CN109345491A - 一种融合梯度和灰度信息的遥感图像增强方法 - Google Patents
一种融合梯度和灰度信息的遥感图像增强方法 Download PDFInfo
- Publication number
- CN109345491A CN109345491A CN201811123991.7A CN201811123991A CN109345491A CN 109345491 A CN109345491 A CN 109345491A CN 201811123991 A CN201811123991 A CN 201811123991A CN 109345491 A CN109345491 A CN 109345491A
- Authority
- CN
- China
- Prior art keywords
- gradient
- remote sensing
- sensing images
- gray scale
- gray
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims description 47
- 230000007423 decrease Effects 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract 1
- 230000001131 transforming effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000002699 waste material Substances 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 using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种融合梯度和灰度信息的遥感图像增强方法,主要步骤有:1、统计输入遥感图像的梯度灰度联合直方图;2、根据标准差和各灰度级的频数自适应地对梯度灰度联合直方图进行变换得到优化的直方图;3、基于直方图均衡化方法建立灰度映射关系,对输入遥感图像灰度重构生成全局增强遥感图像;4、计算全局增强图和原图的梯度差异,对增强图中梯度下降的区域进补偿。本发明能够有效克服现有直方图变换的图像结构细节信息的缺失,且对梯度下降区域进行补偿能够避免局部细节的丢失。使用该方法增强后的遥感图像视觉效果好、细节丰富,且整个过程无需人为干预。
Description
技术领域
本发明涉及图像增强领域,特别是关于遥感图像整体对比度和局部细节的增强方法。
背景技术
整体对比度和局部细节信息是衡量遥感图像质量的重要信息,也是影响后续遥感应用的重要因素。高质量的遥感图像是地物分类、目标识别、变换检测、地质勘探、环境监测中发挥着不可替代的作用。然而,由于天气影响、设备老化等不确定因素导致遥感图像整体对比度下降、细节信息模糊。因此,对低对比度图像进行增强处理,是遥感应用的前提。
图像增强是为了提升图像的对比度和细节信息,在尽可能保持信息量的同时获得更好视觉效果和更高清晰度的图像,目前提出了多种类型的图像增强方法:
1)基于频率域的图像增强,如基于DCT的图像增强、基于DWT的图像增强、基于SVD的图像增强等;这类方法在细节增强方面有较好的效果,但往往会使图像平坦区域产生伪细节,造成图像的细节失真,如导致平坦的地面出现波纹状的纹理。
2)基于空间域的图像增强,如直方图均衡化、线性拉伸、线性截断拉伸等;这类方法常需要进行灰度合并,会导致增强效果生硬、大区域细节丢失,如导致红外波段图像的纹理信息丢失。
3)其他类型的增强算法,如Retinex增强、空间域和频率域结合的图像增强等。这些算法也大都针对自然图像增强,在遥感图像增强中常常失效,无法满足实际应用。
在实际遥感图像显示中,我们需要获得整体对比度较好且局部细节保持较好的图像,而现有方法难以满足该要求。
发明内容
本发明提出了一种融合梯度和灰度信息的遥感图像增强方法,充分考虑梯度信息在遥感图像增强中的重要性,在全局增强中能够克服直方图均衡化、线性拉伸等增强方法的在全局增强中效果不自然的不足,且通过局部细节补偿能够极大程度保持局部细节信息。
本发明的技术方案如下:
该融合梯度和灰度信息的遥感图像增强方法,主要包括以下步骤:
步骤a、对输入原始遥感图像统计得出梯度灰度联合直方图;所述梯度灰度联合直方图包含原始遥感图像的灰度信息和梯度信息(即能够描述图像除灰度分布以外的地物结构信息,从而更加适合遥感图像的增强);
步骤b、对梯度灰度联合直方图进行优化:计算灰度梯度联合直方图的标准差,结合梯度灰度联合直方图各灰度级对应的归一化频数,构建梯度灰度联合直方图优化参数,对每个灰度级的直方图频数进行修正,得到优化的梯度灰度联合直方图;
步骤c、对优化的灰度梯度联合直方图进行均衡化处理计算,建立原始遥感图像到整体增强遥感图像的灰度映射关系,得到整体增强遥感图像;
步骤d、计算所述整体增强遥感图像与原始遥感图像的梯度差异,对整体增强遥感图像中梯度下降的区域进行梯度细节补偿,输出最终增强遥感图像。
其中,进行梯度细节补偿的方法是:
用整体增强遥感图像的梯度逐像素减去原始遥感图像的梯度,标记小于0的像素;将相连的标记像素按8邻域进行编号得到不同编号的标记区域;并用对应标记区域的原始遥感图像的线性拉伸值对整体增强遥感图像中的像素值进行改变,得到最终增强遥感图像。
以上各步骤较佳的具体实现过程分别如下:
步骤a具体按照以下公式计算输入的原始遥感图像f(i,j)的梯度灰度联合直方图GIH;
G(k)=sum(G(i,j)),if f(i,j)=k
其中:
Gx(i,j)=f(i+1,j-1)+2×f(i+1,j)+f(i+1,j+1)-f(i-1,j-1)-2×f(i-1,j)-f(i-1,j+1)
Gy(i,j)=f(i-1,j+1)+2×f(i,j+1)+f(i+1,j+1)-f(i-1,j-1)-2×f(i,j-1)-f(i+1,j-1)
其中(i,j)为像元水平和垂直方向的位置;k=0,1,2,…,K-1为图像的灰度级;K=2B-1;B为输入原始遥感图像的位数;G(k)表示图像在灰度值为k的像素梯度值之和,GIH(k)表G(k)的归一化值,即梯度灰度联合直方图各灰度级的归一化频数。
步骤b中所述梯度灰度联合直方图优化参数为各灰度级调节参数;步骤b具体是:
首先,根据梯度灰度联合直方图的标准差和各灰度级的频数,计算梯度灰度联合直方图在各灰度级的调节参数T(k);
stdh=std(GIH)
式中,k=0,1,2,…,K-1为图像的灰度级;K=2B-1;B为输入原始遥感图像的位数;GIH为输入图像f(i,j)的梯度灰度联合直方图;std(·)为标准差函数;
然后,利用调节参数T(k)对梯度灰度联合直方图进行调节,得到优化的梯度灰度联合直方图GIHrefine(k),并进行归一化;
GIHrefine(k)=GIH(k)T(k)
步骤c具体按照以下公式计算累积分布梯度灰度联合直方图Frefine(k),并计算灰度映射函数将原始遥感图像灰度k变换为yrefine(k),实现图像整体增强得到整体增强遥感图像fc(i,j);
其中yu,yd表示增强后输出图像的最小值和最大值。
步骤d具体可以是:
首先,设Pc(i,j)值为0,计算整体增强遥感图像fc(i,j)和原始遥感图像f(i,j)梯度的差异,找出整体增强后梯度下降的像素位置;
Pc(i,j)=1,if(Gc(i,j)-G(i,j)<0)
然后,对梯度下降的相连像素进行标记,得到梯度下降区域,并按照8邻域对梯度下降区进行编号,标记得到N个不同区域P1=1,P2=2,...PN=N;
最后,对梯度下降的每个区域的像素进行重新赋值;
其中fliner(i,j)表示在线性拉伸增强的图像;tn为整体增强遥感图像fc(i,j)在区域Pn内外边界均值的差值减去原始遥感图像f(i,j)在区域Pn内外边界均值的差值;如此按照标记值从小到大,对整幅图中所有梯度下降区域进行更新得到fc_f(i,j)。
本发明有如下效果:
1、本发明中提出的融合梯度和灰度信息(梯度灰度联合直方图变换和梯度细节补偿)原理的图像自适应增强方法,能够有效地提升图像整体的对比度,同时也能够保持局部细节信息,对遥感图像适用性高,增强效果明显,适用于各种极端情况下(薄雾、低照度、过曝光、传感器退化等)遥感图像的对比度增强。
2、本发明方法涉及的所有参数,都根据图像自身特性进行计算,避免了人为设置参数导致增强结果的不稳定,自动化程度高。
3、本发明方法兼具图像整体增强和局部增强的优点,增强后的遥感图像视觉效果好、细节丰富,适用性较现有方法好。
附图说明
图1是本发明的遥感图像增强方法流程图。
图2是按照8连通区域对梯度下降区进行编号的示意图。
图3是一幅火星遥感图像。
图4是火星遥感图像的直方图。
图5是直接使用直方图均衡化的结果。
图6是使用梯度灰度联合直方图均衡化处理的结果。
图7是使用本发明中优化的梯度灰度联合直方图均衡化处理的结果。
图8是优化的梯度灰度联合直方图均衡化处理后梯度细节减弱区域。
图9是使用本发明方法处理的结果。
图10是使用本发明方法处理的结果的直方图。
具体实施方式
以下结合附图对本发明的具体实施流程做进一步的说明。
受光照、探测器、目标辐射特性等成像条件的影响,获取的遥感图像往往对比度较低、细节特征不明显,难以从中获取有效的信息。图3为一幅全色火星遥感图像,如图4所示,其灰度分布集中在[40,140],该范围的像素大约有90%;在灰度区间[0,39]和[141,255]大约2/3范围中分布较少,像素个数大约10%左右。这就造成大量的灰度级浪费,导致图像对比度不强,细节纹理难以辨认。
本发明的融合梯度和灰度信息的方法,以优化梯度灰度联合直方图变换和梯度细节补偿相结合,利用图像自身特性(梯度灰度联合直方图标准差和各灰度级的频数),构建参数T对梯度灰度联合直方图进行优化;然后使用均衡化的直方图变换方法,建立原图到增强图的灰度映射关系,获得全局增强图像;进一步通过对比全局增强遥感图像和原始遥感图像的梯度对比,判别出细节丢失区域,对全局增强图中梯度下降区域进行补偿,获得最终增强图像。最终增强遥感图像在整体对比度和局部细节上都较原始图像好:优化梯度灰度联合直方图避免了现有遥感图像增强方法中的过增强和欠增强现象;局部梯度补偿避免了灰度级合并导致的细节丢失现象。
如图1所示,本发明具体实现的步骤如下:
步骤1:计算输入图像f(i,j)的梯度灰度联合直方图GIH;
G(k)=sum(G(i,j)),if f(i,j)=k
Gx(i,j)=f(i+1,j-1)+2×f(i+1,j)+f(i+1,j+1)-f(i-1,j-1)-2×f(i-1,j)-f(i-1,j+1)Gy(i,j)=f(i-1,j+1)+2×f(i,j+1)+f(i+1,j+1)-f(i-1,j-1)-2×f(i,j-1)-f(i+1,j-1)其中(i,j)为像元水平和垂直方向的位置;k=0,1,2,…,K-1为图像的灰度级;K=2B-1;B输入图像的位数。G(k)表示图像在灰度值为k的像素梯度之和。
步骤2:根据梯度灰度联合直方图的分布特性和其标准差,计算梯度灰度联合直方图在各灰度级的调节参数T(k);
stdh=std(GIH)
步骤3:对利用参数T(k)对梯度灰度联合直方图进行调节得到优化的梯度灰度联合直方图GIHrefine(k),并进行归一化;
GIHrefine(k)=GIH(k)T(k)
步骤4:计算累积分布梯度灰度联合直方图Frefine(k),并计算灰度映射函数将原始图像灰度k变换为yrefine(k),实现图像整体增强得到增强图fc(i,j);
其中yu,yd表示增强后输出图像的最小值和最大值。
步骤5:设Pc(i,j)值为0,计算整体增强图fc(i,j)和原图f(i,j)梯度的差异,找出整体增强后梯度下降的像素位置;
Pc(i,j)=1,if(Gc(i,j)-G(i,j)<0)
步骤6:对梯度下降的相连像素进行标记,得到梯度下降区域,并按照8连通区域对梯度下降区进行编号,被标记为N个不同区域P1=1,P2=2,...PN=N。示例如图2所示,梯度下降像素Pc(i,j)=1,用深色表示,被标记为1,2,3个不同区域P1=1,P2=2,P3=3。
步骤7:对梯度下降的每个区域的像素进行重新赋值;
其中fliner(i,j)表示在线性拉伸增强的图像。tn为增强图fc(i,j)在区域Pn内外边界均值的差值减去原图f(i,j)在区域Pn内外边界均值的差值。这样按照标记值从小到大,对整幅图中所有梯度下降区域进行更新得到fc_f(i,j)。
这里以区域1为例,则;
其中t1为增强图fc(i,j)在区域P1内外边界均值之差减去原图f(i,j)在区域P1内外边界均值之差。这样按照标记值从小到大,对整幅图中所有梯度下降区域进行更新得到fc_f(i,j)。
对于本发明,依据输入图像的梯度灰度联合直方图分布特性,进行梯度细节信息保持的图像增强,重点在于前述方案中的步骤2和3中梯度灰度联合直方图优化,以及步骤7中梯度下降区域的补偿。下面进一步阐述这几个关键步骤:
步骤2:根据梯度灰度联合直方图的频数和其标准差,计算梯度灰度联合直方图在各灰度级的调节参数T(k);步骤3:对利用参数T(k)对梯度灰度联合直方图进行调节得到优化的梯度灰度联合直方图GIHrefine(k),并进行归一化。
梯度灰度联合直方图调节参数T(k)的计算,主要根据梯度灰度联合直方图的标准差和频数来确定,这里的依据是:(1)为避免后续均衡化中过增强,直方图标准差越大,其分布越平坦,所需要的调节参数越大趋近1;直方图标准差越小,其分布越集中,后续需要调节参数越小趋近0。(2)为了减少后续均衡化中局部细节丢失,在灰度级k处,使用对应GIH(k)和其均值构建参数对其进行自动调节。在得到GIHrefine(k)后进行均衡化得到全局增强结果(图7),此时图像具有较好的视觉效果。而直方图均衡化的结果(图5)和梯度灰度联合直方图均衡化(图6)的结果,大量的灰度级被合并,导致过增强和局部细节丢失。相较而言,本发明方法基于优化的梯度灰度联合直方图均衡化得到的图像增强效果避免了过增强,减少了局部细节丢失。
步骤7:对梯度下降的每个区域的像素进行重新赋值。
通过步骤5和步骤6,我们得到整体增强遥感图像中梯度下降区域,如图8所示,白色区域为梯度下降区域。得到这些区域后,我们通过步骤7中的方法对梯度下降区域进行重新赋值得到最终增强的遥感图像(图9)。对比图9和图7,我们可以明显看到在梯度下降区域,细节信息得到了极大的恢复,本发明方法显示效果明显优于灰度直方图均衡化和梯度灰度联合直方图均衡化方法。对比图10(图9的直方图)和图4(图3的直方图),可以得出在最终结果更加充分的利用了整个灰度级,整体视觉效果和局部细节上最终增强结果(图9)明显优于原图(图3)。
Claims (6)
1.一种融合梯度和灰度信息的遥感图像增强方法,其特征在于,包括以下步骤:
步骤a、对输入原始遥感图像统计得出梯度灰度联合直方图;所述梯度灰度联合直方图包含原始遥感图像的灰度信息和梯度信息;
步骤b、对梯度灰度联合直方图进行优化:计算灰度梯度联合直方图的标准差,结合梯度灰度联合直方图各灰度级对应的归一化频数,构建梯度灰度联合直方图优化参数,对每个灰度级的直方图频数进行修正,得到优化的梯度灰度联合直方图;
步骤c、对优化的灰度梯度联合直方图进行均衡化处理计算,建立原始遥感图像到整体增强遥感图像的灰度映射关系,得到整体增强遥感图像;
步骤d、计算所述整体增强遥感图像与原始遥感图像的梯度差异,对整体增强遥感图像中梯度下降的区域进行梯度细节补偿,输出最终增强遥感图像。
2.根据权利要求1所述的融合梯度和灰度信息的遥感图像增强方法,其特征在于,步骤a具体按照以下公式计算输入的原始遥感图像f(i,j)的梯度灰度联合直方图GIH;
G(k)=sum(G(i,j)),if f(i,j)=k
其中:
Gx(i,j)=f(i+1,j-1)+2×f(i+1,j)+f(i+1,j+1)-f(i-1,j-1)-2×f(i-1,j)-f(i-1,j+1)
Gy(i,j)=f(i-1,j+1)+2×f(i,j+1)+f(i+1,j+1)-f(i-1,j-1)-2×f(i,j-1)-f(i+1,j-1)
其中(i,j)为像元水平和垂直方向的位置;k=0,1,2,…,K-1为图像的灰度级;K=2B-1;B为输入原始遥感图像的位数;G(k)表示图像在灰度值为k的像素梯度值之和,GIH(k)表G(k)的归一化值,即梯度灰度联合直方图各灰度级的归一化频数。
3.根据权利要求1所述的融合梯度和灰度信息的遥感图像增强方法,其特征在于,步骤b中所述梯度灰度联合直方图优化参数为各灰度级调节参数;步骤b具体是:
首先,根据梯度灰度联合直方图的标准差和各灰度级的频数,计算梯度灰度联合直方图在各灰度级的调节参数T(k);
stdh=std(GIH)
式中,k=0,1,2,…,K-1为图像的灰度级;K=2B-1;B为输入原始遥感图像的位数;GIH为输入图像f(i,j)的梯度灰度联合直方图;std(·)为标准差函数;
然后,利用调节参数T(k)对梯度灰度联合直方图进行调节,得到优化的梯度灰度联合直方图GIHrefine(k),并进行归一化;
GIHrefine(k)=GIH(k)T(k)
4.根据权利要求1所述的融合梯度和灰度信息的遥感图像增强方法,其特征在于,步骤c具体按照以下公式计算累积分布梯度灰度联合直方图Frefine(k),并计算灰度映射函数将原始遥感图像灰度k变换为yrefine(k),实现图像整体增强得到整体增强遥感图像fc(i,j);
其中yu,yd表示增强后输出图像的最小值和最大值。
5.根据权利要求1所述的融合梯度和灰度信息的遥感图像增强方法,其特征在于,步骤d中,进行梯度细节补偿的方法是:
用整体增强遥感图像的梯度逐像素减去原始遥感图像的梯度,标记小于0的像素;将相连的标记像素按8邻域进行编号得到不同编号的标记区域;并用对应标记区域的原始遥感图像的线性拉伸值对整体增强遥感图像中的像素值进行改变,得到最终增强遥感图像。
6.根据权利要求5所述的融合梯度和灰度信息的遥感图像增强方法,其特征在于,步骤d具体是:
首先,设Pc(i,j)值为0,计算整体增强遥感图像fc(i,j)和原始遥感图像f(i,j)梯度的差异,找出整体增强后梯度下降的像素位置;
Pc(i,j)=1,if(Gc(i,j)-G(i,j)<0)
然后,对梯度下降的相连像素进行标记,得到梯度下降区域,并按照8邻域对梯度下降区进行编号,标记得到N个不同区域P1=1,P2=2,...PN=N;
最后,对梯度下降的每个区域的像素进行重新赋值;
其中fliner(i,j)表示在线性拉伸增强的图像;tn为整体增强遥感图像fc(i,j)在区域Pn内外边界均值的差值减去原始遥感图像f(i,j)在区域Pn内外边界均值的差值;如此按照标记值从小到大,对整幅图中所有梯度下降区域进行更新得到fc_f(i,j)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811123991.7A CN109345491B (zh) | 2018-09-26 | 2018-09-26 | 一种融合梯度和灰度信息的遥感图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811123991.7A CN109345491B (zh) | 2018-09-26 | 2018-09-26 | 一种融合梯度和灰度信息的遥感图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109345491A true CN109345491A (zh) | 2019-02-15 |
CN109345491B CN109345491B (zh) | 2021-07-27 |
Family
ID=65306526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811123991.7A Active CN109345491B (zh) | 2018-09-26 | 2018-09-26 | 一种融合梯度和灰度信息的遥感图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345491B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612725A (zh) * | 2020-04-29 | 2020-09-01 | 中国科学院西安光学精密机械研究所 | 一种基于可见光图像对比度增强的图像融合方法 |
CN112258433A (zh) * | 2020-10-22 | 2021-01-22 | 大连理工大学 | 一种遥感资料中内波特征增强显示的灰度直方图拉伸方法 |
CN112689100A (zh) * | 2020-12-25 | 2021-04-20 | 北京灵汐科技有限公司 | 图像检测方法、装置、设备和存储介质 |
CN113256522A (zh) * | 2021-05-21 | 2021-08-13 | 上海国茂数字技术有限公司 | 低照度图像增强的方法、装置及可读存储介质 |
CN113628136A (zh) * | 2021-07-29 | 2021-11-09 | 北京科技大学 | 一种高动态范围激光散斑数字图像相关变形测量方法 |
CN115115554A (zh) * | 2022-08-30 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 基于增强图像的图像处理方法、装置和计算机设备 |
CN115512231A (zh) * | 2022-11-15 | 2022-12-23 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 适用于国土空间生态修复的遥感解译方法 |
CN116342588B (zh) * | 2023-05-22 | 2023-08-11 | 徕兄健康科技(威海)有限责任公司 | 一种脑血管图像增强方法 |
CN117853817A (zh) * | 2024-01-24 | 2024-04-09 | 江苏电子信息职业学院 | 一种基于图像识别的智慧社区垃圾分类报警管理方法 |
CN117952841A (zh) * | 2024-03-26 | 2024-04-30 | 山东省地质测绘院 | 基于人工智能的遥感图像自适应增强方法 |
CN118243860A (zh) * | 2024-03-13 | 2024-06-25 | 舟山中远海运重工有限公司 | 船舶有限空间气体在线监测及预警系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100189346A1 (en) * | 2005-08-26 | 2010-07-29 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Ultrasound image enhancement and speckle mitigation method |
CN101923640A (zh) * | 2010-08-04 | 2010-12-22 | 中国科学院自动化研究所 | 基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法 |
CN104990510A (zh) * | 2015-07-11 | 2015-10-21 | 烟台南山学院 | 一种直拉单晶硅直径测量方法 |
CN105184759A (zh) * | 2015-09-22 | 2015-12-23 | 中国科学院西安光学精密机械研究所 | 一种基于直方图紧致性变换的图像自适应增强方法 |
US20160284100A1 (en) * | 2015-03-25 | 2016-09-29 | Tata Consultancy Services Limited | Computer implemented system and method for image texture determination |
-
2018
- 2018-09-26 CN CN201811123991.7A patent/CN109345491B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100189346A1 (en) * | 2005-08-26 | 2010-07-29 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Ultrasound image enhancement and speckle mitigation method |
CN101923640A (zh) * | 2010-08-04 | 2010-12-22 | 中国科学院自动化研究所 | 基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法 |
US20160284100A1 (en) * | 2015-03-25 | 2016-09-29 | Tata Consultancy Services Limited | Computer implemented system and method for image texture determination |
CN104990510A (zh) * | 2015-07-11 | 2015-10-21 | 烟台南山学院 | 一种直拉单晶硅直径测量方法 |
CN105184759A (zh) * | 2015-09-22 | 2015-12-23 | 中国科学院西安光学精密机械研究所 | 一种基于直方图紧致性变换的图像自适应增强方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612725B (zh) * | 2020-04-29 | 2023-04-11 | 中国科学院西安光学精密机械研究所 | 一种基于可见光图像对比度增强的图像融合方法 |
CN111612725A (zh) * | 2020-04-29 | 2020-09-01 | 中国科学院西安光学精密机械研究所 | 一种基于可见光图像对比度增强的图像融合方法 |
CN112258433A (zh) * | 2020-10-22 | 2021-01-22 | 大连理工大学 | 一种遥感资料中内波特征增强显示的灰度直方图拉伸方法 |
CN112258433B (zh) * | 2020-10-22 | 2024-03-29 | 大连理工大学 | 一种遥感资料中内波特征增强显示的灰度直方图拉伸方法 |
CN112689100A (zh) * | 2020-12-25 | 2021-04-20 | 北京灵汐科技有限公司 | 图像检测方法、装置、设备和存储介质 |
CN113256522A (zh) * | 2021-05-21 | 2021-08-13 | 上海国茂数字技术有限公司 | 低照度图像增强的方法、装置及可读存储介质 |
CN113628136A (zh) * | 2021-07-29 | 2021-11-09 | 北京科技大学 | 一种高动态范围激光散斑数字图像相关变形测量方法 |
CN113628136B (zh) * | 2021-07-29 | 2023-07-25 | 北京科技大学 | 一种高动态范围激光散斑数字图像相关变形测量方法 |
CN115115554B (zh) * | 2022-08-30 | 2022-11-04 | 腾讯科技(深圳)有限公司 | 基于增强图像的图像处理方法、装置和计算机设备 |
CN115115554A (zh) * | 2022-08-30 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 基于增强图像的图像处理方法、装置和计算机设备 |
CN115512231A (zh) * | 2022-11-15 | 2022-12-23 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 适用于国土空间生态修复的遥感解译方法 |
CN115512231B (zh) * | 2022-11-15 | 2023-02-28 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 适用于国土空间生态修复的遥感解译方法 |
CN116342588B (zh) * | 2023-05-22 | 2023-08-11 | 徕兄健康科技(威海)有限责任公司 | 一种脑血管图像增强方法 |
CN117853817A (zh) * | 2024-01-24 | 2024-04-09 | 江苏电子信息职业学院 | 一种基于图像识别的智慧社区垃圾分类报警管理方法 |
CN117853817B (zh) * | 2024-01-24 | 2024-06-04 | 江苏电子信息职业学院 | 一种基于图像识别的智慧社区垃圾分类报警管理方法 |
CN118243860A (zh) * | 2024-03-13 | 2024-06-25 | 舟山中远海运重工有限公司 | 船舶有限空间气体在线监测及预警系统 |
CN118243860B (zh) * | 2024-03-13 | 2024-08-27 | 舟山中远海运重工有限公司 | 船舶有限空间气体在线监测及预警系统 |
CN117952841A (zh) * | 2024-03-26 | 2024-04-30 | 山东省地质测绘院 | 基于人工智能的遥感图像自适应增强方法 |
CN117952841B (zh) * | 2024-03-26 | 2024-06-04 | 山东省地质测绘院 | 基于人工智能的遥感图像自适应增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109345491B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345491A (zh) | 一种融合梯度和灰度信息的遥感图像增强方法 | |
CN102682436B (zh) | 一种改进的多尺度Retinex理论的图像增强方法 | |
CN105931201B (zh) | 一种基于小波变换的图像主观视觉效果增强方法 | |
CN110570360B (zh) | 一种基于Retinex的鲁棒和全面的低质量光照图像增强方法 | |
CN107798665A (zh) | 基于结构‑纹理分层的水下图像增强方法 | |
CN106251300A (zh) | 一种基于Retinex的快速夜间雾天图像复原方法 | |
CN104700376A (zh) | 基于伽马校正和平滑滤波的图像直方图均衡化增强方法 | |
CN106651817A (zh) | 一种基于非抽样Contourlet的图像增强方法 | |
CN109801233A (zh) | 一种适用于真彩色遥感图像的增强方法 | |
CN109785240A (zh) | 一种低照度图像增强方法、装置及图像处理设备 | |
CN112785534A (zh) | 一种动态场景下去鬼影多曝光图像融合方法 | |
CN103702116B (zh) | 一种图像的宽动态压缩方法和装置 | |
CN110298796B (zh) | 基于改进Retinex与对数图像处理的低照度图像增强方法 | |
CN115908371B (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
CN113313639A (zh) | 基于Retinex多层次分解的图像增强方法 | |
CN115660964A (zh) | 基于阈值分区加权亮度分量的夜间道路图像增强方法 | |
CN116188339A (zh) | 一种基于Retinex及图像融合的暗视觉图像增强方法 | |
CN110969584B (zh) | 一种低照度图像增强方法 | |
CN109859138A (zh) | 一种基于人眼视觉特性的红外图像增强方法 | |
Luo et al. | Shadow removal based on clustering correction of illumination field for urban aerial remote sensing images | |
CN114359083A (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 | |
CN106033600B (zh) | 基于函数曲线变换的动态对比度增强方法 | |
CN115526811B (zh) | 一种适应于多变光照环境的自适应视觉slam方法 | |
CN114119433A (zh) | 一种基于贝塞尔曲线的暗图像处理方法 | |
CN114331925A (zh) | 一种多尺度相对梯度直方图均衡化方法及装置 |
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 |