一种红外图像细节增强及去噪方法与流程

本发明涉及红外图像处理技术领域，具体涉及一种红外图像细节增强及去噪方法。

背景技术：

红外线与可见光相比具有较强的适应性和抗干扰性，因此红外成像技术在许多领域有广泛的应用。但复杂环境下的红外辐射传输特性使得红外图像存在信噪比低、弱细节模糊和对比度不强等问题。且目前红外成像系统前段数据采样的灰阶已经能够达到2¹⁴级甚至更多，但常用的显示设备仍然只有2⁸灰度级，在显示前会对前段数据进行压缩，而红外图像弱细节和暗部区域很容易在压缩过程中丢失。因此，红外成像技术中的重点是提升图像的弱细节。

目前常见的红外图像增强算法主要中心放在弱细节的还原和增强，而忽略了与弱细节同量级的噪声的影响。红外成像系统其噪声主要源于背景的红外辐射、红外探测器的噪声以及成像系统电子线路的固有噪声。其中，主要噪声为散粒噪声、热噪声、脉冲噪声和固定图形噪声。散粒噪声和热噪声属于白噪声，在大量粒子存在时，散粒噪声和热噪声趋向高斯分布，在入射辐射能量较弱时，热噪声为主要噪声。对宽动态输入数据的红外图像，主要需要考虑的是高斯噪声和脉冲噪声。

技术实现要素：

本发明的目的在于提供一种能对红外图像进行细节增强同时去除与弱细节同量级噪声影响的红外图像细节增强及去噪方法，以获得在图像压缩中受到损失的细节信息并去除由此带来的噪声影响。

本发明通过下述技术方案实现：

一种红外图像细节增强及去噪方法，该方法包括以下步骤：

步骤一，对输入的红外图像进行分层处理，得到背景层图像和细节层图像；

步骤二，对背景层图像进行直方图均衡和映射处理，得到增强后的背景层图像；

步骤三，对细节层图像进行高斯滤波，并标记脉冲点；

步骤四，对经过步骤三标记后的细节层图像进行分块计算极值，判断块内极值是否为脉冲点并进行处理，得到去噪声的细节层图像；

步骤五，对步骤四得到的去噪声的细节层图像进行Gamma变换并加权回增前后的背景层图像得到输出图像。

优选的，所述步骤一具体为：对输入的14bit红外图像进行非锐化掩膜并进行引导滤波以分层，得到背景层图像和细节层图像。

优选的，所述步骤二具体包括：

步骤2.1，对背景层图像进行分块处理；

步骤2.2，计算分块后的背景层图像的块内直方图histw和整个背景层图像的全局直方图histG；

步骤2.3，计算融合直方图histloc：

histloc(i)＝(histw(i)×θ+(100-θ)×histG(i))/100

步骤2.4，对融合直方图进行裁剪，然后映射得到增前后的背景层图像。

优选的，所述步骤2.4还包括计算裁剪点β：

M是每个块中的像素个数，N是块的动态范围大小，Smax是最大斜率，α是裁剪因子；

对裁剪后的融合直方图进行直方图映射：

T[n]是映射结果，L为灰阶数，n∈[0，L-1]，p[i]为裁剪后的融合直方图。

优选的，所述步骤三具体包括：

步骤3.1，对细节层图像进行高斯滤波；

步骤3.2，然后对滤波后的细节层图像进行动态范围检测，超过动态范围即为脉冲点：

其中[Smin，Smax]为红外图像允许的有效动态范围，flagnf为非脉冲点标记，flagf为脉冲点标记。

优选的，所述步骤四具体包括：

步骤4.1，对标记后的细节层图像进行分块处理；

步骤4.2，对分块后的细节层图像进行8方向算子滑窗逐点求块内极值：

其中，F(x，y)为卷积区域，Ki为8方向算子，Ei(x，y)为卷积后区域，E(x，y)为卷积后区域的最小值；

步骤4.3，计算自适应双阈值T：

计算中值mid时，先丢弃步骤三中标记出的脉冲点再计算中值，和σ为分割区域的均值和方差，P、Q为划分的块的大小；如果E(x，y)∈[Tmin，Tmax]，则对应点E(x，y)为非脉冲点，反之则标记为脉冲点；

步骤4.4，判断块内脉冲总数是否小于2，如果否则在相应块内按8×8，4×4，2×1，1×1的尺度进行依次分解迭代，直到块内脉冲数小于2，得到去噪声的细节层图像。

优选的，所述步骤五具体包括：

步骤5.1，对去噪声的细节层图像进行亮度调整：

其中，Id为降噪后的细节层图像，Ib为增强后的背景层图像，γ为放大系数；

步骤5.2，对步骤5.1亮度调整后的细节层图像和增强后的背景层图像进行加权归一化，得到经过细节增强且去除噪声的输出图像Iout：

Iout＝Ib+β×Id_layer

β为权重系数。

本发明具有如下的优点和有益效果：

本发明的红外细节增强是将红外图像中的细节信息增强，以求在灰阶压缩后细节信息依然得到保留的一种图像处理方法。现有的方法在进行红外细节增强时会带来同量级噪声的影响，本发明在进行细节增强处理的同时也注重对噪声的处理，以达到只保留细节而去除噪声的效果。本发明能对红外图像进行细节增强同时去除与弱细节同量级噪声影响，获得在图像压缩中受到损失的细节信息并去除由此带来的噪声影响，大大提高红外图像显示质量。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明的方法流程图。

图2为本发明的具体应用效果对比图。其中，图2的左图为未采用本发明的红外图像，右图为采用本发明处理后的红外图像。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

如图1所示，本实施例提供了一种红外图像细节增强及去噪方法，具体步骤如下：

步骤1，对接收到的14bit图像进行非锐化掩模处理，即将原图像进行模糊预处理(高斯低通滤波)后与原图逐点作差值运算，然后乘上一个修正因子再与原图求和，以提取图像中的高频成分，得到fin1。然后进行引导滤波，公式为：

其中I是引导图像，p为输入图像，q是输出图像，i是引导图像像素点索引，k是半径为r的局部方窗口w的索引。

对引导滤波公式求导，通过岭回归找到q最佳时的系数ak、bk，计算如下：

其中，μk和分别为引导图像I在区域w内的均值和方差，为输入图像p的均值，ε为控制平滑度的正则化参数。

由此可以得到：

其中，和是以像素点i为中心的窗口wi内a，b的均值。

由此可以得到图像的细节层fdetail，图像的背景层fbase＝fin-fdetail。

步骤2，将背景层fbase分块，计算块局部直方图histw和全局直方图histG，加入调整因子θ，融合为新直方图histloc：

histloc(i)＝(histw(i)×θ+(100-θ)×histG(i))/100

其中i为直方图灰阶索引。

对于融合后的直方图histloc，使用双线性插值解决块效应以还原。

β即为关键裁剪点，M是每个块中的像素个数，N是块的动态范围大小，Smax是最大斜率，α是裁剪因子。可以通过调节裁剪因子的大小，控制图像的对比度。

对裁剪后的融合直方图进行直方图映射：

T[n]是映射结果，L为灰阶数，n∈[0，L-1]，p[i]为裁剪后的融合直方图。

最后可以得到背景层增强后的效果fB。

步骤3，对细节层fdetail进行高斯滤波，滤波模板公式：

使用该模板进行全局滑窗滤波。

然后对红外图像进行动态范围检测，超过动态范围即为脉冲点：

其中[Smin，Smax]为红外图像允许的有效动态范围，flagnf为非脉冲点标记，flagf为脉冲点标记，对14bit的输入数据脉冲点值为0，非脉冲点保持原值不变，得到fd1。

步骤4，通过8方向算子Ki滑窗(i∈[0，7])逐点求块内极值：

F(x，y)为卷积区域，Ki为8方向算子，Ei(x，y)为卷积后区域，E(x，y)为卷积后区域的最小值。方向检测算子Ki分别为：

计算自适应双阈值T：

计算中值mid时，先丢弃步骤3中标记出的脉冲点再计算中值，和σ为分割区域的均值和方差，P、Q为划分的块的大小。

如果E(x，y)∈[Tmin，Tmax]，则对应点E(x，y)为非脉冲点，反之则标记为脉冲点。

如果块中脉冲噪声总数未降到2个以下，则在相应块中按8×8，4×4，2×1，1×1的尺度进行依次分解迭代，直到块中脉冲噪声数小于2。如果依然无法去除，则再用最大尺度进行一次中值滤波。

步骤5，对步骤4降噪后的细节层图像进行亮度调整：

其中，Id_layer为亮度调整后的细节层图像，Id为降噪后的细节层图像，Ib为增强后的背景层图像，γ为放大系数。

最后对细节层和背景层进行加权归一化：

Iout＝Ib+β×Id_layer

β为权重系数。

由此得到的最终结果Iout即为经过细节增强且去除噪声的红外图像。

采用本实施例提出的红外图像细节增强及去噪方法，对原始红外图像(如图2中左图所示)进行处理，得到经过细节增强且去除噪声的红外图像(如图2中右图所示)。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。