CN107945122A - 基于自适应直方图分段的红外图像增强方法及系统 - Google Patents
基于自适应直方图分段的红外图像增强方法及系统 Download PDFInfo
- Publication number
- CN107945122A CN107945122A CN201711086688.XA CN201711086688A CN107945122A CN 107945122 A CN107945122 A CN 107945122A CN 201711086688 A CN201711086688 A CN 201711086688A CN 107945122 A CN107945122 A CN 107945122A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- histogram
- mtd
- segmentation
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 241001270131 Agaricus moelleri Species 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000000205 computational method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000003389 potentiating effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Facsimile Image Signal Circuits (AREA)
- Picture Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于自适应直方图分段的红外图像增强方法及系统，包括自适应的将红外图像统计直方图分割为若干段，对于背景分段进行抑制，分配较小的动态范围，对于目标分段进行增强，分配较大的动态范围；根据直方图每个分段的属性分配其在增强图像中的动态范围；在所述分配的动态范围内对各分段内的灰度进行灰度映射。本发明的增强方法增强对比度高，图像清晰，视觉效果好。
Description
技术领域
本发明涉及红外图像增强技术领域，具体地说，本发明涉及一种基于自适应直方图分段的红外图像增强技术方案。
背景技术
红外成像系统抗干扰能力强，隐蔽性能好，大气穿透能力强，能够适应多种特殊场合。但是由于红外探测器自身特性，如灵敏度高、动态范围大等特性，以及复杂工作环境中的各种噪声干扰，导致红外图像呈现出高背景，低反差的特点。具体表现为成像场景在整个红外成像系统的动态范围中只占了很小一部分，图像对比度差，模糊不清。因此需要对原始红外图像进行图像增强，从而提高红外图像的对比度，改善图像的视觉效果。
目前，主流的红外图像增强方法有局部映射法和全局映射法。二者的本质区别是是否依据局部的图像信息来指导灰度值的映射。一般而言，局部映射法能够取得较好的增强效果，这是由于全局映射法只能根据较为宏观的信息来进行图像的增强，很容易产生过度增强的问题。但是，由于局部映射法会打乱原有灰度值的顺序，而红外图像中像素的明暗代表的是温度的高低，这会对一些温度敏感的应用产生困扰。如果在全局映射法的框架下，提高增强的效果，一直以来都是一个难题。
发明内容
本发明的目的在于提供一种红外图像的增强技术方案，通过自适应的将直方图进行分段，并根据每个分段的属性判断其是属于背景还是目标，然后采取相应的不同的增强策略。经本发明处理后的图像对比度高，细节清晰，质量好。
本发明的技术方案包括一种基于自适应直方图分段的红外图像增强方法，包括以下步骤：
步骤1，将红外图像统计直方图自适应的分割为若干段，对于背景分段进行抑制，分配较小的动态范围，对于目标分段进行增强，分配较大的动态范围；
步骤2，根据直方图每个分段的平均直方图值AHV分配其在增强图像中的动态范围；
步骤3，在所述分配的动态范围内对各分段内的灰度进行灰度映射，得到增强后的红外图像。
而且，步骤1中，所述将红外图像统计直方图自适应的分割为若干段，包括以下过程，
步骤1.1，对输入的红外图像进行直方图统计，得到输入图像的直方图h(x)＝nx，x＝0,1,…,L-1；其中nx表示灰度值为x的灰度在图像中出现的次数，L为图像的灰度级数目；
步骤1.2，剔除直方图h(x)中为0的元素，得到非0直方图hv(t)，设共有T个非零元素，则t＝1,2,…,T，相应数学定义如下，
步骤1.3，剔除非0直方图hv(t)两端a×T个元素，得到新的直方图hr(s)，相应数学定义如下，
其中，a为预设参数，表示向下取整；
步骤1.4，用方差参数为σ的高斯滤波器对hr(s)进行滤波，参数σ为预设值；
步骤1.5，以宽度为W的窗口遍历滤波后的hr(s)，当窗口中心的元素小于其它窗口内元素时，记为局部最小值，其中hr(s)的第一个元素和最后一个元素也视为局部最小值，经过窗口的遍历得到各局部最小值对应灰度的集合{s1,s2,…,sM}，M为局部最小值的数目，则直方图被自适应的分为[s1,s2],[s2,s3],…,[sM-1,sM]共计M-1个分段。
而且，步骤2中，所述根据直方图每个分段的平均直方图值AHV分配其在增强图像中的动态范围，包括以下过程，
步骤2.1，计算每个分段的平均直方图值AHV，相应定义如下，
其中，N_subi为第i个分段内的灰度级数，n为图像的总像素个数，min{,}表示取其中的最小值，CDFi为第i个分段内所有灰度的累计统计概率，定义如下，
步骤2.2，根据下式，为每个直方图分段分配其在增强图像中的动态范围D：
其中，Dj是第j个分段在增强图像中的动态范围，表示满足平均直方图值小于等于阈值TH的所有分段，GCDFi是第i个分段伽马变换后的累计统计概率，AHVi是第i个分段的平均直方图值。
而且，TH和GCDFi的计算方式如下，
TH＝β×n/T,
GCDFi＝(CDFi)γ+0.1×η,
η＝(maxi-s1)/(sM-s1),
其中，β为预设参数，maxi为第i分段中最大的灰度值，η、γ是伽马变换中的参数。
而且，步骤3中，在所述分配的动态范围内对各分段内的灰度进行灰度映射时，映射关系定义如下，
其中，Y(x)表示原图中灰度值x在增强后图像中所映射的灰度值。
本发明提供一种基于自适应直方图分段的红外图像增强系统，包括以下模块：
第一模块，用于将红外图像统计直方图自适应的分割为若干段，对于背景分段进行抑制，分配较小的动态范围，对于目标分段进行增强，分配较大的动态范围；
第二模块，用于根据直方图每个分段的平均直方图值AHV分配其在增强图像中的动态范围；
第三模块，用于在所述分配的动态范围内对各分段内的灰度进行灰度映射，得到增强后的红外图像。
而且，第一模块中包括以下单元，
第一单元，用于对输入的红外图像进行直方图统计，得到输入图像的直方图h(x)＝nx，x＝0,1,…,L-1；其中nx表示灰度值为x的灰度在图像中出现的次数，L为图像的灰度级数目；
第二单元，用于剔除直方图h(x)中为0的元素，得到非0直方图hv(t)，设共有T个非零元素，则t＝1,2,…,T，相应数学定义如下，
第三单元，用于剔除非0直方图hv(t)两端a×T个元素，得到新的直方图hr(s)，相应数学定义如下，
其中，a为预设参数，表示向下取整；
第四单元，用于用方差参数为σ的高斯滤波器对hr(s)进行滤波，参数σ为预设值；
第五单元，用于以宽度为W的窗口遍历滤波后的hr(s)，当窗口中心的元素小于其它窗口内元素时，记为局部最小值，其中hr(s)的第一个元素和最后一个元素也视为局部最小值，经过窗口的遍历得到各局部最小值对应灰度的集合{s1,s2,…,sM}，M为局部最小值的数目，则直方图被自适应的分为[s1,s2],[s2,s3],…,[sM-1,sM]共计M-1个分段。
而且，第二模块中包括以下单元，
第一单元，用于计算每个分段的平均直方图值AHV，相应定义如下，
其中，N_subi为第i个分段内的灰度级数，n为图像的总像素个数，min{,}表示取其中的最小值，CDFi为第i个分段内所有灰度的累计统计概率，定义如下，
第二单元，用于根据下式，为每个直方图分段分配其在增强图像中的动态范围D：
其中，Dj是第j个分段在增强图像中的动态范围，表示满足平均直方图值小于等于阈值TH的所有分段，GCDFi是第i个分段伽马变换后的累计统计概率，AHVi是第i个分段的平均直方图值。
而且，TH和GCDFi的计算方式如下，
TH＝β×n/T,
GCDFi＝(CDFi)γ+0.1×η,
η＝(maxi-s1)/(sM-s1),
其中，β为预设参数，maxi为第i分段中最大的灰度值，η、γ是伽马变换中的参数。
而且，第三模块中，在所述分配的动态范围内对各分段内的灰度进行灰度映射时，映射关系定义如下，
其中，Y(x)表示原图中灰度值x在增强后图像中所映射的灰度值。
本发明的增强方法通过对直方图的自适应分段，从而能够分析每个分段的具体属性，对于背景分段进行抑制，分配较小的动态范围，对于目标分段进行增强，分配较大的动态范围，实现了有限动态范围下的高效利用，增强后的图像对比度高，视觉效果好。
附图说明
图1为本发明实施例基于自适应直方图分段的红外图像增强方法流程图。
图2为本发明实施例自适应分段的结果示意图。
图3为本发明实施例动态范围分配以及灰度映射结果示意图。
具体实施方式
下面结合附图和实施例对本发明进行进一步说明。
本发明公开了一种基于自适应直方图分段的红外图像增强方法，包括以下步骤：自适应的将红外图像统计直方图分割为若干段；根据直方图每个分段的属性分配其在增强图像中的动态范围；在所述分配的动态范围内对各分段内的灰度进行灰度映射。本发明的增强方法增强对比度高，图像清晰，视觉效果好。
如图1所示，本发明实施例基于边缘提取的红外直方图增强方法包括以下步骤：
步骤1：将红外图像统计直方图自适应的分割为若干段；包含以下具体步骤：
步骤1.1：对输入的红外图像进行直方图统计，得到输入图像的直方图h(x)＝nx，x＝0,1,…,L-1；其中nx表示灰度值为x的灰度在图像中出现的次数，L为图像的灰度级数目，例如14bit的图像，L＝16384；
步骤1.2：剔除直方图h(x)中为0的元素，得到非0直方图hv(t)，假设共有T个非零元素，则t＝1,2,…,T，该步骤的数学定义如下：
步骤1.3：剔除非0直方图hv(t)两端a×T个元素，得到新的直方图hr(s)，该步骤的数学定义如下：
其中，a为预设参数，表示向下取整；具体实施时，a根据探测器盲元率选择，一般在0～0.01取值，实施例中取0.005；
步骤1.4：用方差参数为σ的高斯滤波器对hr(s)进行滤波，参数σ为预设值，设为T×0.1％；
步骤1.5：以宽度为W的窗口遍历滤波后的hr(s)，当窗口中心的元素小于其它窗口内元素时，记为局部最小值，其中hr(s)的第一个元素和最后一个元素也视为局部最小值，则经过窗口的遍历得到各局部最小值对应灰度的集合{s1,s2,…,sM}，M为局部最小值的数目，则直方图被自适应的分为[s1,s2],[s2,s3],…,[sM-1,sM]共计M-1个分段。
具体实施时，优选W＝T/50～T/100。
如图2所示，即为M＝7的一个分段结果示意图。直方图被分割为6个“峰”形状的分段，分别为s1,s2,…,s7。
步骤2：根据直方图每个分段的平均直方图值AHV分配其在增强图像中的动态范围；包含以下具体步骤：
步骤2.1：计算每个分段的平均直方图值AHV，其定义如下：
其中，N_subi为第i个分段内的灰度级数，n为图像的总像素个数，min{,}表示取其中的最小值，CDFi为第i个分段内所有灰度的累计统计概率，定义如下：
步骤2.2：根据下式，为每个直方图分段分配其在增强图像中的动态范围D：
其中，Dj是第j个分段在增强图像中的动态范围，表示满足平均直方图值小于等于阈值TH的所有分段，GCDFi是第i个分段伽马变换后的累计统计概率，AHVi是第i个分段的平均直方图值；TH和GCDFi的计算方法如下：
TH＝β×n/T,
GCDFi＝(CDFi)γ+0.1×η,
η＝(maxi-s1)/(sM-s1),
其中，β为预设参数，maxi为第i分段中最大的灰度值，η、γ是伽马变换中的参数，γ取0.55，β取2-6之间。
步骤3：在所述分配的动态范围内对各分段内的灰度进行灰度映射，得到增强后的红外图像。具体映射关系定义如下：
其中Y(x)表示原图中灰度值x在增强后图像中所映射的灰度值。
具体实施时，本发明所提供方法可基于软件技术实现自动运行流程，也可采用模块化方式实现相应系统。
本发明提供一种基于自适应直方图分段的红外图像增强系统，包括以下模块：
第一模块，用于将红外图像统计直方图自适应的分割为若干段，对于背景分段进行抑制，分配较小的动态范围，对于目标分段进行增强，分配较大的动态范围；
第二模块，用于根据直方图每个分段的平均直方图值AHV分配其在增强图像中的动态范围；
第三模块，用于在所述分配的动态范围内对各分段内的灰度进行灰度映射，得到增强后的红外图像。
各模块具体实现可参见相应步骤，本发明不予赘述。
如图3所示，即为动态范围分配以及灰度映射结果示意图。可以看到形状最陡峭的分段被判定为背景分段，因此其分配的动态范围没有得到扩大，其余分段的动态范围均得到了不同程度的扩大。
经实验对比，扫描型红外系统输出的、分辨率大小为1024×1280的红外图像。该红外图像未经过图像增强处理，可以看到，图像对比度差，图像细节难以分辨。
经过本发明增强方法处理得到的红外图像。可以看到，图像对比度得到了增强，图像背景均匀。
经过传统直方图均衡化增强方法(HE)处理得到的红外图像。可以看到，虽然图像对比度得到了增强，但是背景的噪声也增强了。
经过直方图均匀四分段增强方法(EHPE)处理得到的红外图像。可以看到，图像对比度没有得到有效的增强。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
Claims (10)
1.一种基于自适应直方图分段的红外图像增强方法，其特征在于，包括以下步骤：
步骤1，将红外图像统计直方图自适应的分割为若干段，对于背景分段进行抑制，分配较小的动态范围，对于目标分段进行增强，分配较大的动态范围；
步骤2，根据直方图每个分段的平均直方图值AHV分配其在增强图像中的动态范围；
步骤3，在所述分配的动态范围内对各分段内的灰度进行灰度映射，得到增强后的红外图像。
2.根据权利要求1所述基于自适应直方图分段的红外图像增强方法，其特征在于：步骤1中，所述将红外图像统计直方图自适应的分割为若干段，包括以下过程，
步骤1.1，对输入的红外图像进行直方图统计，得到输入图像的直方图h(x)＝nx，x＝0,1,…,L-1；其中nx表示灰度值为x的灰度在图像中出现的次数，L为图像的灰度级数目；
步骤1.2，剔除直方图h(x)中为0的元素，得到非0直方图hv(t)，设共有T个非零元素，则t＝1,2,…,T，相应数学定义如下，
<mrow>
<mo>{</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&ForAll;</mo>
<mi>x</mi>
<mo>:</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&NotEqual;</mo>
<mn>0</mn>
<mo>}</mo>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>h</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>T</mi>
<mo>}</mo>
<mo>,</mo>
</mrow>
步骤1.3，剔除非0直方图hv(t)两端a×T个元素，得到新的直方图hr(s)，相应数学定义如下，
其中，a为预设参数，表示向下取整；
步骤1.4，用方差参数为σ的高斯滤波器对hr(s)进行滤波，参数σ为预设值；
步骤1.5，以宽度为W的窗口遍历滤波后的hr(s)，当窗口中心的元素小于其它窗口内元素时，记为局部最小值，其中hr(s)的第一个元素和最后一个元素也视为局部最小值，经过窗口的遍历得到各局部最小值对应灰度的集合{s1,s2,…,sM}，M为局部最小值的数目，则直方图被自适应的分为[s1,s2],[s2,s3],…,[sM-1,sM]共计M-1个分段。
3.根据权利要求1所述基于自适应直方图分段的红外图像增强方法，其特征在于：步骤2中，所述根据直方图每个分段的平均直方图值AHV分配其在增强图像中的动态范围，包括以下过程，
步骤2.1，计算每个分段的平均直方图值AHV，相应定义如下，
<mrow>
<msub>
<mi>AHV</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>n</mi>
<mo>&times;</mo>
<msub>
<mi>CDF</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mi>N</mi>
<mo>_</mo>
<msub>
<mi>sub</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
其中，N_subi为第i个分段内的灰度级数，n为图像的总像素个数，min{,}表示取其中的最小值，CDFi为第i个分段内所有灰度的累计统计概率，定义如下，
<mrow>
<msub>
<mi>CDF</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
</munder>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>n</mi>
<mo>,</mo>
</mrow>
步骤2.2，根据下式，为每个直方图分段分配其在增强图像中的动态范围D：
<mrow>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>&times;</mo>
<mfrac>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>AHV</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<mi>T</mi>
<mi>H</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>&ForAll;</mo>
<mi>j</mi>
<mo>:</mo>
<msub>
<mi>AHV</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<mi>T</mi>
<mi>H</mi>
</mrow>
</munder>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
<mo>&times;</mo>
<mfrac>
<mrow>
<msub>
<mi>GCDF</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>&ForAll;</mo>
<mi>j</mi>
<mo>:</mo>
<msub>
<mi>AHV</mi>
<mi>j</mi>
</msub>
<mo>&le;</mo>
<mi>T</mi>
<mi>H</mi>
</mrow>
</munder>
<msub>
<mi>GCDF</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>AHV</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>T</mi>
<mi>H</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中，Dj是第j个分段在增强图像中的动态范围，表示满足平均直方图值小于等于阈值TH的所有分段，GCDFi是第i个分段伽马变换后的累计统计概率，AHVi是第i个分段的平均直方图值。
4.根据权利要求3所述基于自适应直方图分段的红外图像增强方法，其特征在于：TH和GCDFi的计算方式如下，
TH＝β×n/T,
GCDFi＝(CDFi)γ+0.1×η,
η＝(maxi-s1)/(sM-s1),
其中，β为预设参数，maxi为第i分段中最大的灰度值，η、γ是伽马变换中的参数。
5.根据权利要求3或4所述基于自适应直方图分段的红外图像增强方法，其特征在于：步骤3中，在所述分配的动态范围内对各分段内的灰度进行灰度映射时，映射关系定义如下，
<mrow>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&rsqb;</mo>
<mo>,</mo>
<msub>
<mi>AHV</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<mi>T</mi>
<mi>H</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mfrac>
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>n</mi>
</mrow>
<mrow>
<msub>
<mi>CDF</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&rsqb;</mo>
<mo>,</mo>
<msub>
<mi>AHV</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>T</mi>
<mi>H</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中，Y(x)表示原图中灰度值x在增强后图像中所映射的灰度值。
6.一种基于自适应直方图分段的红外图像增强系统，其特征在于，包括以下模块：
第一模块，用于将红外图像统计直方图自适应的分割为若干段，对于背景分段进行抑制，分配较小的动态范围，对于目标分段进行增强，分配较大的动态范围；
第二模块，用于根据直方图每个分段的平均直方图值AHV分配其在增强图像中的动态范围；
第三模块，用于在所述分配的动态范围内对各分段内的灰度进行灰度映射，得到增强后的红外图像。
7.根据权利要求6所述基于自适应直方图分段的红外图像增强系统，其特征在于：第一模块中包括以下单元，
第一单元，用于对输入的红外图像进行直方图统计，得到输入图像的直方图h(x)＝nx，x＝0,1,…,L-1；其中nx表示灰度值为x的灰度在图像中出现的次数，L为图像的灰度级数目；
第二单元，用于剔除直方图h(x)中为0的元素，得到非0直方图hv(t)，设共有T个非零元素，则t＝1,2,…,T，相应数学定义如下，
<mrow>
<mo>{</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&ForAll;</mo>
<mi>x</mi>
<mo>:</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&NotEqual;</mo>
<mn>0</mn>
<mo>}</mo>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>h</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>T</mi>
<mo>}</mo>
<mo>,</mo>
</mrow>
第三单元，用于剔除非0直方图hv(t)两端a×T个元素，得到新的直方图hr(s)，相应数学定义如下，
其中，a为预设参数，表示向下取整；
第四单元，用于用方差参数为σ的高斯滤波器对hr(s)进行滤波，参数σ为预设值；
第五单元，用于以宽度为W的窗口遍历滤波后的hr(s)，当窗口中心的元素小于其它窗口内元素时，记为局部最小值，其中hr(s)的第一个元素和最后一个元素也视为局部最小值，经过窗口的遍历得到各局部最小值对应灰度的集合{s1,s2,…,sM}，M为局部最小值的数目，则直方图被自适应的分为[s1,s2],[s2,s3],…,[sM-1,sM]共计M-1个分段。
8.根据权利要求6所述基于自适应直方图分段的红外图像增强系统，其特征在于：第二模块中包括以下单元，
第一单元，用于计算每个分段的平均直方图值AHV，相应定义如下，
<mrow>
<msub>
<mi>AHV</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>n</mi>
<mo>&times;</mo>
<msub>
<mi>CDF</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mi>N</mi>
<mo>_</mo>
<msub>
<mi>sub</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
其中，N_subi为第i个分段内的灰度级数，n为图像的总像素个数，min{,}表示取其中的最小值，CDFi为第i个分段内所有灰度的累计统计概率，定义如下，
<mrow>
<msub>
<mi>CDF</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
</munder>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>n</mi>
<mo>,</mo>
</mrow>
第二单元，用于根据下式，为每个直方图分段分配其在增强图像中的动态范围D：
<mrow>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>&times;</mo>
<mfrac>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>AHV</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<mi>T</mi>
<mi>H</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>&ForAll;</mo>
<mi>j</mi>
<mo>:</mo>
<msub>
<mi>AHV</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<mi>T</mi>
<mi>H</mi>
</mrow>
</munder>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
<mo>&times;</mo>
<mfrac>
<mrow>
<msub>
<mi>GCDF</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>&ForAll;</mo>
<mi>j</mi>
<mo>:</mo>
<msub>
<mi>AHV</mi>
<mi>j</mi>
</msub>
<mo>&le;</mo>
<mi>T</mi>
<mi>H</mi>
</mrow>
</munder>
<msub>
<mi>GCDF</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>AHV</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>T</mi>
<mi>H</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中，Dj是第j个分段在增强图像中的动态范围，表示满足平均直方图值小于等于阈值TH的所有分段，GCDFi是第i个分段伽马变换后的累计统计概率，AHVi是第i个分段的平均直方图值。
9.根据权利要求8所述基于自适应直方图分段的红外图像增强系统，其特征在于：TH和GCDFi的计算方式如下，
TH＝β×n/T,
GCDFi＝(CDFi)γ+0.1×η,
η＝(maxi-s1)/(sM-s1),
其中，β为预设参数，maxi为第i分段中最大的灰度值，η、γ是伽马变换中的参数。
10.根据权利要求8或9所述基于自适应直方图分段的红外图像增强系统，其特征在于：第三模块中，在所述分配的动态范围内对各分段内的灰度进行灰度映射时，映射关系定义如下，
<mrow>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&rsqb;</mo>
<mo>,</mo>
<msub>
<mi>AHV</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<mi>T</mi>
<mi>H</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mfrac>
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>n</mi>
</mrow>
<mrow>
<msub>
<mi>CDF</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&rsqb;</mo>
<mo>,</mo>
<msub>
<mi>AHV</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>T</mi>
<mi>H</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中，Y(x)表示原图中灰度值x在增强后图像中所映射的灰度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711086688.XA CN107945122B (zh) | 2017-11-07 | 2017-11-07 | 基于自适应直方图分段的红外图像增强方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711086688.XA CN107945122B (zh) | 2017-11-07 | 2017-11-07 | 基于自适应直方图分段的红外图像增强方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107945122A true CN107945122A (zh) | 2018-04-20 |
| CN107945122B CN107945122B (zh) | 2021-10-22 |
Family
ID=61933448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711086688.XA Active CN107945122B (zh) | 2017-11-07 | 2017-11-07 | 基于自适应直方图分段的红外图像增强方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107945122B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629754A (zh) * | 2018-05-03 | 2018-10-09 | 中国人民解放军国防科技大学 | 一种isar图像自适应细节增强方法 |
| CN109102479A (zh) * | 2018-06-29 | 2018-12-28 | 中国船舶重工集团公司第七〇五研究所 | 一种新图像算子的声纳目标增强方法 |
| CN109741276A (zh) * | 2018-12-28 | 2019-05-10 | 华中科技大学鄂州工业技术研究院 | 一种基于滤波分层框架的红外图像基本层处理方法及系统 |
| CN109767402A (zh) * | 2019-01-17 | 2019-05-17 | 中科威晟(天津)光电科技有限公司 | 一种基于直方图统计的非制冷红外热像自适应映射方法 |
| CN109858449A (zh) * | 2019-02-01 | 2019-06-07 | 安谋科技（中国）有限公司 | 图像处理方法、装置、介质及系统 |
| US20190392311A1 (en) * | 2018-06-21 | 2019-12-26 | Deep Force Ltd. | Method for quantizing a histogram of an image, method for training a neural network and neural network training system |
| WO2021189222A1 (zh) * | 2020-03-24 | 2021-09-30 | 华为技术有限公司 | 图像增强处理方法和装置 |
| WO2024198594A1 (zh) * | 2023-03-24 | 2024-10-03 | 浙江宇视科技有限公司 | 图像处理方法、装置、电子设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102208101A (zh) * | 2011-04-29 | 2011-10-05 | 中国航空工业集团公司洛阳电光设备研究所 | 一种红外图像的自适应线性变换增强方法 |
| 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 |
| CN106127713A (zh) * | 2016-06-30 | 2016-11-16 | 山东中安科创光电科技有限公司 | 弱小气体泄漏目标增强与快速实现方法 |
| US20170262986A1 (en) * | 2016-03-14 | 2017-09-14 | Sensors Unlimited, Inc. | Image-based signal detection for object metrology |
-
2017
- 2017-11-07 CN CN201711086688.XA patent/CN107945122B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102208101A (zh) * | 2011-04-29 | 2011-10-05 | 中国航空工业集团公司洛阳电光设备研究所 | 一种红外图像的自适应线性变换增强方法 |
| 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 |
| US20170262986A1 (en) * | 2016-03-14 | 2017-09-14 | Sensors Unlimited, Inc. | Image-based signal detection for object metrology |
| CN106127713A (zh) * | 2016-06-30 | 2016-11-16 | 山东中安科创光电科技有限公司 | 弱小气体泄漏目标增强与快速实现方法 |
Non-Patent Citations (4)
| Title |
|---|
| YI LI等: ""Infrared image enhancement based on atmospheric scattering model and histogram equalization"", 《OPTICS & LASER TECHNOLOGY》 * |
| ZHANG JIE等: ""Research on Infrared Image Enhancement Algorithm Based on Histogram"", 《PROCEEDINGS OF SPIE-THE INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING》 * |
| 张海朝等: ""一种自适应红外图像增强算法"", 《兰州理工大学学报》 * |
| 武治国等: ""一种基于直方图非线性变换的图像对比度增强方法"", 《光子学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629754A (zh) * | 2018-05-03 | 2018-10-09 | 中国人民解放军国防科技大学 | 一种isar图像自适应细节增强方法 |
| US20190392311A1 (en) * | 2018-06-21 | 2019-12-26 | Deep Force Ltd. | Method for quantizing a histogram of an image, method for training a neural network and neural network training system |
| CN109102479A (zh) * | 2018-06-29 | 2018-12-28 | 中国船舶重工集团公司第七〇五研究所 | 一种新图像算子的声纳目标增强方法 |
| CN109741276A (zh) * | 2018-12-28 | 2019-05-10 | 华中科技大学鄂州工业技术研究院 | 一种基于滤波分层框架的红外图像基本层处理方法及系统 |
| CN109741276B (zh) * | 2018-12-28 | 2022-09-13 | 华中科技大学鄂州工业技术研究院 | 一种基于滤波分层框架的红外图像基本层处理方法及系统 |
| CN109767402A (zh) * | 2019-01-17 | 2019-05-17 | 中科威晟(天津)光电科技有限公司 | 一种基于直方图统计的非制冷红外热像自适应映射方法 |
| CN109858449A (zh) * | 2019-02-01 | 2019-06-07 | 安谋科技（中国）有限公司 | 图像处理方法、装置、介质及系统 |
| WO2021189222A1 (zh) * | 2020-03-24 | 2021-09-30 | 华为技术有限公司 | 图像增强处理方法和装置 |
| WO2024198594A1 (zh) * | 2023-03-24 | 2024-10-03 | 浙江宇视科技有限公司 | 图像处理方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107945122B (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107945122A (zh) | 基于自适应直方图分段的红外图像增强方法及系统 | |
| CN108986050B (zh) | 一种基于多分支卷积神经网络的图像和视频增强方法 | |
| US11263434B2 (en) | Fast side-face interference resistant face detection method | |
| CN108876743B (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
| CN105225210B (zh) | 一种基于暗通道的自适应直方图增强去雾方法 | |
| CN103606137B (zh) | 保持背景和细节信息的直方图均衡化方法 | |
| EP3819859B1 (en) | Sky filter method for panoramic images and portable terminal | |
| CN105046677B (zh) | 一种用于交通视频图像的增强处理方法和装置 | |
| CN103699900B (zh) | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 | |
| CN109740721B (zh) | 麦穗计数方法及装置 | |
| CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN104517110A (zh) | 一种二维码图像的二值化方法及系统 | |
| CN103942758A (zh) | 基于多尺度融合的暗通道先验图像去雾方法 | |
| CN107945200A (zh) | 图像二值化分割方法 | |
| CN110443775B (zh) | 基于卷积神经网络的离散小波变换域多聚焦图像融合方法 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| CN103971340A (zh) | 一种高位宽数字图像动态范围压缩和细节增强方法 | |
| CN110309765B (zh) | 一种视频运动目标高效检测方法 | |
| CN110097522A (zh) | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 | |
| CN112465852A (zh) | 一种用于电力设备红外图像分割的改进区域生长方法 | |
| CN110070548A (zh) | 一种深度学习训练样本优化方法 | |
| CN107273884A (zh) | 一种基于移动终端摄像头的车辆牌照识别方法 | |
| CN108932471B (zh) | 一种车辆检测方法 | |
| CN112508849A (zh) | 数字图像拼接检测方法及装置 | |
| CN115937019A (zh) | 一种lsd二次分割和深度学习相结合的不均匀去雾方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |