CN106600554B - 面向车载夜视行人检测的红外图像预处理方法 - Google Patents

面向车载夜视行人检测的红外图像预处理方法 Download PDF

Info

Publication number
CN106600554B
CN106600554B CN201611160876.8A CN201611160876A CN106600554B CN 106600554 B CN106600554 B CN 106600554B CN 201611160876 A CN201611160876 A CN 201611160876A CN 106600554 B CN106600554 B CN 106600554B
Authority
CN
China
Prior art keywords
value
image
domain
gray scale
bit image
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.)
Active
Application number
CN201611160876.8A
Other languages
English (en)
Other versions
CN106600554A (zh
Inventor
周全赟
张羽
魏琳琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Jinhang Institute of Technical Physics
Original Assignee
Tianjin Jinhang Institute of Technical Physics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Jinhang Institute of Technical Physics filed Critical Tianjin Jinhang Institute of Technical Physics
Priority to CN201611160876.8A priority Critical patent/CN106600554B/zh
Publication of CN106600554A publication Critical patent/CN106600554A/zh
Application granted granted Critical
Publication of CN106600554B publication Critical patent/CN106600554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明公开了一种面向车载夜视行人检测的红外图像预处理方法，其包括以下步骤：S1：计算14位图像的信息域和饱和域；S2：计算信息域均值向量；S3：信息域和饱和域1维向量平滑；S4：计算信息域和饱和域向量的二阶差分向量；S5：参考饱和域变化选取初始参考值；S6：执行最优参考点搜索流程；S7：基于最优参考点进行14位图像到8位图像映射，得到增强后的8位图像。本发明针对特殊的车载夜视使用平台，提出一种算法，用于增强ROI范围内的目标对比度，同时抑制ROI范围之外的图像对比度，以此来优化目标检测用输入图像质量。

Description

面向车载夜视行人检测的红外图像预处理方法
技术领域
本发明属于图像处理技术领域，涉及一种面向车载夜视行人检测的红外图像预处理方法。
背景技术
传统的红外图像增强算法基本都是面向人眼观察的，也就是以人眼主观评测为主。然而，对于特定平台的特定需求，这样的评价就不再是最优的。在车载夜视平台中，目标检测用图像增强算法需要考虑到目标本身与背景的对比度更强，而目标之外的场景内容，则不需要增强。
传统的红外图像增强算法主要有平台直方图和DDE(Digital DetailEnhancement，数字细节增强)两种算法。这两种算法的初衷都是让图像内的信息尽可能凸显，平台直方图通过直方图信息统计映射使得所有图像中存在的灰阶得以在灰度图像上显示。DDE算法对图像中的细节信息(如边缘轮廓)做了进一步增强，使得图像中的细节得以凸显。然而，这两种算法都是以人眼观测为目的，具有普适的特性，但用于车载夜视平台目标检测算法并不能达到最优的效果。
发明内容
(一)发明目的
本发明的目的是：增强感兴趣目标潜在范围内的图像对比度，同时抑制感兴趣目标潜在范围之外的图像对比度，如此来优化目标检测算法输入图像信息质量，以提升整体系统性能。
(二)技术方案
为了解决上述技术问题，本发明提供一种面向车载夜视行人检测的红外图像预处理方法，其包括以下步骤：
S1：计算14位图像的信息域和饱和域；
S2：计算信息域均值向量；
S3：信息域和饱和域1维向量平滑；
S4：计算信息域和饱和域向量的二阶差分向量；
S5：参考饱和域变化选取初始参考值；
S6：执行最优参考点搜索流程；
S7：基于最优参考点进行14位图像到8位图像映射，得到增强后的8位图像。
其中，所述步骤S1中，从14位图像直方图曲线中，取任意一个有效灰阶作为R，把图像中像素值在[R，R+G-1]范围内的像素记为信息域Finfo(R)，将像素值在[R+G，214-1]内的像素记为饱和域Fhot(R)。
其中，所述步骤S1中，设定G参数取值恒定，则
Finfo定义如下：
Finfo(R)＝∑δ(I14(i，j)) 公式1
Figure BDA0001181597830000021
Fhot定义如下：
Fhot(R)＝∑δ(I14(i，j)) 公式3
Figure BDA0001181597830000022
其中i为14位图像I14的行索引号，j为14位图像I14的列索引号，I14(i，j)表示14位图像I14中行列坐标为(i，j)的像素值。相应地，i取值范围为[1，IMG_ROW]，j取值范围为[1，IMG_COL]，I14(i，j)取值范围为[0，214-1]。
其中，所述步骤S2中，信息域均值向量Minfo(R)表示为：
Figure BDA0001181597830000023
其中，所述步骤S3中，信息域和饱和域为214维的向量，对该向量做平滑，平滑操作如下公式所示：
Figure BDA0001181597830000031
其中，所述步骤S4中，F(R)为一维函数，定义F′(R)为F(R)的一阶差分，F″(R)为F(R)的二阶差分：
F′(R)＝F(R+1)-F(R-1) 公式7
F″(R)＝F′(R+1)-F′(R) 公式8。
其中，所述步骤S5中，运用下面的公式获取初始参考值R0，
R0＝max(R)，for F″hot(R)＞T0 公式9
F″hot(R)表征了饱和域向量的变化趋势，通过阈值T0对F″hot(R)的约束来选取初始参考值R0。
其中，所述步骤S6中，通过判决式
Figure BDA0001181597830000032
来决策左侧或右侧最优参考点搜索流程；通过步骤S5获取初始参考值R0，接下来最优参考点的选择根据判决条件
Figure BDA0001181597830000033
来判断R0的左侧搜索最优值或者右侧搜索最优值；其中，左侧对应任意R小于R0，右侧对应任意R大于R0；其中，
Figure BDA0001181597830000034
表示信息域阈值1，该阈值用于约束信息域区域的面积大小。
其中，最优参考点搜索流程包括以下步骤：
S61：左侧最优参考点搜索流程
首先根据
Figure BDA0001181597830000035
条件判断，如果条件满足，则初始化FindFlag＝0，进入中间搜索流程，否则进入右下角搜索流程；
在完成中间搜索流程后，通过条件FindFlag＝1是否满足来决定执行左下角搜索流程，或者右下角搜索流程。左下角流程或右下角流程将给出最优值，如果最终没找到最优值，则最优值等于初始值R0；
S62：右侧最优参考点搜索流程
首先根据
Figure BDA0001181597830000036
条件判断，如果条件满足，则进入左侧搜索流程，否则进入右侧搜索流程；如果进入左侧搜索流程，在完成搜索策略后找到最优值则输出，如果没找到最优值，则进入右侧搜索流程。左侧流程或右侧流程将给出最优值，如果最终没找到最优值，则最优值等于初始值R0；
Figure BDA0001181597830000041
表示饱和域阈值1，该阈值用于约束饱和区域的面积大小。
其中，所述步骤7包括：得到最优参考灰阶R，然后将14位图像I14中灰阶在[R,R+G]中的像素通过下面的公式映射到8位图像I8中；为了保持ROI区域内目标对比度最大，这里采用线性映射，定义如下所示：
Figure BDA0001181597830000042
Figure BDA0001181597830000043
通过上面所述的线性映射，即可以得到增强后的8位图像。
(三)有益效果
上述技术方案所提供的面向车载夜视行人检测的红外图像预处理方法，针对车载夜视平台，车辆行驶过程中前方感兴趣目标潜在范围(Region of Interest,ROI)可以通过系统参数配置计算得到。ROI范围内的对比度直接影响目标检测算法性能，而非整个图像内的对比度。所以，与传统红外图像增强算法不同，该发明针对特殊的车载夜视使用平台，提出一种算法，用于增强ROI范围内的目标对比度，同时抑制ROI范围之外的图像对比度，以此来优化目标检测用输入图像质量。
附图说明
图1为行人ROI区域直方图和源图像直方图。
图2为平台直方图处理效果图(左)，改进预处理算法效果图(右)。
图3为图像直方图及信息域、饱和域示意图。
图4为搜索流程第二步。
图5为左侧最优参考点搜索流程。
图6为右侧最优参考点搜索流程。
具体实施方式
为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
正常红外相机成像的图像，经过必要的非均匀性校正和坏元替代步骤，会得到14位图像。接下来会运用图像预处理算法将14位图像转换为8位可视灰度图像以进行后续的分析处理。为便于引用，我们统一称14位图像为I14，8位灰度图为I8比较经典的两种图像预处理算法是平台直方图处理和数字细节增强处理。然而，这两类算法都是面向图像可视化为目的，其基本出发点都是要使得图像中的所有信息经过处理后能够在可视化的图像上显示。以目标检测为目的的图像应用，需要目标在图像中具有更显著的对比度。通常来说，14位原始图像数据中包括了大量的背景信息，很多灰阶所代表的信息对于特定的目标检测是无用的。按照传统方法处理，让所有的14位图像信息在8位灰度图像上可见，会导致目标局部区域真正的灰阶范围会被压缩，从而使得目标及其局部背景区域之间的对比度减弱。同时，这种方式会使得背景中无效的区域会被放大，所以会混淆目标区域。所以，从基本原理上，平台直方图图像预处理算法适用于图像显示，而并不适用于目标检测。目标检测应用需求需要目标跟背景之间的对比度更大。
图1为14位的红外图像。其中，红色部分是行人ROI区域的灰度直方图，蓝色为所在图像的直方图，该直方图是在14位图像序列上统计的。可以明显看出，行人区域在整个的直方图中只占据一小部分。如果能够在14位图像中将行人区域所在有效灰度范围找出，那么就可以去除那些背景的无效灰度区域，这样可以尽可能大地保持行人目标局部区域的对比度。
这里假设整副图像的灰度范围为S，行人目标区域的灰度范围为S1，
Figure BDA0001181597830000051
新的处理算法的目的是寻找在图像有效的灰阶范围内寻找参考点和有效信息灰阶范围，这里的有效以特定的使用对象而定。基于最优参考灰阶和有效信息灰阶范围，选取合适的映射方法，即可将14位图像映射为8位图像。8位图像将被用于接下来的图像分析和目标检测。
本算法用smin来表示14位图像中的最小有效灰阶，smax表示14位图像中的最大有效灰阶，则[smin，smax]表示14位图像的有效灰阶范围。本算法用IMG_ROW表示图像行数，IMG_COL表示图像列数，IMG_SIZE表示图像分辨率大小，即IMG_SIZE＝IMG_ROW×IMG_COL。
从图1所示的14位图像直方图中可以看出，在图像有效灰阶范围内，可以选取任意灰阶为参考灰阶，选取参考灰阶以上在目标兴趣灰阶范围内的灰阶作为目标有效灰阶，进而将这部分信息映射为8位图像。如上所述，8位图像由参考灰阶和有效灰阶范围来决定。最优化目标函数设定两个自变量，分别为参考灰阶和目标兴趣灰阶范围，前者用字母R来表示，后者用字母G，两者的取值范围均为[0，214-1]
从14位图像直方图曲线中，取任意一个有效灰阶作为R，把图像中像素值在[R，R+G-1]范围内的像素记为信息域Finfo(R)，将像素值在[R+G，214-1]内的像素记为饱和域Fhot(R)。本算法设定G参数取值恒定，由下面的公式定义，Finfo(R)和Fhot(R)关于R的一维向量。
Finfo定义如下：
Finfo(R)＝∑δ(I14(i，j)) 公式1
Figure BDA0001181597830000061
Fhot定义如下：
Fhot(R)＝∑δ(I14(i，j)) 公式3
Figure BDA0001181597830000062
其中i为14位图像I14的行索引号，j为14位图像I14的列索引号，I14(i，j)表示14位图像I14中行列坐标为(i，j)的像素值。相应地，i取值范围为[1，IMG_ROW]，j取值范围为[1，IMG_COL]，I14(i，j)取值范围为[0，214-1]。
由上面的定义可知，F(R)函数其定义域R的取值范围为[0，214-1]，值域的取值范围为[0，IMG_SIZE]。
图3中，绿色曲线为Finfo(R)，红色曲线为Fhot(R)，蓝色曲线为14位图像I14的直方图。可以看出，图像中信息域的变化类似于高斯分布，而饱和域的变化曲线类似于抛物线。信息域总会在一个灰阶处达到最大值，然而信息的最大并不意味着图像对比度的增强。如果以行人检测算法为目的，那么需要图像中行人区域的图像对比度最大化。即，最佳参考点的选择取决于对信息域变化趋势和饱和域变化趋势的综合分析。
下面给出综合分析的三个要素:
1.信息域在最大值之后会不断减少。当灰阶处于信息丰富区域时，信息域的大小对于灰阶的变化会趋于稳定，之后再回迅速下降到另外一个亮度区域。根据场景红外辐射特性，一幅红外14位图像的直方图可能会有几个亮度稳定区域。
2.饱和区域越小越好。本方法的目的是为了图像的对比度最大，而亮度无关。所以，在图像对比度稳定的情况下，亮度越小越好。但亮度需要保持在一定阈值以上，否则图像信息可能会损失。
3.本方法的目的是在图像整体亮度最低，即Fhot(R)最小的条件下取得行人局部区域取得最大的信息量，即Finfo(R)最大。
为控制映射后的图像亮度，统计过程中还需要统计特定R值进行映射后的图像平均灰度值。如果平均灰度值过小，则证明图像整体亮度过暗，算法流程中用阈值TM来控制图像亮度。图像整理亮度信息可以用如下定义的信息域均值向量Minfo(R)来表示：
Figure BDA0001181597830000071
基于上述分析，本发明方法的实现步骤为：
S1：计算14位图像的信息域和饱和域
运用公式1和公式2来计算信息域。
运用公式3和公式4来计算饱和域。
S2：计算信息域均值向量
运用公式5来计算信息域均值向量。
S3：信息域和饱和域1维向量平滑
由上面的分析已知，信息域和饱和域为214维的向量。对该向量做平滑，本算法所采用过的平滑操作如下公式所示：
Figure BDA0001181597830000081
S4：计算信息域和饱和域向量的二阶差分向量
由上面的推理可知F(R)为一维函数，下面定义F′(R)为F(R)的一阶差分，F″(R)为F(R)的二阶差分。具体如下：
F′(R)＝F(R+1)-F(R-1) 公式7
F″(R)＝F′(R+1)-F′(R) 公式8
上面的定义统一适用于Finfo(R)和Fhot(R)。
S5：参考Fhot(R)变化选取初始参考值R0
运用下面的公式获取初始参考值R0。
R0＝max(R)，forF″hot(R)＞T0 公式9
F″hot(R)表征了饱和域向量的变化趋势，通过阈值T0对F″hot(R)的约束来选取初始参考值R0。
S6：通过判决式
Figure BDA0001181597830000082
来决策左侧或右侧最优参考点搜索流程
如图4所示，通过步骤S5获取初始参考值R0，接下来最有参考点的选择将根据判决条件
Figure BDA0001181597830000083
来判断R0的左侧搜索最优值或者右侧搜索最优值。其中，左侧对应任意R小于R0，右侧对应任意R大于R0。
其中，
Figure BDA0001181597830000091
表示信息域阈值1，该阈值用于约束信息域区域的面积大小。
S61：左侧最优参考点搜索流程
如图5所示，首先根据
Figure BDA0001181597830000092
条件判断，如果条件满足，则初始化FindFlag＝0，进入中间搜索流程，否则进入右下角搜索流程。
在完成中间搜索流程后，通过条件FindFlag＝1是否满足来决定执行左下角搜索流程，或者右下角搜索流程。左下角流程或右下角流程将给出最优值，如果最终没找到最优值，则最优值等于初始值R0。
流程中，
Figure BDA0001181597830000093
表示信息域二阶差分阈值1，该阈值用于去除信息域信息统计过程中噪声的影响。
S62：右侧最优参考点搜索流程
如图6所示，首先根据
Figure BDA0001181597830000094
条件判断，如果条件满足，则进入左侧搜索流程，否则进入右侧搜索流程。如果进入左侧搜索流程，在完成搜索策略后找到最优值则输出，如果没找到最优值，则进入右侧搜索流程。左侧流程或右侧流程将给出最优值，如果最终没找到最优值，则最优值等于初始值R0。
Figure BDA0001181597830000095
表示饱和域阈值1，该阈值用于约束饱和区域的面积大小。
Figure BDA0001181597830000096
表示信息域阈值2，该阈值用于约束信息域区域的面积大小。TM表示信息域均值向量阈值，用于约束图像整体亮度。
S7：基于最优参考点进行14位图像到8位图像映射
通过步骤4.5得到最优参考灰阶R，然后将14位图像I14中灰阶在[R,R+G]中的像素通过下面的公式映射到8位图像I8中。为了保持ROI区域内目标对比度最大，这里采用线性映射，定义如下所示：
Figure BDA0001181597830000097
Figure BDA0001181597830000098
通过上面所述的线性映射，即可以得到增强后的8位图像。
由上述技术方案可以看出，本发明针对车载夜视平台，车辆行驶过程中前方感兴趣目标潜在范围(Region of Interest,ROI)可以通过系统参数配置计算得到。ROI范围内的对比度直接影响目标检测算法性能，而非整个图像内的对比度。所以，与传统红外图像增强算法不同，该发明针对特殊的车载夜视使用平台，提出一种算法，用于增强ROI范围内的目标对比度，同时抑制ROI范围之外的图像对比度，以此来优化目标检测用输入图像质量。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种面向车载夜视行人检测的红外图像预处理方法，其特征在于，包括以下步骤：
S1：计算14位图像的信息域和饱和域；
S2：计算信息域均值向量；
S3：信息域和饱和域1维向量平滑；
S4：计算信息域和饱和域向量的二阶差分向量；
S5：参考饱和域变化选取初始参考值；
S6：执行最优参考点搜索流程；
S7：基于最优参考点进行14位图像到8位图像映射，得到增强后的8位图像；
所述步骤S1中，从14位图像直方图曲线中，取任意一个有效灰阶作为R，把图像中像素值在[R，R+G-1]范围内的像素记为信息域Finfo(R)，将像素值在[R+G，214-1]内的像素记为饱和域Fhot(R)；在图像有效灰阶范围内，选取任意灰阶为参考灰阶，选取参考灰阶以上在目标兴趣灰阶范围内的灰阶作为目标有效灰阶，R表示参考灰阶范围，G表示目标兴趣灰阶范围，两者的取值范围均为[0，214-1]；
所述步骤S1中，设定G参数取值恒定，则
Finfo定义如下：
Finfo(R)＝∑δ(I14(i,j)) 公式1
Figure FDA0002444709850000011
Fhot定义如下：
Fhot(R)＝∑δ(I14(i,j)) 公式3
Figure FDA0002444709850000012
其中i为14位图像I14的行索引号，j为14位图像I14的列索引号，I14(i，j)表示14位图像I14中行列坐标为(i，j)的像素值；相应地，i取值范围为[1，IMG_ROW]，j取值范围为[1，IMG_COL]，I14(i，j)取值范围为[0，214-1]；
所述步骤S2中，信息域均值向量Minfo(R)表示为：
Figure FDA0002444709850000021
所述步骤S3中，信息域和饱和域为214维的向量，对该向量做平滑，平滑操作如下公式所示：
Figure FDA0002444709850000022
所述步骤S4中，F(R)为一维函数，定义F′(R)为F(R)的一阶差分，FR(R)为F(R)的二阶差分：
F′(R)＝F(R+1)-f(R-1) 公式7
F″(R)＝f′(R+1)-F′(R) 公式8
所述步骤S5中，运用下面的公式获取初始参考值R0，
R0＝max(R)，for F″hot(R)＞T0 公式9
F″hot(R)表征了饱和域向量的变化趋势，通过阈值T0对F″hot(R)的约束来选取初始参考值R0。
2.如权利要求1所述的面向车载夜视行人检测的红外图像预处理方法，其特征在于，所述步骤S6中，通过判决式Finfo(R0)≥Tl 1来决策左侧或右侧最优参考点搜索流程；通过步骤S5获取初始参考值R0，接下来最优参考点的选择根据判决条件Finfo(R0)≥Tl 1来判断RC的左侧搜索最优值或者右侧搜索最优值；其中，左侧对应任意R小于R0，右侧对应任意R大于R0；其中，Tl 1表示信息域阈值1，该阈值用于约束信息域区域的面积大小。
3.如权利要求2所述的面向车载夜视行人检测的红外图像预处理方法，其特征在于，最优参考点搜索流程包括以下步骤：
S61：左侧最优参考点搜索流程
首先根据
Figure FDA0002444709850000031
条件判断，如果条件满足，则初始化FindFlag＝0，进入中间搜索流程，否则进入右下角搜索流程；
在完成中间搜索流程后，通过条件FindFlag＝1是否满足来决定执行左下角搜索流程，或者右下角搜索流程；左下角流程或右下角流程将给出最优值，如果最终没找到最优值，则最优值等于初始值R0；
S62：右侧最优参考点搜索流程
首先根据
Figure FDA0002444709850000032
条件判断，如果条件满足，则进入左侧搜索流程，否则进入右侧搜索流程；如果进入左侧搜索流程，在完成搜索策略后找到最优值则输出，如果没找到最优值，则进入右侧搜索流程；左侧流程或右侧流程将给出最优值，如果最终没找到最优值，则最优值等于初始值R0；
Figure FDA0002444709850000035
表示饱和域阈值1，该阈值用于约束饱和区域的面积大小。
4.如权利要求3所述的面向车载夜视行人检测的红外图像预处理方法，其特征在于，所述步骤7包括：得到有效灰阶R的最优值，然后将14位图像I14中灰阶在[R,R+G]中的像素通过下面的公式映射到8位图像I8中；为了保持ROI区域内目标对比度最大，这里采用线性映射，定义如下所示：
Figure FDA0002444709850000033
Figure FDA0002444709850000034
通过上面所述的线性映射，即可以得到增强后的8位图像。
CN201611160876.8A 2016-12-15 2016-12-15 面向车载夜视行人检测的红外图像预处理方法 Active CN106600554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611160876.8A CN106600554B (zh) 2016-12-15 2016-12-15 面向车载夜视行人检测的红外图像预处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611160876.8A CN106600554B (zh) 2016-12-15 2016-12-15 面向车载夜视行人检测的红外图像预处理方法

Publications (2)

Publication Number Publication Date
CN106600554A CN106600554A (zh) 2017-04-26
CN106600554B true CN106600554B (zh) 2020-06-19

Family

ID=58801550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611160876.8A Active CN106600554B (zh) 2016-12-15 2016-12-15 面向车载夜视行人检测的红外图像预处理方法

Country Status (1)

Country Link
CN (1) CN106600554B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110111272A (zh) * 2019-04-24 2019-08-09 江西理工大学应用科学学院 一种人工智能红外图像处理仪、控制系统及控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI255653B (en) * 2005-02-01 2006-05-21 Univ Nat Chiao Tung Bit compression and contrast enhancement method of infrared image
CN102496152A (zh) * 2011-12-01 2012-06-13 四川虹微技术有限公司 一种基于直方图的自适应图像对比度增强方法
CN102722864A (zh) * 2012-05-18 2012-10-10 清华大学 一种图像增强方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI255653B (en) * 2005-02-01 2006-05-21 Univ Nat Chiao Tung Bit compression and contrast enhancement method of infrared image
CN102496152A (zh) * 2011-12-01 2012-06-13 四川虹微技术有限公司 一种基于直方图的自适应图像对比度增强方法
CN102722864A (zh) * 2012-05-18 2012-10-10 清华大学 一种图像增强方法

Also Published As

Publication number Publication date
CN106600554A (zh) 2017-04-26

Similar Documents

Publication Publication Date Title
Fang et al. No-reference quality assessment of contrast-distorted images based on natural scene statistics
CN107680054B (zh) 雾霾环境下多源图像融合方法
JP5095290B2 (ja) シャドウ領域補償方法、媒体およびシステム
Gao et al. Sand-dust image restoration based on reversing the blue channel prior
US20210158488A1 (en) Image edge processing method, electronic device, and computer readable storage medium
WO2013168618A1 (ja) 画像処理装置及び画像処理方法
CN108038833B (zh) 一种梯度相关性检测的图像自适应锐化方法和存储介质
CN110298796B (zh) 基于改进Retinex与对数图像处理的低照度图像增强方法
CN109272461A (zh) 基于中值滤波和全局直方图的红外图像增强方法
CN107203980B (zh) 自适应多尺度暗通道先验的水下目标探测图像增强方法
CN109377450A (zh) 一种边缘保护的去噪方法
CN114926407A (zh) 一种基于深度学习的钢材表面缺陷检测系统
CN111145086A (zh) 一种图像处理方法、装置及电子设备
Choi et al. Fog detection for de-fogging of road driving images
CN112053302A (zh) 高光谱图像的去噪方法、装置及存储介质
Draa et al. An opposition-based firefly algorithm for medical image contrast enhancement
Liang et al. Underwater image quality improvement via color, detail, and contrast restoration
CN106600554B (zh) 面向车载夜视行人检测的红外图像预处理方法
Kumar et al. A generic post-processing framework for image dehazing
CN104580826A (zh) 一种增强图像锐度的视频信号处理方法
Yadav et al. Contrast enhancement of region of interest of backlit image for surveillance systems based on multi-illumination fusion
Venkatesh et al. Image Enhancement and Implementation of CLAHE Algorithm and Bilinear Interpolation
CN115564682A (zh) 一种光照不均图像增强方法及系统
Pal et al. Visibility enhancement of fog degraded images using adaptive defogging function
CN104252695A (zh) 一种红外图像的自适应拉伸方法

Legal Events

Date Code Title Description
PB01 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