CN107292854B - 基于局部奇异性量化分析的灰度图像增强方法 - Google Patents
基于局部奇异性量化分析的灰度图像增强方法 Download PDFInfo
- Publication number
- CN107292854B CN107292854B CN201710651537.8A CN201710651537A CN107292854B CN 107292854 B CN107292854 B CN 107292854B CN 201710651537 A CN201710651537 A CN 201710651537A CN 107292854 B CN107292854 B CN 107292854B
- Authority
- CN
- China
- Prior art keywords
- local
- local extreme
- extreme point
- point
- neighborhood
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 241001584785 Anavitrinella pampinaria Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于局部奇异性量化分析的灰度图像增强方法，包括如下步骤：检测原始图像中的局部极值点；联合SIFT特征向量和局部灰度共生矩阵来量化表示各局部极值点的局部纹理和灰度特性；量化计算各局部极值点与其邻域内其他局部极值点间的特征距离；将特征距离进行加权叠加，得到各局部极值点的局部奇异性指标；将所得各局部极值点的局部奇异性指标进行归一化，利用归一化的局部奇异性指标进行所述原始图像范围内的曲面拟合，得到原始图像中各像素点的归一化局部奇异性指标；得到原始图像中各像素点的归一化局部奇异性指标；将各点像素值乘以对应的归一化局部奇异性指标，然后将所得图像的灰度范围线性调整至图像的最大灰度动态范围，完成原始图像的灰度增强。
Description
技术领域
本发明提供一种基于局部奇异性量化分析的灰度图像增强方法，该方法可作为目标检测等技术领域中的预处理方法。涉及专利分类号G06计算；推算；计数G06T一般的图像数据处理或产生G06T5/00图像的增强或复原，如从位像到位像地建立一个类似的图形。
背景技术
在基于红外海面图像的目标检测中，图像增强技术往往被用作一种预处理手段来强调原始灰度图像的全局或局部特性，以扩大不同物体间的特征差别，增强前景像素和背景像素间的可分离度，从而为后续的目标检测提供特征更为清晰的灰度图像，以便得到更低的检测漏警率。因此，研究具有良好增强效果的灰度图像增强方法具有极其重要的理论意义和应用价值。
目前，常用的灰度图像增强方法包括频域滤波法(如低通滤波、高通滤波等)和空域变换法(如线性/非线性灰度校正、直方图均衡化、直方图规范化等)两大类。然而，在某些特殊应用场合中(如强海浪背景下的海面弱小目标检测)，以上灰度图像增强方法难以取得良好的图像增强效果，主要因为存在以下两个缺陷：
1.特征依据单一。常规图像增强方法往往仅依靠单一特征对原始灰度图像进行特性分析(如频域滤波法仅考虑原始图像灰度信息变化得快慢，而空域变换法仅考虑原始图像灰度信息的强弱)，因而缺少对图像特性的综合分析，无法在全面衡量各像素点特征的基础上，给出处理方案。如当图像中存在明显的亮度不均匀现象时，常规图像增强方法难以同时实现对亮区域和暗区域内前景像素的增强。
2.缺少对局部特性的分析。常规图像增强方法缺少对像素点局部特性的衡量，仅从图像全局角度来衡量不同像素点的特性，并依此判断该像素点应被增强还是抑制。该分析方法容易造成弱前景像素的丢失，如在检测复杂背景下的弱小目标时，从全局来看，弱小目标往往不具有明显的灰度或纹理信息，因此，常规图像增强方法会将弱小目标当作背景信息而将其抑制。
上述问题的存在，导致现有灰度图像增强方法难以在复杂环境背景下实现对不同强弱的前景像素的有效增强，导致后续的目标检测算法难以得到较低的检测漏警率。
发明内容
本发明提供一种基于局部奇异性量化分析的灰度图像增强方法，包括如下步骤：
—检测原始图像中的局部极值点，记录局部极值点在图像中的位置；
—联合SIFT特征向量和局部灰度共生矩阵来量化表示各局部极值点的局部纹理和灰度特性；
—量化计算各局部极值点与其邻域内其他局部极值点间的特征距离；将各局部极值点与其邻域内其他局部极值点间的特征距离进行加权叠加，得到各局部极值点的局部奇异性指标；
—将所得各局部极值点的局部奇异性指标进行归一化，利用归一化的局部奇异性指标进行所述原始图像范围内的曲面拟合，得到原始图像中各像素点的归一化局部奇异性指标；
—将所得各局部极值点的局部奇异性指标进行归一化，然后利用归一化的局部奇异性指标进行曲面拟合，拟合范围为原始图像的尺寸，得到原始图像中各像素点的归一化局部奇异性指标；
—将原始图像中各点像素值乘以对应的归一化局部奇异性指标，然后将所得图像的灰度范围线性调整至图像的最大灰度动态范围，完成原始图像的灰度增强。
作为优选的实施方式，所述的局部极值点的检测方法具体如下：
依据公式(8)对像素点P(即(xp,yp))进行局部极值点判定，
上式中，i和j代表局部极值点检测时的局部坐标偏移量；scale代表局部极值点检测的局部范围，实验发现，当scale设定为图像高度的3％～5％时检测得到的局部峰值点的数量和密度更有助于实现理想的图像增强效果，而本发明中优选该取值范围的中间值，即图像高度的4％作为scale的实际值。
作为优选的实施方式，所述的联合SIFT特征向量[1,2]和局部灰度共生矩阵[3]来量化表示各局部极值点的局部纹理和灰度特性的过程具体如下：
—以128维SIFT特征向量来量化表示各局部极值点的局部纹理信息,需要说明的是，在传统SIFT特征向量计算过程中，会删除在DoG空间中局部曲率不对称的特征点(即本发明中的局部极值点)，而在本发明中，为了使后续奇异性曲面拟合结果能够更真实地反映原图像中局部奇异性分布特征，将舍弃传统SIFT特征向量计算过程中对特征点的筛选步骤。；
—计算以各局部极值点为中心的局部区域内的灰度共生矩阵(局部区域尺寸可设定为(但不仅限于)图像高度的8％)；
—以SIFT特征向量和多个灰度共生矩阵联合表征各局部极值点的局部纹理和灰度特性。
更进一步的，所述的各局部极值点为图像内的全部的局部极值点。
更进一步的，计算得出灰度共生矩阵的步骤具体如下：
—以镜像对称的方式对原始图像进行边界扩展且单侧扩展尺寸为向下取整后局部区域尺寸的1/2；
—设定像素偏移量，设定包括以局部特征点中心对称的四个计算方向(0°、45°、90°和135°)，每个局部区域可生成4个灰度共生矩阵；
—以1个128维的SIFT特征向量和所述的4个灰度共生矩阵联合表征各局部极值点的局部特征，即局部极值点的局部特征可表示为(其中GLCM代表灰度共生矩阵，即GrayLevel Co-occurrence Matrix)：
(SIFT Vector,GLCM-0°,GLCM-45°，GLCM-90°，GLCM-135°) (9)
作为优选的实施方式量化计算各局部极值点与其邻域内其他局部极值点间的特征距离具体包括如下步骤：
—选定半径R，计算SIFT特征向量的距离；计算各灰度共生矩阵的归一化相关性值，取反后加1；
—利用所得到的特征值构造相应的特征距离向量，计算该向量的二范数，作为两个局部极值点间的特征距离。
—选定半径R计算各中心局部极值点与邻域内其他局部极值点间的SIFT特征向量距离：
上式中，xo代表邻域中心局部极值点的SIFT特征向量，xi代表邻域其他局部极值点的SIFT特征向量；
根据公式(11)计算各中心局部极值点与邻域内其他局部极值点间各灰度共生矩阵的差距：
上式中，Xok代表邻域中心局部极值点第k个灰度共生矩阵，Xik代表邻域内第i个局部极值点的第k个灰度共生矩阵；
中心局部极值点与邻域内其他局部极值点间的特征距离按公式(12)计算得到。
特征距离加权叠加，得到各局部极值点的局部奇异性指标具体如下：
在原始图像中每个局部极值点的邻域内，依据公式(13)加权叠加邻域中心局部极值点的各特征距离，得到该中心局部极值点的局部奇异性指标：
上式中，FDi邻域内第i个局部极值点与中心局部极值点间的特征距离，
为邻域内第i个局部极值点与中心局部极值点间的归一化加权系数，其非归一化值的计算方法如公式(14)所示：
其中，R为邻域半径，di为邻域内第i个局部极值点与中心局部极值点间的空间距离。
本发明所提出的灰度图像增强方法实用可靠，受图像平均灰度变化或亮度不均匀性的影响较小，对图像中在局部区域内同时具有较强纹理和灰度奇异性的前景像素有很高的敏感性，可以有效克服常规灰度图像增强方法中前景像素与背景像素可分离度差的问题，在全面分析像素局部奇异性的基础上，实现有效地前景像素增强和背景像素抑制的效果。
附图说明
图1示出根据本发明的一种基于局部奇异性量化分析的灰度图像增强方法的流程图；
图2示出本发明实施例所处理的原始灰度图像；
图3示出本发明实施例中生成的奇异形曲面；
图4示出本发明实施例生成的灰度图像增强效果图；
图5示出本发明实施例中选取的灰度线性拉伸对比算法产生的效果图；
图6示出本发明实施例中选取的直方图均衡化对比算法产生的效果图。
(注：在图2、图4、图5和图6中均以矩形框标记出海面目标。)
具体实施方式
本发明考虑从纹理和灰度特性出发，对灰度图像的局部奇异性进行量化分析，并在此基础上实现对灰度图像的前景增强和背景抑制。
图1示出根据本发明的基于局部奇异性量化分析的灰度图像增强方法的流程图。现给出以该方法处理一幅分辨率为640px×512px、位深为8(即灰度范围是0～255)的红外海面灰度图像的实施例，实验图像如图2所示，该图像包含两个海面目标以及海浪、云层、天空等背景干扰。具体实施步骤如下：
局部极值点检测步骤
依据公式(1)检测原图像中的局部极值点并记录各局部极值点的位置。
优选地，公式(1)中局部极值点检测的局部范围scale可设定为21px(即图像高度的4％)。
局部极值点局部特征量化步骤
首先，根据常规算法计算各局部极值点的128维SIFT特征向量[1,2]，以此表征各局部极值点的局部纹理特征。此处需要说明的是，在传统SIFT特征向量计算过程中，会删除在DoG空间中局部曲率不对称的特征点(即本发明中的局部极值点)，而在本发明中，为了使后续奇异性曲面拟合结果能够更真实地反映原图像中局部奇异性分布特征，将舍弃传统SIFT特征向量计算过程中对特征点的筛选步骤。
然后，计算以各局部极值点为中心的局部区域的灰度共生矩阵[3]，在本实施例中局部区域的尺寸设定为41px×41px。需要说明的是，在计算各灰度共生矩阵之前，本实施例先以镜像对称的方式对原图像进行边界扩展且单侧扩展尺寸为向下取整后局部区域尺寸的1/2(即20px)，以保证处于图像边界附近的局部极值点同样能够处于局部区域的中心位置。在计算各局部区域的灰度共生矩阵时，本实施例设定像素偏移为2px，且计算方向包括0°、45°、90°和135°，从而每个局部区域可生成4个灰度共生矩阵。
最后，以1个128维的SIFT特征向量和4个不同方向的灰度共生矩阵联合表征各局部极值点的局部特征。
局部极值点邻域内特征距离计算步骤
在得到各局部极值点的量化局部特征之后，将计算各局部极值点与其邻域内其他局部极值点之间的特征距离(本实施例中所设定的邻域半径R为60px)。首先，计算各中心局部极值点与邻域内其他局部极值点间的SIFT特征向量距离(本实施例中采用公式(4)所示的欧氏距离)：
上式中，xo代表邻域中心局部极值点的SIFT特征向量，xi代表邻域其他局部极值点的SIFT特征向量。
然后，参照公式(5)计算各中心局部极值点与邻域内其他局部极值点间各灰度共生矩阵的差距：
上式中，Xok代表邻域中心局部极值点第k个灰度共生矩阵，Xik代表邻域内第i个局部极值点的第k个灰度共生矩阵。
至此，中心局部极值点与邻域内其他局部极值点间的特征距离可参考式(6)计算得到：
局部极值点局部奇异性量化步骤
为量化各局部极值点的局部奇异性，需对各局部极值点与其邻域内其他局部极值点间的特征距离进行加权叠加，叠加公式及加权系数如公式(2)和(3)所示，其中，邻域半径R在本实施例中设定为60px，两像素点的空间距离采用欧氏距离。各局部极值点邻域特征距离的加权叠加结果即为该局部极值点的局部奇异性指标。
奇异性曲面拟合步骤
对各局部极值点的局部奇异性指标进行归一化，然后参考归一化后的局部奇异性指标进行奇异性曲面拟合，拟合时横坐标范围是1～640，纵坐标范围是1～512，拟合步长为1，从而得到原图像中各像素点的归一化局部奇异性指标，如图2所示。需说明的是，在开始拟合之前，为保证拟合数据的封闭性，图像4个顶点的局部奇异性指标设为与其最接近的局部极值点的局部奇异性指标。
原图像灰度校正步骤
得到归一化奇异性曲面之后，将原图像各像素点的灰度值乘以对应的归一化局部奇异性指标，然后将图像的灰度范围拉伸至0～255，完成对原始图像的前景像素增强和背景像素抑制，结果如图3所示。
在上述实施例中，本发明首先从局部纹理和灰度特性两个方面，采用SIFT特征向量和灰度共生矩阵组对各像素的局部特征进行量化表征；然后计算各像素与其邻域内其他像素间局部特征的差距，并将其归一化，从而完成对各像素局部奇异性的表征；最后，依据各像素局部奇异性的大小重新校正其灰度信息，完成对原始灰度图像的前景增强和背景抑制。
为进一步说明本发明所提出方法在灰度图像前景增强方面的优势，本实施例选取两种常用的灰度图像增强方法——灰度线性拉伸和直方图均衡化——作为对比算法。两种对比算法各自生成的结果图像如图5和图6所示。
对比图2、图4和图5可以看出，本发明方法在很好的保证前景像素灰度不被衰减的情况下，能够更好的减弱背景像素灰度，而灰度线性拉伸方法对背景抑制的效果并不明显；对比图2、图4和图6可以看出，直方图均衡化方法极大地增强了海浪等背景干扰，而前景目标的灰度并没有得到有效增强，致使目标的局部对比度明显降低，甚至肉眼已很难将靠近图像右边界的目标和海浪背景区分开来。
经统计，图2、图4、图5和图6中各目标的局部对比度如表1所示(对比度公式参照式(7)，表中将图像中间的海面目标记为目标1，将靠近图像右边界的海面目标记为目标2)。
上式中，
代表前景像素的平均灰度，
代表局部背景像素的平均灰度。
表1各图像中的目标局部对比度
| 目标编号 | 图2 | 图4(本发明方法) | 图5(灰度线性拉伸法) | 图6(直方图均衡化法) |
| 目标1 | 1.63 | 3.99 | 2.15 | 1.42 |
| 目标2 | 1.23 | 2.24 | 1.61 | 1.06 |
由上表可总结出，本发明方法分别将目标1和目标2的局部对比度提高了2.36(144.79％)和1.01(82.11％)，灰度线性拉伸法将目标1和目标2的局部对比度分别提高了0.52(31.90％)和0.38(30.89％)，而直方图均衡化法将目标1和目标2的局部对比度分别降低了0.21(12.88％)和0.17(13.82％)。由此可见，本发明方法的前景增强效果要明显优于其他两种常见的灰度图像增强方法。
此外，为进一步验证本发明方法对海面目标红外检测漏警率的影响，本实施例中还借用常规的局部峰值检测方法对上述不同增强算法处理的红外海面图像序列进行了目标检测(所处理的序列长度为1000帧图像)，经统计，三种序列图像的检测漏警率如表2所示。
表2三组序列图像各自的目标检测漏警率
| 图像序列 | 本发明方法序列 | 灰度线性拉伸方法序列 | 直方图均衡化方法序列 |
| 漏警率 | 1.25％ | 6.33％ | 41.0％ |
由上表可以看出，本发明方法处理后的图像序列所得到的漏警率最低，而直方图均衡化方法处理后的图像序列的漏警率最高。可见，相比较于常规的灰度图像增强算法，本发明方法在有效增强前景目标灰度、抑制背景强度的基础上，能够有效的降低后续目标检测算法的漏警率。
综上所述，本发明所提出的基于局部奇异性量化分析的灰度图像增强方法能够较为全面的量化分析原始灰度图像的局部奇异性。该方法着眼于图像的局部特性，且同时引入纹理和灰度特性分析，能够减弱对单一灰度信息的依赖性，当图像出现亮度不均匀或不同前景像素灰度差别较大的现象时，该方法同样能够实现较好的局部奇异性分析，从而保证在不同环境下前景像素和背景像素之间同样具有较高的可分离度，实现良好的图像前景增强效果，有助于降低后续目标检测算法的漏警率。本发明方法除适用于增强红外海面灰度图像外，还适用于增强可见光灰度图像或可见光彩色图像在不同彩色空间下的各颜色分量。
本领域技术人员还可以理解的是，本发明的保护范围并不仅限于上述实施例，所有对本发明的等同变换均落在本发明的范围内。
参考文献
[1]Lowe D G.Object recognition from local scale-invariant features[C]//Computer vision,1999.The proceedings of the seventh IEEE internationalconference on.Ieee,1999,2:1150-1157.
[2]Lowe D G.Distinctive image features from scale-invariant keypoints[J].International journal of computer vision,2004,60(2):91-110.
[3]Haralick R M,Shanmugam K.Textural features for imageclassification[J].IEEE Transactions on systems,man,and cybernetics,1973(6):610-621.
Claims (6)
1.一种基于局部奇异性量化分析的灰度图像增强方法，其特征在于包括如下步骤：
—检测原始图像中的局部极值点，记录局部极值点在图像中的位置；
—联合SIFT特征向量和局部灰度共生矩阵来量化表示各局部极值点的局部纹理和灰度特性；
—量化计算各局部极值点与其邻域内其他局部极值点间的特征距离；将各局部极值点与其邻域内其他局部极值点间的特征距离进行加权叠加，得到各局部极值点的局部奇异性指标；
—将所得各局部极值点的局部奇异性指标进行归一化，利用归一化的局部奇异性指标进行所述原始图像范围内的曲面拟合，得到原始图像中各像素点的归一化局部奇异性指标；
—将所得各局部极值点的局部奇异性指标进行归一化，然后利用归一化的局部奇异性指标进行曲面拟合，拟合范围为原始图像的尺寸，得到原始图像中各像素点的归一化局部奇异性指标；
—将原始图像中各点像素值乘以对应的归一化局部奇异性指标，然后将所得图像的灰度范围线性调整至图像的最大灰度动态范围，完成原始图像的灰度增强；
量化计算各局部极值点与其邻域内其他局部极值点间的特征距离具体包括如下步骤：
—选定半径R计算各中心局部极值点与邻域内其他局部极值点间的SIFT特征向量距离：
上式中，xo代表邻域中心局部极值点的SIFT特征向量，xi代表邻域其他局部极值点的SIFT特征向量；
根据公式(4)计算各中心局部极值点与邻域内其他局部极值点间各灰度共生矩阵的差距：
上式中，Xok代表邻域中心局部极值点第k个灰度共生矩阵，Xik代表邻域内第i个局部极值点的第k个灰度共生矩阵；
中心局部极值点与邻域内其他局部极值点间的特征距离按公式(5)计算得到：
2.根据权利要求1所述的基于局部奇异性量化分析的灰度图像增强方法，其特征还在于所述的局部极值点的检测方法具体如下：依据公式(1)对像素点P(即(xp，yp))进行局部极值点判定，
上式中，i和j代表局部极值点检测时的局部坐标偏移量；scale代表局部极值点检测的局部范围。
3.根据权利要求1所述的基于局部奇异性量化分析的灰度图像增强方法，其特征还在于所述的联合SIFT特征向和局部灰度共生矩阵来量化表示各局部极值点的局部纹理和灰度特性的过程具体如下：
—以128维SIFT特征向量来量化表示各局部极值点的局部纹理信息；
—计算以各局部极值点为中心的局部区域内的灰度共生矩阵；
—以SIFT特征向量和多个灰度共生矩阵联合表征各局部极值点的局部纹理和灰度特性。
4.根据权利要求3所述的基于局部奇异性量化分析的灰度图像增强方法，其特征还在于所述的各局部极值点为图像内的全部的局部极值点。
5.根据权利要求3所述的基于局部奇异性量化分析的灰度图像增强方法，其特征还在于计算得出灰度共生矩阵的步骤具体如下：
—以镜像对称的方式对原始图像进行边界扩展且单侧扩展尺寸为向下取整后局部区域尺寸的1/2；
—设定像素偏移量，设定包括以局部特征点中心对称的四个计算方向0°、45°、90°和135°，每个局部区域可生成4个灰度共生矩阵；
—以1个128维的SIFT特征向量和所述的4个灰度共生矩阵联合表征各局部极值点的局部特征，即局部极值点的局部特征可表示为：
(SIFT Vector，GLCM-0°，GLCM-45°，GLCM-90°，GLCM-135°) (2)
其中GLCM代表灰度共生矩阵，即Gray Level Co-occurrence Matrix。
6.根据权利要求1所述的基于局部奇异性量化分析的灰度图像增强方法，其特征还在于特征距离加权叠加，得到各局部极值点的局部奇异性指标具体如下：
在原始图像中每个局部极值点的邻域内，依据公式(6)加权叠加邻域中心局部极值点的各特征距离，得到该中心局部极值点的局部奇异性指标：
上式中，FDi为邻域内第i个局部极值点与中心局部极值点间的特征距离，
为邻域内第i个局部极值点与中心局部极值点间的归一化加权系数，其非归一化值的计算方法如公式(7)所示：
其中，R为邻域半径，di为邻域内第i个局部极值点与中心局部极值点间的空间距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710651537.8A CN107292854B (zh) | 2017-08-02 | 2017-08-02 | 基于局部奇异性量化分析的灰度图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710651537.8A CN107292854B (zh) | 2017-08-02 | 2017-08-02 | 基于局部奇异性量化分析的灰度图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107292854A CN107292854A (zh) | 2017-10-24 |
| CN107292854B true CN107292854B (zh) | 2021-04-23 |
Family
ID=60104247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710651537.8A Expired - Fee Related CN107292854B (zh) | 2017-08-02 | 2017-08-02 | 基于局部奇异性量化分析的灰度图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107292854B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111899202B (zh) * | 2020-05-19 | 2024-03-15 | 武汉东智科技股份有限公司 | 一种视频图像中叠加时间字符的增强方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310414A (zh) * | 2013-03-06 | 2013-09-18 | 西安电子科技大学 | 基于方向波变换和模糊理论的图像增强方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7952646B2 (en) * | 2006-12-27 | 2011-05-31 | Intel Corporation | Method and apparatus for content adaptive spatial-temporal motion adaptive noise reduction |
| US9500599B2 (en) * | 2014-01-23 | 2016-11-22 | Samsung Electronics Co., Ltd. | Surface inspection apparatus for semiconductor chips |
-
2017
- 2017-08-02 CN CN201710651537.8A patent/CN107292854B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310414A (zh) * | 2013-03-06 | 2013-09-18 | 西安电子科技大学 | 基于方向波变换和模糊理论的图像增强方法 |
Non-Patent Citations (5)
| Title |
|---|
| Robust detection of small infrared objects in maritime scenarios using local minimum patterns and spatio-temporal context;Baojun Qi; Tao Wu; Hangen He;《Optical Engineering》;20120312;第51卷(第2期);027205-1--027205-12 * |
| Robust infrared maritime target detection based on visual attention and spatiotemporal filtering;Lili Dong, Bin Wang, Ming Zhao, and Wenhai Xu;《IEEE Transactions on Geoscience and Remote Sensing》;20170217;第55卷(第5期);3037-3050 * |
| Texture orientation-based algorithm for detecting infrared maritime targets;Bin Wang, Lili Dong, Ming Zhao, Houde Wu, and Wenhai Xu;《Applied Optics》;20150513;第54卷(第15期);4689-4697 * |
| 基于信号奇异性分析的小目标检测方法;许彬，郑链，王克勇，宋承天;《红外技术》;20050531;第127卷(第3期);245-249 * |
| 基于纹理特征的SIFT算法改进;白亚茜，刘著平，凌建国;《红外技术》;20160908;第38卷(第8期);705-708 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107292854A (zh) | 2017-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
| Wan et al. | Joint exact histogram specification and image enhancement through the wavelet transform | |
| Srinivasan et al. | Statistical texture analysis | |
| CN104103082A (zh) | 一种基于区域描述和先验知识的图像显著性检测方法 | |
| CN104463814B (zh) | 基于局部纹理方向性的图像增强方法 | |
| CN111462092A (zh) | 一种基于深度学习的保温杯表面的缺陷检测方法 | |
| Krishnan et al. | A survey on different edge detection techniques for image segmentation | |
| CN105405138B (zh) | 基于显著性检测的水面目标跟踪方法 | |
| Lee et al. | Edge detection analysis | |
| Halder et al. | Edge detection: A statistical approach | |
| Tang et al. | Image edge detection based on singular value feature vector and gradient operator | |
| Lee et al. | Two-stage false contour detection using directional contrast and its application to adaptive false contour reduction | |
| CN114359083B (zh) | 一种面向干扰环境的高动态热红外图像自适应预处理方法 | |
| CN112164079A (zh) | 一种声呐图像分割方法 | |
| CN118052818A (zh) | 一种砂型3d打印机的表面质量视觉检测方法 | |
| CN107292854B (zh) | 基于局部奇异性量化分析的灰度图像增强方法 | |
| CN116596922B (zh) | 一种太阳能热水器生产质量检测方法 | |
| Tang et al. | Image denoising using K-SVD and non-local means | |
| CN113792746B (zh) | 基于Yolo V3的探地雷达图像目标检测方法 | |
| Fu | Texture feature extraction and recognition of underwater target image considering incomplete tree wavelet decomposition | |
| Schug et al. | Three-dimensional shearlet edge analysis | |
| CN113362257A (zh) | 基于自适应加权边缘检测的全变分图像去噪方法 | |
| CN113408615A (zh) | 一种基于光学卫星遥感影像的船只自动匹配方法 | |
| Peng et al. | Infrared small target detection under complex background | |
| Han et al. | Image cascade matching method based on an improved random sampling consistency algorithm |
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 | ||
| 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: 20210423 |