CN110211075A - 照度不均匀电子散斑干涉条纹图像增强方法 - Google Patents
照度不均匀电子散斑干涉条纹图像增强方法 Download PDFInfo
- Publication number
- CN110211075A CN110211075A CN201910474212.6A CN201910474212A CN110211075A CN 110211075 A CN110211075 A CN 110211075A CN 201910474212 A CN201910474212 A CN 201910474212A CN 110211075 A CN110211075 A CN 110211075A
- Authority
- CN
- China
- Prior art keywords
- image
- interference fringe
- fringe pattern
- electronic speckle
- speckle interference
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 230000002708 enhancing effect Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000002093 peripheral effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000003287 optical effect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005305 interferometry Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明属于光信息处理技术和图像处理技术领域,为实现对照度不均匀的电子散斑干涉图像的对比度增强,图像滤波后的条纹能够尽量保持完整,使得后续提取骨架线时提取的更为精准。本发明采用的技术方案是,照度不均匀电子散斑干涉条纹图像增强方法,利用Retinex理论,选取基于中心环绕的多尺度Retinex算法MSR(multi‑scale retinex),对低质量且照度不均匀的电子散斑干涉条纹图像进行处理,调节尺度参数,实现图像增强。本发明主要应用于光信息处理技术和图像处理场合。
Description
技术领域
本发明属于光信息处理技术和图像处理技术领域,涉及一种基于Retinex理论的照度不均匀的电子散斑干涉条纹图像增强方法。
背景技术
电子散斑干涉(Electronic Speckle Pattern Interferometry,简称ESPI)测量技术,是一种现代光学测量技术,它具有全场非接触、高精度和高灵敏度、不避光等优点。该技术在机械、土木、水利、电器、航空航天、兵器工业及生物医学等领域的检测中具有非常重要的地位。电子散斑干涉技术利用光的干涉原理对被测物体进行精密测量,当被测的工件产生微小的位移时,在其表面上所形成的散斑图形也会发生移动,利用光学照相的方法将散斑图形记录下来,对变形前后采集的两幅散斑图像做绝对值相减、相加或相乘的运算,即可得到对应变形信息的散斑条纹图,因此,准确地从干涉条纹图像中提取相位是获得物体变形位移信息的关键。
电子散斑干涉技术虽然有很多优良特性,可是随着现代科学技术的飞速发展,从工程及应用科学方面提出的测试问题越来越多,产生的条纹图也越来越复杂,尽管目前光条纹图像信息提取方法取得了很大进展,但是在实验获取的电子散斑条纹图像中有时会出现照度不均匀的现象,现有的方法在对照度不均匀的条纹图进行处理时无法获得的完整的条纹信息,进而无法得到完整的相位信息,这是光学测试领域的一个难点。因此,找到一种能够有效解决电子散斑条纹图像的照度不均匀的处理方法,对于后续处理显得尤为重要。
近些年基于人类视觉的图像增强技术成为一种研究趋势,其中,Retinex理论是通过模拟人眼成像过程而建立起来的一种颜色恒常知觉计算理论。Retinex这个词是由视网膜(Retina)和大脑皮层(Cortex)两个词组合构成,其理论是Land和McCann提出的,它的基本思想是物体的颜色由物体对长波、中波和短波光线的反射能力决定的,并不取决于该点进入人眼的绝对光线,并且物体的色彩不受光照非均匀性的影响,具有一致性。Retinex可以分为两种形式:基于路径的Retinex以及基于中心环绕Retinex。常用的Retinex算法是基于中心环绕的单尺度Retinex算法(single-scale retinex,SSR)和多尺度Retinex算法(multi-scale retinex,MSR)。Retinex算法基本原理是将给定图像分解成两个不同的图像,反射图像和入射图像,反射图像就是原始没有受到干扰的图像。该方法是要在给定图像中,降低入射图像的影响,尽量保留物体本质的反射属性,从而得到图像最本质的样子。因此可以将Retinex算法引入到电子散斑干涉条纹图像中,针对照度不均匀这一现象,结合retinex理论对图像光线的处理,可以去除光线对图像的影响,得到照度均匀的结果。
发明内容
为克服现有技术的不足,本发明旨在实现对照度不均匀的电子散斑干涉图像的对比度增强,图像滤波后的条纹能够尽量保持完整,使得后续提取骨架线时提取的更为精准。本发明采用的技术方案是,利用Retinex理论,选取基于中心环绕的多尺度Retinex算法MSR(multi-scale retinex),对低质量且照度不均匀的电子散斑干涉条纹图像进行处理,调节尺度参数,实现图像增强。
照度不均匀电子散斑干涉条纹图像增强方法,具体步骤如下:
步骤1:获得低质量、照度不均匀电子散斑干涉条纹图像f;
步骤2:构建Retinex理论模型;
步骤3:针对每幅图调节MSR算法的各个尺度参数,使得到的增强图像I1的照度均匀,效果最佳。
步骤2:构建Retinex理论模型,具体步骤如下:
步骤2-1:首先,根据Retinex理论,利用取对数的方法将照射分量和反射分量分离,即:
log S(x,y)=log R(x,y)+log L(x,y)
其中,S代表我们所看到的图像,L是入射光图像,R是物体的反射性质。Retinex就是通过图像S来得到物体的反射性质R,也就是设法去除或者降低入射光L的影响从而得到物体原本该有的样子;
步骤2-2:通过计算图像中像素点与周围区域中像素的加权平均来对图像中照度变化做估计,并将其去除,最后只保留图像中物体的反射属性,用高斯模板对原图像作卷积,即相当于对原图像作低通滤波,得到低通滤波后的图像D(x,y),F(x,y)表示高斯滤波函数:
D(x,y)=S(x,y)*F(x,y)
步骤2-3:在对数域中,用原图像减去低通滤波后的图像,得到高频增强的图像G(x,y):
G(x,y)=log S(x,y)-log D(x,y)
步骤2-4:对G(x,y)取反对数,得到增强后的图像R(x,y):
R(x,y)=exp G(x,y)
步骤3:根据MSR尺度的要求,分别用大、中、小三种尺度对图像分别进行步骤2-2,步骤2-3及步骤2-4,并且对每个尺度下的结果进行加权求和。
还包括效果比较步骤:
步骤1:分别利用直方图均衡化、常微分方程增强对输入的图像进行增强,得到增强图像I2、I3;
步骤5:将得到的所有增强图像与原图像进行滤波,得到滤波后的结果并进行对比。
本发明的特点及有益效果是:
本发明提出的基于Retinex理论的照度不均匀的电子散斑干涉条纹图像增强方法,相比于传统的电子散斑干涉条纹图像增强方法,增强效果更好,几乎去除了照度不均匀给图像带来的问题,尽可能多的保持了条纹的边缘,得到的条纹更加完整,更利于后续的骨架线提取和相位展开。
附图说明:
图1是本发明基于Retinex理论的照度不均匀电子散斑干涉条纹图像增强方法的方法流程图;
图2(a)(b)是低密度电子散斑干涉条纹图像及其滤波结果,(c)(d)是对图2(a)的直方图均衡化的增强图像及其滤波结果,(e)(f)是对图2(a)的常微分方程增强图像及其滤波结果,(g)(h)是对图2(a)的MSR增强图像及其滤波结果;
图3(a)(b)是高密度电子散斑干涉条纹图像及其滤波结果,(c)(d)是对图3(a)的直方图均衡化的增强图像及其滤波结果,(e)(f)是对图3(a)的常微分方程增强图像及其滤波结果,(g)(h)是对图3(a)的MSR增强图像及其滤波结果;
图4(a)(b)是变密度电子散斑干涉条纹图像及其滤波结果,(c)(d)是对图4(a)的直方图均衡化的增强图像及其滤波结果,(e)(f)是对图4(a)的常微分方程增强图像及其滤波结果,(g)(h)是对图4(a)的MSR增强图像及其滤波结果;
具体实施方式
接下来应用本发明提出的基于Retinex理论的照度不均匀电子散斑干涉条纹图像增强方法进行增强。具体步骤如下:
步骤1:进行实验获得照度不均匀的实验图像。根据电子散斑干涉条纹图像的密度特征进行实验,实验获得低密度和高密度的照度不均匀电子散斑干涉条纹图像,变密度的照度不均匀电子散斑条纹图4(a)是经过电脑模拟得到的。
步骤2:构建Retinex理论模型。具体步骤如下:
步骤2-1:首先,根据Retinex理论,利用取对数的方法将照射分量和反射分量分离,即:
log S(x,y)=log R(x,y)+log L(x,y)
其中,S代表我们所看到的图像,L是入射光图像,R是物体的反射性质。Retinex就是通过图像S来得到物体的反射性质R,也就是设法去除(或者降低)入射光L的影响从而得到物体原本该有的样子。
步骤2-2:最终的反射图像会被假设地估计为空间平滑图像(其物理解释就是通过计算图像中像素点与周围区域中像素的加权平均来对图像中照度变化做估计,并将其去除,最后只保留图像中物体的反射属性),所以可以用高斯模板对原图像作卷积,即相当于对原图像作低通滤波,得到低通滤波后的图像D(x,y),F(x,y)表示高斯滤波函数:
D(x,y)=S(x,y)*F(x,y)
步骤2-3:在对数域中,用原图像减去低通滤波后的图像,得到高频增强的图像G(x,y):
G(x,y)=log S(x,y)-log D(x,y)
步骤2-4:对G(x,y)取反对数,得到增强后的图像R(x,y):
R(x,y)=exp G(x,y)
步骤3:根据MSR尺度的要求,尺度的大小选择最经典的三尺度,分别用大、中、小三种尺度对图像分别进行步骤2-2,步骤2-3及步骤2-4,并且对每个尺度下的结果进行加权求和。
步骤4:为了突出本发明所提出的方法的优越性,本次实验还选取了两个传统的图像增强方法,分别为直方图均衡化增强方法和常微分方程图像增强方法,对实验图像进行增强。
步骤5:将得到的所有增强图像与原图像进行滤波,得到滤波后的结果。
该算法的流程图见附图1。
为了验证方法的有效性,给出实验结果。
图2(a)为低密度电子散斑干涉条纹图像,图2(b)是图2(a)滤波之后的结果。同样的,图2(c)(e)(g),分别为通过直方图均衡化、常微分方程及MSR算法增强后的图像,而图2(d)(f)(h)分别为上述三幅图像的滤波结果。图3(a)为高密度的电子散斑干涉条纹图像,图3(b)是图3(a)滤波之后的结果。同样的,图3(c)(e)(g),分别为通过直方图均衡化、常微分方程及MSR算法增强后的图像,而图3(d)(f)(h)分别为上述三幅图像的滤波结果。图4(a)为变密度的电子散斑干涉条纹图像,图4(b)是图4(a)滤波之后的结果。同样的,图4(c)(e)(g),分别为通过直方图均衡化、常微分方程及MSR算法增强后的图像,而图4(d)(f)(h)分别为上述三幅图像的滤波结果。
无论是从增强图像的对比还是滤波之后的图像对比,都可以看出本发明提出的图像增强方法的能够很好的对各种密度特征的照度不均匀的电子散斑干涉条纹图像进行增强,并且滤波之后的结果也有优越性,几乎消除了照度不均匀的现象。
尽管上面结合图示对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以作出很多变形,这些均属于本发明的保护之内。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种照度不均匀电子散斑干涉条纹图像增强方法,其特征是,具体步骤如下:
步骤1:获得低质量、照度不均匀电子散斑干涉条纹图像f;
步骤2:构建Retinex理论模型;
步骤3:针对每幅图调节MSR算法的各个尺度参数,使得到的增强图像I1的照度均匀,效果最佳。
2.如权利要求1所述的照度不均匀电子散斑干涉条纹图像增强方法,其特征是,步骤2:构建Retinex理论模型,具体步骤如下:
步骤2-1:首先,根据Retinex理论,利用取对数的方法将照射分量和反射分量分离,即:
logS(x,y)=logR(x,y)+logL(x,y)
其中,S代表我们所看到的图像,L是入射光图像,R是物体的反射性质。Retinex就是通过图像S来得到物体的反射性质R,也就是设法去除或者降低入射光L的影响从而得到物体原本该有的样子;
步骤2-2:通过计算图像中像素点与周围区域中像素的加权平均来对图像中照度变化做估计,并将其去除,最后只保留图像中物体的反射属性,用高斯模板对原图像作卷积,即相当于对原图像作低通滤波,得到低通滤波后的图像D(x,y),F(x,y)表示高斯滤波函数:
D(x,y)=S(x,y)*F(x,y)
步骤2-3:在对数域中,用原图像减去低通滤波后的图像,得到高频增强的图像G(x,y):
G(x,y)=logS(x,y)-logD(x,y)
步骤2-4:对G(x,y)取反对数,得到增强后的图像R(x,y):
R(x,y)=exp G(x,y)。
3.如权利要求1所述的照度不均匀电子散斑干涉条纹图像增强方法,其特征是,步骤3:根据MSR尺度的要求,分别用大、中、小三种尺度对图像分别进行步骤2-2,步骤2-3及步骤2-4,并且对每个尺度下的结果进行加权求和。
4.如权利要求1所述的照度不均匀电子散斑干涉条纹图像增强方法,其特征是,还包括效果比较步骤:
步骤1:分别利用直方图均衡化、常微分方程增强对输入的图像进行增强,得到增强图像I2、I3;
步骤5:将得到的所有增强图像与原图像进行滤波,得到滤波后的结果并进行对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910474212.6A CN110211075A (zh) | 2019-05-31 | 2019-05-31 | 照度不均匀电子散斑干涉条纹图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910474212.6A CN110211075A (zh) | 2019-05-31 | 2019-05-31 | 照度不均匀电子散斑干涉条纹图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110211075A true CN110211075A (zh) | 2019-09-06 |
Family
ID=67790202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910474212.6A Pending CN110211075A (zh) | 2019-05-31 | 2019-05-31 | 照度不均匀电子散斑干涉条纹图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211075A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365408A (zh) * | 2020-10-09 | 2021-02-12 | 天津大学 | 基于变分图像分解的retinex图像去雾方法 |
CN112965083A (zh) * | 2021-02-02 | 2021-06-15 | 英飞拓(杭州)信息系统技术有限公司 | 一种智能汽车的多传感信息融合系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040091164A1 (en) * | 2002-11-11 | 2004-05-13 | Minolta Co., Ltd. | Image processing program product and device for executing retinex processing |
CN102855612A (zh) * | 2012-09-05 | 2013-01-02 | 天津光电高斯通信工程技术有限公司 | 基于灰度线阵ccd图像的自适应增强算法 |
CN105072341A (zh) * | 2015-08-12 | 2015-11-18 | 旗瀚科技股份有限公司 | 一种可用于机器视觉的高动态范围现实场景信息重构方法 |
-
2019
- 2019-05-31 CN CN201910474212.6A patent/CN110211075A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040091164A1 (en) * | 2002-11-11 | 2004-05-13 | Minolta Co., Ltd. | Image processing program product and device for executing retinex processing |
CN102855612A (zh) * | 2012-09-05 | 2013-01-02 | 天津光电高斯通信工程技术有限公司 | 基于灰度线阵ccd图像的自适应增强算法 |
CN105072341A (zh) * | 2015-08-12 | 2015-11-18 | 旗瀚科技股份有限公司 | 一种可用于机器视觉的高动态范围现实场景信息重构方法 |
Non-Patent Citations (1)
Title |
---|
李勇: "基于Retinex理论的低照度图像增强算法研究与实现", 《中国优秀硕士学位论文全文数据库.信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365408A (zh) * | 2020-10-09 | 2021-02-12 | 天津大学 | 基于变分图像分解的retinex图像去雾方法 |
CN112365408B (zh) * | 2020-10-09 | 2022-08-30 | 天津大学 | 基于变分图像分解的retinex图像去雾方法 |
CN112965083A (zh) * | 2021-02-02 | 2021-06-15 | 英飞拓(杭州)信息系统技术有限公司 | 一种智能汽车的多传感信息融合系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Adaptive total variation denoising based on difference curvature | |
Li et al. | Nonnegative mixed-norm preconditioning for microscopy image segmentation | |
Wang et al. | Anisotropic second and fourth order diffusion models based on convolutional virtual electric field for image denoising | |
CN110211074A (zh) | 低照度电子散斑干涉条纹图像增强方法 | |
Gilboa | Nonlinear eigenproblems in image processing and computer vision | |
Tian et al. | Effective image noise removal based on difference eigenvalue | |
Rani et al. | Detection of edges using mathematical morphological operators | |
CN110211075A (zh) | 照度不均匀电子散斑干涉条纹图像增强方法 | |
Duan et al. | New variational image decomposition model for simultaneously denoising and segmenting optical coherence tomography images | |
Duan et al. | Introducing diffusion tensor to high order variational model for image reconstruction | |
Xu et al. | Retinal vessel width measurements based on a graph-theoretic method | |
Jumaat et al. | Performance comparison of Canny and Sobel edge detectors on Balloon Snake in segmenting masses | |
Sridevi et al. | Image inpainting and enhancement using fractional order variational model | |
CN108596928A (zh) | 基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法 | |
Duan et al. | Second order Mumford-Shah model for image denoising | |
Reich et al. | A Real-Time Edge-Preserving Denoising Filter. | |
Obara et al. | Coherence enhancing diffusion filtering based on the Phase Congruency Tensor | |
Krylov et al. | A post-processing method for 3D fundus image enhancement | |
Deng et al. | Application of constrained least squares filtering technique to focal plane detection in digital holography | |
Dobrosotskaya et al. | A Quantitative Comparison of Background Oriented and Conventional Schlieren Visualization | |
Sridevi et al. | p-Laplace Variational Image Inpainting Model Using Riesz Fractional Differential Filter. | |
Duan et al. | Introducing anisotropic tensor to high order variational model for image restoration | |
Ting et al. | A rapid medical image noise variance estimation method | |
Al-Ismaeil et al. | Bilateral filter evaluation based on exponential kernels | |
Jain et al. | An alternative framework of anisotropic diffusion for image denoising |
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: 20190906 |