引导图像滤波

导向滤波算法说明目录导向滤波算法说明................................................................................................................... - 1 - 一概述..................................................................................................................................... - 1 - 二导向滤波原理..................................................................................................................... - 1 -2.1导向滤波特点 (1)2.2导向滤波计算步骤 (1)2.3导向滤波公式推导 (2)三导向滤波实现代码............................................................................................................. - 4 - 四导向滤波效果..................................................................................................................... - 6 -导向滤波算法说明一概述本文分为算法原理、Maltab实现代码和算法效果三个部分，对导向滤波算法进行详细说明。

二导向滤波原理2.1导向滤波特点导向滤波有些场合也被称为引导滤波，是何恺明提出的一种保边滤波算法。

Computer Science and Application 计算机科学与应用, 2023, 13(9), 1739-1747 Published Online September 2023 in Hans. https:///journal/csa https:///10.12677/csa.2023.139172一种基于梯度域引导滤波的图像去雾算法唐 骏，王洪涛，李 文，王世允，钱 佳，宋 扬，邱卫根江苏北方湖光光电有限公司，江苏 无锡收稿日期：2023年8月18日；录用日期：2023年9月15日；发布日期：2023年9月22日摘 要利用暗通道先验理论进行单幅图像去雾时，通常采用最小值滤波算法估计透射率，该算法直接导致了图像边缘模糊、出现光晕等现象，或天空等含大面积雾霾区域时，出现颜色失真等问题。

梯度域引导滤波在保持像素边缘方面的独特性能，结合针对天空区域去雾的分段颜色补偿方法，准确的解决了上述问题。

改进算法与其他去雾算法进行了仿真比较，实验结果表明：改进算法可对图像景物和天空进行准确的去雾，与此同时该算法在颜色细节增强和高动态分布方面具有较大优势。

关键词图像去雾，暗通道先验，最小值滤波，梯度域引导滤波，分段颜色补偿An Image Defogging Algorithm Based on Gradient Domain Guided FilteringJun Tang, Hongtao Wang, Wen Li, Shiyun Wang, Jia Qian, Yang Song, Weigen QiuJiangsu North Huguang Photoelectric Co., Ltd., Wuxi JiangsuReceived: Aug. 18th , 2023; accepted: Sep. 15th , 2023; published: Sep. 22nd , 2023AbstractWhen using the prior theory of dark channel to remove fog from a single image, the minimum fil-tering algorithm is usually used to estimate the transmittance. This algorithm directly leads to some phenomena such as edge blur and halo, or color distortion in the sky and other regions with large area of haze. On the basis of studying the unique performance of gradient-domain guided filtering in keeping edge pixels, combined with the segmentation color compensation method for sky region defogging, the above problems are solved accurately. The improved algorithm was si-mulated and compared with other defogging algorithms. The experimental results demonstrate that the improved algorithm is capable of accurately defogging both the objects and the sky in the image. Additionally, the algorithm exhibits significant advantages in enhancing color details and唐骏 等handling high dynamic range distribution.KeywordsImage Defogging, Dark Channel Prior, Minimun Filtering, Gradient Domain Guided Filtering, Segmented Color CompensationCopyright © 2023 by author(s) and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License (CC BY 4.0)./licenses/by/4.0/1. 引言雾是呈乳白色微小液滴构成的气溶胶，其底部位于地球表面，也称谓为地面的云。

图像引导滤波—中文摘要：这篇文章中,我们提出一个新颖的显式图像滤波器称为引导过滤器。

起源于一个局部的线性模型,指导滤波器通过考虑指导图像的内容计算滤波输出,这种滤波器可以输入图像本身或另一个不同的形象。

引导过滤器可以像流行的双边滤波器[1]一样作为edge-preserving平滑算子,但它具有更好的边缘附近的效果。

引导滤波器也是一个超越平滑的更一般的概念:它可以将指导图像的结构转化为滤波输出,使新的过滤应用程序像图像去雾和引导羽化一样。

此外,无论要点大小和强度范围,引导自然过滤器有一个快速和非近似线性时间算法。

目前,这是一个最快的edge-preserving过滤器。

实验表明,引导滤波器是在多种多样的计算机视觉和计算机图形学的应用都可以起作用的和有效率滤波器,包括边缘感知平滑、细节增强,HDR压缩,图像消光/羽化、去雾、联合采样等等。

关键词：边缘保持滤波，双边滤波器，线性时间过滤1简介在计算机视觉和计算机图形学大多数应用涉及到图像滤波，以抑制和/或提取的图像内容。

简单的线性平移不变（LTI）滤波器具有明确的内核，诸如均值(均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标象素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身），再用模板中的全体像素的平均值来代替原来像素值。

概述:均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。

线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度个g（x，y），即个g（x，y）=1/m ∑f（x，y）m为该模板中包含当前像素在内的像素总个数。

不足:均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。

数字图像处理中的图像滤波研究一、引言图像滤波是数字图像处理中的重要技术之一，用于改善图像的质量和增强图像的特定特征。

图像滤波可以去除图像中的噪声和不必要的细节，从而提高图像的视觉效果和信息传输性能。

本文将深入探讨数字图像处理中的图像滤波研究。

二、图像滤波的基本原理图像滤波是通过对图像进行局部加权平均或差值运算，改变图像的灰度分布和空间响应，从而实现图像的模糊、锐化、增强等效果。

图像滤波主要包括线性滤波和非线性滤波两种方法。

2.1 线性滤波线性滤波是指通过卷积操作实现的滤波方法。

常见的线性滤波器包括均值滤波器、高斯滤波器和中值滤波器等。

均值滤波器通过对图像区域内像素值进行平均，从而实现图像的模糊效果；高斯滤波器则通过对图像区域内像素值进行加权平均，从而实现图像的模糊和去噪效果；中值滤波器则通过选取区域内像素值的中值，从而实现图像的去噪效果。

2.2 非线性滤波非线性滤波是指通过对图像像素值进行排序和比较，选择滤波器的操作方法。

常见的非线性滤波器包括基于排序统计的滤波器、自适应滤波器和边缘保留滤波器等。

基于排序统计的滤波器通过对图像像素值进行排序，并选择特定位置的像素值进行滤波，从而实现图像的锐化和边缘增强效果；自适应滤波器则通过根据图像局部统计特性改变滤波器参数，从而实现图像的自适应处理；边缘保留滤波器则通过保留图像边缘信息的方式进行滤波，从而实现图像的去噪效果。

三、图像滤波的应用图像滤波在各个领域都有广泛的应用。

3.1 图像去噪图像去噪是图像滤波的一大应用领域。

通过应用不同的滤波器和滤波方法，可以去除图像中的椒盐噪声、高斯噪声等不同类型的噪声，提高图像的质量和清晰度。

3.2 图像增强图像增强是通过滤波方法改善图像的对比度、边缘和细节，从而使图像更加鲜明和清晰。

常见的图像增强方法包括直方图均衡化、区域增强和多尺度增强等。

3.3 图像特征提取图像滤波还可以应用于图像特征提取。

通过选择合适的滤波器和滤波算法，可以有效地提取图像中的边缘、纹理和角点等特征，为后续图像处理和分析提供基础。

图像滤波原理图像滤波是数字图像处理中常用的一种技术，它可以对图像进行去噪、增强、边缘检测等操作，是图像处理中的重要环节。

图像滤波的原理是利用滤波器对图像进行卷积运算，通过改变像素值来实现对图像的处理。

在图像处理中，滤波器通常是一个矩阵，它可以对图像进行不同程度的平滑或锐化处理。

图像滤波的原理可以分为线性滤波和非线性滤波两种。

线性滤波是指滤波器的响应与图像的像素值之间存在线性关系，常见的线性滤波器有均值滤波、高斯滤波等。

均值滤波是一种简单的线性滤波器，它将图像中每个像素的值替换为其周围像素值的平均值，从而起到平滑图像的作用。

高斯滤波则是利用高斯函数来构造滤波器，对图像进行平滑处理的同时保留图像的细节。

非线性滤波则是指滤波器的响应与图像的像素值之间不存在线性关系，常见的非线性滤波器有中值滤波、最大值滤波、最小值滤波等。

中值滤波是一种常用的非线性滤波器，它将每个像素的值替换为其周围像素值的中值，适用于去除图像中的椒盐噪声等非线性噪声。

图像滤波的原理还涉及到频域滤波和空域滤波两种方法。

频域滤波是指将图像转换到频域进行滤波处理，然后再将处理后的图像转换回空域。

常见的频域滤波包括傅里叶变换、小波变换等。

空域滤波则是直接在图像的空间域进行滤波处理，常见的空域滤波包括均值滤波、中值滤波等。

总的来说，图像滤波的原理就是利用滤波器对图像进行卷积运算，通过改变像素值来实现对图像的处理。

不同的滤波器和滤波方法都有各自的特点和适用场景，选择合适的滤波器和滤波方法对图像进行处理，可以达到去噪、增强、边缘检测等不同的效果。

在实际应用中，需要根据具体的图像处理任务来选择合适的滤波器和滤波方法，以达到最佳的处理效果。

第１３卷㊀第４期Ｖｏｌ．１３Ｎｏ．４㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年４月㊀Ａｐｒ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０４－０１２２－０７中图分类号：ＴＰ３９１文献标志码：Ａ基于引导滤波的微光图像增强算法研究陈㊀婷１，蒲亨飞１，黄治勇１，李良荣１，张丰云２（１贵州大学大数据与信息工程学院，贵阳５５００２５；２遵义市播州区中等职业学校，贵州遵义５６３０００）摘㊀要：针对低光照条件下，成像设备获取的图像存在低亮度㊁细节丢失的问题，提出一种基于引导滤波的微光图像增强算法，以实现微光图像增强㊂首先，将微光图像从ＲＧＢ转到ＨＳＶ空间，并将Ｖ通道复制为３份，分别采用直方图均衡化㊁改进的伽马校正及经典的非锐化掩膜对其进行处理㊂其次，用合适的融合权重将３份处理后的Ｖ通道进行多尺度融合，再采用改进的引导滤波对融合后的Ｖ通道进行处理㊂最后，将处理后的图像反变回ＲＧＢ颜色系统，从而实现图像增强㊂通过与现有的４种图像增强算法进行主观视觉效果对比以及客观指标分析，实验结果表明，所提算法可有效提高图像亮度，增强图像细节，提升图像的质量㊂关键词：引导滤波；多尺度融合；图像增强；微光图像；伽马校正Ｒｅｓｅａｒｃｈｏｎｌｏｗ－ｌｉｇｈｔｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｇｕｉｄｅｄｆｉｌｔｅｒｉｎｇＣＨＥＮＴｉｎｇ１，ＰＵＨｅｎｇｆｅｉ１，ＨＵＡＮＧＺｈｉｙｏｎｇ１，ＬＩＬｉａｎｇｒｏｎｇ１，ＺＨＡＮＧＦｅｎｇｙｕｎ２（１ＣｏｌｌｅｇｅｏｆＢｉｇＤａｔａａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｇｕｉｙａｎｇ５５００２５，Ｃｈｉｎａ；２ＺｕｎｙｉＢｏｚｈｏｕＤｉｓｔｒｉｃｔＳｅｃｏｎｄａｒｙＶｏｃａｔｉｏｎａｌＳｃｈｏｏｌ，ＺｕｎｙｉＧｕｉｚｈｏｕ５６３０００，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＡｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｓｏｆｌｏｗｂｒｉｇｈｔｎｅｓｓ，ａｎｄｄｅｔａｉｌｓｌｏｓｓｉｎｔｈｅｉｍａｇｅｓｏｂｔａｉｎｅｄｂｙｉｍａｇｉｎｇｅｑｕｉｐｍｅｎｔｕｎｄｅｒｔｈｅｌｏｗｌｉｇｈｔｃｏｎｄｉｔｉｏｎｓ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｌｏｗｌｉｇｈｔｌｅｖｅｌｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｇｕｉｄｅｄｆｉｌｔｅｒｉｎｇｔｏｒｅａｌｉｚｅｌｏｗｌｉｇｈｔｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ．Ｆｉｒｓｔｌｙ，ｔｈｅｌｏｗｌｉｇｈｔｉｍａｇｅｉｓｔｒａｎｓｆｅｒｒｅｄｆｒｏｍＲＧＢｔｏＨＳＶｓｐａｃｅ，ａｎｄｔｈｅＶｃｈａｎｎｅｌｉｓｃｏｐｉｅｄｉｎｔｏｔｈｒｅｅｃｏｐｉｅｓ，ｗｈｉｃｈａｒｅｐｒｏｃｅｓｓｅｄｂｙｈｉｓｔｏｇｒａｍｅｑｕａｌｉｚａｔｉｏｎ，ｉｍｐｒｏｖｅｄｇａｍｍａｃｏｒｒｅｃｔｉｏｎａｎｄａｇｅｎｅｒａｌｉｚｅｄｕｎｓｈａｒｐｍａｓｋｉｎｇａｌｇｏｒｉｔｈｍｒｅｓｐｅｃｔｉｖｅｌｙ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｔｈｒｅｅｐｒｏｃｅｓｓｅｄＶｃｈａｎｎｅｌｓａｒｅｆｕｓｅｄｉｎｍｕｌｔｉ－ｓｃａｌｅｗｉｔｈａｐｐｒｏｐｒｉａｔｅｆｕｓｉｏｎｗｅｉｇｈｔ，ａｎｄｔｈｅｎｔｈｅｆｕｓｅｄＶｃｈａｎｎｅｌｉｓｐｒｏｃｅｓｓｅｄｂｙｉｍｐｒｏｖｅｄｇｕｉｄｅｄｆｉｌｔｅｒｉｎｇ．Ｆｉｎａｌｌｙ，ｔｈｅｐｒｏｃｅｓｓｅｄｉｍａｇｅｉｓｒｅｖｅｒｓｅｌｙｃｈａｎｇｅｄｂａｃｋｔｏＲＧＢｃｏｌｏｒｓｙｓｔｅｍｔｏｒｅａｌｉｚｅｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｃａｎｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｔｈｅｉｍａｇｅｂｒｉｇｈｔｎｅｓｓ，ｒｅｄｕｃｅｔｈｅｉｍａｇｅｎｏｉｓｅ，ｅｎｈａｎｃｅｔｈｅｉｍａｇｅｄｅｔａｉｌａｎｄｉｍｐｒｏｖｅｔｈｅｉｍａｇｅｑｕａｌｉｔｙ．ʌＫｅｙｗｏｒｄｓɔｇｕｉｄｅｄｆｉｌｔｅｒｉｎｇ；ｍｕｌｔｉｓｃａｌｅｆｕｓｉｏｎ；ｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ；ｌｏｗ－ｌｉｇｈｔｉｍａｇｅ；Ｇａｍｍａｃｏｒｒｅｃｔｉｏｎ基金项目：国家自然科学基金（６２１６３００６）㊂作者简介：陈㊀婷（１９９７－），女，硕士研究生，主要研究方向：图像处理；蒲亨飞（１９９６－），男，硕士研究生，主要研究方向：图像处理；黄治勇（１９９６－），男，硕士研究生，主要研究方向：图像处理；李良荣（１９６３－），男，教授，硕士生导师，主要研究方向：电路与系统㊁电磁场与微波技术；张丰云（１９８７－），男，讲师，主要研究方向：应用数学等数学研究㊂通讯作者：李良荣㊀㊀Ｅｍａｉｌ：ｌｒｌｉ＠ｇｚｕ．ｅｄｕ．ｃｎ收稿日期：２０２２－０５－２４０㊀引㊀言微光图像通常是在夜间或光照较弱等低光照条件下所获取的一类图像㊂在低照度条件下，成像设备获取的图像和视频的质量降低，就会出现图像亮度低㊁对比度不足㊁噪声大的问题，不仅使得人眼的主观视觉效果受到影响，也会导致某些特定系统的性能降低，比如公路交通监控㊁视觉监视和消费电子产品等系统㊂因而，开展微光图像增强技术的研究具有重要意义㊂迄今为止，微光图像增强算法可大致分为６类：基于直方图均衡化的增强方法㊁基于Ｒｅｔｉｎｅｘ理论的增强方法㊁基于频域的增强方法㊁基于图像融合的增强方法㊁基于去雾模型的增强方法以及基于深度学习的增强方法㊂直方图均衡化算法运用累积分布函数来调整图像的输出灰度，从而使其具有均匀分布的概率密度函数㊂通过这种方式，可以使黑暗区域中隐藏的细节重现，并且可以改善输入图像在人眼中的视觉效果，然而这种方法易导致细节消失以及局部过度增强［１］；Ｒｅｔｉｎｅｘ理论由美国物理学家Ｌａｎｄ［２］在１９６４年提出，也被称作视网膜皮层理论，是基于人眼对颜色的感知和颜色不变性的建模，即基于光照－反射模型，但是光照估计是基于光照缓慢变化的，而并不是所有微光图像都满足此假设㊂２０２０年，Ｗａｎｇ等学者［３］提出了一种新的微光图像增强算法，此算法从空域扩展到频域㊂基于频域的图像增强方法是指当图像在某一个变换域内时，调整变换后的系数，将图像从空域变换为频域，使得图像在频域内进行滤波，最后将得到的结果反变换回空域㊂典型的频域方法包括同态滤波和小波变换，但是其中滤波器的选取会丢弃某些细节㊂基于融合的方法可以使用不同的成像方法将一幅图像进行处理，包括从单个图像中以多种方式提取细节，以打破对图像序列的依赖㊂Ｙａｍａｋａｗａ等学者［４］提出了一种图像融合技术，该技术使用源图像和ｒｅｔｉｎｅｘ处理过的图像，能在亮区和暗区实现高能见度㊂２０１１年，Ｈｅ等学者［５］提出了图像暗通道先验理论，这一理论的提出使得图像增强技术获得了进一步发展㊂２０１１年，Ｄｏｎｇ等学者［６］基于去雾理论提出了一种新的图像增强算法，也称为亮通道先验方法㊂但是基于去雾模型的增强算法缺乏可靠的理论支撑，且容易在一些细节领域过度增强㊂Ｌｏｒｅ等学者［７］在一个框架中采用了堆叠稀疏降噪自动编码器来训练ＬＬＮｅｔ进行微光图像增强㊂Ｋｉｍ等学者［８］利用局部光照制作训练图像，并使用先进的生成式对抗网络构建ＬｏｗＬｉｇｈｔＧＡＮ㊂但是，这种方法必须得到大数据集的支持，模型复杂度的增加会使相应算法的时间复杂度显著变大㊂因此，对于微光图像存在低亮度㊁细节丢失的问题，本文提出一种基于引导滤波的微光图像增强算法㊂由于ＨＳＶ颜色系统比ＲＧＢ更接近于人眼的感知，因此首先将图像从ＲＧＢ颜色系统转为ＨＳＶ颜色系统，为提高对比度㊁亮度，分别采用直方图均衡化（ＨＥ）㊁改进的伽马校正及经典的非锐化掩膜（ＧＵＭ）对Ｖ通道进行处理，其次用合适的融合权重将Ｖ通道进行多尺度融合，然后采用改进的引导滤波对融合后的Ｖ通道进行处理，最后将处理后的图像从ＨＳＶ颜色系统转回ＲＧＢ颜色系统，从而实现图像增强㊂１㊀基本原理１．１㊀ＨＳＶ色彩空间一般为学界所熟知的是ＲＧＢ㊁即三基色空间［９］，该空间表示一幅彩色图像可以被分为红（Ｒｅｄ）㊁绿（Ｇｒｅｅｎ）㊁蓝（Ｂｌｕｅ）三幅分量图像，而ＨＳＶ是一种通过色调（Ｈｕｅ）㊁饱和度（Ｓａｔｕｒａｔｉｏｎ）以及亮度（Ｖａｌｕｅ）三种色彩分量来表示彩色图像的色彩空间，也可称为六角锥体模型，因其比ＲＧＢ系统更接近人眼感知系统，所以近年来得到了广泛使用㊂ＲＧＢ空间图像可以转换为ＨＳＶ空间图像，转换关系的数学公式具体见如下：㊀㊀㊀㊀㊀㊀Ｖ＝ｍａｘ（Ｒ，Ｇ，Ｂ）（１）Ｓ＝Ｖ－ｍｉｎ（Ｒ，Ｇ，Ｂ）Ｖ㊀㊀㊀㊀ｉｆＶʂ００㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀ｏｔｈｅｒｗｉｓｅìîíïïï（２）Ｈ＝６０（Ｇ－Ｂ）Ｖ－ｍｉｎ（Ｒ，Ｇ，Ｂ）㊀㊀㊀ｉｆＶ＝Ｒ１２０＋６０（Ｇ－Ｂ）Ｖ－ｍｉｎ（Ｒ，Ｇ，Ｂ）㊀ｉｆＶ＝Ｇ２４０＋６０（Ｇ－Ｂ）Ｖ－ｍｉｎ（Ｒ，Ｇ，Ｂ）㊀ｉｆＶ＝Ｂìîíïïïïïïïï（３）㊀㊀㊀㊀㊀ｉｆＨ＜０㊀ｔｈｅｎＨ＝Ｈ＋３６０１．２㊀引导滤波引导滤波是２０１３年Ｈｅ等人［１０］提出的一种新的图像局部滤波算法，具备平滑㊁保持边缘，以及提高系统速度的优点㊂假设引导图像为Ｇ，待滤波输入图像为ｐ，滤波输出图像为ｑ，ｑ可表示为Ｇ在窗口ｗｋ内的局部线性变换，线性模型为：ｑｉ＝ａｋＧｉ＋ｂｋ㊀∀ｉɪｗｋ（４）㊀㊀其中，ｗｋ表示以像素ｉ为中心，以ｋ为半径的一个邻域，ａｋ㊁ｂｋ是ｗｋ中假定为常数的一些线性系数㊂为了确定ａｋ㊁ｂｋ的值，建立一个约束条件，输出ｑ可表示为输入ｐ减去一些不需要的分量ｎ，例如噪声或者纹理可由下式进行描述：ｑｉ＝ｐｉ－ｎｉ（５）㊀㊀为使ｐ和ｑ之间的差值能够达到最小化，即在窗口ｗｋ中最小化损耗函数，损耗函数定义为：㊀Ｅ（ａｋ，ｂｋ）＝ðｉɪωｋ（（ａｋＧｉ＋ｂｋ－ｐｉ）２＋εａｋ２）（６）其中，ε是规整化因子，可避免ａｋ系数过大，同时也是一个能够调节滤波器滤波效果的重要参数㊂对式（６）进行最小二乘法得到：ａｋ＝１ｗðｉɪｗｋＧｉｐｉ－μｋｐｋσ２ｋ＋ε（７）ｂｋ＝ｐｋ－ａｋμｋ（８）㊀㊀其中，μｋ和σｋ２是局部窗口ｗｋ内引导图像Ｇ的３２１第４期陈婷，等：基于引导滤波的微光图像增强算法研究灰度均值和方差；ｗ表示窗口内的像素总数；ｐｋ表示输入的待滤波图像ｐ在窗口内的灰度均值㊂２㊀本文改进算法本文改进算法框图如图１所示㊂最终增强图像处理后的图像多尺度融合滤波后的V HSV输入微光图像改进的引导滤波衍生输入H E G U M g a m m ar g b 2h s vh s v 2r g b 图１㊀算法框图Ｆｉｇ．１㊀Ｂｌｏｃｋｄｉａｇｒａｍｏｆｔｈｅａｌｇｏｒｉｔｈｍ２．１㊀输入在本文算法中，３个输入都来自原始微光图像的Ｖ通道㊂首先，使用直方图均衡化来增强图像的全局对比度，从而得到第一幅输入图Ｉ１㊂因微光图像的整体亮度很暗，故通过改进的伽马变换来提高整体亮度，从而得到第二幅输入图Ｉ２㊂Ｇａｍｍａ变换通过γ和ｃ两个参数来决定［１１］㊂Ｇａｍｍａ变换公式可写为：Ｉｏｕｔ＝ｃＩγｉｎ（９）㊀㊀其中，Ｉｉｎ表示输入图像；Ｉｏｕｔ表示输出图像；γ和ｃ都是用于调节伽马变换函数的参数，不同的γ会产生不同的效果㊂然后，经过多次的实验，本文改进一种能够自适应的伽马校正因子［１２］，该因子可较好地校正图像整体亮度且避免亮度过高的情况，使得校正后的图像在视觉效果上变得更好㊂校正因子的计算见式（１０）：γ＝１２æèçöø÷１－μ＋σ２()（１０）㊀㊀其中，σ为图像像素的标准差，μ为图像像素的均值㊂最后，根据改进的γ值对Ｖ通道进行伽马校正：Ｉ２＝Ｖγ（１１）㊀㊀Ｉ１和Ｉ２提高了图像的对比度以及亮度，因此本文进一步采用广义非锐化掩蔽算法（ＧＵＭ）［１３］提高图像的对比度㊁清晰度和保留细节，生成第三幅输入图Ｉ３㊂２．２㊀权重亮度增强和提升对比度是图像增强的预处理步骤，为了使得最后的增强图像与人类的视觉感知相契合，本文使用特定的权重图来测量和提取输入图像的更多细节㊂由于微光图像的本质问题与光照有关㊂因此，选择亮度作为权重来融合那些从输入中获得良好光照的区域［１４］㊂一般来说，首先将像素值进行归一化，然后将像素平均值设置为０．５，这些像素（０．５）通常有很好的光照效果㊂为了得到权值，计算每个像素的输入值Ｉ（ｘ，ｙ）与平均值之间的距离，可由下式计算求出：Ｗｚ（ｘ，ｙ）＝ｅｘｐ（－（Ｉｚ（ｘ，ｙ）－０．５）２２σ２）（１２）其中，Ｉｚ（ｘ，ｙ）为输入Ｉｚ在点（ｘ，ｙ）的像素值，ｚ是输入索引，本文设标准差的默认值为σ＝０．３㊂对光照不足的像素点，赋予其较小的权值，而对大多数正常光照强度的像素点，赋予其较大的权值㊂为得到一致的处理结果，将Ｗｚ（ｘ，ｙ）进行归一化处理，推得的数学公式为：Ｗ－ｚ（ｘ，ｙ）＝Ｗｚ（ｘ，ｙ）／ðｚＷｚ（ｘ，ｙ）（１３）２．３㊀多尺度融合在获得３个输入Ｉｚ和权值映射Ｗ－ｚ（ｘ，ｙ）后，输出图像由下式计算：Ｖ（ｘ，ｙ）＝ðｚＷ－ｚ（ｘ，ｙ）Ｉｚ（ｘ，ｙ）（１４）㊀㊀由于原始图像融合过程是将不同图像直接进行加权相加，结果会产生不同程度的光晕现象㊂因此本文采用Ｂｕｒｔ和Ａｄｅｌｓｏｎ［１５］提出的多尺度融合来解决这个问题，即通过使用拉普拉斯算子将输入分解为一个金字塔和一个高斯金字塔的权重映射，最后通过使用逐层重建的方式来获得最终的融合图像㊂因此，Ｖ（ｘ，ｙ）的结果是通过将每一层的拉普拉斯输入和高斯权重映射分别混合而得到：Ｖｌ（ｘ，ｙ）＝ðＧｌＷ－ｚ（ｘ，ｙ）{}ＬｌＩｚ（ｘ，ｙ）{}（１５）其中，ｌ表示金字塔的层数，本文设置金字塔层数为５；ＧＷ－{}是归一化之后的权重映射Ｗ－的高斯金字塔；Ｌ｛Ｉ｝是输入Ｉ的拉普拉斯金字塔㊂２．４㊀改进的引导滤波由于在引导滤波里，所有的窗口选用的都是固定的规整化因子，这完全忽视了不同窗口内像素之间存在的某些纹理差异㊂因此，在对边缘进行平滑处理时，会将模糊集中在这些边缘附近，从而产生光晕伪影，导致滤波效果降低㊂后来在２０１５年，Ｌｉ等学者［１６］提出了加权引导滤波，该滤波和引导滤波一样快速并且保留边缘㊂为了使得规整化因子能够自４２１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀适应调整，使用局部窗口内的方差信息㊂按照局部窗口ｗｋ内方差的定义，对边缘权重定义如下：ＷＧ（ｉ）＝１ＮðＮｉᶄ＝１σ２Ｇ（ｉ）＋εσ２Ｇ（ｉᶄ）＋ε（１６）㊀㊀其中，Ｇ为引导图像；σ２Ｇ（ｉ）表示以像素点ｉ为中心像素周围３ˑ３邻域内的方差；ε是规整化因子，取值为（０．００１ˑＬ）２；Ｌ表示原始输入图像的动态范围；Ｎ表示引导图像的像素总数㊂因此，损耗函数变为：Ｅ（ａｋ，ｂｋ）＝ðｉɪｗｋ（（ａｋＧｉ＋ｂｋ－ｐｉ）２＋εＷＧ（ｉ）ａ２ｋ）（１７）在引导图像的边缘，依据公式（１６）可轻易得到，邻域内像素点ｉ的方差与其对应的边缘权重ＷＧ（ｉ）成正比，与规整化因子ε成反比，即当方差越大时，边缘权重ＷＧ（ｉ）越大，而对应的规整化因子则会越小㊂所以才能够更好地保护图像的边缘细节信息㊂但是通过计算３ˑ３窗口内的方差作为边缘权重因子，方差大的像素点并不全是图像边缘，会导致所得的边缘信息与实际存在着较大误差㊂因此，在原有加权引导滤波算法的基础上加入Ｓｏｂｅｌ算子［１７］，以自适应调节边缘权重因子，修正后的边缘权重因子如下：ψＧ（ｉ）＝１ＮðＮｉᶄ＝１Ｓ（ｉ）σ２Ｇ（ｉ）＋εＳ（ｉᶄ）σ２Ｇ（ｉᶄ）＋ε（１８）㊀㊀其中，Ｇ为引导图像；ψＧ（ｉ）为边缘权重因子；Ｓ（ｉ）为像素点ｉ处的Ｓｏｂｅｌ算子；Ｎ为图像的总像素；ε值和式（１６）一样，取为（０．００１ˑＬ）２；Ｌ是输入图像的动态范围㊂ψＧ（ｉ）可以一定程度地反映边缘像素在总像素中的占比，当ψＧ（ｉ）＜１，此时为平滑处像素，权重较小；当ψＧ（ｉ）＞１，此时为边缘处像素，权重较大㊂滤波结果如图２所示㊂可以很明显看出，改进的引导滤波可以更好地保持图像的细节，使得图像更加清晰㊂（ａ）采用方差的引导滤波㊀㊀（ｂ）改进的引导滤波㊀㊀图２㊀滤波结果Ｆｉｇ．２㊀Ｆｉｌｔｅｒｉｎｇｒｅｓｕｌｔｓ３㊀实验与结果分析本文所有算法都是计算机在Ｗｉｎｄｏｗｓ１０系统下，使用ＭａｔｌａｂＲ２０１８（ｂ）软件进行实验㊂电脑配置为Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ５－７２００ＵＣＰＵ＠２．５０ＧＨｚ，４ＧＢＲＡＭ㊂３．１㊀本文算法的实验结果本文算法运行的各步骤效果如图３所示㊂（a）原始微光图像（b）H E（c）G U M（d）G a m m a校正（e）加权引导滤波（f）增强图像图３㊀本文算法处理各步骤效果图Ｆｉｇ．３㊀Ｐｒｏｃｅｓｓｉｎｇｒｅｎｄｅｒｉｎｇｓｏｆｅａｃｈｓｔｅｐ㊀㊀图３（ｄ）是经过本文改进的ｇａｍｍａ校正处理后的Ｖ通道图像，可知增强了整体亮度㊂图３（ｅ）为经过本文改进的引导滤波处理后的Ｖ通道图像㊂图３（ｆ）为本文算法最终的增强图像㊂可以看出，与原始微光图像相比，本文算法处理后的图像对比度㊁清晰度以及亮度均有比较明显的提升，图像的细节也得到较好的保留㊂综上所述，本文算法能有效提高图像质量㊂３．２㊀增强效果对比为了证实本文所提出算法的性能优势，将选用文献［１８］的Ｒｅｔｉｎｅｘ－Ｎｅｔ算法㊁文献［１９］的对比度受限的自适应直方图均衡化算法（ＣＬＡＨＥ）㊁文献［２０］以及文献［２１］所提出的微光图像增强算法分别对相同的微光图像进行增强处理，最后与本文所提算法的处理结果进行比较㊂３．２．１㊀实验结果的主观评价本文所提算法与选用的４种算法的处理结果如图４所示㊂由图４（ｂ）第３幅图像可知，通过文献［１８］增强过的图像存在亮度提升过度的情况，整体过于模糊，丢失许多细节；通过文献［１９］处理过的图像，整体颜色过于黯淡，且整体对比度不高㊂由图４（ｃ）第１幅图像可看到，花盆旁边的地板㊁盆栽以及花朵的颜色不够鲜明，图４（ｃ）中第３幅图像的地板亮度依旧很暗㊂通过文献［２０］算法处理的图像，在色彩上存在一定失真，由图４（ｄ）中第１幅图像可看到粉色花朵经过增强后变为白色，图４（ｄ）中第２５２１第４期陈婷，等：基于引导滤波的微光图像增强算法研究幅图像的鲜橙色格子变为淡橙色㊂通过文献［２１］处理过的图像，整体亮度提升不够，仍然较为黯淡；通过本文所提出算法增强后的图像，由图４（ｆ）第１幅图像可看到图像的整体亮度提升较好，且盆栽及旁边的花朵颜色未出现失真，图４（ｆ）第２幅图像的很多暗处的细节都显现出来，图４（ｆ）第３㊁第４幅图像的增强效果也较好㊂因此，本文算法使增强后的图像在整体亮度㊁对比度以及细节保持㊁清晰度上都有了一定的提升，并且图像还原度较高，色彩鲜艳自然，总体来讲，主观视觉质量较好㊂（a）输入图像（b）文献[18]的算法（c）文献[19]的算法（d）文献[20]的算法（e）文献[21]的算法（f）本文算法图４㊀５种算法的结果对比图Ｆｉｇ．４㊀Ｃｏｍｐａｒｉｓｏｎｃｈａｒｔｏｆｔｈｅｒｅｓｕｌｔｓｏｆｔｈｅｆｉｖｅａｌｇｏｒｉｔｈｍｓ３．２．２㊀实验结果的客观评价本文选用３个客观指标来评价算法的优劣，详述如下㊂（１）峰值信噪比（ＰＳＮＲ）［２２］：图像的ＰＳＮＲ是判断图像去噪效果最普遍㊁最常用的客观评价方法㊂数学定义公式具体如下：ＲＰＳＮ＝１０ｌｇｆ２ｍａｘＥＭＳ（１９）㊀㊀其中，ｆｍａｘ是灰度像素最大值，ｆｍａｘ＝２５５，ＥＭＳ是均方方差㊂从式（１９）可以看出，ＰＳＮＲ值与图像质量成正比，当ＰＳＮＲ值越大，则表明增强后的结果图像质量越高㊂（２）结构相似度指标（ＳＳＩＭ）［２３］：根据图像的亮度ｌ（ｆ，ｆｅ）㊁对比度ｃ（ｆ，ｆｅ）和结构ｓ（ｆ，ｆｅ）三者的比较，以此来评估处理后的结果图像相较于原始图像的质量㊂将这３个值结合起来，就能得到整体的相似度度量㊂其值越大，表明结构越相似，数学公式６２１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀具体如下：ＭＳＳＩ＝Ｆｌｆ，ｆｅ()，ｃ（ｆ，ｆｅ），ｓ（ｆ，ｆｅ）[]（２０）㊀㊀（３）无参考图像评价指标（ＮＩＱＥ）［２４］：基于一个简单而成功的空间域自然场景统计（ＮＳＳ）模型，构建了一个统计特征的 质量感知 集合㊂ＮＩＱＥ与图像质量成反比，即ＮＩＱＥ值越低，表明图像质量越高㊂本文算法与选用的４种算法的３个客观评价指标结果见表１ 表３㊂以图４（ａ）中第１幅图像为例，本文所提算法与文献［１８］相比较，峰值信噪比㊁结构相似度分别提高了０．０８９㊁０．００９，无参考图像评价指标降低了０．２４９㊂相较于文献［１９］，峰值信噪比㊁结构相似度分别提高了０．００４２㊁０．０００１，无参考图像评价指标降低了０．７１６３㊂相较于文献［２０］，峰值信噪比㊁结构相似度分别提高了０．０００３㊁０．０１５３，无参考图像评价指标降低了０．４１８７㊂相较于文献［２１］，峰值信噪比㊁结构相似度分别提高了０．０１３㊁０．００７，无参考图像评价指标降低了０．１５１８㊂表１㊀本文算法和４种算法的ＰＳＮＲ值比较结果Ｔａｂ．１㊀ＣｏｍｐａｒｉｓｏｎｏｆＰＳＮＲｖａｌｕｅｓｂｅｔｗｅｅｎｔｈｅａｌｇｏｒｉｔｈｍｉｎｔｈｉｓｐａｐｅｒａｎｄｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓｄＢＩｍａｇｅＲｅｔｉｎｅｘ－ＮｅｔＣＬＡＨＥＲｅｆ．［２０］Ｒｅｆ．［２１］Ｐｒｏｐｏｓｅｄａ（１）１２．８８５０１２．９６９８１２．９７３７１２．９６１０１２．９７４０ａ（２）１４．６５５３１４．６５０２１４．６５４３１４．６３８６１４．６５６０ａ（３）１６．９５６３１６．８９４８１６．９４４４１６．８９５３１６．９６８２ａ（４）１３．５４８１１３．５５０８１３．５４７１１３．５３７３１３．５５５５Ａｖｅｒａｇｅ１４．５１１２１４．５１５４１４．５２９９１４．５０８１１４．５３８４表２㊀本文算法和４种算法的ＳＳＩＭ值比较结果Ｔａｂ．２㊀ＣｏｍｐａｒｉｓｏｎｏｆＳＳＩＭｖａｌｕｅｓｂｅｔｗｅｅｎｔｈｅａｌｇｏｒｉｔｈｍｉｎｔｈｉｓｐａｐｅｒａｎｄｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓＩｍａｇｅＲｅｔｉｎｅｘ－ＮｅｔＣＬＡＨＥＲｅｆ．［２０］Ｒｅｆ．［２１］Ｐｒｏｐｏｓｅｄａ（１）０．９８８１０．９９７００．９８１８０．９９０１０．９９７１ａ（２）０．９８１９０．９９６２０．９９０７０．９８１６０．９９６８ａ（３）０．９７２３０．９６８００．９７３６０．９７０５０．９７３８ａ（４）０．９８５１０．９９５２０．９８７８０．９８６１０．９９６１Ａｖｅｒａｇｅ０．９８１９０．９８９１０．９８３５０．９８２１０．９９１０表３㊀本文算法和４种算法的ＮＩＱＥ值比较结果Ｔａｂ．３㊀ＣｏｍｐａｒｉｓｏｎｏｆＮＩＱＥｖａｌｕｅｓｂｅｔｗｅｅｎｔｈｅａｌｇｏｒｉｔｈｍｉｎｔｈｉｓｐａｐｅｒａｎｄｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓＩｍａｇｅＲｅｔｉｎｅｘ－ＮｅｔＣＬＡＨＥＲｅｆ．［２０］Ｒｅｆ．［２１］Ｐｒｏｐｏｓｅｄａ（１）２．６４７４３．１１４７２．８１７１２．５５０２２．３９８４ａ（２）２．５８８１２．９６４９２．６９５５２．３１５９２．５６６０ａ（３）２．８７６０３．２３６２２．９８２７３．８７７１２．７９９１ａ（４）４．２３７８３．３９４０３．３８５１４．２４７２３．３６４６Ａｖｅｒａｇｅ３．０８７３３．１７７５２．９７０１３．２４７６２．７８２０㊀㊀通过客观数据分析表明，经本文算法处理过的图像，不论是在峰值信噪比㊁结构相似度还是无参考图像评价指标以及各自平均值，与选用的另外４种算法处理后的图像相比较，得到的数据结果都是相对比较好的㊂４㊀结束语针对微光图像的亮度低㊁细节丢失的问题，本文提出一种基于引导滤波的微光图像增强算法㊂所提算法使用改进的伽马校正解决亮度低的问题，改进的引导滤波解决细节丢失的问题㊂最后的增强结果不论是从客观评价㊁还是主观评价指标方面看，与本文选用的４种图像增强算法的效果相比，本文算法在各方面都有一定的优势㊂最后，尽管本文所提算法在对微光图像的增强效果方面有了一定提升，但依旧需要对其做更深一步的优化，例如减少算法运行时间以及拓宽算法的应用场景㊂（下转第１３４页）７２１第４期陈婷，等：基于引导滤波的微光图像增强算法研究［７］张亮．基于多源数据融合的变结构ＤＢＮ模型基因调控网络构建［Ｄ］．天津：天津大学，２００９．［８］肖秦琨．基于动态贝叶斯网络的智能自主优化机制研究［Ｄ］．西安：西北工业大学，２００６．［９］陈云．贝叶斯网络结构学习算法研究及应用［Ｄ］．广东：广东工业大学，２０１５．［１０］贾士政．博弈场景下自动驾驶车辆通行避撞研究［Ｄ］．长春：吉林大学，２０２１．［１１］ＧＥＡＲＹＪ，ＧＯＵＫＨ．Ａｌｔｒｕｉｓｔｉｃｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇｆｏｒａｕｔｏｎｏｍｏｕｓｄｒｉｖｉｎｇｗｉｔｈｓｐａｒｓｅｒｅｗａｒｄｓ［Ｊ］．ａｒＸｉｖｐｒｅｐｒｉｎｔａｒＸｉｖ：２００７．０７１８２Ｖ１，２０２０．［１２］孙兆林，杨宏文，胡卫东．基于贝叶斯网络的态势估计时间推理方法［Ｊ］．火力与指挥控制，２００７（０１）：３０－３３，４４．［１３］ＺＨＡＮＧＹｉｎｇｈｕａ，ＨＵＱｉｐｉｎｇ，ＺＨＡＮＧＷｅｎｓｈｅｎｇ，ｅｔａｌ．ＡｎｏｖｅｌＢａｙｅｓｉａｎｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＭａｘｉｍａｌＩｎｆｏｒｍａｔｉｏｎＣｏｅｆｆｉｃｉｅｎｔ［Ｊ］／／２０１２ＩＥＥＥＦｉｆｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＡｄｖａｎｃｅｄＣｏｍｐｕｔａｔｉｏｎａｌＩｎｔｅｌｌｉｇｅｎｃｅ（ＩＣＡＣＩ）．ＮＡＮＪＩＮＧ，ＣＨＩＮＡ：ＩＥＥＥ，２０１２：８６２－８６７．［１４］ＳＰＩＥＧＥＬＨＡＬＴＥＲＤＪ，ＬＡＵＲＩＴＺＥＮＳＬ．Ｓｅｑｕｅｎｔｉａｌｕｐｄａｔｉｎｇｏｆｃｏｎｄｉｔｉｏｎａｌｐｒｏｂａｂｉｌｉｔｉｅｓｏｎｄｉｒｅｃｔｅｄｇｒａｐｈｉｃａｌｓｔｒｕｃｔｕｒｅｓ［Ｊ］．Ｎｅｔｗｏｒｋｓ，２０１０，２０（５）：５７９－６０５．（上接第１２７页）参考文献［１］赵馨宇，黄福珍．基于双通道先验和光照图引导滤波的图像增强［Ｊ］．激光与光电子学进展，２０２１，５８（０８）：０８１０００１．［２］ＬＡＮＤＥＨ．Ｔｈｅｒｅｔｉｎｅｘ［Ｊ］．Ａｍｅｒｉｃａｎｓｃｉｅｎｔｉｓｔ，１９６４，５２（２）：２４７－２５３，２５５－２６４．［３］ＷＡＮＧＭａｎｌｉ，ＴＩＡＮＺｉｊｉａｎ，ＧＵＩＷｅｉｆｅｎｇ，ｅｔａｌ．Ｌｏｗ－ｌｉｇｈｔｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔｂａｓｅｄｏｎｎｏｎｓｕｂｓａｍｐｌｅｄｓｈｅａｒｌｅｔｔｒａｎｓｆｏｒｍ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０２０，９９：１－１．［４］ＹＡＭＡＫＡＷＡＭ，ＳＵＧＩＴＡＹ．Ｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔｕｓｉｎｇｒｅｔｉｎｅｘａｎｄｉｍａｇｅｆｕｓｉｏｎｔｅｃｈｎｉｑｕｅｓ［Ｊ］．Ｅｌｅｃｔｒｏｎｉｃｓ＆ＣｏｍｍｕｎｉｃａｔｉｏｎｓｉｎＪａｐａｎ．２０１８，１０１（８）：５２－６３．［５］ＨＥＫａｉｍｉｎｇ，ＳＵＮＪｉａｎ，ＴＡＮＧＸｉａｏᶄｏｕ．ＳｉｎｇｌｅｉｍａｇｅＨａｚｅｒｅｍｏｖａｌｕｓｉｎｇｄａｒｋｃｈａｎｎｅｌｐｒｉｏｒ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓ＆ＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０１１，３３（１２）：２３４１－２３５３．［６］ＤＯＮＧＸｕａｎ，ＷＡＮＧＧｕａｎ，ＰＡＮＧＹｉ，ｅｔａｌ．Ｆａｓｔｅｆｆｉｃｉｅｎｔａｌｇｏｒｉｔｈｍｆｏｒｅｎｈａｎｃｅｍｅｎｔｏｆｌｏｗｌｉｇｈｔｉｎｇｖｉｄｅｏ［Ｃ］／／２０１１ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＭｕｌｔｉｍｅｄｉａａｎｄＥｘｐｏ．Ｂａｒｃｅｌｏｎａ，Ｓｐａｉｎ：ＩＥＥＥ，２０１１：１－６．［７］ＬＯＲＥＫＧ，ＡＫＩＮＴＡＹＯＡ，ＳＡＲＫＡＲＳ．ＬＬＮｅｔ：Ａｄｅｅｐａｕｔｏｅｎｃｏｄｅｒａｐｐｒｏａｃｈｔｏｎａｔｕｒａｌｌｏｗ－ｌｉｇｈｔｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，２０１７，６１：６５０－６６２．［８］ＫＩＭＧ，ＫＷＯＮＤ，ＫＷＯＮＪ．Ｌｏｗ－ｌｉｇｈｔｇａｎ：Ｌｏｗ－ｌｉｇｈｔｅｎｈａｎｃｅｍｅｎｔｖｉａａｄｖａｎｃｅｄｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｗｉｔｈｔａｓｋ－ｄｒｉｖｅｎｔｒａｉｎｉｎｇ［Ｃ］／／ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ（ＩＣＩＰ）．Ｔａｉｐｅｉ：ＩＥＥＥ，２０１９：２８１１－２８１５．［９］赵宏宇，肖创柏，禹晶，等．基于ＷＬＳ的Ｒｅｔｉｎｅｘ单幅夜间彩色图像增强方法［Ｊ］．北京工业大学学报，２０１４，４０（０３）：４０４－４１０．［１０］ＨＥＫａｉｍｉｎｇ，ＳＵＮＪｉａｎ，ＴＡＮＧＸｉａｏᶄｏｕ．Ｇｕｉｄｅｄｉｍａｇｅｆｉｌｔｅｒｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓ．ＰａｔｔｅｒｎＡｎａｌＭａｃｈ．Ｉｎｔｅｌｌ，２０１３，３５（６）：１３９７－１４０９．［１１］韩梦妍，李良荣，蒋凯．基于光照图估计的Ｒｅｔｉｎｅｘ低照度图像增强算法［Ｊ］．计算机工程，２０２１，４７（１０）：２０１－２０６．［１２］杨先凤，李小兰，贵红军．改进的自适应伽马变换图像增强算法仿真［Ｊ］．计算机仿真，２０２０，３７（０５）：２４１－２４５．［１３］ＤＥＮＧＧｕａｎｇ．Ａｇｅｎｅｒａｌｉｚｅｄｕｎｓｈａｒｐｍａｓｋｉｎｇａｌｇｏｒｉｔｈｍ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇＡＰｕｂｌｉｃａｔｉｏｎｏｆｔｈｅＩＥＥＥＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇＳｏｃｉｅｔｙ，２０１１，２０（５）：１２４９－１２６１．［１４］ＰＡＲＩＨＡＲＡＳ，ＳＩＮＧＨＫ，ＲＯＨＩＬＬＡＨ，ｅｔａｌ．Ｆｕｓｉｏｎ－ｂａｓｅｄｓｉｍｕｌｔａｎｅｏｕｓｅｓｔｉｍａｔｉｏｎｏｆｒｅｆｌｅｃｔａｎｃｅａｎｄｉｌｌｕｍｉｎａｔｉｏｎｆｏｒｌｏｗｌｉｇｈｔｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ［Ｊ］．ＩＥＴＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，２０２０，１５（４）：１－１４．［１５］ＢＵＲＴＰＪ，ＡＤＥＬＳＯＮＥＨ．Ｔｈｅｌａｐｌａｃｉａｎｐｙｒａｍｉｄａｓａｃｏｍｐａｃｔｉｍａｇｅｃｏｄｅ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＣｏｍｍｕｎｉｃａｔｉｏｎｓ，１９８３，３１（４）：５３２－５４０．［１６］ＬＩＺｈｅｎｇｇｕｏ，ＺＨＥＮＧＪｉｎｇｈｏｎｇ，ＺＨＵＺｉｊｉａｎ，ｅｔａｌ．Ｗｅｉｇｈｔｅｄｇｕｉｄｅｄｉｍａｇｅｆｉｌｔｅｒｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，２０１５，２４（１）：１２０－１２９．［１７］拉斐尔㊃Ｃ㊃冈萨雷斯，理查德㊃Ｅ㊃伍兹，史蒂文㊃Ｌ㊃埃丁斯等．数字图像处理的ＭＡＴＬＡＢ实现［Ｍ］．２版．阮秋琦，译．北京：清华大学出版社，２０１３．［１８］ＣＨＥＮＷｅｉ，ＷＡＮＧＷｅｎｊｉｎｇ，ＹＡＮＧＷｅｎｈａｎ，ｅｔａｌ．Ｄｅｅｐｒｅｔｉｎｅｘｄｅｃｏｍｐｏｓｉｔｉｏｎｆｏｒｌｏｗ－ｌｉｇｈｔｅｎｈａｎｃｅｍｅｎｔ［Ｃ］／／２０１８ｔｈｅＢｒｉｔｉｓｈＭａｃｈｉｎｅＶｉｓｉｏｎＣｏｎｆｅｒｅｎｃｅ（ＢＭＶＣ）．Ｎｅｗｃａｓｔｌｅ，ＵＫ：ＮｏｒｔｈｕｍｂｒｉａＵｎｉｖｅｒｓｉｔｙ，２０１８：１５５．［１９］ＺＵＩＤＥＲＶＥＬＤＫ．Ｃｏｎｔｒａｓｔｌｉｍｉｔｅｄａｄａｐｔｉｖｅｈｉｓｔｏｇｒａｍｅｑｕａｌｉｚａｔｉｏｎ［Ｊ］．ＧｒａｐｈｉｃｓＧｅｍｓ，１９９４：４７４－４８５．［２０］ＡＬ－ＡＭＥＥＮＺ．Ｎｉｇｈｔｔｉｍｅｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔｕｓｉｎｇａｎｅｗｉｌｌｕｍｉｎａｔｉｏｎｂｏｏｓｔａｌｇｏｒｉｔｈｍ［Ｊ］．ＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，ＩＥＴ，２０１９，１３（８）：１３１４－１３２０．［２１］ＷＡＮＧＱｉｕｈｏｎｇ，ＦＵＸｕｅｙａｎｇ，ＺＨＡＮＧＸｉａｏｐｉｎｇ，ｅｔａｌ．Ａｆｕｓｉｏｎ－ｂａｓｅｄｍｅｔｈｏｄｆｏｒｓｉｎｇｌｅｂａｃｋｌｉｔｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ［Ｃ］／／２０１６ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ（ＩＣＩＰ）．Ｐｈｏｅｎｉｘ，ＡＺ，ＵＳＡ：ＩＥＥＥ，２０１６：４０７７－４０８１．［２２］ＨＯＲÉＡ，ＺＩＯＵＤ．Ｉｍａｇｅｑｕａｌｉｔｙｍｅｔｒｉｃｓ：ＰＳＮＲｖｓＳＳＩＭ［Ｃ］／／２０ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＩＣＰＲ）．Ｉｓｔａｎｂｕｌ，Ｔｕｒｋｅｙ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙ，２０１０：２３６６－２３６９．［２３］ＷＡＮＧＺｈｏｕ，ＢＯＶＩＫＡＣ，ＳＨＥＩＫＨＨＲ，ｅｔａｌ．Ｉｍａｇｅｑｕａｌｉｔｙａｓｓｅｓｓｍｅｎｔ：ｆｒｏｍｅｒｒｏｒｖｉｓｉｂｉｌｉｔｙｔｏｓｔｒｕｃｔｕｒａｌｓｉｍｉｌａｒｉｔｙ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，２００４，１３（４）：６００－６１２．［２４］ＭＩＴＴＡＬＡ，ＳＯＵＮＤＡＲＡＲＡＪＡＮＲ，ＢＯＶＩＫＡＣ．Ｍａｋｉｎｇａｃｏｍｐｌｅｔｅｌｙｂｌｉｎｄｉｍａｇｅｑｕａｌｉｔｙａｎａｌｙｚｅｒ［Ｊ］．ＩＥＥＥＳｉｇｎａｌｐｒｏｃｅｓｓｉｎｇｌｅｔｔｅｒｓ，２０１２，２０（３）：２０９－２１２．４３１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀。

一种基于引导滤波图像分层的红外图像细节增强算法葛朋;杨波;韩庆林;刘鹏;陈树刚;胡窦明;张巧燕【摘要】为了解决高动态红外图像在常规显示设备上显示时容易出现图像整体对比度低、弱小目标细节模糊等问题,提出了一种基于引导滤波图像分层的红外图像细节增强算法,并从算法理论分析和仿真结果两方面验证了引导滤波具有更好的边缘保持能力,能有效避免增强后出现\"伪边缘\"的缺陷.另外,针对原始全局的引导滤波算法对整幅图像各个区域使用相同的规整化因子,容易产生\"光晕\"现象的缺陷,本文在局部方差加权引导滤波算法的思想上,提出了基于LoG边缘算子的加权引导滤波算法.实验结果表明本文算法具有良好的细节增强效果,特别是对图像中的弱小目标;另外,相比目前应用广泛的双边滤波算法,本文算法运行时间要快得多,具有实时处理的应用前景.【期刊名称】《红外技术》【年(卷),期】2018(040)012【总页数】9页(P1161-1169)【关键词】引导滤波;图像分层;红外图像;细节增强【作者】葛朋;杨波;韩庆林;刘鹏;陈树刚;胡窦明;张巧燕【作者单位】昆明物理研究所,云南昆明 650223;昆明物理研究所,云南昆明650223;昆明物理研究所,云南昆明 650223;昆明物理研究所,云南昆明 650223;昆明物理研究所,云南昆明 650223;昆明物理研究所,云南昆明 650223;昆明物理研究所,云南昆明 650223【正文语种】中文【中图分类】TP391.41现代红外成像系统通常采用14bits或16bits的A/D对输出信号进行采样量化，其输出图像往往具有高动态范围（High Dynamic Range，HDR），目前一般的显示设备能显示灰度级数只到256级，如果在显示设备上采用线性映射方法将高动态范围图像进行压缩显示，会造成图像中某些弱小目标细节信息丢失等问题。

为了突出红外图像弱小目标的细节信息，就需要在动态范围压缩的同时，提取高动态范围红外图像中的细节信息，增强弱小目标的细节。

结合高斯滤波和导向滤波的单幅图像去雾算法单幅图像去雾算法是图像处理领域的研究热点之一。

结合高斯滤波和导向滤波的算法是常用的一种方法。

下面将详细介绍这种算法原理和步骤。

我们需要了解什么是雾。

雾是光线在大气中散射和吸收的结果，使得图像变得模糊且颜色失真。

去除图像中的雾，就是恢复图像的清晰度和真实颜色。

高斯滤波是一种常用的图像处理滤波方法，它通过计算图像中每个像素点与其周围像素的加权平均来达到模糊图像的效果。

在去雾算法中，应用高斯滤波可以降低图像中雾的影响，使得图像更清晰。

导向滤波是一种基于引导图像的滤波方法，它通过将引导图像的结构信息作为滤波过程的引导来实现滤波效果。

在去雾算法中，我们可以将雾图像作为引导图像，通过导向滤波来恢复图像的细节和颜色。

1. 输入雾图像和引导图像。

雾图像是待处理的图像，引导图像可以是雾图像本身或者是原图的某种特征图像，如梯度图像。

2. 通过高斯滤波对雾图像进行模糊处理，降低雾的影响。

3. 计算引导图像的均值和方差。

可以使用高斯滤波计算引导图像的均值和方差。

4. 将引导图像进行归一化处理。

将引导图像的像素值归一化到[0,1]范围内，方便后续计算。

5. 计算原图像和引导图像的加权平均。

根据引导图像的均值和方差，计算原图像和引导图像的加权平均图像。

加权平均的权重由引导图像的均值和方差决定，可以通过公式进行计算。

6. 对加权平均图像进行导向滤波。

使用导向滤波算法对加权平均图像进行滤波，恢复图像的细节和颜色。

7. 对导向滤波得到的图像进行后处理。

可以对图像进行增强处理，消除图像中的噪声和伪影。

8. 输出去雾后的图像。

得到去雾后的图像作为最终结果。

结合高斯滤波和导向滤波的单幅图像去雾算法通过减轻图像中雾的影响和恢复图像的细节和颜色来实现去雾效果。

这种算法能够较好地去除图像中的雾气，使得图像更为清晰和真实。

在实际应用中，可以根据具体情况参数进行调整，以获得更好的去雾效果。

引导图滤波（GuidedImageFiltering）原理以及OpenCV实现引导图滤波器是⼀种⾃适应权重滤波器，能够在平滑图像的同时起到保持边界的作⽤，具体公式推导请查阅原⽂献《Guided Image Filtering》以及matlab源码：。

这⾥只说⼀下⾃适应权重原理、C++实现灰度图像以及彩⾊图像的引导图滤波、验证结果。

⾃适应权重原理引导图滤波作为⼀种线性滤波器，可以简单定义为如下形式：其中I是引导图像(guided Image)，P是输⼊的待滤波图像，Q是滤波后的输出图像，W是根据引导图I确定的权重值。

权重值W可以⽤下式表⽰（原⽂献有详细推导）：µk是窗⼝内像素点的均值，Ii和Ij指相邻两个像素点的值，σk代表窗⼝内像素点的⽅差，ε是⼀个惩罚值。

⾃适应权重可以根据上式分析得到：Ii和Ij在边界两侧时，(Ii-µk)和(Ij-µk)异号，否则，则同号。

⽽异号时的权重值将远远⼩于同号时的权重值，这样处于平坦区域的像素则会被加以较⼤的权重，平滑效果效果更明显，⽽处于边界两侧的像素则会被加以较⼩的权重，平滑效果较弱，能够起到保持边界的效果。

惩罚值ε对滤波效果影响也很⼤，当ε值很⼩时，滤波如前⾯所述；当ε值很⼤时，权重的计算公式将近似为⼀个均值滤波器，平滑效果会更明显。

同样也可以根据线性滤波公式来看引导图滤波的⾃适应权重原理，局部线性滤波模型公式如下：I指引导图像，Q是输出图像，ak和bk两个系数根据引导图I和输⼊图像P共同决定。

将上式两边求梯度，可以得到▽q=a*▽I，即输出图像的梯度信息完全由引导图像的梯度信息决定，当引导图中有边界时，输出图像中对应位置也会有边界。

⽽a和b的值将会决定梯度信息和平滑信息的权重⼤⼩。

通过观察a和b的公式，a的分⼦为I和P的协⽅差，分母部分为I的⽅差加上截断值ε；b的值为P的均值减去a乘以I的均值。

可以看出当a值很⼩时，b约等于窗⼝内像素点的均值pk，近似于均值滤波；⽽当a值很⼤时，输出则主要取决于a*▽I的⼤⼩，梯度信息能够得到保留。

RTG视觉纠偏的局部引导图像滤波算法张铭;苗玉彬;许凤麟【摘要】针对轮胎式集装箱门式起重机(RTG)在基于视觉的行走纠偏过程中环境因素干扰导致的定位失败问题,提出了基于局部引导图像滤波和均值漂移聚类的RTG 纠偏视觉辅助算法.该算法首先对图像进行基于局部引导图像滤波的高效预处理,在降噪的同时保留图像边缘特征;然后基于预先标定的引导线宽度和间距等特征,获取自适应分割阈值及简化均值漂移聚类算法的参数,从而实现引导线边缘的筛选提取和偏移量的计算.现场试验表明,该算法能够克服夜间环境下偏色光谱对识别的影响,有效提高纠偏的实时性和精度.【期刊名称】《东华大学学报（自然科学版）》【年(卷),期】2018(044)004【总页数】7页(P617-622,645)【关键词】轮胎式集装箱门式起重机;引导图像滤波;自动纠偏;引导线检测;机器视觉【作者】张铭;苗玉彬;许凤麟【作者单位】上海交通大学机械与动力工程学院,上海200240;上海交通大学机械与动力工程学院,上海200240;上海交通大学机械与动力工程学院,上海200240【正文语种】中文【中图分类】TP391.41轮胎式集装箱门式起重机(RTG)是用于集装箱堆码的专用港口机械。

近年来，港口吞吐量的大幅提高对RTG在作业中的精准装卸堆垛、纠偏等功能提出了更高的要求。

由于车轮直径差异等原因，RTG在作业过程中不可避免地存在轨道偏离风险进而出现啃轨现象。

当RTG偏离超过5°时，较短时间内就可能发生撞箱，造成巨大经济损失[1-2]。

目前，RTG的行走纠偏由驾驶员经观察地面引导线并依据自身经验判断调整。

由于驾驶人员同时负责RTG行走和集装箱装卸、堆垛作业，长时间工作容易疲劳，加之驾驶位置较高使视野存在局限，在受到恶劣天气或不良光线影响时易发生误判。

为了实现对RTG偏移信息的实时提取，研究者提出了多种定位测量方法。

如文献[3]总结了智能感知技术在RTG工作场景中的应用。