CN107016654A - 一种基于引导图像滤波的自适应红外图像细节增强方法 - Google Patents
一种基于引导图像滤波的自适应红外图像细节增强方法 Download PDFInfo
- Publication number
- CN107016654A CN107016654A CN201710198974.9A CN201710198974A CN107016654A CN 107016654 A CN107016654 A CN 107016654A CN 201710198974 A CN201710198974 A CN 201710198974A CN 107016654 A CN107016654 A CN 107016654A
- Authority
- CN
- China
- Prior art keywords
- image
- detail
- tomographic image
- details
- img
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 27
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000000574 ganglionic effect Effects 0.000 description 1
- 230000023886 lateral inhibition Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G06T5/73—
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本发明公开了一种基于引导图像滤波的自适应红外图像细节增强方法,包括首先采用引导滤波器将原始图像分成包含低频背景的基本层和包含高频细节的细节层;然后采用改进的自适应直方图投影算法处理基本层,以实现图像对比度的改善,并提升算法的场景适应性;同时采用基于用噪声可见性函数的方法处理细节层,以增强图像细节并抑制图像噪声;最后利用经过处理的基本层和细节层构建最终的输出图像。本发明采用自适应的阈值参数选取方法和更简单的细节层处理过程,能有效处理多场景下真实红外图像数据,输出图像的对比度好、细节丰富,具有良好的视觉效果,算法的实时性也比较好。
Description
技术领域
本发明属于红外图像处理领域,更具体地,涉及一种基于引导图像滤波的自适应红外图像细节增强方法。
背景技术
由于红外成像技术具有可靠性高、保密性好、轻便易携带等独特优势,在国民经济生活中有着广泛的应用。然而限于红外探测器本身的物理特性以及环境因素,红外图像普遍存在对比度低的缺点,不仅严重影响其本身的图像质量,还不利于后续的图像目标识别与追踪等图像再处理,因此需要对其进行图像增强处理。
现有的技术对于解决红外图像高动态范围低对比度问题,通常采用自适应增益控制和直方图均衡方法来对图像进行动态范围压缩的同时提升对比度,由于这类算法中缺少必要的图像细节处理,导致其最终输出图像会丢失细节信息。为解决经典算法丢失图像细节的问题,以多尺度分割、TOP-HAT变换、边侧抑制网络、梯度处理以及图像分层等为理论基础的新算法相继被提出来。这其中又以基于图像分层的细节增强算法对图像细节的处理性能最佳。这类算法的核心思想是将代表高频部分的细节纹理和代表低频的背景分开,对这两部分图像运用不同的处理算法,并由这些处理后的子图像构建算法最终的输出图像。由于算法有针对性的提升低频基本层子图像的对比度以及增强高频细节层子图像的细节纹理,因此该类算法能在保证图像对比度的同时突出其细节信息,并有效抑制图像中的噪声。但是这类算法对于怎样保证噪声抑制和细节增强之间的平衡以及图像局部对比度提升做的不够,而且算法复杂度较高。
目前,现有技术中出现了一种GF&DDE算法,其属于基于分层的细节增强算法,能够取得比较好的图像效果。但是,该方法在基础层处理时阈值参数的选取局限性比较大,并不能对各个场景都能得到一个好的图像效果,甚至丢失图像内容。而且,GF&DDE也存在着算法复杂度比较高的缺点。因此,本领域亟需寻找一种既保证红外图像视觉效果,又具有实时性的细节增强算法。
发明内容
针对现有技术的以上缺陷或不足,本发明提供一种基于引导图像滤波的自适应红外图像细节增强算法,该算法改进了GF&DDE算法存在的不足,克服了现有技术中不能保证噪声抑制和细节增强之间的平衡等技术问题。
为实现上述目的,按照本发明,提出了一种基于引导图像滤波的自适应红外图像细节增强算法,其特征在于,所述方法包括:
(1)采用引导图像滤波对图像进行滤波处理,将滤波后的图像作为基本层图像,将原始图像减去基本层图像的图像作为细节层图像;
(2)采用自适应的二值化直方图均衡化方法对所述基本层图像进行灰度映射;
(3)采用引导滤波器的线性增益因子对所述细节层图像进行放大增强细节;
(4)将处理后的基本层图像和细节层图像加权相加,得到最终的输出图像。
作为进一步优选的,所述采用引导图像滤波进行滤波处理是指通过引导滤波器对图像进行分层处理,具体为:
IMGbase=Hguide*IMGoriginal
IMGdetail=IMGoriginal-IMGbase
其中,INGoriginal为原始输入图像,Hguide是引导滤波器的传输函数,IMGbase是滤波后的基本层图像,IMGdetail原始图像与基本层图像相减得到的细节层图像。
作为进一步优选的,所述步骤(2)具体过程为:取一个自适应阈值将基本层图像的统计直方图二值化:
其中,H(k)为基本层图像的二值化直方图,nk为基本层图像的统计直方图,T为自适应的一个阈值:
T=(smax-smin)*β+smin
其中,smax与smin分别为基本层图像的统计直方图中统计像素个数的最大值和最小值,β为固定参数,选取范围在0.005到0.05之间。
作为进一步优选的,所述步骤(2)进一步包括:将基本层图像用二值化直方图进行动态范围压缩:
其中,Ibp为基本层图像经最终处理后的图像。
作为进一步优选的,所述步骤(3)中,所述细节层图像增益由引导滤波器线性因子求得:
Idp=(Gmax*a(i,j)avg+Gmin)*IMGdetail
其中,Gmax和Gmin是固定参数,a(i,j)avg是引导滤波器的线性参数;Idp是处理后的细节层图像。
作为进一步优选的,所述将处理后的基本层图像和细节层图像加权相加是指以融合因子作为加权因子进行加权相加,即得到最终的增强后的图像:
IMGout=(1-p)*Ibp+p*Idp
其中,p为融合因子,Ibp为基本层图像经最终处理后的图像,Idp是处理后的细节层图像。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
1)本发明的方法中采用了一种自适应的阈值参数选取方法来对基本层的直方图映射进行优化,使得图像有着更好的局部对比度并且没有图像细节的丢失,能有效处理多场景下真实红外图像数据;
2)本发明的方法在保证红外图像对比度增强及细节保留效果的基础上,并未存在过多的计算复杂度,同时,显著改善了红外图像细节增强的实时性,便于操控。
3)本发明的方法采用了一种自适应的阈值参数选取方法和更简单的细节层处理过程,能有效处理多场景下真实红外图像数据,输出图像的对比度好、细节丰富,具有良好的视觉效果,算法的实时性也比较好。
附图说明
图1是本发明实施例的基于引导图像滤波的自适应红外图像细节增强算法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1是本发明实施例的一种基于引导图像滤波的自适应红外图像细节增强算法流程图。如图1所示,本发明实施例的基于引导图像滤波的自适应红外图像细节增强方法具体实施方式如下:
步骤S1、图像引导滤波分层
原始图像经过引导图像滤波器,这里引导图像为原始图像本身,可以达到比较好的滤波效果。滤波后的图像作为基本层,原始图像减去滤波后的图像作为细节层。
该过程具体如下:
IMGbase=Hguide*IMGoriginal
IMGdetail=IMGoriginal-IMGbase
其中,IMGoriginal表示原始输入图像,Hguide是引导滤波器的传输函数,IMGbase是滤波后的基础层图像,IMGdetail原始图像与基础层图像相减得到的细节层图像。同时可以将引导滤波器的线性参数a(i,j)保存下来以便后续处理。
步骤S2、基础层处理
对基础层的处理主要着重于动态范围压缩和局部对比度提升,本实施例中,首先取一个自适应阈值将基本层图像的统计直方图二值化:
其中,H(k)为基本层的二值化直方图,nk为基本层的统计直方图,T为自适应的一个阈值:
T=(smax-smin)*β+smin
其中,smax与smin分别为基本层统计直方图中统计像素个数的最大值和最小值,β为固定参数,选取范围在0.005到0.05之间。
进一步地,将基本层图像用二值化直方图进行动态范围压缩,具体过程如下:
其中,Ibp为基础层最终处理后的图像,nvalid为有效的灰度级数,其为使得H(k)不为0的最大k值。
步骤S3、细节层处理
细节层需要放大图像细节并且抑制图像噪声,而引导滤波器的线性参数a(i,j)从其分布上看是在细节丰富的地方值比较大,而在平滑区域比较小,可以达到抑制平滑背景噪声并增强细节的作用,最终细节层输出图像由以下公式求得:
Idp=(Gmax*a(i,j)+Gmin)*IMGdetail
其中,Gmax和Gmin是固定参数,分别取值5和0.2,对应细节放大调节参数和噪声抑制调节参数,Ibp是处理后的细节层图像。
步骤S4、图像融合输出
将处理后的基本层图像和细节层图像以一定的加权因子相加,得到最终的输出图像。
IMGout=(1-p)*Ibp+p*Idp
其中,p为融合因子,一般取0.5,也可以是其他值,例如0.4或0.6等,优选范围是0.4-0.6,IMGout为最终增强后的图像。
本发明的方法首先采用引导滤波器将原始图像分成包含低频背景的基本层和包含高频细节的细节层;然后采用改进的自适应直方图投影算法处理基本层,以实现图像对比度的改善,并提升算法的场景适应性;同时采用基于用噪声可见性函数的方法处理细节层,以增强图像细节并抑制图像噪声;最后利用经过处理的基本层和细节层构建最终的输出图像。
本发明采用的自适应的阈值参数选取方法和更简单的细节层处理过程,能有效处理多场景下真实红外图像数据,输出图像的对比度好、细节丰富,具有良好的视觉效果,算法的实时性也较好。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于引导图像滤波的自适应红外图像细节增强算法,其特征在于,所述方法包括:
(1)采用引导图像滤波对图像进行滤波处理,将滤波后的图像作为基本层图像,将原始图像减去基本层图像的图像作为细节层图像;
(2)采用自适应的二值化直方图均衡化方法对所述基本层图像进行灰度映射;
(3)采用引导滤波器的线性增益因子对所述细节层图像进行放大增强细节;
(4)将处理后的基本层图像和细节层图像加权相加,得到最终的输出图像。
2.根据权利要求1所述的一种基于引导图像滤波的自适应红外图像细节增强算法,其中,步骤(2)中采用引导图像滤波进行滤波处理是指通过引导滤波器对图像进行分层处理,具体为:
IMGbase=Hguide*IMGoriginal
IMGdetail=IMGoriginal-IMGbase
其中,IMGoriginal为原始输入图像,Hguide是引导滤波器的传输函数,IMGbase是滤波后的基本层图像,IMGdetail是原始图像与基本层图像相减得到的细节层图像。
3.根据权利要求1或2所述的一种基于引导图像滤波的自适应红外图像细节增强算法,其中,步骤(2)具体包括:
取一个自适应阈值将基本层图像的统计直方图二值化,即:
其中,H(k)为基本层图像的二值化直方图,nk为基本层图像的统计直方图,T为自适应阈值,且T=(smax-smin)*β+smin,其中,smax与smin分别为基本层图像的统计直方图中统计像素个数的最大值和最小值,β为固定参数。
4.根据权利要求3所述的一种基于引导图像滤波的自适应红外图像细节增强算法,其中,步骤(2)具体还包括将基本层图像用二值化直方图进行动态范围压缩,具体为:
其中,Ibp为基本层图像经最终处理后的图像,nvalid为有效的灰度级数。
5.根据权利要求1至4中任一项所述的一种基于引导图像滤波的自适应红外图像细节增强算法,其中,步骤(3)中,所述细节层图像增益由引导滤波器线性因子求得:
Idp=(Gmax*a(i,j)avg+Gmin)*IMGdetail
其中,Gmax和Gmin是固定参数,a(i,j)avg是引导滤波器的线性参数,Idp是处理后的细节层图像。
6.根据权利要求1至5中任一项所述的一种基于引导图像滤波的自适应红外图像细节增强算法,其中,步骤(4)中,所述将处理后的基本层图像和细节层图像加权相加是指以融合因子作为加权因子进行加权相加,即得到最终的增强后的图像:
IMGout=(1-p)*Ibp+p*Idp
其中,p为融合因子,Ibp为基本层图像经最终处理后的图像,Idp是处理后的细节层图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710198974.9A CN107016654A (zh) | 2017-03-29 | 2017-03-29 | 一种基于引导图像滤波的自适应红外图像细节增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710198974.9A CN107016654A (zh) | 2017-03-29 | 2017-03-29 | 一种基于引导图像滤波的自适应红外图像细节增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107016654A true CN107016654A (zh) | 2017-08-04 |
Family
ID=59445167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710198974.9A Pending CN107016654A (zh) | 2017-03-29 | 2017-03-29 | 一种基于引导图像滤波的自适应红外图像细节增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107016654A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301635A (zh) * | 2017-06-28 | 2017-10-27 | 武汉格物优信科技有限公司 | 一种红外图像细节增强方法与装置 |
CN107610156A (zh) * | 2017-09-02 | 2018-01-19 | 西安电子科技大学 | 基于引导滤波和核相关滤波的红外弱小目标跟踪方法 |
CN107909560A (zh) * | 2017-09-22 | 2018-04-13 | 洛阳师范学院 | 一种基于SiR的多聚焦图像融合方法及系统 |
CN108090886A (zh) * | 2018-01-11 | 2018-05-29 | 南京大学 | 一种高动态范围红外图像的显示与细节增强方法 |
CN109598685A (zh) * | 2018-11-26 | 2019-04-09 | 南京邮电大学 | 一种基于beeps滤波红外图像细节增强方法和图像增强装置 |
CN109859148A (zh) * | 2017-11-30 | 2019-06-07 | 中国科学院苏州纳米技术与纳米仿生研究所 | 红外热图像处理方法及装置 |
CN110047055A (zh) * | 2019-03-18 | 2019-07-23 | 电子科技大学 | 一种红外图像细节增强及去噪方法 |
CN110175959A (zh) * | 2019-05-20 | 2019-08-27 | 南京信息工程大学 | 一种台风云图增强方法 |
CN110728645A (zh) * | 2019-10-23 | 2020-01-24 | 华中科技大学鄂州工业技术研究院 | 基于引导滤波器正则化参数的图像细节增强的方法、装置及电子设备 |
CN110766712A (zh) * | 2019-10-23 | 2020-02-07 | 华中科技大学鄂州工业技术研究院 | 基于引导滤波器的细节层图像获取的方法及其相关设备 |
CN111105359A (zh) * | 2019-07-22 | 2020-05-05 | 浙江万里学院 | 一种高动态范围图像的色调映射方法 |
CN111833260A (zh) * | 2020-05-29 | 2020-10-27 | 红鼎互联(广州)信息科技有限公司 | 一种应用于红外热像仪图像细节增强和噪声抑制方法 |
CN112288644A (zh) * | 2020-09-30 | 2021-01-29 | 西北工业大学 | 一种基于图像分层的实时高效红外图像细节增强方法 |
CN112348763A (zh) * | 2020-11-09 | 2021-02-09 | 西安宇视信息科技有限公司 | 图像增强方法、装置、电子设备及介质 |
CN113096053A (zh) * | 2021-03-17 | 2021-07-09 | 西安电子科技大学 | 基于多尺度引导滤波的高动态红外图像细节增强方法 |
CN113191986A (zh) * | 2021-05-28 | 2021-07-30 | 浙江大华技术股份有限公司 | 一种图像处理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020917A (zh) * | 2012-12-29 | 2013-04-03 | 中南大学 | 一种基于显著性检测的中国古代书法绘画图像复原方法 |
CN103440630A (zh) * | 2013-09-02 | 2013-12-11 | 南京理工大学 | 基于引导滤波器的大动态范围红外图像显示与细节增强方法 |
-
2017
- 2017-03-29 CN CN201710198974.9A patent/CN107016654A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020917A (zh) * | 2012-12-29 | 2013-04-03 | 中南大学 | 一种基于显著性检测的中国古代书法绘画图像复原方法 |
CN103440630A (zh) * | 2013-09-02 | 2013-12-11 | 南京理工大学 | 基于引导滤波器的大动态范围红外图像显示与细节增强方法 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301635A (zh) * | 2017-06-28 | 2017-10-27 | 武汉格物优信科技有限公司 | 一种红外图像细节增强方法与装置 |
CN107301635B (zh) * | 2017-06-28 | 2019-11-05 | 武汉格物优信科技有限公司 | 一种红外图像细节增强方法与装置 |
CN107610156A (zh) * | 2017-09-02 | 2018-01-19 | 西安电子科技大学 | 基于引导滤波和核相关滤波的红外弱小目标跟踪方法 |
CN107909560A (zh) * | 2017-09-22 | 2018-04-13 | 洛阳师范学院 | 一种基于SiR的多聚焦图像融合方法及系统 |
CN109859148A (zh) * | 2017-11-30 | 2019-06-07 | 中国科学院苏州纳米技术与纳米仿生研究所 | 红外热图像处理方法及装置 |
CN108090886B (zh) * | 2018-01-11 | 2022-04-22 | 南京大学 | 一种高动态范围红外图像的显示与细节增强方法 |
CN108090886A (zh) * | 2018-01-11 | 2018-05-29 | 南京大学 | 一种高动态范围红外图像的显示与细节增强方法 |
CN109598685A (zh) * | 2018-11-26 | 2019-04-09 | 南京邮电大学 | 一种基于beeps滤波红外图像细节增强方法和图像增强装置 |
CN109598685B (zh) * | 2018-11-26 | 2022-08-16 | 南京邮电大学 | 一种基于beeps滤波红外图像细节增强方法和图像增强装置 |
CN110047055A (zh) * | 2019-03-18 | 2019-07-23 | 电子科技大学 | 一种红外图像细节增强及去噪方法 |
CN110047055B (zh) * | 2019-03-18 | 2021-06-22 | 电子科技大学 | 一种红外图像细节增强及去噪方法 |
CN110175959B (zh) * | 2019-05-20 | 2023-04-18 | 南京信息工程大学 | 一种台风云图增强方法 |
CN110175959A (zh) * | 2019-05-20 | 2019-08-27 | 南京信息工程大学 | 一种台风云图增强方法 |
CN111105359A (zh) * | 2019-07-22 | 2020-05-05 | 浙江万里学院 | 一种高动态范围图像的色调映射方法 |
CN111105359B (zh) * | 2019-07-22 | 2023-05-12 | 浙江万里学院 | 一种高动态范围图像的色调映射方法 |
CN110728645A (zh) * | 2019-10-23 | 2020-01-24 | 华中科技大学鄂州工业技术研究院 | 基于引导滤波器正则化参数的图像细节增强的方法、装置及电子设备 |
CN110766712A (zh) * | 2019-10-23 | 2020-02-07 | 华中科技大学鄂州工业技术研究院 | 基于引导滤波器的细节层图像获取的方法及其相关设备 |
CN111833260A (zh) * | 2020-05-29 | 2020-10-27 | 红鼎互联(广州)信息科技有限公司 | 一种应用于红外热像仪图像细节增强和噪声抑制方法 |
CN112288644A (zh) * | 2020-09-30 | 2021-01-29 | 西北工业大学 | 一种基于图像分层的实时高效红外图像细节增强方法 |
CN112348763A (zh) * | 2020-11-09 | 2021-02-09 | 西安宇视信息科技有限公司 | 图像增强方法、装置、电子设备及介质 |
CN113096053A (zh) * | 2021-03-17 | 2021-07-09 | 西安电子科技大学 | 基于多尺度引导滤波的高动态红外图像细节增强方法 |
CN113096053B (zh) * | 2021-03-17 | 2024-02-09 | 西安电子科技大学 | 基于多尺度引导滤波的高动态红外图像细节增强方法 |
CN113191986A (zh) * | 2021-05-28 | 2021-07-30 | 浙江大华技术股份有限公司 | 一种图像处理方法及装置 |
CN113191986B (zh) * | 2021-05-28 | 2022-09-30 | 浙江大华技术股份有限公司 | 一种图像处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016654A (zh) | 一种基于引导图像滤波的自适应红外图像细节增强方法 | |
US9406148B2 (en) | Image processing method and apparatus, and shooting terminal | |
CN108205804B (zh) | 图像处理方法、装置及电子设备 | |
CN105957030B (zh) | 一种应用于红外热像仪图像细节增强和噪声抑制方法 | |
Nithyananda et al. | Review on histogram equalization based image enhancement techniques | |
CN105046658B (zh) | 一种低照度图像处理方法和装置 | |
WO2016206087A1 (zh) | 一种低照度图像处理方法和装置 | |
CN109389560B (zh) | 一种自适应加权滤波图像降噪方法、装置及图像处理设备 | |
TW201610913A (zh) | 影像能見度修復的方法及其影像處理裝置 | |
CN108090876B (zh) | 一种图像处理方法及装置 | |
CN107784637B (zh) | 一种红外图像增强的方法 | |
CN111105371B (zh) | 一种低对比度红外图像的增强方法 | |
CN102222328A (zh) | 一种边缘保持的自然场景图像自适应加权滤波方法 | |
CN107979712A (zh) | 一种视频降噪方法及装置 | |
Liu et al. | Infrared image detail enhancement approach based on improved joint bilateral filter | |
CN106910170A (zh) | 一种图像椒盐噪声的去除方法 | |
CN106971399A (zh) | 图像马赛克检测方法及装置 | |
US9305338B1 (en) | Image detail enhancement and edge sharpening without overshooting | |
CN109635809B (zh) | 一种面向视觉退化图像的超像素分割方法 | |
Bao et al. | An edge-preserving filtering framework for visibility restoration | |
CN111598790A (zh) | 基于对偶深度神经网络的高光谱遥感图像去噪方法 | |
CN103886558A (zh) | 基于LoG算子改进的自适应阈值小波去噪算法 | |
CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 | |
KR20140008980A (ko) | 다중 레이어 오버랩 블록 기반의 로컬 히스토그램 평활화를 이용한 영상 콘트라스트 향상 방법 및 장치 | |
CN111598800B (zh) | 基于空间域同态滤波和暗通道先验的单幅图像去雾方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170804 |