CN109741276B - 一种基于滤波分层框架的红外图像基本层处理方法及系统 - Google Patents
一种基于滤波分层框架的红外图像基本层处理方法及系统 Download PDFInfo
- Publication number
- CN109741276B CN109741276B CN201811625611.XA CN201811625611A CN109741276B CN 109741276 B CN109741276 B CN 109741276B CN 201811625611 A CN201811625611 A CN 201811625611A CN 109741276 B CN109741276 B CN 109741276B
- Authority
- CN
- China
- Prior art keywords
- image
- base layer
- mapping
- local
- filtering
- 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
Landscapes
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开一种基于滤波分层框架的红外图像基本层处理方法,包括以下步骤:步骤S1、获取原始红外图像的基本层图像;步骤S2、根据所述基本层图像的统计直方图的局部信息对所述基本层图像进行动态范围压缩映射,得到映射图像;步骤S3、对所述映射图像进行局部对比度调整,得到处理后的基本层图像。本发明通过对局部对比度的提升,使处理后的红外图像在具有更丰富的纹理细节的同时具有更好的局部对比度。
Description
技术领域
本发明涉及红外图像基本层处理技术领域,具体涉及一种基于滤波分层框架的红外图像基本层处理方法及系统。
背景技术
随着科学技术的发展,红外热成像技术也取得了较大的进步。由于红外成像系统独特的成像机理以及被动探测、全天时工作、隐蔽性好、作用距离远等优势,红外热成像技术的应用领域已经从原来高成本的军用领域慢慢延展到需求量大的民用领域。然而由于红外探测器制造工艺的限制,在成像质量上,红外图像具有低信噪比、低对比度、细节不突出等缺点。这些缺点导致图像模糊、分辨力差,影响人们的视觉感观,不仅是制约红外成像技术广泛运用的关键因素,也为后续的红外图像的目标检测与识别、图像分割、细节提取和运动跟踪等带来困难。国内外许多学者展开了大量的研究以提高红外图像质量,其中增强算法在红外图像预处理中显得尤为重要。由于红外图像往往是14~16bit,而一般的显示设备是8bit,所以在增强图像的同时还要考虑到对图像进行高动态范围压缩,且希望在压缩图像的同时保留图像中有用的对比度信息和细节信息。
2005年,随着美国FLIR公司数字细节增强技术,即Digital Detail Enhancement的提出,基于滤波分层的红外图像增强算法成为国内外学者研究热点。该方法首先利用空间滤波器将原始红外图像分为包含背景和全局信息的低频部分和包含噪声和细节的高频部分,然后对两部分单独处理,最后对处理后的高频和低频图像进行融合得到最终的输出图像。现有技术的典型代表还有2009年Francesco Branchitta等人提出了双边滤波和动态范围划分算法,2011年Chao Zuo等人提出的双边滤波和细节增强算法,2014年Ning Liu等人提出的基于引导滤波的红外图像细节增强算法,2015年Frederic Garcia等人提出TDDE-LAGC算法及他们同年提出的TDDE2-LAGC算法等。
这些滤波分层的方法在保证图像对比度的同时提升了图像的细节纹理,但对基本层图像的处理方法都是传统的全局映射方法,如Gamma校正、直方图映射、二值化、AGC等,这些方法虽然很好地提高图像的整体对比度,但容易造成部分有用信息的丢失,而且它们没有考虑到像素间的邻域信息差,从而导致增强后的图像局部对比度较低,影响视觉效果。
发明内容
本发明的目的在于克服上述技术不足,提供一种基于滤波分层框架的红外图像基本层处理方法及系统,解决现有技术中基本层图像处理时,造成有用信息丢失,且局部对比度低影响视觉效果的技术问题。
为达到上述技术目的,本发明的技术方案提供一种基于滤波分层框架的红外图像基本层处理方法,包括以下步骤:
步骤S1、获取原始红外图像的基本层图像;
步骤S2、根据所述基本层图像的统计直方图的局部信息对所述基本层图像进行动态范围压缩映射,得到映射图像;
步骤S3、对所述映射图像进行局部对比度调整,得到处理后的基本层图像。
本发明还提供一种基于滤波分层框架的红外图像基本层处理系统,包括滤波模块、映射模块以及对比度调整模块;
所述滤波模块用于获取原始红外图像的基本层图像;
所述映射模块用于根据所述基本层图像的统计直方图的局部信息对所述基本层图像进行动态范围压缩映射,得到映射图像;
所述对比度调整模块用于对所述映射图像进行局部对比度调整,得到处理后的基本层图像。
本发明还提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,执行以上所述的基于滤波分层框架的红外图像基本层处理方法。
与现有技术相比,本发明的有益效果包括:利用统计直方图的局部信息对基本层图像进行动态范围压缩映射,以去掉图像的冗余信息并且保留更多的有效信息,然后对映射图像的局部空间信息进行局部对比度调整,以抑制图像噪声,提升基于滤波分层技术增强后的红外图像的局部对比度。
附图说明
图1是本发明提供的基于滤波分层框架的红外图像基本层处理方法的流程图;
图2是标准Sigmoid函数曲线;
图3是本发明提供的基于滤波分层框架的红外图像基本层处理方法的Sigmoid改进函数曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1:
如图1所示,本发明的实施例1提供了一种基于滤波分层框架的红外图像基本层处理方法,包括以下步骤:
步骤S1、获取原始红外图像的基本层图像;
步骤S2、根据所述基本层图像的统计直方图的局部信息对所述基本层图像进行动态范围压缩映射,得到映射图像;
步骤S3、对所述映射图像进行局部对比度调整,得到处理后的基本层图像。
利用统计直方图的局部信息对基本层图像进行动态范围压缩映射,以去掉图像的冗余信息并且保留更多的有效信息,然后对映射图像的局部空间信息进行局部对比度调整,以抑制图像噪声,提升基于滤波分层技术增强后的红外图像的局部对比度。本发明将局部对比度提升理念引入现有的基于滤波分层框架的红外图像增强方法中,通过对基本层图像进行局部对比度提升来提升基于此框架增强后的红外图像的局部对比度,进而提高图像的视觉效果。
本发明的方法能使处理后的红外图像在具有更丰富的纹理细节的同时具有更好的局部对比度,且具有很好的场景适应性。
优选的,所述步骤S1具体为:对所述原始红外图像进行低通滤波得到所述基本层图像。
本发明对原始红外图像进行低通滤波后得到的基本层图像与原始红外图像相比去除了一定噪声的同时保留了较多的全局信息,以便于后续对基本层图像进行局部对比度调整。作为进一步优选的,利用引导滤波器对原始红外图像进行低通滤波,得到待处理的基本层图像。
优选的,所述步骤S2具体为:
步骤S21、采用Otsu分段方法对所述统计直方图进行分段得到所述局部信息;
步骤S22、计算所述局部信息的信息熵以及权重值;
步骤S23、根据所述信息熵以及权重值计算所述局部信息对应的映射范围;
步骤S24、根据所述映射范围对所述基本层图像进行动态范围压缩映射,得到所述映射图像。
本发明利用Otsu分段方法对基本层图像的统计直方图进行分段,去掉图像的冗余信息并且保留更多的有效信息,充分发挥了Otsu分段方法效率较高且场景的变化对算法的运行时间影响较小的优势。分段完成后,对每一段局部信息计算信息熵和权重值,根据划分后的每段局部信息的信息熵和权重值计算每段局部信息对应的映射范围,最后对基本层图像进行动态范围压缩映射,保留了图像的全部信息,消除了基本层图像中残余的噪声。
优选的,所述步骤S21具体为:
步骤S211、以所述统计直方图作为母图像;
步骤S212、利用单阈值Otsu算法对所述母图像进行分段,得到前景子图像和背景子图像;
步骤S213、判断分段次数是否达到设定阈值,如果是,则所有所述前景子图像以及所有所述背景子图像即为所述局部信息;否则分别以所述前景子图像和背景子图像作为新的母图像并转步骤S212,进行下一次分段。
将基本层图像的统计直方图利用Otsu分段法划分成2R段,R为设定阈值。利用单阈值Otsu算法将统计直方图分为前景子图像和背景子图像;然后采用递归思想分别对前景子图像和背景子图像再次使用单阈值Otsu算法,将图像分为四个子图像,以此类推,直到将图像分为2R段。
优选的,所述步骤S22具体为:
计算所述局部信息的信息熵:
其中,ek为第k段局部信息的信息熵,hk(i)为第k段局部信息中像素为i对应的归一化统计直方图,Nlevels为所述原始红外图像的总灰度级数;
根据所述原始红外图像噪声的标准差以及每段所述局部信息的标准差,计算所述局部信息的权重值:
其中,σN为所述原始红外图像噪声的标准差,σk为所述局部信息的标准差,f(i,j)为所述原始红外图像,fmed(i,j)为所述原始红外图像经中值滤波后的图像,M和N分别为中值滤波的行数和列数,a为调节因子,Tk为第k段局部信息的像素个数,f(i)为第k段局部信息的像素值,fmean(i)为第k段局部信息经过均值滤波后的像素值,α为调节参数,ωk为第k段局部信息的权重值。
权重值ωk中的调节参数α包含了所述调节因子a。由权重值ωk的公式可知:原始红外图像噪声的标准差σN越大,权重ωk越小;而局部信息的标准差σk越大,权重ωk越大。
优选的,所述步骤S23中,计算所述局部信息的映射范围具体为:
其中,Q为显示设备的有效灰度级数,Pk为第k段局部信息对应的映射范围,K为分段总数。
显示设备的有效灰度级数Q一般等于256。
优选的,所述步骤S3具体为:
计算所述局部对比度:
以所述局部对比度为自变量,采用Sigmoid改进函数对所述局部对比度进行调整:
其中,fSig(x)为调整后的局部对比度,fSig为所述Sigmoid改进函数,x为所述自变量,即调整前的局部对比度,A为最大值控制参数,B为调整控制参数,C为对称中心点控制参数;
根据调整后的局部对比度得到处理后的基本层图像:
Ibp(i,j)=fDRR(i,j)*fSig(C(i,j))
其中,Ibp(i,j)为处理后的基本层图像。
根据局部对比度的公式可知,调整前的局部对比度C(i,j)的大小依赖于滤波的类型和窗口的尺寸。本实施例选取高斯低通滤波器,因此,对于均匀区域,C(i,j)≈1;对于边缘区域,C(i,j)≈1+ε(ε1);而在亮点附近,C(i,j)<1;在亮点上,C(i,j)>1。
本发明对现有的标准Sigmoid函数进行了改进,并将改进后的Sigmoid改进函数用在局部对比对的调整上。
图2示出了标准Sigmoid函数曲线,从图2可看出,当自变量x在[-2,2]内时,映射曲线增长很快;当自变量x在[-2,2]范围外时,映射曲线增长缓慢。定义自变量小于函数响应值为提升,自变量取值大于函数响应值为抑制。则标准Sigmoid函数曲线经过抑制,提升,再抑制的变化,这种曲线走势正好和对比度提升原则一致。因此本发明利用其进行对比度的调整。然而,考虑到局部对比度函数C(i,j)的统计直方图集中分布在1附近,所以标准Sigmoid曲线必须进行调整,才能用于局部对比度的调整。
本发明改进后的Sigmoid改进函数的数学形式如下:
其中,最大值控制参数A与fSig(0)决定曲线的最大值,B为调整控制参数,对称中心点控制参数C决定了图像的对称中心点的位置,减去fSig(0)这一项是为了满足x=0时,fSig(x)=0。
对映射后的基本层图像利用本发明提出的改进后的Sigmoid改进函数调整基本层图像的局部对比度。局部对比度调整后,根据调整后的局部对比度获取处理后的基本层图像,将映射图像fDRR(x,y)的局部对比度C(x,y)带入处理后的基本层图像公式中,即可得到处理后的基本层图像Ibp(i,j)。
本发明对标准的Sigmoid函数进行了改进,以使其适应局部对比度函数的分布特性,从而能更好地对映射后的基本层图像进行局部对比度调整,使得红外图像具有更丰富的纹理细节的同时,具有更好的局部对比度。
优选的,A=2,B=2.3,C=0.6。
根据对比度提升原则,取A=2,C=0.6更合适。当B改变时图像的形状会发生较大改变,具体如图3所示。图3中示出了B=2.3、B=4、B=6取不同值时曲线的形状,观察图3可知B=2.3对应的抑制范围是[0,0.6],提升范围是[0.6,1.2],再抑制范围是[1.2,+∞],是较为合适的取值。
局部对比度调整后,根据调整后的局部对比度获取处理后的基本层图像,将映射图像fDRR(x,y)的局部对比度C(x,y)带入处理后的基本层图像公式中,当,A=2,B=2.3,C=0.6时,fSig(0)=0.4020,所以最终输出的处理后的基本层图像为:
实施例2:
本发明的实施例2提供了一种基于滤波分层框架的红外图像基本层处理系统,包括滤波模块、映射模块以及对比度调整模块;
所述滤波模块用于获取原始红外图像的基本层图像;
所述映射模块用于根据所述基本层图像的统计直方图的局部信息对所述基本层图像进行动态范围压缩映射,得到映射图像;
所述对比度调整模块用于对所述映射图像进行局部对比度调整,得到处理后的基本层图像。
本发明提供的基于滤波分层框架的红外图像基本层处理系统,基于上述基于滤波分层框架的红外图像基本层处理方法,因此,上述基于滤波分层框架的红外图像基本层处理方法所具备的技术效果,基于滤波分层框架的红外图像基本层处理系统同样具备,在此不再赘述。
实施例3:
本发明的实施例3提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,执行以上任一实施例所述的基于滤波分层框架的红外图像基本层处理方法。
本发明提供的计算机存储介质,用于实现基于滤波分层框架的红外图像基本层处理方法,因此,上述基于滤波分层框架的红外图像基本层处理方法所具备的技术效果,计算机存储介质同样具备,在此不再赘述。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (9)
1.一种基于滤波分层框架的红外图像基本层处理方法,其特征在于,包括以下步骤:
步骤S1、获取原始红外图像的基本层图像;
步骤S2、根据所述基本层图像的统计直方图的局部信息对所述基本层图像进行动态范围压缩映射,得到映射图像;
步骤S3、对所述映射图像进行局部对比度调整,得到处理后的基本层图像;
所述步骤S3具体为:
计算所述局部对比度:
以所述局部对比度为自变量,采用Sigmoid改进函数对所述局部对比度进行调整:
根据调整后的局部对比度得到处理后的基本层图像:
2.根据权利要求1所述的基于滤波分层框架的红外图像基本层处理方法,其特征在于,所述步骤S1具体为:对所述原始红外图像进行低通滤波得到所述基本层图像。
3.根据权利要求1所述的基于滤波分层框架的红外图像基本层处理方法,其特征在于,所述步骤S2具体为:
步骤S21、采用Otsu分段方法对所述统计直方图进行分段得到所述局部信息;
步骤S22、计算所述局部信息的信息熵以及权重值;
步骤S23、根据所述信息熵以及权重值计算所述局部信息对应的映射范围;
步骤S24、根据所述映射范围对所述基本层图像进行动态范围压缩映射,得到所述映射图像。
4.根据权利要求3所述的基于滤波分层框架的红外图像基本层处理方法,其特征在于,所述步骤S21具体为:
步骤S211、以所述统计直方图作为母图像;
步骤S212、利用单阈值Otsu算法对所述母图像进行分段,得到前景子图像和背景子图像;
步骤S213、判断分段次数是否达到设定阈值,如果是,则所有所述前景子图像以及所有所述背景子图像即为所述局部信息;否则分别以所述前景子图像和背景子图像作为新的母图像并转步骤S212,进行下一次分段。
5.根据权利要求3所述的基于滤波分层框架的红外图像基本层处理方法,其特征在于,所述步骤S22具体为:
计算所述局部信息的信息熵:
根据所述原始红外图像噪声的标准差以及每段所述局部信息的标准差,计算所述局部信息的权重值:
8.一种基于滤波分层框架的红外图像基本层处理系统,其特征在于,包括滤波模块、映射模块以及对比度调整模块;
所述滤波模块用于获取原始红外图像的基本层图像;
所述映射模块用于根据所述基本层图像的统计直方图的局部信息对所述基本层图像进行动态范围压缩映射,得到映射图像;
所述对比度调整模块用于对所述映射图像进行局部对比度调整,得到处理后的基本层图像;
所述对比度调整模块用于对所述映射图像进行局部对比度调整,得到处理后的基本层图像,具体为:
计算所述局部对比度:
以所述局部对比度为自变量,采用Sigmoid改进函数对所述局部对比度进行调整:
根据调整后的局部对比度得到处理后的基本层图像:
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,执行如权利要求1-7任一所述的基于滤波分层框架的红外图像基本层处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811625611.XA CN109741276B (zh) | 2018-12-28 | 2018-12-28 | 一种基于滤波分层框架的红外图像基本层处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811625611.XA CN109741276B (zh) | 2018-12-28 | 2018-12-28 | 一种基于滤波分层框架的红外图像基本层处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741276A CN109741276A (zh) | 2019-05-10 |
CN109741276B true CN109741276B (zh) | 2022-09-13 |
Family
ID=66361969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811625611.XA Active CN109741276B (zh) | 2018-12-28 | 2018-12-28 | 一种基于滤波分层框架的红外图像基本层处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741276B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784594A (zh) * | 2020-06-09 | 2020-10-16 | 湖北华科多谱信息技术有限公司 | 一种红外图像对比度增强方法及装置 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908207A (zh) * | 2010-07-26 | 2010-12-08 | 北京理工大学 | 一种基于亮度分层的快速三边滤波器色调映射方法 |
CN105957030A (zh) * | 2016-04-26 | 2016-09-21 | 成都市晶林科技有限公司 | 一种应用于红外热像仪图像细节增强和噪声抑制方法 |
CN106530245A (zh) * | 2016-10-27 | 2017-03-22 | 长安大学 | 一种无人机载隧道火灾红外图像分频段增强方法 |
CN107945122A (zh) * | 2017-11-07 | 2018-04-20 | 武汉大学 | 基于自适应直方图分段的红外图像增强方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8208026B2 (en) * | 2009-03-02 | 2012-06-26 | Flir Systems, Inc. | Systems and methods for processing infrared images |
-
2018
- 2018-12-28 CN CN201811625611.XA patent/CN109741276B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908207A (zh) * | 2010-07-26 | 2010-12-08 | 北京理工大学 | 一种基于亮度分层的快速三边滤波器色调映射方法 |
CN105957030A (zh) * | 2016-04-26 | 2016-09-21 | 成都市晶林科技有限公司 | 一种应用于红外热像仪图像细节增强和噪声抑制方法 |
CN106530245A (zh) * | 2016-10-27 | 2017-03-22 | 长安大学 | 一种无人机载隧道火灾红外图像分频段增强方法 |
CN107945122A (zh) * | 2017-11-07 | 2018-04-20 | 武汉大学 | 基于自适应直方图分段的红外图像增强方法及系统 |
Non-Patent Citations (2)
Title |
---|
"Detail enhancement for high-dynamic-range infrared images based on guided image filter";Ning Liu et al.;《Infrared Physics & Technology》;20141231;第138-147页 * |
"基于滤波分层的红外图像细节增强算法研究";樊启明;《万方》;20180830;第1-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109741276A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111899205B (zh) | 一种场景自适应宽动态红外热成像的图像增强方法 | |
CN109345491B (zh) | 一种融合梯度和灰度信息的遥感图像增强方法 | |
CN108090886B (zh) | 一种高动态范围红外图像的显示与细节增强方法 | |
CN111064904A (zh) | 一种暗光图像增强方法 | |
CN109447917B (zh) | 基于内容和特征及多尺度模型的遥感图像雾霾消除方法 | |
CN112308803B (zh) | 一种基于深度学习的自监督低照度图像增强及去噪方法 | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
CN104157003B (zh) | 一种基于正态分布调节的热图像细节增强方法 | |
WO2021114564A1 (zh) | 一种低对比度红外图像的增强方法 | |
CN109741276B (zh) | 一种基于滤波分层框架的红外图像基本层处理方法及系统 | |
CN114092353A (zh) | 一种基于加权引导滤波的红外图像增强方法 | |
CN107911599B (zh) | 一种红外图像全局自动对焦方法及装置 | |
CN116309152A (zh) | 一种低照度图像的细节增强方法、系统、设备和存储介质 | |
CN111325685B (zh) | 一种基于多尺度相对梯度直方图均衡化的图像增强算法 | |
CN113592750B (zh) | 一种基于梯度直方图的红外增强方法 | |
CN106709876B (zh) | 一种基于暗像元原理的光学遥感图像去雾方法 | |
CN115526811B (zh) | 一种适应于多变光照环境的自适应视觉slam方法 | |
CN117422631A (zh) | 基于自适应滤波分层的红外图像增强方法 | |
CN106296626B (zh) | 一种基于梯度融合的夜间视频增强方法 | |
CN108122217B (zh) | 一种自适应场景的实时红外图像增强方法 | |
CN112561835A (zh) | 一种自适应逆直方图均衡化细节增强方法及系统 | |
CN116843584A (zh) | 一种图像数据优化增强方法 | |
CN116630198A (zh) | 一种结合自适应伽马校正的多尺度融合水下图像增强方法 | |
CN116758447A (zh) | 一种基于数字孪生的变电站设备故障分析系统 | |
CN113902635A (zh) | 一种红外热像仪图像处理方法 |
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 |