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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000010586 diagram Methods 0.000 claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 230000008447 perception Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
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)
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:
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:
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:
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;
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:
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,
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。
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:
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:
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:
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;
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:
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,
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)
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:
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:
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:
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;
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。
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)
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)
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 |
-
2019
- 2019-01-14 CN CN201910038254.5A patent/CN109816604B/zh not_active Expired - Fee Related
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 |