红外图像降噪与增强技术综述

王　洋，潘志斌

(西安交通大学 电子与信息工程学院，陕西 西安 710049)



红外图像降噪与增强技术综述

王洋，潘志斌

(西安交通大学 电子与信息工程学院，陕西 西安 710049)

由于目前红外成像系统中技术工艺上的缺陷，红外图像中不可避免地包含多种噪声，具有信噪比低、细节模糊等特点。尽管许多学者已经开展了大量相关的研究工作，目前基于红外成像的处理方法仍然面临许多挑战，还没有形成类似于在可见光成像领域相对完整、成熟的理论体系，对相关研究进展的系统性总结工作仍然相对缺乏。回顾了红外图像处理的发展现状，并根据红外图像的特点分别就红外图像的降噪和红外图像的增强处理两方面进行了重点介绍，对其进展情况和特点分别进行总结归纳，并且就目前研究中存在的问题加以分析，并尝试探讨了其发展趋势。

红外图像处理；图像降噪；图像对比度增强；图像细节增强

0　引言

红外图像不同于可见光图像，它能够反映场景的温度场信息。近年来，随着红外成像平台与传感器的发展，红外成像已经广泛应用于森林防火、医疗诊断、行车辅助、电力检修和夜视等领域，极大地推动了红外图像处理方法和应用的研究。红外成像按照成像原理来分可以分为主动红外成像与被动红外成像。主动红外成像由一个红外探照灯和一个接收端成对组成使用[1]，其探测原理是利用红外探照灯主动发射人眼无法看到的脉冲红外线，由光学系统接收被目标反射的红外辐射，得到目标的红外图像。由于红外线是扩散性传播，能量不易集中，侦测范围较小，且主动红外灯源体积功耗较大，限制了主动红外成像的应用。目前，主动红外成像系统主要应用于某些对便携性要求不高的近距离民用监控场景，以及某些场合下的主被动结合成像[2]。本文针对被动红外成像技术进行讨论，如非特殊说明，文中红外成像均特指被动红外成像。

红外成像技术是通过观测场景中目标和背景各点的热辐射差异，从而反映出场景图像的具体内容与温度场信息的成像技术。其工作流程为：首先(探头)将接收到的红外热辐射信息转化为电信号；然后再将电信号进行处理，将红外成像数据进行降噪与增强，转化为适合人眼观察的图像数据；最后将处理后的红外图像输出到屏幕上，将电信号转化为可见光信号。

红外成像技术的主要研究对象是红外图像采集接收、降噪和增强处理，与可见光图像或主动红外图像融合显示以及对其中具体信息的分析等。目前最主流的红外成像技术是非制冷红外焦平面阵列成像技术(Focusing Plane Array，FPA)。它无需低温制冷，具有体积小、重量轻、功耗低和成本低等优点，但灵敏度、信噪比和温度分辨率上与制冷红外成像还有一定差距。这就导致红外成像数据具有多种非理想因素，表现在红外图像往往具有对比度低、边缘模糊、噪声较大、清晰度不高、分辨弱小目标形状和纹理细节信息能力较差等缺点，其成像质量也一般远低于可见光成像，这就为红外图像的后续应用带来了局限性。随着科技进步，各个应用领域对红外成像的要求也越来越高，仅靠成像器材从工艺上的改进是远远不够的，必须研究更优秀的图像处理算法来满足实际使用要求。红外图像降噪算法能够减轻甚至消除红外成像系统中多种多样的非理想因素对信号的影响；红外图像增强处理能够突出红外图像中的有用信息，提高红外图像空间信息的辨识度，同时为图像目标检测与跟踪[3]、信息隐藏[4]和图像内容分析[5]等后续应用提供有利条件。目前，已经有许多学者围绕红外成像的特性对图像处理方法的研究开展了大量工作，本文对相关理论方法及进展进行了总结归纳，对红外图像处理方法的研究现状进行分类讨论，对发展中存在的问题进行梳理分析，并对其发展趋势进行了探讨。

1　红外图像降噪研究现状

当前，红外焦平面阵列是获取红外图像的最重要的方式。红外图像噪声的来源复杂、信噪比较低，限制了红外成像系统的应用[6]。红外图像中最重要的2种非理想因素是非均匀性与图像噪声。产生红外图像非均匀性的因素大致可以分为2类[7]：器件自身的非均匀性，这部分非均匀性主要由器件材料与制造工艺决定；器件在工作状态时引入的非均匀性，这部分非均匀性主要由工作时温度的非均匀性，红外探测单元与CCD器件驱动信号的非均匀性有关。

红外焦平面阵列成像系统的性能受到阵列中探测器单元的空间非均匀性的影响非常强，这种非均匀性使获取的图像信号模糊不清、畸变，同时会令图像叠加一个受探测器影响的固定图案噪声，严重影响图像质量。

非均匀校正技术可分为2类：基于定标和基于场景的校正技术。基于定标的校正技术要求在特定温度下由黑体产生的均匀辐射对红外焦平面阵列定标。定标法校正精确，在需要精确测温的应用中是必要的，但缺点是在工作一段时间后就需要重新定标校正，且在定标时要求停止镜头的正常工作。基于场景的校正技术不需停止探测系统的正常工作，通常使用运动的若干帧图像序列进行计算得到校正量进行校正，能够连续地得到校正图像序列，但缺点是比较依赖图像运动等特定条件与工作模式，效果较好的一些方法[8]，如神经网络校正往往具有较大的学习计算量，难以实时应用。

红外图像非均匀性与制造工艺有关，校正效果更加依赖于工艺的改进，基于场景的校正算法目前还难以达到定标校正方法的效果，只能在一些要求不是很精确的场合使用，这里不做重点讨论。

在本文中只讨论另一种红外图像的非理想因素——图像噪声。红外图像的噪声主要分为以下几种[9]：

① 背景噪声：主要指能辐射红外线的自然辐射源(如空气和云，大气抖动)引起的噪声，该噪声与频率无关，是一种典型的白噪声；

② 放大器噪声：是由放大器内部自由电子的热运动形成的噪声，具有很宽的频谱，也是一种白噪声；

③ 探测器噪声：主要有1/f噪声、产生—复合噪声和热噪声等，这类噪声也近似为白噪声。

由以上分析可知，红外焦平面成像除了非均匀性之外，其他噪声基本都符合高斯分布，这样就可以根据噪声性质对其进行抑制。一种理想的降噪算法应该能够在对图像原始信息损失尽量少的情况下对噪声进行尽可能的抑制。一种典型的图像降噪方法对于加噪图像进行处理的结果如图1所示[10]。

图1　一种典型的图像降噪方法的效果对比

经典的红外图像噪声抑制的方法主要分为帧间降噪与帧内降噪两大类。

1.1帧间降噪

图像序列信号具有连贯性，相邻帧间的时域相关性大于空域图像的邻域相关性，且空域的降噪往往对于图像自身的细节有一定的劣化影响。因此，为保护图像边缘，常常利用帧间滤波的方式对红外图像中具有的白噪声进行抑制[11,12]。帧间滤波最简单的方式是帧平均滤波，但当图像出现运动时，帧平均往往会导致图像的模糊，或者重影拖尾现象。文献[11]提出了基于运动轨迹进行帧平均的算法，即计算每一帧与上一帧的最佳匹配，这样在时域上获得物体的运动轨迹，沿着物体的运动轨迹进行帧间平均来降低噪声，能够在较好的降低噪声的同时防止出现重影的现象。但由于该方法需要进行图像匹配的操作，计算复杂度高，难以实时实现。文献[12]提出了基于运动检测的时域加权均值滤波方法，将图像分为若干子块，并对每一子块进行运动判定。若子块为运动子块，则不做时域滤波处理，对于静止区域的子块采用时域加权滤波来抑制噪声，滤波结果为：

(1)

式中，

(2)

(3)

1.2帧内降噪

由于红外图像噪声强度大、种类多、信噪比低，帧间降噪也只能对时域噪声进行抑制，这就需要使用帧内降噪算法作为帧间时域降噪算法的补充。经典的算法有均值滤波、高斯滤波和中值滤波等经典空域滤波器。这些滤波器的特点是算法简单、易于实现，但对图像噪声进行抑制的性能并不够优秀，且可能带来图像模糊和细节丢失等现象。

为了避免这些降噪算法的副作用与局限性，有学者提出了基于动态滤波算子的方法，如双边滤波[13]、各向异性扩散[14]、非局部均值滤波[15]和引导滤波等[16]。这类方法能够根据滤波像素点的邻域信息，自适应地在图像的各个区域建立不同的滤波算子，从而在追求降噪性能的同时得到更好的边缘保持效果。这里对近期的几个热点研究算法进行简单介绍。

1.2.1非局部均值滤波降噪

非局部均值滤波算法(Non-Local Means Filtering，NLMF)[15]通过在整幅图像中寻找与该噪声点具有结构相似的像素区域作为滤波区域，将图像中噪声点的滤波放到整幅图像中进行考虑，而不仅仅局限于噪点的邻域区域，通过充分挖掘图像中所有与噪声点区域相似的信息，使其全部参与到噪声点的滤波过程中去，从而使得滤波后的图像信息失真程度较小。NLMF的滤波结果为：

(4)

式中，I为图像的坐标域；w(a,a′)为权重值：

(5)

式中，D(a,a′)为a与a′所在图像局部区域块Na与Na′的欧式距离，D(a,a′)=‖φ(Na)-φ(Na′)‖；h为调节因子，用于控制w(a,a′)相对于D(a,a′)的衰减程度；exp(·)为指数函数。目前学者也对NLMF进行了改进，使其能够更加地适应于红外图像的特性[15]。非局部滤波算法能够在对噪声进行良好抑制的同时具有较好边缘保持的性能。

1.2.2引导滤波降噪

引导滤波[16]是一种边缘保持平滑滤波器，可以在平滑背景的同时保持场景的边缘细节。它根据具体应用事先设定的一幅引导图I来指导输入图像P的滤波(引导图I可以直接取为输入图像P)，使得输出图像Q能够在保留输入图像整体特征的同时，充分获取引导图像的变化细节。对于输出图像的像素i，滤波结果为：

(6)

式中，W为滤波核函数，

(7)

与传统的滤波核函数相比，由于引导滤波使用了邻域内的像素均值和方差作为局部估计，能够根据图像内容自适应调整输出权重值，使其具有良好的边缘保持和细节增强性能。

红外图像具有噪声强、对比度低和边缘模糊的特点。在雾霾、雨天等非理想的情况下，图像质量还会大打折扣。红外图像降噪能够减少因为噪声引起的图像质量下降，提升图像的信噪比，但是降噪后的红外图像仍然对比度较低、细节模糊，往往很难从中提取有用信息，通常还需要使用图像增强技术对图像进行进一步的处理，从而显著地改善红外图像的视觉效果，提高目标图像与背景之间的对比度，着重突显目标，弱化一些无用的背景信息。由于图像增强算法不可避免地会对红外图像中较强的噪声或多或少有一定放大作用，而好的图像降噪算法能够在图像增强时减少噪声对于增强图像的影响，在红外图像增强处理之前，一般也需要先对红外图像进行降噪处理，使得面向红外图像的增强算法能够具有更好的性能。

2　图像增强

图像增强是为了特定的某种应用目的，突出图像中的目标，并改善图像视觉质量，使图像更适合于人的视觉特性或机器的识别系统的信息处理方法[17]，其主要目的是使处理后的图像对某种特定的应用来说，比原来图像更加适用。由于红外传感器本身固有的特性，红外图像普遍存在着信噪比低、对比度较差和边缘模糊等缺点，再加上目标距传感器较远，形状、大小、纹理特性较差，目标检测比较困难，更加需要对红外图像进行增强处理。

图像增强方法可根据其处理空间的不同分为两大类：空域方法和变换域方法。空域方法是在图像的像素空间直接进行处理，以每个像素点为操作对象，通过改变像素灰度值来达到增强的目的，如对图像的直方图处理、灰度变换和空域滤波处理等；而变换域方法是以图像在某种变换域(如傅里叶变换域、小波变换域)内为基础的处理，通过对变换域中参数的修改来实现对某一特征的增强效果，最终经反变换得到处理后的图像。随着红外成像的广泛应用，广大学者也对红外图像的增强技术开展了大量的相关工作。

这里利用局部均衡算法[18]对ASL数据集中FLIR的红外图像数据库中的图像Sempach-5[19]进行了增强，效果如图2所示。

图2　一种典型的图像对比度增强方法的效果对比

近年来，全球红外热成像仪设计、制造及销售领域的代表厂家，美国FLIR公司提出了红外图像细节增强技术(Digital Detail Enhancement，DDE)[20]。该方法能够在有效压缩红外图像动态范围的同时，很好地保留了场景中弱小目标的细节信息，提高了人眼对图像内容的观测能力以及对关键信息的获取能力，是一种较为优秀的图像增强方法。一种DDE算法的实现效果对比如图3所示[20]。

图3　一种DDE算法实现效果对比

2.1空域直方图增强技术

基于图像直方图的红外图像增强算法简单易用、实现方便，在一些较低要求的应用场合能够满足实际需求，在实际中应用最为广泛。最简单的直方图增强方法为灰度曲线映射[21]。该类方法通过设定不同的参数来实现对于不同灰度范围的增强或者压缩。常用的映射曲线有：分段线性映射、对数函数映射和伽马函数映射等。但由于其难以适应复杂场景，参数往往需要凭经验手动调节，只能在一些有特殊需求或要求较低的场合使用。

直方图均衡是一种最常用的图像对比度增强算法，其基本思想是根据输入图像的灰度概率分布来确定其对应的输出灰度值，将图像中集中在某些灰度区间的直方图进行扩展，使得图像直方图尽量在全部灰度范围内均匀分布，从而达到提升图像对比度的目的[22]。经典直方图均衡算法[23]利用整幅图像的直方图来完成自适应图像增强。其算法简单易于实现，能满足一般需求。但红外图像往往具有背景强、目标弱小的特点，面积较小的目标经过该方法处理后会淹没在面积较大(对应直方图较高的峰)的背景中，导致背景的过增强，可能反而降低了目标与背景之间的对比度。

针对经典直方图均衡算法的缺陷，学者提出了多种基于直方图均衡方法的改进算法。常见的方法有多直方图均衡算法，平台直方图算法与其他策略的直方图调整[24-27]，如保持图像亮度的双直方图均衡算法(Brightness preserving Bi-Histogram Equalization，BBHE)[24]，该算法将图像直方图根据图像均值分为2个部分，对它们分别进行均衡，从而保持输入图像的亮度均值，减少输出图像的局部过增强现象，也一定程度地抑制了噪声放大，对于背景较强，直方图呈单峰分布的图像效果较好，但是对于目标面积大，信号强的图像效果并不够理想。算法[25]提出了平台直方图的概念，该算法将图像直方图进行平台修正，即通过选择一个适当的平台值TH，将高于TH的直方图值修改为TH，再利用裁剪过后的直方图进行均衡，这样对于图像中由于背景引起的较高的直方图峰做了抑制，防止了对图像背景中噪声的过增强。算法[26]提出了下限平台值的概念，即对于低于下限平台值TL的直方图值修改为TL，从而更好地保留了图像中面积较小的细节区域。这种根据平台值修改直方图的方法对于红外图像的背景与噪声抑制有一定的效果，能够保护弱小目标，但是这类算法的平台阈值选择一直是比较困难的，自适应的平台阈值选择算法在某些特性的图像中难以达到预计的效果。算法[27-28]将多直方图均衡和平台直方图均衡结合起来，通过更好地设定直方图分割与平台阈值，得到更好的增强效果。算法[29]提出二维直方图的概念，利用图像的局部信息对整个图像的直方图进行调整，从而得到更适合人眼观察的效果。算法[30]利用图像熵减少最小为准则，自适应调整图像直方图的映射策略，从而在对信息最大保留的同时减少了过增强的现象。

上述直方图均衡改进算法均对于图像的全局直方图进行修改，能够实现对图像整体的对比度增强，但是往往难以照顾到每个局部的细节。因此，学者也提出了基于局部的图像均衡算法[18,31-33]。对比度受限的自适应直方图均衡算法(Contrast Limited Adaptive Histogram Equalisation，CLAHE)[31]对于图像的每一个像素利用像素的邻域区域进行均衡增强，从而得到局部的对比度增强效果。但是该算法逐像素进行直方图均衡，其计算复杂度代价巨大。算法[18,31-33]利用部分重叠的窗口进行局部对比度增强，这些算法将图像分块进行均衡，并采用适当的方式来减少可能出现的块效应与过增强等副作用，与CLAHE算法相比，计算量有大幅降低。由于充分考虑了图像的局部特性，局部方法相对于基于全局直方图的算法能够得到较好地局部增强效果，但其计算量仍然较大，难以实时实现，且有容易放大噪声的缺点。算法[34]针对这些缺点提出了对局部直方图均衡算法的优化算法，大大减少了算法的计算复杂度，为局部直方图均衡算法在工程应用中的实时实现提供了可能。

2.2空域滤波增强

空域滤波主要包括线性滤波和非线性滤波2种。线性滤波的优点是计算复杂度低，但容易造成细节边缘模糊；非线性滤波器能够较好地保持图像边缘，高效去除信号中的噪声。图像处理中常用的空域滤波器主要有：均值滤波器、高斯滤波器、中值滤波器、形态学滤波器和多项式滤波器等[17]。空域滤波器能够实现图像的平滑与锐化，是常用的红外图像处理算法。由于其实现简单，其性能能够满足基本的图像处理要求，在实际场合中常常通过选择合适的空域滤波器，在对应的场合下得到较好的增强效果。

2.3变换域增强

基于傅里叶变换的频域增强方法[35]的主要思想都是利用二维离散傅里叶变换将图像从空间域变换至频域，对频域参数进行修改来对图像中某些频率的信息进行增强或者抑制，之后再通过反变换得到增强后的图像。但如果仅简单地对图像高频部分进行提升或是对低频部分进行抑制，会出现“振铃”的现象，影响图像的主观效果。基于小波变换的图像增强算法[35]的基本原理与傅里叶变换增强类似：利用小波变换在变换域内设定不同的变换尺度，从而分离原图像中相异分辨率的图像特征，将各种图像特征转变为对应的小波分量，再使用适当的变换函数对各个分量进行变换处理，以增强相异分辨率的图像特征。但小波变换的基是各向同性的，适合表示点奇异的信号。然而面对各向异性的线奇异或者面奇异高维信号，如图像的边界以及线状特征等，小波变换不能最优地表示，从而会影响增强效果。且这类算法的执行效率不高，实时实现也相对困难，工程上用得并不多。

Contourlet变换[36]作为解决小波变换角分辨问题而产生的一种新的图像多尺度几何分析工具，具有多分辨率、局部定位、多方向性和各向异性等性质，弥补了小波变换只拥有有限的方向表示，不能很好地表示图像中的方向信息这一缺陷。该变换基函数分布于多尺度、多方向上，少量系数即可获得含有线和面奇异性信息的图像的稀疏表示。

Contourlet变换是由一个双滤波器组结构来实现的：首先对图像进行拉普拉斯塔式分解(Laplacian Pyramid，LP)产生原始信号的一个低通采样逼近及原始图像与低通预测图像之间的一个差值图像，对得到的低通图像继续分解得到下一层的低通图像和差值图像，如此逐步滤波得到图像的多分辨率分解；然后由方向滤波器组(Directional Filter Banks，DFB)将分布在同方向上的奇异点合成为一个系数，从而捕获图像中的轮廓，最终以类似线段的基结构来逼近原图像。实现方式如图4所示[36]。

图4　Contourlet滤波器组示意

利用Contourlet变换算法进行图像增强，主要是用Contourlet变换对图像进行多尺度的表达，用增强算子对变换的各个子带系数做增强处理，以得到边缘细节与纹理特征的增强效果[37]。

3　总结与展望

红外图像降噪与增强对于提高红外成像系统的性能具有显著作用。经典的降噪与增强算法往往计算复杂度低，算法简单易于实现，但是对于图像的降噪与增强效果有限，且往往会带来细节模糊、过增强等副作用。近年来，学者将经典算法与非局部分析方法、Retinex模型和多尺度几何分析方法等多种数学工具结合，同时加入了局部化的思想与人眼视觉模型，提出了很多新算法[38-43]。文献[39]将小波变换与对比度受限的局部直方图均衡算法结合起来，利用小波域的特性得到了较好的效果；文献[40]将多尺度图像分析与人眼视觉系统(Human Visual System，HVS)结合进行图像增强；文献[41]提出了对称对数模型(Symmetric Logarithmic Image Processing，SLIP)，结合图像的反射模型得到了更好的增强效果；文献[42]利用梯度域信息来约束引导滤波，从而避免光晕效应等副作用，文献[43]将图像细节增强转化为求解基于L0范数的优化问题。其中不少算法的噪声抑制效果和细节增强效果都很优秀。

在红外图像的增强算法研究中，基于单一的统计特征进行的增强显然已经难以满足实际需求。增强方法现在更多地追求利用局部信息，针对人眼特性进行优化与增强，从而得到更好的增强效果。本文涉及的方法均在图像处理效果上有一定突破。然而由于更复杂的数学工具的应用，这些算法大都具有计算量大、难以实时实现的特点，且存在对于多样性的场景难以做到自适应处理、算法中阈值与参数需要凭经验确定、图像过增强和丧失了温度单调性等问题。这就限制了这些方法在不同的实际场合中的实现与应用。因此，尽管世界范围内的红外图像降噪与增强问题的研究工作与技术途径已经得到大力发展，但由于硬件系统与成本的制约，许多算法由于计算量大，难以做到实时处理的要求，目前仍只有理论意义。

在今后相当长的一段时间内，红外图像降噪与增强最重要的工作还是在保证效果与计算量的前提下优化现有方法，提高其性能并使之具有对于多种场景的自适应性；对于性能优秀的新数学工具，需要在尽量保证性能的前提下提高算法处理速度使之能够适用于工程应用；同时基于红外图像的特性，研究更全面的红外图像模型，并考虑人眼的视觉特性，改善图像处理后最终的视觉效果。

[1]牛金星，郭朋彦.红外成像技术及其应用[J].华北水利水电学院学报，2011，32(4):25-27.

[2]唐晓燕，高昆，倪国强.激光3D成像系统主被动探测技术的研究进展[J].激光与红外，2013，43(9):986-989.

[3]MA J，ZHAO J，MA Y，et al.Non-rigid Visible and Infrared Face Registration via Regularized Gaussian Fields Criterion[J].Pattern Recognition，2014，48(3):772-784.

[4]LI X，ZHANG W，GUI X，et al.Efficient Reversible Data Hiding Based on Multiple Histograms Modification[J].IEEE Transactions on Information Forensics & Security，2015(10):1-1.

[5]LIU L，LONG Y，FIEGUTH P W，et al.BRINT: Binary Rotation Invariant and Noise Tolerant Texture Classification[J].Signal Processing，2014，23(7):3 071-3 084.

[6]李相民,倪国强.红外热像仪的噪声分析[J].红外与激光工程,2008,37(S2):523-526.

[7]周建勋，王利平，刘滨.红外图像非均匀性产生原因分析[J].红外与激光工程，1997(3):11-13.

[8]董立泉，金伟其，隋婧.基于场景的红外焦平面阵列非均匀性校正算法综述[J].光学技术，2008，34(S1):70-75.

[9]邹前进，冯亮，汪亚.红外图像空间噪声分析和预处理方法改进[J].应用光学，2007，28(4):426-430.

[10]张凡.红外图像改进非局部均值滤波算法研究[J].激光技术，2015，39(5):662-665.

[11]白瑞广，金湘亮，徐杰.一种基于运动估计的视频降噪算法[J].激光与红外，2014(4):443-446.

[12]高辉，谢永昌，狄红卫.一种基于时空联合的实时视频降噪算法[J].微型机与应用，2011，30(16):36-38.

[13]TOMASI C，MANDUCHI R.Bilateral Filtering for Gray and Color Images[C]∥International Conference on Computer Vision.IEEE Computer Society，1998:839-846.

[14]YU J，WANG Y，SHEN Y.Noise Reduction and Edge Detection Via Kernel Anisotropic Diffusion[J].Pattern Recognition Letters，2008，29(10):1 496-1 503.

[15]HEIDARZADEH A，NASIRI AVANAKI A.An Enhanced Nonlocal-means Algorithm for Image Denoising[C]∥International Symposium on Signal Processing and ITS Applications，2007:1-4.

[16]HE K，SUN J，TANG X.Guided Image Filtering[J].Pattern Analysis & Machine Intelligence IEEE Transactions on，2013，35(6):1 397-1 409.

[17]冈萨雷斯(美).数字图像处理(第2版)[M].北京:电子工业出版社，2007.

[18]KIM J Y，KIM L S，HWANG S H.An Advanced Contrast Enhancement Using Partially Overlapped Sub-block Histogram Equalization[J].IEEE Transactions on Circuits & Systems for Video Technology，1999，11(4):475-484.

[19]FLIR.Thermal Infrared Dataset[EB/OL].http:∥projects.asl.ethz.ch/datasets/doku.php?id=ir:iricra2014.

[20]范永杰，金伟其，刘斌,等.FLIR公司热成像细节增强DDE技术的分析[J].红外技术，2010，32(3):161-164.

[21]王国权，仲伟波.灰度图像增强算法的改进与实现研究[J].计算机应用研究，2004，21(12):175-176.

[22]李乐鹏，孙水发，夏冲,等.直方图均衡技术综述[J].计算机系统应用，2014，23(3):1-8.

[23]PIZER S M，AMBURN E P，AUSTIN J D，et al.Adaptive Histogram Equalization and Its Variations[J].Computer Vision Graphics & Image Processing，1987，39(3):355-368.

[24]KIM Y T.Contrast Enhancement Using Brightness Preserving Bi-histogram Equalization[J].IEEE Transactions on Consumer Electronics，1997，43(1):1-8.

[25]王炳健，刘上乾，周慧鑫,等.基于平台直方图的红外图像自适应增强算法[J].光子学报，2005，34(2):299-301.

[26]宋岩峰，邵晓鹏，徐军.基于双平台直方图的红外图像增强算法[J].红外与激光工程，2008，37(2):308-311.

[27]OOIC H，KONG N S P，IBRAHIM H.Bi-histogram Equalization with a Plateau Limit for Digital Image Enhancement[J].IEEE Transactions on Consumer Electronics，2009，55(4):2 072-2 080.

[28]SINGH K，KAPOOR R.Image Enhancement Using Exposure Based Sub Image Histogram Equalization[J].Pattern Recognition Letters，2014，36(1):10-14.

[29]KIMS W，CHOI B D，PARK W J，et al.2D Histogram Equalisation Based on the Human Visual System[J].Electronics Letters，2016，52(6):443-445.

[30]ZHAO W，HUANG L，WANG J，et al.Entropy Maximisation Histogram Modification Scheme for Image Enhancement[J].Iet Image Processing，2015，9(3):226-235.

[31]PIZER S M，AMBURN E P，AUSTIN J D，et al.Adaptive Histogram Equalization and Its Variations[J].Computer Vision Graphics & Image Processing，1987，39(3):355-368.

[32]KIM T K，PAIK J K，KANG B S.Contrast Enhancement System Using Spatially Adaptive Histogram Equalization with Temporal Filtering[J].Consumer Electronics IEEE Transactions on，1998，44(1):82-87.

[33]江巨浪，张佑生，薛峰,等.保持图像亮度的局部直方图均衡算法[J].电子学报，2006，34(5):861-866.

[34]贾鹏，李江勇.子块重叠局部直方图均衡算法的优化研究[J].激光与红外，2012，42(12):1 381-1 384.

[35]田丽军，张剑飞.基于傅氏和小波变换的图像频域处理研究[J].微计算机信息，2008，24(15):306-308.

[36]DO M N，VETTERLI M.The Contourlet Transform: an Efficient Directional Multiresolution Image Representation[J].IEEE Transactions on Image Processing a Publication of the IEEE Signal Processing Society，2005，14(12):2 091-2 106.

[37]LI S，FANG L，YIN H.Multitemporal Image Change Detection Using a Detail-Enhancing Approach With Nonsubsampled Contourlet Transform[J].IEEE Geoscience & Remote Sensing Letters，2012，9(9):836-840.

[38]JANG J H，BAE Y，RA J B.Contrast-Enhanced Fusion of Multisensor Images Using Subband-Decomposed Multiscale Retinex[J].IEEE Transactions on Image Processing a Publication of the IEEE Signal Processing Society，2012，21(8):3 479-3 490.

[39]HUANG L，ZHAO W，WANG J，et al.Combination of Contrast Limited Adaptive Histogram Equalisation and Discrete Wavelet Transform for Image Enhancement[J].Iet Image Processing，2015，9(10):908-915.

[40]NERCESSIANS C，PANETTA K A，AGAIAN S S.Non-linear Direct Multi-scale Image Enhancement Based on the Luminance and Contrast Masking Characteristics of the Human Visual System[J].IEEE Transactions on Image Processing a Publication of the IEEE Signal Processing Society，2013，22(9):3 549-3 561.[41]NAVARRO L，DENG G，COURBEBAISSE G.The Symmetric Logarithmic Image Processing Model[J].Digital Signal Processing，2013，23(5):1 337-1 343.

[42]KOU F，CHEN W，WEN C，et al.Gradient Domain Guided Image Filtering[J].IEEE Transactions on Image Processing a Publication of the IEEE Signal Processing Society，2015，24(11):4 528-4 539.

[43]KOU F，CHEN W，LI Z，et al.Content Adaptive Image Detail Enhancement[J].IEEE Signal Processing Letters，2015，22(2):211-215.

王洋男，(1989—)，博士研究生。主要研究方向：红外图像的降噪与增强、图像压缩编码与信息隐藏技术。

潘志斌男，(1963—)，2000年取得日本东北大学(Tohoku University)电子工学博士学位。现为西安交通大学教授、博士生导师。主要研究方向：图像处理、信息隐藏、目标识别及全局优化算法。已完成国家自然科学基金、省市科研基金等多项，在IEEE Trans.Image Processing，IEEE Trans.Geoscience and Remote Sensing等期刊上发表SCI论文42篇，获得中国发明专利授权3项，韩国发明专利授权1项。

Review of De-noise and Enhancement Technology for Infrared Image

WANG Yang，PAN Zhi-bin

(SchoolofElectronicandInformationEngineering,Xi’anJiaoTongUniversity，Xi’anShaanxi710049，China)

As the current technology of the infrared imaging system is far from perfect，an infrared image inevitably includes a variety of noise with low SNR，the details blur and other non-ideal characteristics.Although lots of research work of infrared imaging techniques are performed，the current processing methods based on infrared imaging is faced with many challenges，a relatively complete and mature theoretical system similar to that in visible light imaging domain has not been established，and a summary of systematic research progress is still lacking.This paper reviews the recent development of infrared image processing and describes in detail the noise reduction and image enhancement processing.The problems of current infrared image processing methods are analyzed and summarized，and the potential development trend is discussed.

infrared image processing；image de-noising；image contrast enhancement；image detail enhancement

10.3969/j.issn.1003-3106.2016.10.01

2016-07-08

高等学校博士学科点专项科研基金(博士生导师类)资助项目(20130201110071)；陕西省工业攻关项目(2016GY-097)。

TP391.4

A

1003-3106(2016)10-0001-07

引用格式：王洋,潘志斌.红外图像降噪与增强技术综述[J].无线电工程,2016,46(10):1-7,28.