Infrared Image Enhancement Algorithm Based on Wavelet Transform and Improved Bilateral Filtering
-
摘要:
针对炮车打靶、夜间车辆侦察、航空航天、士兵巡逻过程中红外图像边缘模糊、对比度低、细节不清晰等问题，本文提出了基于小波变换改进双边滤波的Retinex图像增强算法和改进阈值函数去噪算法。将红外图像进行小波分解，获得红外图像的低、高频系数；对高频进行改进阈值函数增强处理，实现自适应选取像素值域标准差对红外图像进行去噪处理；对低频采用改进双边滤波Retinex图像增强算法处理，平滑红外图像保持图像细节；对高、低频图像进行小波重构，得到重构红外图像；最后进行模糊集函数处理，增强红外图像的对比度。实验结果表明，本文改进算法与对比度受限的自适应直方图均衡方法、多尺度Retinex图像增强方法等相比，有效去除了噪声、细节丰富、背景抑制能力以及对比度提升效果好。
Abstract:To address challenges such as blurry edges, low contrast, and unclear details in infrared images used in artillery shooting, night vehicle reconnaissance, aerospace, and soldiers' patrolling, this study proposes an enhanced Retinex image enhancement algorithm. The method integrates wavelet transform, improved bilateral filtering, an enhanced threshold function denoising algorithm, and fuzzy set functions. First, the infrared image undergoes wavelet decomposition to extract low and high-frequency coefficients. Subsequently, high-frequency components are enhanced using an improved threshold function, adapting σr for denoising purposes. An improved bilateral filtering Retinex algorithm is employed to smooth the infrared image while preserving essential details. The high and low-frequency components are recombined through wavelet reconstruction to reconstruct the enhanced infrared image. A fuzzy set function is applied to further enhance the contrast of the infrared image. Experimental results validate the effectiveness of the proposed algorithm. It effectively reduces noise, enriches image details, suppresses background interference, and enhances contrast compared to conventional methods such as adaptive histogram equalization and multi-scale Retinex image enhancement. This approach not only enhances the quality of infrared images for critical applications but also demonstrates significant improvements over existing methods in terms of clarity and detail retention.
-
0. 引言
作战试验在进行红外图像识别和特征提取的过程中，经常会出现噪音太多和图像不清晰等问题，对部队炮车打靶、夜间野外侦察、航空航天目标定位和追踪等影响较大，目前在保持图像的细节信息、抑制噪声的基础上，通过增强算法提高红外图像的视觉效果、增大图像对比度成为研究热点[1]。
直方图均衡是一种显著提升图像的对比度的图像增强方法，但易出现损失图像的细节和加大红外图像噪音的情况[2]；限制对比度自适应直方图均衡CLAHE（Contrast Limited Adaptive Histogram Equalization）[3]可克服过度放大红外图像噪音问题，但CLAHE会造成边缘模糊，不适于人眼观察[4]。陈韵竹等[5]提出了改进加权引导滤波的红外图像增强算法，并在其中加入了Canny算子，但因其中涉及的参数过多，导致效果并不理想。双边滤波器[6-9]Retinex算法BSSR（Bilateral Single Scale Retinex）的基本思路是同时考虑像素的空域和值域信息。并给分割后的邻域相对较高的权重，再进行邻域加权求和，但值域信息参数无法自适应进行调节，需提前给出定值。
多尺度Retinex[10]算法MSR（Multi-Scale Retinex）算法将Retinex分解成不重叠的光谱子带，再根据各子频带特征，对图像的高保真度与动态范围进行压缩，实现图像的增强，但边缘锐化不足，图像边界较为突出。魏亮[11]等用光照补偿算法对Retinex算法进行改进，对图像进行去雾优化，使图像更加清晰，然而雾霾退化模型参数较多，不具有普适性、鲁棒性差。陈超[12]针对Retinex算法中的光晕现象，提出用双边滤波BF（Bilateral Filters）进行光照估计，然而改进后的算法仍存在对比度下降和噪声放大等问题。
小波变换（wavelet transform）[13]使用固定小波基取代了傅里叶变换中的三角函数，拥有较好的细节保持能力和去噪效果，但常用的阈值函数处理效果较差，从而限制了它在图像处理上的应用[14]。Donoho[15]提出了软阈值和硬阈值函数进行去噪，通过仿真证明了其相比其他去噪方法的优越性。朱荣亮等[16]通过构建新的阈值函数，去除心电信号中的噪声干扰，可有效去除心电信号中的噪声，然而针对红外图像的处理效果较差。因为传统阈值函数在原始图像和阈值位置附近的图像差异较大，会出现图像失真的问题，使得图像增强效果较差[17]。
本文在小波变换基础上，进行改进阈值函数和BSSR的增强算法，经实验仿真，本算法对红外图像增强效果显著，在保持图像细节的基础上有很好的去噪性，提高了图像的对比度。
1. 红外图像增强算法
针对红外图像增强算法中对比度不高，图像不清晰，边缘信息缺少等缺陷，提出对红外图像用小波变换进行分层处理，得到分解的高频和低频图像。对低频采用改进BSSR算法；高频通过改进阈值函数实现图像的去噪和平滑。然后对高、低频图像进行小波重构，得到重构图像。再对图像进行模糊化处理，实现红外图像的增强，红外图像增强算法原理如图 1所示。
1.1 小波变换
通过小波变换进行小波分解，低频图像包含图像的全局以及轮廓信息，高频图像包含图像的边缘和细节等信息。常用的小波包括Daubechies、Symlet、Haar、Biorthogonal四种小波[14]，因Symlet小波有一定的对称性，在处理信号时可很大程度地避免失真。本文使用Symlet小波函数进行红外图像处理，二维离散小波公式为：
$$ \begin{array}{l} \ \ \ {W_\varphi }\left( {{j_0},m,n} \right) = \frac{1}{{\sqrt {MN} }}\sum\limits_{x = 0}^{y = 0} {f\left( {x,y} \right){\varphi _{{j_0},m,n}}(x,y)}\\ W_\psi ^i\left( {j,m,n} \right) = \frac{1}{{\sqrt {MN} }}\sum\limits_{x = 0}^{M - 1} {\sum\limits_{y = 0}^{N - 1} {f\left( {x,y} \right)\psi _{j,m,n}^i\left( {x,y} \right)} } \hfill \\ i = \left\{ {H,V,D} \right\} \hfill \\ \end{array} $$ (1) 式中：j0是一个任意的开始尺度，通常令它为0；m和n表示相对(x, y)的偏移量；Wφ(j0, m, n)表示分解后的低频系数；Wψi(j0, m, n)表示分解后的高频系数；f(x, y)为离散函数；x和y为离散变量；M和N表示图像的大小；${\varphi _{{j_0},m,n}}\left( {x,y} \right)$为二维尺度函数是i对应水平、垂直、对角的小波函数。对低频图像和高频图像进行图像增强处理后，进行离散小波重构，得到小波重构图像，小波重构公式如下：
$$ \begin{array}{l} f\left( {x,y} \right) = \frac{1}{{\sqrt {MN} }}\sum\limits_m {\sum\limits_n {{W_\varphi }\left( {{j_0},m,n} \right)} } {\varphi _{{j_0},m,n}}\left( {x,y} \right) + \hfill \\ \frac{1}{{\sqrt {MN} }}\sum\limits_{i = H,V,D} {\sum\limits_{j = {j_0}}^J {\sum\limits_m {\sum\limits_n {W_\psi ^i} } } } \left( {j,m,n} \right)\psi _{j,m,n}^i\left( {x,y} \right) \hfill \\ \end{array} $$ (2) 1.2 模糊集函数
为了突出红外图像的细节信息，采用模糊集增强算法使增强后的红外图像更加清晰。首先通过隶属度函数将图像像素转换到模糊集域，其次通过模糊增强函数实现图像增强，最后用反模糊化函数将图像变换回空间域。
1）隶属度函数
$$ K\left( {p,q} \right) = {\left( {1 + \frac{{\left( {p{}_{\max } - {p_i}\left( {p,q} \right)} \right)}}{{128}}} \right)^{ - b}} $$ (3) 式中：pi为图像像素值；pmax为最大值；b为指数模糊化因子。本文经过实验验证，当b=0.8时增强效果最好。将pmax与pi作差，经过一系列计算后用b进行指数化转换到模糊集域。
2）模糊增强函数
$$ H\left(p,q\right)=\left\{\begin{array}{l}2*K{\left(p,q\right)}^{2},0\le K＜t\\ 1-2*{\left(1-K\left(p,q\right)\right)}^{2},t\le K＜1\end{array}\right. $$ (4) 式中：根据隶属度对H进行自适应变化；t为模糊增强阈值。用t对K进行分段计算，进而实现图像增强。
3）反模糊化函数
$$ I\left( {p,q} \right) = {p_{\max }} - 128*\left( {{{\left( {\frac{1}{{H\left( {p,q} \right)}}} \right)}^{\frac{1}{b}}} - 1} \right) $$ (5) 式中对增强后的图像转换到空间域，完成模糊集增强。
模糊集增强后的红外图像前后对比，如图 2所示。未增强前，图像较为模糊，且低暗区域较多；模糊集增强后，图像明暗对比度和细节信息明显，有更好的视觉效果，且像素分布较为均匀。
2. 改进双边滤波Retinex算法
为了增强低频图像，对Retinex算法进行研究，在处理入射图像时，常用特殊的方法来减少光照对入射图像的影响，来保留反射图像[6]。根据Retinex理论中原红外图像F是光照图像L和反射图像R的乘积，即得到：
$$ F(x,y)=L(x,y)R(x,y) $$ (6) 式中：R包括图像纹理和轮廓等信息；L包括光照强度和环境等信息[7]。光照图像经常用高斯滤波做中心函数进行计算，但高斯滤波的各向同性，对图像边缘不敏感，故用BF中心函数代替高斯滤波。
基于BSSR算法对产生的光晕现象进行改进，考虑像素值之间的距离以及在像素域中的辐射差异。双边滤波公式如下：
$$ \begin{array}{l} \mathop f\limits^ - (x,y) = \frac{1}{{{w_p}}}\sum\limits_{i,j \in R} {{G_{{\sigma _{\text{s}}}}}} \left( {\left\| {(x,y) - (i,j)} \right\|} \right) \cdot \hfill \\ {G_{{\sigma _{\text{r}}}}}\left( {\left| {f\left( {x,y} \right) - f(i,j)} \right|} \right)f(x,y) \hfill \\ \end{array} $$ (7) 式中：$\mathop f\limits^ - (x,y)$为增强后的像素坐标；(i, j)为中心点像素坐标；(x, y)为输入像素的二维坐标；f(x, y)为像素值。σs和σr分别为空间域标准差和像素值域标准差；${G_{{\sigma _{\text{s}}}}}$是空间域核；${G_{{\sigma _{\text{r}}}}}$是图像像素核。BF在像素值变化程
度微弱的平缓区域起主要作用，相当于高斯滤波[9]；反之，对于剧烈的边缘区域，在保持图像边缘信息的同时避免亮度差异引起的光晕。
双边滤波中的像素值域标准差参数σr，只考虑了像素之间的差值，缺乏考虑边缘明暗差异，使得图像明暗差异和像素之间的差值相互影响造成图像整体偏亮[11]。从式(8)可以看出，随着σr增大，亮度函数变得平滑而稳定，它可以突出边缘内容减小明暗差异，但σr过大时双边滤波会转变成高斯滤波，失去保持边缘的能力。所以选择适当的空间标准差参数σs是达到最佳效果的关键。故在BF上加入Canny算子，自适应调节σr，修正后的σr与Canny边缘强度T呈线性关系：
$$ \begin{array}{l} {E_{\text{m}}}\left( {x,y} \right) = \frac{{S\left[ {x,y + 1} \right] - S\left[ {x,y} \right] + S\left[ {x + 1,y + 1} \right] - S\left[ {x + 1,y} \right]}}{2} \hfill \\ {E_{\text{n}}}\left( {x,y} \right) = \frac{{S\left[ {x + 1,y} \right] - S\left[ {x,y} \right] + S\left[ {x + 1,y + 1} \right] - S\left[ {x,y + 1} \right]}}{2} \hfill \\ T\left( {x,y} \right) = \sqrt {E_m^2\left( {x,y} \right) + E_n^2\left( {x,y} \right)} \hfill \\ {\sigma _{\text{r}}} = kT \hfill \\ {G_{{\sigma _{\text{r}}}}}\left( {\left| {f\left( {x,y} \right) - f\left( {i,j} \right)} \right|} \right) = {{\text{e}}^{\frac{{ - {{\left[ {f\left( {i,j} \right) - f\left( {x,y} \right)} \right]}^2}}}{{2{{\left( {kT} \right)}^2}}}}} \hfill \\ \end{array} $$ (8) 式中：S[x, y]表示用soble算子计算图像在两方向的导数Em(x, y)和En(x, y)；T(x, y)反映了图像上(i, j)点的边缘强度；k反映了σr和T之间的线性关系。为了使图片效果达到最佳，对k的取值进行实验，当k=17时对红外图像的提取效果最好。
从图 3中可以看出，传统双边滤波Retinex算法对红外图像(a)进行了模糊去噪，消除了光照不均匀的影响，但使整个图片(b)相比原图有了一定的泛灰性和噪声放大现象，且形成了光晕，不利于人眼对红外图像的观察。本文算法用BF代替高斯滤波，并对像素值域参数σr进行了改进，使得整体图像没有光晕，并对图像进行了去噪处理，也保持了图像的边缘特征。
![]()
图 3 双边滤波Retinex改进算法前后对比Figure 3. Comparison of bilateral filtering Retinex improved algorithm before and after3. 高频图像处理
阈值函数的选取，在小波去噪中是个研究热点，常规阈值函数包括硬阈值、软阈值函数和折中阈值函数[16]。
硬阈值函数为：
$$ {\overline{w}}_{j}=\left\{\begin{array}{cc}{w}_{j}& \left|{w}_{j}\right|^{3}l\\ 0& \left|{w}_{j}\right| < l\end{array}\right. $$ (9) 式中：wj为小波系数；$ {\bar w_j} $为近似估计的小波系数；$ \lambda = s \cdot \sqrt {2 \cdot \ln n} $；s为噪声方差；n为采样信号的长度。
从式中可以看出，将小波系数的绝对值|wj|与λ阈值对比，大于等于阈值令系数不变而小于则为零。
软阈值函数为：
$$ {\bar w_j} = \left\{ {\begin{array}{*{20}{c}} {{\rm{sgn}} \left( {{w_j}} \right)\left( {\left| {{w_j}} \right| - \lambda } \right)}&{\left| {{w_j}} \right| \geqslant \lambda } \\ 0&{\left| {{w_j}} \right| < \lambda } \end{array}} \right. $$ (10) 当|wj|＞λ时，则减去阈值并乘以相对应的正负号；反之小于阈值时置零，但存在系统性偏差，致使边缘信息模糊。软阈值函数优势在于连续性较好。
折中阈值函数是通过增加一个调节系数a（0≤a≤1），当a=1时为软阈值，当a=0时为硬阈值，使得估计出来的小波阈值$ {\bar w_j} $处在两者之间，从而更加接近真实的小波系数，3种常规阈值函数的对比如图 3所示。
$$ {\bar w_j} = \left\{ {\begin{array}{*{20}{c}} {{\rm{sgn}} \left( {{w_j}} \right)\left( {\left| {{w_j}} \right| - a\lambda } \right)}&{\left| {{w_j}} \right| \geqslant \lambda } \\ 0&{\left| {{w_j}} \right| < \lambda } \end{array}} \right. $$ (11) 折中阈值函数通过调节系数有效克服传统软、硬阈值函数中存在的固定差值和间断性等问题，而且算法简单易实现，是一种有效提升去噪效果的方法。
从常规阈值函数图 4中可以看出，硬阈值函数：wj在±λ处不连续，故硬阈值函数连续性不好，通过它重构图像会产生震荡，出现视觉失真情况。软阈值函数：$ {\bar w_j} $整体连续性较好，但小波系数较大，即wj≥λ时，wj与$ {\bar w_j} $之间存在一定误差，影响重构图像的完整性，同时其导数也出现不连续性，存在一定不足。折中阈值函数：保持了在±λ的连续性，并且减小了wj≥λ，$ {\bar w_j} $与wj之间的误差，有一定的去噪效果。
现有的常规阈值函数都是采用sgn函数对小波系数进行处理，但sgn函数在间断点处易出现震荡，会影响图像的去噪性能[17]。本文采用和sgn函数相似的tanh函数，与sgn函数相比间断点处更为平滑且有更好的连续性，两种函数的形态变化见图 4。
由图 5可知，两函数整体保持曲线一致，在间断点处tanh函数导数值可以更精准地分辨像素和噪声所象征的小波系数。为了使小波分解系数与近似估计的小波系数之间的偏差对重构信号的影响降低，本文继承常规阈值函数的优势，提出一种新的阈值函数：
$$ {\bar w_j} = \left\{ {\begin{array}{*{20}{l}} {\tanh \left( {{w_j}} \right) \cdot \left[ {\left| {{w_j}} \right| - \left( {1 - a} \right)\frac{\lambda }{{{e^{\left| {{w_j}} \right| - \lambda }}}}} \right]\quad \left| {{w_j}} \right| > \lambda } \\ {\tanh \left( {{w_j}} \right) \cdot {{\text{e}}^{a\left( {{w_j} - \lambda } \right)}}\quad \quad \quad \quad \quad \quad \;\left| {{w_j}} \right| < \lambda } \end{array}} \right. $$ (12) 式中：a为阈值调节参数，通常选择0.5~1之间的正数。引入阈值调节参数并对阈值函数|wj|＞λ时的小波系数的处理方式进行改进，并对|wj|＜λ时的小波系数增加了函数处理，增强了对红外图像的去噪性能。新阈值函数中含有高阶函导数，故对重构后的阈值函数进行考察：
$$ f\left( x \right) = \tanh \left( x \right) \cdot \left[ {\left| x \right| - \left( {1 - a} \right)\frac{\lambda }{{{{\text{e}}^{\left| x \right| - \lambda }}}}} \right] $$ (13) 上式为分段函数，在λ点处f+(λ)=f－(λ)=0，所以阈值处连续，不存在图像震荡现象。当x→∞时，f(x)→x，当小波分解系数wj逐渐变大，新阈值函数的$ {\bar w_j} $与wj的偏差会减小，使图像重构的去噪性和精度提高，新阈值函数与常规函数对比图如图 6所示。
从图 6可以看出，新阈值函数$ {\bar w_j} $在接近±λ时对小波系数进行减弱处理，有很好的连续性；且当小于－λ时，函数不为0，从很大程度上减小了系统偏差；在远离±λ趋向±∞时十分接近硬阈值函数，保持了去噪性。新阈值函数通过调节参数进行去噪优化，使得新阈值函数有更强的适应性。
经过实验，获得阈值函数效果对比如图 7所示，(a)为原红外图像，(b)为含高斯噪声0.15%的红外图像，(c)、(d)、(e)和(f)分别是软、硬、折中阈值和本文算法的去噪结果。本文阈值算法在信噪比（SNR）上都高于其他阈值函数，有较好的去噪性。且重构图像没有产生震荡，保持了原红外图像的细节信息和边缘特征，使图像看起来更加自然。
4. 实验结果及分析
本文实验环境为CPU core i7-12700H，GPU为显存12 G NVIDIA GeForce RTX 3060，开发平台为Windows11，Matlab R2017a。为测试算法有效性，将结果分别与文献[3]中改进直方图、MSR、BSSR和文献[5]中基于加权引导滤波的图像增强算法相比较，且4种算法所采用的参数都是最佳的。
4.1 主观分析
为验证本文算法的有效性，对Artillery shooting（大小为768×576）、aircraft（大小为640×368）、People shoot（大小为320×240）这3种场景进行了增强实验，实验结果分别如图 8~图 10所示。
图 8表示场景一各算法对比图，该场景是一个炮车打靶的过程，包含有瞄准框、移动十字靶、草地和路障桶。其中6张红外图像分别表示原图（Original）、文献[3]、MSR、BSSR、文献[5]与本文算法的处理结果。文献[3]算法增强效果较好，但目标框与其他事物区分度较低，不方便后续的瞄准框和移动十字靶的识别，MSR增强效果较好，但缺少区分度，BSSR图像偏暗，较原图增强较差，文献[5]突显出了瞄准框，但其他事物细节较模糊。本文算法中增强后的图像细节丰富、无噪声影响且还原了真实场景，方便后续的瞄准框和十字靶的识别。
图 9表示场景二各算法对比图，该场景是一个飞机巡逻的过程，包含飞机、机场、山岭等，文献[3]和MSR对图像有一定的增强效果，但引入了噪声，BSSR和文献[5]能较好地识别出飞机，但对比度太低，难以看清细节，本文增强后的图像视觉效果良好，且没有引入噪声，细节清晰。
图 10为场景三各算法对比图，该场景中人站在墙边举枪瞄准，其中包含了人、枪、房屋、墙、树木，文献[3]和MSR算法增强接近，但都增加了噪音，BSSR对图像有一定的增强效果，但缺少对细节的突出，文献[5]有一定的去噪性，但背景事物模糊，难以分辨。本文算法在保持前两种算法的优点上去除了噪音，整体图像明暗明显，方便识别。
4.2 客观分析
客观分析选用峰值信噪比PSNR（Peak Signal-to-Noise Ratio）、图像平均梯度AG（Average Gradient）、图像信息熵IE（Information Entropy）作为图像增强的评价指标。
1）峰值信噪比
峰值信噪比数值越大表示图像质量越好。峰值信噪比如下：
$$ \text{PSNR}=101\text{g}\frac{{L}^{2}}{M\times N{\displaystyle \sum {\displaystyle \sum \left[I\left(i\text{，}j\right)-{I}^{\prime }\left(i,j\right)\right]}}} $$ (14) 式中：M×N表示图像大小；I(i, j)、I′(i, j)表示点(i, j)的处理前后的灰度值；L为图像灰度级。
2）平均梯度
图像的平均梯度表示了红外图像中所包含的细节特征是否丰富，在一定程度上表示图像细节信息的呈现能力，其计算表达式如下：
$$ {G_{{\text{avg}}}} = \frac{S}{{M \times N}} $$ $$ S = \sum\limits_{i = 2}^M {\sum\limits_{j = 2}^N {\sqrt {\frac{{{{[I\left( {i,j} \right) - I\left( {i + 1,j} \right)]}^2} + {{\left[ {I(i,j) - I(i,j + 1)} \right]}^2}}}{2}} } } $$ (15) 式中：Gavg表示平均梯度；M×N表示图像大小；I(i, j)表示(i, j)处的像素值。通常图像平均梯度的值越大，图像的细节特征越分明。
3）信息熵
信息熵为另一图像质量评价指标。信息熵越大其中的信息越多，其计算表达式如下：
$$ E = - \sum\limits_m^{L - 1} {p(l){{\log }_2}\left( {p\left( l \right)} \right)} $$ (16) 式中：E为图像信息熵；p(l)为图像灰度级l的分布密度函数。
4）运算效率
根据不同算法的运行时间，按照对比顺序进行排序，运行时间是20次的平均时间。
增强后的峰值信噪比如表 1所示，增强后平均梯度如表 2所示、增强后的信息熵如表 3所示。从表 1、表 2、表 3可知，在PSNR上，红外图像经过文献[3]、MSR、BSSR、文献[5]、本文算法处理后的结果图像的PSNR呈递增趋势，本文算法相比于4种算法分别提升了31.5%、30.1%、10.6%、4.5%；在AG和IE上，文献[5]和BSSR算法处理结果较差，MSR和文献[3]算法处理效果较好，而本文算法相比于MSR和BSSR算法分别平均提升了7.8%、9.4%和38.7%、24.5%。在运算效率上，本文算法相比其他四种算法速度较快，基本都在1 s之内完成。这是由于本文算法采用了小波变换实现高、低频图像的拆分，并针对高频图像含噪较大，设计了改进的阈值函数去噪。使得图像对比度大幅提升且去噪效果更佳，对于信息量较大的低频图像中，设计了改进的BSSR算法，在保持边缘特征上有一定的去噪效果，并对重构后的图像进行了模糊集增强，使得增强图像细节丰富、视觉良好、噪声较小、纹理清晰。
表 1 增强后的峰值信噪比Table 1. PSNR after enhancement表 2 增强后的平均梯度Table 2. AG after enhancement表 3 增强后的信息熵Table 3. IE after enhancement表 4 运算效率Table 4. Operational efficiency5. 结论
本文提出了改进BSSR和改进阈值函数的图像增强算法。通过小波变换将红外图像分解为高、低频图像。利用Canny算子来改进双边滤波，根据低频红外图像的边缘强度与像素值域标准差参数线性关系，确定了自适应的像素值域标准差，提高了其适应性，从而达到对低频图像的增强，改善了全局的对比度；为了对高频图像进行降噪处理，对小波阈值函数进行了改进，用tanh函数代替了sgn函数，同时改进了阈值函数，克服了常规阈值函数中存在震荡的缺陷，使得去噪后图像保真性更好。为了使重构后的图像更利于人眼观察，本文加入了模糊集函数，使得整体图像光暗分明，细节清晰。经过对炮车打靶、飞机巡逻、人打枪进行图像增强算法对比实验，文中算法相比于其他4种算法在PSNR、AG、IE上平均提升了20.4%、30.2%、13.7%。本文提出的增强算法对部分红外图像有很好的增强效果，更好提高了图像对比度，有效去除了噪音，保持了图像的细节信息。
-
![]()
图 3 双边滤波Retinex改进算法前后对比
Figure 3. Comparison of bilateral filtering Retinex improved algorithm before and after
-
[1] Paul Abhisek, Sutradhar Tandra, Bhattacharya Paritosh. Adaptive clip-limit-based bi-histogram equalization algorithm for infrared image enhancement[J]. Applied Optics, 2020, 59(28): 9032-9041. DOI: 10.1364/AO.395848
[2] 曹军峰, 史加成, 罗海波, 等. 采用聚类分割和直方图均衡的图像增强算法[J]. 红外与激光工程, 2012, 41(12): 3436-3441. DOI: 10.3969/j.issn.1007-2276.2012.12.053 CAO Junfeng, SHI Jiacheng, LUO Haibo, et al. Image enhancement algorithm using clustering segmentation and histogram equalization[J]. Infrared and Laser Engineering, 2012, 41(12): 3436-3441. DOI: 10.3969/j.issn.1007-2276.2012.12.053
[3] 李凌杰, 陈菲菲. 基于改进直方图的红外图像增强方法[J]. 航空兵器, 2022, 29(2): 101-105. LI Lingjie, CHEN Feifei. Infrared image enhancement method based on improved histogram [J]. Aviation Weapons, 2022, 29(2): 101-105.
[4] 汪伟, 许德海, 任明艺. 一种改进的红外图像自适应增强方法[J]. 红外与激光工程, 2021, 50(11): 419-427. WANG Wei, XU Dehai, REN Mingyi. An improved adaptive enhancement method for infrared images[J]. Infrared and Laser Engineering, 2021, 50(11): 419-427.
[5] 陈韵竹, 郭剑辉. 基于Canny算子加权引导滤波的Retinex医学图像增强算法[J]. 计算机与数字工程, 2019, 47(2): 407-411, 480. DOI: 10.3969/j.issn.1672-9722.2019.02.030 CHEN Yunzhu, GUO Jianhui. Retinex medical image enhancement algorithm based on Canny operator weighted guided filtering[J]. Computer and Digital Engineering, 2019, 47(2): 407-411, 480. DOI: 10.3969/j.issn.1672-9722.2019.02.030
[6] Hassan Najmul, Ullah Sami, Bhatti Naeem, et al. The Retinex based improved underwater image enhancement[J]. Multimedia Tools and Applications, 2020, 80(2): 1839-1857.
[7] 常戬, 贺春泽, 董育理, 等. 改进双边滤波和阈值函数的图像增强算法[J]. 计算机工程与应用, 2020, 56(3): 207-213. CHANG Jian, HE Chunze, DONG Yuli, et al. Image enhancement algorithm with improved bilateral filtering and threshold function[J]. Computer Engineering and Application, 2020, 56(3): 207-213.
[8] LIN Chang, ZHOU Haifeng, CHEN Wu. Gaussian pyramid transform retinex image enhancement algorithm based on bilateral filtering[J]. Laser & Optoelectronics Progress, 2020, 57(16): 161019.
[9] LU Peng, HUANG Qingjiu. Robotic weld image enhancement based on improved bilateral filtering and CLAHE algorithm[J]. Electronics, 2022, 11(21): 3629-3629. DOI: 10.3390/electronics11213629
[10] 张晓东, 秦娟娟, 贾仲仲. 多尺度Retinex在图像去雾算法中的应用研究[J]. 西昌学院学报(自然科学版), 2021, 35(3): 60-65. DOI: 10.16104/j.issn.1673-1891.2021.03.013. ZHANG Xiaodong, QIN Juanjuan, JIA Zhongzhong. Research on the application of multi-scale Retinex in image defogging algorithm[J]. Journal of Xichang University (Natural Science Edition), 2021, 35(3): 60-65. DOI: 10.16104/j.issn.1673-1891.2021.03.013.
[11] 魏亮, 王炎, 胡文浩, 等. 基于双域分解的夜间车辆红外图像研究[J]. 激光与红外, 2021, 51(11): 1538-1544. DOI: 10.3969/j.issn.1001-5078.2021.11.022 WEI Liang, WANG Yan, HU Wenhao, et al. Research on infrared images of night vehicles based on dual domain decomposition[J]. Laser and Infrared, 2021, 51(11): 1538-1544. DOI: 10.3969/j.issn.1001-5078.2021.11.022
[12] 陈超. 改进单尺度Retinex算法在图像增强中的应用[J]. 计算机应用与软件, 2013, 30(4): 55-57, 74. DOI: 10.3969/j.issn.1000-386x.2013.04.016 CHEN Chao. Application of improved single scale Retinex algorithm in image enhancement[J]. Computer Application and Software, 2013, 30(4): 55-57, 74. DOI: 10.3969/j.issn.1000-386x.2013.04.016
[13] 张铮, 王孙强, 熊盛辉, 等. 结合小波变换和CLAHE的图像增强算法[J]. 现代电子技术, 2022, 45(3): 48-51. DOI: 10.16652/j.issn.1004-373x.2022.03.010. ZHANG Zheng, WANG Sunqiang, XIONG Shenghui et al. Image enhancement algorithm combining wavelet transform and CLAHE[J]. Modern Electronic Technology, 2022, 45(3): 48-51. DOI: 10.16652/j.issn.1004-373x.2022.03.010.
[14] Arunachalaperumal C, Dhilipkumar S. An efficient image quality enhancement using wavelet transform[J]. Materials Today: Proceedings, 2020, 24(3): 2004-2010.
[15] Donoho D L. De-noising by soft-thresholding[J]. IEEE Transactions on Information Theory, 1995, 41(3): 613-627. DOI: 10.1109/18.382009
[16] 朱荣亮, 陶晋宜. 基于改进小波阈值去噪算法的心电信号处理及仿真[J]. 数学的实践与认识, 2019, 49(5): 143-150. ZHU Rongliang, TAO Jinyi. ECG signal processing and simulation based on improved wavelet threshold denoising algorithm[J]. Mathematical Practice and Understanding, 2019, 49(5): 143-150.
[17] 徐景秀, 张青. 改进小波软阈值函数在图像去噪中的研究应用[J]. 计算机工程与科学, 2022, 44(1): 92-101. DOI: 10.3969/j.issn.1007-130X.2022.01.011 XU Jingxiu, ZHANG Qing. Research and application of improved wavelet soft threshold function in image denoising[J]. Computer Engineering and Science, 2022, 44(1): 92-101. DOI: 10.3969/j.issn.1007-130X.2022.01.011
下载:
计量
- 文章访问数: 65
- HTML全文浏览量: 51
- PDF下载量: 30
