摘要 本文介绍了weber定律，并利用weber定律先对红外图像进行预处理，将图像分类之后，需要增强的利用基于双边滤波的Retinex图像增强方法进行增强，在文章的后部分给出了几种增强算法的对比结果，从实际的对比效果来看，双边滤波的Retinex算法很好的保留了红外图像的细节信息，并对边缘进行了相应的增强。使的进行增强之后的红外图像达到了较好的视觉效果。

　　关键词 图像增强；Retinex；双边滤波；weber定律

　　中图分类号P4 文献标识码A 文章编号 1674-6708（2012）79-0118-02

　　0引言

　　红外热成像仪是一种可探测目标的所发射的红外辐射，并通过光电转换、电信号处理等手段，将目标物体的温度分布图像转换成视频图像的设备。由于红外热成像仪在黑夜中仍可以正常工作故此在军事领域中得到了大量的应用，通过该设备的使用可以实施夜间行动和作战，大幅度提高武器系统的作战能力；在民用领域，红外热成像系统可以进行无损检测等，随着近年来的非制冷焦平面的研究和推广，红外热成像系统利用非制冷焦平面作为核心部件，使得整个系统的成本大大降低。

　　由于大气对电磁波散射和吸收等因素的影响，使一部分波段的太阳辐射在大气层中的透过率很小或根本无法通过。电磁波辐射在大气传输中透过率较高的波段称为大气窗口。在8.0μm～14.0μm这个波段，电磁波辐射的透过率约为80%。利用红外热成像仪所接收的大气向下的红外辐射值信息，形成不同的云图。

　　1 系统组成

　　光学测量单元的核心部件是非制冷焦平面阵列，用于感应8.0μm～14.0μm波段的大气向下红外辐射。非制冷焦平面阵列采用FLIR公司的PHOTON320，该机芯采用氧化钒探测器材料，焦平面规格是320 ×240高灵敏度（< 35 mK @ f 1.0），较大的温度范围（-40℃到+80 ℃）保证了可以适应大多数气候条件，较快的开机时间，非热电制冷（TEC），两倍焦距，和38微米的像元尺寸。物镜采用100mm红外长焦镜头。数据输出频率为9Hz。由于天空中云的形状在短时间内不会发生变化，故此9Hz的频率完全满足红外云图的观测要求。

　　数据采集终端通过TCP/IP协议将数据发送至PC机，数据采集终端由PHOTON320+FPGA+S3C2440组成。FPGA负责采集PHOTON320的LVDS信号，并将数据传输至S3C2440，通过TCP/IP传输至PC机的图像已经经过了非均匀校正的处理。

　　2图像增强算法

　　随着天气的不同，云层的高度以及形状都有不同，故此在不同的天气下云图的形状不完全一样，需要对不同的云图进行图像增强，以改善图像的光照条件，锐化图像的细节。一般的红外图像中，都以天空或者云层作为物体形状的参考物，本文所研究的为云的形状，所采用的物镜为定焦的镜头，由于云层的高度以及天气等综合因素的影响使得云图的清晰度各不相同，因此在做图像增强之前，先对图形进行预处理，从中筛选出需要增强的图像。

　　2.1 Weber定律

　　Weber定律[1]是由Weber与1834年提出的表明心理量与物理量之间关系的定律。在此方面的应用即人眼感觉出来图像的差异阈限跟原图的背景色之比是一个常数。用公式表示即为

　　对红外图像的预处理采用公式1来进行， 满足上式的图片则表示该图片中云形与天空的对比显著，无需进行图像增强。下图1.1，1.2，1.3为三个红外图像。

　　通过式1的处理。图1满足该式的条件，图2与图3不满足该式的条件。故此图1不需要进行增强处理，图2与图3需要进行相应的增强处理。并且直观判断也可以看出图1相比图2和图3来说，云和天空背景分的较为清晰。而图2和图3则明显看出来云与天空背景混在一起，无法直接分辨出云。

　　2.2 Retinex算法

　　Retinex算法是由Land等人提出的，它的构成是retina（视网膜）+cortex（皮层），该理论作为一种颜色恒常知觉的理论，从最初的单尺度Retinex算法逐步形成了多尺度以及多尺度加权平均等各种算法。

　　相对于单尺度的Retinex算法来说，用较小的尺度来进行图像增强，则突出了图像的细节，用较大的尺度进行图像增强，则突出了图像的色调。将两者结合起来进行增强，形成了多尺度的Retinex算法，通过该算法即增强了图像的细节，又突出了图像的色调。

　　传统的Retinex算法采用高斯函数作为图像滤波的算法，而利用高斯函数作为滤波器对图像进行滤波之后，图像的边缘会比较模糊，这样在边缘的增强效果会比较差，导致整体的输出效果下降。故此滤波算法改为双边滤波，双边滤波相比高斯滤波在边缘处的信息保持的较为完整，所以本文采用双边滤波的Retinex图像增强算法。本文的算法流程图见图4。

　　3 实验结果与讨论

　　本文所用的实验参数为：卷积窗口大小为9x9；σd=10；σr=0.1。

　　图5的原始图像为图2，图6的原始图像为图3。图5及图6给出了红外图像的双边滤波Retinex图像增强算法与维纳滤波以及普通Retinex算法之间的效果对比。图6的普通retinex增强算法可以看出来经过普通retinex算法之后图像的细节和边缘发生了较大的变化与原图的差异过大，无法正常使用。从图5和图6可以看出，经过维纳滤波之后的图像与原图基本没有太大的差异，只是细节部分有了部分改善。从实际的图像来看，经过基于双边滤波的Retinex算法得到的效果较好，由于该算法参数较为固定，相对自适应滤波的Retinex方法（RBAF）来说，图像增强效果不是最好的，但是由于Retinex算法计算量较大，采用自适应的方式寻找对于不同图像的合适的参数所花费的时间较长，不利于算法的实时性的要求。故此在本文中选定固定的参数进行图像增强运算。从实际的效果来看，对于两类不同的图像，增强效果都较为明显，保持图像细节的同时，在图像的边缘处提高了图像的对比效果。

　　4结论

　　本文利用一种双边滤波的Retinex图像增强方法，对需要增强的两幅红外图像进行了增强，通过实验结果的对比可以看出利用双边滤波的Retinex算法很好的对红外图像的细节进行了增强，并且也提高了边缘的对比度。在使用增强算法之前，利用weber定律对图像进行预处理，满足weber定律的图像不进行增强处理。提高了算法的运行速度。

　　参考文献

　　[1]Lim JS.Two-dimensional signal and image processing[M].Englewood Cliffs， NJ：Prentice-Hall，1990.

　　[2]纪则轩，陈强，孙权森，夏德深。基于双边滤波的单尺度Retinex图像增强算法[J].微电子学与计算机，2009（10）。

　　[3]胡韦伟，汪荣贵，方帅，胡琼。基于双边滤波的Retinex图像增强算法[J].工程图学学报，2010（2）。

　　[4]雷美荣，杨进华，张金泉。基于Retinex理论的红外图像的边缘增强算法[J].长春理工大学学报（自然科学版），2008（6）。