基于改進小波閾值函數(shù)和全尺度Retinex的紅外圖像融合增強算法

童耀南，楊海濤，曹志奇，崔建山，劉 智

基于改進小波閾值函數(shù)和全尺度Retinex的紅外圖像融合增強算法

童耀南，楊海濤，曹志奇，崔建山，劉 智

（湖南理工學(xué)院 信息科學(xué)與工程學(xué)院 復(fù)雜網(wǎng)絡(luò)與嵌入式系統(tǒng)湖南省高校重點實驗室，湖南 岳陽 414006）

針對現(xiàn)有紅外圖像增強算法存在信噪比低、細節(jié)模糊、清晰度差等問題，本文提出基于改進小波閾值函數(shù)和全尺度Retinex的紅外圖像融合增強算法。首先，為克服尺度參數(shù)固定和光線散射導(dǎo)致紅外圖像退化的問題，利用大氣透射率得到Retinex尺度參數(shù)的全尺度映射圖，從而有效提高圖像的清晰度，并將輸入圖像和使用全尺度Retinex處理后的輸入圖像作為算法的第一個輸入和第二個輸入。其次，為解決傳統(tǒng)小波閾值函數(shù)在圖像降噪過程中存在偽影、細節(jié)丟失等問題，設(shè)計改進小波閾值函數(shù)，通過引入尺度因子，在計算每層高頻子圖小波系數(shù)后，能根據(jù)該層數(shù)自適應(yīng)調(diào)整尺度因子，并引入調(diào)節(jié)因子，結(jié)合指數(shù)函數(shù)，使該函數(shù)不僅能抑制高頻子圖噪聲，還能極大程度保留細節(jié)信息。然后，使用小波圖像融合的方式融合輸入的高頻子圖和低頻子圖，進一步提高輸出圖像的紋理細節(jié)。主客觀仿真結(jié)果表明，所提算法比其它對比算法具有更好的降噪和細節(jié)突出能力，并能提高紅外圖像的人眼視覺效果。最后，本文算法應(yīng)用于紅外成像模塊采集的紅外圖像增強，效果良好，表明本文方法具有實用性。

改進小波閾值函數(shù)；全尺度Retinex；紅外圖像增強；圖像融合

0 引言

紅外成像技術(shù)在軍事[1]、醫(yī)學(xué)[2]、環(huán)境監(jiān)控[3]和生物識別[4]等領(lǐng)域得到廣泛應(yīng)用。但是，由于成像機理、噪聲干擾以及紅外探測器等因素的共同影響，紅外成像系統(tǒng)生成的紅外圖像常出現(xiàn)信噪比低、細節(jié)模糊、清晰度差等問題。若不對紅外圖像做增強處理，將直接影響圖像特征提取和識別[5-6]。

紅外圖像增強算法主要包含直方圖均衡（Histogram equalization, HE）、基于Retinex的照射-反射模型和小波變換等。HE可以提高圖像對比度，且實現(xiàn)難度不高，能滿足一般需求[7]。但是，該算法容易產(chǎn)生噪聲過增強和目標場景細節(jié)丟失等問題。Retinex理論通過構(gòu)造照射-反射模型將圖像分解為環(huán)境光照射分量和反射光分量，在對數(shù)域使用高斯濾波器估計并去除環(huán)境光照射分量，從而減少光照不均勻?qū)D像的影響，但是該算法的輸出圖像存在整體亮度較暗、邊緣模糊等缺點。Cai[8]等人提出了一種基于Retinex理論的聯(lián)合先驗算法，該算法用形態(tài)先驗和紋理先驗精確估計反射光分量，使用光照先驗估計環(huán)境光照射分量，從而減少圖像光暈現(xiàn)象。然而，這個模型容易過度平滑場景的環(huán)境光照射分量和反射光分量。Zhang[9]等人提出了聯(lián)合Retinex和輪廓波的紅外圖像增強方法，該方法先利用Retinex對圖像中光照不均部分進行灰度調(diào)整，再采用輪廓波對圖像進行分解得到基本層和細節(jié)層，最后融合直方圖均衡化處理后的基本層和非線性函數(shù)壓縮處理后的細節(jié)層，得到對比度和細節(jié)增強的紅外圖像。但是，對于亮度和對比度變化較大的圖像處理效果不佳，容易產(chǎn)生圖像過度增強、失真等問題?；谛〔ㄗ儞Q的紅外圖像增強算法使用范圍廣，能有效提高圖像質(zhì)量，但是該算法容易受到圖像噪聲的影響，導(dǎo)致其自適應(yīng)能力較弱[10]。為了進一步提高算法的降噪能力和可靠性，可以運用小波閾值降噪思想，使用合適的小波閾值函數(shù)處理高頻子圖系數(shù)的噪聲，得到理想的小波降噪圖像，該方法已經(jīng)在實際應(yīng)用中被廣泛采用并取得不錯的降噪效果[11]。當前，主要采用的小波閾值降噪函數(shù)為硬閾值函數(shù)和軟閾值函數(shù)[12]，但是硬閾值函數(shù)不連續(xù)導(dǎo)致復(fù)原圖像出現(xiàn)偽影，軟閾值函數(shù)降噪前后小波系數(shù)存在固定偏差導(dǎo)致細節(jié)信息大量丟失，影響復(fù)原圖像完整性。黃玉昌[13]等人結(jié)合軟、硬閾值函數(shù)，提出了一種改進小波閾值函數(shù)，由仿真結(jié)果可知，該函數(shù)信噪比有所提高，但是降噪效果不是很明顯。

為解決傳統(tǒng)小波閾值降噪函數(shù)帶來的圖像偽影、細節(jié)丟失等問題，本文提出一種改進小波閾值函數(shù)，提高高頻子圖的降噪效果和細節(jié)保持能力，并將全尺度Retinex與小波圖像融合方法相結(jié)合，有效提高紅外圖像的對比度和人眼視覺效果清晰度。最后以紅外圖像數(shù)據(jù)集和紅外成像模組采集到的紅外圖像進行實驗仿真和分析，驗證算法的有效性和實用性。

1 算法概述

基于改進小波閾值函數(shù)和全尺度Retinex的紅外圖像融合增強算法實現(xiàn)流程如圖1所示。

圖1 本文算法流程圖

1）將輸入圖像作為第一個輸入，全尺度Retinex算法處理后的輸入圖像作為第二個輸入。

2）對輸入圖像分別進行離散小波變換生成低頻子圖和高頻子圖。

3）將高頻子圖分別進行改進小波閾值函數(shù)處理，得到閾值化高頻子圖，本文將使用拉普拉斯權(quán)重融合策略融合輸入圖像的高頻子圖1和經(jīng)過全尺度Retinex處理后圖像的高頻子圖2[14]，增強融合后高頻子圖的邊緣紋理細節(jié)。假設(shè)1、2的拉普拉斯權(quán)重分別表示為：

1＝1×LA (1)

2＝2×LA (2)

式中：LA為拉普拉斯算子，融合規(guī)則可表示為：

LH＝11＋22(3)

式中：LH為融合后高頻子圖，其中，1和2分別定義為：

4）以區(qū)域能量融合策略[15]來融合低頻子圖，保留融合后低頻子圖的大部分能量和整體特征。假設(shè)輸入圖像的低頻子圖和經(jīng)過全尺度Retinex處理后圖像的低頻子圖的區(qū)域能量分別表示為：

式中：為(,)為中心，大小為3×3的窗口。為對應(yīng)的權(quán)重系數(shù)，定義為：

融合規(guī)則表示為：

＝1＋2(8)

式中：為融合后的低頻子圖；1和2分別定義為：

5）對融合后的低頻子圖和高頻子圖進行逆變換得到增強紅外圖像。

2 改進小波閾值函數(shù)

小波閾值函數(shù)廣泛應(yīng)用于圖像降噪領(lǐng)域，盡管一些學(xué)者也研究出自己的小波閾值函數(shù)，但是這些函數(shù)本身往往存在恒定偏差、不連續(xù)等問題，影響圖像降噪效果。所以本文設(shè)計的小波閾值函數(shù)應(yīng)滿足以下關(guān)鍵指標：①連續(xù)性，即閾值函數(shù)必須在定義域內(nèi)連續(xù)。若閾值函數(shù)不連續(xù)，將導(dǎo)致重構(gòu)圖像出現(xiàn)震蕩；②可導(dǎo)性，即閾值函數(shù)必須在定義域內(nèi)可導(dǎo)。若閾值函數(shù)不可導(dǎo)，將影響圖像重構(gòu)質(zhì)量，從而促成圖像出現(xiàn)失真；③漸進性，即小波系數(shù)趨向無窮時，小波系數(shù)與閾值函數(shù)處理后的小波系數(shù)偏差逐漸減小并趨于相同，從而使重構(gòu)后的圖像能較好保留細節(jié)和邊緣特征；④靈活性，小波閾值函數(shù)對輸入圖像進行多尺度分解時，隨著分解層數(shù)的增加圖像噪聲系數(shù)會減少，若每個尺度采用相同閾值會抹殺較多小波系數(shù)，因此，需要設(shè)計一種隨分解層數(shù)變化的小波閾值函數(shù)，以提高降噪靈活性。

為此本文提出一種改進小波閾值函數(shù)，在函數(shù)構(gòu)造過程中引入指數(shù)函數(shù)，調(diào)整閾值函數(shù)的斜率和曲線變化，提高小波系數(shù)在趨向無窮時的收斂速度，避免在閾值處出現(xiàn)不連續(xù)或突變。另外，設(shè)計了隨尺度變化的尺度因子和調(diào)節(jié)因子，其中＝/，為第層分解層數(shù)下高頻子圖系數(shù)長度，為系數(shù)中小于閾值的個數(shù)；用于維持閾值函數(shù)的穩(wěn)定性，使函數(shù)靠近小波閾值時曲線變得平緩，盡可能保留一部分小波系數(shù)，有效減少圖像高頻細節(jié)信息丟失，防止過度降噪。改進小波閾值函數(shù)的表達式為：

式中：T()為小波閾值函數(shù)處理后的高頻子圖；為原高頻子圖；為閾值。以下將從數(shù)學(xué)角度分析改進小波閾值函數(shù)的性質(zhì)。

1）令＝,j，＝(,j)，可得：

2）當→±￥時：

3）當→±￥時：

結(jié)合式(11)～式(13)以及圖2可知，式(10)是在(－￥, ＋￥)內(nèi)是連續(xù)的，且以y＝x為漸近線。即新的閾值函數(shù)是以mT(wi,j)＝wi,j為漸近線，從而減小了閾值函數(shù)中mT(wi,j)和wi,j的恒定偏差，保證了小波重構(gòu)后圖像的光滑性，減少了重構(gòu)圖像的誤差。

在對圖像降噪過程中，改進小波閾值函數(shù)調(diào)節(jié)因子、閾值估計方法、小波基函數(shù)和分解層數(shù)對圖像降噪效果的好壞至關(guān)重要。下面將介紹以上參數(shù)和方法的選擇過程。

1）調(diào)節(jié)因子的確定。如圖3所示，通過向紅外圖像分別添加噪聲方差為0.01、0.02、0.03的高斯白噪聲，比較不同噪聲方差下的降噪效果，選擇最佳調(diào)節(jié)因子。

峰值信噪比（Peak signal-to-noise ratio, PSNR）越大說明增強算法的噪聲抑制能力越強，結(jié)構(gòu)相似性（Structure Similarity Index Measure，SSIM）越大表明增強圖像與原始圖像越相似，增強圖像的細節(jié)紋理保持越完整。由圖2可知，小波閾值函數(shù)中的調(diào)節(jié)因子取80時PSNR和SSIM最大，因此可?。?0作為實驗的最優(yōu)參數(shù)。

2）估計小波閾值。本文采用貝葉斯萎縮閾值估計方法[16]，它能依據(jù)不同尺度的高頻子圖合理調(diào)整小波閾值，貝葉斯萎縮閾值公式為：

式中：T為第層尺度的小波閾值；為不同尺度下的噪聲方差估計；為小波降噪后第層尺度下第類高頻子圖系數(shù)的標準差；然后通過中值估計公式求解噪聲方差：

＝median(|,j|) (15)

最后根據(jù)最大似然估計，獲得第層尺度下第類高頻子圖系數(shù)的標準差：

式中：和分別是圖像的高度和寬度。

3）選擇小波基函數(shù)和分解層數(shù)。在選擇小波基函數(shù)時，考慮到紅外圖像中固定噪聲主要由高斯白噪聲構(gòu)成，而dbN小波對高斯白噪聲具有良好的抑制效果，本文將選擇dbN小波作為小波基函數(shù)，這里的表示小波基函數(shù)的消失矩，在實際應(yīng)用中通過施加消失矩條件，可以更好地進行數(shù)據(jù)壓縮和消除噪聲，如圖4所示，實驗對比發(fā)現(xiàn)，當小波基函數(shù)的消失矩設(shè)置為5，分解層數(shù)設(shè)置為3時，PSNR達到最大值，故采用db5小波和3層小波分解來處理所有紅外圖像，從而達到最佳降噪效果。

圖3 PSNR和SSIM的變化曲線

圖4 PSNR隨分解層數(shù)變化曲線

3 全尺度Retinex

Retinex算法是根據(jù)顏色恒常性假設(shè)提出的，它能將紅外圖像分解為變化緩慢的環(huán)境光照射分量和變化劇烈的反射光分量，分別處理后重新組合?；赗etinex算法的圖像增強算法的本質(zhì)是剝離退化圖像中的環(huán)境光照射分量，以獲得物體表面的反射光分量。反射光分量為：

R(,)＝log[I(,)]－log[I(,)*F(,)] (17)

Retinex算法的尺度參數(shù)一般靠經(jīng)驗值設(shè)定，不同尺度參數(shù)會影響圖像部分區(qū)域的亮度失真，因此如何選擇合適的尺度參數(shù)是Retinex算法的難點[17]。為解決尺度參數(shù)問題，構(gòu)建大氣透射率和尺度參數(shù)的映射關(guān)系，其表達式為：

圖5 尺度映射

如圖6所示，全尺度Retinex算法的步驟如下：根據(jù)暗通道先驗理論獲得輸入圖像的大氣透射率；根據(jù)式(18)獲得構(gòu)建中心環(huán)繞函數(shù)的尺度參數(shù)；根據(jù)式(17)獲得反射光分量，從而得到增強圖像。

圖6 全尺度Retinex算法流程圖Fig.6 Full scale Retinex algorithm flow chart

4 性能分析

4.1 主觀評價

本文使用TNO紅外圖像數(shù)據(jù)集中的場景1、2、3、4的圖像進行主觀實驗測試。場景1是在營地拍攝的紅外圖像，該圖像包含了房屋、樹木、道路、行人等特征信息；場景2是在沙丘拍攝的紅外圖像，該圖像包含了沙礫、行人、道路等特征信息；場景3是在公園拍攝的紅外圖像，該圖像包含了樹木、草地、灌木叢、椅子等特征信息；場景4是在野外拍攝的紅外圖像，該圖像包含了行人、房屋、白云等特征信息。為了驗證所提算法的有效性，分別采用雙邊濾波和動態(tài)范圍劃分算法（Bilateral Filter and Dynamic Range Partitioning, BF & DRP）、引導(dǎo)濾波算法（guided filtering, GIF）、多尺度Retinex（Multi-scale Retinex, MSR）算法、暗通道先驗理論（Dark Channel Priori, DCP）、文獻[18]、文獻[19]與本文算法對選取的3幅紅外圖像進行仿真實驗，并通過MATLAB軟件仿真得到本文算法和其他對比算法的主客觀評價結(jié)果。

如圖7所示，圖(b)平滑過度，行人、樹木、房屋等目標的細節(jié)模糊嚴重，人眼視覺效果較差；圖(c)的特征細節(jié)更突出，但是出現(xiàn)了過增強現(xiàn)象，房頂、道路旁的部分區(qū)域偏暗；圖(d)的圍欄部分細節(jié)信息模糊嚴重，房屋、道路的亮度偏暗，不利于人眼視覺的觀察；圖(e)整體亮度偏暗，色彩較原圖像稍顯失真；圖(f)目標出現(xiàn)邊緣模糊，細節(jié)丟失較嚴重；圖(g)增強了圖像細節(jié)，但是對比度不高；圖(h)提高了圖像對比度，且場景不會出現(xiàn)過增強現(xiàn)象，突出了圖像的整體層次感。

如圖8所示，圖(b)的圖像紋理細節(jié)模糊不清，清晰度大大降低；圖(c)的圖像對比度明顯提高，但是道路旁、行人的部分區(qū)域亮度過高，出現(xiàn)了光暈和細節(jié)丟失的問題；圖(d)解決了原圖像的光暈問題，但是局部圖像出現(xiàn)細節(jié)模糊，圖像觀感不自然；圖(e)提高了圖像的清晰度，但是背景的沙礫出現(xiàn)噪點，降噪效果不佳；圖(f)明顯提升了圖像對比度，但是道路旁出現(xiàn)了光暈，整體效果比較模糊；圖(g)的光暈偽影較少，紋理細節(jié)豐富，但是圖像出現(xiàn)了過度增強的現(xiàn)象，整體亮度不高；圖(h)與其它圖像相比，提高了圖像對比度，背景的沙礫紋理豐富，有效改善了圖像的光暈問題，視覺效果良好。

如圖9所示，圖(b)出現(xiàn)過增強，圖像失真較為嚴重；圖(c)整體特征保留較完整，但是圖像整體亮度偏暗，不利于目標的觀察；圖(d)樹木亮度提升明顯，但是灌木叢和草地的亮度過暗，圖像整體層次感較差；圖(e)色彩出現(xiàn)失真，視覺效果差；圖(f)樹木、灌木從等目標的部分區(qū)域亮度過高，圖中目標物體模糊不清；圖(g)背景的樹木、草地、灌木叢、椅子等區(qū)域灰度層次感不高，視覺效果不佳；圖(h)與其它相比，提高了圖像對比度，背景的沙礫紋理豐富，有效改善了圖像的光暈問題，視覺效果良好。

圖7 場景1紅外圖像增強算法對比圖

圖8 場景2 紅外圖像增強算法對比圖

圖9 場景3 紅外圖像增強算法對比圖

如圖10所示，圖(b)改善不明顯；圖(c)明顯提升了圖像對比度，但目標背景出現(xiàn)大量噪點；圖(d)整體明暗對比度偏低，視覺效果較模糊；圖(e)清晰度較高，但由于大氣光可能受到噪聲干擾，導(dǎo)致增強效果不穩(wěn)定；圖(f)出現(xiàn)光暈，且圖像整體較模糊；圖(g)失真較嚴重，難以處理復(fù)雜紋理和高頻細節(jié)；圖(h)噪聲抑制效果良好，行人、房屋、白云等特征信息紋理豐富，有效改善了圖像光暈問題，視覺效果良好。

圖10 場景4紅外圖像增強算法對比圖

4.2 客觀評價

本文采用對比度均方根（Root Mean Square of Contrast, RMSC）、峰值信噪比（PSNR）、離散信息熵（discrete information entropy, DE）和結(jié)構(gòu)相似性（SSIM）作為紅外圖像質(zhì)量的評價指標。其中，RMSC是用于衡量圖像對比度的大小，RMSC越大對比度越高；PSNR用于評估圖像壓縮后的質(zhì)量，PSNR越大壓縮失真越??；DE用于衡量圖像的信息量和細節(jié)特征的表現(xiàn)能力，DE越大紋理細節(jié)信息越豐富；SSIM則是用于評估紅外增強圖像與原始圖像之間的結(jié)構(gòu)相似性，SSIM越大圖像失真越小，這些客觀評價指標的使用可以有效地評估和比較不同紅外圖像增強算法的性能。以上客觀評價指標的定義式分別為公式(19)、(20)、(21)、(22)：

式中：f,j￠為增強圖像，max＝255。

式中：()表示灰度在圖像中出現(xiàn)的概率；表示圖像的灰度級。

式中：是原始圖像；是增強圖像。是的均值，是的均值；和分別是和的標準差；是和的協(xié)方差；1和2是經(jīng)驗值，一般取1＝(1)2，2＝(2)2，1＝0.01，2＝0.03，＝255。本文利用以上指標對各算法處理后的不同場景紅外圖像作定量分析，結(jié)果見表1，其中表示原始圖像。分析可知，本文算法的各項指標均較優(yōu)。

4.3 降噪分析

為更直觀地比較不同降噪閾值函數(shù)對紅外圖像產(chǎn)生的視覺效果，本文在圖11(a)的基礎(chǔ)上添加噪聲方差為0.01的高斯白噪聲進行測試，并對添加噪聲后的圖像使用不同小波閾值函數(shù)進行處理，對比實驗結(jié)果如圖11(c)、(d)、(e)所示。使用硬閾值降噪方法后的“車牌號”細節(jié)依然存在部分噪聲，使用軟閾值降噪方法后的圖像“車牌號”邊緣輪廓較模糊，使用改進閾值函數(shù)降噪方法較好地濾除圖像的高斯白噪聲，細節(jié)紋理清晰，邊緣輪廓容易識別判斷。

為進一步從客觀數(shù)據(jù)上分析本文方法的有效性，在圖10(a)分別添加噪聲方差為0.01、0.02、0.03的高斯白噪聲，分別采用硬閾值、軟閾值、改進小波閾值函數(shù)對圖像進行降噪測試，結(jié)果見表2。從數(shù)值可看出改進小波閾值函數(shù)處理后的圖像降噪效果更佳、圖像失真較小。

圖11 不同降噪方法的測試結(jié)果

表2 不同閾值降噪方法的客觀評價值

4.4 應(yīng)用測試

為驗證所提紅外圖像增強算法的有效性，搭建了一種基于紅外成像上位機的增強流程，如圖12所示，分別獲得紅外圖像場景5和場景6并進行應(yīng)用測試。如圖13(a)所示，采用的紅外成像模組分辨率僅為32×32，由熱電堆紅外陣列和STM32單片機組成，對實際場景進行紅外圖像流采集，并對每一幀的紅外圖像進行紅外圖像增強。如圖13(b)所示，在上位機界面左側(cè)顯示采集到的原始紅外圖像，該圖像由人臉和背景組成，圖像對比度低，人眼視覺效果不佳。在上位機右側(cè)顯示增強后的紅外圖像，結(jié)果顯示，增強了人臉眼部和嘴部特征，背景信息量豐富，提高了圖像整體層次感。如圖13(c)所示，原始紅外圖像由水杯和背景組成，圖像清晰度低，水杯的輪廓和細節(jié)不明顯，增強后的紅外圖像抑制噪聲能力強，杯柄清晰度和對比度都得到了提升。

圖12 搭建的紅外圖像增強上位機流程

圖13 紅外成像模塊及主觀評價指標結(jié)果

由表3可知，本文算法在2組場景中取得了穩(wěn)定的指標值，再結(jié)合之前圖13的主觀紅外圖像增強效果可知，該算法能較好地抑制噪聲，增強圖像對比度和細節(jié)信息，從而有效提高目標特征的提取和識別能力。

表3 本文算法在場景5和場景6的客觀評價結(jié)果

5 結(jié)論

本文針對紅外圖像存在信噪比低、邊緣模糊、清晰度差的問題，提出了一種基于改進小波閾值函數(shù)和全尺度Retinex的紅外圖像融合增強算法。首先，設(shè)計了一種改進小波閾值函數(shù)，將其成功用于紅外圖像的高頻子圖，能更好平衡降噪和保留圖像細節(jié)之間的關(guān)系。然后，使用小波圖像融合方式，結(jié)合全尺度Retinex算法的優(yōu)點，提高小波重構(gòu)圖像的紋理細節(jié)和清晰度，主客觀仿真結(jié)果表明，本文算法相比其它對比算法能夠有效抑制紅外圖像的噪聲，豐富細節(jié)特征，提高人眼視覺效果，適用于不同場景的紅外圖像。

[1] Gowen A A, Tiwari B K, Cullen P J, et al. Applications of thermal imaging in food quality and safety assessment[J]., 2010, 21(4): 190-200.

[2] 趙明珠, 張艷, 朱應(yīng)燕. 基于紅外熱成像的早期疾病檢測技術(shù)的研究進展[J]. 激光與光電子學(xué)進展, 2021, 58(8): 28-38.

ZHAO Mingzhu, ZHANG Yan, ZHU Yingyan. Research progress of early disease detection technology based on infrared thermography[J]., 2021, 58(8): 28-38.

[3] YUAN C, LIU Z, ZHANG Y. Fire detection using infrared images for UAV-based forest fire surveillance[C]//(ICUAS), 2017: 567-572.

[4] WANG L, Leedham G, Cho S Y. Infrared imaging of hand vein patterns for biometric purposes[J]., 2007, 1(3): 113-122.

[5] Taheri Garavand A, Ahmadi H, Omid M, et al. An intelligent approach for cooling radiator fault diagnosis based on infrared thermal image processing technique[J]., 2015, 87: 434-443.

[6] 郝建新. 基于小波變換與Retinex的電路板紅外圖像增強技術(shù)[J]. 紅外技術(shù), 2015, 37(12): 1036-1040.

HAO Jianxin. Circuit board infrared image enhancement based on wavelet transform and Retinex[J]., 2015, 37(12): 1036-1040.

[7] 尹士暢, 喻松林. 基于小波變換和直方圖均衡的紅外圖像增強[J]. 激光與紅外, 2013, 43(2): 225-228.

YIN Shichang, YU Songlin. Infrared image enhancement based on wavelet transform and histogram equalization[J]., 2013, 43(2): 225-228.

[8] CAI B, XU X, GUO K, et al. A joint intrinsic-extrinsic prior model for Retinex[C]//, 2017: 4000-4009.

[9] ZHANG X, WANG J. Contourlet-based non-local mean via Retinex theory for robot infrared image enhancement[J]., 2022, 9(4): e10-e10.

[10] 王晨, 湯心溢, 高思莉. 基于人眼視覺的紅外圖像增強算法研究[J]. 激光與紅外, 2017, 47(1): 114-118.

WANG Chen, TANG Xinyi, GAO Sili. Research on infrared image enhancement algorithm based on human eye vision[J]., 2017, 47(1): 114-118.

[11] 龔昌來, 羅聰, 楊冬濤, 等. 一種基于平穩(wěn)小波域的紅外圖像增強方法[J]. 激光與紅外, 2013, 43(6): 703-707.

GONG Changlai, LUO Cong, YANG Dongtao, et al. An infrared image enhancement method based on smooth wavelet domain[J]., 2013, 43(6): 703-707.

[12] Donoho D L, Johnstone I M. Ideal spatial adaptation by wavelet shrinkage[J]., 1994, 81(3): 425-455.

[13] 黃玉昌, 侯德文. 基于改進小波閾值函數(shù)的指紋圖像去噪[J]. 計算機工程與應(yīng)用, 2014, 50(6): 179-181, 209.

HUANG Yuchang, HOU Dewen. Fingerprint image denoising based on improved wavelet threshold function[J]., 2014, 50(6): 179-181, 209.

[14] DU J, LI W, XIAO B, et al. Union Laplacian pyramid with multiple features for medical image fusion[J]., 2016, 194: 326-339.

[15] 劉志強, 朱大奇. 一種新型小波圖像融合的水下目標增強算法[J]. 控制工程, 2022, 29(12): 2235-2243.

LIU Zhiqiang, ZHU Daqi. A novel underwater target enhancement algorithm for wavelet image fusion[J]., 2022, 29(12): 2235-2243.

[16] 易清明, 陳明敏, 石敏. 一種改進的小波去噪方法在紅外圖像中應(yīng)用[J]. 計算機工程與應(yīng)用, 2016, 52(1): 173-177.

YI Qingming, CHEN Mingmin, SHI Min. An improved wavelet denoising method in infrared images[J]., 2016, 52(1): 173-177.

[17] 徐興貴, 楊平, 劉永利. 基于全尺度Retinex算法的夜間圖像去霧[J]. 微電子學(xué)與計算機, 2017, 34(7): 132-136.

XU Xinggui, YANG Ping, LIU Yongli. Nighttime image defogging based on full-scale Retinex algorithm[J]., 2017, 34(7): 132-136.

[18] 占必超, 吳一全, 紀守新. 基于平穩(wěn)小波變換和Retinex的紅外圖像增強方法[J]. 光學(xué)學(xué)報, 2010, 30(10): 2788-2793.

ZHAN Bichao, WU Yiquan, JI Shouxin. Infrared image enhancement method based on smooth wavelet transform and Retinex[J]., 2010, 30(10): 2788-2793.

[19] 陳文藝, 楊承勛, 楊輝. 引導(dǎo)濾波和對數(shù)變換算法融合的多尺度Retinex紅外圖像增強[J]. 紅外技術(shù), 2022, 44(4): 397-403.

CHEN Wenyi, YANG Chengxun, YANG Hui. Multiscale Retinex infrared image enhancement by fusion of bootstrap filtering and logarithmic transformation algorithms[J]., 2022, 44(4): 397-403.

Infrared Image Fusion Enhancement Algorithm Based on Improved Wavelet Threshold Function and Full-Scale Retinex

TONG Yaonan，YANG Haitao，CAO Zhiqi，CUI Jianshan，LIU Zhi

(College of Information Science and Engineering, Hunan Institute of Science and Technology & Key Laboratory of Complex Network and Embedded System, College of Hunan Province, Yueyang 414006, China)

This paper proposes an infrared image fusion enhancement algorithm based on an improved wavelet threshold function and full-scale Retinex to address the problems of low signal-to-noise ratio, fuzzy detail, and poor clarity in existing infrared image enhancement algorithms. First, to overcome the degradation of infrared images caused by fixed-scale parameters and light scattering, a full-scale map of Retinex-scale parameters was obtained using atmospheric transmittance to improve image clarity. The input image and processed image with full-scale Retinex were used as the first and second inputs of the algorithm, respectively. Second, an improved wavelet threshold function was designed to solve the problems of artifacts and detail loss in the image-denoising process of the traditional wavelet threshold function. The threshold function introduces a scaling factor that can be adjusted adaptively according to the number of layers after calculating the wavelet coefficient of the high-frequency subgraph of each layer. An adjustment factor was introduced and combined with an exponential function to suppress the high-frequency subgraph noise and preserve detailed information. The high- and low-frequency subgraphs of the above two inputs were then fused using wavelet image fusion to improve the texture details of the output images. The simulation results demonstrate that the proposed algorithm outperforms other comparison algorithms regarding noise reduction and detail highlighting capabilities, enhancing the visual quality of infrared images for the human eye. Finally, this algorithm was applied to enhance infrared images collected by an infrared imaging module, and the experimental results showed that the proposed method is practical.

improved wavelet threshold function, full-scale Retinex, infrared image enhancement, image fusion

TP391.41

A

1001-8891(2024)03-0332-10

2023-05-16；

2023-09-06 .

童耀南（1977-），男，博士，教授，湖南平江人，主要從事物聯(lián)網(wǎng)技術(shù)、嵌入式人工智能、模數(shù)混合實時信號處理。E-mail: tongyaon@hnist.edu.cn。

湖南省重點實驗室（2019TP1014）；湖南省教育廳重點科研項目（21A0403, 21A0405）；湖南省研究生科研創(chuàng)新項目（QL20210255）。