一種基于雙導向濾波的高動態(tài)紅外圖像細節(jié)增強與去噪算法

劉可佳，馬榮生，龐鈺寧

?

一種基于雙導向濾波的高動態(tài)紅外圖像細節(jié)增強與去噪算法

劉可佳，馬榮生，龐鈺寧

(中國人民解放軍63726部隊，寧夏 銀川 750004)

針對高動態(tài)紅外圖像位壓縮和細節(jié)增強過程中的噪聲放大、微小細節(jié)增強不足以及強邊緣過度增強等問題，提出一種基于雙導向濾波的細節(jié)增強與去噪算法。用導向濾波分別獲得兩組基圖和細節(jié)圖，低參數(shù)基圖作為去噪基圖的估計；低參數(shù)與高參數(shù)細節(jié)圖之差作為去噪細節(jié)圖的估計；兩圖分別經(jīng)過自動增益控制和位壓縮后，合成為增強去噪圖像。為準確估計參數(shù)，提出一種基于細節(jié)圖像素灰度值變化規(guī)律統(tǒng)計的優(yōu)化模型，分類考察像素灰度值收斂特性后給出參數(shù)取值范圍。仿真結(jié)果表明，該算法能夠準確選擇關鍵參數(shù)，在增強細節(jié)和抑制噪聲的同時，平衡微小細節(jié)和強邊緣增強效果，并具有準實時性、模型簡單和控制參數(shù)較少等特點。

高動態(tài)紅外圖像；細節(jié)增強；去噪；導向濾波；參數(shù)優(yōu)化

高性能紅外熱成像設備應用廣泛，能夠獲得高動態(tài)(high dynamic range，HDR)紅外圖像，位深達14 bit以上，在獲取目標信息方面具有重要意義。人眼只能分辨128級灰度動態(tài)[1]，多數(shù)顯示設備灰度動態(tài)范圍設計為256級，即8 bit位深，因此需要對HDR紅外圖像進行動態(tài)范圍壓縮(dynamic range compression，DRC)顯示。紅外圖像背景較暗，前景或目標物體較亮，目標物體或感興趣場景的灰度級范圍相對集中，直接進行DRC會損失許多細節(jié)信息，因此許多高動態(tài)紅外圖像細節(jié)增強算法被提出。

設計好的高動態(tài)紅外圖像細節(jié)增強算法不僅要實現(xiàn)細節(jié)增強，達到增強對比度、不失真和展現(xiàn)更多細節(jié)的目的，還應能夠抑制噪聲，具有盡量少的控制參數(shù)和實時性等特點，具有很強的挑戰(zhàn)性。

早期人們將色調(diào)映射類算法、直方圖均衡(histogram equalization，HE)類算法和線性濾波算法等用于高動態(tài)紅外圖像的DRC和增強。自動增益控制[2](automatic gain control，AGC)是調(diào)整圖像動態(tài)范圍和對比度最基礎的方法，先移除極大和極小灰度值，然后對灰度值進行線性壓縮，簡單快速但增強效果有限。HE類算法通過改變圖像直方圖分布實現(xiàn)細節(jié)增強，分為全局直方圖均衡和局部直方圖均衡，前者如平臺直方圖均衡(plateau histogram equalization，PHE)[3]和亮度保持雙直方圖均衡(brightness preserving bi-histogram equalization，BPBHE)[4]，后者如自適應直方圖均衡(adaptive histogram equalization，AHE)[5]、對比度受限自適應直方圖均衡(contrast limited adaptive histogram equalization，CLAHE)[6]等。HE類算法能提高圖像對比度并顯示更多細節(jié)，但是對圖像的空間和頻域信息利用較少，存在平滑區(qū)域噪聲放大、丟失細節(jié)、視覺失真等缺陷，在增強微小細節(jié)方面缺少靈活性。

近年來，細節(jié)增強算法的研究工作朝分層處理的方向發(fā)展，即分離圖像的細節(jié)進行單獨處理后再得到合成圖像。非銳化掩膜方法利用線性濾波將圖像從空間域上分離為低頻和高頻兩部分，再通過疊加和線性壓縮進行增強，因線性濾波平滑作用，邊緣處會產(chǎn)生光暈(halos)現(xiàn)象。各向異性差分法[7]通過保留較大梯度、衰減小差分值，可有效消除光暈，但遞歸過程計算量過大而難以用于實時處理。

自雙邊濾波(bilateral filter，BF)[8-9]和導向濾波(guided image filter，GIF)[10]算法提出后，基于這兩種濾波的細節(jié)增強算法研究不斷深入，因兩者具有良好的保邊平滑特性，GIF還具有快速特點，在提升增強效果的同時還兼顧到噪聲的抑制，且在實時性方面也有很大提升。

雙邊濾波動態(tài)范圍分割(bilateral filter and dynamic range partitioning，BF&DRP)[11]利用BF提取細節(jié)，從一定程度上克服了線性濾波的光暈缺點，但在邊界處有梯度反轉(zhuǎn)現(xiàn)象，且噪聲放大明顯；基于雙邊濾波的數(shù)字細節(jié)增強(BF-based digital detail enhancement，BF&DDE)[12]進一步發(fā)展了該算法，在抑制梯度反轉(zhuǎn)現(xiàn)象和抑制平坦區(qū)域噪聲放大上有所改進，但是此類算法在BF的灰度域濾波核較小時，會產(chǎn)生假邊緣現(xiàn)象，實時性也較差，BF快速算法[9]可提高實時性，但其濾波結(jié)果為近似解，也會影響增強效果。

GIF是一種線性移可變的濾波過程，從局部線性濾波發(fā)展而來，包括引導圖像、輸入圖像和輸出圖像。引導圖像可以事先設定，也可采用輸入圖像本身，后者可構(gòu)造保邊平滑濾波器，具有快速、非近似、靈活和高效的特點，被廣泛用于去噪、細節(jié)增強、HDR壓縮、圖像映射、去霧等計算機視覺領域。在引導濾波核函數(shù)大小一定時，其參數(shù)給出了區(qū)分平坦區(qū)域和邊界紋理區(qū)域的標準，可以在灰度值域靈活提取具有不同灰度動態(tài)范圍的細節(jié)圖。

基于導向濾波的數(shù)字細節(jié)增強(GIF-based digital detail enhancement，GIF&DDE)[13]和改進的時序數(shù)字細節(jié)增強(improved temporal digital detail enhancement，TDDE2)[14]引入掩膜思想，利用GIF的權重系數(shù)獲得掩膜矩陣，用于區(qū)分圖像中的結(jié)構(gòu)紋理區(qū)域和平坦噪聲區(qū)域，在細節(jié)增強的同時實現(xiàn)噪聲抑制，計算效率也明顯提高，但由于掩膜矩陣賦予強邊緣和大結(jié)構(gòu)紋理較大權重，存在過度增強現(xiàn)象，抑制部分尺度較小細節(jié)紋理，且設置的參數(shù)過多。

1 算法模型

圖1 HDR紅外圖像細節(jié)增強與去噪算法框圖

1.1 導向濾波(GIF)

1.2 改進的AGC (Modified AGC)

1.3 合成增強去噪圖

2 ε參數(shù)的優(yōu)化模型

算法對去噪基圖和去噪細節(jié)圖的估計精度，取決于參數(shù)1和2選擇的準確性。與文獻[14]根據(jù)經(jīng)驗選擇不同，本文在定量研究參數(shù)與細節(jié)圖像素灰度值之間關系的基礎上獲得優(yōu)化的區(qū)間。

對Temple.bmp (圖2)進行系列GIF，得到一組基圖和細節(jié)圖序列，第180行的一維剖面曲線簇分別如圖3、4所示，用、和分別標識噪聲、細節(jié)和強邊緣3類像素。噪聲像素方差較小，在>128之后迅速收斂；強邊緣是指像素灰度值變化陡峭且幅度較大，其鄰域方差較大，在>16384之后，其灰度值仍未達到收斂；細節(jié)像素方差介于上述兩類之間，在圖像中占比最大，在>8192之前已經(jīng)表現(xiàn)出明顯收斂趨勢。

圖2 本文算法與其他算法效果對比

圖3 基圖第180行一維剖面曲線簇像素分類標識圖

圖4 細節(jié)圖第180行一維剖面曲線簇像素分類標識圖

圖5 細節(jié)圖像素灰度值環(huán)比曲線(RGC)

圖6 細節(jié)圖像素灰度值倍率曲線(MPC)

如圖7所示，1=50比1=5時的背景噪聲條紋抑制效果好，表明前者提取到更多噪聲。當1=50時，2越大，強邊緣過度增強越明顯，邊界出現(xiàn)更暗的邊緣。兩行細節(jié)行在2較小時，灰度方差較小的磚縫更清晰，而灰度方差較大的黑影邊緣模糊；2增大時，磚縫和黑影的清晰度朝反方向變化，反映出GIF的參數(shù)對不同灰度尺度細節(jié)的“聚焦能力”。

圖7 增強圖三類像素的細節(jié)增強和去噪效果局部對比

3 實驗結(jié)果與分析

為驗證本文算法性能，與7種經(jīng)典算法進行對比，涉及頻域濾波增強、直方圖類增強算法和分層算法，原始圖進行AGC后作為比較對象。采用8幅14 bit HDR紅外圖像，動態(tài)范圍從幾十到幾千不等，涵蓋不同風格的建筑物、自然景物、天空背景，包括背景噪聲、干擾豎條紋、細節(jié)紋理、強邊緣等像素類型，可以綜合反映本文算法性能。

圖2中同態(tài)濾波增強(homomorphic filtering enhancement，HomoFE)、HE類算法能顯著提升整圖對比度，但同時噪聲和背景條紋被過度放大，有一定失真，細節(jié)增強存在微小細節(jié)丟失(圖8第2行樓頂、第6行熱水器)、細紋理過細或過粗(圖8第4行鐵塔、第8行樹枝)、邊緣模糊等；分層算法對比度適中，場景保真度較高，細節(jié)紋理表現(xiàn)更細膩、邊緣更清晰，噪聲抑制效果較好。

分層算法之間相比，BF&DRP細節(jié)增強效果較好，但是因未采取去噪措施，存在噪聲放大現(xiàn)象，GIF&DDE和TDDE2因采用掩膜技術，抑制噪聲能力稍好，TDDE2對邊緣處增強更加銳利，但是同時存在過度增強現(xiàn)象(圖8第5、6行邊緣)，GIF&DDE細小紋理損失更明顯(圖8第3行樓房、第8行樹枝)。對比圖8局部細節(jié)增強效果，提出的算法微小細節(jié)增強效果最好，在邊緣銳化(鐵塔三角支架、樹枝)、局部對比度(磚縫、鐵塔、廣告牌文字)、細紋理保留(樓體、屋頂熱水器、水塔側(cè)壁)和抑制噪聲等方面都有較好的表現(xiàn)和平衡，從圖9和表1可見增強后背景噪聲方差比AGC圖低。

圖8 本文算法與其他算法對比(細節(jié)局部)

圖9 本文算法與其他算法對比(噪聲局部)

表1 各種算法的噪聲方差、運算時間和參數(shù)個數(shù)列表

算法實時性方面，BF&DRP耗時最多，AGC因算法簡單耗時最短，直方圖類算法在30 ms內(nèi)可完成一幀處理，效率較高，3種基于GIF的算法時間比較接近，本文算法處理一幅圖的運算時間約為66 ms，達到15幀/秒，具有準實時性。

圖10 增強圖像的局部噪聲方差均值曲線

4 結(jié) 論

[1] SILVERMAN J. Display and enhancement of infrared images [C]//International Conference on Image Processing and its Applications, London: IET Press, 2002: 345-348.

[2] PELI E. Contrast in complex images [J]. Journal of the Optical Society of America A, 1990, 7(10): 2032-2040.

[3] VICKERS V E. Plateau equalization algorithm for real-time display of highquality infrared imagery [J]. Optical Engineering, 1996, 35(7): 1921-1926.

[4] ZUO C, CHEN Q, SIU X R, et al. Brightness preserving image contrast enhancement using spatially weighted histogram equalization [J]. International Arab Journal of Information Technology, 2011, 50(1): 4468.

[5] PIZER S M, AMBURM E P, AUSTIN J D, et al. Adaptive histogram equalization and its variations [J]. Computer Vision Graphics & Image Process, 1987, 39 (3): 355-368.

[6] ZUIDERVELD K. Contrast limited adaptive histogram equalization [M]//Graphics Gems IV. San Diego: Academic Press Professional, Inc, 1994: 474-485.

[7] TUMBLIN J, TURK G. LCIS: a boundary hierarchy for detail preserving contrast reduction [C]//Proceedings of the 26thAnnual Conference on Computer Graphics and Interactive Techniques. New York: ACM Press, 1999: 83-90.

[8] TOMASI C，MANDUCHI R. Bilateral filtering for gray and color images [C]//Proceedings of the 1998 IEEE International Computer Vision. New York: IEEE Press, 1998: 839-846.

[9] DURAND F, DORSEY J. Fast bilateral filtering for the display of high-dynamic-range images [J]. ACM Transactions on Graphics, 2002, 21(3): 257-266.

[10] HE K M, SUN J, TANG X O. Guided image filtering [J]. IEEE Transactions on Software Engineering, 2010, 35(6): 1-14.

[11] BRANCHITTA F, DIANNI M, CORSINI G, et al. New technique for the visualization of high dynamic range infrared images [J]. Optical Engineering, 2009, 48 (9): 6401.

[12] ZUO C CHEN Q, LIU N. Display and detail enhancement for high-dynamicrange infrared images [J]. Optical Engineering, 2011, 50(12): 895-900.

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

[14] GAREIA F，SCHOCKAERT C，MIRBACH B. Noise removal and real-time detail enhancement of high-dynamic-range infrared images with time consistency [EP/OL]. [2018-01-30]. https://www. researchgate.net/publication/277714052_Noise_Removal_and_Real-Time_Detail_Enhancement_of_High-Dynamic-Range_Infrared_Images_with_Time_Consistency.

A Detail Enhancement and Denoising Algorithm of High Dynamic Range Infrared Image Based on Double Guided Image Filter

LIU Kejia, MA Rongsheng, PANG Yuning

(Troops 63726 of PLA, Yinchuan Ningxia 750004, China)

Focusing on the noise amplification, insufficient enhancement of small details and excessive enhancement of edge in the process of high dynamic range infrared image compression and detail enhancement, a novel detail enhancement and denoising method based on double guided image filtering is proposed in the present study. We first applied GIF to obtain two groups of base images and detail images. The base image with lowis used as an estimate of denoised base component and correspondingly the detail image as the noise estimation. Thus, the difference between the two detail images can be logically used to estimate the denoised detail. After the two estimated components are processed and compressed into the display range by our modified automatic gain control method respectively, we recombine the two parts and obtain the enhanced and denoised image. An optimization model based on classification statistics of gray value convergency in detail pixels is also presented, which provides reasonable numerical range of the critical parameterin GIF. The experimental evaluation shows that the algorithm can accurately choose key parameters and improve the slight details and enhance edges while highlighting details and reducing noises. Furthermore, our proposed method is characteristic of being real-time, requiring simpler models and fewer parameters.

high dynamic range infrared image; detail enhancement; noise reduction; guided image filtering; parameter optimization

TP 391

10.11996/JG.j.2095-302X.2018061048

A

2095-302X(2018)06-1048-07

2018-04-16；

2018-07-24

劉可佳(1980-)，男，安徽臨泉人，工程師，碩士。主要研究方向為圖像處理、圖像目標檢測與識別等。E-mail：lkj106@163.com