CN109325959B - 一种基于Hough变换的提取红外图像细节的方法及其应用 - Google Patents
一种基于Hough变换的提取红外图像细节的方法及其应用 Download PDFInfo
- Publication number
- CN109325959B CN109325959B CN201811331318.2A CN201811331318A CN109325959B CN 109325959 B CN109325959 B CN 109325959B CN 201811331318 A CN201811331318 A CN 201811331318A CN 109325959 B CN109325959 B CN 109325959B
- Authority
- CN
- China
- Prior art keywords
- image
- point
- value
- infrared image
- extracting
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
Abstract
本发明提出的一种基于Hough变换的红外图像细节提取方法,包括以下步骤:提取原始红外数字图像的压缩图像;使用Hough变换方法检测压缩图像中的曲线,提取压缩图像的边缘和细节图像。本发明利用了红外数字图像空间性强的特点,对红外数字图像进行了处理,将红外数字图像的边缘和细节识别出来,使原始图像中不能被观察到的边缘和细节也能够被识别出来,能够增强视觉效果。本发明能够检测红外数字图像的曲线,通过设定方程式和两个阈值,可同时将红外图像的边缘和细节提取出来,过程简单快速,准确度高,具有突破性意义。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于Hough变换的提取红外图像细节的方法。
背景技术
红外图像因为红外图像具有很多其他电磁波所不可比拟的特性,如作用距离远,抗干扰性好、不易受强光影响等,使其在军事领域和国民经济中都有着极其广泛的应用。
红外光谱波长较长,发生衍射的可能性较高,所以红外热成像技术成像距离远,可以全天时全天候进行工作。并且红外抗干扰性较好,有非常高的精度。红外成像图像往往还存在一些缺陷,例如图像边缘模糊、整体偏暗、细节较难分辨、对比度低、噪声较大等,这也对红外目标识别与跟踪应用带来了困难。红外图像通过制冷或非制冷热像仪能够获得较大的场景信号,再通过红外探测器进行信号的采样、量化得到的通常14bits、16bits红外图像,这样的图像拥有更多的场景信息,但是细节信息即包括物体各部分之间较边缘相比更小的界限,这些界限温差较小,并且图像的灰度值通常分布在较小的范围内,再压缩至8bits图像后,图像细节很可能被丢失,因此红外图像细节提取方法是很重要。
霍夫变换(Hough Transform)是图像处理中的一种特征提取技术,它通过一种投票算法检测具有特定形状的物体。该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果。霍夫变换于1962年由Paul Hough首次提出,后于1972年由Richard Duda和Peter Hart推广使用。
Hough变换是一种利用图像全局特征将特定的形状的边缘像素连接起来,形成连续平滑边缘的一种方法。它通过将原图像上的点映射到用于累加的参数空间,实现对已知解析式曲线的识别。这个将需要识别的曲线成为目标曲线,将可用来构成目标曲线的像素称为有效像素,Hough变换的核心思想可以概括如下:
(1)确定要识别的曲线解析式集,即在一定精度上枚举带参数的解析式中所有参数的可能取值;
(2)为解析式集中的每个元素构造计数;
(3)遍历图像中的有效像素,并将每个有效像素的坐标依次带入解析式集中的每个元素,若解析式成立,则将该解析式对应的计数器加1;
(4)设定阈值t,对于计数器大于t的解析式,可认为其对应的曲线被识别。
霍夫变换主要用来检测图像中的直线,后来霍夫变换扩展到任意形状物体的识别,多为圆和椭圆,但是针对于图像中曲线,现有的霍夫变换方法处理效果却不尽人意。
发明内容
本发明正是针对现有技术存在的不足,提供了一种基于Hough变换的提取红外图像细节的方法。
为解决上述问题,本发明所采取的技术方案如下:
一种基于Hough变换的提取红外图像细节的方法,包括以下步骤:
S1:提取原始红外图像的压缩图像;
S2:使用Hough变换方法检测压缩图像中的曲线,提取压缩图像的边缘和细节图像;
S3:对边缘和细节图像进行细节增强;
S4:将细节增强后的图像与原始红外图像融合在一起,得到目标图像。
优选地,S1的具体步骤包括:
S11:提取原始红外图像的图像矩阵;
S12:生成图像矩阵的灰度直方图;
S13:确定第一阈值t1和第二阈值t2;
S14:根据第一阈值t1对红外图像的高灰度值进行灰度值去除处理;;
S15:根据第二阈值t2对红外图像的低灰度值进行灰度值去除处理;;
S16:生成压缩图像。
优选地,S14的具体步骤包括:获取红外图像灰度最大值hmax,从hmax对应在灰度直方图中的点开始,向灰度值减小的方向,逐点计算相应灰度在灰度直方图中的值,直至一点和与之邻近的m个点在灰度直方图中的值的和不小于第一阈值t1,该点即为红外图像保留灰度的最大值Imax,10≤m≤15。
优选地,S15的具体步骤包括:获取红外图像灰度最小值hmin,从hmin对应在灰度直方图中的点开始,向灰度值增大的方向,逐点计算相应灰度在灰度直方图中的值,直至一点与之邻近的n个点在灰度直方图中的值的和不小于第二阈值t2,该点即为红外图像保留灰度的最小值Imin,10≤n≤15。
优选地,S15的具体步骤包括:从hmax对应在灰度直方图中的点开始,向灰度值减小的方向,逐点计算相应灰度在灰度直方图中的值,直至一点与之邻近的n个点在灰度直方图中的值的和不小于第二阈值t2,该点即为红外图像保留灰度的最小值Imin,10≤n≤15。
优选地,S2的具体步骤包括:
S21:利用laplace算子对压缩图像进行边缘和细节筛选;
S22:对筛选后的图像进行二值化处理,得到二值化图像;
S23:利用Hough变换方法提取二值化图像中的边缘和细节图像;
优选地,在S23中,Hough变换方法如下:
二值化图像中的点(xi,yi)满足曲线方程:
y=a*x2+b*x+c
用极坐标方程对y=a*x2+b*x+c进行转换,得到极坐标方程:
ρ=x*x*cosθ+x*cosθ+y*sinθ
把参数空间O-ρθ离散化成一个累加器阵列,即将参数空间细分成一个网格阵列,其中的每一个格子对应一个累加器,设定累加器阵列中每个累加器的初值为零,预设好θ的取值范围[θmin,θmax]、ρ的取值范围[ρminρmax];
将图像空间x-y中每一个点(xi,yi)映射到极坐标空间O-ρθ中对应的一系列的累加器中,即对于图像空间x-y中每一个点,按照ρ=x*x*cosθ+x*cosθ+y*sinθ进行变换,得到其在极坐标空间O-ρθ中所对应的曲线,凡是曲线经过的网格,对应的累加器加1,累加器的累加值等于曲线共线的点数j;
预设好第三阈值t3和第四阈值t4,t3>t4;
在j≥t3时,确定与之对应的曲线方程式,提取出边缘图像;
在t4≤j<t3时,确定与之对应的曲线方程式,提取出细节图像。
本发明还提出了一种基于Hough变换的红外图像细节增强方法,该方法运用了如权利要求1-8任意一项所述的提取红外图像细节的方法。
本发明与现有技术相比较,本发明的实施效果如下:
(1)本发明利用了红外图像空间性强的特点,对红外图像进行了处理,将红外图像的边缘和细节识别出来,使原始图像中不能被观察到的边缘和细节也能够被识别出来,有助于增强视觉效果。
(2)本发明创造性的利用了Hough变换来检测红外图像的曲线,通过设定方程式和两个阈值,可同时将红外图像的边缘和细节提取出来,过程简单快速,准确度高,具有突破性意义。
附图说明
图1为本发明的流程示意图;
图2为红外图像的像素分布图;
图3为直角坐标系下的参数式表示图;
图4为笛卡儿坐标映射到参数空间的表示图;
图5为laplace算子处理后的效果图;
图6为运用了本发明后的效果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整性地描述。当然,所描述的实施例只是本发明一部分实施例,而不是全部的实施例。
本发明提出的一种基于Hough变换的提取红外图像细节的方法,包括以下步骤:
S1:提取原始红外图像的压缩图像;
步骤S1具体包括以下步骤:
S11:提取原始红外图像的图像矩阵;
S12:生成图像矩阵的灰度直方图;
S13:确定第一阈值为t1和第二阈值t2;
S14:根据第一阈值t1对红外图像的灰度值高端进行灰度值压缩处理;
步骤S14的具体步骤为:获取红外图像灰度最大值hmax,从hmax对应在灰度直方图中的点开始,向灰度值减小的方向,逐点计算相应灰度在灰度直方图中的值,直至一点和与之邻近的m个点在灰度直方图中的值的和不小于第一阈值t1,该点即为红外图像保留灰度的最大值Imax,10≤m≤15,作为优选,m取15,t1取30;
S15:根据第二阈值t2对红外图像的灰度值低端进行灰度值压缩处理;
步骤S15的具体步骤为:
获取红外图像灰度最小值hmin,从hmin对应在灰度直方图中的点开始,向灰度值增大的方向,逐点计算相应灰度在灰度直方图中的值,直至一点与之邻近的n个点在灰度直方图中的值的和不小于第二阈值t2,该点即为红外图像保留灰度的最小值Imin,10≤n≤15,作为优选,n取10,t2取20。
步骤S14的具体步骤还可为:
从hmax对应在灰度直方图中的点开始,向灰度值减小的方向,逐点计算相应灰度在灰度直方图中的值,直至一点与之邻近的n个点在灰度直方图中的值的和不小于第二阈值t2,该点即为红外图像保留灰度的最小值Imin,10≤n≤15,作为优选,n取10,t2取20。
S16:生成压缩图像;
S2:使用Hough变换方法检测压缩图像中的曲线,提取压缩图像的边缘和细节图像;
步骤S2的具体步骤为:
S21:利用laplace算子对压缩图像进行边缘和细节筛选;
S22:对筛选后的图像进行二值化处理,得到二值化图像;
S23:利用Hough变换方法提取二值化图像中的边缘和细节图像;
Hough变换方法如下:
二值化图像中的点(xi,yi)满足曲线方程:
y=a*x2+b*x+c
式中i=1,2,3,4...
用极坐标方程对y=a*x2+b*x+c进行转换,得到极坐标方程:
ρ=x*x*cosθ+x*cosθ+y*sinθ
把参数空间O-ρθ离散化成一个累加器阵列,即将参数空间细分成一个网格阵列,其中的每一个格子对应一个累加器,设定累加器阵列中每个累加器的初值为零,预设好θ的取值范围[θmin,θmax]、ρ的取值范围[ρminρmax];具体地,θ从[0°,180°]范围进行枚举,通常ρ的取值范围[d,h],h为图像矩阵的长度值,d为图像矩阵的宽度值;
将图像空间x-y中每一个点(xi,yi)映射到极坐标空间O-ρθ中对应的一系列的累加器中,即对于图像空间x-y中每一个点,按照ρ=x*x*cosθ+x*cosθ+y*sinθ进行变换,得到其在极坐标空间O-ρθ中所对应的曲线,凡是曲线经过的网格,对应的累加器加1,累加器的累加值等于曲线共线的点数j;
预设好第三阈值t3和第四阈值t4,t3>t4;
在j≥t3时,确定与之对应的曲线方程式,提取出边缘图像;
在t4≤j<t3时,确定与之对应的曲线方程式,提取出细节图像;
上述的一种基于Hough变换的红外图像细节增强方法可运用到红外图像细节增强的方法中。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于Hough变换的提取红外图像细节的 方法,其特征在于,包括以下步骤:
S1:提取原始红外图像的压缩图像;
S2:使用Hough变换方法检测压缩图像中的曲线,提取压缩图像的边缘和细节图像;
S2的具体步骤包括:
S21:利用laplace算子对压缩图像进行边缘和细节筛选;
S22:对筛选后的图像进行二值化处理,得到二值化图像;
S23:利用Hough变换方法提取二值化图像中的边缘和细节图像;
在S23中,Hough变换方法如下:
二值化图像中的点(xi,yi)满足曲线方程:
y=a*x2+b*x+c
用极坐标方程对y=a*x2+b*x+c进行转换,得到极坐标方程:
ρ=x*x*cosθ+x*cosθ+y*sinθ
把参数空间O-ρθ离散化成一个累加器阵列,即将参数空间细分成一个网格阵列,其中的每一个格子对应一个累加器,设定累加器阵列中每个累加器的初值为零,预设好θ的取值范围[θmin,θmax]、ρ的取值范围[ρmin,ρmax];
将图像空间x-y中每一个点(xi,yi)映射到参数空间O-ρθ中对应的一系列的累加器中,即对于图像空间x-y中每一个点,按照ρ=x*x*cosθ+x*cosθ+y*sinθ进行变换,得到其在参数空间O-ρθ中所对应的曲线,凡是曲线经过的网格,对应的累加器加1,累加器的累加值等于曲线共线的点数j;
预设好第三阈值t3和第四阈值t4,t3>t4;
在j≥t3时,确定与之对应的曲线方程式,提取出边缘图像;
在t4≤j<t3时,确定与之对应的曲线方程式,提取出细节图像。
2.根据权利要求1所述的一种基于Hough变换的提取红外图像细节的方法,其特征在于,S1的具体步骤包括:
S11:提取原始红外图像的图像;
S12:生成图像矩阵的灰度直方图;
S13:确定第一阈值t1和第二阈值t2;
S14:根据第一阈值t1对红外图像的高灰度值进行灰度值去除处理;
S15:根据第二阈值t2对红外图像的低灰度值进行灰度值去除处理;
S16:生成压缩图像。
3.根据权利要求2所述的一种基于Hough变换的提取红外图像细节的方法,其特征在于,S14的具体步骤包括:获取红外图像灰度最大值hmax,从hmax对应在灰度直方图中的点开始,向灰度值减小的方向,逐点计算相应灰度在灰度直方图中的值,直至一点和与之邻近的m个点在灰度直方图中的值的和不小于第一阈值t1,该点即为红外图像保留灰度的最大值Ⅰmax,10≤m≤15。
4.根据权利要求2所述的一种基于Hough变换的提取红外图像细节的方法,其特征在于,S15的具体步骤包括:获取红外图像灰度最小值hmin,从hmin对应在灰度直方图中的点开始,向灰度值增大的方向,逐点计算相应灰度在灰度直方图中的值,直至一点与之邻近的n个点在灰度直方图中的值的和不小于第二阈值t2,该点即为红外图像保留灰度的最小值Ⅰmin,10≤n≤15。
5.根据权利要求3所述的一种基于Hough变换的提取红外图像细节的方法,其特征在于,S15的具体步骤包括:从hmax对应在灰度直方图中的点开始,向灰度值减小的方向,逐点计算相应灰度在灰度直方图中的值,直至一点与之邻近的n个点在灰度直方图中的值的和不小于第二阈值t2,该点即为红外图像保留灰度的最小值Ⅰmin,10≤n≤15。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811331318.2A CN109325959B (zh) | 2018-11-09 | 2018-11-09 | 一种基于Hough变换的提取红外图像细节的方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811331318.2A CN109325959B (zh) | 2018-11-09 | 2018-11-09 | 一种基于Hough变换的提取红外图像细节的方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109325959A CN109325959A (zh) | 2019-02-12 |
CN109325959B true CN109325959B (zh) | 2022-09-16 |
Family
ID=65261171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811331318.2A Active CN109325959B (zh) | 2018-11-09 | 2018-11-09 | 一种基于Hough变换的提取红外图像细节的方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325959B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110801208B (zh) * | 2019-11-27 | 2022-04-05 | 东北师范大学 | 一种牙齿裂缝检测方法及系统 |
CN111110956A (zh) * | 2019-12-27 | 2020-05-08 | 武汉大学 | 一种基于机器视觉和fpga的输液自动报警系统及方法 |
CN111214724A (zh) * | 2020-01-21 | 2020-06-02 | 济南大学 | 一种基于机器视觉的输液监测方法与系统 |
CN114140481A (zh) * | 2021-11-03 | 2022-03-04 | 中国安全生产科学研究院 | 一种基于红外图像的边缘检测方法、装置 |
CN116309186B (zh) * | 2023-05-12 | 2023-09-12 | 北京理工大学 | 一种基于多段s曲线映射的红外图像动态范围压缩方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799872B (zh) * | 2012-07-17 | 2015-04-29 | 西安交通大学 | 基于面部图像特征的图像处理方法 |
CN104021532B (zh) * | 2014-06-19 | 2017-06-16 | 电子科技大学 | 一种红外图像的图像细节增强方法 |
-
2018
- 2018-11-09 CN CN201811331318.2A patent/CN109325959B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109325959A (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325959B (zh) | 一种基于Hough变换的提取红外图像细节的方法及其应用 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
Krishnan et al. | A survey on different edge detection techniques for image segmentation | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
KR101182173B1 (ko) | 차량 번호판 인식 방법 및 시스템 | |
CN108765335B (zh) | 一种基于遥感图像的森林火灾检测方法 | |
Paunwala et al. | A novel multiple license plate extraction technique for complex background in Indian traffic conditions | |
CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
CN105405138B (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN107564006B (zh) | 一种利用Hough变换的圆形目标检测方法 | |
Jiang et al. | A new method of sea-sky-line detection | |
CN108563994B (zh) | 一种基于图像相似程度的停车场车位识别方法 | |
CN108416358B (zh) | 一种空间目标特征提取方法和装置 | |
CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN112801031A (zh) | 静脉图像识别方法、装置、电子设备及可读存储介质 | |
CN112115778A (zh) | 一种在环仿真条件下车道线智能识别方法 | |
WO2022247684A1 (zh) | 基站馈线检测方法、系统及相关装置 | |
CN115512310A (zh) | 一种基于视频监控下车脸特征的车型识别方法及系统 | |
CN113409334B (zh) | 一种基于质心的结构光角点检测方法 | |
Soundrapandiyan et al. | Robust pedestrian detection in infrared images using rotation and scale invariant-based structure element descriptor | |
CN112329796B (zh) | 基于视觉显著性的红外成像卷云检测方法和装置 | |
Jo et al. | Pothole detection based on the features of intensity and motion | |
Varkonyi-Koczy | Fuzzy logic supported corner 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |