CN106384339A - 一种红外夜视图像的增强方法 - Google Patents
一种红外夜视图像的增强方法 Download PDFInfo
- Publication number
- CN106384339A CN106384339A CN201610869705.6A CN201610869705A CN106384339A CN 106384339 A CN106384339 A CN 106384339A CN 201610869705 A CN201610869705 A CN 201610869705A CN 106384339 A CN106384339 A CN 106384339A
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- night vision
- low
- infrared night
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000004297 night vision Effects 0.000 title claims abstract description 19
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012886 linear function Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000001629 suppression Effects 0.000 abstract 1
- 235000013350 formula milk Nutrition 0.000 description 11
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000013021 vision distortion Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
发明提供了一种红外夜视图像的增强方法,具体步骤是:首先将图像进行小波分解;低频部分的图像采用遗传算法自适应确定分段点的位置,以达到增强低频图像的目的;高频部分的图像采用小波阈值去噪法进行增强,获得了两个连续的低频系数之间损失的信息同时又去除了噪声;最后对两种频段增强后的图像进行波重构,即可得到增强的车载红外夜视图像。本发明的红外夜视图像的增强方法可将淹没在阴影区域中的细节有效地显示出来,同时利用遗传算法调整拐点位置和分段直线的斜率后,使暗处细节能显现出来,改善了亮度的均匀性;利用小波阈值法对高频子带系数部分进行图像的细节增强并抑制噪声,最终提高了图像的质量,改善了视觉效果。
Description
技术领域
本发明涉及红外图像处理技术领域,具体涉及一种红外夜视图像的增强方法。
背景技术
随着现代科技的发展和人类活动的不断丰富,在白天看清东西,辨别目标已经满足不了我们的需要。夜晚缺少光照,人眼的视觉灵敏度、感光特性和眼球的自身结构,导致人们要在夜晚中看清物体就需要借助外力,从而夜视技术得到了大力发展和应用。夜晚行车很多驾驶员都会感到疲劳,人的反应能力降低,再加上晚间光线的原因导致晚间开车事故发生率比较高。加了车载夜视设备后,可以在车内显示屏上显示红外摄像头拍到的距离车辆前方几百米内的物体,并且可以通过设置提前告知预警,提醒驾驶员减速避让,成为夜晚条件下开车人的得力助手。
在夜晚条件下由于硬件和场景元素的影响,红外图像具有对比度低、边缘模糊、敏感于热辐射变化而场景元素不丰富的特点,为了得到质量较好的红外图像人们必须得想办法改善红外图像。从数字图像处理知识知道增强处理一般可以分为频域处理方法和空域处理方法两大类,频域处理方法具有很好的频率处理能力但计算量很大,空域处理方法有很好的实时性和自适应性运算量小但对各部分的控制效果不好不能从频率角度反映各部分的区别。
发明内容
本发明要解决的技术问题是提供一种计算比较简单、图像增强效果好的红外夜视图像的增强方法。
一种红外夜视图像的增强方法,包括以下步骤:
S1:将图像进行小波分解;
S2:设图像经过小波分解后低频部分为f1(x,y),对图像的灰度区间分成三段,并对各个区间进行线性变化,三段线性函数的数学表达式如下:
其中,两个分段点分别为(T1,H1)、(T2,H2),采用遗传算法自适应确定分段点的位置,以达到增强低频图像的目的;
低频部分图像的遗传增强算法步骤如下:
S2-1:将小波分解的低频部分图像进行归一化,将其映射到区间[0,1],归一化公式如下:
其中,fmin表示该部分图像灰度的最小值,fmax为该部分图像灰度的最大值;
S2-2:初始种群设置为50,遗传算法的交叉概率设置为0.5、变异概率设置为0.03,最大进化代数设置为500,对参数(T1,H1,T2,H2)使用遗传算法进行实数编码;同时,利用三段线性函数的数学表达式对灰度图像进行三段线性变换,得到灰度拉伸图像g'(x,y);接着反归一化处理灰度拉伸图像g'(x,y),得到输出的低频部分图像f'(x,y),反归一化公式如下:
f'(x,y)=(fmax-fmin)g'(x,y)+fmin;
S2-3:对种群进行选择、变叉和变异操作,可产生新的种群,重复此过程,如果连续几代群体的最优适应度函数值变化不大并趋于稳定值,结束条件判断,此时个体的适应度值最大,将其作为最优解输出,反编码最优个体,即可得到最优参数;
S2-4:最优参数代入所述三段线性函数的数学表达式公式中,最终得到低频图像遗传自适应增强的最优结果;
S3:设图像经过小波分解后高频部分为f2(x,y),高频部分的图像采用小波阈值去噪法进行增强,获得了两个连续的低频系数之间损失的信息同时又去除了噪声;
S4:对两种频段增强后的图像进行小波重构,即可得到增强的车载红外夜视图像。
本发明的有益效果是:
本发明的红外夜视图像的增强方法,可以将淹没在阴影区域中的细节有效地显示出来,同时利用遗传算法调整拐点位置和分段直线的斜率后,使暗处细节能显现出来,改善了亮度的均匀性;利用小波阈值法对高频子带系数部分进行图像的细节增强并抑制噪声,最终提高了图像的质量,改善了视觉效果。
具体实施方式
以下将详细说明本发明的实施例的红外图像增强方法的具体步骤。
一种红外夜视图像的增强方法,包括以下步骤:
S1:将图像进行小波分解;
S2:设图像经过小波分解后低频部分为f1(x,y),对图像的灰度区间分成三段,并对各个区间进行线性变化,三段线性函数的数学表达式如下:
其中,两个分段点分别为(T1,H1)、(T2,H2),采用遗传算法自适应确定分段点的位置,以达到增强低频图像的目的;
采用遗传算法对此4个参数(T1,H1,T2,H2)进行自适应确定,在编码设计中,每条染色体可以用一维四元数组(T1,H1,T2,H2)表示,其中,每个基因与数组中的参数相对应,并采用实数编码,这样,该数学模型即为求目标规划下的(T1,H1,T2,H2)参数组合问题。
遗传算法通过构建适应度函数来提供个体进化的动力,为了兼顾图像的结构和细节、整体和局部之间的平衡,个体的适应度函数采用图像质量评价函数,计算公式为:
其中,i表示个体,n=M×N,f1i(x,y)表示经过小波分解后的低频部分图像的个体,此公式表明,图像的增强效果由适应度的值决定,即适应度值越大,图像的灰度分布越均匀,对比度越高。
遗传算子的设计由选择算子、交叉算子设计和变异三部分组成。先按照个体适应度的大小,对规模为p的群体pop={a1,a2,…,ap}进行降序排列,同时,从中挑出最优的个体,直接进入下一代种群,对于所有剩下的个体,一律进行交叉和变异操作,然后由交叉算子产生新一代的个体,但为了防止遗传算法过早的收敛,故交叉操作采用算术交叉法,最终保护种群多样性。算术交叉变换公式为:
其中,x1'和x'2表示新的子代个体,由父代个体交叉后生成,x1和x2表示父代个体;最后,由于在进化方向上,变异能够产生微调作用,因此,被选中进行变异操作的个体xk,可以采用的产生变异方式为“1”→“0”与“0”→“1”,最终变异后的子代个体可表示为:x’=(x1,…,xk,…,xn)。通过判断算法的连续几代群体的最优适应度函数值是否变化不大并趋于稳定值,以终止算法的进行。
低频部分图像的遗传增强算法步骤如下:
S2-1:将小波分解的低频部分图像进行归一化,将其映射到区间[0,1],归一化公式如下:
其中,fmin表示该部分图像灰度的最小值,fmax为该部分图像灰度的最大值;
S2-2:初始种群设置为50,遗传算法的交叉概率设置为0.5、变异概率设置为0.03,最大进化代数设置为500,对参数(T1,H1,T2,H2)使用遗传算法进行实数编码;同时,利用三段线性函数的数学表达式对灰度图像进行三段线性变换,得到灰度拉伸图像g'(x,y);接着反归一化处理灰度拉伸图像g'(x,y),得到输出的低频部分图像f'(x,y),反归一化公式如下:
f'(x,y)=(fmax-fmin)g'(x,y)+fmin;
S2-3:对种群进行选择、变叉和变异操作,可产生新的种群,重复此过程,如果连续几代群体的最优适应度函数值变化不大并趋于稳定值,结束条件判断,此时个体的适应度值最大,将其作为最优解输出,反编码最优个体,即可得到最优参数;
S2-4:最优参数代入所述三段线性函数的数学表达式公式中,最终得到低频图像遗传自适应增强的最优结果;
S3:设图像经过小波分解后高频部分为f2(x,y),高频部分的图像采用小波阈值去噪法进行增强,获得了两个连续的低频系数之间损失的信息同时又去除了噪声;
红外夜视图像经小波变换后,其大部分噪声主要位于高频子带中,同时增大分解尺度,则其噪声下降很快。因此,为了最大限度地降低噪声影响,首先对高频子带图像进行小波阈值去噪,其次由最大尺度低频子带图像的局部对比度确定高频子带的增益系数,以便对高频子带图像进行图像增强。由于硬阈值函数在阈值处缺乏连续性,其重构的图像在边缘处可能会出现振铃等视觉失真现象;而软阈值函数处理图像的结果在视觉上相对平滑,效果更好。软阈值化处理就是将高频子带中的系数做柔性处理,根据分解系数绝对值大小的不同,所乘的系数也不同,即绝对值越小,所乘系数越小,否则越大,但系数不超过1,其定义式为:
其中,ωs表示在软阈值函数作用下的估计小波系数,ω=f2(x,y)是含有噪声的高频子带图像中的小波系数,T为设定的阈值门限值。噪声标准差可根据贝叶斯萎缩阈值估计法求得:
其中median(.)表示求中值函数;
其中贝叶斯萎缩阈值估计函数为:
其中T为贝叶斯萎缩阈值,σ2为不同尺度下的噪声方差估计,σs为子带上图像信号标准差的估计值。
S4:对两种频段增强后的图像进行小波重构,即可得到增强的车载红外夜视图像。
对车载红外夜视仪采集的两幅红外夜视图像(下面分别用图像一和图像二表示)进行直方图均衡化法、多尺度Retinex算法和本发明的算法进行增强处理实验,分别采用图像信息熵、平均梯度和信噪比作为图像质量的评价标准,对实验结果进行定量分析,结果如下:
(1)图像信息熵对比
图像信息熵定义为:
其中pi是图像的各灰度概率值。当图像均匀时,各灰度值的概率基本相等,熵可以达到最大。计算两幅图像的所有算法的信息熵,结果如表1所列。
表1各种算法的信息熵单位:bit
图像增强算法 | 图像一 | 图像二 |
原始图像 | 4.1237 | 4.3865 |
直方图均衡化 | 5.0103 | 5.1321 |
多尺度Retinex | 4.5643 | 5.0213 |
本发明算法 | 5.9352 | 6.0234 |
(2)平均低梯度对比
图像的清晰程度可以由平均梯度来衡量,它能将图像中微小的细节反差显示出来。公式如下:
其中,f(x,y)为图像函数,g的值越大,说明图像越清晰。计算两幅图像的所有算法的平均梯度,结果如表2所列。
表2各种算法的平均梯度
图像增强算法 | 图像一 | 图像二 |
原始图像 | 1.7654 | 1.8324 |
直方图均衡化 | 3.8065 | 3.7657 |
多尺度Retinex | 3.6543 | 3.8976 |
本发明算法 | 4.1987 | 4.5743 |
(3)信噪比对比
通常将信号与噪声功率谱的比值定义为图像的信噪比(SNR)。由于计算图像的功率谱比较困难,可使用信号与噪声的方差之比近似地估计图像的信噪比。利用计算机对图像像素的局部方差进行计算,噪声方差N为选择所有局部方差的最小值,信号方差S为选择所有局部方差的最大值,求出比值b=S/N,用经验公式1.04b-7进行修正,最后转成dB数,该方法适应的信噪比范围为20-50dB。信噪比越大说明增强的图像噪声抑制的越好。信噪比公式为:
计算两幅图像的所有算法的信噪比,结果如表3所列
表3各种算法的信噪比单位:dB
图像增强算法 | 图像一 | 图像二 |
原始图像 | 21.2943 | 25.7456 |
直方图均衡化 | 24.2456 | 28.2145 |
多尺度Retinex | 33.9834 | 30.9546 |
本发明算法 | 38.2431 | 35.6098 |
由表1、表2和表3可知,本发明的图像增强算法与另外两种算法相比,其图像信息熵、平均梯度和信噪比均大于其他算法。对比结果表明,本发明的算法不仅增强了图像的局部微小细节,而且抑制了噪声,最终提高了图像的整体对比度。
Claims (1)
1.一种红外夜视图像的增强方法,其特征在于,包括以下步骤:
S1:将图像进行小波分解;
S2:设图像经过小波分解后低频部分为f1(x,y),对图像的灰度区间分成三段,并对各个区间进行线性变化,三段线性函数的数学表达式如下:
其中,两个分段点分别为(T1,H1)、(T2,H2),采用遗传算法自适应确定分段点的位置,以达到增强低频图像的目的;
低频部分图像的遗传增强算法步骤如下:
S2-1:将小波分解的低频部分图像进行归一化,将其映射到区间[0,1],归一化公式如下:
其中,fmin表示该部分图像灰度的最小值,fmax为该部分图像灰度的最大值;
S2-2:初始种群设置为50,遗传算法的交叉概率设置为0.5、变异概率设置为0.03,最大进化代数设置为500,对参数(T1,H1,T2,H2)使用遗传算法进行实数编码;同时,利用三段线性函数的数学表达式对灰度图像进行三段线性变换,得到灰度拉伸图像g'(x,y);接着反归一化处理灰度拉伸图像g'(x,y),得到输出的低频部分图像f'(x,y),反归一化公式如下:
f'(x,y)=(fmax-fmin)g'(x,y)+fmin;
S2-3:对种群进行选择、变叉和变异操作,可产生新的种群,重复此过程,如果连续几代群体的最优适应度函数值变化不大并趋于稳定值,结束条件判断,此时个体的适应度值最大,将其作为最优解输出,反编码最优个体,即可得到最优参数;
S2-4:最优参数代入所述三段线性函数的数学表达式公式中,最终得到低频图像遗传自适应增强的最优结果;
S3:设图像经过小波分解后高频部分为f2(x,y),高频部分的图像采用小波阈值去噪法进行增强,获得了两个连续的低频系数之间损失的信息同时又去除了噪声;
S4:对两种频段增强后的图像进行波重构,即可得到增强的车载红外夜视图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610869705.6A CN106384339A (zh) | 2016-09-30 | 2016-09-30 | 一种红外夜视图像的增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610869705.6A CN106384339A (zh) | 2016-09-30 | 2016-09-30 | 一种红外夜视图像的增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106384339A true CN106384339A (zh) | 2017-02-08 |
Family
ID=57937010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610869705.6A Withdrawn CN106384339A (zh) | 2016-09-30 | 2016-09-30 | 一种红外夜视图像的增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106384339A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103595A (zh) * | 2017-05-27 | 2017-08-29 | 新疆大学 | 检测图像变化的方法、装置、存储介质及设备 |
CN107492081A (zh) * | 2017-09-26 | 2017-12-19 | 张家港全智电子科技有限公司 | 一种车载红外夜视图像增强方法 |
CN108665437A (zh) * | 2018-05-10 | 2018-10-16 | 句容康泰膨润土有限公司 | 一种基于分层处理的图像增强方法 |
CN109747566A (zh) * | 2017-11-02 | 2019-05-14 | 郭宇铮 | 一种汽车夜视系统 |
CN109993703A (zh) * | 2017-12-29 | 2019-07-09 | 展讯通信(上海)有限公司 | 多尺度图像降噪方法及装置 |
CN110047052A (zh) * | 2019-04-25 | 2019-07-23 | 哈尔滨工业大学 | 一种基于fpga的强光抑制夜视增强方法 |
CN112435184A (zh) * | 2020-11-18 | 2021-03-02 | 西安理工大学 | 一种基于Retinex和四元数的雾霾天图像识别方法 |
CN113140093A (zh) * | 2021-04-26 | 2021-07-20 | 贵阳职业技术学院 | 一种基于AdaBoost算法的疲劳驾驶检测方法 |
CN113470789A (zh) * | 2020-03-31 | 2021-10-01 | 西门子医疗有限公司 | 提高关于医学图像的机器学习应用的鲁棒性的图像归一化 |
CN116433540A (zh) * | 2023-06-15 | 2023-07-14 | 武汉高芯科技有限公司 | 一种红外图像增强方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1170698A2 (en) * | 2000-05-03 | 2002-01-09 | Itt Manufacturing Enterprises, Inc. | Method and apparatus for improving signal to noise ratio using wavelet decomposition and frequency thresholding |
CN102590211A (zh) * | 2011-01-11 | 2012-07-18 | 郑州大学 | 利用光谱和图像特征进行烟叶分级的方法 |
-
2016
- 2016-09-30 CN CN201610869705.6A patent/CN106384339A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1170698A2 (en) * | 2000-05-03 | 2002-01-09 | Itt Manufacturing Enterprises, Inc. | Method and apparatus for improving signal to noise ratio using wavelet decomposition and frequency thresholding |
CN102590211A (zh) * | 2011-01-11 | 2012-07-18 | 郑州大学 | 利用光谱和图像特征进行烟叶分级的方法 |
Non-Patent Citations (1)
Title |
---|
于洋等: "车载红外夜视图像的小波_遗传图像增强算法", 《计算机工程与科学》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103595A (zh) * | 2017-05-27 | 2017-08-29 | 新疆大学 | 检测图像变化的方法、装置、存储介质及设备 |
CN107492081A (zh) * | 2017-09-26 | 2017-12-19 | 张家港全智电子科技有限公司 | 一种车载红外夜视图像增强方法 |
CN109747566A (zh) * | 2017-11-02 | 2019-05-14 | 郭宇铮 | 一种汽车夜视系统 |
CN109993703A (zh) * | 2017-12-29 | 2019-07-09 | 展讯通信(上海)有限公司 | 多尺度图像降噪方法及装置 |
CN108665437A (zh) * | 2018-05-10 | 2018-10-16 | 句容康泰膨润土有限公司 | 一种基于分层处理的图像增强方法 |
CN110047052A (zh) * | 2019-04-25 | 2019-07-23 | 哈尔滨工业大学 | 一种基于fpga的强光抑制夜视增强方法 |
CN113470789A (zh) * | 2020-03-31 | 2021-10-01 | 西门子医疗有限公司 | 提高关于医学图像的机器学习应用的鲁棒性的图像归一化 |
CN112435184A (zh) * | 2020-11-18 | 2021-03-02 | 西安理工大学 | 一种基于Retinex和四元数的雾霾天图像识别方法 |
CN112435184B (zh) * | 2020-11-18 | 2024-02-02 | 西安理工大学 | 一种基于Retinex和四元数的雾霾天图像识别方法 |
CN113140093A (zh) * | 2021-04-26 | 2021-07-20 | 贵阳职业技术学院 | 一种基于AdaBoost算法的疲劳驾驶检测方法 |
CN116433540A (zh) * | 2023-06-15 | 2023-07-14 | 武汉高芯科技有限公司 | 一种红外图像增强方法及系统 |
CN116433540B (zh) * | 2023-06-15 | 2023-09-29 | 武汉高芯科技有限公司 | 一种红外图像增强方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106384339A (zh) | 一种红外夜视图像的增强方法 | |
CN106169081B (zh) | 一种基于不同照度的图像分类及处理方法 | |
CN103871029B (zh) | 一种图像增强及分割方法 | |
CN116030058B (zh) | 一种用于抛光垫表面粗糙度的质量评价方法 | |
CN103295191B (zh) | 多尺度视觉自适应图像增强方法及评价方法 | |
CN108257099B (zh) | 一种基于视觉对比度分辨率的自适应红外图像增强方法 | |
Deng | An entropy interpretation of the logarithmic image processing model with application to contrast enhancement | |
CN111402285B (zh) | 一种基于视觉机制暗边缘增强的轮廓检测方法 | |
CN113837974B (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
CN105654496A (zh) | 基于视觉特性的仿生自适应模糊边缘检测方法 | |
CN104732492A (zh) | 一种深度图像的去噪方法 | |
CN105046202B (zh) | 自适应的人脸识别光照处理方法 | |
Lepcha et al. | A deep journey into image enhancement: A survey of current and emerging trends | |
CN109788275A (zh) | 自然性、结构和双目不对称无参考立体图像质量评价方法 | |
CN112949934A (zh) | 基于深度学习的短时强降雨预测方法 | |
CN114897753A (zh) | 一种低照度图像增强方法 | |
Hanmadlu et al. | A novel optimal fuzzy color image enhancement using particle swarm optimization | |
CN106709890A (zh) | 用于低照度视频图像处理的方法及装置 | |
CN113592729A (zh) | 基于nsct域的电力设备红外图像增强方法 | |
CN116664462B (zh) | 一种基于ms-dsc和i_cbam的红外和可见光图像融合方法 | |
Kumar et al. | No-reference metric optimization-based perceptually invisible image enhancement | |
Han et al. | Low contrast image enhancement using convolutional neural network with simple reflection model | |
CN103345730A (zh) | 基于侧抑制网络的红外图像处理方法 | |
CN117611501A (zh) | 一种低照度图像增强方法、装置、设备及可读存储介质 | |
Zhang et al. | Muti-scale image enhancement based on properties of human visual system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20170208 |