CN117218026B - 一种红外图像增强方法及装置 - Google Patents

Abstract

本发明公开了一种红外图像增强方法及装置，所述方法包括：获取低通滤波器尺度参数集合和加权系数集合；基于所述低通滤波器尺度参数集合，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到初级增强红外图像集合；根据所述加权系数集合，对所述初级增强红外图像集合进行处理，得到最终红外增强图像。本发明通过对光照图像进行低通滤波和基于直方图的自适应伽马校正处理，以增强图像对比度；对反射图像进行引导滤波，以增强图像细节、边缘、纹理信息；最后再融合各尺度的增强图像得到最终结果。可见，本发明提供的技术方案，有效实现了红外图像噪声滤除、对比度增强、边缘和细节保留。

Description

一种红外图像增强方法及装置

技术领域

本发明涉及图像处理技术领域，具体涉及一种红外图像增强方法及装置。

背景技术

红外成像设备具有全天候工作的特点，目前已被广泛应用于监控、探测、预警等场景。在各类红外成像设备中，机载长焦红外相机焦距长、视角宽，可以远距离、大范围摄取目标场景图像，具有非常重要的应用价值。但由于探测距离远以及红外成像探测机理的限制，机载长焦红外相机更易受传输路径环境因素的影响，信号衰减强烈、接收到的红外热辐射信号远弱于近距离红外成像设备，因此，产生的红外图像噪声多、对比度低、清晰度不足、弱小目标易被掩盖。红外图像增强处理技术是提升红外图像质量、增强图像可用度的重要手段。但由于机载长焦红外相机尚未在社会大规模使用，因此，目前多数文献主要研究近距离红外成像设备图像增强处理技术，针对机载长焦红外相机的图像增强处理技术研究少之又少。

目前，常见的图像增强算法有基于直方图均衡的算法，此类算法可高效增强图像对比度，但由于简单地对图像灰度级进行截断和合并，会造成机载长焦红外相机图像细节信息的大量丢失。此外，还有基于双边滤波的图像增强算法，此类算法的显著特点是将图像信号分解成基础层和细节层，分别用不同的算法对基础层进行平滑滤波处理，对细节层进行增强处理，最后对处理结果进行融合，此种处理策略力图在过滤图像噪声、增强对比度的同时，保留图像细节和边缘信息。最近，基于引导滤波的图像增强处理算法受到广泛关注，多数研究表明，引导滤波的效果要优于双边滤波。在引导滤波中，引导图像发挥了重要作用，它提供了关于图像的关键信息，用于指导滤波器哪些像素点应该滤除、哪些像素点应该保留，哪些像素点应该增强。但已有的基于引导滤波的各种图像处理算法均使用原始图像作为引导图像，而原始图像本身是待处理的图像，包含噪声，细节特征又不显著，根据引导滤波原理，会错误地实施引导，不可避免地放大图像噪声，同时使得图像细节信息增强不足。

发明内容

本发明所要解决的技术问题在于，针对机载长焦红外相机图像动态范围大、对比度低、目标信号弱、噪声强的特点，提供了一种高效、实用的红外图像增强方法及装置，有利于在红外图像增强处理中，既能增强关键细节信息，又能减少噪声，提升图像质量。

为了解决上述技术问题，本发明实施例第一方面公开了一种红外图像增强方法，所述方法包括：

S1、获取低通滤波器尺度参数集合和加权系数集合；所述低通滤波器尺度参数集合包括S组低通滤波器尺度参数；所述低通滤波器尺度参数集合内的低通滤波器尺度参数依次降低；所述加权系数集合中包括S个加权系数；所述加权系数集合中加权系数与所述低通滤波器尺度参数集合中低通滤波器尺度参数相对应；

S2、基于所述低通滤波器尺度参数集合，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到初级增强红外图像集合；所述预设的序贯引导滤波图像增强模型包括光照图像生成单元、反射图像生成单元和引导滤波单元；所述原始红外图像表征被增强红外图像；

S3、根据所述加权系数集合，对所述初级增强红外图像集合进行处理，得到最终红外增强图像。

作为一种可选的实施方式，在本发明实施例第一方面中，所述基于所述低通滤波器尺度参数集合，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到初级增强红外图像集合，包括：

S21、从所述低通滤波器尺度参数集合中依次选取低通滤波器尺度参数，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到S个初级增强红外图像；所述S表征所述低通滤波器尺度参数集合包含的低通滤波器尺度参数的数目；

S22、将所述S个所述初级增强红外图像进行集合处理，得到初级增强红外图像集合，所述初级增强红外图像集合中初级增强红外图像的顺序，与所述低通滤波器尺度参数集合中低通滤波器尺度参数相对应。

作为一种可选的实施方式，在本发明实施例第一方面中，所述从所述低通滤波器尺度参数集合中依次选取低通滤波器尺度参数，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到S个初级增强红外图像，包括：

S211、构建指针变量p；所述指针变量p的初始值为1；

S212、从所述低通滤波器尺度参数集合中选取第p组低通滤波器尺度参数；

S213、基于所述第p组低通滤波器尺度参数，利用所述光照图像生成单元对原始红外图像进行处理，得到第p个光照图像；所述光照图像生成单元包括低通滤波处理和自适应伽马校正处理，用于从原始图像中分解出光照图像；

S214、利用所述反射图像生成单元，对所述第p个光照图像和原始红外图像进行处理，得到第p个反射图像；所述反射图像生成单元包括对数转换处理和指数变换处理，用于从原始图像和光照图像中解析出光照图像；

S215、利用所述引导滤波单元，对所述第p个反射图像和引导图像进行引导滤波处理，得到引导滤波后第p个图像；当所述指针变量p为1时，所述引导图像为原始红外图像，当所述指针变量p大于1时，所述引导图像为第p-1个初级增强红外图像；所述引导滤波单元用于利用引导图像对输入的反射图像进行线性变换，达到优化反射图像的目的；

S216、将所述第p个光照图像和所述引导滤波后第p个图像进行融合处理，得到第p个初级增强红外图像；

S217、将所述指针变量p更新为p+1，判断更新后的所述指针变量p是否大于S，得到第一判断结果；

如果所述第一判断结果为是，则执行步骤S22；

如果所述第一判断结果为否，则执行步骤S212。

作为一种可选的实施方式，在本发明实施例第一方面中，所述基于所述第p组低通滤波器尺度参数，利用所述光照图像生成单元对原始红外图像进行处理，得到第p个光照图像，包括：

S2131、基于所述第p组低通滤波器尺度参数，使用低通滤波模型对原始红外图像进行卷积处理，得到第p个光照图像估计结果；

所述低通滤波模型表示为：

式中，L_p为第p个光照图像估计结果，Γ_p为第p组低通滤波器尺度参数下低通滤波器函数，为卷积算子，I为原始红外图像；

所述低通滤波器函数表示为：

式中，Γ_p(i,j)为第p组低通滤波器尺度参数下低通滤波器函数，(i,j)为图像像素点坐标，Z为归一化常数，c_p为第p组低通滤波器尺度参数；

S2132、对所述第p个光照图像估计结果进行基于直方图的自适应伽马校正处理，得到第p个光照图像。

作为一种可选的实施方式，在本发明实施例第一方面中，所述对所述第p个光照图像估计结果进行基于直方图的自适应伽马校正处理，得到第p个光照图像，包括：

S21321、计算所述第p个光照图像估计结果中各个灰度级的概率密度函数：

式中，p(m)为灰度级m的概率密度函数，n_m为第p个光照图像估计结果中灰度级为m的像素点个数，M为第p个光照图像估计结果的灰度等级，对8位图像，M＝2⁸，N为第p个光照图像估计结果总的像素点个数；

S21322、计算每个灰度级的累积分布函数

式中，p(m)为灰度级m的概率密度函数，F(m)为灰度级m的累积分布函数，M为第p个光照图像估计结果的灰度等级；

S21323、利用自适应伽马函数对每个像素点的灰度值进行校正，得到第p个光照图像；

所述自适应伽马函数表示为：

式中，T(m)为L_s中灰度级为m的像素点经自适应伽马校正后灰度值。

作为一种可选的实施方式，在本发明实施例第一方面中，所述利用所述反射图像生成单元，对所述第p个光照图像和原始红外图像进行处理，得到第p个反射图像，包括：

S2141、对所述第p个光照图像进行对数转换处理，得到对数域第p个光照图像；

S2142、对所述原始红外图像进行对数转换处理，得到对数域原始红外图像；

S2143、将所述对数域原始红外图像减去所述对数域第p个光照图像，得到对数域图像差值；

S2144、将所述对数域图像差值进行指数变换，得到第p个反射图像。

作为一种可选的实施方式，在本发明实施例第一方面中，经所述引导滤波单元处理后，所述引导滤波后第p个图像表示为所述第p个反射图像的线性函数，具体为：

式中，w_k为加权系数，b_k为补偿系数，ω_k表示中心点坐标为k、半径为r的滑窗；

通过最小化以下代价函数，求解参数w_k和b_k：

式中，λ为正则化参数，为正则化参数修正因子，衡量滤波滑动窗口内图像区域的匀质度，μ_k、/>分别为引导图像G_p的滑窗内像素点的均值和方差，/>为原始红外图像R_p的滑窗内像素灰度均值，|ω_k|表示滑窗中总的像素点个数；

为图像一阶梯度/>与二阶梯度/>的加权和，具体为：

式中，α为图像一阶梯度与二阶梯度所占的比例，其值取决于所处理的红外图像，当图像中匀质区域占主导时，α取较大值(大于0.5)；当图像中异质区域占主导时，α取较小值(小于0.5)；

所述图像一阶梯度为梯度能量(energy of gradient)算子：

式中，g_i，g_j分别为坐标i，j方向梯度：

g_i＝I(i+1,j)-I(i,j)

g_j＝I(i,j+1)-I(i,j)

所述图像二阶梯度为高斯拉普拉斯(Laplacian of Gaussian)算子：

式中，τ为辅助参数，像素点i(＝(x,y))处LoG算子，具体为：

式中，σ为滑窗的标准差。

作为一种可选的实施方式，在本发明实施例第一方面中，所述将所述第p个光照图像和所述引导滤波后第p个图像进行融合处理，得到第p个初级增强红外图像，包括：

将所述第p个光照图像和所述引导滤波后第p个图像进行相乘，得到第p个初级增强红外图像。

作为一种可选的实施方式，在本发明实施例第一方面中，所述根据所述加权系数集合，对所述初级增强红外图像集合进行处理，得到最终红外增强图像，包括：

将所述初级增强红外图像集合中所有初级增强红外图像进行加权求和，得到最终的红外增强图像。

本发明实施例第二方面公开了一种红外图像增强装置，所述装置包括：

获取模块；用于获取低通滤波器尺度参数集合和加权系数集合；所述低通滤波器尺度参数集合包括S组低通滤波器尺度参数；所述低通滤波器尺度参数集合内的低通滤波器尺度参数依次降低；所述加权系数集合中包括S个加权系数；所述加权系数集合中加权系数与所述低通滤波器尺度参数集合中低通滤波器尺度参数相对应；

初级增强模块；用于基于所述低通滤波器尺度参数集合，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到初级增强红外图像集合；所述预设的序贯引导滤波图像增强模型包括光照图像生成单元、反射图像生成单元和引导滤波单元；

加权增强模块；用于根据所述加权系数集合，对所述初级增强红外图像集合进行处理，得到最终红外增强图像。

与现有技术相比，本发明实施例具有以下有益效果：

(1)本发明对原始红外图像进行低通滤波后得到的光照图像保留了图像低频信号成分，原始图像中的关键细节信息被保留在反射图像中，光照图像的直方图其灰度分布更佳均匀，此时再利用基于直方图的自适应伽马校正对光照图像进行处理，图像噪声不会被放大，关键细节信息不会丢失，可获得更佳的图像对比度增强效果。

(2)本发明对反射图像进行引导滤波，因反射图像包含了原始图像的关键细节信息，如边缘、纹理等，引导滤波在增强图像细节的同时还滤除了反射图像中的高频噪声信号；针对现有技术均使用原始图像做引导图像，易导致噪声被放大、细节信息增强不足的问题，借鉴了序贯处理思想，将上一尺度得到的增强图像作为下一尺度引导滤波的引导图像，进一步增强了引导滤波器对图像噪声的滤除效果和细节增强效果。

(3)本发明针对机载长焦红外图像动态范围大、图像场景多的特点，借鉴神经网络模型平均的思想，引入多个图像梯度作为引导滤波的正则化参数，使引导滤波能自动适应图像中多种类型区域，与现有技术相比，本发明鲁棒性更强。

附图说明

图1为本发明实施例公开的一种红外图像增强方法流程示意图；

图2为本发明实施例公开的基于预设的序贯引导滤波图像增强模型的红外图像增强方法流程示意图；

图3是本发明实施例公开的一种红外图像增强装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本发明公开了一种红外图像增强方法及装置，有利于增强红外图像的关键细节信息，同时图像噪声不会被放大，可获得更佳的图像对比度增强效果。以下分别进行详细说明。

实施例一

请参阅图1。图1为本发明实施例公开的一种红外图像增强方法流程示意图。图1所描述的红外图像增强方法应用于红外图像增强***中，如用于红外图像增强的本地服务器或云端服务器等，本发明实施例不做限定。如图1所示，该红外图像增强方法可以包括以下操作：

S1、获取低通滤波器尺度参数集合和加权系数集合；

本发明实施例中，上述低通滤波器尺度参数集合包括S组低通滤波器尺度参数，且低通滤波器尺度参数集合内的低通滤波器尺度参数依次降低，以降低对光照图像的平滑程度，防止过度平滑造成图像纹理丢失和图像失真；上述加权系数集合中包括S个加权系数，且加权系数依次增加；上述加权系数集合中加权系数与上述低通滤波器尺度参数集合中低通滤波器尺度参数相对应。

需要说明的是，S取值为不小于5的正整数，即，低通滤波器尺度参数集合包括不小于5组的低通滤波器尺度参数，用户可以根据实际处理之后的效果再增减或者减少。

S2、基于低通滤波器尺度参数集合，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到初级增强红外图像集合；

本发明实施例中，上述预设的序贯引导滤波图像增强模型包括光照图像生成单元、反射图像生成单元和引导滤波单元；所述原始红外图像表征被增强红外图像。

S3、根据加权系数集合，对初级增强红外图像集合进行处理，得到最终红外增强图像。

本发明实施例中，上述各尺度初级增强红外图像的加权系数为常数1减去归一化的低通滤波器尺度参数，目的是加大后续处理得到的初级增强图像在最终红外增强图像生成时所占的比重。

在一个可选的实施例中，如图2所示，图2为本发明实施例公开的基于预设的序贯引导滤波图像增强模型的红外图像增强方法流程示意图；上述基于所述低通滤波器尺度参数集合，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到初级增强红外图像集合，包括：

S21、从所述低通滤波器尺度参数集合中依次选取低通滤波器尺度参数，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到S个初级增强红外图像；所述S表征所述低通滤波器尺度参数集合包含的低通滤波器尺度参数的数目；

S22、将所述S个所述初级增强红外图像进行集合处理，得到初级增强红外图像集合，所述初级增强红外图像集合中初级增强红外图像的顺序，与所述低通滤波器尺度参数集合中低通滤波器尺度参数相对应。

在另一个可选的实施例中，上述从所述低通滤波器尺度参数集合中依次选取低通滤波器尺度参数，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到S个初级增强红外图像，包括：

S211、构建指针变量p；所述指针变量p的初始值为1；

S212、从所述低通滤波器尺度参数集合中选取第p组低通滤波器尺度参数；

S213、基于所述第p组低通滤波器尺度参数，利用所述光照图像生成单元对原始红外图像进行处理，得到第p个光照图像；

S214、利用所述反射图像生成单元，对所述第p个光照图像和原始红外图像进行处理，得到第p个反射图像；所述反射图像生成单元包括对数转换处理和指数变换处理，用于从原始图像和光照图像中解析出光照图像；

S215、利用所述引导滤波单元，对所述第p个反射图像和引导图像进行引导滤波处理，得到引导滤波后第p个图像；当所述指针变量p为1时，所述引导图像为原始红外图像，当所述指针变量p大于1时，所述引导图像为第p-1个初级增强红外图像；所述引导滤波单元用于利用引导图像对输入的反射图像进行线性变换，达到优化反射图像的目的；

S216、将所述第p个光照图像和所述引导滤波后第p个图像进行融合处理，得到第p个初级增强红外图像；

S217、将所述指针变量p更新为p+1，判断更新后的所述指针变量p是否大于S，得到第一判断结果；

如果所述第一判断结果为是，则执行步骤S22；即，当指针变量p大于S时，说明已将低通滤波器尺度参数集合中所有低通滤波器尺度参数遍历完毕。

如果所述第一判断结果为否，则执行步骤S212；即，当指针变量p不大于S时，说明已将低通滤波器尺度参数集合中还有有低通滤波器尺度参数未使用，需要继续进行循环执行。

在又一个可选的实施例中，上述基于所述第p组低通滤波器尺度参数，利用所述光照图像生成单元对原始红外图像进行处理，得到第p个光照图像，包括：

S2131、基于所述第p组低通滤波器尺度参数，使用低通滤波模型对原始红外图像进行卷积处理，得到第p个光照图像估计结果；

所述低通滤波模型表示为：

式中，L_p为第p个光照图像估计结果，Γ_p为第p组低通滤波器尺度参数下低通滤波器函数，为卷积算子，I为原始红外图像；

所述低通滤波器函数表示为：

式中，Γ_p(i,j)为第p组低通滤波器尺度参数下低通滤波器函数，(i,j)为图像像素点坐标，Z为归一化常数，c_p为第p组低通滤波器尺度参数；

S2132、对所述第p个光照图像估计结果进行基于直方图的自适应伽马校正处理，得到第p个光照图像。

可见，实施本发明实施例所描述的红外图像增强方法，通过对原始图像进行低通滤波和基于直方图的自适应伽马校正处理，有利于增强图像对比度。

在又一个可选的实施例中，上述对所述第p个光照图像估计结果进行基于直方图的自适应伽马校正处理，得到第p个光照图像，包括：

S21321、计算所述第p个光照图像估计结果中各个灰度级的概率密度函数：

式中，p(m)为灰度级m的概率密度函数，n_m为第p个光照图像估计结果中灰度级为m的像素点个数，M为第p个光照图像估计结果的灰度等级，对8位图像，M＝2⁸，N为第p个光照图像估计结果总的像素点个数；

S21322、计算每个灰度级的累积分布函数

式中，p(m)为灰度级m的概率密度函数，F(m)为灰度级m的累积分布函数，M为第p个光照图像估计结果的灰度等级；

S21323、利用自适应伽马函数对每个像素点的灰度值进行校正，得到第p个光照图像；

所述自适应伽马函数表示为：

式中，T(m)为L_s中灰度级为m的像素点经自适应伽马校正后灰度值。

在又一个可选的实施例中，上述利用所述反射图像生成单元，对所述第p个光照图像和原始红外图像进行处理，得到第p个反射图像，包括：

S2141、对所述第p个光照图像进行对数转换处理，得到对数域第p个光照图像；

S2142、对所述原始红外图像进行对数转换处理，得到对数域原始红外图像；

S2143、将所述对数域原始红外图像减去所述对数域第p个光照图像，得到对数域图像差值；

S2144、将所述对数域图像差值进行指数变换，得到第p个反射图像。

在又一个可选的实施例中，经所述引导滤波单元处理后，所述引导滤波后第p个图像表示为所述第p个反射图像的线性函数，具体为：

式中，w_k为加权系数，b_k为补偿系数，ω_k表示中心点坐标为k、半径为r的滑窗；

通过最小化以下代价函数，求解参数w_k和b_k：

式中，λ为正则化参数，为正则化参数修正因子，衡量滤波滑动窗口内图像区域的匀质度，μ_k、/>分别为引导图像G_p的滑窗内像素点的均值和方差，/>为原始红外图像R_s的滑窗内像素灰度均值，|ω_k|表示滑窗中总的像素点个数；

为图像一阶梯度/>与二阶梯度/>的加权和，具体为：

式中，α为图像一阶梯度与二阶梯度所占的比例；

所述图像一阶梯度为梯度能量(energy of gradient)算子：

式中，g_i，g_j分别为坐标i，j方向梯度：

g_i＝I(i+1,j)-I(i,j)

g_j＝I(i,j+1)-I(I,k)

所述图像二阶梯度为高斯拉普拉斯(Laplacian of Gaussian)算子：

式中，τ为辅助参数，像素点i(＝(x,y))处LoG算子，具体为：

式中，σ为滑窗的标准差。

需要说明的是，本实施例所公开的序贯引导滤波，其特点是借鉴神经网络中模型平均的思想，针对高动态范围的机载长焦红外图像一般具有丰富的区域场景，单一的图像区域信息度量指标难以完全适应的问题，引入多种类型的图像区域信息度量指标作为正则化参数，以增强滤波器的边缘和细节保持性能；同时借鉴序贯处理思想，以上一尺度的增强图像作为下一尺度下的引导滤波的引导图像，更好地实现噪声滤除、对比度增强、边缘和细节保留。

可见，实施本发明实施例所描述的红外图像增强方法，通过对反射图像进行引导滤波，有利于增强图像细节、边缘、纹理信息。

在又一个可选的实施例中，上述将所述第p个光照图像和所述引导滤波后第p个图像进行融合处理，得到第p个初级增强红外图像，包括：

将所述第p个光照图像和所述引导滤波后第p个图像进行相乘，得到第p个初级增强红外图像。

在又一个可选的实施例中，上述根据所述加权系数集合，对所述初级增强红外图像集合进行处理，得到最终红外增强图像，包括：

将所述初级增强红外图像集合中所有初级增强红外图像进行加权求和，得到最终的红外增强图像，具体的：

式中，O表示最终的红外增强图像，O′_p表示初级增强红外图像集合中第p个初级增强红外图像，S表示低通滤波器尺度参数集合中包括低通滤波器尺度参数的数目，L′_p表示第p个光照图像，R′_p表示第p个反射图像进行引导滤波后的图像。

实施例二

请参阅图3，图3是本发明实施例公开的一种红外图像增强装置的结构示意图。其中，图3所描述的装置能够应用于红外图像增强***中，如用于红外图像增强的本地服务器或云端服务器等，本发明实施例不做限定。如图3所示，该装置可以包括：

获取模块201；用于获取低通滤波器尺度参数集合和加权系数集合；所述低通滤波器尺度参数集合包括S组低通滤波器尺度参数；所述低通滤波器尺度参数集合内的低通滤波器尺度参数依次降低；所述加权系数集合中包括S个加权系数；所述加权系数集合中加权系数与所述低通滤波器尺度参数集合中低通滤波器尺度参数相对应；

初级增强模块202；用于基于所述低通滤波器尺度参数集合，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到初级增强红外图像集合；所述预设的序贯引导滤波图像增强模型包括光照图像生成单元、反射图像生成单元和引导滤波单元；

加权增强模块203；用于根据所述加权系数集合，对所述初级增强红外图像集合进行处理，得到最终红外增强图像。

需要说明的是，实施例二公开的一种红外图像增强装置，是实施例一公开的一种红外图像增强方法对应的产品实施例，具体处理步骤及方法相同，在实施例二中不再赘述。

以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

最后应说明的是：本发明实施例公开的一种红外图像增强方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (7)

1.一种红外图像增强方法，其特征在于，所述方法包括：

S1、获取低通滤波器尺度参数集合和加权系数集合；所述低通滤波器尺度参数集合包括S组低通滤波器尺度参数；所述低通滤波器尺度参数集合内的低通滤波器尺度参数依次降低；所述加权系数集合中包括S个加权系数；所述加权系数集合中加权系数与所述低通滤波器尺度参数集合中低通滤波器尺度参数相对应；

S2、基于所述低通滤波器尺度参数集合，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到初级增强红外图像集合；所述预设的序贯引导滤波图像增强模型包括光照图像生成单元、反射图像生成单元和引导滤波单元；所述原始红外图像表征被增强红外图像；具体的：

S21、从所述低通滤波器尺度参数集合中依次选取低通滤波器尺度参数，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到S个初级增强红外图像，包括：

S211、构建指针变量p；所述指针变量p的初始值为1；

S212、从所述低通滤波器尺度参数集合中选取第p组低通滤波器尺度参数；

S213、基于所述第p组低通滤波器尺度参数，利用所述光照图像生成单元对原始红外图像进行处理，得到第p个光照图像；

S214、利用所述反射图像生成单元，对所述第p个光照图像和原始红外图像进行处理，得到第p个反射图像；

S215、利用所述引导滤波单元，对所述第p个反射图像和引导图像进行引导滤波处理，得到引导滤波后第p个图像；当所述指针变量p为1时，所述引导图像为原始红外图像，当所述指针变量p大于1时，所述引导图像为第p-1个初级增强红外图像；

S216、将所述第p个光照图像和所述引导滤波后第p个图像进行融合处理，得到第p个初级增强红外图像；

S217、将所述指针变量p更新为p+1，判断更新后的所述指针变量p是否大于S，得到第一判断结果；

如果所述第一判断结果为是，则执行步骤S22；

如果所述第一判断结果为否，则执行步骤S212；

S22、将所述S个所述初级增强红外图像进行集合处理，得到初级增强红外图像集合；

S3、根据所述加权系数集合，对所述初级增强红外图像集合进行处理，得到最终红外增强图像。

2.根据权利要求1所述的红外图像增强方法，其特征在于，所述基于所述第p组低通滤波器尺度参数，利用所述光照图像生成单元对原始红外图像进行处理，得到第p个光照图像，包括：

S2131、基于所述第p组低通滤波器尺度参数，使用低通滤波模型对原始红外图像进行卷积处理，得到第p个光照图像估计结果；

所述低通滤波模型表示为：

式中，L_p为第p个光照图像估计结果，Γ_p为第p组低通滤波器尺度参数下低通滤波器函数，为卷积算子，I为原始红外图像；

所述低通滤波器函数表示为：

式中，Γ_p(i,j)为第p组低通滤波器尺度参数下低通滤波器函数，(i,j)为图像像素点坐标，Z为归一化常数，c_p为第p组低通滤波器尺度参数；

S2132、对所述第p个光照图像估计结果进行基于直方图的自适应伽马校正处理，得到第p个光照图像。

3.根据权利要求1所述的红外图像增强方法，其特征在于，所述利用所述反射图像生成单元，对所述第p个光照图像和原始红外图像进行处理，得到第p个反射图像，包括：

S2141、对所述第p个光照图像进行对数转换处理，得到对数域第p个光照图像；

S2142、对所述原始红外图像进行对数转换处理，得到对数域原始红外图像；

S2143、将所述对数域原始红外图像减去所述对数域第p个光照图像，得到对数域图像差值；

S2144、将所述对数域图像差值进行指数变换，得到第p个反射图像。

4.根据权利要求1所述的红外图像增强方法，其特征在于，经所述引导滤波单元处理后，所述引导滤波后第p个图像表示为所述第p个反射图像的线性函数，具体为：

式中，w_k为加权系数，b_k为补偿系数，ω_k表示中心点坐标为k、半径为r的滑窗；

通过最小化以下代价函数，求解参数w_k和b_k：

式中，λ为正则化参数，为正则化参数修正因子，衡量滤波滑动窗口内图像区域的匀质度，μ_k、/>分别为引导图像G_p的滑窗内像素点的均值和方差，/>为原始红外图像R_p的滑窗内像素灰度均值，|ω_k|表示滑窗中总的像素点个数；

为图像一阶梯度/>与二阶梯度/>的加权和，具体为：

式中，α为图像一阶梯度与二阶梯度所占的比例；

所述图像一阶梯度为梯度能量(energy of gradient)算子：

式中，g_i，g_j分别为坐标i，j方向梯度：

g_i＝I(i+1,j)-I(i,j)

g_j＝I(i,j+1)-I(i,j)

所述图像二阶梯度为高斯拉普拉斯(Laplacian of Gaussian)算子：

式中，τ为辅助参数，像素点i(＝(x,y))处LoG算子，具体为：

式中，σ为滑窗的标准差。

5.根据权利要求1所述的红外图像增强方法，其特征在于，所述将所述第p个光照图像和所述引导滤波后第p个图像进行融合处理，得到第p个初级增强红外图像，包括：

将所述第p个光照图像和所述引导滤波后第p个图像进行相乘，得到第p个初级增强红外图像。

6.根据权利要求1所述的红外图像增强方法，其特征在于，所述根据所述加权系数集合，对所述初级增强红外图像集合进行处理，得到最终红外增强图像，包括：

将所述初级增强红外图像集合中所有初级增强红外图像进行加权求和，得到最终红外增强图像。

7.一种红外图像增强装置，其特征在于，所述装置包括：

获取模块；用于获取低通滤波器尺度参数集合和加权系数集合；所述低通滤波器尺度参数集合包括S组低通滤波器尺度参数；所述低通滤波器尺度参数集合内的低通滤波器尺度参数依次降低；所述加权系数集合中包括S个加权系数；所述加权系数集合中加权系数与所述低通滤波器尺度参数集合中低通滤波器尺度参数相对应；

初级增强模块；用于基于所述低通滤波器尺度参数集合，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到初级增强红外图像集合；所述预设的序贯引导滤波图像增强模型包括光照图像生成单元、反射图像生成单元和引导滤波单元；具体的：

S21、从所述低通滤波器尺度参数集合中依次选取低通滤波器尺度参数，利用预设的序贯引导滤波图像增强模型对原始红外图像进行处理，得到S个初级增强红外图像，包括：

S211、构建指针变量p；所述指针变量p的初始值为1；

S212、从所述低通滤波器尺度参数集合中选取第p组低通滤波器尺度参数；

S213、基于所述第p组低通滤波器尺度参数，利用所述光照图像生成单元对原始红外图像进行处理，得到第p个光照图像；

S214、利用所述反射图像生成单元，对所述第p个光照图像和原始红外图像进行处理，得到第p个反射图像；

S215、利用所述引导滤波单元，对所述第p个反射图像和引导图像进行引导滤波处理，得到引导滤波后第p个图像；当所述指针变量p为1时，所述引导图像为原始红外图像，当所述指针变量p大于1时，所述引导图像为第p-1个初级增强红外图像；

S216、将所述第p个光照图像和所述引导滤波后第p个图像进行融合处理，得到第p个初级增强红外图像；

S217、将所述指针变量p更新为p+1，判断更新后的所述指针变量p是否大于S，得到第一判断结果；

如果所述第一判断结果为是，则执行步骤S22；

如果所述第一判断结果为否，则执行步骤S212；

S22、将所述S个所述初级增强红外图像进行集合处理，得到初级增强红外图像集合；

加权增强模块；用于根据所述加权系数集合，对所述初级增强红外图像集合进行处理，得到最终红外增强图像。