CN109859138B - 一种基于人眼视觉特性的红外图像增强方法 - Google Patents
一种基于人眼视觉特性的红外图像增强方法 Download PDFInfo
- Publication number
- CN109859138B CN109859138B CN201910115323.8A CN201910115323A CN109859138B CN 109859138 B CN109859138 B CN 109859138B CN 201910115323 A CN201910115323 A CN 201910115323A CN 109859138 B CN109859138 B CN 109859138B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- visual characteristics
- infrared image
- enhancement
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了基于人眼视觉特性的红外图像增强算法,属于图像增强算法技术领域。本发明为了改善红外图像的增强效果,解决现有增强算法的局限性,增强效果不利于人眼观察等复杂的问题。该发明将人眼视觉特性与红外图像处理算法相结合。该发明利用人眼亮度感知特性与Weber定律,对整体图像进行亮度处理,突出Weber区域的目标信息;再利用背景强度与光强梯度在对数域上呈局部线性关系的特性,进行图像分割,得到三区域;然后,对三区域分别进行图像增强,利用改进的增强算法IAVIHE(Improved Adaptively Increasing the Value of Histogram Equalization);最后,将三区域的增强图像按0.3:0.4:0.3比例进行合并,突出Weber区域,最终得到增强后的红外图像。增强的红外图像符合人眼视觉特性,处理时间也有了很好的改善。
Description
技术领域
本发明属于红外图像增强方法范畴,具体涉及一种基于人眼视觉特性的红外图像增强方法。
背景技术
由于红外成像技术抗干扰性好,穿透烟雾能力强,并且能够在昼夜或者恶劣环境下全天候工作,所以相对于可见光图像,红外图像能更加准确地表现出图像场景中的有用信息,但是,红外图像易受热传递、传输距离、红外探测器固有特性等因素影响,导致存在一些缺点。因此,结合人眼视觉特性对红外图像进行增强具有重要的研究意义。
发明内容
针对现有技术的不足,本发明将人眼视觉特性与红外图像处理算法相结合,很好的考虑到了人眼视觉特性,提出一种新的红外图像增强算法,改善了视觉效果。
本发明采用如下方法来实现:一种基于人眼视觉特性的红外图像增强方法,包括:
步骤一、采用高斯滤波,将采集的图像进行去噪;
步骤二、将人眼视觉特性与Weber定律结合,对图像进行亮度处理,其中Weber定律的表达关系如下:
r=kIn(s)+c
式中的r为感觉物理量,s为对应物理量,k∈(0,+∞),c∈(-∞,+∞);
并利用背景强度和梯度信息的对数关系对图像进行分解,将图像分割成二维图像,所有图像具有相同属性的内部特性;针对三区域进行图像分割,分别是:Devries-Rose区域、Weber区域、Saturation区域;
其中,B(x,y)为每个像素的背景强度,X(x,y)是输入图像,Q是该点上下左右四个相邻像素构成的集合,Q′是该像素对角线上的四个相邻像素构成的集合,m和n是常数;
定义最大差异BT、强度阈值Bi、梯度阈值Ki、梯度与背景强度的关系比值H(x,y)、G(x,y)。得到红外分割图像,公式如下:
img 1=X(x,y),B2≥B(x,y)≥H(x,y)≥K2;
img 2=X(x,y),B3≥B(x,y)≥G(x,y)≥K1;
img 3=X(x,y),其他剩余像素。
步骤三、计算Devries-Rose区域、Weber区域、Saturation区域每个区域的阈值,丢弃对比度小于最小阈值的像素,移除小于人眼捕捉最小像素阈值的像素以减少伪像。
定义图像的P(k),公式如下;
其中,nk是图像中的像素总数灰度等级k,N个像素的灰度级的有效区域为[1,L-1];
并运用转移函数来增强图像的对比度;得到IAVIHE算法公式如下;
式中,Pbas为基准值,即P(k)中的最大值与最小值的平均值。α(k)为可适性约束函数,公式如下;
式中,Xm为平均亮度、γ为实数,范围为[-1,1];其中k值越趋近于Xm,α(k)的值会越增大。
步骤四、将增强后的三区域图像按Devries-Rose区域:Weber区域:Saturation区域为0.3∶0.4∶0.3的比例进行合并,突出Weber区域,增强目标信息,最终得到增强后的红外图像;其公式如下;
Img=0.3*img1+0.4*img2+0.3*img3。
进一步地,所述利用背景强度和梯度信息的对数关系对图像进行分解的方法具体为:背景强度计算为加权局部平均值,梯度信息计算为梯度测量值。
进一步地,所述采用高斯滤波,尤其用来抑制服从正态分布的噪声。
一种基于人眼视觉特性的红外图像增强装置,包括图像预处理模块、图像增强模块以及图像合并模块;其中图像预处理模块包括图像去噪模块和图像分解模块,所述图像去噪模块用于采用高斯滤波,将采集的图像进行去噪;图像分解模块用于将图像分割成二维图像;图像增强模块用于调整概率密度函数增强图像对比度;图像合并模块用于将增强后的区域图像按照比例进行合并,最终得到增强后的红外图像。
综上所述,本发明公开了基于人眼视觉特性的红外图像增强算法,属于图像增强算法技术领域。本发明为了改善红外图像的增强效果,解决现有增强算法的局限性,增强效果不利于人眼观察等复杂的问题。该发明将人眼视觉特性与红外图像处理算法相结合。该发明利用人眼亮度感知特性与Weber定律,对整体图像进行亮度处理,突出Weber区域的目标信息;再利用背景强度与光强梯度在对数域上呈局部线性关系的特性,进行图像分割,得到三区域;然后,对三区域分别进行图像增强,利用改进的增强算法IAVIHE(ImprovedAdaptively Increasing the Value of Histogram Equalization);最后,将三区域的增强图像按0.3∶0.4∶0.3比例进行合并,突出Weber区域,最终得到增强后的红外图像。增强的红外图像符合人眼视觉特性,处理时间也有了很好的改善。
本发明的有益效果为:在红外图像处理过程中,结合人眼视觉特性,利用人眼亮度感知特性与Weber定律,对整体图像进行亮度处理,突出Weber区域的目标信息;再利用背景强度与光强梯度在对数域上呈局部线性关系的特性,进行图像分割,得到三区域;然后,对三区域分别进行图像增强,利用改进的增强算法IAVIHE(Improved AdaptivelyIncreasing the Value of Histogram Equalization);最后,将三区域的增强图像按比例进行合并,突出Weber区域,最终得到增强后的红外图像。该算法很好的解决了红外图像的噪声问题,易于观察者识别图像中的信息,缩短了处理时间,增强了处理效果。另外,利用主观感受与光强梯度局部对数线性关系的特性,引入Weber定律处理亮度,基于强度阈值与梯度阈值来分割红外图像,得到三区域;然后,提出改进算法IAIVHE来处理三区域图像,更改参数,调整区间,从而增强图像对比度;最后,按不同比例进行图像合并,突出Weber区域,使目标区域更加清楚。该发明增强的图片效果符合人眼视觉特性,图像质量更高,易于使用者操作且处理速度上有了很大的提升。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于人眼视觉特性的红外图像增强方法流程图;
图2为本发明提供的基于人眼视觉特性的红外图像增强装置示意图;
图3为本发明提供的基于人眼视觉特性的红外图像增强方法示意图
图4为本发明提供的基于人眼视觉特性的红外图像增强方法中运行时间对比图;
图5为本发明提供的基于人眼视觉特性的红外图像增强方法中未增强前的人物红外图像;
图6为本发明提供的基于人眼视觉特性的红外图像增强方法中增强后的人物红外图像;
图7为本发明提供的基于人眼视觉特性的红外图像增强方法中未增强前的原图直方图;
图8为本发明提供的基于人眼视觉特性的红外图像增强方法中增强后的直方图。
具体实施方式
本发明给出了一种基于人眼视觉特性的红外图像增强方法,为了使本技术领域的人员更好地理解本发明实施例中的技术方案,并使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明中技术方案作进一步详细的说明:
本发明首先提供了基于人眼视觉特性的红外图像增强方法实施例,如图1所示,
包括:
步骤一S101、采用高斯滤波,将采集的图像进行去噪;
步骤二S102、将人眼视觉特性与Weber定律结合,对图像进行亮度处理,其中Weber定律的表达关系如下:
r=kIn(s)+c
式中的r为感觉物理量,s为对应物理量,k∈(0,+∞),c∈(-∞,+∞);
并利用背景强度和梯度信息的对数关系对图像进行分解,将图像分割成二维图像,所有图像具有相同属性的内部特性;针对三区域进行图像分割,分别是:Devries-Rose区域、Weber区域、Saturation区域;
其中,B(x,y)为每个像素的背景强度,X(x,y)是输入图像,Q是该点上下左右四个相邻像素构成的集合,Q′是该像素对角线上的四个相邻像素构成的集合,m和n是常数;
定义最大差异BT、强度阈值Bi、梯度阈值Ki、梯度与背景强度的关系比值H(x,y)、G(x,y)。得到红外分割图像,公式如下:
img 1=X(x,y),B2≥B(x,y)≥H(x,y)≥K2;
img 2=X(x,y),B3≥B(x,y)≥G(x,y)≥K1;
img 3=X(x,y),其他剩余像素。
步骤三S103、计算Devries-Rose区域、Weber区域、Saturation区域每个区域的阈值,丢弃对比度小于最小阈值的像素,移除小于人眼捕捉最小像素阈值的像素以减少伪像。由于三区域各自具有均匀的照明,运用改进的算法IAVIHE(Improved AdaptivelyIncreasing the Value of Histogram Equalization)来有效地纠正这些问题并增强红外图像。
定义图像的P(k),公式如下;
其中,nk是图像中的像素总数灰度等级k,N个像素的灰度级的有效区域为[1,L-1];
并运用转移函数来增强图像的对比度;本发明的IAVIHE算法对其调整参数进行更改,从而能够对PDF外型作修改,简化了使用复杂度,提高了图像的对比度,得到IAVIHE算法公式如下;
其中,改进的算法IAIVHE由调整原始输入图像的PDF(P(k))来获得新的PDF(),调整PDF(PLAIVHE(k))形状以达到对比度增强的效果。本发明算法通过对系数进行改进,使对比度随系数的增大而增强,并且该算法适度控制P(k)的分段区间,更易于使用者控制与更改。式中,Pbas为基准值,即P(k)中的最大值与最小值的平均值。α(k)为可适性约束函数,公式如下;
式中,Xm为平均亮度、γ为实数,范围为[-1,1];其中k值越趋近于Xm,α(k)的值会越增大。
步骤四S104、将增强后的三区域图像按Devries-Rose区域:Weber区域:Saturation区域为0.3∶0.4∶0.3的比例进行合并,突出Weber区域,增强目标信息,最终得到增强后的红外图像;其公式如下;
Img=0.3*img1+0.4*img2+0.3*img3。
进一步地,所述利用背景强度和梯度信息的对数关系对图像进行分解的方法具体为:背景强度计算为加权局部平均值,梯度信息计算为梯度测量值。
进一步地,所述采用高斯滤波,尤其用来抑制服从正态分布的噪声。
进一步地,包括图像预处理模块、图像增强模块以及图像合并模块;其中图像预处理模块包括图像去噪模块和图像分解模块,所述图像去噪模块用于采用高斯滤波,将采集的图像进行去噪;图像分解模块用于将图像分割成二维图像;图像增强模块用于调整概率密度函数增强图像对比度;图像合并模块用于将增强后的区域图像按照比例进行合并,最终得到增强后的红外图像。
本发明还提供了一种基于人眼视觉特性的红外图像增强装置,包括图像预处理模块201、图像增强模块202以及图像合并模块203;其中图像预处理模块202包括图像去噪模块2021和图像分解模块2022,所述图像去噪模块2021用于采用高斯滤波,将采集的图像进行去噪;图像分解模块2022用于将图像分割成二维图像;图像增强模块202用于调整概率密度函数增强图像对比度;图像合并模块203用于将增强后的区域图像按照比例进行合并,最终得到增强后的红外图像。
综上所述,本发明公开了基于人眼视觉特性的红外图像增强算法,属于图像增强算法技术领域。本发明为了改善红外图像的增强效果,解决现有增强算法的局限性,增强效果不利于人眼观察等复杂的问题。该发明将人眼视觉特性与红外图像处理算法相结合。该发明利用人眼亮度感知特性与Weber定律,对整体图像进行亮度处理,突出Weber区域的目标信息;再利用背景强度与光强梯度在对数域上呈局部线性关系的特性,进行图像分割,得到三区域;然后,对三区域分别进行图像增强,利用改进的增强算法IAVIHE(ImprovedAdaptively Increasing the Value of Histogram Equalization);最后,将三区域的增强图像按0.3:0.4:0.3比例进行合并,突出Weber区域,最终得到增强后的红外图像。增强的红外图像符合人眼视觉特性,处理时间也有了很好的改善。
以上实施例用以说明而非限制本发明的技术方案。不脱离本发明精神和范围的任何修改或局部替换,均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于人眼视觉特性的红外图像增强方法,其特征在于,包括:
步骤一、采用高斯滤波,将采集的图像进行去噪;
步骤二、将人眼视觉特性与Weber定律结合,对图像进行亮度处理,其中Weber定律的表达关系如下:
r=kIn(s)+c
式中的r为感觉物理量,s为对应物理量,k∈(0,+∞),c∈(-∞,+∞);
并利用背景强度和梯度信息的对数关系对图像进行分解,将图像分割成二维图像,所有图像具有相同属性的内部特性;针对三区域进行图像分割,分别是:Devries-Rose区域、Weber区域、Saturation区域;
其中,B(x,y)为每个像素的背景强度,X(x,y)是输入图像,Q是每个像素点上下左右四个相邻像素构成的集合,Q′是每个像素对角线上的四个相邻像素构成的集合,m和n是常数;
定义最大差异BT、强度阈值Bi、梯度阈值Ki、梯度与背景强度的关系比值H(x,y)、G(x,y)得到红外分割图像,公式如下:
img 1=X(x,y),B2≥B(x,y)≥H(x,y)≥K2;
img 2=X(x,y),B3≥B(x,y)≥G(x,y)≥K1;
img 3=X(x,y),其他剩余像素;
步骤三、计算Devries-Rose区域、Weber区域、Saturation区域每个区域的阈值,丢弃对比度小于最小阈值的像素,移除无意义的像素以减少伪像;
定义图像的P(k),公式如下;
其中,nk是图像中的像素总数灰度等级k,N个像素的灰度级的有效区域为[1,L-1];
并运用转移函数来增强图像的对比度;得到IAVIHE算法公式如下;
式中,Pbas为基准值,即P(k)中的最大值与最小值的平均值;α(k)为可适性约束函数,公式如下;
式中,Xm为平均亮度、γ为实数,范围为[-1,1];其中k值越趋近于Xm,α(k)的值会越增大;
步骤四、将增强后的三区域图像按Devries-Rose区域:Weber区域:Saturation区域为0.3:0.4:0.3的比例进行合并,突出Weber区域,增强目标信息,最终得到增强后的红外图像;其公式如下;
Img=0.3*img1+0.4*img2+0.3*img3。
2.如权利要求1所述的一种基于人眼视觉特性的红外图像增强方法,其特征在于,所述利用背景强度和梯度信息的对数关系对图像进行分解的方法具体为:背景强度计算为加权局部平均值,梯度信息计算为梯度测量值。
3.如权利要求1或2所述的一种基于人眼视觉特性的红外图像增强方法,其特征在于,
所述采用高斯滤波,用来抑制服从正态分布的噪声。
4.一种权利要求1-3之一所述的一种基于人眼视觉特性的红外图像增强方法的基于人眼视觉特性的红外图像增强装置,其特征在于,包括图像预处理模块、图像增强模块以及图像合并模块;其中图像预处理模块包括图像去噪模块和图像分解模块,所述图像去噪模块用于采用高斯滤波,将采集的图像进行去噪;图像分解模块用于将图像分割成二维图像;图像增强模块用于调整概率密度函数增强图像对比度;图像合并模块用于将增强后的区域图像按照比例进行合并,最终得到增强后的红外图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910115323.8A CN109859138B (zh) | 2019-02-14 | 2019-02-14 | 一种基于人眼视觉特性的红外图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910115323.8A CN109859138B (zh) | 2019-02-14 | 2019-02-14 | 一种基于人眼视觉特性的红外图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109859138A CN109859138A (zh) | 2019-06-07 |
CN109859138B true CN109859138B (zh) | 2020-12-25 |
Family
ID=66897845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910115323.8A Expired - Fee Related CN109859138B (zh) | 2019-02-14 | 2019-02-14 | 一种基于人眼视觉特性的红外图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859138B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458851A (zh) * | 2019-08-12 | 2019-11-15 | 北京环境特性研究所 | 红外图像处理方法、装置、计算机设备和存储介质 |
CN113763361A (zh) * | 2021-08-26 | 2021-12-07 | 北京龙知远科技发展有限公司 | 一种提高人眼辨识度的红外图像处理方法、装置及存储介质 |
CN114820359B (zh) * | 2022-04-18 | 2024-02-13 | 广东第二师范学院 | 基于人眼视觉区域划分的红外图像全局色调映射方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319966A (zh) * | 2017-10-13 | 2018-07-24 | 西安科技大学 | 一种变电站复杂背景红外图像中设备的识别分类方法 |
CN109102485A (zh) * | 2018-09-11 | 2018-12-28 | 中国科学院长春光学精密机械与物理研究所 | 基于nsst和自适应双通道pcnn的图像融合方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709891A (zh) * | 2016-11-15 | 2017-05-24 | 哈尔滨理工大学 | 基于小波变换与自适应变换结合的图像处理方法 |
CN106952246A (zh) * | 2017-03-14 | 2017-07-14 | 北京理工大学 | 基于视觉注意特性的可见光红外图像增强彩色融合方法 |
CN107330871A (zh) * | 2017-06-29 | 2017-11-07 | 西安工程大学 | 恶劣气象条件下运行绝缘子自动识别的图像增强方法 |
CN107730477B (zh) * | 2017-10-13 | 2021-06-25 | 西安科技大学 | 变电站设备红外智能监测系统的监测图像特征提取方法 |
CN108257099B (zh) * | 2018-01-11 | 2021-09-10 | 重庆邮电大学 | 一种基于视觉对比度分辨率的自适应红外图像增强方法 |
-
2019
- 2019-02-14 CN CN201910115323.8A patent/CN109859138B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319966A (zh) * | 2017-10-13 | 2018-07-24 | 西安科技大学 | 一种变电站复杂背景红外图像中设备的识别分类方法 |
CN109102485A (zh) * | 2018-09-11 | 2018-12-28 | 中国科学院长春光学精密机械与物理研究所 | 基于nsst和自适应双通道pcnn的图像融合方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109859138A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | Underwater image enhancement based on global and local equalization of histogram and dual-image multi-scale fusion | |
US11127122B2 (en) | Image enhancement method and system | |
Wang et al. | A fast single-image dehazing method based on a physical model and gray projection | |
CN108765336B (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
CN103218778B (zh) | 一种图像和视频的处理方法及装置 | |
CN111292257B (zh) | 一种基于Retinex的暗视觉环境下图像增强方法 | |
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 | |
CN109859138B (zh) | 一种基于人眼视觉特性的红外图像增强方法 | |
CN106204470A (zh) | 基于模糊理论的低照度成像方法 | |
CN110298796B (zh) | 基于改进Retinex与对数图像处理的低照度图像增强方法 | |
CN110852956A (zh) | 一种高动态范围图像的增强方法 | |
He et al. | Color transfer pulse-coupled neural networks for underwater robotic visual systems | |
CN117252773A (zh) | 基于自适应颜色校正和导向滤波的图像增强方法及系统 | |
CN115587945A (zh) | 高动态红外图像细节增强方法、系统及计算机存储介质 | |
CN110349113B (zh) | 一种基于暗原色先验改进的自适应图像去雾方法 | |
CN116263942A (zh) | 一种调整图像对比度的方法、存储介质及计算机程序产品 | |
CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 | |
CN114693548A (zh) | 一种基于亮区域检测的暗通道去雾方法 | |
CN107292844B (zh) | 全变差正则化变分随机共振自适应暗图像滤波增强方法 | |
CN108898561A (zh) | 一种含天空区域雾天图像的去雾方法、服务器及系统 | |
CN117611467A (zh) | 一种能同时平衡不同区域细节和亮度的低光图像增强方法 | |
CN117408915A (zh) | 颜色校正和Retinex的多尺度融合水下图像增强方法及设备 | |
CN113379631B (zh) | 一种图像去雾的方法及装置 | |
CN113935922B (zh) | 一种红外与可见光图像特征增强融合方法 | |
Huang et al. | An efficient single image enhancement approach using luminance perception transformation |
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 |
Granted publication date: 20201225 Termination date: 20220214 |
|
CF01 | Termination of patent right due to non-payment of annual fee |