CN106530213B - 一种合成孔径雷达图像自动可视化方法 - Google Patents
一种合成孔径雷达图像自动可视化方法 Download PDFInfo
- Publication number
- CN106530213B CN106530213B CN201610894633.0A CN201610894633A CN106530213B CN 106530213 B CN106530213 B CN 106530213B CN 201610894633 A CN201610894633 A CN 201610894633A CN 106530213 B CN106530213 B CN 106530213B
- Authority
- CN
- China
- Prior art keywords
- image
- gray scale
- gray
- objective
- histogram
- 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.)
- Expired - Fee Related
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims description 31
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 238000012800 visualization Methods 0.000 claims abstract description 6
- 238000009825 accumulation Methods 0.000 claims description 15
- 241001270131 Agaricus moelleri Species 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 210000004556 brain Anatomy 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 229920006395 saturated elastomer Polymers 0.000 abstract description 8
- 230000035945 sensitivity Effects 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/18—Image warping, e.g. rearranging pixels individually
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种合成孔径雷达图像自动可视化算法,包括以下步骤:步骤1:根据灰度的分布特点将其自动划分为低灰度区和高灰度区;步骤2:将像素集中分布的低灰度区线性拉伸至视觉比较敏感的灰度范围,以增强图像的视觉效果并保持图像的性质;步骤3:对像素稀疏分布的高灰度区进行最优化主观图像的直方图匹配,以尽量避免视觉上的灰度饱和;步骤4:根据步骤2和步骤3所建立的灰度映射来变换图像的每个像素,从而实现图像的可视化。在对各类合成孔径雷达图像的测试中,该算法不仅具有良好的视觉效果,而且是普遍适用的。
Description
技术领域
本发明涉及合成孔径雷达图像的可视化技术领域,具体涉及一种合成孔径雷达图像自动可视化方法。
背景技术
合成孔径雷达图像体现着目标场景的散射系数分布,而目标场景的散射系数分布通常并不适合人的视觉。在合成孔径雷达图像上,常常除了少数亮点之外,大块目标场景都是漆黑一片,致使判读人员很难从中提取所需要的信息。合成孔径雷达图像的可视化也因此成为图像判读前的重要环节。
现有的合成孔径雷达图像可视化方法却存在着种种缺陷:
一种方法是交互式地指定灰度映射。比如,让用户交互式地指定一个灰度窗口来调节图像的对比度:小于或等于最小值的灰度被映射为黑,大于或等于最大值的灰度被映射为白,最小值与最大值之间的灰度被线性映射为深浅不一的灰。这种方法难以满足海量图像和实时观测的要求。
另一种方法是根据先验的地理信息对目标场景进行分类,然后根据目标场景的类型选择适合的灰度映射。这种方法当先验的地理信息不准确时会遭遇失败。而且,其适应性仍然有限,只是针对图像的类型而不是每幅图像使用适合的灰度映射。
本发明针对上述问题提出了一种合成孔径雷达图像自动可视化方法。
发明内容
本发明提出了一种合成孔径雷达图像自动可视化方法,包括以下步骤:
步骤1:将合成孔径雷达图像的灰度划分为低灰度区[0,αμ]和高灰度区(αμ,X],其中,μ是输入图像的均值,α是一个经验因子,X是输入灰度的最大值,在计算μ时,0灰度像素不计,α通常取3,以使大多数像素都落在低灰度区[0,αμ];
步骤2:将像素集中分布的低灰度区[0,αμ]线性拉伸至区间[0,βY],其中,Y是输出灰度的最大值,β是一个经验因子,Y一般取显示器的最大灰度,β通常取0.8,以使区间[0,βY]对应于视觉比较敏感的灰度范围;
步骤3:用最优化主观图像的直方图匹配算法将像素稀疏分布的高灰度区(αμ,X]映射至区间(βY,Y];
步骤4:根据步骤2和步骤3所建立的灰度映射来变换图像的每个像素,从而实现图像的可视化。
进一步地,步骤3又包括以下步骤:
步骤31:统计输入图像的直方图,进而计算其概率积累函数,其中,在统计输入图像的直方图时,只考虑大于αμ的灰度;
步骤32:计算输出图像的直方图,亦即最优的客观图像直方图,进而计算其概率积累函数,其中,在计算输出图像的直方图时,只使用最优的客观图像直方图在区间(βY,Y]的这一部分;
步骤33:对每个输入灰度j,找到对应的输出灰度k,使输出图像在k处的概率积累函数最接近于输入图像在j处的概率积累函数,其中,j被限制在区间(αμ,X],k被限制在区间(βY,Y]。
进一步地,步骤32中最优客观图像直方图的数学模型为:
其中,K是显示器的最大灰度,μ1、σ1、μ2和σ2分别取0.1、0.03、0.5和0.15。
进一步地,最优客观图像直方图的数学模型用以下方法导出:
步骤321:假定主观图像当其直方图均匀分布时是最优的;
步骤322:由均匀分布的主观图像直方图导出最优的客观图像直方图,在推导中,根据客观灰度与主观灰度的关系曲线,把每个主观灰度的概率均匀地分配在对应的客观灰度上,客观灰度与主观灰度的关系曲线不同,导出的最优客观图像直方图也是不同的,但是有着相似的趋势和拐点;
步骤323:由一系列最优的客观图像直方图归纳出其数学模型。
进一步地,步骤322中客观灰度与主观灰度的关系曲线通过视觉实验来确定,具体过程如下:
步骤3221:客观灰度0被认为对应于主观灰度0;
步骤3222:将背景灰度和前景灰度置为0,然后逐渐增大前景灰度,直到人眼刚能分辨出前景灰度与背景灰度为止,此时的前景灰度被认为对应于主观灰度1;
步骤3223:将背景灰度置为前景灰度,然后逐渐增大前景灰度,直到人眼刚能分辨出前景灰度与背景灰度为止,此时的前景灰度被认为对应于主观灰度2;
步骤3224:类似地,确定对应于其它主观灰度的客观灰度,直到前景达到显示器的最大灰度为止;
步骤3225:如果两个客观灰度分别对应于两个相邻的主观灰度,那么这两个客观灰度之间的客观灰度被认为对应于较小的那个主观灰度。
本发明由于采用以上技术方案,使之与现有技术相比,具有以下的优点和积极效果:
在对各类合成孔径雷达图像的测试中,本发明所提出的算法不仅具有良好的视觉效果,而且是普遍适用的。特别需要说明的是,它对每幅图像自动构造适合的灰度映射,从而克服了现有的合成孔径雷达图像可视化方法所存在的各种缺陷。
附图说明
为了更清楚地说明本发明的具体实施方式,下面对其中所使用的附图做简单的介绍。附图中:
图1是合成孔径雷达图像自动可视化算法的总体框图。
图2是视觉实验示意图;
图3是客观灰度与主观灰度的关系曲线第一示例;
图4是客观灰度与主观灰度的关系曲线第二示例;
图5是客观灰度与主观灰度的关系曲线第三示例;
图6是最优的客观图像直方图第一示例;
图7是最优的客观图像直方图第二示例;
图8是最优的客观图像直方图第三示例;
图9是最优客观图像直方图的数学模型;
图10是合成孔径雷达图像自动可视化算法的灰度映射;
图11是由华东电子工程研究所提供的一幅原始图像;
图12是将图11用Photoshop的自动对比度功能进行可视化的图像;
图13是将图11用本发明所述的合成孔径雷达图像自动可视化算法进行可视化的图像(α=3,β=0.8);
图14是将图11用本发明所述的合成孔径雷达图像自动可视化算法进行可视化的图像(α=0,β=0);
图15是图11的直方图;
图16是图12的直方图;
图17是图13的直方图;
图18是图14的直方图;
图19是来自美国MiniSAR系统的一幅原始图像;
图20是将图19用Photoshop的自动对比度功能进行可视化的图像;
图21是将图19用本发明所述的合成孔径雷达图像自动可视化算法进行可视化的图像(α=3,β=0.8);
图22是将图19用本发明所述的合成孔径雷达图像自动可视化算法进行可视化的图像(α=0,β=0);
图23是来自欧洲TerraSAR系统的一幅原始图像;
图24是将图23用Photoshop的自动对比度功能进行可视化的图像;
图25是将图23用本发明所述的合成孔径雷达图像自动可视化算法进行可视化的图像(α=3,β=0.8);
图26是将图23用本发明所述的合成孔径雷达图像自动可视化算法进行可视化的图像(α=0,β=0);
图27是来自丹麦EMISAR系统的一幅原始图像;
图28是将图27用Photoshop的自动对比度功能进行可视化的图像;
图29是将图27用本发明所述的合成孔径雷达图像自动可视化算法进行可视化的图像(α=3,β=0.8);
图30是将图27用本发明所述的合成孔径雷达图像自动可视化算法进行可视化的图像(α=0,β=0);
图31是将图27用本发明所述的合成孔径雷达图像自动可视化算法进行可视化的图像(α=3,β=0.3);
图32是由南京电子技术研究所提供的一幅原始图像;
图33是将图32用Photoshop的自动对比度功能进行可视化的图像;
图34是将图32用本发明所述的合成孔径雷达图像自动可视化算法进行可视化的图像(α=3,β=0.8);
图35是将图32用本发明所述的合成孔径雷达图像自动可视化算法进行可视化的图像(α=0,β=0);
图36是将图32用本发明所述的合成孔径雷达图像自动可视化算法进行可视化的图像(α=3,β=0.3)。
具体实施方式
以下将结合附图,对本发明的实施方式进行详尽描述。显然,这里所描述的只是本发明的一般实施方式。基于这种实施方式,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式,都属于本发明的保护范围。
本发明提出了一种合成孔径雷达图像自动可视化方法,包括以下步骤(图1):
步骤1:根据灰度的分布特点将其自动划分为低灰度区和高灰度区;
步骤2:对像素集中分布的低灰度区进行线性拉伸,以增强图像的视觉效果并保持图像的性质;
步骤3:对像素稀疏分布的高灰度区进行最优化主观图像的直方图匹配,以尽量避免视觉上的灰度饱和;
步骤4:根据步骤2和步骤3所建立的灰度映射来变换图像的每个像素,从而实现图像的可视化。
该算法不仅具有良好的视觉效果,而且是普遍适用的。特别需要说明的是,它对每幅图像自动构造适合的灰度映射,从而克服了现有的合成孔径雷达图像可视化方法所存在的各种缺陷。
下面进一步介绍该算法的细节。首先找到主观图像的定量表示方法,进而提出最优化主观图像的直方图匹配算法,在此基础上开发该合成孔径雷达图像自动可视化算法。
1、主观图像的定量表示方法
客观图像指独立于视觉系统的图像,可以用二维函数来定量表示(本文只考虑二维灰度图像)。主观图像指由视觉系统形成的图像,是客观图像在大脑中的映像。它存在于大脑的视觉区,能够通过实验来探知,但是很难定量表示。找到主观图像的定量表示方法,就是要建立客观图像与主观图像的关系,从而把主观图像写成客观图像的表达式。
人的视觉特性及其应用在图像处理领域里一直倍受关注。人眼对不同的灰度有不同的分辨能力,对不同的空间频率有不同的响应,还存在着马赫现象、同时对比现象以及各种各样的幻觉。这里,我们只考虑人眼对灰度变化的敏感性。在此情况下,主观灰度可以写成客观灰度的函数,因而主观图像也可以写成客观图像的函数,即
g(x,y)=T[f(x,y)], (1)
其中,f(x,y)和g(x,y)分别表示客观图像和主观图像,T[·]表示从客观灰度到主观灰度的映射。
T[·]可以通过图2所示的视觉实验来确定,其中背景和前景是显示在计算机屏幕上的两个正方形区域,具体过程如下:
1)客观灰度0被认为对应于主观灰度0。
2)将背景灰度和前景灰度置为0,然后逐渐增大前景灰度,直到人眼刚能分辨出前景灰度与背景灰度为止,此时的前景灰度被认为对应于主观灰度1。
3)将背景灰度置为前景灰度,然后逐渐增大前景灰度,直到人眼刚能分辨出前景灰度与背景灰度为止,此时的前景灰度被认为对应于主观灰度2。
4)类似地,确定对应于其它主观灰度的客观灰度,直到前景达到显示器的最大灰度为止。
5)如果两个客观灰度分别对应于两个相邻的主观灰度,那么这两个客观灰度之间的客观灰度被认为对应于较小的那个主观灰度。
我们设计了一个软件平台来进行上述视觉实验。首先,把主观灰度0对应的客观灰度置为0,并将背景灰度和前景灰度置为0。然后,根据用户的键入,执行相应的回调函数:
1)若用户键入+,则把前景灰度加1,除非前景灰度已经是最大灰度。
2)若用户键入-,则把前景灰度减1,除非前景灰度已经是背景灰度。
3)若用户键入回车,则把前景灰度置为下个主观灰度对应的客观灰度,并把背景灰度置为此时的前景灰度。
4)若用户键入End,则把各主观灰度对应的客观灰度存入指定的文件,以便进一步处理。
图3是在一次视觉实验中得到的客观灰度与主观灰度的关系曲线。该曲线可以分为三段:起始段、中间段和结束段。在起始段和结束段,主观灰度随着客观灰度变化得较慢,说明人眼对灰度的变化不大敏感。在中间段,主观灰度随着客观灰度变化得较快,几乎每个客观灰度都对应着唯一的主观灰度,说明人眼对灰度的变化相当敏感。起始段和中间段的边界约为最大灰度的0.1,中间段和结束段的边界约为最大灰度的0.5。我们还注意到,当显示器、观察者或环境照度不同时,由视觉实验得到的客观灰度与主观灰度的关系曲线也是不同的,但是有着相似的趋势和拐点。图4和图5是在另外两次视觉实验中得到的客观灰度与主观灰度的关系曲线。
主观图像的定量表示方法给出了一种图像处理思路:首先,定义主观图像的质量测度。既然主观图像是客观图像的函数,该质量测度可以用来导出客观图像的质量测度。最后,设计图像处理算法,使客观图像在其质量测度下达到最优,从而使主观图像在其质量测度下达到最优。作为例子,我们将开发一种最优化主观图像的直方图匹配算法。
2、最优化主观图像的直方图匹配算法
直方图均衡化是一种广泛使用的图像增强算法。该算法假定图像当其直方图均匀分布时是最优的。根据直觉,当直方图均匀分布时,图像会有好的总体对比度。然而,事实上,当客观图像的直方图均匀分布时,主观图像的直方图并非均匀分布,因而主观图像的总体对比度没有期望的那么出色。这是直方图均衡化在实际应用中差强人意的重要原因。
我们假定主观图像当其直方图均匀分布时是最优的。根据直觉,当直方图均匀分布时,主观图像会有好的总体对比度。该直方图被用来导出对应的客观图像直方图。在推导中,根据客观灰度与主观灰度的关系,把每个主观灰度的概率均匀地分配在对应的客观灰度上。这样导出的客观图像直方图被认为是最优的,因为它会被视觉系统变换成均匀分布的主观图像直方图。
图6显示了一个最优的客观图像直方图。它由图3中客观灰度与主观灰度的关系曲线导出。和客观灰度与主观灰度的关系曲线相对应,最优的客观图像直方图也可以分为三段:起始段、中间段和结束段。在起始段,直方图随着灰度的减小而衰减,且速度很快。在中间段,直方图基本是平的。在结束段,直方图随着灰度的增加而衰减,但速度较慢。注意,即使在视觉比较敏感的中间段,也会有某些灰度的变化无法被人眼觉察。这使得客观灰度与主观灰度的关系曲线出现局部平坦现象,进而导致最优的客观图像直方图产生局部凹槽。起始段和中间段的边界约为最大灰度的0.1,中间段和结束段的边界约为最大灰度的0.5。此外,客观灰度与主观灰度的关系曲线不同,导出的最优客观图像直方图也是不同的,但是有着相似的趋势和拐点。图7和图8显示了另外两个最优的客观图像直方图,它们分别由图4和图5中客观灰度与主观灰度的关系曲线导出。
设K是显示器的最大灰度,则最优的客观图像直方图可建模为
p(k)由三段组成:起始段是区间0≤k/K<μ1上具有参数μ1和σ1的高斯函数,中间段是区间μ1≤k/K≤μ2上的常数,结束段是区间μ2<k/K≤1上具有参数μ2和σ2的高斯函数。μ1、σ1、μ2和σ2分别取0.1、0.03、0.5和0.15。图9显示了当K=255时的p(k)。
一旦导出最优的客观图像直方图,就可以设计灰度映射将客观图像的直方图变换成最优形式。其实现基于以下原理:输入图像在某灰度处的概率积累函数等于输出图像在对应灰度处的概率积累函数。设输入灰度j对应于输出灰度k。为了使灰度映射单调递增,小于或等于j的输入灰度应对应于小于或等于k的输出灰度。因此,输入图像在j处的概率积累函数应等于输出图像在k处的概率积累函数。此外,由于格式需要,某些图像的外围可能垫有0灰度像素。为了避免这些像素的影响,在灰度映射中不考虑灰度0。具体实现步骤如下:
1)统计输入图像的直方图,进而计算其概率积累函数。
2)根据(2)和(3)计算输出图像的直方图,亦即最优的客观图像直方图,进而计算其概率积累函数。
3)对每个输入灰度j,找到对应的输出灰度k,使输出图像在k处的概率积累函数最接近于输入图像在j处的概率积累函数。
4)根据灰度映射进行图像变换。
3、合成孔径雷达图像的自动可视化算法
下面以最优化主观图像的直方图匹配算法为基础,开发一种合成孔径雷达图像自动可视化方法。该算法根据灰度的分布特点将其自动划分为两个区域。对像素集中分布的低灰度区进行线性拉伸,以增强图像的视觉效果并保持图像的性质。对像素稀疏分布的高灰度区进行最优化主观图像的直方图匹配,以尽量避免视觉上的灰度饱和。
图10显示了该算法的灰度映射。x和y分别为输入灰度和输出灰度。X和Y分别为输入灰度和输出灰度的最大值,Y一般取显示器的最大灰度。μ是输入图像的均值(在计算μ时,0灰度像素不计)。α和β是两个经验因子。如图所示,区间[0,αμ]的灰度被线性拉伸至区间[0,βY]。α通常取3,以使大多数像素都落在区间[0,αμ]。β通常取0.8,以使区间[0,βY]对应于视觉比较敏感的灰度范围。这样,当区间[0,αμ]的灰度被线性拉伸至区间[0,βY]时,大多数像素就会落在视觉比较敏感的灰度范围。区间(αμ,X]的灰度则通过最优化主观图像的直方图匹配算法映射到区间(βY,Y],以尽量避免视觉上的灰度饱和。其中,在统计输入图像的直方图时,只考虑大于αμ的灰度;在计算输出图像的直方图时,只使用最优的客观图像直方图在区间(βY,Y]的这一部分。
该算法的步骤被总结如下:
步骤1:将合成孔径雷达图像的灰度划分为低灰度区[0,αμ]和高灰度区(αμ,X],其中,μ是输入图像的均值,α是一个经验因子,X是输入灰度的最大值,在计算μ时,0灰度像素不计,α通常取3,以使大多数像素都落在低灰度区[0,αμ];
步骤2:将像素集中分布的低灰度区[0,αμ]线性拉伸至区间[0,βY],其中,Y是输出灰度的最大值,β是一个经验因子,Y一般取显示器的最大灰度,β通常取0.8,以使区间[0,βY]对应于视觉比较敏感的灰度范围;
步骤3:用最优化主观图像的直方图匹配算法将像素稀疏分布的高灰度区(αμ,X]映射至区间(βY,Y],其中,在统计输入图像的直方图时,只考虑大于αμ的灰度,在计算输出图像的直方图时,只使用最优的客观图像直方图在区间(βY,Y]的这一部分;
步骤4:根据步骤2和步骤3所建立的灰度映射来变换图像的每个像素,从而实现图像的可视化。
若α和β都取0,该算法其实就是最优化主观图像的直方图匹配算法。通常,α=3、β=0.8的图像看起来更加强弱分明,而α=0、β=0的图像看起来灰度层次更加丰富。另外,对于海洋图像,人们可能更感兴趣于舰船、海岛等目标。此时,如果让β小一些,比如取0.3,那么可以为舰船、海岛等目标分配更大的灰度范围,使其灰度层次更加丰富。
在对各类合成孔径雷达图像的测试中,该算法展示了良好的视觉效果和普遍适用性。下面将给出一些有代表性的实施例。显然,这里所描述的仅仅是该算法的部分实施例。使用该算法,在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本发明的保护范围。
实施例一
图11显示了由华东电子工程研究所提供的一幅图像。该图像除了少数亮点之外,大块场景都是漆黑一片,难以获取任何信息。图12显示了用Photoshop的自动对比度功能进行可视化的结果。显然,图像的视觉效果有所改善,其中的细节也清楚了一些。图13和图14显示了用我们的算法进行可视化的结果。图13中α和β分别取3和0.8;图14中α和β都取0,即对整个灰度区间采用最优化主观图像的直方图匹配算法。两种情况下,图像的视觉效果均得以明显改善,不仅细节清楚,而且高端灰度未被饱和。相比之下,图13更加强弱分明一些,图14则有更丰富的灰度层次。
图15给出了图11的直方图。显然,灰度集中分布在低灰度区,这是为什么图像看起来漆黑一片。图16给出了图12的直方图。可以看到,Photoshop的自动对比度功能饱和了高灰度区,拉宽了低灰度区,这是为什么图像的视觉效果有所改善。图17给出了图13的直方图。可以看到,不仅低灰度区得到了很好的拉伸,而且高灰度区未被饱和,这是为什么图像的视觉效果明显改善。图18给出了图14的直方图。它接近于最优的客观图像直方图,符合人的视觉特性,这是为什么图像的视觉效果也明显改善。该直方图本应达到最优的客观图像直方图。然而,由于灰度的离散特性,它与最优的客观图像直方图之间还存在着一定的差异。
实施例二
图19显示了来自美国MiniSAR系统的一幅图像。该图像大块场景漆黑一片,难以捕捉任何细节。图20显示了用Photoshop的自动对比度功能进行可视化的结果。可以看到,图像的视觉效果有所改善,其中的细节也清楚了一些。图21和图22显示了用我们的算法进行可视化的结果。图21中α和β分别取3和0.8,图22中α和β都取0。两种情况下,图像的视觉效果均得以明显改善,不仅细节清楚,而且高端灰度未被饱和。相比之下,图21更加强弱分明一些,图22则有更丰富的灰度层次。
实施例三
图23显示了来自欧洲TerraSAR系统的一幅图像。同样,其大块场景漆黑一片,难以捕捉任何细节。图24显示了用Photoshop的自动对比度功能进行可视化的结果。可以看到,图像的视觉效果有所改善,其中的细节也清楚了一些。图25和图26显示了用我们的算法进行可视化的结果。图25中α和β分别取3和0.8,图26中α和β都取0。两种情况下,图像的视觉效果均得以明显改善,不仅细节清楚,而且高端灰度未被饱和。相比之下,图25更加强弱分明一些,图26则有更丰富的灰度层次。
实施例四
图27的图像来自丹麦的EMISAR系统。该图像除了一艘舰船之外,大块场景都是漆黑一片。图28显示了用Photoshop的自动对比度功能进行可视化的结果。该图像的视觉效果有所改善,其中的细节也清楚了一些。图29和图30显示了用我们的算法进行可视化的结果。图29中α和β分别取3和0.8,图30中α和β都取0。两种情况下,图像的视觉效果均得以明显改善。图29更加强弱分明一些,图30则有更丰富的灰度层次。图31显示了α和β分别取3和0.3时用我们的算法进行可视化的结果。对海洋图像,人们可能更感兴趣于舰船、海岛等目标,不太关注海面。此时,让β小一些,可为舰船、海岛等目标分配更大的灰度范围,使其灰度层次更加丰富。另外,注意到该图像类似于用Photoshop可视化的图像,不过其高端灰度没有饱和,而用Photoshop可视化的图像高端灰度是饱和的。
实施例五
图32的图像由南京电子技术研究所提供。该图像除了角反射器等少数目标之外,大块场景漆黑一片,难以从中获取信息。图33显示了用Photoshop的自动对比度功能进行可视化的结果。该图像的视觉效果有所改善,细节也清楚了一些。图34和图35显示了用我们的算法进行可视化的结果。图34中α和β分别取3和0.8,图35中α和β都取0。两种情况下,图像的视觉效果均得以明显改善。图34更加强弱分明一些,图35则有更丰富的灰度层次。图36显示了α和β分别取3和0.3时用我们的算法进行可视化的结果。当对角反射器等目标更感兴趣而对其它目标不太关注时,可以让β小一些,以便为角反射器等目标分配更大的灰度范围,使其灰度层次更加丰富。该图像类似于用Photoshop可视化的图像,不过其高端灰度没有饱和,而用Photoshop可视化的图像高端灰度是饱和的。
Claims (5)
1.一种合成孔径雷达图像自动可视化方法,其特征在于,包括以下步骤:
步骤1:将合成孔径雷达图像的灰度划分为低灰度区[0,αμ]和高灰度区(αμ,X],其中,μ是输入图像的平均灰度,α是一个经验因子,X是输入灰度的最大值,在计算μ时,0灰度像素不计,α取3,以使大多数像素都落在低灰度区[0,αμ];
步骤2:将像素集中分布的低灰度区[0,αμ]线性拉伸至区间[0,βY],其中,Y是输出灰度的最大值,β是一个经验因子,Y取显示器的最大灰度,β取0.8,以使区间[0,βY]对应于视觉比较敏感的灰度范围;
步骤3:用最优化主观图像的直方图匹配算法将像素稀疏分布的高灰度区(αμ,X]映射至区间(βY,Y],客观图像指独立于视觉系统的图像,主观图像指由视觉系统形成的图像,是客观图像在大脑中的映像,在最优化主观图像的直方图匹配中,主观图像当其直方图均匀分布时被认为是最优的,由此可以导出最优的客观图像直方图,进而通过灰度映射把客观图像的直方图变换成最优形式;
步骤4:根据步骤2和步骤3所建立的灰度映射来变换图像的每个像素,从而实现图像的可视化。
2.如权利要求1所述的合成孔径雷达图像自动可视化方法,其特征在于,步骤3进一步包括以下步骤:
步骤31:统计输入图像的直方图,进而计算其概率积累函数,其中,在统计输入图像的直方图时,只考虑大于αμ的灰度;
步骤32:计算输出图像的直方图,亦即最优的客观图像直方图,进而计算其概率积累函数,其中,在计算输出图像的直方图时,只使用最优的客观图像直方图在区间(βY,Y]的这一部分;
步骤33:对每个输入灰度j,找到对应的输出灰度k,使输出图像在k处的概率积累函数最接近于输入图像在j处的概率积累函数,其中,j被限制在区间(αμ,X],k被限制在区间(βY,Y]。
3.如权利要求2所述的合成孔径雷达图像自动可视化方法,其特征在于,步骤32中最优客观图像直方图的数学模型为:
其中,K是显示器的最大灰度,μ1、σ1、μ2和σ2分别取0.1、0.03、0.5和0.15。
4.如权利要求3所述的合成孔径雷达图像自动可视化方法,其特征在于,最优客观图像直方图的数学模型用以下方法导出:
步骤321:假定主观图像当其直方图均匀分布时是最优的;
步骤322:由均匀分布的主观图像直方图导出最优的客观图像直方图,在推导过程中,根据客观灰度与主观灰度的关系曲线,把每个主观灰度的概率均匀地分配在对应的客观灰度上,客观灰度与主观灰度的关系曲线不同,导出的最优客观图像直方图也是不同的,但是有着相似的趋势和拐点;
步骤323:由一系列最优的客观图像直方图归纳出其数学模型。
5.如权利要求4所述的合成孔径雷达图像自动可视化方法,其特征在于,步骤322中客观灰度与主观灰度的关系曲线通过视觉实验来确定,具体过程如下:
步骤3221:客观灰度0被认为对应于主观灰度0;
步骤3222:将背景灰度和前景灰度置为0,然后逐渐增大前景灰度,直到人眼刚能分辨出前景灰度与背景灰度为止,此时的前景灰度被认为对应于主观灰度1;
步骤3223:将背景灰度置为前景灰度,然后逐渐增大前景灰度,直到人眼刚能分辨出前景灰度与背景灰度为止,此时的前景灰度被认为对应于主观灰度2;
步骤3224:采用上述方法确定对应于其它主观灰度的客观灰度,直到前景达到显示器的最大灰度为止;
步骤3225:如果两个客观灰度分别对应于两个相邻的主观灰度,那么这两个客观灰度之间的客观灰度被认为对应于较小的那个主观灰度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610894633.0A CN106530213B (zh) | 2016-10-13 | 2016-10-13 | 一种合成孔径雷达图像自动可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610894633.0A CN106530213B (zh) | 2016-10-13 | 2016-10-13 | 一种合成孔径雷达图像自动可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106530213A CN106530213A (zh) | 2017-03-22 |
CN106530213B true CN106530213B (zh) | 2019-08-16 |
Family
ID=58331765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610894633.0A Expired - Fee Related CN106530213B (zh) | 2016-10-13 | 2016-10-13 | 一种合成孔径雷达图像自动可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530213B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114755654B (zh) * | 2022-06-14 | 2022-11-18 | 中达天昇(江苏)电子科技有限公司 | 一种基于图像拟态技术的残损雷达信号修复方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778900A (zh) * | 2012-10-23 | 2014-05-07 | 浙江大华技术股份有限公司 | 一种图像处理方法及系统 |
CN105303561A (zh) * | 2015-09-22 | 2016-02-03 | 成都融创智谷科技有限公司 | 一种图像预处理的灰度空间划分方法 |
CN105825489A (zh) * | 2016-02-01 | 2016-08-03 | 南京理工大学 | 基于灰度平移与线性拉伸相结合的红外图像增强方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6826310B2 (en) * | 2001-07-06 | 2004-11-30 | Jasc Software, Inc. | Automatic contrast enhancement |
-
2016
- 2016-10-13 CN CN201610894633.0A patent/CN106530213B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778900A (zh) * | 2012-10-23 | 2014-05-07 | 浙江大华技术股份有限公司 | 一种图像处理方法及系统 |
CN105303561A (zh) * | 2015-09-22 | 2016-02-03 | 成都融创智谷科技有限公司 | 一种图像预处理的灰度空间划分方法 |
CN105825489A (zh) * | 2016-02-01 | 2016-08-03 | 南京理工大学 | 基于灰度平移与线性拉伸相结合的红外图像增强方法 |
Non-Patent Citations (2)
Title |
---|
detecting sensing changes using synthetic aperture radar interferometry;Mark Preiss 等;《IEEE transaction on geoscience and remote sensing》;20061231;第I140-247页 |
基于NSCT的遥感图像增强方法研究;蒲晓婷;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131015;第2041-2054页 |
Also Published As
Publication number | Publication date |
---|---|
CN106530213A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Haze visibility enhancement: A survey and quantitative benchmarking | |
Hu et al. | Single image defogging based on illumination decomposition for visual maritime surveillance | |
CN1328700C (zh) | 伪三维图像生成设备和方法 | |
CN103716503B (zh) | 图像处理装置和投影仪 | |
CN106157273B (zh) | 生成合成图片的方法及装置 | |
CN106960427A (zh) | 二维码图像处理的方法和装置 | |
CN108288253B (zh) | Hdr图像生成方法及装置 | |
CN107798661B (zh) | 一种自适应的图像增强方法 | |
CN106971153B (zh) | 一种人脸图像光照补偿方法 | |
CN105447825B (zh) | 图像去雾方法及其系统 | |
Hauagge et al. | Photometric ambient occlusion | |
CN109461186A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN109377464A (zh) | 一种红外图像的双平台直方图均衡化方法及其应用系统 | |
US8908994B2 (en) | 2D to 3d image conversion | |
CN106709890A (zh) | 用于低照度视频图像处理的方法及装置 | |
WO2008102296A2 (en) | Method for enhancing the depth sensation of an image | |
CN113989127A (zh) | 一种图像对比度调整方法、系统、设备及计算机存储介质 | |
CN109801208B (zh) | 基于多gpu任务优化的sar图像变化检测方法 | |
Lecca et al. | An image contrast measure based on Retinex principles | |
CN106530213B (zh) | 一种合成孔径雷达图像自动可视化方法 | |
Lee et al. | Image enhancement approach using the just-noticeable-difference model of the human visual system | |
Lee et al. | Ramp distribution-based contrast enhancement techniques and over-contrast measure | |
CN111080754B (zh) | 一种头部肢体特征点连线的人物动画制作方法及装置 | |
He et al. | A night low‐illumination image enhancement model based on small probability area filtering and lossless mapping enhancement | |
CN116309168A (zh) | 一种并行混合注意力渐进融合的低照度图像增强方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190816 Termination date: 20211013 |