CN110728645A - 基于引导滤波器正则化参数的图像细节增强的方法、装置及电子设备 - Google Patents
基于引导滤波器正则化参数的图像细节增强的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110728645A CN110728645A CN201911010109.2A CN201911010109A CN110728645A CN 110728645 A CN110728645 A CN 110728645A CN 201911010109 A CN201911010109 A CN 201911010109A CN 110728645 A CN110728645 A CN 110728645A
- Authority
- CN
- China
- Prior art keywords
- image
- guide
- variance
- statistical histogram
- histogram
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001914 filtration Methods 0.000 claims abstract description 59
- 230000002708 enhancing effect Effects 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 12
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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 by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- 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
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
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
本发明公开了一种基于引导滤波器正则化参数的图像细节增强的方法、装置及电子设备,属于红外图像处理技术领域,包括对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图;依据预设的阈值,对所述图像局部方差的统计直方图进行划分;依据所述统计直方图的划分结果,获得引导滤波参数;依据所述引导滤波参数,对红外图像细节进行增强。本发明达到了能够自适应地选取引导滤波器正则化参数ε,增强场景适应性,有利于简化过程和提高准确性的技术效果。
Description
技术领域
本发明属于红外图像处理技术领域,特别涉及一种基于引导滤波器正则化参数的图像细节增强的方法、装置及电子设备。
背景技术
红外图像由于可以直接反映物体的热辐射量,相比于可见光图像在某些情况下能够更好地显示物体本质差别。另外红外热成像设备相对于可见光成像设备还有着被动探测、隐蔽性强、不受光照条件影响等技术特点,因此随着红外探测器制作工艺的成熟,红外热成像技术广泛应用于各种民用和军用领域。
对于现有的红外图像处理技术而言,传统的红外图像增强方式主要针对于对图像进行动态范围压缩的同时提高对比度,最具代表性的方法有自动增益控制(AutomaticGain Control,AGC)和直方图均衡化(Histogram Equalization,HE),以及在此基础上提出的一些改进方法。虽然上述方法能有效提高图像整体或局部对比度,但是都存在着不能明显地突出图像细节的问题,而引导滤波器相对于传统的双边滤波器可以在保持图像边缘的同时不引起梯度翻转效应,并且能够减小算法复杂度,在图像锐化、图像融合、图像去雾等处理方面有很好地效果,基于引导滤波分层的红外图像细节增强方法能有效地对高动态范围的红外图像进行压缩的同时对图像中的细节进行了增强。但是,对于引导滤波器的关键参数正则化参数ε的选取,实际应用中技术人员对于不同类型的场景采用一个固定的经验值,进行手动调整难以使这类图像增强方法适应更多不同类型的场景,并且手动调整也会带来过程的繁琐及不准确。
综上所述,在现有技术中,存在着需要手动调整引导滤波器的关键参数正则化参数ε,场景适应性不高,红外图像细节增强的过程繁琐和不准确的技术问题。
发明内容
本发明所要解决的技术问题是存在着需要手动调整引导滤波器的关键参数正则化参数ε,场景适应性不高,红外图像细节增强的过程繁琐和不准确的技术问题。
为解决上述技术问题,本发明提供了一种基于引导滤波器正则化参数的图像细节增强的方法,所述方法包括:对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图;依据预设的阈值,对所述图像局部方差的统计直方图进行划分;依据所述统计直方图的划分结果,获得引导滤波参数;依据所述引导滤波参数,对红外图像细节进行增强。
进一步地,所述对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图包括:对所述图像进行以1为步长自左而右,自上而下的移动,来获得引导滤波器窗口所含的9个像素的灰度级方差;依据所述灰度级方差构造出所述图像局部方差的统计直方图;其中,所述引导滤波窗口的大小是3*3;所述统计直方图包括横坐标和纵坐标,所述横坐标是方差的大小,所述纵坐标是对应方差的统计值。
进一步地,所述依据预设的阈值,对所述图像局部方差的统计直方图进行划分包括:所述阈值是所述图像中像素总数的0.02%。
进一步地,所述依据预设的阈值,对所述图像局部方差的统计直方图进行划分包括:若方差对应的统计值大于预设的阈值时,则判断所述统计直方图的该区域为对应图像中噪声区域和微弱细节区域;若方差对应的统计值小于所述阈值时,则判断所述统计直方图的该区域为对应图像中的强边缘区域;依据细节层的表达形式,获得所述噪声区域、微弱细节区域和强边缘区域。
进一步地,所述依据预设的阈值,对所述图像局部方差的统计直方图进行划分包括:当引导滤波器的引导图像等于输入的原始图像时,所述细节层的表达形式为:
bk=(1-ak)*μk
其中,所述ak和所述bk是对于固定窗口Ωk内的线性因子,所述σk 2是窗口内引导图像的方差,所述μk是原始图像在窗口内的均值,ε是用以防止ak过大的正则化参数,(i,j)是像素的坐标,pd(i,j)是细节层图像,p(i,j)是原始图像,q(i,j)是原始图像经过引导滤波后得到的基本层图像,和分别是固定窗口Ωk内的线性因子ak和bk在各个窗口的均值。
进一步地,所述依据所述统计直方图的划分结果,获得引导滤波参数包括:依据下述公式获得所述引导滤波参数:
for(σk 2∈(0,Nσ))
{if(hσ(σk 2)>=Tσ),ε=ε+1}
其中,所述Nσ是局部方差的最大值,所述Nσ的取值范围是5900至6100,hσ(*)是局部方差的统计直方图,所述Tσ是设定的阈值。
进一步地,所述依据所述引导滤波参数,对红外图像细节进行增强包括:依据所述引导滤波参数对图像进行分层,分层后的所述图像包括基本层和细节层;分别对所述基本层和所述细节层进行直方图均衡处理、或者伽马校正处理,以获得处理后的所述基本层和细节层;将处理后的所述基本层和细节层进行融合后,获得细节增强的图像。
依据本发明的又一个方面,本发明还提供一种基于引导滤波器正则化参数的图像细节增强的装置,所述装置包括:直方图计算模块,所述直方图计算模块用于对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图;划分模块,所述划分模块用于依据预设的阈值,对所述图像局部方差的统计直方图进行划分;参数计算模块,所述参数计算模块用于依据所述统计直方图的划分结果,获得引导滤波参数;增强模块,所述增强模块用于依据所述引导滤波参数,对红外图像细节进行增强。
依据本发明的又一个方面,本发明还提供一种基于引导滤波器正则化参数的图像细节增强的电子设备,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,所述处理器执行所述程序时实现以下步骤:对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图;依据预设的阈值,对所述图像局部方差的统计直方图进行划分;依据所述统计直方图的划分结果,获得引导滤波参数;依据所述引导滤波参数,对红外图像细节进行增强。
依据本发明的又一个方面,本发明还提供一种基于引导滤波器正则化参数的图像细节增强的计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图;依据预设的阈值,对所述图像局部方差的统计直方图进行划分;依据所述统计直方图的划分结果,获得引导滤波参数;依据所述引导滤波参数,对红外图像细节进行增强。
有益效果:
本发明提供一种基于引导滤波器正则化参数的图像细节增强的方法、装置及电子设备,通过对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图后,再依据预设的阈值,来对图像局部方差的统计直方图进行划分,以获得划分结果。然后依据划分结果,来计算出引导滤波参数,以进行红外图像细节增强。这样根据图像局部方差的统计直方图特性来自适应地选取引导滤波器正则化参数ε,避免了采用固定经验值对各场景进行引导滤波分层所导致的场景适应性不强或需要手动调整参数导致的繁琐与不准确。继而能够更好地提取图像中的微弱细节和保护图像强边缘,便于后续的细节层增强,并且具有较好的场景适应性。从而达到能够自适应地选取引导滤波器正则化参数ε,增强场景适应性,有利于简化过程和提高准确性的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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为本发明实施例提供的一种基于引导滤波器正则化参数的图像细节增强的方法的流程图示意图;
图2为本发明实施例提供的一种基于引导滤波器正则化参数的图像细节增强的装置的结构图;
图3为本发明实施例提供的一种基于引导滤波器正则化参数的图像细节增强的电子设备的结构图;
图4为本发明实施例提供的一种基于引导滤波器正则化参数的图像细节增强的计算机可读存储介质的结构图;
图5为真实图像局部方差统计直方图,其窗口的半径大小是3*3,纹理相对不丰富的图像;
图6为真实图像局部方差统计直方图,其窗口的半径大小是3*3,纹理相对丰富的图像。
具体实施方式
本发明公开了一种基于引导滤波器正则化参数的图像细节增强的方法、装置及电子设备,通过对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图后,再依据预设的阈值,来对图像局部方差的统计直方图进行划分,以获得划分结果。然后依据划分结果,来计算出引导滤波参数,以进行红外图像细节增强。这样根据图像局部方差的统计直方图特性来自适应地选取引导滤波器正则化参数ε,避免了采用固定经验值对各场景进行引导滤波分层所导致的场景适应性不强或需要手动调整参数导致的繁琐与不准确。继而能够更好地提取图像中的微弱细节和保护图像强边缘,便于后续的细节层增强,并且具有较好的场景适应性。从而达到能够自适应地选取引导滤波器正则化参数ε,增强场景适应性,有利于简化过程和提高准确性的技术效果。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围;其中本实施中所涉及的“和/或”关键词,表示和、或两种情况,换句话说,本发明实施例所提及的A和/或B,表示了A和B、A或B两种情况,描述了A与B所存在的三种状态,如A和/或B,表示:只包括A不包括B;只包括B不包括A;包括A与B。
同时,本发明实施例中,当组件被称为“固定于”另一个组件,它可以直接在另一个组件上或者也可以存在居中组件。当一个组件被认为是“连接”另一个组件,它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件,它可以是直接设置在另一个组件上或者可能同时存在居中组件。本发明实施例中所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明目的,并不是旨在限制本发明。
实施例一
请参见图1,图1是本发明实施例提供的一种基于引导滤波器正则化参数的图像细节增强的方法的流程图示意图。本发明实施例一提供一种基于引导滤波器正则化参数的图像细节增强的方法,所述方法包括:
步骤S100,对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图。
对所述图像进行以1为步长自左而右,自上而下的移动,来获得引导滤波器窗口所含的9个像素的灰度级方差;依据所述灰度级方差构造出所述图像局部方差的统计直方图;其中,所述引导滤波窗口的大小是3*3;所述统计直方图包括横坐标和纵坐标,所述横坐标是方差的大小,所述纵坐标是对应方差的统计值。
请继续参见图1,通过计算各引导滤波窗口所包含像素的灰度级方差,来得到图像局部方差的统计直方图。如用3*3大小的滤波窗口,以1为步长在图像中自左而右,自上而下滑动,来计算出各滤波窗口所含的9个像素的灰度级方差;并且以方差大小为横坐标,对应方差的统计值为纵坐标,来构造出图像局部方差的统计直方图。滤波窗口大小可以设置为3*3,从而达到尽可能地减小窗口的大小,来保护图像边缘的技术效果。因为基于滤波器分层的红外图像细节增强算法是将图像细节当做图像高频部分,通过低通滤波器将图像主要内容信息与细节信息分开提取出来单独进行增强,即根据基本层和细节层的不同特性进行增强。其中,常用的是引导滤波器分层,本发明是针对引导滤波器参数的自适应选取提出的解决方案,所以是需要采用滤波分层框架。继而本发明实施例一是采用基于滤波分层框架的自适应选择引导滤波器正则化参数ε的单帧红外图像细节增强方法。
步骤S110,依据预设的阈值,对所述图像局部方差的统计直方图进行划分。
所述阈值是所述图像中像素总数的0.02%。若方差对应的统计值大于预设的阈值时,则判断所述统计直方图的该区域为对应图像中噪声区域和微弱细节区域;若方差对应的统计值小于所述阈值时,则判断所述统计直方图的该区域为对应图像中的强边缘区域;依据细节层的表达形式,获得所述噪声区域、微弱细节区域和强边缘区域。当引导滤波器的引导图像等于输入的原始图像时,所述细节层的表达形式为:
bk=(1-ak)*μk
其中,所述ak和所述bk是对于固定窗口Ωk内的线性因子,所述σk 2是窗口内引导图像的方差,所述μk是原始图像在窗口内的均值,ε是用以防止ak过大的正则化参数,(i,j)是像素的坐标,pd(i,j)是细节层图像,p(i,j)是原始图像,q(i,j)是原始图像经过引导滤波后得到的基本层图像,和分别是固定窗口Ωk内的线性因子ak和bk在各个窗口的均值。
请继续参见图1,通过将图像中像素总数的0.02%作为判断阈值,来根据设定的阈值对图像局部方差统计直方图进行划分。因为根据对不同场景、不同探测器图像的局部方差统计直方图分析,该阈值取所有像素个数的0.02%对于不同场景不同红外探测器都可以得到比较好的ε值。为了使得到的细节层包含微弱的细节以及保护图像强边缘,当引导图像等于输入的原始图像时,根据公式(即细节层的表达形式)可知引导滤波器的参数与图像局部方差和正则化参数有关,其中,正则化参数的设置也与局部方差有关,便通过分析提出根据局部方差的统计特性来自适应地选取正则化参数的方法。即本发明提出的自适应选择引导滤波器参数的方法是为了服务于后续对细节层的处理。如当引导滤波器的引导图像等于输入的原始图像时,所得到的细节层的表达形式为:
bk=(1-ak)*μk
其中,ak和bk为对于固定窗口Ωk内的线性因子,σk 2为窗口内引导图像的方差,μk表示原始图像在窗口内的均值,ε表示用以防止ak过大的正则化参数,(i,j)表示像素的坐标,pd(i,j)表示细节层图像,p(i,j)表示原始图像,q(i,j)表示原始图像经过引导滤波后得到的基本层图像,和表示固定窗口Ωk内的线性因子ak和bk在各个窗口的均值。为了保证能够提取出微弱细节,必须尽量让微弱细节处的σk 2尽量小于ε,否则可能导致细节的提取不足或细节层噪声和细节区分难度加大,从而影响后续细节层增强步骤;而为了保护图像强边缘,又应使得强边缘处的σk 2尽量大于ε。图5是真实图像局部方差统计直方图,其窗口的半径大小是3*3,纹理相对不丰富的图像;图6是真实图像局部方差统计直方图,其窗口的半径大小是3*3,纹理相对丰富的图像。根据图5和图6所示的图像局部方差统计直方图可知,局部方差越大,直方图统计值越小,基本上呈现一个单调递减函数。因此,考虑设定一个统计直方图阈值来将方差直方图进行区分,统计个数大于阈值的被当做噪声和微弱细节,统计个数小于阈值的被当做强边缘,阈值所对应的方差大小就为滤波器所需要的ε值。
步骤S120,依据所述统计直方图的划分结果,获得引导滤波参数。
依据下述公式获得所述引导滤波参数:
for(σk 2∈(0,Nσ))
{if(hσ(σk 2)>=Tσ),ε=ε+1}
其中,所述Nσ是局部方差的最大值,所述Nσ的取值范围是5900至6100,hσ(*)是局部方差的统计直方图,所述Tσ是设定的阈值。
请继续参见图1,根据划分的结果计算引导滤波参数ε,因为存在局部方差的统计直方图的不完全单调递减特性(有小的毛刺,不平滑),阈值可能会对应好几个方差大小值,所以通过直接求直方图统计个数大于阈值的方差值个数作为ε值,即:
for(σk 2∈(0,Nσ))
{if(hσ(σk 2)>=Tσ),ε=ε+1}
其中,Nσ为局部方差的最大值,实际计算过程中可以设为6000左右,因为更大的方差值的统计值很小,分布很扩散,基本上不会大于阈值;hσ(*)为局部方差的统计直方图,Tσ为设定的阈值。
步骤S130,依据所述引导滤波参数,对红外图像细节进行增强。
依据所述引导滤波参数对图像进行分层,分层后的所述图像包括基本层和细节层;分别对所述基本层和所述细节层进行直方图均衡处理、或者伽马校正处理,以获得处理后的所述基本层和细节层;将处理后的所述基本层和细节层进行融合后,获得细节增强的图像。
请继续参见图1,通过引导滤波器对图像进行分层,并且将处理后的所述基本层和细节层进行融合。对处理后的基础层和细节层进行融合的过程是原始图像经过引导滤波器后得到的图像称为基本层,原始图像减去基本层图像即为细节层。所述融合包括直接相加,或者按比例相加。因为本发明实施例一考虑到了图像局部方差和引导滤波器正则化参数理想取值之间的关系,并且通过对局部方差的统计直方图进行阈值划分,来使得统计个数大于阈值的被当作噪声和微弱细节,而小于阈值的被当作强边缘,从而达到了对图像成分进行了有效划分的技术效果。另外,对于不同类型场景的图像,根据局部方差的统计直方图特性来自适应地选取合适的滤波器ε值,从而避免了现有技术对各场景进行引导滤波分层时采用固定经验值导致的场景适应性不强或需要手动调整参数导致的繁琐与不准确的缺陷。
本发明实施例一提供一种基于引导滤波器正则化参数的图像细节增强的方法、装置及电子设备,通过对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图后,再依据预设的阈值,来对图像局部方差的统计直方图进行划分,以获得划分结果。然后依据划分结果,来计算出引导滤波参数,以进行红外图像细节增强。这样根据图像局部方差的统计直方图特性来自适应地选取引导滤波器正则化参数ε,避免了采用固定经验值对各场景进行引导滤波分层所导致的场景适应性不强或需要手动调整参数导致的繁琐与不准确。继而能够更好地提取图像中的微弱细节和保护图像强边缘,便于后续的细节层增强,并且具有较好的场景适应性。从而达到能够自适应地选取引导滤波器正则化参数ε,增强场景适应性,有利于简化过程和提高准确性的技术效果。
基于同一发明构思,本申请提供了与实施例一所对应的一种基于引导滤波器正则化参数的图像细节增强的装置,详见实施例二。
实施例二
如图2所示,图2为本发明实施例二提供的一种基于引导滤波器正则化参数的图像细节增强的装置的结构图。本发明实施例二提供了一种基于引导滤波器正则化参数的图像细节增强的装置,所述装置包括:
直方图计算模块210,所述直方图计算模块210用于对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图;
划分模块220,所述划分模块220用于依据预设的阈值,对所述图像局部方差的统计直方图进行划分;
参数计算模块230,所述参数计算模块230用于依据所述统计直方图的划分结果,获得引导滤波参数;
增强模块240,所述增强模块240用于依据所述引导滤波参数,对红外图像细节进行增强。
本发明实施例二提供一种基于引导滤波器正则化参数的图像细节增强的装置,通过直方图计算模块210对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图后,再通过划分模块220依据预设的阈值,来对图像局部方差的统计直方图进行划分,以获得划分结果。然后通过参数计算模块230和增强模块240依据划分结果,来计算出引导滤波参数,以进行红外图像细节增强。这样根据图像局部方差的统计直方图特性来自适应地选取引导滤波器正则化参数ε,避免了采用固定经验值对各场景进行引导滤波分层所导致的场景适应性不强或需要手动调整参数导致的繁琐与不准确。继而能够更好地提取图像中的微弱细节和保护图像强边缘,便于后续的细节层增强,并且具有较好的场景适应性。从而达到能够自适应地选取引导滤波器正则化参数ε,增强场景适应性,有利于简化过程和提高准确性的技术效果。
基于同一发明构思,本申请提供了与实施例一所对应的一种基于引导滤波器正则化参数的图像细节增强的电子设备,详见实施例三。
实施例三
如图3所示,图3为本发明实施例三提供的一种基于引导滤波器正则化参数的图像细节增强的电子设备的结构图。本发明实施例三提供了一种基于引导滤波器正则化参数的图像细节增强的电子设备,包括存储器310、处理器320及存储在存储器310上并可在处理器320上运行的计算机程序311,所述处理器320执行所述程序时实现以下步骤:
对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图;
依据预设的阈值,对所述图像局部方差的统计直方图进行划分;
依据所述统计直方图的划分结果,获得引导滤波参数;
依据所述引导滤波参数,对红外图像细节进行增强。
本发明实施例三提供一种基于引导滤波器正则化参数的图像细节增强的电子设备,通过对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图后,再依据预设的阈值,来对图像局部方差的统计直方图进行划分,以获得划分结果。然后依据划分结果,来计算出引导滤波参数,以进行红外图像细节增强。这样根据图像局部方差的统计直方图特性来自适应地选取引导滤波器正则化参数ε,避免了采用固定经验值对各场景进行引导滤波分层所导致的场景适应性不强或需要手动调整参数导致的繁琐与不准确。继而能够更好地提取图像中的微弱细节和保护图像强边缘,便于后续的细节层增强,并且具有较好的场景适应性。从而达到能够自适应地选取引导滤波器正则化参数ε,增强场景适应性,有利于简化过程和提高准确性的技术效果。
基于同一发明构思,本申请提供了与实施例一所对应的一种基于引导滤波器正则化参数的图像细节增强的计算机可读存储介质,详见实施例四。
实施例四
如图4所示,图4为本发明实施例四提供的一种基于引导滤波器正则化参数的图像细节增强的计算机可读存储介质400的结构图。本发明实施例四提供了一种基于引导滤波器正则化参数的图像细节增强的计算机可读存储介质400,其上存储有计算机程序411,其特征在于,该程序被处理器320执行时实现以下步骤:
对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图;
依据预设的阈值,对所述图像局部方差的统计直方图进行划分;
依据所述统计直方图的划分结果,获得引导滤波参数;
依据所述引导滤波参数,对红外图像细节进行增强。
本发明实施例四提供一种基于引导滤波器正则化参数的图像细节增强的计算机可读存储介质400,通过对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图后,再依据预设的阈值,来对图像局部方差的统计直方图进行划分,以获得划分结果。然后依据划分结果,来计算出引导滤波参数,以进行红外图像细节增强。这样根据图像局部方差的统计直方图特性来自适应地选取引导滤波器正则化参数ε,避免了采用固定经验值对各场景进行引导滤波分层所导致的场景适应性不强或需要手动调整参数导致的繁琐与不准确。继而能够更好地提取图像中的微弱细节和保护图像强边缘,便于后续的细节层增强,并且具有较好的场景适应性。从而达到能够自适应地选取引导滤波器正则化参数ε,增强场景适应性,有利于简化过程和提高准确性的技术效果。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于引导滤波器正则化参数的图像细节增强的方法,其特征在于,所述方法包括:
对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图;
依据预设的阈值,对所述图像局部方差的统计直方图进行划分;
依据所述统计直方图的划分结果,获得引导滤波参数;
依据所述引导滤波参数,对红外图像细节进行增强。
2.如权利要求1所述的基于引导滤波器正则化参数的图像细节增强的方法,其特征在于,所述对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图包括:
对所述图像进行以1为步长自左而右,自上而下的移动,来获得引导滤波器窗口所含的9个像素的灰度级方差;
依据所述灰度级方差构造出所述图像局部方差的统计直方图;
其中,所述引导滤波窗口的大小是3*3;所述统计直方图包括横坐标和纵坐标,所述横坐标是方差的大小,所述纵坐标是对应方差的统计值。
3.如权利要求2所述的基于引导滤波器正则化参数的图像细节增强的方法,其特征在于,所述依据预设的阈值,对所述图像局部方差的统计直方图进行划分包括:
所述阈值是所述图像中像素总数的0.02%。
4.如权利要求3所述的基于引导滤波器正则化参数的图像细节增强的方法,其特征在于,所述依据预设的阈值,对所述图像局部方差的统计直方图进行划分包括:
若方差对应的统计值大于预设的阈值时,则判断所述统计直方图的该区域为对应图像中噪声区域和微弱细节区域;若方差对应的统计值小于所述阈值时,则判断所述统计直方图的该区域为对应图像中的强边缘区域;
依据细节层的表达形式,获得所述噪声区域、微弱细节区域和强边缘区域。
6.如权利要求5所述的基于引导滤波器正则化参数的图像细节增强的方法,其特征在于,所述依据所述统计直方图的划分结果,获得引导滤波参数包括:
依据下述公式获得所述引导滤波参数:
for(σk 2∈(0,Nσ))
{if(hσ(σk 2)>=Tσ),ε=ε+1}
其中,所述Nσ是局部方差的最大值,所述Nσ的取值范围是5900至6100,hσ(*)是局部方差的统计直方图,所述Tσ是设定的阈值。
7.如权利要求6所述的基于引导滤波器正则化参数的图像细节增强的方法,其特征在于,所述依据所述引导滤波参数,对红外图像细节进行增强包括:
依据所述引导滤波参数对图像进行分层,分层后的所述图像包括基本层和细节层;
分别对所述基本层和所述细节层进行直方图均衡处理、或者伽马校正处理,以获得处理后的所述基本层和细节层;
将处理后的所述基本层和细节层进行融合后,获得细节增强的图像。
8.一种基于引导滤波器正则化参数的图像细节增强的装置,其特征在于,所述装置包括:
直方图计算模块,所述直方图计算模块用于对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图;
划分模块,所述划分模块用于依据预设的阈值,对所述图像局部方差的统计直方图进行划分;
参数计算模块,所述参数计算模块用于依据所述统计直方图的划分结果,获得引导滤波参数;
增强模块,所述增强模块用于依据所述引导滤波参数,对红外图像细节进行增强。
9.一种基于引导滤波器正则化参数的图像细节增强的电子设备,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,其特征在于,所述处理器执行所述程序时实现以下步骤:
对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图;
依据预设的阈值,对所述图像局部方差的统计直方图进行划分;
依据所述统计直方图的划分结果,获得引导滤波参数;
依据所述引导滤波参数,对红外图像细节进行增强。
10.一种基于引导滤波器正则化参数的图像细节增强的计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现以下步骤:
对引导滤波器窗口所包含像素的灰度级方差进行计算,以获得图像局部方差的统计直方图;
依据预设的阈值,对所述图像局部方差的统计直方图进行划分;
依据所述统计直方图的划分结果,获得引导滤波参数;
依据所述引导滤波参数,对红外图像细节进行增强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911010109.2A CN110728645A (zh) | 2019-10-23 | 2019-10-23 | 基于引导滤波器正则化参数的图像细节增强的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911010109.2A CN110728645A (zh) | 2019-10-23 | 2019-10-23 | 基于引导滤波器正则化参数的图像细节增强的方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110728645A true CN110728645A (zh) | 2020-01-24 |
Family
ID=69222873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911010109.2A Pending CN110728645A (zh) | 2019-10-23 | 2019-10-23 | 基于引导滤波器正则化参数的图像细节增强的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728645A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308793A (zh) * | 2020-10-21 | 2021-02-02 | 淮阴工学院 | 一种新型的非均匀光照图像对比度和细节增强方法 |
CN116433035A (zh) * | 2023-06-13 | 2023-07-14 | 中科数创(临沂)数字科技有限公司 | 一种基于人工智能的建筑电气火灾风险评估预测方法 |
CN117218026A (zh) * | 2023-09-18 | 2023-12-12 | 中国人民解放军91977部队 | 一种红外图像增强方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440630A (zh) * | 2013-09-02 | 2013-12-11 | 南京理工大学 | 基于引导滤波器的大动态范围红外图像显示与细节增强方法 |
US20140193093A1 (en) * | 2011-09-18 | 2014-07-10 | Forus Health Pvt. Ltd. | Method and system for enhancing image quality |
CN107016654A (zh) * | 2017-03-29 | 2017-08-04 | 华中科技大学鄂州工业技术研究院 | 一种基于引导图像滤波的自适应红外图像细节增强方法 |
-
2019
- 2019-10-23 CN CN201911010109.2A patent/CN110728645A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140193093A1 (en) * | 2011-09-18 | 2014-07-10 | Forus Health Pvt. Ltd. | Method and system for enhancing image quality |
CN103440630A (zh) * | 2013-09-02 | 2013-12-11 | 南京理工大学 | 基于引导滤波器的大动态范围红外图像显示与细节增强方法 |
CN107016654A (zh) * | 2017-03-29 | 2017-08-04 | 华中科技大学鄂州工业技术研究院 | 一种基于引导图像滤波的自适应红外图像细节增强方法 |
Non-Patent Citations (2)
Title |
---|
刘杰;张建勋;代煜;: "基于多引导滤波的图像增强算法" * |
樊启明: "基于滤波分层的红外图像细节增强算法研究" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308793A (zh) * | 2020-10-21 | 2021-02-02 | 淮阴工学院 | 一种新型的非均匀光照图像对比度和细节增强方法 |
CN116433035A (zh) * | 2023-06-13 | 2023-07-14 | 中科数创(临沂)数字科技有限公司 | 一种基于人工智能的建筑电气火灾风险评估预测方法 |
CN116433035B (zh) * | 2023-06-13 | 2023-09-15 | 中科数创(临沂)数字科技有限公司 | 一种基于人工智能的建筑电气火灾风险评估预测方法 |
CN117218026A (zh) * | 2023-09-18 | 2023-12-12 | 中国人民解放军91977部队 | 一种红外图像增强方法及装置 |
CN117218026B (zh) * | 2023-09-18 | 2024-03-22 | 中国人民解放军91977部队 | 一种红外图像增强方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tan et al. | Exposure based multi-histogram equalization contrast enhancement for non-uniform illumination images | |
CN108376391B (zh) | 一种智能化红外图像场景增强方法 | |
CN103440630B (zh) | 基于引导滤波器的大动态范围红外图像显示与细节增强方法 | |
CN110728645A (zh) | 基于引导滤波器正则化参数的图像细节增强的方法、装置及电子设备 | |
CN112419162A (zh) | 图像去雾方法、装置、电子设备及可读存储介质 | |
CN105913390B (zh) | 一种图像去雾方法及系统 | |
CN107292834B (zh) | 红外图像细节增强方法 | |
DE112019007550T5 (de) | Automatisches segmentieren und anpassen von bildern | |
CN115578297A (zh) | 一种自适应色彩补偿与细节优化的广义衰减图像增强方法 | |
CN111145086A (zh) | 一种图像处理方法、装置及电子设备 | |
Choi et al. | Fog detection for de-fogging of road driving images | |
CN110175967B (zh) | 图像去雾处理方法、系统、计算机设备和存储介质 | |
CN110766634A (zh) | 基于引导滤波器的图像划分的方法、装置及电子设备 | |
Wei et al. | An image fusion dehazing algorithm based on dark channel prior and retinex | |
CN114998165A (zh) | 一种基于直方图变换的均匀曝光图像对比度增强方法 | |
CN110969584A (zh) | 一种低照度图像增强方法 | |
CN114004850A (zh) | 一种天空分割方法、图像去雾方法、电子设备和存储介质 | |
CN112825189B (zh) | 一种图像去雾方法及相关设备 | |
Hu et al. | Kinect depth map based enhancement for low light surveillance image | |
CN105913391A (zh) | 一种基于形状可变形态学重构的去雾方法 | |
CN110766712A (zh) | 基于引导滤波器的细节层图像获取的方法及其相关设备 | |
CN117152016A (zh) | 基于改进暗通道先验的图像去雾方法及其系统 | |
CN109859138B (zh) | 一种基于人眼视觉特性的红外图像增强方法 | |
Bai et al. | Controllable image illumination enhancement with an over-enhancement measure | |
CN110349113B (zh) | 一种基于暗原色先验改进的自适应图像去雾方法 |
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 |
Application publication date: 20200124 |
|
RJ01 | Rejection of invention patent application after publication |