CN108648258A - 用于激光夜视的图像计算匀化增强方法 - Google Patents
用于激光夜视的图像计算匀化增强方法 Download PDFInfo
- Publication number
- CN108648258A CN108648258A CN201810391250.0A CN201810391250A CN108648258A CN 108648258 A CN108648258 A CN 108648258A CN 201810391250 A CN201810391250 A CN 201810391250A CN 108648258 A CN108648258 A CN 108648258A
- Authority
- CN
- China
- Prior art keywords
- night vision
- image
- vision system
- laser night
- homogenizes
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/06—Ray-tracing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种用于激光夜视的图像计算匀化增强方法,包括:步骤A,通过激光夜视系统获取针对标准白板的多帧灰度图像;步骤B,对标准白板的多帧灰度图像求平均值,计算激光夜视系统的光强分布;以及步骤C,将激光夜视系统得到的目标图像除以激光夜视系统的光强分布,从而得到目标本身的纹理信息。本公开可以快速获取光斑分布,从而获得目标原始纹理信息,提高图像对比度,深度呈现暗处图像信息,更加符合人眼的观测习惯,可以应用于激光夜视系统监控的场景中,尤其是对于复杂的监控环境对比。
Description
技术领域
本公开涉及激光夜视领域,尤其涉及一种用于激光夜视的图像计算匀化增强方法。
背景技术
中国有着漫长的边防线,重要的目标如大型的工业设施、石油和天然气电厂、海上钻井平台、机场和石油管道的安防监控亟需加强,在生态环境研究中,动物活动监控具有重要意义。传统的被动夜间视频监控技术,如LED视频监控技术,利用自然界的微光如月光,星光,城市辉光及物体本身所发出的热辐射,使得成像设备获取微弱信号通过增强放大并最终成像。目前针对高速公路等场景的监控需要全范围全天候二十四小时不断连续监视,被动成像系统的工作距离(工作距离几十米)难以满足上述应用需求,尤其是恶劣天气情况下,且易受周围环境光干扰,此外在环境照度很低时候,同样难以获得可满足电视监控基本的图像质量要求。热成像技术虽然可实现夜间远距离探测,但是,图像分辨率低,且不能穿透玻璃,造假昂贵,不利于目标识别。
激光夜视系统作为主动成像系统,可在全黑环境下使用,可以分辨远距离被观测目标的细节,具有性价比高,图像效果好,监视距离远的特点。这将是边海防,目标监控,高速公路夜间监视的有效技术之一。
在激光主动成像技术中,因光场的分布不均,拍摄得到的灰度图是目标本身的纹理信息再加上光强调制而得到的图像。若求出光强分布函数,这可以从原始图像中解调出目标本身的信息,提高图像对比度的同时便于深度挖掘暗处图像信息。
为获取光斑分布函数,人们提出了Hough变换算法。假设待检测曲线的参数方程为an=f(a1,...,an-1,x,y,),式中:a1,...,an-1为形状参数; x,y为图像点坐标。Hough变换将图像空间中的每一个轮廓点代入参数方程,其计算结果对参数空间(a1,...,an-1)中的量化点按就近原则进行投票,若票数超过某一门限值,则认为有足够多的图像点位于该参数点所决定的曲线上。利用Hough变换检测圆时需要对参数空间离散化,进而对每一个轮廓点在三维参数空间内逐点投票和记录,故花费时间较长,占用计算机存储量也较大,测量精度也因参数空间离散化而受到影响,该方法易受到噪声干扰,且存在过拟合问题。因此在实用中受到了限制。也有基于光路系统,包括依次排列在准分子激光出口的微透镜阵列、非球面镜、空间滤波小孔、成像物镜以及扫描偏转模块,采用了二次聚焦的方法减小光斑影响。然而,该方法增加了激光夜视系统复杂度,且成本很高。
发明内容
(一)要解决的技术问题
本公开提供了一种用于激光夜视的图像计算匀化增强方法,以至少部分解决以上所提出的技术问题。
(二)技术方案
本公开用于激光夜视的图像计算匀化增强方法,包括:步骤A,通过激光夜视系统获取针对标准白板的多帧灰度图像;步骤B,对标准白板的多帧灰度图像求平均值,计算激光夜视系统的光强分布;以及步骤C,将激光夜视系统得到的目标图像除以激光夜视系统的光强分布,从而得到目标本身的纹理信息。
在本公开的一些实施例中,所述步骤B中利用以下公式计算激光夜视系统的光强分布:
其中,为计算得到的激光夜视系统的光强分布,为针对标准白板的第i帧的灰度图像,n为灰度图像的总帧数。
在本公开的一些实施例中,所述步骤C中利用以下公式得到目标本身的纹理信息:
其中,为目标本身的纹理信息,为激光夜视系统得到的目标图像,为激光夜视系统的光强分布。
在本公开的一些实施例中,所述步骤C之后还包括:步骤D,对于得到的目标本身的纹理信息,采用直方图均衡化的方法进行处理,实现图像中暗部信息的增强。
在本公开的一些实施例中,所述步骤D中利用Matlab软件中的histeq 函数实现直方图均衡化处理。
在本公开的一些实施例中,所述步骤A中,灰度图像的帧数多于20 帧,小于50帧。
在本公开的一些实施例中,所述步骤A中,所述标准白板的光学平面度在光谱的适光范围内为±1%。
在本公开的一些实施例中,所述标准白板为能够提供全谱段98%以上的反射率,且在紫外-可见-近红外光谱区内光谱响应平坦的白板。
(三)有益效果
从上述技术方案可以看出,本公开用于激光夜视的图像计算匀化增强方法至少具有以下有益效果其中之一或其中的一部分:
(1)由于激光夜视系统成像的特点,可以快速获取光斑分布,从而获得目标原始纹理信息,提高图像对比度,深度呈现暗处图像信息,更加符合人眼的观测习惯,可以应用于激光夜视系统监控的场景中,尤其是对于复杂的监控环境对比。
(2)由于仅仅是利用激光夜视系统获得目标为白板的灰度图,并不会增加现有激光夜视系统的硬件成本,所以,该发明无需增加硬件成本,可以直接服务于现有夜视系统,提高其图像对比度及其信息量。
(3)由于其便利性,可以将光斑分布直接移植进入激光主动成像算法中,可以实现在线图像增强的功能。
附图说明
图1为根据本公开实施例用于激光夜视的图像计算匀化增强方法的流程图。
图2为图1所示图像计算匀化增强方法中步骤A中激光夜视系统对标准白板成像示意图。
图3为图1所示图像计算匀化增强方法中各步骤的图像,其中:
(a)为匀化计算后的光斑分布图;
(b)为未经处理的原始图像;
(c)为去光斑后的目标纹理图;
(d)为直方图均衡化后的图像。
【图中主要元件符号说明】
1-激光夜视系统;2-标准白板。
具体实施方式
本公开提出了图像计算匀化增强方法,该方法通过对标准白板的拍照,获取多幅灰度图像,并进行匀化计算获取光斑分布,结合直方图均衡化手段,可在不提高现有激光夜视系统复杂度的前提下,实现增加图像对比度和挖掘暗处图像信息的目的。
本公开的原理是:通过激光夜视系统获取针对标准白板的多帧灰度图像,由于标准白板灰度图像的灰度值正比于光强分布,从而可以计算得到该激光夜视系统的光斑分布函数。由于激光器光子数具有泊松分布的性质,且激光光子数与光强成正比,为了减小光强分布采样的方差,采用多帧平均的方法求得光强分布函数,进而解调出目标原始纹理信息。同一系统的激光光斑分布可以认为是恒定的,则只需要对特定系统做一次光斑分布函数采集,即可用于实际场景中。
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
在本公开的一个示例性实施例中,提供了一种用于激光夜视的图像计算匀化增强方法。
因光场的分布不均,激光夜视系统拍摄得到的灰度图是目标本身的纹理信息再加上光强调制而得到的图像,其关系是:其中为灰度图像的灰度值,只与目标的纹理信息值相关,为光强分布。要得到F将图像灰度值除以光强分布即可,故只需事先求得光强分布的再由公式计算得出。
图1为根据本公开实施例用于激光夜视的图像计算匀化增强方法的流程图。如图1所示,本实施例用于激光夜视的图像计算匀化增强方法包括:
步骤A,通过激光夜视系统1获取针对标准白板2的多帧灰度图像;
本步骤中,标准白板是用于反射率测量的标准漫反射参考物,其能够提供全谱段98%以上的反射率,且在紫外-可见-近红外光谱区内光谱响应平坦。光学平面度在光谱的适光范围内为±1%。标准反射参考白板的尺寸视激光夜视系统成像区域的大小以及远近确定。本实施例中,采用先锋科技公司SpectraLon标准反射参考白板。
图2为图1所示图像计算匀化增强方法中步骤A中激光夜视系统对标准白板成像示意图。请参照图2,在激光夜视系统1真正使用之前,先对标准白板2进行拍照,可认为标准白板2的纹理信息是一致的,那么得到的白板灰度图2的灰度值将正比于光强分布。
其中,此处的多帧灰度图像,优选是多于20帧,帧数越多越有利于消除标准白板纹理信息与光子数分布的随机性对后期处理过程的影响。为避免数据量过大,帧数应小于50。当然,如果条件限制,也是可以是1 帧、2帧或3帧的灰度图像。但是,如果仅为数帧的灰度图像,随机性太强,不利于激光夜视系统的精确校准。
此外,还需要说明的是,该多帧灰度图像应当是在外界环境因素相同或者类似的情况下获取的,以避免外界环境因素的影响。
步骤B,对标准白板2的多帧灰度图像求平均值,计算激光夜视系统 1的光强分布,如图3中(a)所示;
本步骤中,可以利用以下公式计算激光夜视系统的光强分布:
其中,为计算得到的激光夜视系统的光强分布,为针对标准白板的第i帧的灰度图像,n为灰度图像的总帧数。
步骤C,将激光夜视系统得到的目标图像除以激光夜视系统的光强分布从而得到目标本身的纹理信息即:
以树木的灰度图为例,未进行计算匀化增强的原始图像如图3中(b) 所示,使用公式3从原始图中解调处树木的纹理信息,如图3中(c)所示。
步骤D,对于得到的目标本身的纹理信息采用直方图均衡化的方法进行处理,实现图像中暗部信息的增强。
具体来讲,在采用直方图均衡化的方法时,可调用Matlab软件中的 histeq函数,使得灰度图像覆盖更大的灰度区间,进一步提高图像对比度,从而增加夜视图像的暗部信息,处理后的目标本身的纹理信息如图3中(d) 所示。对比计算匀化处理前后的图片,很明显的看出消除了光斑效应,深度挖掘出暗处图像的信息,有利于场景观察和检测,且更加符合人眼的观测习惯。
至此,已经结合附图对本公开实施例进行了详细描述。需要说明的是,在附图或说明书正文中,未绘示或描述的实现方式,均为所属技术领域中普通技术人员所知的形式,并未进行详细说明。此外,上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式,本领域普通技术人员可对其进行简单地更改或替换,例如:
(1)步骤A中灰度图像的帧数可以根据需要进行调整;
(2)在步骤C之后,可以利用各种现有的方法对目标本身的纹理信息进一步处理。
依据以上描述,本领域技术人员应当对本公开用于激光夜视的图像计算匀化增强方法有了清楚的认识。
综上所述,本公开可以快速获取光斑分布,从而获得目标原始纹理信息,提高图像对比度,深度呈现暗处图像信息,更加符合人眼的观测习惯,所以,该方法可以应用于激光夜视系统监控的场景中,尤其是对于复杂的监控环境对比,具有较强的推广应用前景。
除非有所知名为相反之意,本说明书及所附权利要求中的数值参数是近似值,能够根据通过本公开的内容所得的所需特性改变。具体而言,所有使用于说明书及权利要求中表示组成的含量、反应条件等等的数字,应理解为在所有情况中是受到「约」的用语所修饰。
此外,除非特别描述或必须依序发生的步骤,上述步骤的顺序并无限制于以上所列,且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑,彼此混合搭配使用或与其他实施例混合搭配使用,即不同实施例中的技术特征可以自由组合形成更多的实施例。此外,可以理解的是,本文各实施例的流程仅示出与对本公开的理解有关的步骤,且可以理解的是,可以在所示步骤之前、之后及之间执行用于完成其它功能的许多附加步骤。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的启示一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本公开也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的内容,并且上面对特定语言所做的描述是为了披露本公开的最佳实施方式。
本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。本公开的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器 (DSP)来实现根据本公开实施例的相关设备中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
类似地,应当理解,为了精简本公开并帮助理解各个公开方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,公开方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的单独实施例。
以上所述的具体实施例,对本公开的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本公开的具体实施例而已,并不用于限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (8)
1.一种用于激光夜视的图像计算匀化增强方法,包括:
步骤A,通过激光夜视系统获取针对标准白板的多帧灰度图像;
步骤B,对标准白板的多帧灰度图像求平均值,计算激光夜视系统的光强分布;以及
步骤C,将激光夜视系统得到的目标图像除以激光夜视系统的光强分布,从而得到目标本身的纹理信息。
2.根据权利要求1所述的图像计算匀化增强方法,其中,所述步骤B中利用以下公式计算激光夜视系统的光强分布:
其中,为计算得到的激光夜视系统的光强分布,为针对标准白板的第i帧的灰度图像,n为灰度图像的总帧数。
3.根据权利要求1所述的图像计算匀化增强方法,其中,所述步骤C中利用以下公式得到目标本身的纹理信息:
其中,为目标本身的纹理信息,为激光夜视系统得到的目标图像,为激光夜视系统的光强分布。
4.根据权利要求1所述的图像计算匀化增强方法,其中,所述步骤C之后还包括:
步骤D,对于得到的目标本身的纹理信息,采用直方图均衡化的方法进行处理,实现图像中暗部信息的增强。
5.根据权利要求4所述的图像计算匀化增强方法,其中,所述步骤D中利用Matlab软件中的histeq函数实现直方图均衡化处理。
6.根据权利要求1至5中任一项所述的图像计算匀化增强方法,其中,所述步骤A中,灰度图像的帧数多于20帧,小于50帧。
7.根据权利要求1至5中任一项所述的图像计算匀化增强方法,其中,所述步骤A中,所述标准白板的光学平面度在光谱的适光范围内为±1%。
8.根据权利要求7所述的图像计算匀化增强方法,其中,所述标准白板为能够提供全谱段98%以上的反射率,且在紫外-可见-近红外光谱区内光谱响应平坦的白板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810391250.0A CN108648258A (zh) | 2018-04-26 | 2018-04-26 | 用于激光夜视的图像计算匀化增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810391250.0A CN108648258A (zh) | 2018-04-26 | 2018-04-26 | 用于激光夜视的图像计算匀化增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108648258A true CN108648258A (zh) | 2018-10-12 |
Family
ID=63748203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810391250.0A Pending CN108648258A (zh) | 2018-04-26 | 2018-04-26 | 用于激光夜视的图像计算匀化增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108648258A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111147760A (zh) * | 2019-12-23 | 2020-05-12 | 兴科迪智能科技(北京)有限公司 | 一种光场相机及其光度调整方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6730913B2 (en) * | 2002-02-21 | 2004-05-04 | Ford Global Technologies, Llc | Active night vision system for vehicles employing short-pulse laser illumination and a gated camera for image capture |
CN102136068A (zh) * | 2011-03-31 | 2011-07-27 | 中国科学院半导体研究所 | 基于平均灰度的距离选通图像有效信息区的提取方法 |
CN104655269A (zh) * | 2013-11-25 | 2015-05-27 | 北京环境特性研究所 | 一种扩展可见光测量量程范围的方法 |
CN107203973A (zh) * | 2016-09-18 | 2017-09-26 | 江苏科技大学 | 一种三维激光扫描系统中线激光中心的亚像素定位方法 |
-
2018
- 2018-04-26 CN CN201810391250.0A patent/CN108648258A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6730913B2 (en) * | 2002-02-21 | 2004-05-04 | Ford Global Technologies, Llc | Active night vision system for vehicles employing short-pulse laser illumination and a gated camera for image capture |
CN102136068A (zh) * | 2011-03-31 | 2011-07-27 | 中国科学院半导体研究所 | 基于平均灰度的距离选通图像有效信息区的提取方法 |
CN104655269A (zh) * | 2013-11-25 | 2015-05-27 | 北京环境特性研究所 | 一种扩展可见光测量量程范围的方法 |
CN107203973A (zh) * | 2016-09-18 | 2017-09-26 | 江苏科技大学 | 一种三维激光扫描系统中线激光中心的亚像素定位方法 |
Non-Patent Citations (1)
Title |
---|
张宇 等: "《快照成像光谱仪快速光谱重构算法》", 《哈尔滨工业大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111147760A (zh) * | 2019-12-23 | 2020-05-12 | 兴科迪智能科技(北京)有限公司 | 一种光场相机及其光度调整方法、装置及电子设备 |
CN111147760B (zh) * | 2019-12-23 | 2021-08-24 | 兴科迪智能科技(北京)有限公司 | 一种光场相机及其光度调整方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jechow et al. | Beyond all-sky: assessing ecological light pollution using multi-spectral full-sphere fisheye lens imaging | |
Singh et al. | A meta-analysis and review of unmanned aircraft system (UAS) imagery for terrestrial applications | |
US10949677B2 (en) | Method and system for detecting concealed objects using handheld thermal imager | |
US20220254014A1 (en) | Information processing apparatus, information processing method, program, and sensing system | |
Muslim et al. | Coral reef mapping of UAV: A comparison of sun glint correction methods | |
Liu et al. | Measurement and distribution of urban light pollution as day changes to night | |
Bao et al. | Effects of tree trunks on estimation of clumping index and LAI from HemiView and Terrestrial LiDAR | |
Yemelyanov et al. | Adaptive algorithms for two-channel polarization sensing under various polarization statistics with nonuniform distributions | |
Toet et al. | Augmenting full colour-fused multi-band night vision imagery with synthetic imagery in real-time | |
Kim et al. | Cloud Observation and Cloud Cover Calculation at Nighttime Using the Automatic Cloud Observation System (ACOS) Package | |
US20210201074A1 (en) | Method and system for detecting concealed objects using handheld thermal imager | |
Hewitt et al. | Detection of Burmese pythons in the near-infrared versus visible band | |
CN108648258A (zh) | 用于激光夜视的图像计算匀化增强方法 | |
Moyer et al. | Probability of identification of small hand-held objects for electro-optic forward-looking infrared systems | |
Chaudhri et al. | Different modality based remote sensing data fusion approach for efficient classification of agriculture and urban subclasses | |
Gacal et al. | Ground-based detection of nighttime clouds above Manila Observatory (14.64° N, 121.07° E) using a digital camera | |
Caparó Bellido et al. | Semi-automatic fractional snow cover monitoring from near-surface remote sensing in grassland | |
Baldacci et al. | Infrared detection of marine mammals | |
Portenier et al. | Cloud detection and visibility estimation during night time using thermal camera images | |
Wegner et al. | Image based performance analysis of thermal imagers | |
Culpepper et al. | A target detection model predicting field observer performance in maritime scenes | |
Trongtirakul et al. | New retinex model-based infrared image enhancement | |
Kecskes et al. | Low-cost panoramic infrared surveillance system | |
Hammer et al. | A multi-sensorial approach for the protection of operational vehicles by detection and classification of small flying objects | |
Freudenmann et al. | Exploitation of data augmentation strategies for improved uav detection |
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 |
Application publication date: 20181012 |
|
RJ01 | Rejection of invention patent application after publication |