一种红外图像处理方法、装置、介质及设备与流程

1.本公开涉及图像处理方法，尤其涉及一种红外图像处理方法、装置、介质及设备。


背景技术：

2.随着现代科技进步以及人类生活水平的迅速提高，图像信息已经成为现代信息社会中不可或缺的一部分，这促使光电成像技术的迅猛发展。由于受环境光照明等影响可见光成像无法满足全天候成像要求，而红外成像技术则很好地弥补了这一成像缺陷。物理学研究表明，自然界中任何温度高于热力学零度的物体都在不断地往外辐射人眼不可见的红外线。这些红外线有着一定的辐射能量，物体温度越高，向外所辐射的能量也就越多。红外成像系统就是根据上述辐射原理来进行成像，并最终在显示设备上显示成人眼可直接观看的图像。
3.随着红外成像系统在军事、工业、农业等领域的广泛应用，各种使用场合对于红外系统成像质量要求也在不断地提高，红外成像系统中的一些技术性难题也变得日益突出，其中红外图像噪声去除是当前亟待解决的难题之一。与可见光图像相比而言，红外图像在采集和传输的过程中，极易受到诸如探测器件、探测环境以及光电转换电路硬件条件等多种因素的影响。因此，相比于可见光图像，红外系统成像质量较差，且存在各种不同类型的噪声，主要包括由探测器本身各像元响应不一致导致的固有频率噪声、器件中电子热振动引起的热噪声、电子发射不均匀所导致的散粒噪声等等。这些噪声的统计参数未知，且不完全符合任何一种单一的规律。因此，抑制红外图像中的噪声一直是红外图像处理中的技术难题。


技术实现要素：

4.为克服相关技术中存在的问题，本公开提供一种红外图像处理方法、装置、介质及设备。
5.根据本公开实施例的第一方面，提供一种红外图像处理方法，包括：
6.获取原始红外图像；
7.对所述原始红外图像进行小波分解，获取所述原始红外图像在三个尺度下的分量信息，所述三个尺度包括第一尺度、第二尺度和第三尺度，所述分量信息包括第三尺度下的概貌分量以及每个所述尺度下的水平分量、垂直分量和对角线分量，所述第二尺度大于所述第一尺度，所述第三尺度大于所述第二尺度；
8.对于多个所述尺度，根据所述分量信息进行多次引导滤波和多次逆小波变换，得到去除条纹噪声后的第一红外图像；
9.对所述第一红外图像进行粗粒度噪声去噪处理，得到第二红外图像；
10.对所述第二红外图像进行细节增强处理，得到第三红外图像；
11.对所述第三红外图像进行细粒度噪声去噪处理，得到目标红外图像。
12.在一些可能的实施方式中，所述对于多个所述尺度，根据所述分量信息进行多次
引导滤波和多次逆小波变换，得到去除条纹噪声后的第一红外图像，包括：
13.根据所述第三尺度下的概貌分量和垂直分量进行引导滤波，得到所述第三尺度下平滑的垂直分量，将所述第三尺度下的垂直分量减去所述第三尺度下平滑的垂直分量，得到所述第三尺度下的垂直分量的条纹噪声，基于所述第三尺度下的垂直分量的条纹噪声进行逆小波变换，得到所述第二尺度下的概貌分量；
14.根据所述第二尺度下的概貌分量和垂直分量进行引导滤波，得到所述第二尺度下平滑的垂直分量，将所述第二尺度下的垂直分量减去所述第二尺度下平滑的垂直分量，得到所述第二尺度下的垂直分量的条纹噪声，基于所述第二尺度下的垂直分量的条纹噪声进行逆小波变换，得到所述第一尺度下的概貌分量；
15.根据所述第一尺度下的概貌分量和垂直分量进行引导滤波，得到所述第一尺度下平滑的垂直分量，将所述第一尺度下的垂直分量减去所述第一尺度下平滑的垂直分量，得到所述第一尺度下的垂直分量的条纹噪声，基于所述第一尺度下的垂直分量的条纹噪声进行逆小波变换，得到目标概貌分量；
16.将所述目标概貌分量作为所述第一红外图像。
17.在一些可能的实施方式中，所述基于所述第三尺度下的垂直分量的条纹噪声进行逆小波变换得到所述第二尺度下的概貌分量，包括：
18.根据所述第三尺度下的垂直分量的条纹噪声、所述第三尺度下的概貌分量、所述第三尺度下的垂直分量和对角线分量进行逆小波变换，得到第二尺度下的概貌分量；
19.所述基于所述第二尺度下的垂直分量的条纹噪声进行逆小波变换得到所述第一尺度下的概貌分量，包括：
20.根据所述第二尺度下的垂直分量的条纹噪声、所述第二尺度下的概貌分量、所述第二尺度下的垂直分量和对角线分量进行逆小波变换，得到第一尺度下的概貌分量；
21.所述基于所述第一尺度下的垂直分量的条纹噪声进行逆小波变换得到所述目标概貌分量，包括：
22.根据所述第一尺度下的垂直分量的条纹噪声、所述第一尺度下的概貌分量、所述第一尺度下的垂直分量和对角线分量进行逆小波变换，得到目标概貌分量。
23.在一些可能的实施方式中，所述对所述第一红外图像进行粗粒度噪声去噪处理，得到第二红外图像，包括：
24.通过bm3d滤波器对所述第一红外图像进行去噪，去除所述第一红外图像中的粗粒度噪声，得到第二红外图像。
25.在一些可能的实施方式中，所述对所述第二红外图像进行细节增强处理，得到第三红外图像，包括：
26.根据多组预设参数对所述第二红外图像进行高斯滤波，得到与所述多组预设参数对应的多个滤波图像，将所述第二红外图像和所述多个滤波图像依次进行比较，得到多个细节层；
27.将所述多个细节层和所述第二红外图像按照预设权重进行融合，得到细节增强后的第三红外图像。
28.在一些可能的实施方式中，所述根据多组预设参数对所述第二红外图像进行高斯滤波，得到与所述多组预设参数对应的多个滤波图像，包括：
29.根据三组预设参数对所述第一目标图像进行高斯滤波，得到与所述三组预设参数对应的第一滤波图像、第二滤波图像和第三滤波图像；
30.所述将所述第二红外图像和所述多个滤波图像依次进行比较，得到多个细节层，包括：
31.将所述第二红外图像和所述第一滤波图像进行比较，得到第一细节层；
32.将所述第一滤波图像和所述第二滤波图像进行比较，得到第二细节层；
33.将所述第二滤波图像和所述第三滤波图像进行比较，得到第三细节层。
34.在一些可能的实施方式中，所述对所述第三红外图像进行细粒度噪声去噪处理，得到目标红外图像，包括：
35.使用双边滤波器对所述第三红外图像进行去噪，去除所述第三红外图像的细粒度噪声，得到目标红外图像。
36.根据本公开实施例的第二方面，提供一种红外图像处理装置，所述装置包括：原始图像获取模块、条纹噪音去除模块、粗粒度噪声去除模块、细节增强模块和细粒度噪声去除模块；
37.所述原始图像获取模块，用于获取原始红外图像；
38.所述条纹噪音去除模块，用于对所述原始红外图像进行小波分解，获取所述原始红外图像在三个尺度下的分量信息，所述三个尺度包括第一尺度、第二尺度和第三尺度，所述分量信息包括第三尺度下的概貌分量以及每个所述尺度下的水平分量、垂直分量和对角线分量，所述第二尺度大于所述第一尺度，所述第三尺度大于所述第二尺度；
39.对于多个所述尺度，根据所述分量信息进行多次引导滤波和多次逆小波变换，得到去除条纹噪声后的第一红外图像；
40.所述粗粒度噪声去除模块，用于对所述第一红外图像进行粗粒度噪声去噪处理，得到第二红外图像；
41.所述细节增强模块，用于对所述第二红外图像进行细节增强处理，得到第三红外图像；
42.所述细粒度噪声去除模块，用于对所述第三红外图像进行细粒度噪声去噪处理，得到目标红外图像。
43.根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如第一方面所述的红外图像处理方法的步骤。
44.根据本公开实施例的第四方面，提供一种电子设备，所述电子设备包括处理器和用于存储处理器可执行指令的存储器，所述处理器被配置为：执行如第一方面所述的红外图像处理方法的步骤。
45.本公开的实施例提供的技术方案可以包括以下有益效果：本公开中的红外图像处理方法通过一种级联式的图像处理方案，逐次对红外图像进行条纹噪声去除、粗粒度噪声去除、细节增强和细粒度噪声去除，并且在进行条纹噪声去除时，对小波分解的变量信息进行了多次引导滤波及逆小波变换，有效的去除了图像的条纹噪声，最终得到的处理后的目标红外图像既保留了细节信息，也有效的去除了各种噪声，图像的显示效果得到了有效提升。
46.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不
能限制本公开。
附图说明
47.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
48.图1是根据一示例性实施例示出的一种红外图像处理方法的流程图。
49.图2是根据一示例性实施例示出的一种红外图像处理方法中去除条纹噪声的流程图。
50.图3是根据一示例性实施例示出的一种红外图像处理方法中获得细节层的流程图。
51.图4是根据一示例性实施例示出的一种红外图像处理装置的框图。
52.图5是根据一示例性实施例示出的一种红外图像处理方法中获取到的原始红外图像。
53.图6是根据一示例性实施例示出的一种红外图像处理方法中去除条纹噪声后的图像。
54.图7是根据一示例性实施例示出的一种红外图像处理方法中去除粗粒度噪声后的图像。
55.图8是根据一示例性实施例示出的一种红外图像处理方法中细节增强后的图像。
56.图9是根据一示例性实施例示出的一种红外图像处理方法中去除细粒度噪声后的图像。
57.图10是根据一示例性实施例示出的一种红外图像处理方法中的去除细粒度噪声过程所去除的噪点图像。
具体实施方式
58.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
59.在红外图像中，噪声水平是影响图像质量至关重要的因素。混合随机噪声的存在降低了图像的清晰度，遮盖了图像的细节，严重影响了人眼对图像有效信息的提取。同时，红外图像噪声的存在严重影响后续的检测、跟踪等任务的精度。
60.因此，对红外图像进行去噪处理，改善红外成像系统的成像效果是非常必要的。红外图像噪声抑制也是目前广泛研究的课题之一。对红外图像去噪可以有效地提升人眼对红外图像的主观视觉感受，同时有助于下游的各类任务，包括红外图像增强和目标跟踪检测等任务。
61.目前红外成像技术仍然在不停地高速发展，并衍生出一些新型的成像技术，以适应社会对红外成像系统提出的严峻挑战。同时红外图像质量要求也在不断提高，而噪声抑制作为前期的预处理工作，具有十分重要的研究意义。
62.为此，本公开提供一种红外图像处理方法，图1是根据一示例性实施例示出的一种
红外图像处理方法的流程图，参考图1，红外图像处理方法包括：
63.步骤s11，获取原始红外图像；
64.步骤s12，对原始红外图像进行小波分解，获取原始红外图像在三个尺度下的分量信息，三个尺度包括第一尺度、第二尺度和第三尺度，分量信息包括第三尺度下的概貌分量以及每个尺度下的水平分量、垂直分量和对角线分量，第二尺度大于第一尺度，第三尺度大于第二尺度；
65.对于多个尺度，根据分量信息进行多次引导滤波和多次逆小波变换，得到去除条纹噪声后的第一红外图像；
66.步骤s13，对第一红外图像进行粗粒度噪声去噪处理，得到第二红外图像；
67.步骤s14，对第二红外图像进行细节增强处理，得到第三红外图像；
68.步骤s15，对第三红外图像进行细粒度噪声去噪处理，得到目标红外图像。
69.在步骤s11中，获取原始红外图像，原始红外图像可以是通过红外传感器捕捉到的，经过非均匀校正之后的红外图像。传感器获得的图像在经过非均匀校正后，会具有更高的信噪比，将这样的图像作为原始红外图像，会使得图像经过后续的去噪处理后可以具有更好的图像效果。原始红外图像也可以是没有经过非均匀校正的红外图像，能够减少一个非均匀校正的步骤，提升红外图像处理的效率，但采用的原始红外图像没有经过非均匀校正的话会影响最终的去噪后的图像效果。
70.在步骤s12中，对获取到的原始红外图像进行小波分解，小波分解会将原始红外图像在三个尺度上进行分解，得到三个尺度上的分量信息，这些分量信息为每个尺度下的水平分量、垂直分量和对角线分量，以及第三尺度下的概貌分量。第一尺度、第二尺度和第三尺度可以分别理解为小尺度、中尺度和大尺度，在三个尺度下对原始红外图像进行分解得到分别代表不同类型信息的分量信息。其中，第一尺度，即小尺度，分解得到的是图像的细节信息和边缘信息等图像中比较细微的信息；第二尺度，即中尺度，分解得到的是图像的结构信息、纹理信息；第三尺度，即大尺度，分解得到的是全局结构、概括信息等能够概括全局的信息，通过将图像分解为多个尺度，可以有效的反应图像在不同尺度下的特征，在后续进行引导滤波时，可以根据不同的尺度来确定不同大小的窗口来进行引导滤波。
71.在对上述三个尺度进行小波分解得到其对应的分量信息时，分别得到的是各个尺度所对应的信息的垂直分量、水平分量、对角线分量以及第三尺度下的概貌分量。其中各个尺度所对应的信息的垂直分量、水平分量、对角线分量可以举例理解，例如，对第一尺度进行分解时，第一尺度所对应的信息为图像上的细节信息和边缘信息等比较细微的信息，因此分解得到的分量也是这些细节信息和边缘信息所对应的垂直分量、水平分量、对角线分量，其他尺度下分解得到的分量信息也是其尺度所代表的图像信息的各个分量。第三尺度下的概貌分量，相当于一个概括图像整体全局的一个分量，可以理解为显示原始红外图像全局结构的一个模糊版本的图像，在这个图像中可以展示出原始红外图像的轮廓。
72.在得到上述三个尺度所对应的水平分量、垂直分量和对角线分量，以及第三尺度的概貌分量后，对于多个尺度，根据分量信息进行多次引导滤波和多次逆小波变换，得到去除条纹噪声后的第一红外图像。
73.在一示例性实施例中，步骤s12，对于多个尺度，根据分量信息进行多次引导滤波和多次逆小波变换，得到去除条纹噪声后的第一红外图像，其具体过程如图2所示，包括：
74.步骤s121,根据第三尺度下的概貌分量和垂直分量进行引导滤波，得到第三尺度下平滑的垂直分量，将第三尺度下的垂直分量减去第三尺度下平滑的垂直分量，得到第三尺度下的垂直分量的条纹噪声，基于第三尺度下的垂直分量的条纹噪声进行逆小波变换，得到第二尺度下的概貌分量。
75.步骤s122，根据第二尺度下的概貌分量和垂直分量进行引导滤波，得到第二尺度下平滑的垂直分量，将第二尺度下的垂直分量减去第二尺度下平滑的垂直分量，得到第二尺度下的垂直分量的条纹噪声，基于第二尺度下的垂直分量的条纹噪声进行逆小波变换，得到第一尺度下的概貌分量。
76.步骤s123，根据第一尺度下的概貌分量和垂直分量进行引导滤波，得到第一尺度下平滑的垂直分量，将第一尺度下的垂直分量减去第一尺度下平滑的垂直分量，得到第一尺度下的垂直分量的条纹噪声，基于第一尺度下的垂直分量的条纹噪声进行逆小波变换，得到目标概貌分量。
77.步骤s124，将目标概貌分量作为第一红外图像。
78.在步骤s121中，根据第三尺度下的概貌分量和垂直分量进行引导滤波，得到第三尺度下平滑的垂直分量，可以理解为，将第三尺度下的概貌分量作为引导图像，将第三尺度下的垂直分量作为输入图像，进行引导滤波，引导滤波输出的图像就是已经完成滤波后的相对平滑的垂直分量。
79.其中，引导滤波的具体过程如下：首先需要提供一个引导图像和一个输入图像，将引导图像的每个像素点依次作为中心，以r为半径，形成多个局部窗口，在每个窗口内，将这个窗口内的每一个像素点的值进行线性变换，得到一个新的像素值。其中在对某个窗口内每个像素点的值进行线性变换时，线性系数是根据当前局部窗内的引导图像和输入图像的在窗口内各个像素点的值来确定的。其具体公式如下：
[0080][0081][0082][0083][0084][0085][0086]
在上述式子中，引导图像为g，输入图像为d，将经过引导后的输出图像记为gd，则在以像素点k为中心，窗半径为r的局部窗ωk内，输出图像在第j个像素点的值gdj是引导图像在该点像素值gj的线性变换，即gdj为引导图像g上第j个像素点的像素值线性变化后该像
素点所对应的值的大小。gj为引导图像上第j个像素点的像素值，dj为输入图像上第j个像素点的像素值。其中，a、b是在该局部窗ωk对应的线性系数，表示输入图像d在窗ωk中的均值，μk表示引导图像g在局部窗ωk中的均值，表示在窗ωk中的方差。
[0087]
由于在窗口的滑动过程中，即以每一个像素点作为中心构建窗口的过程中，每一个像素点都会被n个窗口覆盖。导致输出图像的每个像素点会被不同的线性函数所描述，即当一个像素点，比如像素点m，在不同的窗口中进行计算时，得到的像素值式不同。因此以上述公式为基础，计算覆盖每个像素点的所有窗口所对应的线性系数，对这些线性系数求均值，得到像素点m所对应的均值线性系数，以此类推，求得每个像素点所对应的均值线性系数，对每个像素点根据其所对应的均值线性系数进行线性变换，得到的新的图像即为经过引导滤波的输出图像，该输出图像即为本公开中上述描述中涉及到的相对平滑的垂直分量。
[0088]
在得到第三尺度下相对平滑的垂直分量后，将第三尺度下，原来的垂直分量和相对平滑的垂直分量进行对比，在原来的垂直分量的基础上减去相对平滑的垂直分量，得到的分量信息即为垂直分量上的条纹噪声。其过程可以用以下公式进行理解：
[0089][0090]
其中gf(ρ＝v3,i＝a3)得到的就是第三尺度下相对平滑的垂直分量，v3为第三尺度下的垂直分量，为该垂直分量上的条纹噪声。在此需要进行说明的是，上述描述过程中涉及到的在原来的垂直分量的基础上减去相对平滑的垂直分量的实际含义为，将原来的垂直分量和相对平滑的垂直分量进行对比，原来的垂直分量中既包括相对平滑的垂直分量还包含一些噪声，将上述两者对比的过程中，从原来的垂直分量中去除掉相对平滑的垂直分量，则剩余的数据即为垂直分量上的条纹噪声。
[0091]
在步骤s121中，基于第三尺度下的垂直分量的条纹噪声进行逆小波变换，得到第二尺度下的概貌分量。根据获取到的第三尺度下的垂直分量的条纹噪声以及第三尺度下的水平分量、概貌分量和对角线分量，进行逆小波变换生成的新的分量信息，将该分量信息作为第二尺度的概貌分量，用于后续在第二尺度下进行引导滤波和逆小波变换。逆小波变换可以理解为与小波分解的对应的重构，由于小波分解为常用技术，对于其重构，此处不多加赘述。逆小波变换的具体公式如下：
[0092][0093]
其中a3,h3,d3分别代表第三尺度下的概貌分量、水平分量、第三尺度下垂直分量的条纹噪声和第三尺度下的对角线分量。a2代表经过逆小波变换得到的第二尺度下的概貌分量。
[0094]
在步骤s122中，根据第二尺度下的概貌分量和垂直分量进行引导滤波，得到第二尺度下平滑的垂直分量，将第二尺度下的垂直分量减去第二尺度下平滑的垂直分量，得到第二尺度下的垂直分量的条纹噪声，基于第二尺度下的垂直分量的条纹噪声进行逆小波变换，得到第一尺度下的概貌分量。
[0095]
该过程和步骤s121的过程相同，只是采用的分量信息为当前尺度下对应的分量信息。其在进行引导滤波时，将步骤s121中得到的第二尺度下的概貌分量作为引导图像，将第二尺度下的垂直分量作为输入图像进行引导滤波，并采用和步骤s121相对应的过程得到第
二尺度下的垂直分量的条纹噪声，并根据该条纹噪声和第二尺度下的对应的概貌分量、水平分量、对角线分量进行逆小波变换，将逆小波变换得到的分量信息作为第一尺度下的概貌分量，用于在第一尺度线进行引导滤波和逆小波变换。
[0096]
在步骤s123中，根据第一尺度下的概貌分量和垂直分量进行引导滤波，得到第一尺度下平滑的垂直分量，将第一尺度下的垂直分量减去第一尺度下平滑的垂直分量，得到第一尺度下的垂直分量的条纹噪声，基于第一尺度下的垂直分量的条纹噪声进行逆小波变换，得到目标概貌分量。
[0097]
该过程和步骤s121的过程相同，只是采用的分量信息为当前尺度下对应的分量信息。其在进行引导滤波时，将步骤s122中得到的第一尺度下的概貌分量作为引导图像，将第一尺度下的垂直分量作为输入图像进行引导滤波，并采用和步骤s121相对应的过程得到第一尺度下的垂直分量的条纹噪声，并根据该条纹噪声和第一尺度下的对应的概貌分量、水平分量、对角线分量进行逆小波变换，将逆小波变换得到的分量信息作为目标概貌分量。
[0098]
在步骤s124中，将目标概貌分量作为第一红外图像。可以理解为，目标概貌分量相当于原始红外图像经过了多个尺度的引导滤波以及逆小波变换得到的概貌分量，这个经过多次滤波的分量即为第一红外图像。由于在三个尺度下都进行了引导滤波，原始红外图像中的条纹噪声得到了有效的去除，提高了图像的显示效果。
[0099]
在一示例性实施例中，步骤s13，对第一红外图像进行粗粒度噪声去噪处理，得到第二红外图像，包括：通过bm3d滤波器对第一红外图像进行去噪，去除第一红外图像中的粗粒度噪声，得到第二红外图像。
[0100]
在通过bm3d滤波器去除第一红外图像的噪声前，可以将第一红外图像的像素值进行映射，将像素值的范围从0到1为0到255，可以理解为将归一化的图像进行复原，复原后的图像进行bm3d滤波，可以起到更好的噪声去除效果。bm3d滤波是一种传统的噪声去除方式，此处不多加赘述。
[0101]
通过bm3d滤波器滤除第一红外图像上的粗粒度噪声，得到的第二红外图像，相当于在滤除了原始红外图像的条纹噪声的基础上，进一步的滤除了原始红外图像的粗粒度噪声，进一步提高了图像的显示效果。
[0102]
在一示例性实施例中，在步骤s14，对第二红外图像进行细节增强处理，得到第三红外图像，包括：根据多组预设参数对第二红外图像进行高斯滤波，得到与多组预设参数对应的多个滤波图像，将第二红外图像和多个滤波图像依次进行比较，得到多个细节层；将多个细节层和第二红外图像按照预设权重进行融合，得到细节增强后的第三红外图像。
[0103]
预先设置好多组参数对第二红外图像进行高斯滤波，得到与各组参数相对应的多个滤波图像，其具体公式如下：
[0104]
b1＝g(i2,radius,θ1)
[0105]
b2＝g(i2,radius
×
2-1,θ2)
[0106]
b3＝g(i2,radius
×
4-1,θ3)
[0107]
其中i2为第二红外图像，b1、b2、b3是根据三组不同的预设参数所得到的对应的滤波图像，其中b1是第一滤波图像，b2是第二滤波图像，b3是第三滤波图像，radius、radius
×
2-1和radius
×
4-1，为输入参数，用于控制在进行高斯滤波时卷积核的大小，相当于在不同的尺度下将图像进行高斯滤波，每个尺度所对应的卷积核大小不同；θ1,θ2,θ3为高斯滤波参
数，表示在进行高斯滤波时卷积和垂直方向和水平方向的标准差，其控制的是在进行高斯滤波时的权重比例。通过设置不同的输入参数，可以得到在不同尺度下的高斯滤波图像，，需要注意的时，这些参数的大小不是固定的，可以根据实际情况进行设置。
[0108]
将第二红外图像和多个高斯滤波图像依次进行比较，得到多个细节层，具体过程如图3所示，可以包括以下步骤：
[0109]
步骤s141：将第二红外图像和第一滤波图像进行比较，得到第一细节层；
[0110]
步骤s142：将第一滤波图像和第二滤波图像进行比较，得到第二细节层；
[0111]
步骤s143：将第二滤波图像和第三滤波图像进行比较，得到第三细节层。
[0112]
在步骤s141中，将第二红外图像和第一滤波图像进行比较可以理解为，将两个将第二红外图像和第一滤波图像相减，得到一个新的图像，该图像即为第一细节层，它相当于是在对第二红外图像进行高斯滤波得到第一滤波图像时，被滤除的图像信息，这些被滤除的图像信息可以理解为图像的细节信息。在一个例子中，在对两个图像进行相减前，可以将两个图像的像素值类型转换为float类型，防止在进行相减时，发生数值溢出。
[0113]
在步骤s142和步骤s143中，分别是将第一滤波图像和第二滤波图像相比较，其比较过程和步骤s141相同，即将两个图像相减，以及将第二滤波图像和第三滤波图像相比较。由于在进行高斯滤波时，不同滤波图像所对应的参数也是不同的，因此将这些滤波图像彼此之间进行比较相减，得到的滤波图像之间的区别部分也代表着一部分的细节信息，这些细节信息分别时第二细节层和第三细节层。
[0114]
步骤s141至步骤s143可以通过以下公式进行理解：
[0115]
d1＝i
2-b1[0116]
d2＝b
1-b2[0117]
d3＝b
2-b3[0118]
其中d1、d2、d3分别代表第一细节层、第二细节层和第三细节层。
[0119]
在得到第一细节层、第二细节层和第三细节层后，在第二红外图像的基础上融合这些细节层，得到的图像即为细节增强后的第三红外图像，具体的融合过程可以为以下公式：
[0120]
i3＝(1-w1×
sign(d1))
×
d1+w2×
d2+w3×
d3+i2[0121]
其中，sign是一种运算符号，当d1大于0时，sign(d1)＝1；当d1小于0时sign(d1)＝-1；当d1等于0时sign(d1)＝0。w1、w2、w3分别对应不同的权重系数，在进行融合时，可以根据具体的情况来对不同的细节层分配不同的权重，以生成细节增强后的第三红外图像。
[0122]
通过高斯滤波得到滤波后的图像，并将第二红外图像和这些滤波图像进行比较以及相减，得到第二红外图像上的细节信息，并按照预设的权重对这些细节信息进行分配，以使其与第二红外图像进行融合，最终得到细节增强的第三红外图像，其具有更加清晰的细节信息，进一步的提升图像的显示效果。
[0123]
在一示例性实施例中，步骤s15,对第三红外图像进行细粒度噪声去噪处理，得到目标红外图像，包括：使用双边滤波器对第三红外图像进行去噪，去除第三红外图像的细粒度噪声，得到目标红外图像。
[0124]
双边滤波器可以针对图像中的细粒度噪声进行有效的去除，通过双边滤波器去除第三红外图像的细粒度噪声后，得到的目标红外图像相当于原始红外图像去除了条纹噪
声、去除了粗粒度噪声、对细节进行增强并且去除了细粒度噪声的图像。
[0125]
为了便于理解上述实施例，本公开提供了一个示例性的红外图像在经过红外图像处理方法的各个步骤后的效果图以供参考，参考图5至图9。其中，图5是获取到的原始红外图像，在该图像上具有垂直方向的条纹噪声，以图5中的a1区域为例，该区域中向下的箭头即为条纹噪声的方向，在对图5中展示的原始红外图像进行条纹噪声去除处理后得到图6，将图5中的a1区域和图6中的对应区域a2进行对比，可以看出垂直方向的条纹噪声已经得到了有效的去除，整个图像的整体变得更加平滑。
[0126]
在去除条纹噪声后的红外图像(如图6)中依然还具有一些粗粒度噪声，以图6中的b1区域为例，其上具有粗粒度的噪声，在对图6进行粗粒度噪声去除处理后得到图7，将图6中的b1区域和图7中的对应位置b2区域进行对比，可以看出粗粒度噪声得到了有效去除。在对图7进行细节增强处理后得到图8，图8中的人物和物体的轮廓边缘变得更加清晰，以图7中的c1区域为例，在经过细节增强处理后，在图8中的对应位置c2区域中，物体的边缘变得更加清晰。需要注意的是，上述每次图像处理步骤都是将图像整体进行了处理，图像处理所产生的变化是全局的，其中提到的每个图像中的具体区域，例如a1、b1等，只是为了便于对比处理前后的区别。
[0127]
对图8进行细粒度噪声去除处理得到图9，由于细粒度噪声难以被人眼观察到相对明显的变化，将图8和图9相减得到图10(此处的相减是指将经过细粒度噪声处理之后的图像与没有经过细粒度噪声处理的图像进行比较，并在没有经过细粒度噪声处理的图8中将图9中展示的图像的去除)，图10中展示的即为被去除掉的细粒度噪声，通过图10来辅助观察可以看出图9相对于图8的变化，图9即为对原始红外图像进行一系列的图像处理步骤后，得到的目标红外图像。
[0128]
通过以上实施例，本文通过一种级联式的图像处理方案，逐次对红外图像进行条纹噪声去除、粗粒度噪声去除、细节增强和细粒度噪声去除，并且在进行条纹噪声去除时，对小波分解的变量信息进行了多次的引导滤波及逆小波变换，有效的去除了图像的条纹噪声并完整地保留图像丰富的高频纹理细节，提高了图像整体的信噪比。最终得到的处理后的目标红外图像既保留了细节信息，也有效的去除了多种类型噪声，使得图像的显示效果得到了有效提升。本方法对于多种场景下的红外图像都具有良好的去噪效果，对不同的红外图像传感器都具有良好的鲁棒性。
[0129]
图4是根据一示例性实施例示出的红外图像处理装置的框图。参考图4，红外图像处理装置包括：原始图像获取模块201、条纹噪音去除模块202、粗粒度噪声去除模块203、细节增强模块204和细粒度噪声去除模块205。
[0130]
该原始图像获取模块201，被配置为用于获取原始红外图像。
[0131]
该条纹噪音去除模块202，被配置为用于对原始红外图像进行小波分解，获取原始红外图像在三个尺度下的分量信息，三个尺度包括第一尺度、第二尺度和第三尺度，分量信息包括第三尺度下的概貌分量以及每个尺度下的水平分量、垂直分量和对角线分量，第二尺度大于第一尺度，第三尺度大于第二尺度；
[0132]
对于多个尺度，根据分量信息进行多次引导滤波和多次逆小波变换，得到去除条纹噪声后的第一红外图像。
[0133]
该粗粒度噪声去除模块203，被配置为用于对第一红外图像进行粗粒度噪声去噪
处理，得到第二红外图像。
[0134]
该细节增强模块204，被配置为用于对第二红外图像进行细节增强处理，得到第三红外图像。
[0135]
该细粒度噪声去除模块205，被配置为用于对第三红外图像进行细粒度噪声去噪处理，得到目标红外图像。
[0136]
本公开还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被执行时实现本公开任一实施例记载的红外图像处理方法的步骤。
[0137]
本公开还提供一种电子设备，该电子设备包括处理器和用于存储处理器可执行指令的存储器，处理器被配置为：执行本公开任一实施例记载的红外图像处理方法的步骤。
[0138]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
[0139]
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

技术特征：
1.一种红外图像处理方法，其特征在于，所述方法包括：获取原始红外图像；对所述原始红外图像进行小波分解，获取所述原始红外图像在三个尺度下的分量信息，所述三个尺度包括第一尺度、第二尺度和第三尺度，所述分量信息包括第三尺度下的概貌分量以及每个所述尺度下的水平分量、垂直分量和对角线分量，所述第二尺度大于所述第一尺度，所述第三尺度大于所述第二尺度；对于多个所述尺度，根据所述分量信息进行多次引导滤波和多次逆小波变换，得到去除条纹噪声后的第一红外图像；对所述第一红外图像进行粗粒度噪声去噪处理，得到第二红外图像；对所述第二红外图像进行细节增强处理，得到第三红外图像；对所述第三红外图像进行细粒度噪声去噪处理，得到目标红外图像。2.根据权利要求1所述的方法，其特征在于，所述对于多个所述尺度，根据所述分量信息进行多次引导滤波和多次逆小波变换，得到去除条纹噪声后的第一红外图像，包括：根据所述第三尺度下的概貌分量和垂直分量进行引导滤波，得到所述第三尺度下平滑的垂直分量，将所述第三尺度下的垂直分量减去所述第三尺度下平滑的垂直分量，得到所述第三尺度下的垂直分量的条纹噪声，基于所述第三尺度下的垂直分量的条纹噪声进行逆小波变换，得到所述第二尺度下的概貌分量；根据所述第二尺度下的概貌分量和垂直分量进行引导滤波，得到所述第二尺度下平滑的垂直分量，将所述第二尺度下的垂直分量减去所述第二尺度下平滑的垂直分量，得到所述第二尺度下的垂直分量的条纹噪声，基于所述第二尺度下的垂直分量的条纹噪声进行逆小波变换，得到所述第一尺度下的概貌分量；根据所述第一尺度下的概貌分量和垂直分量进行引导滤波，得到所述第一尺度下平滑的垂直分量，将所述第一尺度下的垂直分量减去所述第一尺度下平滑的垂直分量，得到所述第一尺度下的垂直分量的条纹噪声，基于所述第一尺度下的垂直分量的条纹噪声进行逆小波变换，得到目标概貌分量；将所述目标概貌分量作为所述第一红外图像。3.根据权利要求2所述的方法，其特征在于，所述基于所述第三尺度下的垂直分量的条纹噪声进行逆小波变换得到所述第二尺度下的概貌分量，包括：根据所述第三尺度下的垂直分量的条纹噪声、所述第三尺度下的概貌分量、所述第三尺度下的垂直分量和对角线分量进行逆小波变换，得到第二尺度下的概貌分量；所述基于所述第二尺度下的垂直分量的条纹噪声进行逆小波变换得到所述第一尺度下的概貌分量，包括：根据所述第二尺度下的垂直分量的条纹噪声、所述第二尺度下的概貌分量、所述第二尺度下的垂直分量和对角线分量进行逆小波变换，得到第一尺度下的概貌分量；所述基于所述第一尺度下的垂直分量的条纹噪声进行逆小波变换得到所述目标概貌分量，包括：根据所述第一尺度下的垂直分量的条纹噪声、所述第一尺度下的概貌分量、所述第一尺度下的垂直分量和对角线分量进行逆小波变换，得到目标概貌分量。4.根据权利要求1所述的方法，其特征在于，所述对所述第一红外图像进行粗粒度噪声
去噪处理，得到第二红外图像，包括：通过bm3d滤波器对所述第一红外图像进行去噪，去除所述第一红外图像中的粗粒度噪声，得到第二红外图像。5.根据权利要求1所述的方法，其特征在于，所述对所述第二红外图像进行细节增强处理，得到第三红外图像，包括：根据多组预设参数对所述第二红外图像进行高斯滤波，得到与所述多组预设参数对应的多个滤波图像，将所述第二红外图像和所述多个滤波图像依次进行比较，得到多个细节层；将所述多个细节层和所述第二红外图像按照预设权重进行融合，得到细节增强后的第三红外图像。6.根据权利要求5所述的方法，其特征在于，所述根据多组预设参数对所述第二红外图像进行高斯滤波，得到与所述多组预设参数对应的多个滤波图像，包括：根据三组预设参数对所述第一目标图像进行高斯滤波，得到与所述三组预设参数对应的第一滤波图像、第二滤波图像和第三滤波图像；所述将所述第二红外图像和所述多个滤波图像依次进行比较，得到多个细节层，包括：将所述第二红外图像和所述第一滤波图像进行比较，得到第一细节层；将所述第一滤波图像和所述第二滤波图像进行比较，得到第二细节层；将所述第二滤波图像和所述第三滤波图像进行比较，得到第三细节层。7.根据权利要求1所述的方法，其特征在于，所述对所述第三红外图像进行细粒度噪声去噪处理，得到目标红外图像，包括：使用双边滤波器对所述第三红外图像进行去噪，去除所述第三红外图像的细粒度噪声，得到目标红外图像。8.一种红外图像处理装置，其特征在于，所述装置包括：原始图像获取模块、条纹噪音去除模块、粗粒度噪声去除模块、细节增强模块和细粒度噪声去除模块；所述原始图像获取模块，用于获取原始红外图像；所述条纹噪音去除模块，用于对所述原始红外图像进行小波分解，获取所述原始红外图像在三个尺度下的分量信息，所述三个尺度包括第一尺度、第二尺度和第三尺度，所述分量信息包括第三尺度下的概貌分量以及每个所述尺度下的水平分量、垂直分量和对角线分量，所述第二尺度大于所述第一尺度，所述第三尺度大于所述第二尺度；对于多个所述尺度，根据所述分量信息进行多次引导滤波和多次逆小波变换，得到去除条纹噪声后的第一红外图像；所述粗粒度噪声去除模块，用于对所述第一红外图像进行粗粒度噪声去噪处理，得到第二红外图像；所述细节增强模块，用于对所述第二红外图像进行细节增强处理，得到第三红外图像；所述细粒度噪声去除模块，用于对所述第三红外图像进行细粒度噪声去噪处理，得到目标红外图像。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现权利要求1至7任一项所述的红外图像处理方法的步骤。10.一种电子设备，其特征在于，所述电子设备包括处理器和用于存储处理器可执行指
令的存储器，所述处理器被配置为：执行权利要求1至7任一项所述的红外图像处理方法的步骤。

技术总结
本公开是关于一种红外图像处理方法、装置、介质及设备，属于图像处理领域。其方法包括：获取原始红外图像；对所属原始图像进行小波分解，得到分量信息，根据分量信息进行引导滤波和逆小波变换，得到去除条纹噪声的第一红外图像；对所述第一红外图像进行粗粒度噪声去除处理，得到第二红外图像；对所述第二红外图像进行细节增强处理，得到第三红外图像；对所述第三红外图像进行细粒度噪声去噪处理，得到目标红外图像，从而有效去除原始红外图像上的各种噪声，并且保留细节信息，提高原始红外图像的显示效果。像的显示效果。像的显示效果。


技术研发人员：袁潮 杨琦瑞 陈思远 杨敬钰
受保护的技术使用者：北京拙河科技有限公司
技术研发日：2023.07.11
技术公布日：2023/10/15