CN110458851A - 红外图像处理方法、装置、计算机设备和存储介质 - Google Patents

红外图像处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110458851A
CN110458851A CN201910739480.6A CN201910739480A CN110458851A CN 110458851 A CN110458851 A CN 110458851A CN 201910739480 A CN201910739480 A CN 201910739480A CN 110458851 A CN110458851 A CN 110458851A
Authority
CN
China
Prior art keywords
image
infrared image
subgraph
subinterval
initial
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
Application number
CN201910739480.6A
Other languages
English (en)
Inventor
黄天豪
王淑华
王广平
陈伟力
陈艳
王静
姚石磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Environmental Features
Original Assignee
Beijing Institute of Environmental Features
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Environmental Features filed Critical Beijing Institute of Environmental Features
Priority to CN201910739480.6A priority Critical patent/CN110458851A/zh
Publication of CN110458851A publication Critical patent/CN110458851A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种红外图像处理方法、装置、计算机设备和存储介质，涉及图像处理技术领域。其中，红外图像处理方法包括：获取待处理的初始红外图像，将所述初始红外图像分割为多个子区间图像；将各所述子区间图像拼接形成多个具有不同语义标签的子图像；对各所述子图像进行灰度增强，并将增强后的各所述子图像进行线性加权叠加，得到输出红外图像。本申请可以避免灰度过饱和现象发生。

Description

红外图像处理方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像处理领域，特别是涉及一种红外图像处理方法、装置、计算机设备和存储介质。
背景技术
红外成像技术由于其环境适应性高，被动成像等优点被越来越多的应用在各个领域，尤其在海面船只监控、救援方面发挥着重要的作用。但相与可见光图像相比，红外场景下的舰船目标图像背景杂光影响较大无法反映准确海天背景以及舰船目标本身辐射特性，因此需要对红外场景下舰船目标图像进行细节增强。
目前常用的红外图像增强技术可以是基于直方图的增强技术(Global HistogramEqualization,GHE)，但GHE方法对于原图中灰度值较大的像素增强后出现会断过饱和的现象发生。
因此，有必要提供一种红外图像处理方法，可以避免灰度过饱和现象发生。
发明内容
本申请的目的在于提供一种红外图像处理方法、装置、计算机设备和可读存储介质，可以无需依赖实体字典，有效提高识别效率。
本申请的目的通过如下技术方案实现：
本申请提供了一种红外图像处理方法，所述方法包括：
获取待处理的初始红外图像，将所述初始红外图像分割为多个子区间图像；
将各所述子区间图像拼接形成多个具有不同语义标签的子图像；
对各所述子图像进行灰度增强，并将增强后的各所述子图像进行线性加权叠加，得到输出红外图像。
在一个实施例中，所述将所述初始红外图像依据灰度区间范围进行分割，得到与多个灰度子区间分别对应的多个子区间图像的步骤，包括：
获取所述初始红外图像的灰度区间范围，依据所述灰度区间范围将所述初始红外图像分割为预设个数的子区间图像。
在一个实施例中，所述将各所述子区间图像拼接形成多个具有不同语义标签的子图像的步骤，包括：
识别各所述子区间图像的语义标签，将具有相同语义标签的所述子区间图像进行拼接，得到与各所述语义标签相应的子图像。
在一个实施例中，所述对各所述子图像进行灰度增强的步骤之前，还包括：
对各所述子图像进行归一化处理。
在一个实施例中，所述对各所述子图像进行灰度增强的步骤，包括：
采用伽马变换的方法对各所述子图像进行灰度增强。
本申请还提供一种红外图像处理装置，所述装置包括：
分割模块，用于获取待处理的初始红外图像，将所述初始红外图像分割为多个子区间图像；
拼接模块，用于将各所述子区间图像拼接形成多个具有不同语义标签的子图像；
增强模块，用于对各所述子图像进行灰度增强，并将增强后的各所述子图像进行线性加权叠加，得到输出红外图像。
在一个实施例中，所述分割模块用于获取所述初始红外图像的灰度区间范围，依据所述灰度区间范围将所述初始红外图像分割为预设个数的子区间图像。
在一个实施例中，所述拼接模块用于识别各所述子区间图像的语义标签，将具有相同语义标签的所述子区间图像进行拼接，得到与各所述语义标签相应的子图像。
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实施例所述的步骤。
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实施例所述的步骤。
本申请提供的红外图像处理方法，其获取待处理的初始红外图像，将所述初始红外图像分割为多个子区间图像；将各所述子区间图像拼接形成多个具有不同语义标签的子图像；对各所述子图像进行灰度增强，并将增强后的各所述子图像进行线性加权叠加，得到输出红外图像。本申请将原图分割成不同区域的子图像，再对其分别进行增强，能够有效的避免灰度过饱和现象发生。
附图说明
图1为一个实施例中红外图像处理方法的流程示意图；
图2为一个实施例中红外图像分割及拼接示意图；
图3为一个实施例中Gama变换原理图；
图4为一个实施例中红外图像处理方法的流程示意图；
图5为一个示例中红外图像仿真结果对比图；
图6为一个实施例中红外图像处理装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
在一个实施例中，如图1所示，提供了一种红外图像处理方法，包括以下步骤：
步骤S202，获取待处理的初始红外图像，将所述初始红外图像分割为多个子区间图像。
在本步骤中，初始红外图像可以是船舰红外图像，可以根据灰度区间范围将初始红外图像进行分割。
在一个实施例中，步骤S202的将所述初始红外图像分割为多个子区间图像，可以包括：
(1)获取所述初始红外图像的灰度区间范围；
(2)依据所述灰度区间范围将所述初始红外图像分割为预设个数的子区间图像。
具体的，对于一幅大小为M×N的海天背景舰船红外图像f(x,y)(其中，M、N、x、y均为自然数)，其灰度范围为[m,n]，将其灰度区间[m,n]按照经验划分为k个子区间[mk,nk]，在原图f(x,y)中分别保留灰度在灰度子区间[mk,nk]中的像素点f(xi,yj)，其余像素值不在灰度范围中的点则作补零处理，得到k个灰度范围互不重叠的子区间图像gk(x,y)，1＜k≤n：
经过灰度分层将原图分成多张灰度区间互不重叠的子区间图像，通过子区间图像可以有效的观察出在灰度子区间[mk,nk]中像素点gk(xi,yj)所代表的区域；上述M、N、k、i、j均为自然数。
步骤S204，将各所述子区间图像拼接形成多个具有不同语义标签的子图像。
本步骤中，船舰红外图像中的各子区间图像的语义标签可以包括目标船舰、海面背景和天空背景。
具体的，步骤S204的将各所述子区间图像拼接形成多个具有不同语义标签的子图像，可以包括：
(1)识别各所述子区间图像的语义标签；
(2)将具有相同语义标签的所述子区间图像进行拼接，得到与各所述语义标签相应的子图像。
具体的，识别子区间图像的语义标签，如可以得到其中几个子区间图像的语义标签为大海，几个子区间图像的语义标签为船舰，几个子区间图像的语义标签为天空，将具有相同的语义标签的子区间图像进行拼接，得到代表天空的子图像、代表船舰的子图像和代表大海的子图像Di(x,y)：
Di(x,y)＝g1(xi,yj)∪g1(xi,yj)∪…∪gi(xi,yj)
参考图2所示，将初始红外图像按照灰度区间范围分割为(a)、(b)、(c)、(d)、(e)和(f)等几个子区间图像，再将具有相同语义标签的子区间图像拼接得到具有海洋语义标签的子图像、具有大海语义标签的子图像和具有目标船舰的语义标签的子图像。
步骤S206，对各所述子图像进行灰度增强，并将增强后的各所述子图像进行线性加权叠加，得到输出红外图像。
本步骤中，结合图3所示，图3为伽马变换原理示意图，可以采用伽马变换的方法进行灰度增强，增加图像的平均亮度、对比度，突出图像细节。
y＝(x+esp)γ
式中x为原灰度值，y为变换后的灰度值，esp为补偿系数,通常取0。
在一个实施例中，由于x与y的取值范围为[0,1]，因此步骤S206的对各所述子图像进行灰度增强的之前，还包括：对各所述子图像进行归一化处理，归一化公式如下：
其中x为原灰度值，y为归一化灰度值，min、max分别为最小像素值与最大像素值。
具体的，步骤S206中的将增强后的各所述子图像进行线性加权叠加的具体过程可以包括：
对经过灰度增强的子图进行线性加权叠加，得到符合辐射学原理的图像，公式如下：fenhance(x,y)＝aDobject_en(x,y)+bDsky_en(x,y)+cDsea_en(x,y)
其中a、b、c为加权系数；fenhance(x,y)代表加强后的图像；Dobject_en(x,y)代表具有目标船舰的语义标签的子图像；Dsky_en(x,y)代表具有天空的语义标签的子图像；Dsea_en(x,y)代表具有大海的语义标签的子图像。
以下将结合示例，对本申请的红外图像处理方法进行说明。
结合图4所示，本申请中先获取待处理的初始红外图像，将所述初始红外图像分割，得到子区间图像1、子区间图像2……子区间图像n(图4中以子图1、子图2……子图n简称)，然后将各子区间图像合并得到具有天空的语义标签的子图像(图4中以天空子图简称)、具有大海的语义标签的子图像(图4中以海面子图简称)和具有目标船舰的语义标签的子图像(图4中以目标子图简称)，对各所述子图像进行灰度增强，并将增强后的各所述子图像进行线性加权叠加，得到输出红外图像。
在一个示例中，利用MATLAB计算平台，选用尺寸大小为320×240的14bit红外舰船图像，对GHE算法，灰度范围压缩算法以及本文所述算法进行仿真实现，其中图5(a)为初始红外图像，图5(b)为使用GHE算法增强后的图像，图5(c)为直接灰度范围压缩后的增强图像，图5(d)为使用本申请的红外图像处理方法增强后的图像。
与图5(a)的初始红外图像相比，图5(b)、图5(c)和图5(d)对应的三种图像处理方法都能有效的增强图像的亮度，舰船轮廓较为明显。图5(d)中本申请的红外图像处理方法与图5(c)中的图像灰度范围压缩算法相比，灰度分布更加均匀，如图5(c)和图5(d)中左边方框所示区域，图5(c)由于直接压缩灰度区间导致部分海天背景过饱和，而本申请的红外图像处理方法处理过的图像的中海天线清晰可见。如图5(c)和图5(d)中右边方框所示区域，与GHE算法相比本申请的红外图像处理方法能够较好的避免图像灰度值较高区域过饱和现象的发生。
为了进一步验证图像增强效果，选取信息熵与及均方差作为客观评价指标来衡量灰度增强效果。信息熵是是从信息论的角度出发，客观评价图像中信息复杂程度的一种度量方式，其与图像像素灰度级的分布有关，灰度分布越均匀信息熵越大则图像信息越丰富图像细节也就越多，灰度分布越单一信息熵越小则图像信息越少图像细节也较少。图像信息熵的定义为：
式中：l为图像x的最大灰度级，为图像x中像素灰度值分布在第i个区间的概率。下表1给出如上所示图5(a)-(c)四图的信息熵值。表1中的第一栏是对应附图5(a)-(c)；表中第二栏的数据为信息熵(information entroyp)；第三栏数据为标准差(standarddeviation)。
表1仿真结果评价参数对比
从表中数据可以得出，GHE算法与本申请的红外图像处理方法处理后的图信息熵值比原图信息熵值大，都可以对图像细节进行增强，相比于其其他两种算法，本申请的红外图像处理方法信息熵最大，细节最为丰富。均方差则反映了图像像素灰度相比于图像平均灰度值的分布情况，从另一个角度反映了图像的对比度，均方差越大，图像对比度越高，图像质量越好，均方差公式如下：
式中f(x,y)为像素(x,y)处的灰度值，M，N分别表示图像的高度与宽度。
由上述分析可知，与常规的灰度压缩图像增强算法以及GHE算法相比，经过本申请的红外图像处理方法增强后的图像比灰度压缩增强后的图像细节更加丰富，且能够有效的避免由GHE算法产生的过饱和现象。
上述的红外图像处理方法，通过获取待处理的初始红外图像，将所述初始红外图像分割为多个子区间图像；将各所述子区间图像拼接形成多个具有不同语义标签的子图像；对各所述子图像进行灰度增强，并将增强后的各所述子图像进行线性加权叠加，得到输出红外图像。本申请将原图分割成不同区域的子图像，再对其分别进行增强，能够有效的避免灰度过饱和现象发生。
如图6所示，图6为一个实施例中红外图像处理装置的结构示意图，本实施例中提供一种红外图像处理装置，包括分割模块601、拼接模块602和增强模块603，其中：
分割模块601，用于获取待处理的初始红外图像，将所述初始红外图像分割为多个子区间图像；
拼接模块602，用于将各所述子区间图像拼接形成多个具有不同语义标签的子图像；
增强模块603，用于对各所述子图像进行灰度增强，并将增强后的各所述子图像进行线性加权叠加，得到输出红外图像。
在一个实施例中，所述分割模块601用于获取所述初始红外图像的灰度区间范围，依据所述灰度区间范围将所述初始红外图像分割为预设个数的子区间图像。
在一个实施例中，所述拼接模块602用于识别各所述子区间图像的语义标签，将具有相同语义标签的所述子区间图像进行拼接，得到与各所述语义标签相应的子图像。
在一个实施例中，红外图像处理装置还包括：
归一化模块，用于对各所述子图像进行归一化处理。
在一个实施例中，增强模块603用于采用伽马变换的方法对各所述子图像进行灰度增强。
关于红外图像处理装置的具体限定可以参见上文中对于红外图像处理方法的限定，在此不再赘述。上述红外图像处理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。
如图7所示，图7为一个实施例中计算机设备的内部结构示意图。该计算机设备包括通过装置总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作装置、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种红外图像处理方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种红外图像处理方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图7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，提出了一种计算机设备，计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如下步骤：获取待处理的初始红外图像，将所述初始红外图像分割为多个子区间图像；将各所述子区间图像拼接形成多个具有不同语义标签的子图像；对各所述子图像进行灰度增强，并将增强后的各所述子图像进行线性加权叠加，得到输出红外图像。
在其中一个实施例中，处理器执行计算机程序时所述将所述初始红外图像分割为多个子区间图像的步骤，包括：获取所述初始红外图像的灰度区间范围，依据所述灰度区间范围将所述初始红外图像分割为预设个数的子区间图像。
在其中一个实施例中，处理器执行计算机程序时所述将各所述子区间图像拼接形成多个具有不同语义标签的子图像的步骤，包括：识别各所述子区间图像的语义标签，将具有相同语义标签的所述子区间图像进行拼接，得到与各所述语义标签相应的子图像。
在其中一个实施例中，处理器执行计算机程序时所述对各所述子图像进行灰度增强的步骤之前，还包括：对各所述子图像进行归一化处理。
在其中一个实施例中，处理器执行计算机程序时所述对各所述子图像进行灰度增强的步骤，包括：采用伽马变换的方法对各所述子图像进行灰度增强。
在一个实施例中，提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如下步骤：获取待处理的初始红外图像，将所述初始红外图像分割为多个子区间图像；将各所述子区间图像拼接形成多个具有不同语义标签的子图像；对各所述子图像进行灰度增强，并将增强后的各所述子图像进行线性加权叠加，得到输出红外图像。
在其中一个实施例中，计算机可读指令被处理器执行时所述将所述初始红外图像分割为多个子区间图像的步骤，包括：获取所述初始红外图像的灰度区间范围，依据所述灰度区间范围将所述初始红外图像分割为预设个数的子区间图像。
在其中一个实施例中，计算机可读指令被处理器执行时所述将各所述子区间图像拼接形成多个具有不同语义标签的子图像的步骤，包括：识别各所述子区间图像的语义标签，将具有相同语义标签的所述子区间图像进行拼接，得到与各所述语义标签相应的子图像。
在其中一个实施例中，计算机可读指令被处理器执行时所述对各所述子图像进行灰度增强的步骤之前，还包括：对各所述子图像进行归一化处理。
在其中一个实施例中，计算机可读指令被处理器执行时所述对各所述子图像进行灰度增强的步骤，包括：采用伽马变换的方法对各所述子图像进行灰度增强。
应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他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。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种红外图像处理方法，其特征在于，所述方法包括：
获取待处理的初始红外图像，将所述初始红外图像分割为多个子区间图像；
将各所述子区间图像拼接形成多个具有不同语义标签的子图像；
对各所述子图像进行灰度增强，并将增强后的各所述子图像进行线性加权叠加，得到输出红外图像。
2.根据权利要求1所述的方法，其特征在于，所述将所述初始红外图像分割为多个子区间图像的步骤，包括：
获取所述初始红外图像的灰度区间范围，依据所述灰度区间范围将所述初始红外图像分割为预设个数的子区间图像。
3.根据权利要求1所述的方法，其特征在于，所述将各所述子区间图像拼接形成多个具有不同语义标签的子图像的步骤，包括：
识别各所述子区间图像的语义标签，将具有相同语义标签的所述子区间图像进行拼接，得到与各所述语义标签相应的子图像。
4.根据权利要求1所述的方法，其特征在于，所述对各所述子图像进行灰度增强的步骤之前，还包括：
对各所述子图像进行归一化处理。
5.根据权利要求1所述的方法，其特征在于，所述对各所述子图像进行灰度增强的步骤，包括：
采用伽马变换的方法对各所述子图像进行灰度增强。
6.一种红外图像处理装置，其特征在于，所述装置包括：
分割模块，用于获取待处理的初始红外图像，将所述初始红外图像分割为多个子区间图像；
拼接模块，用于将各所述子区间图像拼接形成多个具有不同语义标签的子图像；
增强模块，用于对各所述子图像进行灰度增强，并将增强后的各所述子图像进行线性加权叠加，得到输出红外图像。
7.根据权利要求6所述的装置，其特征在于，所述分割模块用于获取所述初始红外图像的灰度区间范围，依据所述灰度区间范围将所述初始红外图像分割为预设个数的子区间图像。
8.根据权利要求6所述的装置，其特征在于，所述拼接模块用于识别各所述子区间图像的语义标签，将具有相同语义标签的所述子区间图像进行拼接，得到与各所述语义标签相应的子图像。
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5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5中任一项所述的方法的步骤。
CN201910739480.6A 2019-08-12 2019-08-12 红外图像处理方法、装置、计算机设备和存储介质 Pending CN110458851A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910739480.6A CN110458851A (zh) 2019-08-12 2019-08-12 红外图像处理方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910739480.6A CN110458851A (zh) 2019-08-12 2019-08-12 红外图像处理方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN110458851A true CN110458851A (zh) 2019-11-15

Family

ID=68485950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910739480.6A Pending CN110458851A (zh) 2019-08-12 2019-08-12 红外图像处理方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110458851A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145108A (zh) * 2019-12-06 2020-05-12 Oppo广东移动通信有限公司 一种图像处理方法、装置、设备及存储介质
CN112580558A (zh) * 2020-12-25 2021-03-30 烟台艾睿光电科技有限公司 红外图像目标检测模型构建方法、检测方法、装置及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859138A (zh) * 2019-02-14 2019-06-07 哈尔滨理工大学 一种基于人眼视觉特性的红外图像增强方法
CN111784594A (zh) * 2020-06-09 2020-10-16 湖北华科多谱信息技术有限公司 一种红外图像对比度增强方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859138A (zh) * 2019-02-14 2019-06-07 哈尔滨理工大学 一种基于人眼视觉特性的红外图像增强方法
CN111784594A (zh) * 2020-06-09 2020-10-16 湖北华科多谱信息技术有限公司 一种红外图像对比度增强方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHEN YAN ET AL.: "Automatic detection method of sea surface target based on morphological processing", 《LIDAR IMAGING DETECTION AND TARGET RECOGNITION 2017》 *
MINJIEWAN ET AL.: "Infrared Image Enhancement Using Adaptive Histogram Partition and Brightness Correction", 《REMOTE SENSING》 *
李绘卓 等: "一种区域多直方图红外图像增强方法", 《计算机应用研究》 *
赵俊成 等: "基于分段直方图的图像对比度增强算法", 《电子科技》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145108A (zh) * 2019-12-06 2020-05-12 Oppo广东移动通信有限公司 一种图像处理方法、装置、设备及存储介质
CN112580558A (zh) * 2020-12-25 2021-03-30 烟台艾睿光电科技有限公司 红外图像目标检测模型构建方法、检测方法、装置及系统

Similar Documents

Publication Publication Date Title
CN111191663B (zh) 车牌号码识别方法、装置、电子设备及存储介质
Jiang et al. Unsupervised decomposition and correction network for low-light image enhancement
EP2950267B1 (en) Image denoising method and image denoising apparatus
WO2016082277A1 (zh) 一种视频认证方法及装置
US20190005619A1 (en) Image upscaling system, training method thereof, and image upscaling method
CN109934793B (zh) 一种基于整数dct变换的实时图像融合方法
US9542725B2 (en) Image processing device, image processing method and medium
CN112507842A (zh) 一种基于关键帧提取的视频文字识别方法和装置
CN110366048A (zh) 视频传输方法、装置、电子设备和计算机可读存储介质
CN110458851A (zh) 红外图像处理方法、装置、计算机设备和存储介质
CN114626967A (zh) 一种数字水印嵌入与提取方法、装置、设备及存储介质
CN113222921A (zh) 一种图像处理方法及系统
CN112560901A (zh) 一种基于图像预处理与对抗训练结合的防御对抗样本的方法
CN109272526B (zh) 图像处理方法、系统及电子设备
CN116681636A (zh) 基于卷积神经网络的轻量化红外与可见光图像融合方法
CN113781321B (zh) 图像高亮区域的信息补偿方法、装置、设备及存储介质
CN107220934A (zh) 图像重建方法及装置
CN113901928A (zh) 一种基于动态超分辨率的目标检测方法、输电线路部件检测方法及系统
CN116258653B (zh) 一种基于深度学习的微光图像增强方法和系统
Zhao et al. Saliency map-aided generative adversarial network for raw to rgb mapping
US8712161B2 (en) Image manipulating system and method
CN114511862B (zh) 表格识别方法、装置及电子设备
WO2023273515A1 (zh) 目标检测方法、装置、电子设备和存储介质
Buzzelli et al. Consensus-driven illuminant estimation with GANs
CN112465736B (zh) 一种用于港口船舶监控的红外视频图像增强方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191115