一种基于双边滤波的高动态红外图像压缩与细节增强算法

谢岱伟

(中国船舶重工集团公司第七二三研究所,江苏 扬州 225101)

0 引 言

红外探测器具有低噪声、高灵敏度、输出图像动态范围高的特点[1]。一般的14位红外探测的动态范围为16 384。而以一般的显示设备来说，灰度范围为256个灰度级，即灰度图像的像素分布为0～255。又由于红外图像的动态范围大于一般的显示设备，所以，为了能够在显示设备上显示红外图像，一般需要对红外图像进行动态范围的压缩。一方面，如果将14位数据压缩到8位数据[2]，压缩方法不当，则会造成红外图像蕴含的丰富细节的损失；另一方面，红外图像存在着大量冗余的灰度级，像素点很少布满整个灰度级的空间[3-4]，这就造成了红外图像的亮度整体偏暗，对比度差，如何增强高动态范围的红外图像的细节成了研究热点。

常见的研究方向包括：

(1) 基于直方图统计的研究方法，如Vickers[5]在直方图均衡(HE)的基础上提出了平台直方图均衡(PE)，他使用一个平台阈值限制像素个数较多的灰度级对像素较少的灰度级的挤压效应，使得均衡化后的灰度级概率密度累积分布函数(CDF)分布更加平缓，防止了HE处理造成图像的“过暗”或“过亮”现象。

(2) 有基于图像锐化和非锐化掩模的研究方法，如王远超[6]在拉式锐化的基础上，提出了一种受限拉式锐化，用一个因子调整拉式锐化的程度，因子越大，锐化越明显。Branchitta[7]等人将双边滤波和UM的思想结合，提出了一种用双边滤波算法平滑图像，从而将图像分层的算法(BF-DRP)。为了提升对比度，他们使用非线性的Gamma变换，取得了不错的效果；但是，由于双边滤波的不稳定性，会有梯度反转现象的发生。

(3) 有基于Retinex理论的研究方法，如汪荣贵[8]、张新龙、张璇、方帅改进了入射分量(DC系数)和反射分量(AC系数)，并采取一个阈值，抑制块状效应，他们的结果不仅保持了不错的色彩，细节增强效果也相当不错，块状效应被抑制。

针对当前高动态红外图像压缩与细节增强算法中，可能出现的“光晕”、“梯度反转”等伪像的现象，同时抑制噪声对图像的影响，本文提出了一种基于双边滤波的图像压缩与细节增强算法。

1 基于双边滤波的细节增强算法研究

1.1 双边滤波的定义

1998年，Tomasi和Manduchi 提出了一种具有保边效果的平滑滤波器——双边滤波器，在常规高斯滤波的基础上，加上亮度相似因子，形成了一种非线性滤波的、可以迭代的、基于局部像素的保边平滑滤波器。双边滤波器自提出以来得到了广泛的应用，其定义如下所示：

gr(f(i,j)-f(i′,j′))×f(i′,j′)

(1)

gr(f(i,j)-f(i′,j′))

(2)

式中：k(i,j)表示归一化系数；f(i,j)表示输入图像，即原图；fbf(i,j)表示输出图像，即双边滤波后的图；i′,j′∈M(i,j)，表示(i′,j′)是在邻域M下，中心为(i,j)的周围像素；gs表示一个标准化的高斯核函数，标准化指的是高斯模板各个系数加起来和为1。

因为高斯函数对红外图像的处理效果还不错，亮度函数也是高斯函数的形式。

1.2 梯度反转及其消除

对于强边缘处的像素，很少有像素的灰度值与之相近。而高斯系数是一种局部的加权平均，对于这种情况，高斯系数是很不稳定的。这会将图像的边缘过分增强。原图像与滤波后的图像相减后得到的细节，在图像的强边缘处又因为反转的梯度被增强。

由图1的一维信号可知，由于双边滤波对边缘的过分增强，使得细节层出现了梯度反转。

图1 一维信号的梯度反转

可以使用自适应高斯滤波来修正梯度反转现象[9]，得到自适应高斯滤波的方差如下：

(3)

得到了σ2(i,j)，便可以使用自适应高斯来修正梯度反转。使用自适应高斯滤波前后细节层对比如图2所示。

1.3 基频的平台直方图处理

经过双边滤波和自适应高斯滤波得到的基本层属于图像中的低频信息，这部分包含的细节信息很少，只需要将动态范围较大的基本层(14位)压缩到8位的低动态范围，得到图像的基本层即可。

这里使用平台直方图(PE)对低频信息进行动态的压缩。虽然通过平台阈值滤除了一定的像素，但是使得平台修正后的直方图分布趋于均匀，不再象原有的直方图像素聚集在某几个灰度级上。这样，使得累积分布函数CDF增加缓慢，这样均衡化就可以使间距变小，得到灰度分布更均匀的图像，缓解了直方图两端像素被压缩合并的问题。使用HE与PE压缩基频效果如图3所示。

图3 基本层图像平台直方图与直方图均衡处理效果对比

1.4 细节层的噪声抑制和自适应增强

细节层对应图像的高频部分，但其中包含了许多噪声。因此，在放大细节层的同时，也要抑制图像的噪声。

由实验可知，如果细节分布在平坦的区域，人眼很容易观察到；如果细节分布在图像变化大的地方，人眼不容易看得到。基于这种视觉特性，当噪声处在变化范围较大的区域时，不容易被观察到。

根据上述的分析，可以用一个线性的公式代表增益G(i,j)(根据k(i,j)的变化而变化)：

G(i,j)=Gmin+[1-k(i,j)]×(Gmax-Gmin)

(4)

本文使用的增益参数为Gmin=1,Gmax=5。自适应地增强了细节层后，再用自动增益控制(AGC)算法调整细节层的动态范围至0～255，即可得到增强后的8位细节层。

图4给出了细节经过自适应增强前后的对比图。

图4 自适应增益前后的细节层对比

由图4可见，经过自适应增益处理后的图像，在图中的平坦区域更加光滑，图像显得更加干净。

1.5 细节层与基本层的合成

将细节层和基本层都调整到8 bit(0～255)的动态范围后，就可以将细节层和基本层按照一定的比例叠加在一起。

因为需要保持叠加后图片的动态范围也在0～255之间，现将细节层所占比例设置为x(0

Iout=x×Idetail+(1-x)Ibase

(5)

式中：Idetail表示动态范围调整之后的细节层；Ibase表示动态范围调整之后的基本层。

这样，图像合成之后的动态范围也在0～255。

图5表示了不同的合成比例对合成结果的影响。

图5 细节层占比不同效果对比

综上，基于双边滤波的细节增强算法可以用图6表示。

图6 BF-DDE处理流程图

2 实验及结果分析

图7给出了原图像经过直方图均衡(HE)、平台直方图均衡(PE)、自适应增益(AGC)、基于双边滤波的细节增强(BF-DDE)结果。

由图7可见，BF-DDE在压缩时保护了图像中的细节信息，雕塑、楼梯、栏杆处的细节增强效果明显。

3 结束语

针对高动态红外图像显示时不当压缩方法会造成图像细节的大量流失问题，本文提出了一种针对红外图像在动态压缩中的细节增强算法。该方法使用双边滤波平滑图像，双边滤波不仅具有平滑图像的能力，还能够保护图像的边缘，从而消除了一般的平滑滤波器会产生的“光晕”现象。但是，由于双边滤波会带来梯度反转的问题，本文采用自适应高斯滤波消除了此现象。使用平台直方图对基频压缩，消除了HE可能存在的图像过明或过暗问题。使用自适应的增益系数放大细节，抑制了噪声对图像的影响。

图7 原图和BF-DDE处理效果的对比