程鐵棟，盧曉亮，易其文，陶征亮，張志釗

〈圖像處理與仿真〉

一種結(jié)合單尺度Retinex與引導(dǎo)濾波的紅外圖像增強(qiáng)方法

程鐵棟，盧曉亮，易其文，陶征亮，張志釗

（江西理工大學(xué) 電氣工程與自動(dòng)化學(xué)院，江西 贛州 341000）

針對(duì)傳統(tǒng)紅外圖像增強(qiáng)算法中圖像對(duì)比度低、細(xì)節(jié)信息丟失與過(guò)度增強(qiáng)等問(wèn)題，提出了一種單尺度Retinex與引導(dǎo)濾波相聯(lián)合的紅外圖像增強(qiáng)方法。首先根據(jù)Retinex算法，利用主特征提取法獲取原始圖像的照射分量和反射分量，對(duì)照射分量采用平臺(tái)直方圖增強(qiáng)其對(duì)比度；然后利用局部方差加權(quán)引導(dǎo)濾波將反射分量分解為基本層和細(xì)節(jié)層，對(duì)兩層分量的圖像分別進(jìn)行對(duì)比度和細(xì)節(jié)增強(qiáng)操作；最后將各個(gè)層次的結(jié)果按照合適的權(quán)重因子進(jìn)行融合得到增強(qiáng)紅外圖像。實(shí)驗(yàn)結(jié)果表明，相比于其他增強(qiáng)算法，本文所提方法能更有效地提高紅外圖像的整體對(duì)比度，突出其細(xì)節(jié)特征，增強(qiáng)后的3組圖像的信息熵和平均梯度平均值分別為9.7373和5.6922，相較于原圖像分別提升了2.7499和3.8296。

紅外圖像；圖像增強(qiáng)；單尺度Retinex；引導(dǎo)濾波；主特征提取

0 引言

隨著紅外技術(shù)的迅速發(fā)展，紅外熱成像儀在國(guó)防軍事、民用、工業(yè)等領(lǐng)域的應(yīng)用愈來(lái)愈廣泛[1]。但在實(shí)際應(yīng)用中，紅外熱輻射信號(hào)容易受大氣環(huán)境的影響，導(dǎo)致獲得的紅外圖像目標(biāo)細(xì)節(jié)模糊、整體對(duì)比度低、噪聲大[2]。這種視覺效果差的紅外圖像滿足不了實(shí)際的應(yīng)用需求。因此，突顯紅外圖像細(xì)節(jié)特征，提升對(duì)比度，抑制噪聲等操作顯得尤為關(guān)鍵。

傳統(tǒng)的紅外圖像增強(qiáng)算法主要?dú)w納為基于空間域和頻率域的圖像增強(qiáng)算法[3]?？臻g域增強(qiáng)算法主要有基于直方圖均衡、Retinex的增強(qiáng)算法等。直方圖均衡（histogram equalization，HE）通過(guò)調(diào)整紅外圖像中的像素灰度，使其均勻分布，從而提高了圖像的整體對(duì)比度[4]。然而經(jīng)過(guò)HE處理后的紅外圖像往往噪聲也得到了增強(qiáng)，且場(chǎng)景目標(biāo)的細(xì)節(jié)信息有所丟失。為此學(xué)者們提出了多種改進(jìn)算法，如平臺(tái)直方圖均衡[5]（plateau histogram equalization，PHE）、對(duì)比度受限自適應(yīng)直方圖均衡[6]（contrast limited adaptive histogram equalization，CLAHE）等。這些算法通過(guò)分割圖像和設(shè)置閾值等操作來(lái)改善HE算法中噪聲放大和細(xì)節(jié)丟失的情況，取得了良好的效果。但是直方圖類的圖像增強(qiáng)算法未考慮圖像的邊緣特征，導(dǎo)致處理后的圖像視覺效果較差，過(guò)于生硬[7]?；赗etinex的增強(qiáng)算法能夠凸顯出圖像中較暗場(chǎng)景的細(xì)節(jié)，降低過(guò)亮場(chǎng)景的灰度，但處理后的圖像會(huì)出現(xiàn)“光暈”現(xiàn)象[8]。頻率域增強(qiáng)算法主要包括基于傅里葉變換、小波變換[9]的增強(qiáng)算法等，這類算法能夠有效地增強(qiáng)圖像的結(jié)構(gòu)特征，但經(jīng)過(guò)其增強(qiáng)后的圖像目標(biāo)細(xì)節(jié)還是較為模糊。2009年Branchitta和Francesco提出了一種基于圖像動(dòng)態(tài)范圍分割的圖像增強(qiáng)方法[10]，此后學(xué)者們提出了與之類似的圖像分層增強(qiáng)方法，使得這種方法在紅外圖像增強(qiáng)方面的應(yīng)用越來(lái)越廣泛[11]。圖像動(dòng)態(tài)范圍分割方法的思想是利用具有保持圖像邊緣能力的濾波器將輸入圖像分解為基礎(chǔ)層與細(xì)節(jié)層分量，然后對(duì)兩層分量分別進(jìn)行對(duì)比度拉伸與細(xì)節(jié)增強(qiáng)，最后選擇合適的權(quán)重值將處理后的兩層分量進(jìn)行融合。圖像分層模式的方法處理，在突顯紅外圖像邊緣細(xì)節(jié)信息的同時(shí)提高了圖像的整體對(duì)比度，常用的保邊濾波器有雙邊濾波器[12]、引導(dǎo)濾波器等。但是傳統(tǒng)引導(dǎo)濾波（guided image filtering，GIF）對(duì)圖像每個(gè)區(qū)域采用相同的線性模型和規(guī)整化因子[13]，并不能適應(yīng)圖像不同區(qū)域間的紋理特征差異。針對(duì)傳統(tǒng)GIF的缺陷，Li Z.[14]等人提出了一種基于局部方差的加權(quán)引導(dǎo)濾波（weighted guided image filtering，WGIF），該算法構(gòu)造了一種能夠自適應(yīng)調(diào)整的規(guī)整化因子，從而提高了邊緣保持能力，將其應(yīng)用于圖像濾波分層增強(qiáng)方法的框架中，可以更精確地分解圖像。

本文在圖像分層方法的基礎(chǔ)上提出了一種基于單尺度Retinex[15]（Single-Scale Retinex，SSR）與WGIF的紅外圖像增強(qiáng)方法，該方法充分發(fā)揮了SSR在圖像灰度調(diào)節(jié)方面的良好性能與WGIF對(duì)圖像細(xì)節(jié)的提取能力，達(dá)到了增強(qiáng)原圖像中的大動(dòng)態(tài)背景信息和突出其小動(dòng)態(tài)目標(biāo)細(xì)節(jié)信息的目的，實(shí)現(xiàn)了紅外圖像的目標(biāo)與細(xì)節(jié)增強(qiáng)。

1 基于SSR與WGIF的紅外圖像增強(qiáng)

通過(guò)研究基于視覺特性的單尺度Retinex算法和基于局部方差的加權(quán)引導(dǎo)濾波算法，本文提出了一種結(jié)合SSR和WGIF的紅外圖像增強(qiáng)方法。針對(duì)紅外圖像對(duì)比度低、細(xì)節(jié)紋理缺失和視覺效果不佳等問(wèn)題，該方法采用SSR和WGIF算法將紅外圖像分解為不同層次的分量，并對(duì)各個(gè)分量進(jìn)行相應(yīng)的增強(qiáng)處理，最后選擇一定的權(quán)重因子進(jìn)行融合得到增強(qiáng)圖像。方法的具體操作流程分為3個(gè)模塊，如圖1所示。模塊一，基于SSR的圖像分層處理；模塊二，基于WGIF的圖像分層處理；模塊三，各個(gè)層次分量的圖像增強(qiáng)與融合。

圖1 本文方法流程

1.1 基于SSR的圖像分層處理

在Retinex理論中，圖像信息由圖像本身的反射性質(zhì)與圖像周圍的光照強(qiáng)度這兩個(gè)因素決定，而不均勻的光照會(huì)造成圖像的退化。根據(jù)該理論，一幅紅外圖像可以被分解為反射分量和照射分量，其中可視為影響圖像質(zhì)量的關(guān)鍵因素，而則被看作反映圖像固有屬性的分量，不受外界環(huán)境的影響。其數(shù)學(xué)模型可表示為：

＝×(1)

式中：可以將照射分量視為附加在本質(zhì)圖像上的乘性噪聲，因此該理論的思路就是從紅外圖像中去除的影響，還原圖像的本質(zhì)信息，從而實(shí)現(xiàn)增強(qiáng)圖像的目的。傳統(tǒng)SSR算法采用高斯濾波估計(jì)輸入圖像的照射分量，再轉(zhuǎn)化到對(duì)數(shù)域，計(jì)算出反射分量：

但高斯濾波在圖像邊緣處的估計(jì)容易產(chǎn)生偏差，從而出現(xiàn)“光暈”現(xiàn)象。鑒于此，本文采用主特征提取法估計(jì)照射分量，該方法能更好地保留圖像的主要邊緣信息，從而減弱在邊緣信息豐富區(qū)域出現(xiàn)的“光暈”現(xiàn)象。Xu L.[16]等人在2012年提出的主特征提取模型如下：

式中：是輸出的主特征圖像，為像素索引；是權(quán)重參數(shù)，用于調(diào)節(jié)主特征圖像的光滑程度，可通過(guò)增大來(lái)增加圖像的光滑度；是一個(gè)接近0的正數(shù)，以避免分母為0；D()和D()為像素在和方向上變化的函數(shù)：

圖2給出了基于主特征提取法的SSR算法對(duì)一幅紅外圖像的分解結(jié)果，圖2(b)為照射分量(,)，從圖中可看出，由于主特征提取法具有較好的保邊能力，因此圖像的大致邊緣輪廓都被保留了下來(lái)。圖2(c)為反射分量(,)，與原圖像相比，原來(lái)的暗場(chǎng)景細(xì)節(jié)都被突顯出來(lái)，如圖像上方的樹枝。圖像整體的視覺效果有所提升，為了進(jìn)一步擴(kuò)大圖像的灰度級(jí)分布，需要對(duì)(,)進(jìn)行進(jìn)一步的增強(qiáng)處理。

圖2 SSR算法對(duì)圖像的分解結(jié)果

1.2 基于WGIF的圖像分層處理

引導(dǎo)濾波是一種以局部線性模型為基礎(chǔ)的圖像平滑濾波器。該算法的基本思想是將圖像內(nèi)的每個(gè)像素點(diǎn)與其相鄰像素點(diǎn)假定為線性關(guān)系，求出各個(gè)像素的線性模型，從而獲得和原始圖像梯度相似的基礎(chǔ)層圖像。設(shè)輸入圖像為，引導(dǎo)圖像為，輸出圖像為，則其數(shù)學(xué)模型表示為：

由于傳統(tǒng)GIF對(duì)圖像中各個(gè)區(qū)域采用固定的規(guī)整化因子，因此在圖像的邊緣區(qū)域會(huì)因?yàn)檩^大的而產(chǎn)生“光暈”現(xiàn)象。鑒于此問(wèn)題，WGIF通過(guò)引入一個(gè)邊緣權(quán)重因子G來(lái)自適應(yīng)調(diào)整規(guī)整化因子，以此獲得對(duì)圖像各區(qū)域的自適應(yīng)，從而提高了濾波效果。權(quán)重因子G和新的系數(shù)a如式(11)、式(12)所示。

通過(guò)WGIF獲得包含大動(dòng)態(tài)信息的基本層(,)可表示為：

式中：WGIF[?]表示局部方差加權(quán)引導(dǎo)濾波的過(guò)程。然后通過(guò)反射分量(,)減去基本層(,)得到細(xì)節(jié)層(,)：

(,)＝(,)－(,) (14)

圖3給出了利用WGIF來(lái)分解反射分量的結(jié)果。圖3(b)為基本層圖像，從圖中可以看出，經(jīng)過(guò)WGIF的處理，圖像中的大量細(xì)節(jié)和噪聲被濾除，但由于WGIF考慮了圖像中各個(gè)區(qū)域間的紋理差異，避免了“光暈”現(xiàn)象的產(chǎn)生。圖3(c)為細(xì)節(jié)層圖像，圖中存在大量的亮點(diǎn)和暗點(diǎn)，因此需要對(duì)其進(jìn)行去噪和細(xì)節(jié)增強(qiáng)處理。

圖3 WGIF對(duì)反射分量的分解結(jié)果

1.3 各個(gè)層次分量的圖像增強(qiáng)與融合

通過(guò)主特征提取法獲得的照射分量(,)對(duì)比度與原始圖像相差不大，因此采用PHE算法增強(qiáng)其對(duì)比度和邊緣細(xì)節(jié)[17]：

￠(,)＝PHE[(,)] (15)

式中：￠(,)為經(jīng)過(guò)PHE增強(qiáng)后的照射分量。

因基本層(,)整體對(duì)比度較低，且該圖像包含的細(xì)節(jié)信息較少，所以采用HE算法對(duì)其進(jìn)行處理：

BE(,)＝HE[(,)] (16)

式中：BE(,)為經(jīng)過(guò)HE處理后的基本層。細(xì)節(jié)層(,)中不僅包含了圖像的紋理細(xì)節(jié)和邊緣信息，還含有一些噪聲信息。因此本文先利用中值濾波抑制圖像的噪聲，再采用gamma變換（＝0.7）對(duì)去噪后的細(xì)節(jié)層進(jìn)行處理，進(jìn)一步突出其紋理細(xì)節(jié)。

將圖像BE(,)和增強(qiáng)后的細(xì)節(jié)層￠(,)進(jìn)行合并：

式中：1和2是調(diào)節(jié)參數(shù)，用于調(diào)節(jié)基本層和細(xì)節(jié)層的融合比例，1通常選擇1，2選擇2～5；￠是增強(qiáng)后的反射圖像。最后，將圖像￠(,)和￠(,)進(jìn)行合并，獲得高對(duì)比度且細(xì)節(jié)紋理突出的高質(zhì)量紅外圖像￠(,)：

式中：為調(diào)節(jié)參數(shù)，用來(lái)調(diào)節(jié)增強(qiáng)圖像中照射分量的強(qiáng)度，本文方法中取0.1～0.3，為避免增強(qiáng)后的紅外圖像光照強(qiáng)度過(guò)大而導(dǎo)致過(guò)度增強(qiáng)。

2 實(shí)驗(yàn)分析

為測(cè)試本文所提出方法的性能，選取3組紅外場(chǎng)景圖像進(jìn)行仿真實(shí)驗(yàn)分析。采用直方圖均衡（HE）、對(duì)比度受限自適應(yīng)直方圖均衡（CLAHE）和雙邊濾波（BF）圖像分層增強(qiáng)算法，從主、客觀兩方面與本文所提方法進(jìn)行對(duì)比。第一個(gè)場(chǎng)景圖像大小為240×320，第二個(gè)和第三個(gè)場(chǎng)景圖像大小均為512×640。實(shí)驗(yàn)的軟件環(huán)境是MATLAB R2016a和Windows10，硬件環(huán)境是Intel(R) Core(TM) i5-9400 CPU @2.9GHz和8GB內(nèi)存的電腦。

2.1 主觀評(píng)價(jià)

圖4～圖6所示為3組不同場(chǎng)景的紅外圖像，及其經(jīng)過(guò)不同算法增強(qiáng)后的圖像。圖4(a)為場(chǎng)景一的原始圖像，圖中包含人物、樹木、房屋和草地，圖像整體的對(duì)比度較低，目標(biāo)細(xì)節(jié)也模糊不清，圖4(b)～圖4(e)分別為經(jīng)過(guò)HE、CLAHE、BF和本文所提方法增強(qiáng)后的紅外圖像。對(duì)比圖4(a)與圖4(b)可知，經(jīng)過(guò)HE算法增強(qiáng)后的圖像整體對(duì)比度有了明顯提高，但是該圖像顯現(xiàn)出過(guò)度增強(qiáng)的現(xiàn)象，人物只留下高亮的輪廓，其衣服、頭發(fā)等紋理特征幾乎全都丟失，該現(xiàn)象是由于HE算法在增強(qiáng)對(duì)比度的同時(shí)會(huì)抑制圖像中灰度級(jí)像素?cái)?shù)量較少的細(xì)節(jié)信息[4]。CLAHE算法是對(duì)HE算法的優(yōu)化，從圖4(c)可以看出，該算法能夠在一定程度上克服HE算法中紋理細(xì)節(jié)丟失的問(wèn)題，但細(xì)節(jié)特征還是不夠突出。BF算法的增強(qiáng)結(jié)果如圖4(d)所示，該算法在圖像的細(xì)節(jié)和對(duì)比度增強(qiáng)方面都表現(xiàn)出較好的效果。圖4(e)為經(jīng)過(guò)本文所提方法增強(qiáng)后的圖像，相比于其他3種算法的增強(qiáng)結(jié)果，圖4(e)中人物、樹木和草地等細(xì)節(jié)更加清晰，同時(shí)圖像的整體對(duì)比度也得到了更大的提高。

圖5(a)為場(chǎng)景二的原始圖像，由該圖可以看出，圖中包含路燈、樹木、房屋、車和道路，而圖像中的樹木、車等目標(biāo)較為模糊，難以辨別其細(xì)節(jié)。從圖5(b)至圖5(d)可以看出，經(jīng)過(guò)HE算法處理后的圖像，樹木的紋理特征被凸顯出來(lái)，但是路燈、房屋、車的細(xì)節(jié)特征反而受到抑制，且屋頂與道路出現(xiàn)了高亮的塊狀現(xiàn)象。CLAHE與BF算法的增強(qiáng)效果比較柔和，圖像對(duì)比度和細(xì)節(jié)未得到明顯改善。圖5(e)為經(jīng)過(guò)本文方法增強(qiáng)后的圖像，相比于圖5(a)，圖像中樹木和房屋等目標(biāo)的紋理細(xì)節(jié)變得更加豐富，圖像的整體視覺效果變得更佳。圖6的場(chǎng)景和增強(qiáng)結(jié)果與圖5較為相似，綜上所述，相對(duì)于3種傳統(tǒng)紅外圖像增強(qiáng)算法，本文提出的方法能夠更有效地增強(qiáng)圖像對(duì)比度與細(xì)節(jié)清晰度，改善場(chǎng)景的視覺效果。

2.2 客觀評(píng)價(jià)

本文采用信息熵、平均梯度這兩個(gè)客觀指標(biāo)來(lái)衡量不同算法對(duì)紅外圖像的增強(qiáng)效果。圖像信息熵是一個(gè)用來(lái)評(píng)價(jià)圖像信息量的指標(biāo)，該值越大，圖像信息量越多，圖像質(zhì)量越高。信息熵計(jì)算方法為：

圖5 不同方法對(duì)紅外圖像的增強(qiáng)結(jié)果（場(chǎng)景二）

圖6 不同方法對(duì)紅外圖像的增強(qiáng)結(jié)果（場(chǎng)景三）

式中：()是紅外圖像中灰度為的密度；為圖像的灰度級(jí)。圖像的平均梯度反映圖像多維方向上微小細(xì)節(jié)的變化，該值越大，圖像細(xì)節(jié)清晰度則越高。平均梯度計(jì)算方法為：

式中：和是圖像的長(zhǎng)和寬；(,)為圖像中像素點(diǎn)(,)的灰度值。

表1和表2分別為選取的3個(gè)場(chǎng)景及其增強(qiáng)后圖像的信息熵和平均梯度。從表中數(shù)據(jù)可以看出，本文所提方法增強(qiáng)后的3組圖像的信息熵和平均梯度平均值分別為9.7373和5.6922，相較于其他算法，其增強(qiáng)后的圖像信息熵和平均梯度都取得了更大的提升。由此表明，經(jīng)過(guò)本文方法處理后的圖像細(xì)節(jié)信息更加豐富、清晰度更高。

3 結(jié)論

針對(duì)傳統(tǒng)紅外圖像增強(qiáng)算法中存在的缺陷，提出了一種基于Retinex算法和引導(dǎo)濾波圖像分層的紅外圖像增強(qiáng)方法。該方法采用主特征提取法來(lái)獲取原始圖像的照射分量，能夠準(zhǔn)確地估計(jì)圖像強(qiáng)邊緣處的光照信息，避免“光暈”現(xiàn)象的產(chǎn)生；采用基于局部方差的加權(quán)引導(dǎo)濾波對(duì)圖像進(jìn)行平滑濾波，可以較好地保留圖像的邊緣信息。在不同場(chǎng)景下，將本文所提方法與3種傳統(tǒng)紅外圖像增強(qiáng)算法進(jìn)行了仿真實(shí)驗(yàn)與對(duì)比分析，從視覺效果的主觀感受來(lái)看，本文所提方法能夠更有效地提升紅外圖像的對(duì)比度，突顯圖像中弱小目標(biāo)的細(xì)節(jié)特征；由信息熵和平均梯度的客觀數(shù)據(jù)可知，其增強(qiáng)后的紅外圖像清晰度更高，內(nèi)容更加豐富，質(zhì)量更佳。

表1 不同方法增強(qiáng)結(jié)果的信息熵

表2 不同方法增強(qiáng)結(jié)果的平均梯度

[1] 汪子君, 羅淵貽, 蔣尚志, 等. 基于引導(dǎo)濾波的自適應(yīng)紅外圖像增強(qiáng)改進(jìn)算法[J]. 光譜學(xué)與光譜分析, 2020, 40(11): 3463-3467.

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

[2] 路皓翔, 劉振丙, 郭棚躍, 等. 多尺度卷積結(jié)合自適應(yīng)雙區(qū)間均衡化的圖像增強(qiáng)[J]. 光子學(xué)報(bào), 2020, 49(10): 158-172.

LU Haoxiang, LIU Zhenbing, GUO Pengyue, et al. Multi-scale convolution combined with adaptive bi-interval equalization for image enhancement[J]., 2020, 49(10): 158-172.

[3] 葛朋, 楊波, 韓慶林, 等.一種基于引導(dǎo)濾波圖像分層的紅外圖像細(xì)節(jié)增強(qiáng)算法[J]. 紅外技術(shù), 2018, 40(12): 1161-1169.

GE Peng, YANG Bo, HAN Qinglin, et al. Infrared image detail enhancement algorithm based on hierarchical processing by guided image filter[J]., 2018, 40(12): 1161-1169.

[4] 丁暢, 董麗麗, 許文海. “直方圖”均衡化圖像增強(qiáng)技術(shù)研究綜述[J]. 計(jì)算機(jī)工程與應(yīng)用, 2017, 53(23): 12-17.

DING Chang, DONG Lili, XU Wenhai. Review of "histogram" equalization technique for image enhancement[J]., 2017, 53(23): 12-17.

[5] 徐超, 何利民, 王霞, 等. 紅外偏振成像系統(tǒng)高速處理模塊設(shè)計(jì)[J]. 紅外與激光工程, 2017, 46(2): 133-140.

XU Chao, HE Limin, WANG Xia, et al. Design of high speed processing module for infrared polarization imaging system[J]., 2017, 46(2): 133-140.

[6] 楊衛(wèi)中, 徐銀麗, 喬曦, 等. 基于對(duì)比度受限直方圖均衡化的水下海參圖像增強(qiáng)方法[J].農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(6): 197-203.

YANG Weizhong, XU Yinli, QIAO Xi, et al. Method for image intensification of underwater sea cucumber based on contrast limited adaptive histogram equalization[J].2016, 32(6): 197-203.

[7] 李佳, 李少娟, 段小虎, 等. 基于Retinex理論與概率非局部均值的紅外圖像增強(qiáng)方法[J]. 光子學(xué)報(bào), 2020, 49(4): 187-196.

LI Jia, LI Shaojuan, DUAN Xiaohu, et al. Infrared image enhancement based on Retinex and probability nonlocal means filtering[J]., 2020, 49(4): 187-196.

[8] 王衛(wèi)星, 趙恒. 結(jié)合改進(jìn)Retinex及自適應(yīng)分?jǐn)?shù)階微分的霧霾公路交通圖像增強(qiáng)[J]. 光學(xué)精密工程, 2020, 28(8): 1820-1834.

WANG Weixing, ZHAO Heng. Haze traffic image enhancement based on improved retinex and adaptive fractional differential[J]., 2020, 28(8): 1820-1834.

[9] 王曉柱, 鈕賽賽, 張凱, 等. 基于小波變換與特征提取的紅外弱小目標(biāo)圖像融合[J]. 西北工業(yè)大學(xué)學(xué)報(bào), 2020, 38(4): 723-732.

WANG Xiaozhu, NIU Saisai, ZHANG Kai, et al. Image fusion of infrared weak-small target based on wavelet transform and feature extraction[J]., 2020, 38(4): 723-732.

[10] Branchitta F, Diani M, Corsini G, et al. New technique for the visualization of high dynamic range infrared images[J]., 2009, 48(9): 096401-1-9.

[11] 葛朋, 楊波, 洪聞青, 等. 一種結(jié)合PE的高動(dòng)態(tài)范圍紅外圖像壓縮及細(xì)節(jié)增強(qiáng)算法[J]. 紅外技術(shù), 2020, 42(3): 279-285.

GE Peng, YANG Bo, HONG Wenqing, et al. Dynamic range compression and detail enhancement algorithm combined with PE for high dynamic range infrared images[J].2020, 42(3): 279-285.

[12] 周志強(qiáng), 汪渤, 李立廣, 等. 基于雙邊與高斯濾波混合分解的圖像融合方法[J]. 系統(tǒng)工程與電子技術(shù), 2016, 38(1): 8-13.

ZHOU Zhiqiang, WANG Bo, LI Liguang, et al. Image fusion based on a hybrid decomposition via bilateral and Gaussian filters[J]., 2016, 38(1): 8-13.

[13] HE Kaiming, SUN Jian, TANG Xiaoou. Guided image filtering[J]., 2013, 35(6): 1397-1409.

[14] LI Zhengguo, ZHENG Jinghong, ZHU Zijian, et al. Weighted guided image filtering[J]., 2015, 24(1): 120-129.

[15] 張慶宇, 范玉剛, 高陽(yáng). 基于單尺度Retinex與改進(jìn)的K-均值聚類的渦流熱成像缺陷檢測(cè)[J]. 紅外技術(shù), 2020, 42(10): 1001-1006.

ZHANG Qingyu, FAN Yugang, GAO Yang. Defect detection of eddy-current thermography based on single-scale Retinex and improved K-means clustering[J]., 2020, 42(10): 1001-1006.

[16] XU Li, YAN Qiong, XIA Yang, et al. Structure extraction from texture via relative total variation[J].(TOG), 2012, 31(6): 1-10.

[17] 李紅, 吳煒, 楊曉敏, 等. 基于主特征提取的Retinex多譜段圖像增強(qiáng)[J]. 物理學(xué)報(bào), 2016, 65(16): 61-76.

LI Hong, WU Wei, YANG Xiaomin, et al. Multispect ral image enhancement based on Retinex by using structure extraction[J]., 2016, 65(16): 1-16.

Research on Infrared Image Enhancement Method Combined with Single-scale Retinex and Guided Image Filter

CHENG Tiedong，LU Xiaoliang，YI Qiwen，TAO Zhengliang，ZHANG Zhizhao

(School of Electrical Engineering and Automation, Jiangxi University of Science and Technology, Ganzhou 341000, China)

This study proposes an infrared image enhancement method combined with single scale Retinex and guided image filtering to eliminate the problems of low image contrast, loss of detail information, and excessive enhancement in traditional infrared image enhancement algorithms. First, a structure extraction algorithm is used to obtain the incident and reflected components of the original image according to the Retinex algorithm. The platform histogram is used to enhance the contrast of the incident component. Then, the reflected component is decomposed into the base layer and detail layer by the weighted guided image filter based on variance and by performing contrast and detail enhancement operations on the images of the two components, respectively. Finally, the results of each level are fused according to the appropriate weight factors to obtain an enhanced infrared image. The experiments in this study show that the proposed method can improve the overall contrast of infrared images and highlight their detailed features more effectively than other enhancement algorithms. The information entropy and average gradient of the three groups of images after enhancement are 9.7373 and 5.6922, respectively, which are 2.7499 and 3.8296 higher than the original image.

infrared image, image enhancement, single-scale Retinex, guided image filter, main structure extraction

TN219

A

1001-8891(2021)11-1081-08

2020-12-09；

2021-01-30.

程鐵棟（1975-），男，江西宜春人，副教授，博士，主要研究方向?yàn)槿斯ぶ悄苎b備。E-mail: Chengtiedong@126.com。

江西省科技計(jì)劃聯(lián)合資助項(xiàng)目（20192BBEL50042）；江西理工大學(xué)高層次人才科研啟動(dòng)項(xiàng)目（205200100522）。