CN109816604B - 一种自适应聚类的红外图像增强方法 - Google Patents

一种自适应聚类的红外图像增强方法 Download PDF

Info

Publication number
CN109816604B
CN109816604B CN201910038254.5A CN201910038254A CN109816604B CN 109816604 B CN109816604 B CN 109816604B CN 201910038254 A CN201910038254 A CN 201910038254A CN 109816604 B CN109816604 B CN 109816604B
Authority
CN
China
Prior art keywords
image
pixel
clustering
information
texture
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.)
Expired - Fee Related
Application number
CN201910038254.5A
Other languages
English (en)
Other versions
CN109816604A (zh
Inventor
祁伟
王东京
张婷婷
曹峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Changfeng Aviation Electronics Co Ltd
Original Assignee
Suzhou Changfeng Aviation Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Changfeng Aviation Electronics Co Ltd filed Critical Suzhou Changfeng Aviation Electronics Co Ltd
Priority to CN201910038254.5A priority Critical patent/CN109816604B/zh
Publication of CN109816604A publication Critical patent/CN109816604A/zh
Application granted granted Critical
Publication of CN109816604B publication Critical patent/CN109816604B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

本发明揭示了一种自适应聚类的红外图像增强方法，利用高频感知滤波计算操作，计算图像结构层信息和对应的图像纹理层信息，利用协方差矩阵特征图及加权共现矩阵特征图来编码目标内部结构成份和抑制背景噪声成份，同时，利用协方差矩阵特征图约束共现矩阵特征图来保留重要的高频细节信息，最终得到增强效果图。本发明利用高频感知滤波计算获得图像结构层信息，在已知输入图像和图像结构层信息基础上，获得图像的纹理信息，并利用协方差矩阵和共现矩阵保留较多的纹理细节，最后对结构层图像和纹理图像中重要的像素进行融合聚类，达到自适应分配背景和前景像素的对比度。能够有效地提高红外图像的对比度，抑制噪声的干扰，并保留相对丰富的纹理细节。

Description

一种自适应聚类的红外图像增强方法
技术领域
本发明涉及一种自适应聚类的红外图像增强方法，属于红外图像增强的技术领域。
背景技术
红外视频增强在夜视图像视觉理解方法中起着重要的作用，它也在机器视觉、人工智能等领域中发挥重要的作用。
文献一(S.D.hOlland,J.Renshaw.Physics-based image enhancement forinfrared thermography[J],NDT&E International,2010:440-445)等人提出了一种基于数学形态学理论的图像增强方法。该方法从数学理论出发，分析目标结构特征信息，可提高图像的对比度，但对于红外图像场景效果不够理想，对比度相对较低。
文献二(T.Dertinger,R.Colyer,R.Vogel,J.Enderlein,S.Weiss.Achievingincreased resolution and more pixels with super-resolution opticalfluctuation imaging[J],Optics Express,2010:18875-18885)等人通过改变分辨率来提高图像视觉质量，但容易出现马赛克现象，且噪声干扰相对严重。
文献三(N.Liu,D.Zhao.Detail enhancement for high-dynamic-rangeinfrared images based on guided image filter[J],Infrared Physics&Technology,2014:138-147)利用引导滤波来抑制噪声干扰以提高红外图像的对比度，但对于复杂的红外图像场景，噪声干扰相对严重，视觉质量相对较低。
发明内容
本发明的目的是解决上述现有技术的不足，针对传统红外图像增强方法所存在的缺陷问题，提出一种自适应聚类的红外图像增强方法。
为了达到上述目的，本发明所采用的技术方案为：
一种自适应聚类的红外图像增强方法，包括以下步骤：
S1给定一幅输入图像I，利用高频感知滤波计算操作，计算图像结构层信息IS，对应的图像纹理层信息IT，即：
IT＝I-IS (1)
S2对于图像结构层信息IS，利用协方差矩阵特征图Mcov加权共现矩阵特征图Mco来编码目标内部结构成份和抑制背景噪声成份，从而获得相对清晰的结构信息
Figure BDA0001945023670000021
S3对于图像纹理层信息IT，利用协方差矩阵特征图Mcov约束共现矩阵特征图Mco来保留重要的高频细节信息，从而获得相对较多的纹理细节
Figure BDA0001945023670000022
S4特征整合，对针对图像结构层信息IS和图像纹理层信息IT中重要像素进行聚类，并且采用多信息融合的操作，达到像素自适应分配前景和背景的对比度，得到最终的增强效果图Ie。
进一步地，步骤S2包括：
计算获得共现矩阵特征图Mco，即：
Figure BDA0001945023670000023
公式(2)中，G(x,y)表示高斯滤波，x，y表示像素坐标，N表示周围像素集合，M表示共现矩阵，定义为：
Figure BDA0001945023670000024
公式(3)中，C(x,y)通过像素频率来计算像素x，y出现的共现性，h(x)，h(y)表示像素值的直方图；
计算获得协方差矩阵特征图Mcov，即：
Figure BDA0001945023670000025
公式(4)中，n表示图像某一区域R中的像素总数，zv表示区域R中的特征向量，v表示区域R中的像素索引，γ表示区域R中特征向量的均值；
基于已获得的协方差矩阵特征图和共现矩阵特征图，通过最小化目标函数得到结构层图像
Figure BDA0001945023670000026
即：
Figure BDA0001945023670000027
公式(5)中，i表示像素索引，α表示规则化参数，f'表示梯度算子。
进一步地，所述步骤S3包括：
基于已获得的协方差矩阵特征图和共现矩阵特征图，计算结构层图像
Figure BDA0001945023670000031
Figure BDA0001945023670000032
公式(6)中，f表示导数滤波。
进一步地，所述步骤S4包括：
对结构层图像和纹理层图像中的高频区域像素进行聚类，并采用多像素融合的策略，自动分配图像前景和背景的对比度，计算得到最终的增强图像Ie，
Figure BDA0001945023670000033
公式(7)中，K表示聚类函数，mean()表示均值函数，用来约束图像整体的像素值，σ表示用来控制像素聚类的范围。
本发明的有益效果主要体现在：
1.利用高频感知滤波计算获得图像结构层信息，在已知输入图像和图像结构层信息的基础上，获得图像的纹理信息，并利用协方差矩阵和共现矩阵保留较多的纹理细节，最后对结构层图像和纹理图像中重要的像素进行融合聚类，达到自适应分配背景和前景像素的对比度。
2.能够有效地提高红外图像的对比度，抑制噪声的干扰，并保留相对丰富的纹理细节。
附图说明
图1是本发明一种自适应聚类的红外图像增强方法的流程示意图。
图2是本发明红外图像增强方法与现有图像增强方法的第一对比效果图。
图3是本发明红外图像增强方法与现有图像增强方法的第二对比效果图。
图4是本发明红外图像增强方法与现有图像增强方法的第三对比效果图。
图5是本发明红外图像增强方法与现有图像增强方法的第四对比效果图。
具体实施方式
本发明提供一种自适应聚类的红外图像增强方法。以下结合附图对本发明技术方案进行详细描述，以使其更易于理解和掌握。
一种自适应聚类的红外图像增强方法，如图1所示，包括以下步骤：
S1给定一幅输入图像I，利用高频感知滤波计算操作，计算图像结构层信息IS，对应的图像纹理层信息IT，即：
IT＝I-IS (1)
该公式可以合理转换为I＝IS+IT。满足函数关系即可。
S2对于图像结构层信息IS，利用协方差矩阵特征图Mcov加权共现矩阵特征图Mco来编码目标内部结构成份和抑制背景噪声成份，从而获得相对清晰的结构信息
Figure BDA0001945023670000041
S3对于图像纹理层信息IT，利用协方差矩阵特征图Mcov约束共现矩阵特征图Mco来保留重要的高频细节信息，从而获得相对较多的纹理细节
Figure BDA0001945023670000042
S4特征整合，对针对图像结构层信息IS和图像纹理层信息IT中重要像素进行聚类，并且采用多信息融合的操作，达到像素自适应分配前景和背景的对比度，得到最终的增强效果图Ie。
步骤S2包括：
计算获得共现矩阵特征图Mco，即：
Figure BDA0001945023670000043
公式(2)中，G(x,y)表示高斯滤波，x，y表示像素坐标，N表示周围像素集合，M表示共现矩阵，定义为：
Figure BDA0001945023670000044
公式(3)中，C(x,y)通过像素频率来计算像素x，y出现的共现性，h(x)，h(y)表示像素值的直方图；
计算获得协方差矩阵特征图Mcov，即：
Figure BDA0001945023670000045
公式(4)中，n表示图像某一区域R中的像素总数，zv表示区域R中的特征向量，v表示区域R中的像素索引，γ表示区域R中特征向量的均值；
基于已获得的协方差矩阵特征图和共现矩阵特征图，通过最小化目标函数得到结构层图像
Figure BDA0001945023670000051
即：
Figure BDA0001945023670000052
公式(5)中，i表示像素索引，α表示规则化参数，f'表示梯度算子。
所述步骤S3包括：
基于已获得的协方差矩阵特征图和共现矩阵特征图，计算结构层图像
Figure BDA0001945023670000053
Figure BDA0001945023670000054
公式(6)中，f表示导数滤波。
所述步骤S4包括：
对结构层图像和纹理层图像中的高频区域像素进行聚类，并采用多像素融合的策略，自动分配图像前景和背景的对比度，计算得到最终的增强图像Ie，
Figure BDA0001945023670000055
公式(7)中，K表示聚类函数，mean()表示均值函数，用来约束图像整体的像素值，σ表示用来控制像素聚类的范围。
图2～图5中，(a)原始低对比度图，(b)AM算法效果图，(c)HE算法效果图，(d)CLAHE算法效果图，(e)GF算法效果图，(f)本发明方法效果图。
由图中能明显感知，本发明方法效果图(f)中的边缘清晰、细节丰富。
通过以上描述可以发现，本发明一种自适应聚类的红外图像增强方法，利用高频感知滤波计算获得图像结构层信息，在已知输入图像和图像结构层信息的基础上，获得图像的纹理信息，并利用协方差矩阵和共现矩阵保留较多的纹理细节，最后对结构层图像和纹理图像中重要的像素进行融合聚类，达到自适应分配背景和前景像素的对比度。能够有效地提高红外图像的对比度，抑制噪声的干扰，并保留相对丰富的纹理细节。
以上对本发明的技术方案进行了充分描述，需要说明的是，本发明的具体实施方式并不受上述描述的限制，本领域的普通技术人员依据本发明的精神实质在结构、方法或功能等方面采用等同变换或者等效变换而形成的所有技术方案，均落在本发明的保护范围之内。

Claims (3)

1.一种自适应聚类的红外图像增强方法，其特征在于包括以下步骤：
S1给定一幅输入图像I，利用高频感知滤波计算操作，计算图像结构层信息IS，对应的图像纹理层信息IT，即：
IT＝I-IS (1)
S2对于图像结构层信息IS，利用协方差矩阵特征图Mcov加权共现矩阵特征图Mco来编码目标内部结构成份和抑制背景噪声成份，从而获得相对清晰的结构信息
Figure FDA0003750138530000011
S3对于图像纹理层信息IT，利用协方差矩阵特征图Mcov约束共现矩阵特征图Mco来保留重要的高频细节信息，从而获得相对较多的纹理细节
Figure FDA0003750138530000012
S4特征整合，对针对图像结构层信息IS和图像纹理层信息IT中重要像素进行聚类，并且采用多信息融合的操作，达到像素自适应分配前景和背景的对比度，得到最终的增强效果图Ie，
步骤S2包括：
计算获得共现矩阵特征图Mco，即：
Figure FDA0003750138530000013
公式(2)中，G(x,y)表示高斯滤波，x，y表示像素坐标，N表示周围像素集合，M表示共现矩阵，定义为：
Figure FDA0003750138530000014
公式(3)中，C(x,y)通过像素频率来计算像素x，y出现的共现性，h(x)，h(y)表示像素值的直方图；
计算获得协方差矩阵特征图Mcov，即：
Figure FDA0003750138530000015
公式(4)中，n表示图像某一区域R中的像素总数，zv表示区域R中的特征向量，v表示区域R中的像素索引，γ表示区域R中特征向量的均值；
基于已获得的协方差矩阵特征图和共现矩阵特征图，通过最小化目标函数得到结构层图像
Figure FDA0003750138530000021
即：
Figure FDA0003750138530000022
公式(5)中，i表示像素索引，α表示规则化参数，f'表示梯度算子。
2.根据权利要求1所述一种自适应聚类的红外图像增强方法，其特征在于，
所述步骤S3包括：
基于已获得的协方差矩阵特征图和共现矩阵特征图，计算结构层图像
Figure FDA0003750138530000023
Figure FDA0003750138530000024
公式(6)中，f表示导数滤波。
3.根据权利要求1所述一种自适应聚类的红外图像增强方法，其特征在于，
所述步骤S4包括：
对结构层图像和纹理层图像中的高频区域像素进行聚类，并采用多像素融合的策略，自动分配图像前景和背景的对比度，计算得到最终的增强图像Ie，
Figure FDA0003750138530000025
公式(7)中，K表示聚类函数，mean()表示均值函数，用来约束图像整体的像素值，σ表示用来控制像素聚类的范围。
CN201910038254.5A 2019-01-14 2019-01-14 一种自适应聚类的红外图像增强方法 Expired - Fee Related CN109816604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910038254.5A CN109816604B (zh) 2019-01-14 2019-01-14 一种自适应聚类的红外图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910038254.5A CN109816604B (zh) 2019-01-14 2019-01-14 一种自适应聚类的红外图像增强方法

Publications (2)

Publication Number Publication Date
CN109816604A CN109816604A (zh) 2019-05-28
CN109816604B true CN109816604B (zh) 2022-09-16

Family

ID=66604303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910038254.5A Expired - Fee Related CN109816604B (zh) 2019-01-14 2019-01-14 一种自适应聚类的红外图像增强方法

Country Status (1)

Country Link
CN (1) CN109816604B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763367B (zh) * 2021-09-13 2023-07-28 中国空气动力研究与发展中心超高速空气动力研究所 一种大尺寸试件红外检测特征综合判读方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107798665B (zh) * 2017-11-07 2021-07-09 天津大学 基于结构-纹理分层的水下图像增强方法

Also Published As

Publication number Publication date
CN109816604A (zh) 2019-05-28

Similar Documents

Publication Publication Date Title
CN110148095B (zh) 一种水下图像增强方法及增强装置
CN110378859B (zh) 一种新的高动态范围图像生成方法
CN109064426B (zh) 一种用于抑制低照度图像中眩光并增强图像的方法及装置
CN104240194B (zh) 一种基于抛物线函数的低照度图像增强算法
CN106897981A (zh) 一种基于引导滤波的低照度图像增强方法
CN103714520B (zh) 基于fpga实现数字视频图像增强系统及其方法
CN109816608B (zh) 一种基于噪声抑制的低照度图像自适应亮度增强方法
Wang et al. Variational single nighttime image haze removal with a gray haze-line prior
CN102750674A (zh) 基于自适应容差的视频图像去雾方法
CN111598791B (zh) 一种基于改进动态大气散射系数函数的图像去雾方法
CN107895357B (zh) 一种基于fpga的实时水面浓雾场景图像增强方法
CN110473152B (zh) 基于改进Retinex算法的图像增强方法
CN107862672B (zh) 图像去雾的方法及装置
CN102208101A (zh) 一种红外图像的自适应线性变换增强方法
CN104166969B (zh) 数字图像增强方法和系统
CN105989583B (zh) 一种图像去雾方法
CN108280836B (zh) 一种图像处理方法及装置
CN115883755A (zh) 一种多类型场景下多曝光图像融合方法
CN113592750B (zh) 一种基于梯度直方图的红外增强方法
CN109934779B (zh) 一种基于导向滤波优化的去雾方法
CN109816604B (zh) 一种自适应聚类的红外图像增强方法
CN109345479B (zh) 一种视频监控数据的实时预处理方法及存储介质
CN111325679A (zh) 一种Raw到Raw的暗光图像增强方法
CN114693548A (zh) 一种基于亮区域检测的暗通道去雾方法
CN106296626B (zh) 一种基于梯度融合的夜间视频增强方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220916