CN110400274A - 一种车载红外行人检测用红外图像增强方法 - Google Patents
一种车载红外行人检测用红外图像增强方法 Download PDFInfo
- Publication number
- CN110400274A CN110400274A CN201910656525.3A CN201910656525A CN110400274A CN 110400274 A CN110400274 A CN 110400274A CN 201910656525 A CN201910656525 A CN 201910656525A CN 110400274 A CN110400274 A CN 110400274A
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- histogram
- value
- obtains
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000003044 adaptive effect Effects 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 230000001629 suppression Effects 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims abstract description 5
- 239000006002 Pepper Substances 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000009825 accumulation Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 230000001537 neural effect Effects 0.000 claims 1
- 239000002245 particle Substances 0.000 claims 1
- 230000003014 reinforcing effect Effects 0.000 abstract description 9
- 238000013461 design Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车载红外行人检测用红外图像增强方法，包括步骤：一、图像处理器对红外图像进行自适应中值滤波处理，去除红外图像中的颗粒噪声和椒盐噪声；二、图像处理器采用平台直方图均衡化方法对步骤一处理后的红外图像进行均衡化处理，得到均衡化后的图像；三、图像处理器对步骤二均衡化后的图像进行伽马变换，得到图像y1；四、图像处理器对步骤一处理后的红外图像先进行拉普拉斯锐化处理，再进行非极大值抑制处理，得到图像y2；五、图像处理器对步骤三得到的图像y1和步骤四得到的图像y2进行加权组合处理，得到图像y。本发明设计新颖合理，能够提高红外图像的增强效果，获得图像的整体信息，识别度高，层次感丰富，实用性强，推广应用价值高。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种车载红外行人检测用红外图像增强方法。
背景技术
为了保护交通系统中的行人，减轻驾驶员的操作强度，获知行人运动状态，为驾驶员提前进行安全示警，以便驾驶员及时进行避让反应，车载行人检测受到了普遍的关注，对保护行人、减少交通事故有着重大的意义。根据采集图像的车载摄像机工作环境的不同可分为：基于可见光图像的行人检测和基于红外图像的行人检测。可见光图像的采集时容易受光照的影响，行人识别的精确度降低，而且普通摄像机在夜晚、有雾、雨天等能见度差的情况下根本无法使用。在红外成像系统中，红外图像可以在白天黑夜，具有一定穿透烟、雾等的能力，而且不受强光、闪烁的干扰，真正实现全天候对行人的识别。但是由于红外热成像技术的限制和噪声、大气等自然环境的辐射因素的影响，使车载红外图像呈现出灰度分布集中、对比度低、分辨率差的问题，因此，如何提高车载红外图像的增强效果成为一个重要的研究课题。
近年来国内外诸多学者基于此提出了许多红外图像增强方法，例如，刘轶彤在2015年第37卷第3期的《舰船科学技术》第173～176页发表的《基于Kinect和直方图均衡化的红外图像增强算法》一文中，将Kinect和直方图均衡的红外图像增强方法应用于复杂海域上船舶的红外图像，该方法首先通过Kinect获取到红外图像的深度图像，根据景深的不同把船舶和背景区域分离出来；然后设定初始阈值，进行冗余灰度压缩、幂指数拉伸和直方图均衡后将图像的像素等间距的排列在相应的灰度级上，图像对比度得到提高，但是在背景较亮时的行人环境中，增强效果不柔和，比较生硬，无法将行人和背景区分开；赖睿、刘上乾等人在2006年12月第27卷第6期的《半导体光电》第767、768、769和776页发表的《一种新的自适应红外图像增强算法》一文中，提出例如一种新的自适应红外图像增强算法，该算法通过对原始图像的直方图进行自适应双阈值映射和欠采样投影处理,实现了对图像灰度级的重新分配；在减少冗余灰度级的基础上,有效拓宽了目标部分占据的动态范围,提高了目标与背景间对比度，但是在红外行人图像中，目标较小，背景较大，图像增强效果不理想。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种车载红外行人检测用红外图像增强方法，其方法步骤简单，设计新颖合理，实现方便，能够提高红外图像的增强效果，获得图像的整体信息，识别度高，层次感丰富，实用性强，推广应用价值高。
为解决上述技术问题，本发明采用的技术方案是：一种车载红外行人检测用红外图像增强方法，其特征在于，该方法包括以下步骤：
步骤一、图像处理器对红外图像进行自适应中值滤波处理，去除红外图像中的颗粒噪声和椒盐噪声；
步骤二、图像处理器采用平台直方图均衡化方法对步骤一自适应中值滤波处理后的红外图像进行均衡化处理，得到均衡化后的图像；
步骤三、图像处理器根据公式y1＝crγ对步骤二均衡化后的图像进行伽马变换，得到图像y1；其中，c为用于整体拉伸图像灰度的灰度缩放系数，r为进行伽马变换的图像的灰度值，γ为伽马变换的幂次数；
步骤四、图像处理器对步骤一自适应中值滤波处理后的红外图像先进行拉普拉斯锐化处理，再进行非极大值抑制处理，得到图像y2；
步骤五、图像处理器根据公式y＝y1·p+y2·(1-p)对步骤三得到的图像y1和步骤四得到的图像y2进行加权组合处理，得到图像y；其中，p为加权系数且p的取值范围为0＜p＜1。
上述的一种车载红外行人检测用红外图像增强方法，其特征在于：步骤二中所述采用平台直方图均衡化方法对步骤一自适应中值滤波处理后的红外图像进行均衡化处理，得到均衡化后的图像的具体过程为：
步骤201、图像处理器根据公式并采用取平均值的方法确定平台直方图均衡化方法中的平台阈值T，其中，f(x,y)为步骤一处理得到的红外图像在像素点(x,y)处的灰度值，M为过步骤一处理得到的红外图像在x轴方向上的像素大小，N为过步骤一处理后的图像在y轴方向上的像素大小；
步骤202、图像处理器将步骤一处理得到的红外图像绘制为直方图Pr(k)；
步骤203、图像处理器根据公式对直方图Pr(k)进行处理，当直方图Pr(k)中某处灰度级对应的值大于平台阈值T时，就将该处的值设置为T，当直方图Pr(k)中某处灰度级对应的值不大于平台阈值T时，就保持该处的值不变，得到平台直方图PT(k)；其中，k为直方图Pr(k)或平台直方图PT(k)中图像的灰度级且k的取值范围为0≤k≤255；
步骤204、图像处理器根据公式对平台直方图PT(k)进行累加计算，得到累积直方图FT(k)；其中，i为平台直方图PT(k)中图像的任一灰度级且i的取值范围为0≤i≤k；
步骤205、图像处理器根据公式对累积直方图FT(k)的灰度进行重新分配，得到均衡化后的图像；其中，RT(k)为累积直方图FT(k)中灰度为k的像素经过改进的平台直方图均衡化后的灰度值且RT(k)的取值范围为0≤RT(k)≤255，为取整运算。
上述的一种车载红外行人检测用红外图像增强方法，其特征在于：步骤三中所述c的取值为正数，所述γ的取值范围为1≤γ≤3。
上述的一种车载红外行人检测用红外图像增强方法，其特征在于：步骤五中所述图像处理器根据公式y＝y1·p+y2·(1-p)对步骤三得到的图像y1和步骤四得到的图像y2进行加权组合处理时，采用自适应确定加权系数的方法。
上述的一种车载红外行人检测用红外图像增强方法，其特征在于：步骤五中所述采用自适应确定加权系数的方法的具体步骤为：所述图像处理器将图像y1和图像y2输入预先构建的BP神经网络模型中，输出自适应的加权系数p；其中，预先构建BP神经网络模型的具体过程为：
步骤501、训练样本获取：收集n张步骤三得到的图像y1和n张与步骤三得到的图像y1对应的步骤四得到的图像y2，多次调节加权系数p，并根据公式y＝y1·p+y2·(1-p)对步骤三得到的图像y1和步骤四得到的图像y2进行加权组合处理，使加权组合处理后图像的对比度最高，得到最优的加权系数p；记录n张图像y1、n张图像y2和与其对应的最优的加权系数p，组成训练样本；其中，n的取值为大于200的自然数；
步骤502、BP神经网络模型构建：图像处理器以图像y1和图像y2作为BP神经网络的输入，输入层节点数N1为2个，以最优的加权系数p作为BP神经网络的输出，输出层节点数N3为1个，根据公式确定出BP神经网络隐含层的节点数N2，建立三层BP神经网络；其中，取a为1～10的自然数；
步骤503、BP神经网络模型训练：图像处理器采用步骤501中的训练样本对步骤502中构建的BP神经网络进行训练，得到训练好的BP神经网络模型。
上述的一种车载红外行人检测用红外图像增强方法，其特征在于：所述p的取值范围为0.65≤p≤0.68。
本发明与现有技术相比具有以下优点：
1、本发明的方法步骤简单，设计新颖合理，实现方便。
2、本发明先对红外图像进行自适应中值滤波处理和平台直方图均衡化后处理，再对均衡化处理后的图像进行伽马变换，进行拉普拉斯锐化处理和非极大值抑制处理，然后对伽马变换后的图像与进行拉普拉斯锐化处理和非极大值抑制处理后的图像进行加权组合处理；采用平台直方图均衡化方法对步骤一自适应中值滤波处理后的红外图像进行处理，避免了采用直方图均衡化对红外图像进行处理将会导致背景和噪声占用的灰度级偏多、而目标的灰度级偏少、不适用于红外图像增强的缺陷，平台直方图均衡化方法对灰度的权重设置一个平台阈值，对大于平台阈值的灰度值进行了限制，即限制了背景和噪声的提升，突出了行人，从而增加了图像的对比度，适应于增强红外图像，而且，本发明中采用取平均值的方法确定平台直方图均衡化方法中的平台阈值，取值简单便于操作，且能够得到很好的图像处理效果；伽马变换作为对增强后图像的修正，使图像的目标不至于过亮，增强效果较柔和，不生硬；拉普拉斯锐化增强了目标的边缘与轮廓，使得图像细节更清晰；非极大值抑制对梯度的幅值进行操作，红外图像的边缘模糊，非极大值抑制能够使其目标更突出，且与背景明显区分；本发明的方法能够提高红外图像的增强效果，获得图像的整体信息，识别度高，层次感丰富。
3、本发明的方法能够在车载红外行人检测中的分割和识别起到较好的辅助作用，实用性强，推广应用价值高。
综上所述，本发明方法步骤简单，设计新颖合理，实现方便，能够提高红外图像的增强效果，获得图像的整体信息，识别度高，层次感丰富，实用性强，推广应用价值高。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
图2A为进行车载红外行人检测时近处的行人红外图像原图。
图2B为进行车载红外行人检测时近处的行人红外图像经过平台直方图均衡处理的仿真结果图。
图2C为进行车载红外行人检测时近处的行人红外图像经过伽马变换处理的仿真结果图。
图2D为进行车载红外行人检测时近处的行人红外图像经过本发明的方法处理的仿真结果图。
图3A为进行车载红外行人检测时远处的行人红外图像原图。
图3B为进行车载红外行人检测时远处的行人红外图像经过平台直方图均衡处理的仿真结果图。
图3C为进行车载红外行人检测时远处的行人红外图像经过伽马变换处理的仿真结果图。
图3D为进行车载红外行人检测时远处的行人红外图像经过本发明的方法处理的仿真结果图。
具体实施方式
如图1所示，本发明的车载红外行人检测用红外图像增强方法，包括以下步骤：
步骤一、图像处理器对红外图像进行自适应中值滤波处理，去除红外图像中的颗粒噪声和椒盐噪声；采用自适应中值滤波对红外图像处理，能够达到平滑图像的目的，且能够保护边缘信息；
步骤二、图像处理器采用平台直方图均衡化方法对步骤一自适应中值滤波处理后的红外图像进行均衡化处理，得到均衡化后的图像；
本实施例中，步骤二中所述采用平台直方图均衡化方法对步骤一自适应中值滤波处理后的红外图像进行均衡化处理，得到均衡化后的图像的具体过程为：
步骤201、图像处理器根据公式并采用取平均值的方法确定平台直方图均衡化方法中的平台阈值T，其中，f(x,y)为步骤一处理得到的红外图像在像素点(x,y)处的灰度值，M为过步骤一处理得到的红外图像在x轴方向上的像素大小，N为过步骤一处理后的图像在y轴方向上的像素大小；
步骤202、图像处理器将步骤一处理得到的红外图像绘制为直方图Pr(k)；
步骤203、图像处理器根据公式对直方图Pr(k)进行处理，当直方图Pr(k)中某处灰度级对应的值大于平台阈值T时，就将该处的值设置为T，当直方图Pr(k)中某处灰度级对应的值不大于平台阈值T时，就保持该处的值不变，得到平台直方图PT(k)；其中，k为直方图Pr(k)或平台直方图PT(k)中图像的灰度级且k的取值范围为0≤k≤255；
步骤204、图像处理器根据公式对平台直方图PT(k)进行累加计算，得到累积直方图FT(k)；其中，i为平台直方图PT(k)中图像的任一灰度级且i的取值范围为0≤i≤k；
步骤205、图像处理器根据公式对累积直方图FT(k)的灰度进行重新分配，得到均衡化后的图像；其中，RT(k)为累积直方图FT(k)中灰度为k的像素经过改进的平台直方图均衡化后的灰度值且RT(k)的取值范围为0≤RT(k)≤255，为取整运算。
步骤三、图像处理器根据公式y1＝crγ对步骤二均衡化后的图像进行伽马变换，得到图像y1；其中，c为用于整体拉伸图像灰度的灰度缩放系数，r为进行伽马变换的图像的灰度值，γ为伽马变换的幂次数；
具体实施时，当γ<0时，变换函数曲线在正比函数上方，此时扩展低灰度级，压缩高灰度级，使图像变亮，这一点与对数变换十分相似；当γ>0时，变换函数曲线在正比函数下方，此时扩展高灰度级，压缩低灰度级，使图像变暗，且对比度增强。
本实施例中，步骤三中所述c的取值为正数，所述γ的取值范围为1≤γ≤3。由于红外图像对比度较差，图像模糊，因此需要增强图像的对比度，γ的取值范围选择为1≤γ≤3，能够获得很好的图像增强效果。
步骤四、图像处理器对步骤一自适应中值滤波处理后的红外图像先进行拉普拉斯锐化处理，再进行非极大值抑制处理，得到图像y2；
拉普拉斯算子定义为：
在x方向有：
在y方向有：
非极大值抑制是指沿着梯度方向上进行非极大值的抑制，即寻找梯度方向的局部最大值；
步骤五、图像处理器根据公式y＝y1·p+y2·(1-p)对步骤三得到的图像y1和步骤四得到的图像y2进行加权组合处理，得到图像y；其中，p为加权系数且p的取值范围为0＜p＜1。
本实施例中，步骤五中所述图像处理器根据公式y＝y1·p+y2·(1-p)对步骤三得到的图像y1和步骤四得到的图像y2进行加权组合处理时，采用自适应确定加权系数的方法。
本实施例中，步骤五中所述采用自适应确定加权系数的方法的具体步骤为：所述图像处理器将图像y1和图像y2输入预先构建的BP神经网络模型中，输出自适应的加权系数p；其中，预先构建BP神经网络模型的具体过程为：
步骤501、训练样本获取：收集n张步骤三得到的图像y1和n张与步骤三得到的图像y1对应的步骤四得到的图像y2，多次调节加权系数p，并根据公式y＝y1·p+y2·(1-p)对步骤三得到的图像y1和步骤四得到的图像y2进行加权组合处理，使加权组合处理后图像的对比度最高，得到最优的加权系数p；记录n张图像y1、n张图像y2和与其对应的最优的加权系数p，组成训练样本；其中，n的取值为大于200的自然数；
步骤502、BP神经网络模型构建：图像处理器以图像y1和图像y2作为BP神经网络的输入，输入层节点数N1为2个，以最优的加权系数p作为BP神经网络的输出，输出层节点数N3为1个，根据公式确定出BP神经网络隐含层的节点数N2，建立三层BP神经网络；其中，取a为1～10的自然数；
步骤503、BP神经网络模型训练：图像处理器采用步骤501中的训练样本对步骤502中构建的BP神经网络进行训练，得到训练好的BP神经网络模型。
本实施例中，所述p的取值范围为0.65≤p≤0.68。
本方法的主要目的是增加图像的对比度，如果p取值较小，图像亮度信息不能得到很好的增强，边缘亮度信息增强过大，结合后的图像目标边缘生硬，视觉效果不好；如果p取值较大，图像的亮度信息过度增大，边缘突出效果不明显，结合后的图像亮度信息分布不均匀；因此采用自适应的方法且在0.65≤p≤0.68的范围内选取p的取值。
为了验证本发明能够产生的效果，利用MATLAB进行了仿真，实验结果如图2A～图2D以及图3A～图3D所示。
由图2A～图2D以及图3A～图3D对比结果显示，平台直方图均衡的结果较原图得到了明显的提高，但图像整体增强效果不强；伽马变换的结果显示，图像整体偏暗，且偏暗区域增强效果不明显，整体对比度差；本发明方法的结果显示，图像整体亮度得到了提升,灰度级的动态范围得到了合适的拉伸,边缘信息的增强效果也比较明显，图像的层次感丰富，目标信息突出，主观视觉效果较好。
表1图像增强算法对比度和模糊性指数比较
从表1中可以看出，本文图像增强算法使得红外图像对比度提高，模糊性指数减小，图像变清晰，视觉效果较好。
综上所述，本发明提出的红外图像增强算法，适用于模糊和对比度低的红外图像，该方法不但提高了图像的清晰度和对比度，而且边缘信息得到保留，从而改善了图像的视觉效果，使图像具有很高的识别度和丰富的层次感，在车载红外行人检测中的分割和识别起到了较好的辅助作用。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种车载红外行人检测用红外图像增强方法，其特征在于，该方法包括以下步骤：
步骤一、图像处理器对红外图像进行自适应中值滤波处理，去除红外图像中的颗粒噪声和椒盐噪声；
步骤二、图像处理器采用平台直方图均衡化方法对步骤一自适应中值滤波处理后的红外图像进行均衡化处理，得到均衡化后的图像；
步骤三、图像处理器根据公式y1＝crγ对步骤二均衡化后的图像进行伽马变换，得到图像y1；其中，c为用于整体拉伸图像灰度的灰度缩放系数，r为进行伽马变换的图像的灰度值，γ为伽马变换的幂次数；
步骤四、图像处理器对步骤一自适应中值滤波处理后的红外图像先进行拉普拉斯锐化处理，再进行非极大值抑制处理，得到图像y2；
步骤五、图像处理器根据公式y＝y1·p+y2·(1-p)对步骤三得到的图像y1和步骤四得到的图像y2进行加权组合处理，得到图像y；其中，p为加权系数且p的取值范围为0＜p＜1。
2.按照权利要求1所述的一种车载红外行人检测用红外图像增强方法，其特征在于：步骤二中所述采用平台直方图均衡化方法对步骤一自适应中值滤波处理后的红外图像进行均衡化处理，得到均衡化后的图像的具体过程为：
步骤201、图像处理器根据公式并采用取平均值的方法确定平台直方图均衡化方法中的平台阈值T，其中，f(x,y)为步骤一处理得到的红外图像在像素点(x,y)处的灰度值，M为过步骤一处理得到的红外图像在x轴方向上的像素大小，N为过步骤一处理后的图像在y轴方向上的像素大小；
步骤202、图像处理器将步骤一处理得到的红外图像绘制为直方图Pr(k)；
步骤203、图像处理器根据公式对直方图Pr(k)进行处理，当直方图Pr(k)中某处灰度级对应的值大于平台阈值T时，就将该处的值设置为T，当直方图Pr(k)中某处灰度级对应的值不大于平台阈值T时，就保持该处的值不变，得到平台直方图PT(k)；其中，k为直方图Pr(k)或平台直方图PT(k)中图像的灰度级且k的取值范围为0≤k≤255；
步骤204、图像处理器根据公式对平台直方图PT(k)进行累加计算，得到累积直方图FT(k)；其中，i为平台直方图PT(k)中图像的任一灰度级且i的取值范围为0≤i≤k；
步骤205、图像处理器根据公式对累积直方图FT(k)的灰度进行重新分配，得到均衡化后的图像；其中，RT(k)为累积直方图FT(k)中灰度为k的像素经过改进的平台直方图均衡化后的灰度值且RT(k)的取值范围为0≤RT(k)≤255，为取整运算。
3.按照权利要求1所述的一种车载红外行人检测用红外图像增强方法，其特征在于：步骤三中所述c的取值为正数，所述γ的取值范围为1≤γ≤3。
4.按照权利要求1所述的一种车载红外行人检测用红外图像增强方法，其特征在于：步骤五中所述图像处理器根据公式y＝y1·p+y2·(1-p)对步骤三得到的图像y1和步骤四得到的图像y2进行加权组合处理时，采用自适应确定加权系数的方法。
5.按照权利要求4所述的一种车载红外行人检测用红外图像增强方法，其特征在于：步骤五中所述采用自适应确定加权系数的方法的具体步骤为：所述图像处理器将图像y1和图像y2输入预先构建的BP神经网络模型中，输出自适应的加权系数p；其中，预先构建BP神经网络模型的具体过程为：
步骤501、训练样本获取：收集n张步骤三得到的图像y1和n张与步骤三得到的图像y1对应的步骤四得到的图像y2，多次调节加权系数p，并根据公式y＝y1·p+y2·(1-p)对步骤三得到的图像y1和步骤四得到的图像y2进行加权组合处理，使加权组合处理后图像的对比度最高，得到最优的加权系数p；记录n张图像y1、n张图像y2和与其对应的最优的加权系数p，组成训练样本；其中，n的取值为大于200的自然数；
步骤502、BP神经网络模型构建：图像处理器以图像y1和图像y2作为BP神经网络的输入，输入层节点数N1为2个，以最优的加权系数p作为BP神经网络的输出，输出层节点数N3为1个，根据公式确定出BP神经网络隐含层的节点数N2，建立三层BP神经网络；其中，取a为1～10的自然数；
步骤503、BP神经网络模型训练：图像处理器采用步骤501中的训练样本对步骤502中构建的BP神经网络进行训练，得到训练好的BP神经网络模型。
6.按照权利要求1所述的一种车载红外行人检测用红外图像增强方法，其特征在于：所述p的取值范围为0.65≤p≤0.68。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910656525.3A CN110400274B (zh) | 2019-07-19 | 2019-07-19 | 一种车载红外行人检测用红外图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910656525.3A CN110400274B (zh) | 2019-07-19 | 2019-07-19 | 一种车载红外行人检测用红外图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110400274A true CN110400274A (zh) | 2019-11-01 |
| CN110400274B CN110400274B (zh) | 2022-02-15 |
Family
ID=68325261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910656525.3A Active CN110400274B (zh) | 2019-07-19 | 2019-07-19 | 一种车载红外行人检测用红外图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110400274B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111508093A (zh) * | 2020-04-26 | 2020-08-07 | 王素云 | 一种用于高速公路的过路费预算系统 |
| CN112288765A (zh) * | 2020-10-30 | 2021-01-29 | 西安科技大学 | 一种用于车载红外行人检测跟踪的图像处理方法 |
| CN117253365A (zh) * | 2023-11-17 | 2023-12-19 | 上海伯镭智能科技有限公司 | 一种车辆交通状况自动检测方法和相关装置 |
| CN117911401A (zh) * | 2024-03-15 | 2024-04-19 | 国网山东省电力公司泗水县供电公司 | 一种电力设备故障检测方法、系统、存储介质及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101620727A (zh) * | 2009-08-10 | 2010-01-06 | 电子科技大学 | 红外图像加权直方图自适应增强算法 |
| CN102222323A (zh) * | 2011-06-13 | 2011-10-19 | 北京理工大学 | 基于直方图统计拉伸和梯度滤波的红外图像细节增强方法 |
| US20130010096A1 (en) * | 2009-12-02 | 2013-01-10 | Tata Consultancy Services Limited | Cost effective and robust system and method for eye tracking and driver drowsiness identification |
| CN103606137A (zh) * | 2013-11-13 | 2014-02-26 | 天津大学 | 保持背景和细节信息的直方图均衡化方法 |
| CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
| CN106127704A (zh) * | 2016-06-22 | 2016-11-16 | 成都市晶林科技有限公司 | 用于降低红外图像边缘模糊度的实时增强方法 |
| CN107784637A (zh) * | 2017-09-30 | 2018-03-09 | 烟台艾睿光电科技有限公司 | 一种红外图像增强的方法 |
| CN108122217A (zh) * | 2016-11-30 | 2018-06-05 | 北京航天计量测试技术研究所 | 一种自适应场景的实时红外图像增强方法 |
| CN109377464A (zh) * | 2018-10-08 | 2019-02-22 | 嘉应学院 | 一种红外图像的双平台直方图均衡化方法及其应用系统 |
-
2019
- 2019-07-19 CN CN201910656525.3A patent/CN110400274B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101620727A (zh) * | 2009-08-10 | 2010-01-06 | 电子科技大学 | 红外图像加权直方图自适应增强算法 |
| US20130010096A1 (en) * | 2009-12-02 | 2013-01-10 | Tata Consultancy Services Limited | Cost effective and robust system and method for eye tracking and driver drowsiness identification |
| CN102222323A (zh) * | 2011-06-13 | 2011-10-19 | 北京理工大学 | 基于直方图统计拉伸和梯度滤波的红外图像细节增强方法 |
| CN103606137A (zh) * | 2013-11-13 | 2014-02-26 | 天津大学 | 保持背景和细节信息的直方图均衡化方法 |
| CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
| CN106127704A (zh) * | 2016-06-22 | 2016-11-16 | 成都市晶林科技有限公司 | 用于降低红外图像边缘模糊度的实时增强方法 |
| CN108122217A (zh) * | 2016-11-30 | 2018-06-05 | 北京航天计量测试技术研究所 | 一种自适应场景的实时红外图像增强方法 |
| CN107784637A (zh) * | 2017-09-30 | 2018-03-09 | 烟台艾睿光电科技有限公司 | 一种红外图像增强的方法 |
| CN109377464A (zh) * | 2018-10-08 | 2019-02-22 | 嘉应学院 | 一种红外图像的双平台直方图均衡化方法及其应用系统 |
Non-Patent Citations (6)
| Title |
|---|
| YUANBIN WANG ET.AL: "Research on thermal state diagnosis of substation equipment based on infrared image", 《MECHANICAL ENGINEERING》 * |
| 孙海江 等: "基于自适应平台阈值和拉普拉斯变换的红外图像增强", 《中国光学》 * |
| 徐海 等: "一种新的结合SVM和FNN的多聚焦图像融合算法", 《计算技术与自动化》 * |
| 杨帆: "《数字图像处理与分析 第4版》", 31 January 2019, 北京航空航天大学出版社 * |
| 郭钰璐 等: "融合边缘信息的对比度增强算法", 《红外技术》 * |
| 韩九强 等: "《数字图像处理 基于XAVIS组态软件》", 31 August 2018, 西安交通大学出版社 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111508093A (zh) * | 2020-04-26 | 2020-08-07 | 王素云 | 一种用于高速公路的过路费预算系统 |
| CN112288765A (zh) * | 2020-10-30 | 2021-01-29 | 西安科技大学 | 一种用于车载红外行人检测跟踪的图像处理方法 |
| CN117253365A (zh) * | 2023-11-17 | 2023-12-19 | 上海伯镭智能科技有限公司 | 一种车辆交通状况自动检测方法和相关装置 |
| CN117253365B (zh) * | 2023-11-17 | 2024-02-02 | 上海伯镭智能科技有限公司 | 一种车辆交通状况自动检测方法和相关装置 |
| CN117911401A (zh) * | 2024-03-15 | 2024-04-19 | 国网山东省电力公司泗水县供电公司 | 一种电力设备故障检测方法、系统、存储介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110400274B (zh) | 2022-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400274A (zh) | 一种车载红外行人检测用红外图像增强方法 | |
| CN102750674B (zh) | 基于自适应容差的视频图像去雾方法 | |
| CN108122206A (zh) | 一种低照度图像降噪方法及装置 | |
| CN103268598B (zh) | 基于Retinex理论的低照度低空遥感影像增强方法 | |
| CN107527332A (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
| CN102789635A (zh) | 一种图像增强方法和装置 | |
| CN105046658A (zh) | 一种低照度图像处理方法和装置 | |
| CN107392095A (zh) | 一种基于掩码图像的红外弱小目标检测算法 | |
| CN107979712A (zh) | 一种视频降噪方法及装置 | |
| CN106454014A (zh) | 一种提高逆光场景车辆抓拍图像质量的方法及装置 | |
| CN101626454A (zh) | 一种增强视频可视性的方法 | |
| CN104318529A (zh) | 处理在恶劣环境中所拍摄低照度图像的方法 | |
| CN107818547B (zh) | 一种面向微光图像序列中椒盐和高斯混合噪声的去除方法 | |
| CN106228515A (zh) | 一种图像去噪方法及装置 | |
| CN110135501A (zh) | 基于神经网络框架的高动态范围图像取证方法 | |
| CN103971345B (zh) | 一种基于改进双边滤波的图像去噪方法 | |
| CN109377464A (zh) | 一种红外图像的双平台直方图均衡化方法及其应用系统 | |
| CN103489168A (zh) | 一种红外图像自适应转伪彩增强方法及系统 | |
| Wang et al. | An efficient method for image dehazing | |
| 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 | |
| CN115034997A (zh) | 图像处理方法及装置 | |
| CN105913451B (zh) | 一种基于图模型的自然图像超像素分割方法 | |
| CN107730487A (zh) | 一种图像检测方法及装置 | |
| CN103247025A (zh) | 基于圆形自适应模板的图像加权均值滤波方法 | |
| CN110223240A (zh) | 基于颜色衰减先验的图像去雾方法、系统及存储介质 |
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 |