CN109919861A - 红外图像增强方法、装置、计算机设备和存储介质 - Google Patents
红外图像增强方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109919861A CN109919861A CN201910087423.4A CN201910087423A CN109919861A CN 109919861 A CN109919861 A CN 109919861A CN 201910087423 A CN201910087423 A CN 201910087423A CN 109919861 A CN109919861 A CN 109919861A
- Authority
- CN
- China
- Prior art keywords
- image
- base layer
- details
- infrared image
- layer image
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请涉及一种红外图像增强方法、装置、计算机设备和存储介质。所述方法包括:获取原始红外图像;对所述原始红外图像进行分割,得到基础层图像以及细节层图像;对所述基础层图像和细节层图像分别进行图像增强;将增强后的所述基础层图像和细节层图像进行融合,得到细节增强图像。上述红外图像增强方法对红外图像的细节增强明显,并且避免了丢失红外图像的细节信息,能够适应大部分场景的红外图像。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种红外图像增强方法、装置、计算机设备和存储介质。
背景技术
自然界中波长在2.0-1000μm之间的电磁波称为热红外线(也叫热辐射),只要物体温度在热力学零度(-273℃)之上都可以发出红外光。由于人眼无法识别红外光,因此必须使用特殊的装置实现红外信号的可视化,即红外成像系统。典型的红外成像系统由光学系统、红外探测器以及电子处理系统组成。光学系统主要的作用是将目标物体热辐射成像在红外探测器的感光面上,探测器将红外光信号转换成数字信号量,最后通过电子处理系统把数字信号转换成人眼能看到的图像。
目前的传统技术中,对红外图像进行增强通常使用直方图均衡法、灰度变换法、滤波器以及加权直方图均衡法。直方图均衡法通过拉伸直方图的灰度区域,来提升图像的对比度,但对于不同的图像增强效果不明显,并且差异性较大;灰度变换法根据映射函数逐一对原图像素做灰度值变换,但对于不同场景需要不同的映射函数;滤波器通过对原图做滤波处理去除图像噪声,但如果滤波器模板选择不合适会导致大量细节信息丢失;加权直方图均衡法通过压缩较小和较大两个区域内的像素区分大部分背景信息提升图像对比度,但应用场景有限在区分背景的同时会丢失部分细节。因此,目前传统技术的红外图像增强方法增强效果不明显,并且会丢失红外图像的细节信息。
发明内容
基于此,有必要针对上述技术问题,提供一种增强效果显著并且不会丢失图像细节的红外图像增强方法、装置、计算机设备和存储介质。
一种红外图像增强方法,所述方法包括:获取原始红外图像;对所述原始红外图像进行分割,得到基础层图像以及细节层图像;对所述基础层图像和细节层图像分别进行图像增强;将增强后的所述基础层图像和细节层图像进行融合,得到细节增强图像。
在其中一个实施例中,所述对所述原始红外图像进行分割,得到基础层图像以及细节层图像包括:根据所述原始红外图像以及双边滤波器,得到基础层图像;根据所述原始红外图像以及基础层图像,得到细节层图像。
在其中一个实施例中,所述根据所述原始红外图像以及双边滤波器,得到基础层图像包括:对所述原始红外图像进行边缘信息保护,得到扩充图像;将高斯低通滤波器和值域滤波器相结合,得到双边滤波器;将所述扩充图像输入所述双边滤波器,经过卷积运算得到基础层图像。
在其中一个实施例中,对所述原始红外图像进行边缘信息保护,得到扩充图像包括:获取原始红外图像中的纹路边缘像素点;对所述纹路边缘像素点中的转角处像素点进行三个方位的等值扩充并对非转角处像素点进行一个方位的等值扩充,得到扩充图像。
在其中一个实施例中,所述对所述基础层图像和细节层图像分别进行图像增强包括:对所述基础层图像利用直方图增强算法进行图像增强;对所述细节层图像利用伽马校正算法进行图像增强。
在其中一个实施例中,将增强后的所述基础层图像和细节层图像进行融合,得到细节增强图像包括:将增强后的所述基础层图像和细节层图像利用小波融合算法进行融合,得到细节增强图像。
在其中一个实施例中,所述将增强后的所述基础层图像和细节层图像利用小波融合算法进行融合,得到细节增强图像包括:对所述基础层图像进行预设次数的小波变换,得到低频区基础层图像以及高频区基础层图像;对所述细节层图像进行预设次数的小波变换,得到低频区细节层图像以及高频区细节层图像;将所述低频区基础层图像与低频区细节层图像融合并将高频区基础层图像与高频区细节层图像融合,得到细节增强图像。
一种红外图像增强装置,所述装置包括:图像获取模块,用于获取原始红外图像;图像分割模块,用于对所述原始红外图像进行分割,得到基础层图像以及细节层图像;图像增强模块,用于对所述基础层图像和细节层图像分别进行图像增强;图像融合模块,用于将增强后的所述基础层图像和细节层图像进行融合,得到细节增强图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一种所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种所述的方法的步骤。
上述红外图像增强方法、装置、计算机设备和存储介质,首先获取原始红外图像,并对原始红外图像分割得到基础层图像以及细节层图像,再分别对基础层图像和细节层图像进行图像增强,最后将增强后的基础层图像和细节层图像融合得到细节增强图像。上述红外图像增强方法对红外图像的细节增强明显,并且避免了丢失红外图像的细节信息,能够适应大部分场景的红外图像。
附图说明
图1为一个实施例中红外图像增强方法的流程示意图;
图2为一个实施例中对原始红外图像进行边缘信息保护的示意图;
图3为一个实施例中原始红外图像;
图4为一个实施例中分割后的基础层图像;
图5为一个实施例中分割后的细节层图像;
图6为一个实施例中原始直方图;
图7为一个实施例中直方图增强算法增强后的直方图;
图8为一个实施例中直方图增强算法增强后的基础层图像;
图9为一个实施例中伽马校正算法强后的细节层图像;
图10为一个实施例中对图像进行两次小滤波变换的示意图;
图11为一个实施例中融合后的细节增强图像;
图12为一个实施例中红外图像增强装置的结构框图;
图13为一个实施例中计算机设备的内部结构图。
附图标记:图像获取模块100、图像分割模块200、图像增强模块300、图像融合模块400。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
红外图像反映了目标和背景不可见红外辐射的空间分布,其辐射亮度分布主要由被观测景物的温度和发射率决定,因此红外图像近似反映了景物温度差或辐射差。图像增强是指对图像的某些特征,如边缘、轮廓、对比度等进行强调或突显,以便于观察或做进一步的分析与处理。图像增强不意味着能增加原始的信息,有时甚至会损失一些信息,但图像增强的结果却能加强对特定信息的识别能力,便图像中感兴趣的特征得以加强,从而使这些特征的检测和识别变得更加容易。红外图像细节增强是指利用红外图像处理技术实现红外原图的降噪、提高对比度、弱化背景、深化有效细节信息等,最终使红外图像能更好的满足人们肉眼直接观察。
在一个实施例中,如图1所示,提供了一种红外图像增强方法,包括以下步骤:
步骤S102,获取原始红外图像。
具体地,获取原始红外图像可以是红外热像仪实时采集到的红外图像,也可以是存储器中保存的由红外热像仪采集到的红外图像。其中,原始红外图像为能够利用本实施例红外图像增强方法进行图像增强的任意红外图像。红外热像仪是一种采集红外图像的设备,由于自然界的任何物体,只要温度高于绝对零度,就会以电磁辐射的形式在非常宽的波长范围内发射能量,产生电磁波。红外热像仪将物体发出的红外辐射聚集到自身的探测器上,探测器再把入射的辐射转换成电信号,最终再被处理为红外图像。
步骤S104,对所述原始红外图像进行分割,得到基础层图像以及细节层图像。
具体地,基础层图像为通过滤波器对原始红外图像进行滤波后得到的图像。细节层图像为原始红外图像减去基础层图像后得到的图像。更具体地,根据原始红外图像以及双边滤波器,得到基础层图像,再根据原始红外图像,得到细节层图像。其中,一个空域滤波器和一个值域滤波器结合生成双边滤波器。利用双边滤波器对原始红外图像进行滤波得到基础层图像,再用原始红外图像减去基础层图像得到细节层图像。
在其中一个实施例中,首先对原始红外图像进行边缘信息保护,得到扩充图像。再将高斯低通滤波器和值域滤波器相结合,得到双边滤波器,将所述扩充图像输入所述双边滤波器,经过卷积运算得到基础层图像。
在其中一个实施例中,对原始红外图像进行边缘信息保护,得到扩充图像包括:获取原始红外图像中的纹路边缘像素点,再对纹路边缘像素点中的转角处像素点进行三个方位的等值扩充,并对非转角处像素点进行一个方位的等值扩充,得到扩充图像。如图2所示,图2为对原始红外图像进行边缘信息保护的示意图。在左侧还未进行边缘信息保护的初始红外图像中,1、3、7、9像素点为纹路边缘像素点中的转角处像素点,2、4、6、8像素点为纹路边缘像素点中的非转角处像素点。在进行边缘信息保护时,对1像素点进行左、左上、上三个方位的等值扩充;对3像素点进行上、右上、右三个方位的等值扩充;对7像素点进行左、左下、下三个方位的等值扩充;对9像素点进行下、右下、右三个方位的等值扩充;对2像素点进行上方位的等值扩充;对4像素点进行左方位的等值扩充;对8像素点进行下方位的等值扩充;对6像素点进行右方位的等值扩充。对左侧初始红外图像进行边缘信息保护后得到右侧扩充图像。实现了对外边界值的复制。
在其中一个实施例中,将高斯低通滤波器和值域滤波器相结合,得到双边滤波器。双边滤波器是一种既能保留边缘信息又有很好去噪效果的滤波器。双边滤波器由两个滤波器结合而成,也就是其内部存在两个关键的函数决定了双边滤波器的上述优越性能。其中,值域滤波器的函数由图像像素之间的差值来决定滤波器的系数;空域滤波器的函数由图像几何的空间距离来决定滤波器系数,体现了空间距离对像素值得影响。优选的,空域滤波器为高斯低通滤波器。也就是双边滤波器由高斯低通滤波器和值域滤波器结合而成。其中,高斯低通滤波器的工作原理是对像素点周围一定范围内的像素值赋予不同的权重值,在对该区域内所有像素点做加权平均后,得到最终结果作为当前像素点的最终值。优选的,值域滤波器为α-截尾均值滤波器。
在其中一个实施例中,值域滤波器的模板函数为:
其中,|I-i|为图像像素与模板中心像素像素值的差。
在其中一个实施例中,利用原始红外图像减去基础层图像得到细节层图像。如图3-5所示,图3为原始红外图像;图4为分割后的基础层图像;图5为分割后的细节层图像。
步骤S106,对所述基础层图像和细节层图像分别进行图像增强。
具体地,对基础层图像利用直方图增强算法进行图像增强;对细节层图像利用伽马校正算法进行图像增强。
在其中一个实施例中,基础层图像采用自适应的直方图均衡算法。直方图均衡算法通过拉伸直方图的灰度区域来提升图像的对比度。直方图均衡算法对基础层图像的灰度直方图整体的动态范围进行扩展,动态范围为场景中最明亮处与最黑暗处的亮度之比。直方图的横坐标表示灰度值,纵坐标表示灰度值出现的频率。动态范围扩展一方面能够把较窄的灰度级区域拓宽,另一方面将较宽的灰度级区域做适当的压缩,最终实现基础层图像的对比度提升。灰度级即画面灰度级,是指亮度的明暗程度。如图6-7所示,图6为原始直方图,图7为直方图增强算法增强后的直方图。在利用直方图增强算法对基础层图像进行图像增强时,首先截取基础层图像的直方图中出现频率超过预设频率的部分,再将截取的部分分布到直方图的全区域,从而使截取后的直方图整体上升一个阈值L。此时,直方图中最大频率为Hmax=T+L,并且经过上述计算可以得出直方图为一个分段函数:
其中,Hist(i)表示原函数,Hist(t)表示经过上述处理后的函数。当Hist(i)的值大于等于T时,Hist(t)就等于Hmax;当Hist(i)的值小于T时,Hist(t)就等于Hist(t)+L。如图8所示,图8为直方图增强算法增强后的基础层图像。通过T的值调整Hmax的值,也就是让处理前的图像的灰度值分布的更加均匀,在处理效果中可以看出,在处理之前的基础层图像中像素值高的占据绝大部分(图像偏黑),处理后图像展示效果明显提升。
在其中一个实施例中,细节层图像采用伽马校正算法进行图像增强。如图9所示,图9为伽马校正算法强后的细节层图像。利用伽马校正算法进行图像增强时,采用Gamma算法校正原理对图像做非线性调整,通过增加图像中浅色和深色区域的比例,进一步的提升图像的对比度,增强图像的显示效果。非线性调整就是针对不同的像素值分别做不同的调整,最后分别提升深色和浅色的比例,也就是使白色变得更白,使黑色变得更黑,但不是线性进行增加,而是通过gamma函数曲线做的非线性增强。从而达到提升图像对比度的目的。
步骤S108,将增强后的所述基础层图像和细节层图像进行融合,得到细节增强图像。
具体地,将增强后的所述基础层图像和细节层图像利用小波融合算法进行融合,得到细节增强图像。更具体的,对所述基础层图像进行预设次数的小波变换,得到低频区基础层图像以及高频区基础层图像;对所述细节层图像进行预设次数的小波变换,得到低频区细节层图像以及高频区细节层图像;将所述低频区基础层图像与低频区细节层图像融合并将高频区基础层图像与高频区细节层图像融合,得到细节增强图像。优选的,对基础层图像/细节层图像分别进行两次小波变换。如图10-11所示,图10为对图像进行两次小滤波变换的示意图;图11为融合后的细节增强图像。首先利用小波变换技术对基础层图像/细节层图像做分层处理,得到一个低频区基础层图像/低频区细节层图像和三个高频区基础层图像/高频区细节层图像。再利用小波变换技术对低频区基础层图像/低频区细节层图像进行一次分层处理,得到得到一个低频区基础层图像/低频区细节层图像和三个高频区基础层图像/高频区细节层图像。通过两次小波分层处理中,得到一个低频区基础层图像/低频区细节层图像和六个高频区基础层图像/高频区细节层图像,将相应位置的低频区基础层图像和低频区细节层图像进行融合,将相应位置的高频区基础层图像和高频区细节层图像进行融合,得到最终的细节增强图像。
由于红外成像设备存在的设备缺陷以及比较容易受到外接环境的干扰,红外图像成像后对比度低、背景信息复杂并且信噪比较低,为图像的观测带来不变。本申请首先通过双边滤波原理,将模糊的原始红外图像分割为包含大量背景信息的基础层图像和包含了大量边缘信息的细节层图像,分别对分割后的基础层图像以及细节层图像做细节增强,最后通过小波融合技术将基础层图像和细节层图像进行融合,得到最终的细节增强图像。通过大量的仿真实验表明,本方法处理后的原始红外图像,不仅目标轮廓清晰,边缘细节特征明显,还能够有效的抑制噪声干扰,增强目标图像。进一步的使图像数据指标增强明显,视觉效果更加优越,自适应多场景,不需要过多的人为介入及参数调整。
上述红外图像增强方法,首先获取原始红外图像,并对原始红外图像分割得到基础层图像以及细节层图像,再分别对基础层图像和细节层图像进行图像增强,最后将增强后的基础层图像和细节层图像融合得到细节增强图像。上述红外图像增强方法对红外图像的细节增强明显,并且避免了丢失红外图像的细节信息,能够适应大部分场景的红外图像。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图12所示,提供了一种红外图像增强装置,包括:图像获取模块100、图像分割模块200、图像增强模块300和图像融合模块400,其中:
图像获取模块100,用于获取原始红外图像。
图像分割模块200,用于对所述原始红外图像进行分割,得到基础层图像以及细节层图像。
图像增强模块300,用于对所述基础层图像和细节层图像分别进行图像增强。
图像融合模块400,用于将增强后的所述基础层图像和细节层图像进行融合,得到细节增强图像。
图像分割模块200包括:滤波单元以及计算单元。
滤波单元,用于根据所述原始红外图像以及双边滤波器,得到基础层图像。
计算单元,用于根据所述原始红外图像以及基础层图像,得到细节层图像。
滤波单元包括:边缘信息保护子单元、双边滤波器生成子单元以及滤波子单元。
边缘信息保护子单元,用于对所述原始红外图像进行边缘信息保护,得到扩充图像。
双边滤波器生成子单元,用于将高斯低通滤波器和值域滤波器相结合,得到双边滤波器。
滤波子单元,用于将所述扩充图像输入所述双边滤波器,经过卷积运算得到基础层图像。
边缘信息保护子单元包括:获取子单元以及扩充子单元。
获取子单元,用于获取原始红外图像中的纹路边缘像素点。
扩充子单元,用于对所述纹路边缘像素点中的转角处像素点进行三个方位的等值扩充并对非转角处像素点进行一个方位的等值扩充,得到扩充图像。
图像增强模块300包括:第一图像增强模块以及第二图像增强模块。
第一图像增强模块,用于对所述基础层图像利用直方图增强算法进行图像增强。
第二图像增强模块,用于对所述细节层图像利用伽马校正算法进行图像增强。
图像融合模块400,还用于将增强后的所述基础层图像和细节层图像利用小波融合算法进行融合,得到细节增强图像。
图像融合模块400包括:第一小波变换单元、第二小波变换单元以及图像融合单元。
第一小波变换单元,用于对所述基础层图像进行预设次数的小波变换,得到低频区基础层图像以及高频区基础层图像。
第二小波变换单元,用于对所述细节层图像进行预设次数的小波变换,得到低频区细节层图像以及高频区细节层图像。
图像融合单元,用于将所述低频区基础层图像与低频区细节层图像融合并将高频区基础层图像与高频区细节层图像融合,得到细节增强图像。
关于红外图像增强装置的具体限定可以参见上文中对于红外图像增强方法的限定,在此不再赘述。上述红外图像增强装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种红外图像增强方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取原始红外图像;对所述原始红外图像进行分割,得到基础层图像以及细节层图像;对所述基础层图像和细节层图像分别进行图像增强;将增强后的所述基础层图像和细节层图像进行融合,得到细节增强图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述原始红外图像以及双边滤波器,得到基础层图像;根据所述原始红外图像以及基础层图像,得到细节层图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对所述原始红外图像进行边缘信息保护,得到扩充图像;将高斯低通滤波器和值域滤波器相结合,得到双边滤波器;将所述扩充图像输入所述双边滤波器,经过卷积运算得到基础层图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取原始红外图像中的纹路边缘像素点;对所述纹路边缘像素点中的转角处像素点进行三个方位的等值扩充并对非转角处像素点进行一个方位的等值扩充,得到扩充图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对所述基础层图像利用直方图增强算法进行图像增强;对所述细节层图像利用伽马校正算法进行图像增强。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将增强后的所述基础层图像和细节层图像利用小波融合算法进行融合,得到细节增强图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对所述基础层图像进行预设次数的小波变换,得到低频区基础层图像以及高频区基础层图像;对所述细节层图像进行预设次数的小波变换,得到低频区细节层图像以及高频区细节层图像;将所述低频区基础层图像与低频区细节层图像融合并将高频区基础层图像与高频区细节层图像融合,得到细节增强图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取原始红外图像;对所述原始红外图像进行分割,得到基础层图像以及细节层图像;对所述基础层图像和细节层图像分别进行图像增强;将增强后的所述基础层图像和细节层图像进行融合,得到细节增强图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述原始红外图像以及双边滤波器,得到基础层图像;根据所述原始红外图像以及基础层图像,得到细节层图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对所述原始红外图像进行边缘信息保护,得到扩充图像;将高斯低通滤波器和值域滤波器相结合,得到双边滤波器;将所述扩充图像输入所述双边滤波器,经过卷积运算得到基础层图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取原始红外图像中的纹路边缘像素点;对所述纹路边缘像素点中的转角处像素点进行三个方位的等值扩充并对非转角处像素点进行一个方位的等值扩充,得到扩充图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对所述基础层图像利用直方图增强算法进行图像增强;对所述细节层图像利用伽马校正算法进行图像增强。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将增强后的所述基础层图像和细节层图像利用小波融合算法进行融合,得到细节增强图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对所述基础层图像进行预设次数的小波变换,得到低频区基础层图像以及高频区基础层图像;对所述细节层图像进行预设次数的小波变换,得到低频区细节层图像以及高频区细节层图像;将所述低频区基础层图像与低频区细节层图像融合并将高频区基础层图像与高频区细节层图像融合,得到细节增强图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种红外图像增强方法,其特征在于,所述方法包括:
获取原始红外图像;
对所述原始红外图像进行分割,得到基础层图像以及细节层图像;
对所述基础层图像和细节层图像分别进行图像增强;
将增强后的所述基础层图像和细节层图像进行融合,得到细节增强图像。
2.根据权利要求1所述的方法,其特征在于,所述对所述原始红外图像进行分割,得到基础层图像以及细节层图像包括:
根据所述原始红外图像以及双边滤波器,得到基础层图像;
根据所述原始红外图像以及基础层图像,得到细节层图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述原始红外图像以及双边滤波器,得到基础层图像包括:
对所述原始红外图像进行边缘信息保护,得到扩充图像;
将高斯低通滤波器和值域滤波器相结合,得到双边滤波器;
将所述扩充图像输入所述双边滤波器,经过卷积运算得到基础层图像。
4.根据权利要求3所述的方法,其特征在于,对所述原始红外图像进行边缘信息保护,得到扩充图像包括:
获取原始红外图像中的纹路边缘像素点;
对所述纹路边缘像素点中的转角处像素点进行三个方位的等值扩充并对非转角处像素点进行一个方位的等值扩充,得到扩充图像。
5.根据权利要求1所述的方法,其特征在于,所述对所述基础层图像和细节层图像分别进行图像增强包括:
对所述基础层图像利用直方图增强算法进行图像增强;
对所述细节层图像利用伽马校正算法进行图像增强。
6.根据权利要求1所述的方法,其特征在于,将增强后的所述基础层图像和细节层图像进行融合,得到细节增强图像包括:
将增强后的所述基础层图像和细节层图像利用小波融合算法进行融合,得到细节增强图像。
7.根据权利要求6所述的方法,其特征在于,所述将增强后的所述基础层图像和细节层图像利用小波融合算法进行融合,得到细节增强图像包括:
对所述基础层图像进行预设次数的小波变换,得到低频区基础层图像以及高频区基础层图像;
对所述细节层图像进行预设次数的小波变换,得到低频区细节层图像以及高频区细节层图像;
将所述低频区基础层图像与低频区细节层图像融合并将高频区基础层图像与高频区细节层图像融合,得到细节增强图像。
8.一种红外图像增强装置,其特征在于,所述装置包括:
图像获取模块,用于获取原始红外图像;
图像分割模块,用于对所述原始红外图像进行分割,得到基础层图像以及细节层图像;
图像增强模块,用于对所述基础层图像和细节层图像分别进行图像增强;
图像融合模块,用于将增强后的所述基础层图像和细节层图像进行融合,得到细节增强图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,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实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910087423.4A CN109919861A (zh) | 2019-01-29 | 2019-01-29 | 红外图像增强方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910087423.4A CN109919861A (zh) | 2019-01-29 | 2019-01-29 | 红外图像增强方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919861A true CN109919861A (zh) | 2019-06-21 |
Family
ID=66960960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910087423.4A Pending CN109919861A (zh) | 2019-01-29 | 2019-01-29 | 红外图像增强方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919861A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110634112A (zh) * | 2019-10-15 | 2019-12-31 | 中国矿业大学(北京) | 一种双域分解的矿井下含噪声图像的增强方法 |
CN111489319A (zh) * | 2020-04-17 | 2020-08-04 | 电子科技大学 | 基于多尺度双边滤波和视觉显著性的红外图像增强方法 |
CN111652808A (zh) * | 2019-07-29 | 2020-09-11 | 天津大学 | 一种红外图像细节增强及噪声抑制方法 |
CN111899205A (zh) * | 2020-08-10 | 2020-11-06 | 国科天成(北京)科技有限公司 | 一种场景自适应宽动态红外热成像的图像增强方法 |
CN111968068A (zh) * | 2020-08-18 | 2020-11-20 | 杭州海康微影传感科技有限公司 | 一种热成像图像的处理方法及装置 |
CN112419213A (zh) * | 2020-10-23 | 2021-02-26 | 广西电网有限责任公司电力科学研究院 | 一种sf6红外图像增强方法及系统 |
CN112465987A (zh) * | 2020-12-17 | 2021-03-09 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 一种视觉融合信息三维重建的导航地图构建方法 |
CN112581404A (zh) * | 2020-12-25 | 2021-03-30 | 合肥赛为智能有限公司 | 轨道交通视频监控图像增强算法 |
WO2021195895A1 (zh) * | 2020-03-30 | 2021-10-07 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置、设备及存储介质 |
CN114037615A (zh) * | 2021-09-03 | 2022-02-11 | 南京泓众电子科技有限公司 | 一种自适应全景图像增强方法及装置 |
CN114596683A (zh) * | 2022-02-09 | 2022-06-07 | 青岛海信日立空调系统有限公司 | 入侵检测方法及装置 |
CN115272139A (zh) * | 2022-09-29 | 2022-11-01 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 热红外图像的量化与自适应增强方法、系统及存储介质 |
CN115984118A (zh) * | 2023-03-17 | 2023-04-18 | 国科天成科技股份有限公司 | 基于边缘增强的红外图像放大算法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609906A (zh) * | 2012-01-12 | 2012-07-25 | 北京理工大学 | 一种基于各向异性扩散的气体红外图像增强方法 |
CN103325098A (zh) * | 2013-07-02 | 2013-09-25 | 南京理工大学 | 基于多尺度处理的高动态红外图像增强方法 |
CN105005976A (zh) * | 2015-03-30 | 2015-10-28 | 成都中昊英孚科技有限公司 | 一种基于融合的红外图像增强方法 |
US20150332441A1 (en) * | 2009-06-03 | 2015-11-19 | Flir Systems, Inc. | Selective image correction for infrared imaging devices |
CN107358586A (zh) * | 2017-07-06 | 2017-11-17 | 中山大学 | 一种图像增强方法、装置及设备 |
CN108492268A (zh) * | 2018-03-20 | 2018-09-04 | 哈尔滨理工大学 | 基于小波系数融合的低照度图像增强算法 |
CN109255774A (zh) * | 2018-09-28 | 2019-01-22 | 中国科学院长春光学精密机械与物理研究所 | 一种图像融合方法、装置及其设备 |
-
2019
- 2019-01-29 CN CN201910087423.4A patent/CN109919861A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150332441A1 (en) * | 2009-06-03 | 2015-11-19 | Flir Systems, Inc. | Selective image correction for infrared imaging devices |
CN102609906A (zh) * | 2012-01-12 | 2012-07-25 | 北京理工大学 | 一种基于各向异性扩散的气体红外图像增强方法 |
CN103325098A (zh) * | 2013-07-02 | 2013-09-25 | 南京理工大学 | 基于多尺度处理的高动态红外图像增强方法 |
CN105005976A (zh) * | 2015-03-30 | 2015-10-28 | 成都中昊英孚科技有限公司 | 一种基于融合的红外图像增强方法 |
CN107358586A (zh) * | 2017-07-06 | 2017-11-17 | 中山大学 | 一种图像增强方法、装置及设备 |
CN108492268A (zh) * | 2018-03-20 | 2018-09-04 | 哈尔滨理工大学 | 基于小波系数融合的低照度图像增强算法 |
CN109255774A (zh) * | 2018-09-28 | 2019-01-22 | 中国科学院长春光学精密机械与物理研究所 | 一种图像融合方法、装置及其设备 |
Non-Patent Citations (3)
Title |
---|
何海冉: "红外视频图像细节增强的并行算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
刘婷婷: "红外图像细节增强算法与实现的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈浩等: "基于提升小波变换的红外图像融合算法研究", 《激光与红外》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652808A (zh) * | 2019-07-29 | 2020-09-11 | 天津大学 | 一种红外图像细节增强及噪声抑制方法 |
CN110634112A (zh) * | 2019-10-15 | 2019-12-31 | 中国矿业大学(北京) | 一种双域分解的矿井下含噪声图像的增强方法 |
WO2021195895A1 (zh) * | 2020-03-30 | 2021-10-07 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置、设备及存储介质 |
CN111489319A (zh) * | 2020-04-17 | 2020-08-04 | 电子科技大学 | 基于多尺度双边滤波和视觉显著性的红外图像增强方法 |
CN111899205A (zh) * | 2020-08-10 | 2020-11-06 | 国科天成(北京)科技有限公司 | 一种场景自适应宽动态红外热成像的图像增强方法 |
CN111968068A (zh) * | 2020-08-18 | 2020-11-20 | 杭州海康微影传感科技有限公司 | 一种热成像图像的处理方法及装置 |
CN112419213A (zh) * | 2020-10-23 | 2021-02-26 | 广西电网有限责任公司电力科学研究院 | 一种sf6红外图像增强方法及系统 |
CN112419213B (zh) * | 2020-10-23 | 2023-09-15 | 广西电网有限责任公司电力科学研究院 | 一种sf6红外图像增强方法及系统 |
CN112465987A (zh) * | 2020-12-17 | 2021-03-09 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 一种视觉融合信息三维重建的导航地图构建方法 |
CN112581404A (zh) * | 2020-12-25 | 2021-03-30 | 合肥赛为智能有限公司 | 轨道交通视频监控图像增强算法 |
CN114037615A (zh) * | 2021-09-03 | 2022-02-11 | 南京泓众电子科技有限公司 | 一种自适应全景图像增强方法及装置 |
CN114596683A (zh) * | 2022-02-09 | 2022-06-07 | 青岛海信日立空调系统有限公司 | 入侵检测方法及装置 |
CN115272139A (zh) * | 2022-09-29 | 2022-11-01 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 热红外图像的量化与自适应增强方法、系统及存储介质 |
CN115984118A (zh) * | 2023-03-17 | 2023-04-18 | 国科天成科技股份有限公司 | 基于边缘增强的红外图像放大算法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919861A (zh) | 红外图像增强方法、装置、计算机设备和存储介质 | |
Shi et al. | Normalised gamma transformation‐based contrast‐limited adaptive histogram equalisation with colour correction for sand–dust image enhancement | |
Hu et al. | An adaptive fusion algorithm for visible and infrared videos based on entropy and the cumulative distribution of gray levels | |
Kim et al. | Optimized contrast enhancement for real-time image and video dehazing | |
Shin et al. | Radiance–reflectance combined optimization and structure-guided $\ell _0 $-Norm for single image dehazing | |
Jiang et al. | A switched view of Retinex: Deep self-regularized low-light image enhancement | |
US11240443B2 (en) | Systems and methods for image acquisition | |
Ren et al. | Infrared and visible image fusion based on weighted variance guided filter and image contrast enhancement | |
Zhang et al. | High dynamic range compression and detail enhancement of infrared images in the gradient domain | |
Li et al. | Low-light image enhancement via pair of complementary gamma functions by fusion | |
CN104021532A (zh) | 一种红外图像的图像细节增强方法 | |
WO2018145508A1 (zh) | 一种图像处理方法和装置 | |
CN110163804A (zh) | 图像去雾方法、装置、计算机设备和存储介质 | |
Dulski et al. | Enhancing image quality produced by IR cameras | |
Singh et al. | Anisotropic diffusion for details enhancement in multiexposure image fusion | |
Cheng et al. | Blue channel and fusion for sandstorm image enhancement | |
Kim et al. | Deep illumination-aware dehazing with low-light and detail enhancement | |
Wei et al. | An image fusion dehazing algorithm based on dark channel prior and retinex | |
Hu et al. | Kinect depth map based enhancement for low light surveillance image | |
Zou et al. | Image haze removal algorithm using a logarithmic guide filtering and multi-channel prior | |
Khan et al. | A ghostfree contrast enhancement method for multiview images without depth information | |
Rossi et al. | Dynamic range reduction and contrast adjustment of infrared images in surveillance scenarios | |
CN110766634A (zh) | 基于引导滤波器的图像划分的方法、装置及电子设备 | |
Hu et al. | A low-illumination image enhancement algorithm based on morphological-Retinex (MR) operator | |
Chen et al. | Low‐light image enhancement based on exponential Retinex variational model |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |