一种基于Guided Filter 的联合红外热图像增强算法

摘要：本文提出了一种简单有效的基于guided Filter滤波的联合增强算法，用于对红外热图像的增强处理。其中guided Filter是一种能够精确提取导引图像任何细节的滤波器。它是最快速的保边滤波器，具有严格的线性计算量而与滤波窗口半径大小无关。本文所提基于guided Filter的联合增强算法，将输入图像分解为基础层和细节层；基础层采用线性AGC压缩动态范围，而对细节层采用guided Filter增强；然后联合计算整体的增强结果图像。本文所提的算法具有很强的细节增强能力，且提升强度可控，不会导致局部增强类算法的halo现象，结果图像整体协调、自然，主要可应用红外热图像的增强处理。也可用于可见光图像的增强。

关键词：动态范围压缩 细节增强 guided Filter AGC

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2015）09-0000-00

1 前言

红外热像仪是基于热辐射原理进行成像和信号处理的一种设备。红外热像仪具有抗干扰能力强，可在雨、雪、雾、霾等恶劣天下工作；作用距离远超可见光；无需外界光源，可在夜间工作；隐蔽性好；最重要的是它是基于所有目标均会辐射的红外线进行成像的，具有很广的使用性。基于这些突出优势，红外热像仪被广泛应用于国防军事、电力测温、工业探伤、医疗检测等多种领域。

自然界的所有高于绝对零度的物体都会不停的向外辐射红外线，辐射量与其目标本身的能量呈正向关系。红外热成像技术通过高灵敏的红外热传感sensor收集目标场景中各目标辐射的特定波长范围（3～5 、8～14 的大气窗口）内的红外热信号，并转换为电信号以裸数据形式传输给专用处理芯片。

采集得到的裸数据通常包含坏点和非均匀性，需要使用专用芯片完成一套基本的信号处理流程，才能得到有效的信号，然后在终端上显示或进一步的智能处理。基本处理流程包括坏点校正、非均匀校正、 增强处理、去噪处理。

一种性能卓越的红外热成像增强算法，是被生产厂商、用户及计算机视觉技术强烈期待的。首先，热像仪采集的裸数据为14bit，而显示端的位宽为8bit， 必须经过动态范围压缩（增强）才能在终端正常显示；其次，热像仪性能的高低除与sensor、镜头有直接关系外，它与基本流程中的增强处理算法性能有密切关系；第三，微小目标的辐射能在恶劣天气状况下，其传输过程中的衰减程度明显增加，接受端的信号差异减小，此时如不进行增强处理，可能无法有效的识别出观测目标。最后，常见的红外热图像增强算法有一定的增强图像的能力，但细节的提升能力不足，存在halo现象或存在目标的过度增强而无法控制等问题。

然而，提出一种性能卓越的红外增强算法是具有一定挑战性的，这主要与红外热图像的数据分布特征有关。红外热图像是对同一场景中的各个目标，表面温度越高的目标越亮。从采集图像的统计直方图来看，主要分散在一个或几个不连续的簇内，每一个簇内的灰阶集中分布；簇之间的距离远近不等，并与现实的场景目标温度分布相对应。而可见光的灰阶常连续分布，动态范围较小。分布规律的差异性带来了增强处理方法选择的差异性。

最近，在红外增强算法的研究上，很多的公司、科研团队、高校取得了一些的研究成果。如在红外热图像的增强方法的研究上，多数采用了借鉴和引用可见光的增强方法。主要是基于增强对比度的方法[1][2]；基于直方图均衡的增强方法[3]；基于直方图均衡的改进方法[4]，如采用局部的直方图均衡，局部直方图均衡与其他策略的结合方法[5]；还有提出的一些其它的方法，如结合双边带滤波与宽动态增强的方法以展示和增强图像的细节[6]；红外图像的模糊域同态增强[7]等方法。

就上述的几种方法来看，基于直方图均衡类的方法，全局直方图均衡，可能增强效果不足；而采用局部的方法，在优势目标场景出现过度拉升和噪声放大严重的现象；其改进方法都是去改善其特定灰阶的概率密度，改善局部块效应和halo现象。另外的缺陷在于噪声会比较大，概率密度阈值的场景适应性受限，增强的强度不易控制，结果图像画面不够干净，在高温目标周边轮廓的灰阶高低与目标温度相对关系不一致。

综上所述，在目前红外热成像增强方法，并不能在各种场景下产生稳定的令人满意的增强效果。

本文将提出一种基于guided Filter滤波器结合线性AGC来增强红外热图像的方法。

整体思路为先将输入裸数据分解为基础层和细节层，对基础采用线性AGC来压缩动态范围；利用guided Filter来增强其细节。最后将这两者的结果加权融合，生成最终的结果图像。

采用guided Filter滤波器主要是由于其本身属于一种抠图像算法，能原样提取图像中蕴藏的任何细节信息，它是一种最快速的保边滤波器，具有严格的线性运行时间；它能够根据实际需要调整其增强的系数，可避免过度拉伸的问题。可避免出现灰阶反转的问题，这一点是红外热图像的内在要求。而采用线性AGC方法可以避免与场景内容相关，存在优势目标时易出现的过度拉伸问题。南京理工大学的朱高才[8]曾尝试独立评估这两种方法，但未将两者结合起来利用各自的优势来提出如本文所述的方法。

本文结构如下，第一节综述红外热图像及增强方法；第二节介绍背景知识；第三节介绍基于guided Filter的联合红外热图像增强方法；第四节仿真对比本文方法和其他方法结果；第五节是数据分析与讨论部分；第六节为结论部分。

2 背景

红外图像可以表达为如下的数学模型：它是一种可分离为几个部分的线性加权和【4】。

在红外热成像的增强中主要包含两方面，一方面是压缩输入数据的动态范围；另一方面是需要提升图像的细节信息；然后再采用一定融合方法合成增强结果。从热成像的输入数据特征提供了这种可能性。比如离散的集中分布在几个段内，提供了压缩动态范围的可能性；同一目标的灰阶空域上邻近，温度上差异很小，可采用提升细节能力强的方法来增强微弱细节。

其动态范围压缩是通过AGC（auto gain control 自动增益控制）来实现。本质上是通过一种映射方法将14位数据映射到8位数据范围内，实现动态范围的压缩。该处理能解决显示设备可显示能力不足的问题。

图像细节增强包括空域类和频域类的方法。频域类方法需事先明确的目标特定频率范围，才能采用滤波器有效提取和增强。常用空域类的方法，如线性增强、直方图均衡、特殊滤波器等。在设计增强算法时，通常需要采用具有保边性能的滤波器[9]，如双边带滤波、guided Filter。双边带滤波其计算复杂度比较高，且其不能保持与原图像一致的局部的单调性。

图像的增强算法设计主要是分析算法是否与热图像的数据特征相适应；增强结果是否满足一些通用的判断标准如：算法的增强能力较强、程度可控、是否有过度拉伸现象、对噪声的放大程度可接受、运算复杂度、增强的结果图像协调、自然；同时需要符合场景内目标温度的相对关系。

3 方法和描述

3.1线性自动增益控制

图像的映射包括线性与非线性的映射方式。非线性映射如直方图均衡类算法。线性映射方式的优点在于原理比较清晰，实现比较简单。基本上是认为热成像在其有效灰阶内在抛掉部分边界点以后按线性的方式来实现对于灰阶的拟合。拟合选取的关键点不同，其拟合的效果会有所不同。例如有以均值点为关键点的，也有以中值点为关键参考点的。以中值点作为关键参考点的方法如下：

算法1，线性AGC。

（1）对输入图像 进行直方图统计；

（2）根据输入的抛点比例系数 、 ，在直方图上获得 、 ；

（3） （1）

（4） （2）

（5）则任意点 的映射后的灰阶值 为： （3）

3.2 引导滤波器

Guided Filter方法由香港中文大学的何恺明提出，详见文献[9]《Guided Image Filter》，被广泛用于计算机视觉的可种应用中。对该方法简述如下。

我们对导引图像、滤波输入图像、滤波输出图像分别用变量 、 、 来表示。则导引滤波可用局部线性模型来表示：

（4）

其中 为某像素坐标， 为局部的方形窗 的坐标， 为方形窗的半径。假定滤波输入图像为 ，最小化重建误差即 、 之间的差异：

（5）

（6）

在此 、 为输入图像 在方形窗 内的均值和方差， 为控制平滑程度的规则化参数。

（7）

其中 和 为以 为中心的窗 的相应的 和 的平均值。主要的运算为一系列的方形窗的累积求和运算。

Guided Filter方法本质上假设输入的数据可以线性的分解为代替整体灰阶的值和表征其局部小细节的数据起伏的部分。这与前面的线性AGC的理论输入数据具有可分解性的假设是一致的。

在此特别强调的是基于guided Filter的运算方法虽然计算较为复杂，但它是一种与分辨率成线性关系的 （ 为单帧图像的总像素数）运算量，存在快速算法，具有实际的工程实现价值。这是明显优于双边带滤波器的关键性能。

3.3 混合的结果

本文所提出的算法首先将输入数据分解为基础层和细节层，然后再对基础层进行线性AGC的动态范围压缩；对细节层进行基于guided Filter的细节层增强；最后将前两步骤的处理结果以线性加权的方式融合，生成热图像的增强结果图像。其中的基础层是输入数据的均值滤波图像，细节层为输入的非均匀校正后的数据与基础层之间的差值。其计算公式如公式（8）所示，其中 、 分别为进行AGC增强和 滤波处理的结果， 、 为加权的系数。为整个算法的结构图如图1所示。

（8）

图1 算法整体结构

4 刺激

在仿真部分将展示各个算法步骤的处理结果，并与直方图均衡的改进方法进行对比。

图2 AGC 增强之前与增强之后

图3 仅执行AGC增强的结果VS 本文提出算法的增强结果

图4 不同参数的结果 图5 平台直方图增强

其中图2左图为经非均匀校正后的输入数据，简单的拉伸到可显示程度；右图为经AGC增强后的处理结果。图3为仅对输入数据做AGC增强的结果与采用本文提出的增强的方法的结果。其增强的guided Filter滤波器的R = 15， E=0.20，W1 =1， W2=10的结果。图4为采用不同参数的结果图像，其右图为默认结果图，其参数同图3参数；其左侧结果图为采用半径更小，W2的取值也更小的滤波器，体现了更强的局部增强能力此时的 R = 7， E=0.20，W1 = 1， W2 = 5。图5为对采用了相同的guided Filter参数而分别采用基于削顶的平台直方图和线性拉伸的增强结果的对比。

5 分析

本文所提出的方法与文献[8]在所提出方法的差异在于其前一部分对基础层的增强方法不同。 直方图均衡能实现强度非常高的增强，但其有明显的缺点即容易受到场景内容影响。当场景中存在优势目标时，极易出现过渡拉伸、噪声非常大的情况。另一个不足是易于出现灰阶合并的现象。这对于有微弱小目标存在的低温差场景是极其不利的，极易导致小目标的丢失。

一种改进的方法是采用削顶的平台直方图，即通过限定其每个灰阶的概率密度大小来实现。但这也依然存在概率密度的阈值的如何确定的问题，如果这个阈值选择不当依然会出现较差的图像增强效果。同时一个概率密度阈值难以适应所有的场景。

图 6 基于削顶的直方图结果VS线性AGC增强结果

另一种改进方式是采用局部直方图，其优点是能实现局部细节的充分展示，但是存在块与块之间的局部块效应现象[11]和灰阶反转的可能。即使采用文献[4]的CLAHE方法，也会因为消弭局部块状效应而进行的块状参数之间的线性插值方法，但该方法在可见光中使用是可行的；而在红外热图像中目标自身的升温和温度状况主要受其自身物理特性如热容比的影响，具有一定的独立性，这种插值处理方式的合理性存在一定的疑问；同时其图像结果也可能依然存在瑕疵。因此本文采用基于抛点的线性AGC增强方法，能很好的回避上述基于直方图一类方法的缺陷，同时也不会出现灰阶反转的现象。

本文所提出的方法的增强强度主要受到AGC抛点比例系数 和 、guided Filter滤波器的半径R、加权融合权重系数W1、W2的取值大小的影响。其中R的取值越小局部的增强力度越大，R的取值越大，其滤波越体现为更多的全局特性。从图6的对比可以看出，基于线性AGC增强的算法其结果比基于直方图的方法更细腻，图像更协调、自然。这特别有利于低温差场景目标的增强处理。

6 结语

从本文的对于红外热图像数据特征的分析和所提出的算法的仿真分析和对比试验来看，本文所提出的基于一种基于Guided Filter的联合红外增强算法能够有效的增强红外热图像，并且保留和充分展示了其中蕴含的细节信息，无过度拉伸的现象。图像中的噪声增强在可接受的范围内，无块状效应。增强后的图像画质比较协调、自然，画面比较干净。

参考文献

[1]Sung-Jea Ko and Jun-Hyung Kim.Enhancing contrast in IR images.SPIE.2012.

[2]A. Majumder and S. Irani， Perception-based contrast enhancement of images， ACM Trans. Appl. Percept. 4， p. 17， 2007.

[3]A. M. Reza， Realization of the contrast limited adaptive histogram equalization （CLAHE） for real-time image enhancement， J. VLSI Signal Process. 38， pp. 35C44， 2004.

[4]T. Arici， S. Dikbas， and Y. Altunbasak， A histogram modification framework and its application for image contrast enhancement， IEEE Trans. Image Process. 18， pp. 1921C1935， 2009.

[5]Joung-Youn Kim， Lee-Sup Kim， and Seung-Ho Hwang. An Advanced Contrast Enhancement Using Partially Overlapped Sub-Block Histogram Equalization， IEEE Trans.Circuits and Systems for video technology.11， pp.475-484， 2001.

[6]chao Zuo，Qian Chen，Ning Liu， Jianle Ren， Xiubao Sui， Display and detail enhancement for high-dynamic-range infrared images. Optical Engineering 50（12）， 2009.

[7]刘政清，邹继伟，张骏，杨华.红外图像的模糊域同态增强.激光与红外，2007年1月.

[8]朱才高.红外图像增强算法研究及其DSP实现.南京理工大学硕士学位论文，2014年3月.

[9] Kaiming He， Jian Sun， and Xiaoou Tang. Guided Image Filter. The 11th European Conference on Computer Vision （ECCV）， 2010 （Oral）

[10] http：///en-us/um/people/kahe/

[11]冈萨雷斯.数字图像处理第3版.电子工业出版社，2011.6

收稿日期：20015-08-07

作者简介：宋其毅（1979―），女，四川达州人，汉族，硕士，高级算法工程师。研究方向：图像处理算法、计算机视觉、大数据、监控产品。