CN108090886A - 一种高动态范围红外图像的显示与细节增强方法 - Google Patents
一种高动态范围红外图像的显示与细节增强方法 Download PDFInfo
- Publication number
- CN108090886A CN108090886A CN201810026864.9A CN201810026864A CN108090886A CN 108090886 A CN108090886 A CN 108090886A CN 201810026864 A CN201810026864 A CN 201810026864A CN 108090886 A CN108090886 A CN 108090886A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- dynamic range
- msub
- infrared 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.)
- Granted
Links
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007906 compression Methods 0.000 claims abstract description 14
- 230000006835 compression Effects 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 230000009021 linear effect Effects 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 238000013507 mapping Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010020843 Hyperthermia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000036031 hyperthermia Effects 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- 230000000007 visual effect 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
- G06T5/40—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
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高动态范围红外图像的显示与细节增强方法。具体步骤如下:(1)对图像进行预处理,对红外图像的灰度范围进行自适应线性拉伸;(2)用拉普拉斯滤波器将高动态红外图像的动态范围压缩到可显示的低动态范围图像,同时保留图像局部对比度;(3)针对图像中的细节分量,提出对原始输入高动态范围红外图像提取梯度信息并做非线性增强;(4)最后将低动态范围图像与增强的梯度信息通过优化融合重建,得到细节增强的红外图像。本发明有效地提高了高动态范围红外图像的整体对比度,保留图像的细节信息,可以有效应用于红外成像技术的检测、侦察、监控和导航等方面。
Description
技术领域
本发明涉及计算摄像学和图像处理领域,尤其涉及高动态范围红外图像的动态范围压缩与细节增强的红外技术领域。
背景技术
红外成像技术在检测、侦察、监控和导航方面有广泛的应用。红外成像系统一般是应用在有较大的温度变化的场景,而目标与背景或者目标局部的温差却相对较小,如地(海)面与天空、局部高温或火焰目标等。因此,红外成像系统不仅需要具有较高的空间和温度分辨力,而且要有较大的信号动态范围(HDR)。
高动态范围的红外传感器获得的原始图像数据(14-16bits)远远超过现有的显示设备(通常为8bits),高动态范围红外图像显示之前,必须进行重新映射,如果色调映射方法处理不当,将使得原有大的动态图像信息得不到保留,即大动态图像压缩可能会造成后续8bits图像中难以复原出原始图像所丢失的细节信息。因此,如何对高动态红外图像进行动态范围的压缩的同时获取具有较好区域间对比度的基层和纹理信息丰富的细节层,并且合理优化基层与细节层是当前的一个研究热点。
常见的红外图像增强技术包括全局方法和局部方法。全局方法是在像素的灰度级上转换输入图像。这类技术包括直方图增强方法及其一系列改进技术,如伽马校正,非线性全局压缩算子,以及最优对比度映射。全局增强算法能在一定程度上改善红外图像的可视化效果,但是没有考虑像素邻近点之间的关系,容易出现在局部区域的增强效果有限,细节丢失,过度增强等问题。另一类红外图像局部增强算法以边缘保持滤波器为代表,其主要思想是将输入的原始图像分为低频部分和高频部分或者多尺度层,分层处理之后再将它们融合。如使用双边滤波器对图像平滑分层,并利用引导滤波器来克服双边滤波器中容易出现的梯度逆转现象。使用引导滤波器将输入图像分解为基本层和细节层,通过改进的直方图投影方法将基本层投影到8位动态范围,通过使用引导过滤器的内核函数来放大细节成分,最后将两个部分线性融合。这类算法的主要问题是在一些边缘会出现光晕现象。多尺度分层算法主要有基于拉普拉斯金字塔的映射算法和基于小波变换的映射算法,拉普拉斯金字塔算法在处理可见光高动态范围图像时,效果很好,但处理高动态红外图像时,会丢失部分细节。这主要是因为红外图像中局部细节的幅值相对整体动态范围非常微弱,基于自然图像开发的映射算法会将其误认为噪声而去除。但是这类算法往往会得到很好的区域间对比度,也就是说对于图像中内容相关一些区域分割间的对比度可以得到有效拉伸。
发明内容
针对以上现有高动态范围红外图像的动态范围压缩与细节增强方法存在的技术缺陷,本发明的目的在于提出一种基于基层-细节分层处理融合的高动态范围红外图像的显示与细节增强方法。
为达上述目的,本发明采用的技术方案如下:
一种高动态范围红外图像的显示与细节增强方法,包括如下步骤:
步骤1,对灰度范围聚集的原始高动态范围红外图像的直方图进行自适应线性拉伸;
步骤2,用拉普拉斯滤波器将高动态范围红外图像的动态范围压缩为可显示的低动态范围图像,同时保留图像局部对比度;
步骤3,针对图像中的细节分量,对原始高动态范围红外图像提取梯度信息并做非线性增强;
步骤4,将低动态范围图像与增强的梯度信息通过优化融合重建,得到细节增强的红外图像。
本发明为了使得输出的图像既有清晰的动态范围,又能显示出原图像的细节,在动态范围与细节之间进行了优化。本发明方法的有益效果在于:最大限度地保留原图像的细节的同时,又能充分利用拉普拉斯金字塔的优秀的动态压缩能力,处理得到的图像具有理想的动态范围,而且图像细节纹理也得到了更好的表现,可提高复杂场景中弱小目标的细节信息。
附图说明
图1为本发明方法的流程图;
图2为本发明实施例中的方法流程图;
图3为本发明方法与其他现有算法的对比结果图,(a)原始高动态红外图像;(b)拉普拉斯金字塔滤波(LP)方法;(c)引导滤波器的细节增强(GIF)方法;(d)自适应直方图均衡(CLAHE)方法;(e)红外图像显示、增强的DDE方法;(f)本发明方法。
具体实施方式
下面将结合附图及具体实施例对本发明进行详细描述。
参照图1和图2,本实施例的一种基于基层-细节分层处理融合的高动态范围红外图像的显示与细节增强方法,先采用拉普拉斯金字塔算法对高动态红外图像进行动态范围的压缩获取具有较好区域间对比度的基层,然后通过非线性映射放大图像梯度增强细节纹理,最后通过图像优化重建融合得到细节增强的最终图像。具体步骤如下:
步骤1,图像预处理:红外场景主要以对比度低,小范围灰度值聚集的形式为主,为了得到更好的增强效果,在进行高动态红外图像动态压缩和细节增强之前,先对红外图像的灰度范围进行自适应线性拉伸。
I=I/(last-first)-first/(last-first)
过小或过大的异常值使得图像的动态范围跨度过大,删除掉微小量的异常值,有利于后期图像的处理。其中,当像素个数小于N是即视为异常值。first=find(hc>N,1,‘first’),表示把去除过小异常值后的第一个像素值取出作为初值。last=find(hc>N,1,‘last’),表示把去除过大异常值后的最后一个像素值取出作为最大值。hc表示原图像的直方图分布。
步骤2,用拉普拉斯滤波器将高动态红外图像的动态范围压缩到可显示的低动态范围图像,同时保留图像局部对比度。
在局部拉普拉斯滤波中,通过构建输出的拉普拉斯金字塔{L[I′]}来处理输入图像,每次处理一个系数。对于每一系数(x,y,l),生成一个中间图像方法是向原始完整分辨率图像应用逐点单调再映射函数rg,σ(.)。计算中间图像的金字塔再将对应的系数复制到输出{L[I']},当计算完输出金字塔的所有系数后,塌陷输出金字塔来获得最终的结果。
步骤3,针对图像中的细节分量,提出对原始输入高动态范围红外图像提取梯度信息并做非线性增强。图像细节信息一般可以通过对图像进行梯度运算来实现的。对x方向求梯度,则会在x方向的边缘体现更加清晰,同样y方向梯度效果是在y方向的边缘更清晰。为了充分利用原图像的细节信息,实际应用中,Gx,Gy取梯度幅值的放大值。
红外图像由于采集设备和外界环境的干扰,含有多种噪声,在细节增强的同时需要考虑噪声的抑制。设置平坦区域的细节增益低,以避免噪声的放大,可设置活跃区域细节增益大一些。在Katsaggelos提出的噪声掩蔽模型基础上,结合本发明的方法修改。双边滤波后的参数ω可明显区分平坦区域与活跃区域。
[BFF,ω]=bfilter(O)
Gx=(0.5*(1-ω)+1)*GxGy=(0.5*(1-ω)+1)*Gy
高动态红外图像进行细节增强过程中,先对Gx和Gy进行一定程度的放大。t是可调放大参数。
Gx=t*sign(Gx)|Gx|0.5Gy=t*sign(Gy)|Gy|0.5
得到的Gy和Gx即为经过非线性增强后的局部细节信息。
步骤4,将低动态范围图像与增强的梯度信息通过优化融合重建,得到细节增强的红外图像。针对红外图像的特点,前人的研究提出多种红外图像增强算法,主要可分为两大类,第一类是在红外系统输出的8bits灰度图像基础上的细节增强,该类算法处理速度快,占据内存空间小,但是处理后的8bits图像的细节信息可能已经在压缩过程中丢失,后续处理很难恢复或者增强。第二类在原始高动态红外图像色调映射到低动态范围图像的过程中进行增强,该类算法数据量大,往往压缩动态范围的同时难以兼顾细节信息的增强。本发明的方法在拉普拉斯金字塔色调映射成8bits灰度图像后进行细节增强,但其细节信息来源于原始未经处理的输入图像。通过对原始高动态红外图像的增强处理,有利于人眼的判断和后续自动识别或跟踪处理。
为了使得输出的图像既有清晰的动态范围,又能显示出原图像的细节,需要在动态范围与细节之间进行优化。本发明优化图像重建的理论基础:
其中:O是最终的动态范围与细节最优的输出图像,R是拉普拉斯金字塔滤波处理后的压缩图像,是输出图像的求梯度,G是原始输入图像I的梯度,λ是优化可调参数。
图像梯度值的大小与图像的细节信息有关,梯度值需要分别在x,y方向求导,则上述公式修改为:
其中:是最终输出图像的x,y方向的梯度值,Gx,Gy是输入图像的x,y方向的梯度。
考虑上式在频域处理更加方便,将其傅里叶变换到频域,处理后在傅里叶逆变换回来。
其中可调放大参数t、优化可调参数λ的设置影响着本发明方法处理的最终结果,若可调参数选取不当,不但不能获得良好的增强效果,反而会造成增强图像的质量下降。实验中t,λ相互制约,固定t=10,对λ进行调试发现,优化参数λ的取值影响着红外图像动态范围与细节增强的之间平衡效果,对λ取不同的值进行实验,得到的细节增强结果如下图,可以发现λ取值越大,对于原始图像的梯度信息提取能力越强,细节增强效果越显著,但λ不能过大,否则图像会出现过度锐化。λ越小,图像中细节增强幅度越微弱。建议优化可调λ的取值在0.06到0.1之间,效果较佳。
为了验证本发明的方法对常见的高动态红外图像的细节增强效果,选取有代表性的高动态范围红外图像进行测试,并与常见的四种高动态范围图像处理或细节增强的算法进行比较。选取的比较算法分别有拉普拉斯金字塔滤波(LP)、引导滤波器的细节增强(GIF)、自适应直方图均衡(CLAHE)和红外图像显示、增强的DDE算法。
实验结果如图3,表示本发明方法与其他算法的对比结果图。为了能更准确地展示实验结果,本发明利用多种客观质量评价标准来衡量上述几种方法的增强效果。
表1本发明方法与其他现有方法的质量评价标准对比
从主观和客观评价标准比较可以得出,5种算法都在一定程度上增强了图像细节信息。而本发明采用拉普拉斯金字塔结合梯度增强的优化的算法,动态范围、细节信息都得到提升,各项指标理想,对比其他算法,具有一定的优势,而且主观效果较好。由此可以看出,本发明能有效地提高高动态范围红外图像的整体对比度,保留图像的细节信息,可以有效应用于红外成像技术的检测、侦察、监控和导航等方面。
Claims (4)
1.一种高动态范围红外图像的显示与细节增强方法,其特征在于,包括如下步骤:
步骤1,对灰度范围聚集的原始高动态范围红外图像的直方图进行自适应线性拉伸;
步骤2,用拉普拉斯滤波器将高动态范围红外图像的动态范围压缩为可显示的低动态范围图像,同时保留图像局部对比度;
步骤3,针对图像中的细节分量,对原始高动态范围红外图像提取梯度信息并做非线性增强;
步骤4,将低动态范围图像与增强的梯度信息通过优化融合重建,得到细节增强的红外图像。
2.根据权利要求1所述的一种高动态范围红外图像的显示与细节增强方法,其特征在于,所述步骤1中,对直方图进行自适应线性拉伸的具体过程为:
I=I/(last-first)-first/(last-first)
过小或过大的异常值使得图像的动态范围跨度过大,删除掉微小量的异常值,有利于后期图像的处理,其中,I表示自适应线性拉伸后的图像;当像素个数小于N时即视为异常值;first=find(hc>N,1,‘first’),表示把去除过小异常值后的第一个像素值取出作为初值;last=find(hc>N,1,‘last’),表示把去除过大异常值后的最后一个像素值取出作为最大值,hc表示原图像的直方图分布。
3.根据权利要求1所述的一种高动态范围红外图像的显示与细节增强方法,其特征在于,所述步骤4中,由于图像梯度值的大小与图像的细节信息有关,梯度值需要分别在x,y方向求导,因此,优化融合重建的公式为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mi>min</mi>
<mi>R</mi>
</munder>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>O</mi>
<mo>-</mo>
<mi>R</mi>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&lambda;</mi>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mo>&dtri;</mo>
<msub>
<mi>O</mi>
<mi>x</mi>
</msub>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&lambda;</mi>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mo>&dtri;</mo>
<msub>
<mi>O</mi>
<mi>y</mi>
</msub>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&DoubleRightArrow;</mo>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mrow>
<mi>O</mi>
<mo>-</mo>
<mi>R</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>2</mn>
<mi>&lambda;</mi>
<msup>
<mo>&dtri;</mo>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<mo>&dtri;</mo>
<msub>
<mi>O</mi>
<mi>x</mi>
</msub>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>2</mn>
<mi>&lambda;</mi>
<msup>
<mo>&dtri;</mo>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<mo>&dtri;</mo>
<msub>
<mi>O</mi>
<mi>y</mi>
</msub>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中:O是最终的动态范围与细节最优的输出图像, R是拉普拉斯金字塔滤波处理后的压缩图像,E是与原图像同样大小的单位图像,λ是优化可调参数;是最终输出图像的x方向和y方向的梯度值,Gx、Gy是输入图像的x方向和y方向的梯度。
4.根据权利要求3所述的一种高动态范围红外图像的显示与细节增强方法,其特征在于,所述优化可调参数λ的取值在0.06到0.1之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810026864.9A CN108090886B (zh) | 2018-01-11 | 2018-01-11 | 一种高动态范围红外图像的显示与细节增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810026864.9A CN108090886B (zh) | 2018-01-11 | 2018-01-11 | 一种高动态范围红外图像的显示与细节增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090886A true CN108090886A (zh) | 2018-05-29 |
CN108090886B CN108090886B (zh) | 2022-04-22 |
Family
ID=62182037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810026864.9A Active CN108090886B (zh) | 2018-01-11 | 2018-01-11 | 一种高动态范围红外图像的显示与细节增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090886B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523477A (zh) * | 2018-11-06 | 2019-03-26 | 武汉高德智感科技有限公司 | 一种自适应红外图像动态范围变换方法 |
CN110248105A (zh) * | 2018-12-10 | 2019-09-17 | 浙江大华技术股份有限公司 | 一种图像处理方法、摄像机及计算机存储介质 |
CN110517210A (zh) * | 2019-07-08 | 2019-11-29 | 河北工业大学 | 基于Haar小波梯度重建的多曝光焊区图像融合方法 |
CN111709898A (zh) * | 2020-06-20 | 2020-09-25 | 昆明物理研究所 | 基于优化clahe的红外图像增强方法与系统 |
CN112019774A (zh) * | 2020-08-10 | 2020-12-01 | 中国科学院光电技术研究所 | 一种红外高位宽数字图像的高质量显示方法 |
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 |
CN113168672A (zh) * | 2018-10-19 | 2021-07-23 | 高途乐公司 | 用于图像处理的色调映射和色调控制集成 |
CN113793411A (zh) * | 2021-05-24 | 2021-12-14 | 北京建筑大学 | 基于线性参照的数据组织与动态表达方法 |
CN113902659A (zh) * | 2021-09-16 | 2022-01-07 | 大连理工大学 | 一种基于显著目标增强的红外和可见光融合方法 |
CN114359083A (zh) * | 2021-12-24 | 2022-04-15 | 北京航空航天大学 | 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 |
CN112348763B (zh) * | 2020-11-09 | 2024-05-14 | 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 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010231757A (ja) * | 2009-03-25 | 2010-10-14 | Micro-Star Internatl Co Ltd | Hdr画像生成方法および同方法を用いるデジタル撮像素子 |
CN101980282A (zh) * | 2010-10-21 | 2011-02-23 | 电子科技大学 | 一种红外图像动态细节增强方法 |
CN102789636A (zh) * | 2012-08-01 | 2012-11-21 | 中山大学 | 基于多尺度联合双边栅格平滑模型的图像细节增强方法 |
CN103325098A (zh) * | 2013-07-02 | 2013-09-25 | 南京理工大学 | 基于多尺度处理的高动态红外图像增强方法 |
CN103578091A (zh) * | 2013-10-10 | 2014-02-12 | 中国科学院上海技术物理研究所 | 一种基于拉普拉斯金字塔的红外偏振图像融合方法 |
US20150011194A1 (en) * | 2009-08-17 | 2015-01-08 | Digimarc Corporation | Methods and systems for image or audio recognition processing |
CN104616273A (zh) * | 2015-01-26 | 2015-05-13 | 电子科技大学 | 一种基于拉普拉斯金字塔分解的多曝光图像融合方法 |
CN104809734A (zh) * | 2015-05-11 | 2015-07-29 | 中国人民解放军总装备部军械技术研究所 | 一种基于引导滤波的红外图像与可见光图像融合的方法 |
CN104881854A (zh) * | 2015-05-20 | 2015-09-02 | 天津大学 | 基于梯度和亮度信息的高动态范围图像融合方法 |
CN105551061A (zh) * | 2015-12-09 | 2016-05-04 | 天津大学 | 高动态范围图像融合中保留无鬼影运动物体处理方法 |
CN107016654A (zh) * | 2017-03-29 | 2017-08-04 | 华中科技大学鄂州工业技术研究院 | 一种基于引导图像滤波的自适应红外图像细节增强方法 |
CN107220956A (zh) * | 2017-04-18 | 2017-09-29 | 天津大学 | 一种基于多幅具有不同曝光度的ldr图像的hdr图像融合方法 |
-
2018
- 2018-01-11 CN CN201810026864.9A patent/CN108090886B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010231757A (ja) * | 2009-03-25 | 2010-10-14 | Micro-Star Internatl Co Ltd | Hdr画像生成方法および同方法を用いるデジタル撮像素子 |
US20150011194A1 (en) * | 2009-08-17 | 2015-01-08 | Digimarc Corporation | Methods and systems for image or audio recognition processing |
CN101980282A (zh) * | 2010-10-21 | 2011-02-23 | 电子科技大学 | 一种红外图像动态细节增强方法 |
CN102789636A (zh) * | 2012-08-01 | 2012-11-21 | 中山大学 | 基于多尺度联合双边栅格平滑模型的图像细节增强方法 |
CN103325098A (zh) * | 2013-07-02 | 2013-09-25 | 南京理工大学 | 基于多尺度处理的高动态红外图像增强方法 |
CN103578091A (zh) * | 2013-10-10 | 2014-02-12 | 中国科学院上海技术物理研究所 | 一种基于拉普拉斯金字塔的红外偏振图像融合方法 |
CN104616273A (zh) * | 2015-01-26 | 2015-05-13 | 电子科技大学 | 一种基于拉普拉斯金字塔分解的多曝光图像融合方法 |
CN104809734A (zh) * | 2015-05-11 | 2015-07-29 | 中国人民解放军总装备部军械技术研究所 | 一种基于引导滤波的红外图像与可见光图像融合的方法 |
CN104881854A (zh) * | 2015-05-20 | 2015-09-02 | 天津大学 | 基于梯度和亮度信息的高动态范围图像融合方法 |
CN105551061A (zh) * | 2015-12-09 | 2016-05-04 | 天津大学 | 高动态范围图像融合中保留无鬼影运动物体处理方法 |
CN107016654A (zh) * | 2017-03-29 | 2017-08-04 | 华中科技大学鄂州工业技术研究院 | 一种基于引导图像滤波的自适应红外图像细节增强方法 |
CN107220956A (zh) * | 2017-04-18 | 2017-09-29 | 天津大学 | 一种基于多幅具有不同曝光度的ldr图像的hdr图像融合方法 |
Non-Patent Citations (6)
Title |
---|
CHUNMEI WANG 等: "High dynamic infrared image compressive enhancement based on fast local Laplacian filters", 《PROCEEDINGS OF SPIE》 * |
ESMAT FARZANA 等: "Despeckling SAR images with an adaptive bilateral filter", 《2013 INTERNATIONAL CONFERENCE ON INFORMATICS, ELECTRONICS AND VISION》 * |
SYLVAIN PARIS 等: "Local Laplacian filters: edge-aware image processing with a Laplacian pyramid", 《COMMUNICATIONS OF THE ACM》 * |
单瑞卿 等: "高动态范围红外图像的显示与细节增强", 《光学技术》 * |
孙婧: "高动态范围图像合成与显示技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王宇: "长线列红外中长波图像融合关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11941789B2 (en) | 2018-10-19 | 2024-03-26 | Gopro, Inc. | Tone mapping and tone control integrations for image processing |
CN113168672A (zh) * | 2018-10-19 | 2021-07-23 | 高途乐公司 | 用于图像处理的色调映射和色调控制集成 |
CN113168672B (zh) * | 2018-10-19 | 2024-02-02 | 高途乐公司 | 用于图像处理的色调映射和色调控制集成 |
CN109523477A (zh) * | 2018-11-06 | 2019-03-26 | 武汉高德智感科技有限公司 | 一种自适应红外图像动态范围变换方法 |
CN109523477B (zh) * | 2018-11-06 | 2021-07-30 | 武汉高德智感科技有限公司 | 一种自适应红外图像动态范围变换方法 |
US11240443B2 (en) | 2018-12-10 | 2022-02-01 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for image acquisition |
CN110248105A (zh) * | 2018-12-10 | 2019-09-17 | 浙江大华技术股份有限公司 | 一种图像处理方法、摄像机及计算机存储介质 |
CN110517210A (zh) * | 2019-07-08 | 2019-11-29 | 河北工业大学 | 基于Haar小波梯度重建的多曝光焊区图像融合方法 |
CN110517210B (zh) * | 2019-07-08 | 2021-09-03 | 河北工业大学 | 基于Haar小波梯度重建的多曝光焊区图像融合方法 |
CN111709898A (zh) * | 2020-06-20 | 2020-09-25 | 昆明物理研究所 | 基于优化clahe的红外图像增强方法与系统 |
CN111709898B (zh) * | 2020-06-20 | 2023-05-23 | 昆明物理研究所 | 基于优化clahe的红外图像增强方法与系统 |
CN112019774A (zh) * | 2020-08-10 | 2020-12-01 | 中国科学院光电技术研究所 | 一种红外高位宽数字图像的高质量显示方法 |
CN112019774B (zh) * | 2020-08-10 | 2021-08-13 | 中国科学院光电技术研究所 | 一种红外高位宽数字图像的高质量显示方法 |
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 |
CN112348763B (zh) * | 2020-11-09 | 2024-05-14 | 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 |
CN113793411A (zh) * | 2021-05-24 | 2021-12-14 | 北京建筑大学 | 基于线性参照的数据组织与动态表达方法 |
CN113902659A (zh) * | 2021-09-16 | 2022-01-07 | 大连理工大学 | 一种基于显著目标增强的红外和可见光融合方法 |
CN114359083A (zh) * | 2021-12-24 | 2022-04-15 | 北京航空航天大学 | 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 |
CN114359083B (zh) * | 2021-12-24 | 2022-11-29 | 北京航空航天大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN108090886B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090886A (zh) | 一种高动态范围红外图像的显示与细节增强方法 | |
US9842382B2 (en) | Method and device for removing haze in single image | |
Lai et al. | Improved local histogram equalization with gradient-based weighting process for edge preservation | |
CN104077746B (zh) | 灰度图像处理方法及其装置 | |
CN113837974B (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
CN114240797B (zh) | 一种oct图像去噪方法、装置、设备及介质 | |
CN102096909A (zh) | 基于对数图像处理模型的改进的反锐化掩模图像增强方法 | |
Karalı et al. | Adaptive image enhancement based on clustering of wavelet coefficients for infrared sea surveillance systems | |
CN111612741A (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
CN107451986B (zh) | 一种基于融合技术的单幅红外图像增强方法 | |
CN112669249A (zh) | 结合改进nsct变换和深度学习的红外与可见光图像融合方法 | |
CN115587945A (zh) | 高动态红外图像细节增强方法、系统及计算机存储介质 | |
Wen et al. | Autonomous robot navigation using Retinex algorithm for multiscale image adaptability in low-light environment | |
WO2020107308A1 (zh) | 一种基于Retinex的微光图像快速增强方法及其装置 | |
Zou et al. | Image haze removal algorithm using a logarithmic guide filtering and multi-channel prior | |
CN110175959B (zh) | 一种台风云图增强方法 | |
Thai et al. | Performance evaluation of high dynamic range image tone mapping operators based on separable non-linear multiresolution families | |
Jindal et al. | Bio-medical image enhancement based on spatial domain technique | |
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 | |
CN115908399A (zh) | 一种基于改进视觉注意机制的磁片瑕疵检测方法 | |
Mandava et al. | Speckle noise reduction using local binary pattern | |
Reddy et al. | Guided image filtering for image enhancement | |
AKINTOYE et al. | COMPOSITE MEDIAN WIENER FILTER BASED TECHNIQUE FOR IMAGE ENHANCEMENT. | |
CN110140150B (zh) | 一种图像处理方法、装置以及终端设备 | |
Chen et al. | GADO-Net: an improved AOD-Net single image dehazing 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 |