基于邊緣端的紅外圖像增強算法

中圖分類號： TP391 文獻標志碼： A 文章編號： 1671-6841（2025）04-0047-08

DOI： 10.13705/j . issn. 1671-6841. 2023235

Abstract： In recent years， the low latency and high efficiency characteristics of edge computing have extensive applications in infrared imaging systems， which could effectively reduce operational costs. However， issues such as low contrast and blurry details in infrared images still needed to be addressed. To solve these problems， an edge infrared image enhancement algorithm based on Lagrange interpolation and multi-scale guided filtering was proposed. This algorithm consisted of two phases. In the first phase， the Lagrange interpolation algorithm was used to achieve non-uniform correction for infrared data in the edge end. The Lagrange nonlinear interpolation was more in line with the response curve of the infrared detector， which effectively solved the problem of non-uniform noise introduced during imaging. In the second phase， multi-scale guided filtering was employed to process the infrared image in a hierarchical manner. Multiple scales were used to extract various details from images， and by fusing these different detail layers， a richer detailed information was obtained. Experimental results demonstrated that， compared to 5 traditional algorithms， this algorithm outperformed the suboptimal algorithm by 15.2% in the enhancement measure evaluation metric and achieved a 7.9% improvement in the peak signal to noise ratio metric.

Key words： edge computing; non-uniformity correction; Lagrange interpolation; multi-scale guided filtering

0 引言

邊緣計算是物聯網與云計算發展的產物，其數據由本地設備采集處理，不再經過漫長的網絡傳送數據中心或者云中心處理[ 1-2] ，因此具有低延時、高效性等特點，近年來被廣泛應用于各種場景中。 目前現代光學成像雖然可以在邊緣端得到細節豐富、空間分布率高的圖像，但受到霧霾、陰雨天氣影響時，成像效果并不理想。 相比之下，紅外熱成像[ 3-4]可以不受光照條件影響，全天候工作并且具有較強的抗干擾能力，使其在軍事、醫學、工業檢測[ 5-6] 、民生等領域得到廣泛應用，給人們生活、工作帶來極大的便利。

紅外熱成像經過多年發展，技術得到飛躍性進步，可以更好地滿足人們的需求。 但不同分辨率的紅外焦平面陣列探測器的性能與價格差別很大，分辨率越高相應價格也越高。 上述問題使紅外圖像的應用受到了極大限制，因此很多學者開始研究紅外圖像增強算法，希望通過軟件補償硬件來彌補邊緣端紅外焦平面陣列探測器的性能問題。 現有研究多集中在 2 個方面。

1） 紅外焦平面的非均勻校正。 受材料和制造工藝等因素影響，邊緣端紅外焦平面探測器接收到相同輻射值時，其響應結果并不完全一致，即紅外焦平面的非均勻性，這嚴重影響了紅外成像系統的質量。 紅外焦平面的非均勻校正可以有效地提高圖像的辨識度，也為紅外圖像的后續操作奠定了基礎。目前常用的兩類非均勻性校正算法主要是基于溫度定標的校正算法[ 7-8] 和基于場景變化[ 9] 的校正算法。 基于溫度定標的校正算法，如單點非均勻性校正、兩點非均勻性校正等，該類算法簡單易于實現，但隨 著 紅 外 數 據 范 圍 變 大， 其 誤 差 也 會 變 大。文獻[10]提出了一種兩點校正加單點校正方法，即通過單點校正來進一步修正兩點校正的偏置系數以減少誤差，但其適用的溫度范圍不能擴大。 基于場景變化的校正算法，如神經網絡[ 11-12] 算法等，不僅需要大量的訓練數據，而且訓練模型需要較大算力，因此往往很難直接應用到邊緣端的紅外熱成像設備中。

2） 紅外焦平面數據的非線性壓縮與增強。 一方面，由于紅外成像設備輸出的數據精度高于一般圖像顯示設備，所以在邊緣端成像時需要將輸出數據壓縮成顯示器需要的數據寬度。 一般的自動線性壓縮（ automatic gain control， AGC） [ 13] 很難區分圖像中的目標與背景，而紅外焦平面數據的非線性壓縮通過重新分配像元值， 根據圖像環境改動灰度范圍，可以達到更好的顯示細節效果[ 14] 。 目前常見的紅外圖像非線性壓縮算法主要有文獻[15] 中提到的經典直方圖均衡化算法，該算法對太暗、太亮的圖像有較好的效果，但會導致灰度級劇烈變換和引入大量噪聲。 為了防止灰度級劇烈變換，文獻[16] 提出了限制對比度自適應直方圖均衡化算法，該算法通過裁剪某些過大的灰度級來抑制灰度的劇烈變換，對圖像局部對比度提升有明顯作用，但同樣會放大局部噪聲。 另一方面，針對紅外圖像輪廓細節信息模糊等問題，部分學者提出了紅外圖像細節增強算法，如文獻[17] 提到的雙邊濾波分層算法，該算法使用自適應高斯濾波器細化基礎層和細節層，并從灰度級的相鄰特性和像素點在圖像的空間位置兩個角度來提取輪廓信息，但其時間復雜度較高。 文獻[18]中提到了一種引導濾波算法，該算法采用線性模型獲得比雙邊濾波處理更快并且對細節層處理更好的增強效果，但引導濾波提取的信息比較單一。鑒于上述方法的優、缺點，有學者將雙邊濾波分層算法和引導濾波算法相結合，通過分層思路，將紅外圖像分成基本層與細節層，然后對基本層進行對比度提升，對細節層進行細節拉伸，最后實現二者融合從而獲得更多的細節效果[ 19] 。

借鑒上述思想，本文提出了一種基于拉格朗日插值和多尺度引導濾波的邊緣端紅外圖像增強算法。針對紅外探測器的器件噪聲，本文根據其非線性響應的特點，采用拉格朗日插值算法對紅外焦平面數據進行非均勻性校正，為了進一步修正偏置，在校正基礎上添加了單點校正。 校正后的數據只能減少因制造工藝帶來的噪聲，并不能改變紅外圖像對比度差、細節模糊的特點。 因此，接下來本文采用多尺度引導濾波算法將圖像分成基本層與細節層，然后對基本層采用基于分段直方圖進行非線性壓縮，對細節層采用Sigmod 變換，最后將基本層與細節層進行加權融合，基本層包含圖像的大部分信息，所以在此部分采用分段直方圖提高對比度，能夠限制灰度級的變化范圍，有效解決灰度級劇烈變化導致圖像出現過曝現象;對細節部分采用多尺度濾波[20] ，能夠獲取不同的細節特征信息，使得圖像細節更豐富。

1 算法介紹

1. 1 基于拉格朗日插值的非均勻校正算法

目前，基于場景變化的非均勻校正算法，不僅需要大量數據，而且計算量大，很難直接應用到邊緣端的基礎硬件上。 而基于溫度定標的校正算法，具有計算量較小、易于在硬件上實現的優點，因此越來越受到人們的重視。 本文提出一種基于拉格朗日插值的非均勻校正算法。 在邊緣端上，該算法首先使用拉格朗日四次插值算法修正紅外焦平面探測元的增益系數，以滿足紅外探測元的非線性響應關系，然后再對結果進行單點校正，單點校正主要用于修正紅外焦平面探測元的偏置系數。 具體步驟如下。

1） 選取標定溫度點 x₀，x₁，x₂，x₃ ， 每個溫度通過黑體均勻輻射到紅外探測器上，得到對應位置上的輸出 y₀，y₁，y₂，y₃ 。 為了減小誤差，在黑體同一溫度下，使用紅外焦平面陣列探測器對數據重復采樣，取平均值作為焦平面探測元的輸出值。 計算校正系數公式為

其中： l_j（x） 是拉格朗日插值基函數; L（x） 是拉格朗日四次插值校正后的輸出結果，化簡后 L（x）= ax³+bx²+cx+d ， Ψ_xΨ_x 是紅外探測器的原始輸出， Ω_a ，b，c，d 是 L（x） 的拉格朗日系數，系數取值為

2） 為進一步修正紅外探測元的偏置系數，選取插值點中間位置 x_m 作為校正點。 單點校正公式是 ， 最終校正公式為

其中： 是紅外焦平面在 x_m 溫度下的所有探測元平均溫度; S_i，j（x_m） 是紅外焦平面上對應位置探測元的溫度值; d_i，j 代表焦平面對應探測元 （i，j） 位置上的拉格朗日系數; 代表焦平面對應探測元（i，j） 位置上的單點校正值。

3） 紅外焦平面上的每個探測元都采用類似的校正系數組，這些校正系數組提前存儲在硬件中，然后通過校正系數就可以完成對紅外焦平面的數據校正。

1. 2 基于多尺度引導濾波的非線性壓縮算法

非均勻性校正去除了紅外圖像中的非均性噪聲，使得圖像變得更平滑，但并沒有改變紅外圖像對比度低與細節特征模糊的問題。 因此本文采用多尺度引導濾波來獲取圖像不同的細節信息，多尺度引導濾波可以提取圖像的不同輪廓信息，通過將不同輪廓進行融合處理，最終得到更加豐富的細節內容。具體步驟如圖 1 所示。

1） 多尺度引導濾波算法將圖像分成基本層與細節層。 基本層是引導濾波處理后的平滑圖像，存儲圖像目標與背景信息，本文選擇尺度最小的基本層作為最終基本層，因為其與原圖更接近。 細節層是用原圖像減去基本層圖像得到，主要用于存儲圖像輪廓信息，這里采用 3 個不同尺度的引導濾波對圖像進行分層處理，然后用原圖像減去第一個基本層得到第一個細節層，接著由第一個基本層減去第二個基本層得到第二個細節層，以此類推。 這樣做的優點是可以獲取不同細節層中的不同邊緣特征;

圖 1 基于多尺度引導濾波的非線性加權融合壓縮算法框架 Figure 1 A nonlinear weighted fusion compression algorithm framework based on multi-scale guided filtering

最后將多個細節層求和得到最終的細節層。 多尺度引導濾波函數為

其中： GF_l（ξ） 代表引導濾波函數; F 代表原始輸入圖像; B 代表經引導濾波過濾后的基本層圖像; I 代表細節層圖像;l 代表不同尺度。

2） 對基本層圖像采用分段直方圖進行非線性壓縮處理，分段直方圖是在原有的直方圖均衡化的基礎上，劃分灰度區域，在每個子區域內進行直方圖均衡化，這樣處理的優點是防止灰度級變化過度劇烈。 具體過程如下。

① 劃分灰度區域，圖像的總灰度級為 L ，將圖像的灰度級分成 M 個區域，每個區域有 個灰度級（ M 能被 L 整除）。

② 獲取每一個灰度級在子區域中的比例 p（s_k）= n_k s_?k N 是子區域中總像素個數。

③ 獲取灰度級在子區域中的累計像素個數

④ 根據累計像素個數，將原有灰度級映射到新灰度級： F（s_k）=（r-1）*c（s_k）;r 是子區域中灰度級個數。

⑤ 最后遍歷整個圖像矩陣 S_eq（i，j）=F（S（i， j）） ， 其中： s（i，j） 是原圖像第 i 行 j 列處的灰度值;S_eq（i，j） 是均衡化后對應位置的灰度值。

3） 對細節層采用 Sigmod 變換處理。 這樣處理的優點是對細節層能夠適當放大細節信息。 Sigmod變換為

其中： c 是縮放因子，本文參考文獻[ 21] 將其設置為 5。

4） 加權融合為

R=αS_eq（i，j）+βSigmod（x），

其中： α 和 β 是調整因子。 α 作為圖像基本層的參數，基本層的數據范圍與常規顯示器的數據范圍一致，它占有整個圖像絕大部分信息，因此，令 α=1 。β 作為圖像細節層的參數，需要根據圖像性質動態調整。 原因是為了優化與增強細節層的信息，這里對細節層 Sigmod 變換，將細節層的值域放縮到（ -1，1）。 為了增加細節層的信息，需要將細節層的數據范圍還原，因此，令 ， I_max 是細節層最大值的絕對值， I_min 是細節層最小值的絕對值。

2 實驗對比

本文實驗采用 _{C++ 14，OpenCV4.5.} 仿真實驗工具 Matlab 2016a 完成。

2. 1 非均勻校正算法對比

本實驗數據來源于分辨率為 240*320 的非制冷紅外探測器與黑體輻射源，由輕大慧聯光電研究院有限公司提供，實驗內容是通過使用黑體給紅外焦平面探測器提供均勻溫度輻射，獲取非均勻校正的標定點。 圖 2 是同一像元不同溫度輻射的非均勻性比對。

從圖 2 中可以看出，1） 單點校正在同一像元處，不同位置的像元偏置系數不同存在一定的誤差。2） 兩點校正，在靠近標定溫度 20°C～60°C ） 位置的輻射值，校正效果較好;超出校正范圍的輻射值，校正效果較差。 3） 多項式擬合，非常接近紅外探測器響應曲線，但在偏置系數上還有一定誤差。 4） 本文算法通過擬合紅外焦平面探測元的非線性響應，并通過對偏置系數進一步修正，使得在同一像元的不同溫度下，其誤差最小。 為進一步衡量算法的效果，本文通過非均勻性（ non-uniformity， NU） 來評價圖像的非均勻校正效果，其值越小，噪聲就越少。 計算公式為

其中： M，N 分別代表紅外焦平面陣列的行數和列數; d 代表紅外焦平面中的死探測元個數; h 代表紅外焦平面中的過熱探測元個數; s_i，j 是紅外焦平面第i 行 j 列的探測元值; 代表紅外焦平面探測元的均值。 通過計算得知，單點校正的 NU 值約為 0. 78，兩點校正的 NU 值約為 0. 62，多項式擬合的 NU 值約為 0. 36， 本文的拉格朗日加 單點的 NU 值約 為0. 30。 由此可知，本文的非均勻性較小，更有利于消除器件的噪聲。

2. 2 非線性壓縮算法對比

2. 2. 1 分段式直方圖參數選取 本節實驗數據來源于文獻[21] 。 圖 3 是 r 取不同值的直方圖均衡化的效果。 從圖 3 可以看出，當 r 取值較小時，圖像的對比度較低。 當 r 取值較大時，圖像的對比度較高，但是會出現大量的噪聲，同時局部對比度會過度增強，特別在 r=256 時最為明顯。 當 r 取中間值時，可以看到圖中前、后景對比度相對明顯，同時背景細節也更為清晰。

為了進一步確定 r 的取值，本文通過局部對比度（ enhancement measure evaluation，EME） 和 圖 像 峰值信噪 比 （ peak signal-to-noise ratio， PSNR ） 兩 個 指標來對比。 EME 能夠反映圖像局部灰度的變化情況，常被用來評估圖像的對比度增強程度。 其值越大，說明圖像局部灰度變化越強。 計算公式為

其中： K_r 與 K₂ 代表子塊的寬和高; R_i，j^max?R_i，j^min 分別代表子塊中的最大值、最小值，取值范圍[1， 256]。

峰值信噪比（ PSNR） 一般通過均方誤差（ meansquare error， MSE） 進行定義。 信噪比越大，說明混在信號里的噪聲越小。 另外圖像峰值信噪比的范圍應在 30～40dB 之間，超出范圍峰值信噪比對圖像質量的影響將變小。 計算公式為

其中： MAX_I 代表原圖像 I 像素值的最大值。

表 1 是不同 r 取值的 EME 與 PSNR 對比，從表1 中可以看出，當 r=32 時， EME=213.67 ，此時圖像局部對比度最優。 雖然此時的 PSNP=35.06 并不是最大值，但在圖像峰值信噪比中，恰好位于 30～ 40dB 之間，此后繼續增大信噪比的值對圖像質量的影響非常小。 因此本文分段直方圖參數 r 選擇為32。

2. 2. 2 多尺度引導濾波算法對比 本節實驗的圖像來源于文獻[21]。 為了驗證本文多尺度引導濾波算法的優越性，分別將其與線性壓縮（ AGC）[ 13] 、雙 邊 濾 波 分 層 （ bilateral filters amp; digital detail en-hancement， BFamp;DDE） [ 17] 、引導濾波分層（ guided fil-ter amp; digital detail enhancement， GFamp;DDE ） [ 18] 等 算法進行對比。 圖 4 是不同壓縮算法對比。

圖 3 r 取不同值的直方圖均衡化效果圖Figure 3 The histogram equalization with different r values

表 1 不同""取值的指標對比Table 1 The indicator comparison with different r values

注：黑體表示最優值。

圖 4 不同壓縮算法對比Figure 4 The comparison with differentcompression algorithms

從圖 4 中可以看出，本文算法相對于 BFamp;DDE和 GFamp;DDE，在適當提升局部對比度的同時對細節區域進行拉伸處理，從而使得背景中的人物、字母相對更為清晰。

為了進一步體現本文算法的優點，選擇局部對比度 EME 和圖像平均梯度 （ average gradient， AG）兩個指標進行客觀說明，如表 2 所示，這兩個指標能夠較好地反映圖像局部對比度和細節方面的差異。其中 AG 能夠表征圖像細節的豐富程度，其值越大就表明圖像所含的高頻細節信息越豐富，因此常被用于紅外圖像的細節增強評價中。 AG 計算為

其中： G_x（i，j），G_y（i，j） 分別代表圖像的水平梯度與垂直梯度; M，N 代表圖像的寬與高。

如表 2 所示，加粗的數字代表當前最優值，加下劃線的數字代表當前的次優值，這里可以看出本文算法在局部對比度和細節特征上的效果最好， 在EME 上比次優值 GFamp;DDE 算法高出了 9.8% ，在 AG上比次優值 BFamp;DDE 算法高出 9.5% 。

表 2 不同壓縮算法的指標對比

Table 2 The indicator comparison with different

注：黑體表示最優值;下劃線表示次優值。

2. 3 整體算法比較

為了驗證整體算法效果，本節選用由輕大慧聯光電研究院有限公司提供的實驗數據，實驗數據由分辨率為 240*320 的非制冷紅外探測器獲得。實驗過程為先對實驗數據采用拉格朗日插值算法進行非均性校正，再分別用線性壓縮方法（ AGC）、多尺度引導濾波（本文算法）、經典直方圖均衡化（ his-togram equalization， HE） [ 15] 、 限 制 對 比 度 直 方 圖 均衡化（ contrast limited adaptive histogram equalization，CLAHE） [ 16] 、 BFamp;DDE 和 文 獻 [ 19 ] 算 法 對 圖 像增強。

從圖 5 可以看到，AGC 算法中水壺把手信息不明顯;HE 將灰度級過度拉伸，引入過多噪聲導致圖像整體變得很模糊，呈現曝光狀態。 CLAHE 算法中對比度得到提升，但水壺背景細節有些模糊;BFamp;DDE背景不夠清晰，水壺出現一些噪聲;文獻[19]的噪聲比較明顯。 而本文算法，在提升圖像對比度的同時，也保留了更多的圖像的細節信息。 表 3 也從量化指標領域給出進一步的證實。 在 AG 上，雖然本文算法取得了次優解， 但也僅比最優解的 HE 算法低3.7% ，同時在 EME 上，本文算法取得了最優解，比次優解算法 HE 高出 15.2% ，在 PSNR 上比次優解BFamp;DDE 算法高出 7.9% 。

圖 5 整體算法對比

Figure 5 Overall algorithm comparison

表 3 量化指標對比

Table 3 The quantitative indicator comparison

注：黑體表示最優解;下劃線表示次優解;“—” 表示無法計算。

3 結語

紅外成像系統作為邊緣設備，通過直接采集數據并進行處理，可有效減少數據傳輸量和對網絡帶寬的依賴，因此正日益受到人們的青睞，然而受到價格、算力等因素的影響，其在成像時的對比度低、細節模糊等問題仍需解決。 本文針對紅外圖像的非均勻性和對比度差問題，提出了一種兩階段的算法來增強邊緣端紅外圖像的顯示效果。 創新點在于：1）通過改進的拉格朗日非線性插值實現非均勻校正，拉格朗日插值的非線性能夠更貼合紅外探測器的響應曲線，而且計算相對簡單，能夠應用在邊緣硬件上。 2） 利用多尺度濾波進行分層處理，其中基本層采用分段直方圖來提升對比度，細節層利用不同的尺度以提取圖像的不同輪廓信息，進而將不同輪廓進行融合得到，最后將基本層與細節層融合，從而有效解決紅外圖像對比度差和細節特征不太明顯的問題。 實驗結果表明，本文算法可有效提升紅外圖像的成像效果。

參考文獻：

[1] 黃志昌. 邊緣計算在安防領域的實踐應用研究[ J].中國新通信， 2023， 25（7） ： 113-115.HUANG Z C. Research on practical application of edgecomputing in security field[ J] . China new telecommuni-cations， 2023， 25（7） ： 113-115.

[2] 楊光晨， 張坤乾. 邊緣計算在電氣火災監測體系中的應用[ J] . 佳 木 斯 大 學 學 報 （ 自 然 科 學 版 ） ， 2022， 40（4） ： 31-34.YANG G C， ZHANG K Q. Application of edge compu-ting in electric fire monitoring system[ J] . Journal of Jia-musi university （ natural science edition） ， 2022， 40（ 4） ：31-34.

[3] VOLLMER M. Infrared thermal imaging[ M]∥ComputerVision. Cham： Springer International Publishing， 2021：666-670.

[4] HOU F J， ZHANG Y， ZHOU Y， et al. Review on infra-red imaging technology [ J ] . Sustainability， 2022， 14（18） ： 11161.

[5] 任向陽， 王杰， 馬天磊， 等. 紅外弱小目標檢測技術綜述[ J] . 大學學報（ 理學版） ， 2020， 52（ 2） ： 1-21.REN X Y， WANG J， MA T L， et al. Review on infrareddim and small target detection technology[ J] . Journal ofZhengzhou university （ natural science edition ） ， 2020，52（2） ： 1-21.

[6] AMMER K， RING F. The thermal human body： a practi-cal guide to thermal imaging [ M ] . New York： JennyStanford Publishing， 2019.

[7] 呂游， 何昕， 魏仲慧. 紅外焦平面陣列非均勻性校正算法研究[ J] . 計算機技 術 與 發 展， 2015， 25（ 2） ： 1-5.LYU Y， HE X， WEI Z H. Research on non-uniformity correction algorithms for IRFPA[ J] . Computer technology and development， 2015， 25（2） ： 1-5.

[8] 張海斌， 鄧劍， 王煜東. 基于黑體的紅外圖像非均勻 性校正算法研究及改進[J]. 光電技術應用， 2022， 37 （3） ： 36-42. ZHANG H B， DENG J， WANG Y D. Research and improvement of non-uniformity correction algorithm of infrared image based on blackbody[ J] . Electro-optic technology application， 2022， 37（3） ： 36-42.

[ 9] LI Y T， LIU N， XU J. Infrared scene-based non-uniformity correction based on deep learning model [ J ] . Optik， 2021， 227： 165899.

[10] 王成龍， 王春陽， 谷健， 等. 一種基于定標的非均勻 性校正改進算法[ J] . 中 國 光 學， 2022， 15（ 3） ： 498- 507. WANG C L， WANG C Y， GU J， et al. An improved non-uniformity correction algorithm based on calibration [ J] . Chinese optics， 2022， 15（3） ： 498-507.

[11] LI T M， ZHAO Y Q， LI Y， et al. Non-uniformity correction of infrared images based on improved CNN with longshort connections[ J] . IEEE photonics journal， 2021， 13 （3） ： 7800213.

[ 12] LIU C W， SUI X B， LIU Y， et al. FPN estimation based nonuniformity correction for infrared imaging system [ J] . Infrared physics and technology， 2019， 96： 22-29.

[13] SILVERMAN J， VICKERS V E. Display and enhancement of infrared images [ M ] ∥Electro-optical Displays. Boca Raton： CRC Press， 2020： 585-652.

[14] ZENG Y X， ZHANG Z Y， ZHOU X J， et al. High dynamic range infrared image compression and denoising [ C]∥International Conference on Information Technology and Computer Application. Piscataway： IEEE Press， 2019： 65-69.

[ 15] DHAL K G， DAS A， RAY S， et al. Histogram equalization variants as optimization problems： a review[ J] . Archives of computational methods in engineering， 2021， 28 （3） ： 1471-1496.

[16] 劉玉婷， 陳崢， 付占方， 等. 基于 CLAHE 的紅外圖像 增強算 法 [ J] . 激 光 與 紅 外， 2016， 46 （ 10） ： 1290 - 1294. LIU Y T， CHEN Z， FU Z F， et al. Infrared image enhancement algorithm based on CLAHE [ J] . Laser amp; infrared， 2016， 46（10） ： 1290-1294.

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

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

[19] 劉永江， 楊耿煌， 董建， 等. 高動態范圍紅外圖像壓 縮與細節增強算法[J]. 天津職業技術師范大學學報， 2021， 31（4） ： 52-57. LIU Y J， YANG G H， DONG J， et al. High dynamic range infrared image compression and detail enhancement algorithm[ J] . Journal of Tianjin university of technology and education， 2021， 31（4） ： 52-57.

[20] 熊昌鎮， 蔣杰. 多尺度區域特征的細粒度分類算法研 究[ J] . 鄭 州 大 學 學 報 （ 理 學 版） ， 2019， 51（ 3） ： 55 - 60. XIONG C Z， JIANG J. Multi-scale region features algorithm for fine-grained classification[ J] . Journal of Zhengzhou university （ natural science edition） ， 2019， 51（ 3） ： 55-60.

[21] 曾慶杰. 紅外成像中圖像質量提升算法研究[ D]. 西 安： 西安電子科技大學， 2021. ZENG Q J. Research on image quality improvement algorithms for infrared imaging[ D] . Xi′an： Xidian University， 2021.