting，SHI Yanli，GU Xing

(,,130000,)

Existing infrared images have problems on fuzzy details, unclear edges, and texture. This paper proposed an infrared image enhancement method based on weighted guided filtering to solve these problems. First, multiscale weighted guided filtering with steering kernel layered the input images. It obtained detailed layer images and a base layer image. Subsequently, maximum posterior probability algorithm based on Markov-Poisson and Gamma correction algorithms enhanced the detailed layer images. Adaptive histogram equalization algorithm with limited contrast stretched the contrast of the base layer image. Finally, enhanced images were obtained through linear fusion. The subjective and objective experimental results show that the proposed method had good detail enhancement effects, and the edges and texture information of the processed images were relatively prominent. The proposed method had better calculation results for information entropy(IE), entropy enhancement(EME), and mean gradient (AG). It satisfies the requirements for enhanced infrared images and clear edge textures.

infrared image, guided image fitter, detail enhancement, histogram equalization

TP394.1；TH691.9

A

1001-8891(2022)10-1082-07

2021-12-13；

2021-12-26.

胡家琿（1996-），男，山東臨沂人，碩士研究生，主要從事機(jī)器視覺(jué)、圖像增強(qiáng)等方面的研究。E-mail: hujiahuia@163.com。

詹偉達(dá)（1979-），男，吉林長(zhǎng)春人，博士，教授，博士生導(dǎo)師，主要從事數(shù)字圖像處理、紅外圖像技術(shù)和自動(dòng)目標(biāo)識(shí)別等方面的研究。E-mail：zhanweida@cust.edu.cn。

吉林省發(fā)展與改革委員會(huì)創(chuàng)新能力建設(shè)專(zhuān)項(xiàng)（FG2021236JK）。