基于自適應條件直方圖均衡的紅外圖像細節增強算法

馬 群，趙美蓉，鄭葉龍，孫 琳，倪 鋒

基于自適應條件直方圖均衡的紅外圖像細節增強算法

馬 群1,2，趙美蓉1，鄭葉龍1，孫 琳2，倪 鋒2

（1. 天津大學 精密儀器與光電子工程學院，天津 300072；2. 天津津航技術物理研究所，天津 300308）

紅外圖像普遍存在對比度低、細節不清晰、邊緣特征不突出等問題。針對這些問題，本文提出了一種自適應條件直方圖均衡的紅外圖像細節增強算法。采用引導濾波將紅外圖像分解為背景層和細節層；然后采用自適應閾值鄰域條件直方圖結合對比度受限直方圖均衡方式，對背景層圖像進行灰度壓縮和對比度增強；接著利用引導濾波的中間計算結果構造濾噪掩模，在對細節層進行增強的同時有效濾除背景噪聲；最后將背景層和細節層處理結果進行線性融合得到細節增強后紅外圖像。主觀評價和客觀數據計算表明，本文提出的紅外圖像細節增強算法無須手動調節參數即可實現對各類場景的自適應，可以在抑制噪聲的前提下，有效增強圖像細節，并提升圖像整體對比度水平。對算法進行了嵌入式移植，顯示效果和資源占用表明算法具有很強的工程化應用水平。

紅外圖像增強；引導濾波；直方圖均衡；嵌入式移植

0 引言

紅外成像技術在武器制導、工業檢測、輔助駕駛等軍事、民用領域應用廣泛[1-3]。受探測器成像機理和制造工藝限制，相對于可見光圖像，紅外圖像對比度偏低，噪聲較大，且灰度范圍較窄[4]。此外，紅外探測器輸出圖像一般為14bit，需要轉換為8bit便于顯示器顯示及人眼觀察。因此，紅外圖像增強是紅外圖像可視化過程中不可避免的關鍵預處理步驟[5]。紅外圖像增強主要針對數字圖像進行處理，從原理上可以大致歸納為兩個主要方向，即基于直方圖增強的數字細節增強方法，以及基于非銳化掩模的數字細節增強方法。

在圖像增強領域，直方圖均衡（Histogram Equalization, HE）是最為經典的算法之一，應用廣泛。但是，傳統的HE處理后的紅外圖像背景區域被過放大而細節區域則被抑制，無法得到理想的增強效果。為了克服HE的缺陷，眾多的改進型和衍生算法被陸續提出。Vickers[6]、Kun Liang[7]分別提出了直方圖平臺均衡化方法（Plateau Histogram Equalization, PHE）和雙平臺直方圖均衡（Double Plateaus Histogram Equalization, DPHE）方法，通過設置平臺閾值，在有效抑制紅外圖像背景過增強的同時有效保留了圖像細節成分，Liu Chengwei[8]提出了一種鄰域條件直方圖算法（Neighborhood Conditional Histogram Equalization, NCHE），基于鄰域像素灰度變化特征進行直方圖統計，避免背景噪聲的過放大。為了充分利用圖像的局部區域特征，凸顯細節信息，人們提出了局部直方圖均衡化算法。對比度受限自適應直方圖均衡化（Contrast Limited Adaptive Histogram Equalization, CLAHE）[9]和部分重疊子塊直方圖均衡化（Partially Overlapped Sub-block Histogram Equalization, POSHE）[10]是其典型代表，CLAHE算法將圖像分為多個不重疊的子塊，每個子塊設置灰度級概率分布閾值，將超過該閾值的直方圖部分裁下并在整個灰度級上均勻分布，在降低高直方圖灰度級的同時，提高低直方圖灰度級比重，從而凸顯細節紋理，通過在子塊間進行雙線性插值避免整體圖像出現“塊狀”分割；POSHE算法將圖像分為若干個相互重疊的子塊，每個子塊分別進行直方圖均衡，通過給相鄰子塊添加權重值實現處理圖像整體的視覺連續性。

直方圖均衡相關方法雖然能增強紅外圖像整體對比度，但是無法有效凸顯圖像邊緣特征，因此，基于圖像分層思想的非銳化掩模（Unsharp Mask, UM）方法在紅外圖像增強方向得到了大量應用。Barash等[11]提出了雙邊濾波器（Bilateral Filter, BF），在有效提取圖像細節的前提下可以有效防止邊緣過度增強，但算法耗時嚴重，不利于實時實現；Francesco等[12]提出了雙邊濾波結合動態范圍劃分（Bilateral Filter and Dynamic Range Partitioning, BF&DRP）方法，對動態范圍較大的圖像基頻分量進行壓縮，但圖像細節部分噪聲過放大的問題仍然存在；左超等[13]提出了基于BF&DRP的改進方法，通過對雙邊濾波后的基頻圖像分量增加一級自適應高斯濾波，有效抑制圖像強邊緣經雙邊濾波器后產生的梯度翻轉效應，但仍然沒有完全消除圖像邊緣的梯度翻轉現象，且雙邊濾波器計算量較大，對嵌入式移植造成了較大的限制；Frederic等[14]采用引導濾波器結合分段直方圖增強的方式進行圖像增強，取得了較好的處理效果，但是仍缺少有效的背景噪聲抑制機制，導致圖像底噪較大。汪子君[15]等利用自適應門限方法對引導濾波后的基礎層進行灰度壓縮，但存在部分場景自適應閾值選擇不當導致的過曝現象。胡家琿[16]等采用多尺度加權引導濾波進行圖像分層，將圖像分為背景層和多個細節層，再分別進行灰度變換，有效解決了圖像細節模糊、邊緣紋理不清晰問題，但是計算量復雜，較難進行嵌入式移植。

針對上述各類算法的不足，本文將非銳化掩模和直方圖增強方式進行綜合，提出一種基于自適應條件直方圖均衡的紅外圖像細節增強算法，利用引導濾波將圖像分離為背景層和細節層；針對背景層圖像，采用自適應閾值鄰域條件直方圖結合對比度受限直方圖均衡方式增強，有效提升圖像對比度水平；針對細節層圖像，利用引導濾波中間結果生成濾噪掩模，在有效抑制背景噪聲的同時對圖像邊緣和細節部分進行增強；最后將細節層和背景層圖像加權融合，生成細節增強圖像。

1 算法流程

本文算法以非銳化掩模圖像分層處理為基礎，結合改進的直方圖增強方式實現紅外圖像細節增強，具體算法流程如圖1所示。對于輸入的原始14bit圖像IN，將其分別送入兩個并行的引導濾波得到14bit背景層圖像B和14bit濾噪圖像F，而細節層圖像D由B和F相減得到，即：

D＝B－F(1)

對背景層圖像B，分別經限制對比度直方圖均衡處理和鄰域條件直方圖處理，得到直方圖均衡化8bit圖像BCLAHE和NCHE，將兩個直方圖均衡通道輸出的圖像通過自適應背景層權重B加權疊加得到8bit背景層圖像BO。用引導濾波1和引導濾波2的中間計算結果得到濾噪掩模，對細節層圖像D進行帶掩模放大處理得到細節放大圖像DP，再經過自適應增益控制得到8bit細節層圖像DO。將BO和DO進行加權疊加得到融合圖像C，后將C通過線性拉伸和亮度調整，得到最終的紅外細節增強圖像OUT。

圖1 本文算法流程

2 基于引導濾波的圖像分層和掩模濾噪

2.1 引導濾波圖像分層

引導濾波（Guided Filter, GF）[17]是一種基于局部線性模型的平滑濾波器，可以在保持圖像邊緣的條件下進行圖像平滑，且避免出現梯度反轉現象，其計算公式如下：

圖2為不同的選擇下，背景層和細節層劃分效果，在盡可能保留原圖像細節成分，并避免細節層邊緣過放大的前提下，1和2選擇25和500可以得到理想的細節圖像輸出。

2.2 掩模濾噪

由式(2)可知，引導濾波器的輸出圖和引導圖滿足局部線性關系，對式(1)求導有：

圖3 引導濾波增益系數、和掩模p輸出結果

從圖3可以看出，歸一化后的掩模相較于圖3(a)濾除了大量的背景噪聲，相較于圖3(b)很好地保留了圖像的邊緣細節成分。將掩模作用于細節圖像D，并與14bit細節層放大增益系數相乘，得到14bit細節增強圖像DP，如式(7)所示：

DP＝××D(7)

至此，經過導向濾波和掩模處理，得到了紅外圖像14bit背景層B和細節層DP，需要將兩層圖像進行灰度壓縮，分別生成可觀察的8bit圖像。

3 背景層灰度壓縮方法

3.1 自適應條件直方圖均衡

本文借鑒文獻[8]的處理方法對背景層進行灰度壓縮，采用鄰域條件直方圖增強方法對圖像進行處理，在統計某個灰度級像素直方圖計算中增加了中心像素和鄰域像素差值的權重信息，使得圖像邊緣等灰度梯度較大的細節部分獲得較大的統計權重，而圖像背景等灰度平坦區域獲得較小的統計權重，如式(8)所示：

式中：代表中心像素的方形鄰域半徑；r＝(2＋1)2為方形鄰域內的總像素數；為閾值常數；1(,,)為二值函數，定義為：

鄰域條件直方圖增強效果如圖4所示。

圖4 普通直方圖增強(a)和鄰域條件直方圖增強(b)效果對比

從圖4所示的直方圖增強對比效果看，采用鄰域條件直方圖增強的圖像整體對比度更強，圖像層次感更好。然而鄰域條件直方圖對條件閾值的選擇具有較強的依賴性，如圖5所示。

圖5 不同閾值t選擇和背景層圖像輸出關系

從圖5可以看到，對于場景較豐富的圖像，設置較高的閾值可以表現出更好的對比度層次；但是對于場景較單一的圖像（如地下車庫），導向濾波后背景層存在大量平坦區域，若設置過高，經過直方圖統計后，大量灰度概率密度被壓縮為0，從而丟失大量的圖像信息。

從式(9)可知，閾值的選擇和像素鄰域的差值的L1范數相關，而在區域內，圖像的局部方差可表示為：

式中：為區域內像素均值；為區域內像素。而對于紅外圖像，若以區域中心像素近似替代，則有：

結合式(9)和(11)，可知閾值像素鄰域的差值的L2范數相關。根據參考文獻[18]，當區域包含的像素足夠大（r≥9），可以用全局方差近似局部方差，因此，可以根據輸入圖像的方差I自適應調整的取值。

利用紅外熱像儀采集各類典型14bit紅外圖像100幅，包含復雜場景，明暗交界場景，均勻場景等，如圖6所示。

圖6 用于閾值t分析的不同場景，圖(a)～(g)分別為地下車庫、地下車庫出口、逆光建筑、夜晚行人、夜晚建筑、測試用四桿靶標、室內近景、室內人物場景

根據不同場景的輸入圖像方差，采用分段線性的方式建立其與鄰域條件直方圖閾值的關系，如式(12)所示：

式中：1、2和3是根據圖像方差設置的分段劃分閾值，分別設置為20、100和200；1、2和3為根據劃分閾值設置的斜率，確保分段曲線連續，分別為0.1、0.0375和0.04，最大上限設置為10，避免過大造成灰度消失。

對不同場景紅外圖像背景圖鄰域條件直方圖增強后輸出BNCHE如圖7所示。

圖7 不同場景背景圖鄰域條件直方圖輸出結果

3.2 限制對比度自適應直方圖均衡化疊加

從圖7可以看出，對于復雜場景圖像，閾值較高，背景圖像的增強效果較好，圖像輪廓較分明，而低對比度圖像，閾值相對較低，灰度壓縮效果更接近普通直方圖增強效果，導致背景噪聲出現了放大。論文采用限制對比度自適應直方圖均衡化（CLAHE）算法，與鄰域條件直方圖處理背景圖結果疊加，可以有效解決低對比度場景的背景圖噪聲放大問題。

CLAHE算法采用分塊方式對每塊區域單獨進行直方圖均衡，同時對對比度進行限制，有效避免背景過增強，其機理如圖8所示。

圖8 限制對比度直方圖調整示意圖[8]

利用CLAHE對背景層圖像B進行調整，得到限制對比度自適應直方圖增強背景圖像BCLAHE。最終將背景層圖像輸出BNCHE和BCLAHE進行加權平均，權重系數B為鄰域條件直方圖閾值歸一化至[0, 0.5]區間的數值，即：

BO＝B×BNCHE＋(1－B)×BCLAHE(13)

圖7所示的原始紅外圖像，經過式(13)處理的效果如圖9所示。

從圖9可以看出，結合鄰域條件直方圖和限制對比度自適應直方圖增強后，對各類不同場景，紅外圖像背景層保持了較好的對比度增強效果，層次分明，同時避免了背景噪聲放大。

4 細節層對比度調整及圖像融合

對2.2節得到的細節圖像DP，采用自適應增益控制方式進行轉化，首先將細節層圖像拉伸至[0, 255]灰度范圍，如式(14)所示：

式中：DP_min、DP_max分別是細節圖像DP的最小和最大灰度值，對于8bit圖像轉換，為256，再通過線性拉伸，對細節層圖像做進一步地增益和亮度控制，有：

C＝(1－L)×BO＋L×DO(16)

L的取值可根據細節層增強的效果調整，一般取值為[0.3, 0.5]。對輸出圖像亮度進行最終調節，減去疊加圖像灰度均值和細節層亮度系數的差值，得到最終增強圖像輸出，如式(17)所示：

5 實驗結果與分析

將論文算法和自適應增益控制算法（Adaptive Gain Control, AGC）、雙平臺直方圖算法（DPHE）、雙邊濾波器圖像增強算法（BF & DPR）[11]、引導濾波結合分段直方圖拉伸算法（Guided Filtering and Adaptive Histogram Projection, GF & AHP）[19]進行對比，針對不同場景紅外圖像進行處理。

選擇了3個不同場景進行對比，場景1、2為制冷型紅外成像系統采集到的圖像，圖像分辨率為640×512，場景3為非制冷紅外成像系統采集的圖像，分辨率為384×288。AGC算法采用[1%, 99%]范圍的概率密度直方圖灰度級進行線性灰度壓縮；DPHE算法設置的平臺直方圖高低閾值1、2分別為800和3；BF&DRP算法參數s、r分別為25和100，背景圖像和細節圖像的伽馬變換取值為0.9和1.2；對于GF&AHP算法，選擇的引導濾波參數為2000，細節層濾波掩模引導濾波參數￠為500，掩模線性拉伸參數和分別為2.5和0.2；本文算法兩級導向濾波參數1和2分別為25和500，14bit細節層放大增益取5，8bit細節層線性拉伸增益D和亮度D分別取2.0和100，背景層CLAHE圖像分塊為[8,8]，灰度門限設置為1%，細節層和背景層疊加權重L取0.3。成像效果如圖10～12所示。

圖10 場景1：制冷型熱像儀室內高對比度場景各算法處理結果：圖(a)～(e)分別代表AGC、DPHE、BF&DRP、GF&AHP和本文算法處理結果

場景1中，高溫目標和低溫背景同時出現，圖10中AGC算法對灰度級進行了線性壓縮，對于灰度值較低的背景，灰度壓縮損失了大量的細節，導致背景圖像無法顯示；DPHE算法有效解決了背景丟失的問題，但烙鐵附近的灰度級出現了過飽和現象，手部的細節信息出現丟失；BF&DRP算法過增強現象比較明顯，且邊緣輪廓梯度反轉現象較明顯；GF&AHP算法很好地對灰度級進行了拉伸，保留了一定的細節成分，但是細節增強效果較弱；本文算法取得了較好的效果，高亮目標和背景圖像都得到了充分的呈現，圖像細節成分，如手部關節、直流電源標簽、散熱窗口等信息體現得較為清楚，圖像整體對比度明顯。

圖11 場景2：制冷型熱像儀室外場景各算法處理結果：圖(a)～(e)分別代表AGC、DPHE、BF&DRP、GF&AHP和本文算法處理結果

圖12 場景3：非制冷型熱像儀夜間場景各算法處理結果：圖(a)～(e)分別代表AGC、DPHE、BF&DRP、GF&AHP和本文算法處理結果

圖11所示的場景2中，AGC算法較好地保持了原始圖像的對比度信息，但對于遠處建筑物細節凸顯不足，近處陽光照射下的平臺出現了飽和；DPHE算法出現了明顯的過曝近況，圖像整體灰度偏亮；BF&DRP算法表現相對較好，但是對于遠處建筑物上的字體增強效果不佳，出現了一定的模糊；GF&AHP算法對于遠處建筑物上的字體和近處樹木的細節表現較好，但是陽光照射下的平臺仍然存在飽和情況；本文算法對于遠處建筑物及上面的字體，近處陽光照射下的平臺，以及樹木細節均做到了較好的呈現，整體視覺效果最佳。

非制冷夜間場景紅外圖像對比度較低，受限于非制冷紅外探測器的成像機制，圖像背景會出現較多的噪聲，因此，噪聲水平的控制也是評價算法效果的重要因素，圖12中，AGC算法、DPHE算法和BF&DRP算法的圖像輸出均包含了較多的噪聲；GF&AHP和本文算法對于圖像輸出噪聲控制較好，而本文算法在行人目標的細節呈現方面效果更優。

本文使用邊緣強度、無參考結構清晰度和亮度次序誤差3種客觀定量評價標準對比上述不同算法的性能。

邊緣強度（Counter-Volume, CV）能夠反映圖像灰度出現階躍變化部分的幅值，表征了圖像的清晰程度，如式(18)、(19)所示，和為圖像尺寸。

無參考結構清晰度（No Reference Structural Sharpness, NRSS）通過結構相似性測量指標（Structural Similarity Index, SSIM）獲取，定義為：

亮度順序誤差（Lightness Order Error, LOE）主要用來衡量圖像的自然程度。LOE值越小，代表處理后的圖像與原圖像的明暗特征更為接近，對于圖像中的每個像素(,)，其亮度順序誤差定義為：

式中：和分別代表輸入圖像和增強后圖像，為了減小計算量，對原圖像和進行下采樣得到D和D，×為下采樣后圖像尺寸，論文中將和設置為原圖像行和列數值的1/16，(,)為二值化函數；⊕為異或操作符。

利用上述3個指標對3個不同場景不同算法的增強效果進行計算，結果匯總如表1所示。

表1 不同算法圖像增強效果定量評價表

表1匯總了不同場景的各算法處理結果，用加粗字體標注了CV、NRSS的最大值和LOE的最小值，可以看到，在CV和NRSS指標中，本文算法均優于其他各類算法。LOE指標中，最低的數值是AGC算法結果，但考慮到AGC算法屬于線性灰度壓縮，邊緣增強效果較弱，因此相較于表中其他圖像增強方式會出現較好的亮度一致性，而其余4種算法均為非線性灰度壓縮，本文算法在非線性灰度壓縮中仍然保持著最好的亮度一致性。對比上述算法評價結果，本文算法不僅可以取得較好的增強效果，同時可以較好地保留待增強圖像的明暗特性。

將算法在某款非制冷成像系統上進行FPGA移植，FPGA型號為Altera公司的CycloneV：5CEFA5U19I7，輸入圖像方差需要緩存紅外原始圖像，具體實現利用前一幀圖像方差作為當前幀圖像方差參與后續計算；針對引導濾波，根據輸入的正則化因子在內存中預先生成查找表，計算過程采用流水線處理，選擇的窗口大小為3×3，利用3組FIFO緩存行數據，在當前幀完成處理。利用外部DDR芯片緩存引導濾波后14bit細節層和背景層圖像，直方圖統計部分按照圖像分塊輸入，統計14bit背景層圖像每塊像素點數量，完成統計后分別送鄰域條件判斷直方圖模塊和限制對比度直方圖模塊，完成塊直方圖的整合和直方圖調整，并根據圖像方差結果加權疊加生成8bit背景層圖像；最后14bit細節層圖像進行線性灰度拉伸，轉換成8bit圖像，和8bit背景層圖像加權疊加得到最終圖像。實現數字細節增強共消耗可編程邏輯單元6538個，M10K使用135塊，DSP Blocks使用41個，資源消耗情況如表2所示。

表2 數字細節增強模塊FPGA資源消耗

圖13為嵌入式移植后采集的8bit細節增強室內外圖像顯示效果。

圖13 嵌入式移植效果

從圖13可以看到，經過FPGA移植后，非制冷熱像儀室內外場景細節紋理過渡自然，圖像對比度較好，進一步證明了算法在實際工程化應用的有效性。

6 結論

本文分析了紅外圖像增強領域各類主要算法的優缺點，提出了一種基于自適應條件直方圖均衡的紅外圖像細節增強算法。算法利用兩個不同參數引導濾波，將紅外圖像分解為背景層和細節層，利用引導濾波中間計算結果生成濾噪掩模，在有效提升邊緣細節的同時抑制細節層噪聲放大；背景層則通過自適應鄰域條件直方圖均衡結合限制對比度直方圖均衡方式進行灰度壓縮，在有效提升圖像對比度水平的同時抑制背景噪聲；將細節層圖像和背景層圖像加權疊加得到增強后圖像。增強后的紅外圖像細節清晰、層次分明、噪聲抑制效果好，實驗結果表明，本文算法從主觀視覺效果和客觀指標評價兩方面均得到令人滿意的增強效果。最后對算法進行了FPGA嵌入式移植，驗證了算法的工程化應用效果。

[1] 劉珂, 王煒強, 李麗娟. 紅外成像制導技術在反隱身空空導彈上的應用展望[J].航空兵器, 2022, 29(2): 60-65. LIU Ke, WANG Weiqiang, LI Lijuan. Application and prospect of infrared imaging guidance technology in anti-stealth air-to-air missiles [J]., 2022, 29(2): 60-65.

[2] 袁盼, 譚竹嫣, 張旭, 等. 工業氣體泄漏紅外成像檢測及差分光譜濾波檢測方法研究[J]. 紅外與激光工程, 2022, 51(8): 20210714. YUAN Pan, TAN Zhuyan, ZHANG Xu, et al. Research on infrared imaging detection and differential spectrum filtering detection methods for industrial gas leakage[J]., 2022, 51(8): 20210714.

[3] 曹志偉. 車載圖像行人檢測關鍵技術研究[D]. 北京: 北京郵電大學, 2021. CAO Zhiwei. Research on Key Technologies of Pedestrian Detection in Vehicle-Borne Image[D]. Beijing: Beijing University of Posts and Telecommunications, 2021.

[4] 陳錢. 紅外圖像處理技術現狀及發展趨勢[J]. 紅外技術, 2013, 35(6): 311-318. CHEN Qian. The status and development trend of infrared image processing technology[J]., 2013, 35(6): 311-318.

[5] HUANG Jun, MA Yong, ZHANG Ying, et al. Infrared image enhancement algorithm based on adaptive histogram segmentation[J]., 2017, 56(35): 9686-9697.

[6] Vickers V E. Plateau Equalization algorithm for realtime display of high-quality infrared imagery [J]., 1996, 35(7): 1921-1926.

[7] LIANG Kun, MA Yong, XIE Yue, et al. A new adaptive contrast enhancement algorithm for infrared images based on double plateaus histogram equalization[J]., 2012, 55(4): 309-315.

[8] LIU Chengwei, SUI Xiubao, KUANG Xiaodong, et al. Adaptive contrast enhancement for infrared images based on the neighborhood conditional histogram[J]., 2019, 11: 1381. Doi:10.3390/rs11111381.

[9] Zuiderveld K. Contrast limited adaptive histogram equalization[J/OL]., August, 1994: 474-485.https://dl.acm.org/doi/ 10.5555/180895.180940

[10] Joung Youn K, Lee Sup K, Seung Ho H. An advanced contrast enhancement using partially overlapped sub-block histogram equalization[J]., 2001, 11(4): 475-484.

[11] Barash D. A fundamental relationship between bilateral filtering, adaptive smoothing, and the nonlinear diffusion equation[J]., 2002, 24: 844-848.

[12] Francesco B, Marco D and Giovanni C. New technique for the visualization of high dynamic range infrared images[J]., 2009, 48(9): 096401.

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

[14] Frederic G, Cedric S, Bruno M. Real-time visualization of high-dynamic-range infrared images based on human perception characteristics - noise removal, image detail enhancement and time consistency[C]//, 2015: 144-152.

[15] 汪子君, 羅淵貽, 蔣尚志, 等. 基于引導濾波的自適應紅外圖像增強改進算法[J]. 光譜學與光譜分析, 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.

[16] 胡家琿, 詹偉達, 桂婷婷, 等. 基于多尺度加權引導濾波的紅外圖像增強方法[J]. 紅外技術, 2022, 44(10): 1082-1088. HU Jiahui, ZHAN Weida, GUI Tingting, et al. Infrared image enhancement method based on multiscale weighted guided filtering[J]., 2022, 44(10): 1082-1088.

[17] HE Kaiming, SUN Jian, TANG Xiao. Guided image filtering[J]., 2012, 35(6): 1397-1409.

[18] 汪偉, 許德海, 任明藝. 一種改進的紅外圖像自適應增強方法[J]. 紅外與激光工程, 2021, 50(11): 20210086. WANG Wei, XU Dehai, REN Mingyi. An improved infrared image adaptive enhancement method[J]., 2021, 50(11): 20210086.

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

Infrared Image Detail Enhancement Based on Adaptive Conditional Histogram Equalization

MA Qun1,2，ZHAO Meirong1，ZHENG Yelong1，SUN Lin2，NI Feng2

(1. School of Precision Instrument and Opto-Electronics Engineering, Tianjin University, Tianjin 300072, China;2. Jinhang Institute of Technical Physics, Tianjin 300308, China)

There are many problems with infrared images, such as low contrast, unclear details, and non-prominent edge features. To solve these problems, this study proposes an adaptive conditional histogram equalization algorithm for infrared image detail enhancement. First, the infrared image is decomposed into background and detail layers by a guided filter. Second, the combined adaptive threshold neighborhood condition histogram and contrast limited histogram equalization method are used to compress and enhance the gray level of the background image. Then a noise mask is constructed using the intermediate calculation results of the guided filter, which can effectively filter the background noise while enhancing the detail layer. Finally, the background and detail layer processing results are linearly fused to obtain a detail-enhanced infrared image. Subjective evaluation and objective data calculation show that the infrared image detail enhancement algorithm proposed in this paper realizes adaptation to various scenes without manual parameter adjustment, and can effectively enhance the image details and improve the overall contrast level of the image under the premise of suppressing noise. Embedded transplantation of the algorithm was performed, and the display effect and resource occupation show that the algorithm has strong engineering application prospects.

infrared image enhancement, guided filter, histogram equalization, embedded migration

TN215

A

1001-8891(2024)01-0052-09

2022-12-06；

2023-02-15.

馬群（1985-），男，天津市人，高工，博士研究生，主要從事紅外圖像處理及目標識別等方面的研究。E-mail:maqun8358@163.com。

趙美蓉（1967-），女，河北武邑人，博士，教授，博士生導師，主要從事光電測控和視覺檢測方面的研究。E-mail: meirongzhao@tju.edu.cn。

教育部聯合基金項目（8091B022117）。