高动态范围红外图像压缩

BF&DRC

最近看了一篇高动态范围红外图像压缩的文章，《New technique for the visualization of high dynamic range infrared images》.这篇文章主要利用双边滤波器把宽动态红外图像分割为基本图像和细节图像，再分别对基本图像和细节图像进行处理，对处理后的图像进行融合处理。
传统的宽动态图像压缩到256可视图像，一般采用线性的方法，该方法得到的图像细节不好，因此目前有很多复杂的方法来对宽动态范围图像进行操作处理，而处理的准则一般如下：

1. 压缩大梯度；
2. 增强具有小对比度的纹理；
3. 可视化效果好，避免人工噪声；
   BF&DRP的结构图如下：
   
   BF:双边滤波器对高动态红外图像进行滤波，双边滤波器如下：
   
   s(x,y)——低通滤波器；
   ——输入图像；
   ——滤波器输出图像；
   ——权重函数；
   ——归一化；
   双线性滤波器一般选用的滑动窗，权重函数选用高斯函数，标准差为根据如下公式进行计算：
   
   
   双边滤波器得到基本图像，细节图像
   分别对基本图像和细节图像进行gamma矫正，矫正参数分别为，矫正参数必须根据不同标准进行选择，细节需要加强，所以一般在1和2之间，基本图像需要压缩所以
   允许一定比例像素饱和参数分别为，参数一般默认为0.01，也就是低和高密度的像素饱和度为1%，饱和过程能够降低奇异值对图像产生的影响，避免了图像产生较大的视觉改变。
   对基本图像和细节图像分别处理之后，对两幅图像进行融合，融合采用DRC的方法。如果输出的是Mbits(一般M=8),细节是级，基本图像部分是级，其中。
   文中的参数：
   

GIF&DDE

最近开始研究高动态范围的图像压缩，看了几篇文章，怕看完了就不记得了，所以在这把文章的核心思想和主要操作过程进行整理，方便以后查阅。GIF&DDE是我给作者起的，参阅的文章是《Detail enhancement for high-dynamic-range infrared images based on guided imagee filter》.
作者以BF&DDE结构为基准，采用GIF滤波器对原图分成base layer和details layer，在分别对这两部分进行处理，最后对处理后的图像进行融合，作者的算法结构图如下：

Raw Image：输入图像
Guided Image Filter：滤波器，该滤波器处理速度快，并且是非估计的线性规则，计算复杂度与滤波器核尺寸不相关。

是以(x,y)为中心的滤波窗内的像素点；
，权重核，权重系数来强化细节；

是窗内像素的个数
方窗的半径；
是输入图像在内的均值和方差
描述滤波器平滑程度的参数；
线性滤波器输出可以表示为如下：


和窗口尺寸决定细节获取的程度，窗口尺寸越大，图像越模糊，窗口尺寸和值都大，则背景会忽略了一些结构信息，更关注强边缘信息，为了我们的应用处理，一般采用小窗口大。
Histogram Projection
为了保证输出图像会有一个均匀分布，对基础图像部分采用直方图操作。二值化的直方图操作如下：

是灰度值x像素的个数
提高图像整个对比度，一般选择为全部像素个数的0.1%，输出的直方图效果较好。累积分布函数定义如下：

输出图像为
表示固定灰度级像素的总量
表示输出的bit数
如果背景单一，例如单一的墙或天空，固定的灰度值可能会很小，获取会小于10，在这种情况下，输出的8bit的可视图像可能会充满噪声，则输出图像函数公式更改为[12]，如下：

调节输出亮度的控制参数；
输出范围R将会被压缩；
适当的增加，输出图像会更适合显示；
Mask Gain Enhancement
细节图像通过原图与滤波后的基础图像相减得到

通过核函数

来获得图像哪部分需要增强
决定图像哪些区域被增强，哪些区域被忽略。该值小，则增强的区域大，噪声有可能被增强了；该值大，缩小了增强的区域，噪声得不到增强的同时有可能细节也会被忽略了，一般选用500.
选用
一般平坦区域W(i,j)的值趋近于0，当W(i,j)大于1.2时，该值为1.2，绝大多数时候该值小于1.输出的细节部分计算如下

其中文章中
图像融合