CN108830847A - 可见光与红外灰度融合图像感知对比度客观评价 - Google Patents
可见光与红外灰度融合图像感知对比度客观评价 Download PDFInfo
- Publication number
- CN108830847A CN108830847A CN201810628996.9A CN201810628996A CN108830847A CN 108830847 A CN108830847 A CN 108830847A CN 201810628996 A CN201810628996 A CN 201810628996A CN 108830847 A CN108830847 A CN 108830847A
- Authority
- CN
- China
- Prior art keywords
- contrast
- image
- fusion image
- visible light
- grayscale fusion
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于人眼视觉特性的灰度融合图像感知对比度评价方法,属于图像处理中图像融合技术领域。本发明在各向同性局部对比度计算模型基础上,引入人眼视觉的亮度掩盖特性,提出新的图像感知局部对比度客观计算模型。通过计算融合图像中所有像素的平均感知局部对比度,得到与人眼主观更一致的图像感知对比度客观评价模型。本方法不仅适用于灰度融合图像对比度的客观评价,也可用于对灰度融合算法的有效性评价,此外,该模型还可用于其他类型灰度图像对比度的评价。
Description
技术领域
本发明涉及一种可见光与红外灰度融合图像感知对比度评价方法,属于图 像处理中融合技术领域。
背景技术
可见光(微光)与红外图像灰度融合技术充分发挥两个波段的成像特点,在提 高目标探测能力的同时可提供较丰富的场景细节纹理信息,已在战场昼夜侦察、 车辆夜间驾驶、安全监控等众多军用和民用领域取得明显的应用成效,并展现 出广阔的应用前景。然而,实际应用表明不同融合算法得到的融合效果不同, 如何客观无参考地评价融合图像质量成为当前国内外融合技术研究、融合成像 系统设计、产品质量检测与验收等方面急需解决的关键问题之一。
人眼通过感受图像中相对亮度变化获取其中的信息,即主要依赖于图像的 局部对比度。图像对比度反映了图像中亮暗变化的显著程度,是影响图像质量 的主要质量属性之一,对比度较好的融合图像可有效提升观察者探测目标和识 别场景的能力。经典的韦伯(Weber)对比度模型可以较好的衡量均匀背景中小目 标的对比度,迈克尔逊(Michelson)对比度模型适用于类似正弦的亮暗周期性条纹 图像的对比度描述。然而,现实场景图像包含较丰富多样的纹理和细节,难以 用图像中某些最亮或最暗的点来描述整幅图像的对比度优劣,即上述两种客观 评价模型无法直接用来度量复杂图像的对比度。为此,前人研究提出了多种图 像局部对比度模型,其中具有代表性的有:Winkler各向同性局部对比度、Peli 局部频带对比度以及局部均方根对比度。此外,利用图像直方图统计特性衡量 融合图像的灰度对比度。
然而上述图像对比度评价模型均直接衡量图像的灰度对比度,没有结合人 眼视觉特点来评价图像对比度,从而降低了客观评价结果与观察者视觉感受的 一致性。因此,考虑人眼的视觉特性来构造与人眼主观更加一致的双波段灰度 融合图像对比度评价模型成为亟待解决的问题。
发明内容
本发明的目的是克服现有技术的上述不足,建立一种考虑人眼视觉特性的 双波段灰度融合图像感知对比度的评价方法。本发明基于人眼亮度掩盖特性 (HumanLuminance Masking Effect,HLME),提出新的图像感知对比度算法,能 够实现对可见光与红外灰度融合图像感知对比度的客观评价,其评价结果与人 眼主观感受具有较好的一致性。
为达到上述目的,本发明的技术方案为:
一种可见光与红外灰度融合图像感知对比度客观评价方法,包括如下步骤:
第一步:考虑人眼亮度掩盖特性,待评价可见光与红外灰度融合图像f(x,y) 中像素(x,y)的局部感知对比度定义为
其中,Ψjkn为尺度2-j,旋转2πk/N且阶数为n的小波包,j为小波尺度,k为小 波方向,n为尺度函数的阶数,“*”为图像卷积;Dmax(x,y)为像素(x,y)处四个方 向梯度的最大值
其中四个方向掩膜W1(α,β)~W4(α,β)分别为: Wn(α,β)表示第n个方向掩膜中第α行、第β列的值;ΔIth为在背景灰度Ib中人眼刚能探测 该目标时,目标背景像素灰度差;Ib与ΔIth的函数关系为
其中,Ib=φj*f(x,y),φj为高斯核,标准偏差σj=2j。
第二步:通过利用大量不同场景的灰度融合图像进行多次实验,确定参数 j=0,k=6,n=3时,式(1)可以较好地反映图像中包含主要信息的细节和边缘区域的 对比度,与人眼主观感受较一致。因此,采用PC0(x,y)作为双波段灰度融合图像 的感知局部对比度评价指标(其中k=6,n=3),PC0减小说明人眼感知的图像对比 度减小,当观察者察觉不出图像中存在灰度变化时,其计算结果为0;
第三步:计算融合图像所有像素的局部感知对比度均值,融合图像总像素 数为N,计算所有像素PC0(x,y)的均值,得到该融合图像感知对比度
PC越大说明人眼感知的融合图像对比度越大。
有益效果:
1)本方法针对Winkler各向同性对比度模型进行了改进,提出了新的图像 感知对比度算法,能够有效的对灰度融合图像对比度进行客观评价;
2)采用5幅模拟图像、同一现实场景不同亮度均值的4幅融合图像以及25 名观察者人眼主观评价实验得到的90幅现实场景融合图像(15组具有代 表性的现实场景可见光与红外图像作为原图像,6种常见的融合算法产 生不同效果的90幅灰度融合图像)的对比度评价数据进行客观评价模型 的测试。结果显示,与现有经典的4种对比度评价模型相比,本发明考 虑人眼视觉特性构造的感知对比度客观评价模型给出更符合人眼视觉 感受的计算分数,较好地完成灰度融合图像对比度的客观评价。
附图说明
图1是不同灰度背景的模拟图像。
具体实施方式
本发明公开了一种基于人眼视觉特性的灰度融合图像感知对比度评价方法, 本方法在Winkler各向同性局部对比度基础上,考虑人眼亮度掩盖特性(Human LuminanceMasking Effect,HLME)的影响,构造图像感知对比度评价模型,实现 灰度融合图像感知对比度的评价。
下面结合附图并举具体实施例对本方法做进一步说明:
实施例(1)
本实施例针对同一场景的红外源图像与可见光源图像的灰度融合图像进行 人眼感知对比度评价,评价步骤如下:
步骤一:考虑人眼亮度掩盖特性,计算待评价可见光与红外灰度融合图像 f(x,y)中像素(x,y)的局部感知对比度定义为
其中,Ψjkn为尺度2-j,旋转2πk/N且阶数为n的小波包,j为小波尺度,k为小 波方向,n为尺度函数的阶数,“*”为图像卷积;Dmax(x,y)为像素(x,y)处四个方 向梯度的最大值
其中四个方向掩膜W1(α,β)~W4(α,β)分别为: Wn(α,β)表示第n个方向掩膜中第α行、第β列的值;ΔIth为在背景灰度Ib中人眼刚能探测 该目标时,目标背景像素灰度差;Ib与ΔIth的函数关系为
其中,Ib=φj*f(x,y),φj为高斯核,标准偏差σj=2j。
第二步:通过多次实验,确定参数j=0,k=6,n=3时,式(1)可以较好地反映 图像中包含主要信息的细节和边缘区域的对比度。因此,采用PC0(x,y)作为双波 段灰度融合图像的感知局部对比度评价指标(其中k=6,n=3),PC0减小说明人眼 感知的图像对比度减小,当观察者察觉不出图像中存在灰度变化时,其计算结 果为0;
第三步:计算融合图像所有像素的局部感知对比度均值,融合图像总像素 数为N,计算所有像素PC0(x,y)的均值,得到该融合图像感知对比度
PC越大说明人眼感知的融合图像对比度越大。
本实施例基于Winkler各向同性局部对比度,考虑人眼的亮度掩模特性的考 虑,引入韦伯定律,对Winkler对比度进行改进,得到人眼感知对比度PCj函数, 其推导过程如下:
现有的几种局部对比度模型中,Winkler各向同性局部对比度可较好地衡量 图像每一像素点的对比度。Winkler等将方向滤波响应(directional filter responses) 能量和的平方根利用低频成分归一化【参见Winkler S,Vandergheynst P.Computingisotropic local contrast from oriented pyramid decompositions[C].Japan:International Conference on Image Processing,1999:20-24】,提出了各向同性对比度
其中f(x,y)是输入图像;Ψjkn为尺度2-j,旋转2πk/N且阶数为n的小波包,j 为小波尺度,k为小波方向,n为尺度函数的阶数,“*”为图像卷积。
韦伯定律指出【参见A.N.Nettravali and B.G.Haskell.Digital pictures:Representation and compression[M],Plenum Press,2nd edition,New York,USA,1988:266-269.】,仅当目标与所在均匀背景的亮度差ΔL达到特定阈值ΔLth时,人眼才 可以分辨出该目标,人眼视觉的这一特性也称为HLME。当背景亮度Lb在一定 变化区域内(即Weber区域),ΔLth与Lb的比值为常数
ΔLth/Lb=K (4)
式中,K为常数。
显示器显示亮度和对应像素灰度值存在近似指数关系
Ld=Lmax(Id/Imax)γ (5)
式中,Lmax为可显示的最高亮度;Imax为像素最大灰度;Ld为图像实际显示亮度; Id为对应像素实际灰度值。对于8bit量化的数字图像,Id的取值范围为[0,Imax=255]; γ为校正常数。
若图像背景亮度和对应像素灰度分别为Lt和Ib,其中目标亮度和对应像素灰 度分别为Lt和It,人眼刚能探测该目标时,目标背景像素灰度差为ΔIth,在Weber 区域,人眼刚可辨灰度差ΔIth与背景灰度Ib之比可近似为常数K'【参见高绍姝,金 伟其,王霞,等.可见光与红外彩色融合图像感知清晰度评价模型[J].光谱学与光 谱分析,2012,12(32):3197-3202.】,即
但对于过亮或过暗背景时,人眼感知亮暗差异的敏感度减小,K'变大。如图1所示,5幅不同灰度背景的模拟图像(Ib分别为1,100,150,200,250),其中存在 的圆形亮目标与所在背景的灰度差相等(It-Ib=5)。对于背景灰度为1的图1(a)与 背景灰度为250的图1(e),人眼在这种过暗和过亮背景区域探测能力减弱,难以发 现其中的圆形目标。前人通过开展人眼视觉实验,研究并测量了Ib对人眼恰可辨 灰度差ΔIth的影响,绘制了Ib与ΔIth的关系曲线,并给出二者的函数拟合关系)【参 见Chou C H,Li Y C.A perceptually tunedsubband image coder based on the measure of just-noticeable-distortionprofile[J].IEEE Transactions on Circuits and Systems for Video Technology,1995,5(6):467-476.】
从上式可以看出,在中等灰度背景中(Ib在127附近),人眼较为敏感,可感知亮 暗差异阈值较小,但随着背景灰度的增大或减小,人眼敏感度降低,刚可辨灰 度差逐渐增大。该模型较好地描述了人眼亮度掩盖特性。
式(3)中分母的低通图像相当于背景图像,综合式(3)和式(6),引入人 眼亮度掩盖特性,对各向同性局部对比度进行改进,定义感知局部对比度
其中,ΔIth(Ib)为对应式(7)中背景灰度Ib=φj*f(x,y)的人眼刚可辨阈值;Dmax(x, y)为像素(x,y)处四个方向梯度的最大值
其中,四个方向掩膜W1(α,β)~W4(α,β)分别为: Wn(α,β)表示第n个方向掩膜中第α行、第β列的值,离中心像素越远权重越小【参见Chou C H,Li YC.Aperceptually tuned subband image coder based on the measure of just-noticeable-distortion profile[J].IEEE Transactions on Circuits and Systemsfor Video Technology,1995,5(6):467-476.】。PCj减小说明人眼感知的图像对比度减小,当观察者察觉不出图像中存在灰度变化时,其计算结果为0。
实施例(2)
本实施例针对单一波段灰度图像或其他波段的灰度融合图像进行人眼感知 对比度评价,评价步骤如下:
本发明不仅适用于红外源图像(IR)与可见光源图像(Vis)的灰度融合图像的 对比度评价,同样适用于任何单一波段灰度图像或除红外和可见光之外的其他 任意多波段灰度融合图像的对比度评价,其具体评价步骤与实施例(1)相似。
Claims (4)
1.一种可见光与红外灰度融合图像感知对比度客观评价方法,其特征在于,包括如下步骤:
第一步:基于人眼亮度掩盖特性,计算待评价的可见光与红外灰度融合图像中每个像素的局部感知对比度;
第二步:确定局部感知对比度的参数;
第三步:计算可见光与红外灰度融合图像中所有像素的局部感知对比度均值,得到该可见光与红外灰度融合图像的感知对比度评价结果。
2.如权利要求1所述的一种可见光与红外灰度融合图像感知对比度客观评价方法,其特征在于,可见光与红外灰度融合图像f(x,y)中像素(x,y)的局部感知对比度定义为:
其中,Ψjkn为尺度2-j,旋转2πk/N且阶数为n的小波包,j为小波尺度,k为小波方向,n为尺度函数的阶数,“*”为图像卷积;Dmax(x,y)为像素(x,y)处四个方向梯度的最大值:
其中四个方向掩膜W1(α,β)~W4(α,β)分别为:
Wn(α,β)表示第n个方向掩膜中第α行、第β列的值;
ΔIth为在背景灰度Ib中人眼刚能探测该目标时,目标背景像素灰度差;
Ib与ΔIth的函数关系为:
其中,Ib=φj*f(x,y),φj为高斯核,标准偏差σj=2j。
3.如权利要求2所述的一种可见光与红外灰度融合图像感知对比度客观评价方法,其特征在于,确定局部感知对比度的参数:通过利用大量不同场景的灰度融合图像进行多次实验,确定参数j=0,k=6,n=3时,式(1)可以较好地反映图像中包含主要信息的细节和边缘区域的对比度,因此,采用PC0(x,y)作为双波段灰度融合图像的感知局部对比度评价指标(其中k=6,n=3)。
4.如权利要求2所述的一种可见光与红外灰度融合图像感知对比度客观评价方法,其特征在于,计算可见光与红外灰度融合图像中所有像素的局部感知对比度均值:
其中,N为可见光与红外灰度融合图像总像素数,PC越大说明人眼感知的融合图像对比度越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810628996.9A CN108830847A (zh) | 2018-06-19 | 2018-06-19 | 可见光与红外灰度融合图像感知对比度客观评价 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810628996.9A CN108830847A (zh) | 2018-06-19 | 2018-06-19 | 可见光与红外灰度融合图像感知对比度客观评价 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830847A true CN108830847A (zh) | 2018-11-16 |
Family
ID=64142540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810628996.9A Pending CN108830847A (zh) | 2018-06-19 | 2018-06-19 | 可见光与红外灰度融合图像感知对比度客观评价 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830847A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523562A (zh) * | 2018-12-14 | 2019-03-26 | 哈尔滨理工大学 | 一种基于人眼视觉特性的红外图像分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663745A (zh) * | 2012-03-23 | 2012-09-12 | 北京理工大学 | 一种基于视觉任务的彩色融合图像质量评价方法 |
CN102881010A (zh) * | 2012-08-28 | 2013-01-16 | 北京理工大学 | 基于人眼视觉特性的融合图像感知清晰度评价方法 |
CN107240096A (zh) * | 2017-06-01 | 2017-10-10 | 陕西学前师范学院 | 一种红外与可见光图像融合质量评价方法 |
-
2018
- 2018-06-19 CN CN201810628996.9A patent/CN108830847A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663745A (zh) * | 2012-03-23 | 2012-09-12 | 北京理工大学 | 一种基于视觉任务的彩色融合图像质量评价方法 |
CN102881010A (zh) * | 2012-08-28 | 2013-01-16 | 北京理工大学 | 基于人眼视觉特性的融合图像感知清晰度评价方法 |
CN107240096A (zh) * | 2017-06-01 | 2017-10-10 | 陕西学前师范学院 | 一种红外与可见光图像融合质量评价方法 |
Non-Patent Citations (1)
Title |
---|
高绍姝等: "可见光与红外灰度融合图像感知对比度客观评价", 《中国科技论文在线:HTTP://WWW.PAPER.EDU.CN/RELEASEPAPER/CONTENT/201704-619》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523562A (zh) * | 2018-12-14 | 2019-03-26 | 哈尔滨理工大学 | 一种基于人眼视觉特性的红外图像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11154200B2 (en) | Skin assessment using image fusion | |
CN102881010B (zh) | 基于人眼视觉特性的融合图像感知清晰度评价方法 | |
Li et al. | Image fusion with guided filtering | |
Kolås et al. | Spatio-temporal Retinex-inspired envelope with stochastic sampling: a framework for spatial color algorithms | |
CN106846289B (zh) | 一种红外光强与偏振图像融合方法 | |
CN106960428A (zh) | 可见光和红外双波段图像融合增强方法 | |
CN107220956A (zh) | 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 | |
Li et al. | A multi-scale fusion scheme based on haze-relevant features for single image dehazing | |
JP6473401B2 (ja) | 肌の光沢評価装置、光沢評価方法および光沢評価プログラム | |
Kwok et al. | Visual impact enhancement via image histogram smoothing and continuous intensity relocation | |
JP2009297295A (ja) | 肌のなめらかさの評価方法 | |
CN106971379A (zh) | 一种基于分层加权融合的水下图像增强方法 | |
CN106157264B (zh) | 基于经验模式分解的大幅面图像不均匀光照校正方法 | |
CN111507913B (zh) | 一种基于纹理特征的图像融合算法 | |
CN108961206A (zh) | 一种去雾效果的无参考客观评价方法 | |
Beghdadi et al. | A critical analysis on perceptual contrast and its use in visual information analysis and processing | |
CN110458787A (zh) | 一种图像融合方法、装置及计算机存储介质 | |
Priyanka et al. | Low-light image enhancement by principal component analysis | |
CN108648174A (zh) | 一种基于自动对焦技术的多层图像融合方法及系统 | |
CN108898569A (zh) | 一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法 | |
CN106993183A (zh) | 基于立体图像显著区域的舒适亮度定量方法 | |
Pedersen et al. | Image quality metrics for the evaluation and optimization of capsule video endoscopy enhancement techniques | |
CN108830847A (zh) | 可见光与红外灰度融合图像感知对比度客观评价 | |
CN110246086A (zh) | 彩色图像增强的图像处理方法及其图像处理系统 | |
Toprak et al. | A new full-reference image quality metric based on just noticeable difference |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181116 |
|
WD01 | Invention patent application deemed withdrawn after publication |