CN107133937B - 一种红外图像的自适应增强方法 - Google Patents

一种红外图像的自适应增强方法 Download PDF

Info

Publication number
CN107133937B
CN107133937B CN201710288926.9A CN201710288926A CN107133937B CN 107133937 B CN107133937 B CN 107133937B CN 201710288926 A CN201710288926 A CN 201710288926A CN 107133937 B CN107133937 B CN 107133937B
Authority
CN
China
Prior art keywords
image
value
blackbody temperature
temperature value
infrared
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
CN201710288926.9A
Other languages
English (en)
Other versions
CN107133937A (zh
Inventor
王宁明
王静
张亚洲
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.)
Beijing Institute of Environmental Features
Original Assignee
Beijing Institute of Environmental Features
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 Beijing Institute of Environmental Features filed Critical Beijing Institute of Environmental Features
Priority to CN201710288926.9A priority Critical patent/CN107133937B/zh
Publication of CN107133937A publication Critical patent/CN107133937A/zh
Application granted granted Critical
Publication of CN107133937B publication Critical patent/CN107133937B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • 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

Abstract

本发明提供了一种红外图像的自适应增强方法，包括：根据红外图像的标定数据建立图像灰度值与等效黑体温度值的对应关系，并计算得到对应的二次曲线标定系数；利用二次曲线标定系数把图像灰度值变换为等效黑体温度值图像；对等效黑体温度值图像进行图像预处理，计算等效黑体温度值图像的直方图、直方图峰值和均值；根据图像预处理后得到的等效黑体温度值图像的均值和直方图峰值，利用自适应算法计算图像拉伸阈值的上限和下限；对等效黑体温度值图像使用直线拉伸映射算法进行拉伸增强，得到拉伸增强后的图像。应用本发明可以对采集到的红外图像进行自适应增强处理，并取得良好的增强效果，有效地改善红外目标图像的可视化效果。

Description

一种红外图像的自适应增强方法
技术领域
本申请涉及红外图像处理技术领域，尤其涉及一种红外图像的自适应增强方法。
背景技术
现有技术中的红外图像一般呈现出分辨率低、对比度低、视觉效果模糊和信噪比低等特点。因此，通过提高红外图像的对比度来增强视觉效果，以利于后继的工作，这已成为红外图像处理技术中的一个重要内容。现有技术中的红外图像增强算法有很多，例如，邻域平均法、梯度倒数加权平滑法、中值滤波算法、空域锐化以及遗传算法等。然而，现有技术中的上述方法都是通过直接对红外灰度图像进行处理，以提高红外图像对比度，对图像进行增强。
发明内容
有鉴于此，本发明提供了一种红外图像的自适应增强方法，从而可以对采集到的红外图像进行自适应增强处理，并取得良好的增强效果，有效地改善红外目标图像的可视化效果。
本发明的技术方案具体是这样实现的：
一种红外图像的自适应增强方法，该方法包括：
根据红外图像的标定数据建立图像灰度值与等效黑体温度值的对应关系，并计算得到对应的二次曲线标定系数；
利用二次曲线标定系数把图像灰度值变换为等效黑体温度值图像；
对等效黑体温度值图像进行图像预处理，计算等效黑体温度值图像的直方图、直方图峰值和均值；
根据图像预处理后得到的等效黑体温度值图像的均值和直方图峰值，利用自适应算法计算图像拉伸阈值的上限和下限；
对等效黑体温度值图像使用直线拉伸映射算法进行拉伸增强，得到拉伸增强后的图像。
较佳的，所述根据红外图像的标定数据建立图像灰度值与等效黑体温度值的对应关系，并计算得到对应的二次曲线标定系数包括：
获取各采样点的红外图像的灰度数据，并计算各采样点的图像灰度均值；
获取各采样点的黑体温度值；
根据所获取的各采样点的图像灰度均值和黑体温度值，通过二次曲线拟合算法，计算得到图像灰度均值和黑体温度值的对应关系，得到对应的二次曲线标定系数。
较佳的，通过如下的公式计算各采样点的图像灰度均值：
其中，DN为图像灰度均值，I(m,n)为红外图像的像素灰度值矩阵，红外图像的分辨率为M×N。
较佳的，所述图像灰度均值和黑体温度值的对应关系为：
T＝a*DN*DN+b*DN+c；
其中，a、b、c为二次曲线标定系数，T为黑体温度值，DN为图像灰度均值。
较佳的，所述计算等效黑体温度值图像的直方图，获取直方图峰值，并计算图像均值包括：
假设图像的灰度级范围为[0,L-1]，其直方图为离散函数：H(k)＝nk；
其中，k＝0,1,……,L-1，nk为图像中灰度值为k的像素个数；
直方图峰值为H(k)的最大值，记为H(k)max，对应的图像灰度值记为kmax；
通过如下所述的公式计算等效黑体温度值图像的均值：
其中，DNT为等效黑体温度值图像的均值，T(m,n)为等效黑体温度值图像的像素值矩阵，等效黑体温度值图像的分辨率为M×N。
较佳的，通过如下的公式计算图像拉伸阈值的上限和下限：
其中，THL和THH分别为图像拉伸阈值的下限和上限，DNT为等效黑体温度值图像的均值，kmax为直方图峰值对应的图像像素值。
较佳的，通过如下的公式对等效黑体温度值图像进行拉伸增强：
TG(m,n)＝0；(T(m,n)<＝THL)
TG(m,n)＝(T(m,n)-THL)*255/(THH-THL)；(THL<T(m,n)<THH)；
TG(m,n)＝255；(T(m,n)>＝THH)
其中，T(m,n)和TG(m,n)分别为拉伸增强前的等效黑体温度值图像和拉伸增强后的归一化图像数值矩阵，THL和THH分别为图像拉伸阈值的下限和上限；归一化后的图像数值范围为[0,255]。
如上可见，在本发明的技术方案中，由于先根据红外图像的标定数据建立图像灰度值与等效黑体温度值的对应关系，并计算得到对应的二次曲线标定系数，然后利用二次曲线标定系数把图像灰度值变换为等效黑体温度值图像，随后对等效黑体温度值图像进行图像预处理，接着根据图像预处理后得到的等效黑体温度值图像的均值和直方图峰值，利用自适应算法计算图像拉伸阈值的上限和下限，最后对等效黑体温度值图像使用直线拉伸映射算法进行拉伸增强，得到拉伸增强后的图像。由于在本发明的方法中，并不是对红外灰度图像进行直接处理，而是先利用二次曲线变换后的图像数据进行增强操作(该二次曲线变换本身也可视为一次图像增强操作)，然后再使用图像拉伸阈值的上限和下限对红外图像进行拉伸增强，从而可以对采集到的红外图像进行自适应增强处理，并取得良好的增强效果，有效地改善了红外目标图像的可视化效果，便于人员观看和实时操作，而且也有利于目标红外图像数据的获取和对目标进行定量特性分析处理，可以应用在一种定量红外跟踪测量系统或其他相关系统中，而且适应性强，对不同环境、天气和设备条件下的红外图像都有很好的增强作用。
附图说明
图1为本发明实施例中的红外图像的自适应增强方法的流程图。
图2为本发明实施例中从红外标定图像数据获取的二次曲线的示意图。
图3为本发明实施例中的从原始红外图像的示意图。
图4为本发明实施例中的增强后的红外图像的示意图。
具体实施方式
为使本发明的技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明作进一步详细的说明。
图1为本发明实施例中的红外图像的自适应增强方法的流程图。如图1所示，本发明实施例中的红外图像的自适应增强方法包括如下所述步骤：
步骤101，根据红外图像的标定数据建立图像灰度值与等效黑体温度值的对应关系，并计算得到对应的二次曲线标定系数。
在本发明的技术方案中，红外定量跟踪测量系统在测量前或测量后将进行标定，在标定过程中将得到黑体温度值和对应的红外图像数据。而根据红外辐射理论，黑体温度值和对应的红外图像灰度值近似为二次曲线关系。图2为本发明实施例中从红外标定图像数据获取的二次曲线的示意图，如图2所示，图中的横轴为红外图像灰度值，纵轴为黑体温度值，二者近似为二次曲线关系。因此，根据二次曲线可以把图像灰度值转换为对应的黑体温度值。
所以，在本步骤中，通过对红外图像的标定数据处理，即可得到对应的二次曲线标定系数。
例如，较佳的，在本发明的一个具体实施例中，所述步骤101可以是：
步骤21，获取各采样点的红外图像的灰度数据，并计算各采样点的图像灰度均值。
例如，较佳的，在本发明的一个具体实施例中，可以通过如下的公式计算各采样点的图像灰度均值：
其中，DN为图像灰度均值，I(m,n)为红外图像的像素灰度值矩阵，红外图像的分辨率为M×N。
另外，较佳的，在本发明的一个具体实施例中，为了提取数据更加准确，可以只计算红外图像中心部分的数据，即计算位于红外图像中心部分的采样点的图像灰度均值。
步骤22，获取各采样点的黑体温度值。
在本发明的技术方案中，在标定过程中，一般最少会采集三个采样点的黑体温度值。因此，可以按顺序计算或获得各个采样点的图像灰度均值和对应的黑体温度值。
步骤23，根据所获取的各采样点的图像灰度均值和黑体温度值，通过二次曲线拟合算法，计算得到图像灰度均值和黑体温度值的对应关系，得到对应的二次曲线标定系数。
例如，较佳的，在本发明的一个具体实施例中，所述图像灰度均值和黑体温度值的对应关系可以是：
T＝a*DN*DN+b*DN+c (2)
其中，a、b、c为二次曲线标定系数，T为黑体温度值，DN为图像灰度均值。
通过上述的步骤21～23，即可得到计算得到对应的二次曲线标定系数。
步骤102，利用二次曲线标定系数把图像灰度值变换为等效黑体温度值图像。
在本发明的技术方案中，在得到二次曲线标定系数之后，即可以计算等效黑体温度值图像了。
例如，较佳的，在本发明的一个具体实施例中，可以将采集的采样点的红外图像的每个像素的灰度值代入上述的公式(2)中，即可得到该像素的等效黑体温度值。对每帧红外图像中的每个像素都进行这种处理，便可得到等效黑体温度值图像。因此，可以利用二次曲线标定系数把图像灰度值变换为等效黑体温度值图像。
步骤103，对等效黑体温度值图像进行图像预处理，计算等效黑体温度值图像的直方图、直方图峰值和均值。
在本发明的技术方案中，上述图像预处理的对象是等效黑体温度值图像，主要是计算等效黑体温度值图像的直方图、获取直方图峰值、计算图像均值等。
图像直方图所描述的是数字图像中各灰度级与其出现频率间的统计关系，其反映了一幅图像中各个灰度级出现的次数或概率。
例如，较佳的，在本发明的一个具体实施例中，所述计算等效黑体温度值图像的直方图，获取直方图峰值，并计算图像均值包括：
假设图像的灰度级范围为[0,L-1]，其直方图为离散函数：
H(k)＝nk (3)
其中，k＝0,1,……,L-1，nk为图像中灰度值为k的像素个数；
直方图峰值即为H(k)的最大值，记为H(k)max，对应的图像灰度值记为kmax；
通过如下所述的公式计算等效黑体温度值图像的均值：
其中，DNT为等效黑体温度值图像的均值，T(m,n)为等效黑体温度值图像的像素值矩阵，等效黑体温度值图像的分辨率为M×N。
步骤104，根据图像预处理后得到的等效黑体温度值图像的均值和直方图峰值，利用自适应算法计算图像拉伸阈值的上限和下限。
在本发明的技术方案，自适应图像增强的目的是抑制背景，增强目标点。空天背景目标的红外图像的特点是背景整体偏暗，目标小而偏亮。因此，拉伸阈值的设计将确保目标点亮而突出，背景弱而干净。
因此，在本步骤中，可以根据图像预处理得到的参数，利用自适应算法计算图像拉伸阈值，即图像拉伸阈值的上限和下限。
例如，较佳的，在本发明的一个具体实施例中，可以通过如下的公式计算图像拉伸阈值的上限和下限：
其中，THL和THH分别为图像拉伸阈值的下限和上限，DNT为等效黑体温度值图像的均值，kmax为直方图峰值对应的图像像素值。
步骤105，对等效黑体温度值图像使用直线拉伸映射算法进行拉伸增强，得到拉伸增强后的图像。
在本发明的技术方案，在得到图像拉伸阈值的上限和下限后，即可对等效黑体温度值图像进行拉伸增强，得到拉伸增强后的图像。
例如，较佳的，在本发明的一个具体实施例中，可以通过如下的公式对等效黑体温度值图像进行拉伸增强：
TG(m,n)＝0；(T(m,n)<＝THL)
TG(m,n)＝(T(m,n)-THL)*255/(THH-THL)；(THL<T(m,n)<THH) (6)
TG(m,n)＝255；(T(m,n)>＝THH)
其中，T(m,n)和TG(m,n)分别为拉伸增强前的等效黑体温度值图像和拉伸增强后的归一化图像数值矩阵，THL和THH分别为图像拉伸阈值的下限和上限；归一化后的图像数值范围为[0,255]，主要是便于进行显示。
通过上述的步骤101～105，即可得到增强后的红外图像。
图3为本发明一个具体实施例中的从原始红外图像的示意图。图4为本发明一个具体实施例中的增强后的红外图像的示意图。如图3和图4所示，增强后的图像背景得到抑制，目标得到增强，视觉效果明显改善。
综上所述，在本发明的技术方案中，由于先根据红外图像的标定数据建立图像灰度值与等效黑体温度值的对应关系，并计算得到对应的二次曲线标定系数，然后利用二次曲线标定系数把图像灰度值变换为等效黑体温度值图像，随后对等效黑体温度值图像进行图像预处理，接着根据图像预处理后得到的等效黑体温度值图像的均值和直方图峰值，利用自适应算法计算图像拉伸阈值的上限和下限，最后对等效黑体温度值图像使用直线拉伸映射算法进行拉伸增强，得到拉伸增强后的图像。由于在本发明的方法中，并不是对红外灰度图像进行直接处理，而是先利用二次曲线变换后的图像数据进行增强操作(该二次曲线变换本身也可视为一次图像增强操作)，然后再使用图像拉伸阈值的上限和下限对红外图像进行拉伸增强，从而可以对采集到的红外图像进行自适应增强处理，并取得良好的增强效果，有效地改善了红外目标图像的可视化效果，便于人员观看和实时操作，而且也有利于目标红外图像数据的获取和对目标进行定量特性分析处理，可以应用在一种定量红外跟踪测量系统或其他相关系统中，而且适应性强，对不同环境、天气和设备条件下的红外图像都有很好的增强作用。
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，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (4)

1.一种红外图像的自适应增强方法，其特征在于，该方法包括：
根据红外图像的标定数据建立图像灰度值与等效黑体温度值的对应关系，并计算得到对应的二次曲线标定系数；
利用二次曲线标定系数把图像灰度值变换为等效黑体温度值图像；
对等效黑体温度值图像进行图像预处理，计算等效黑体温度值图像的直方图、直方图峰值和均值；
根据图像预处理后得到的等效黑体温度值图像的均值和直方图峰值，利用自适应算法计算图像拉伸阈值的上限和下限；
对等效黑体温度值图像使用直线拉伸映射算法进行拉伸增强，得到拉伸增强后的图像。
2.根据权利要求1所述的方法，其特征在于，所述根据红外图像的标定数据建立图像灰度值与等效黑体温度值的对应关系，并计算得到对应的二次曲线标定系数包括：
获取各采样点的红外图像的灰度数据，并计算各采样点的图像灰度均值；
获取各采样点的黑体温度值；
根据所获取的各采样点的图像灰度均值和黑体温度值，通过二次曲线拟合算法，计算得到图像灰度均值和黑体温度值的对应关系，得到对应的二次曲线标定系数。
3.根据权利要求2所述的方法，其特征在于，通过如下的公式计算各采样点的图像灰度均值：
其中，DN为图像灰度均值，I(m,n)为红外图像的像素灰度值矩阵，红外图像的分辨率为M×N。
4.根据权利要求3所述的方法，其特征在于，所述图像灰度均值和黑体温度值的对应关系为：
T＝a*DN*DN+b*DN+c；
其中，a、b、c为二次曲线标定系数，T为黑体温度值，DN为图像灰度均值。
CN201710288926.9A 2017-04-27 2017-04-27 一种红外图像的自适应增强方法 Active CN107133937B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710288926.9A CN107133937B (zh) 2017-04-27 2017-04-27 一种红外图像的自适应增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710288926.9A CN107133937B (zh) 2017-04-27 2017-04-27 一种红外图像的自适应增强方法

Publications (2)

Publication Number Publication Date
CN107133937A CN107133937A (zh) 2017-09-05
CN107133937B true CN107133937B (zh) 2019-08-13

Family

ID=59715745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710288926.9A Active CN107133937B (zh) 2017-04-27 2017-04-27 一种红外图像的自适应增强方法

Country Status (1)

Country Link
CN (1) CN107133937B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229459B (zh) * 2018-01-04 2020-11-20 北京环境特性研究所 一种目标跟踪方法
CN109523472B (zh) * 2018-10-12 2023-04-14 海南大学 Retinex彩色图像增强方法、计算机视觉处理系统
CN110726475B (zh) * 2019-10-12 2020-12-04 浙江大华技术股份有限公司 红外测温标定方法、装置、红外热成像设备及存储装置
CN116543238B (zh) * 2023-07-06 2023-09-01 深圳市天迈通信技术有限公司 一种电缆绝缘层的图像检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129675A (zh) * 2011-02-24 2011-07-20 中国兵器工业系统总体部 一种非线性自适应红外图像增强方法
CN102521813A (zh) * 2011-11-21 2012-06-27 华中科技大学 基于双平台直方图的红外图像自适应增强方法
CN102693531A (zh) * 2012-01-11 2012-09-26 河南科技大学 基于自适应双平台的红外图像增强方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8170360B2 (en) * 2008-11-21 2012-05-01 Drs Rsta, Inc. Method and system for enhancing images using multi-resolution histogram shaping

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129675A (zh) * 2011-02-24 2011-07-20 中国兵器工业系统总体部 一种非线性自适应红外图像增强方法
CN102521813A (zh) * 2011-11-21 2012-06-27 华中科技大学 基于双平台直方图的红外图像自适应增强方法
CN102693531A (zh) * 2012-01-11 2012-09-26 河南科技大学 基于自适应双平台的红外图像增强方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Method of infrared image enhancement based on histogram;WANG Liang et al.;《OPTOELECTRONICS LETTERS》;20110501;第0237-0240页

Also Published As

Publication number Publication date
CN107133937A (zh) 2017-09-05

Similar Documents

Publication Publication Date Title
CN107133937B (zh) 一种红外图像的自适应增强方法
CN106296612B (zh) 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法
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
CN102789635A (zh) 一种图像增强方法和装置
CN105139366A (zh) 一种基于空间域的图像增强方法
WO2021114564A1 (zh) 一种低对比度红外图像的增强方法
CN107392095A (zh) 一种基于掩码图像的红外弱小目标检测算法
CN109359604B (zh) 面向巡检机器人的阴影干扰下仪表识别方法
CN110047055A (zh) 一种红外图像细节增强及去噪方法
CN109829858B (zh) 一种基于局部自适应阈值的船载雷达图像溢油监测方法
CN102208101A (zh) 一种红外图像的自适应线性变换增强方法
CN116993731B (zh) 基于图像的盾构机刀头缺陷检测方法
CN113313107B (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN116524196A (zh) 一种基于图像识别技术的输电线智能检测系统
CN116433663A (zh) 一种土工格室质量智能检测方法
CN116740579B (zh) 一种国土空间规划数据智能采集方法
CN103824260A (zh) 一种高分辨率遥感图像薄雾快速去除技术
CN104820972B (zh) 一种基于在轨分类统计的红外影像me噪声去除方法
CN114782561B (zh) 基于大数据的智慧农业云平台监控系统
Li et al. Detection and compensation of shadows based on ICA algorithm in remote sensing image
CN112598606B (zh) 一种基于图像分解的局部自适应红外图像增强方法
Feng et al. Calculating the leaf-area based on non-loss correction algorithm
CN111126234B (zh) 一种基于多源卫星影像的船舶自动识别方法
Di et al. The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature
CN110674782A (zh) 一种基于分数熵的红外弱小目标检测方法

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