CN111080538A - 一种红外融合边缘增强方法 - Google Patents

一种红外融合边缘增强方法 Download PDF

Info

Publication number
CN111080538A
CN111080538A CN201911206063.1A CN201911206063A CN111080538A CN 111080538 A CN111080538 A CN 111080538A CN 201911206063 A CN201911206063 A CN 201911206063A CN 111080538 A CN111080538 A CN 111080538A
Authority
CN
China
Prior art keywords
image
fusion
infrared
frequency component
enhanced 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.)
Granted
Application number
CN201911206063.1A
Other languages
English (en)
Other versions
CN111080538B (zh
Inventor
刘硕
张福俊
毛泉涌
祝中科
柳明
范长军
韩樑
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.)
CETC 52 Research Institute
Original Assignee
CETC 52 Research Institute
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 CETC 52 Research Institute filed Critical CETC 52 Research Institute
Priority to CN201911206063.1A priority Critical patent/CN111080538B/zh
Publication of CN111080538A publication Critical patent/CN111080538A/zh
Application granted granted Critical
Publication of CN111080538B publication Critical patent/CN111080538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Picture Signal Circuits (AREA)

Abstract

本发明公开了一种红外融合边缘增强方法，包括：采用图像增强算法对原始红外图像进行处理得到第一增强图像；采用灰度梯度映射函数对第一增强图像进行处理得到第二增强图像；采用多尺度融合方法对第一增强图像和第二增强图像进行自适应加权合，得到红外融合图像；对红外融合图像进行高斯模糊滤波处理和差值处理，得到红外融合图像的低频分量和高频分量；计算红外融合图像的全局均方差和局部窗口均方差，将全局均方差和局部窗口均方差的比值作为高频分量的自适应权重系数；将低频分量和利用自适应权重系数加权后的高频分量进行融合，输出最终的红外融合边缘增强图像。本发明在多尺度空间上使图像具有更丰富的边缘细节信息，并且提高图像的亮度。

Description

一种红外融合边缘增强方法
技术领域
本申请属于图像融合技术领域，具体涉及一种红外融合边缘增强方法。
背景技术
在军事和民用领域的红外成像系统中，红外视频图像因具有隐蔽性好、抗电子干扰强、全天候工作等特点，被广泛应用于目标识别、目标跟踪、遥感成像、智能交通和安全监控等领域。但红外图像受环境辐射特性、探测器设备噪声以及热辐射衰减特性等因素的影响，存在信噪比降低、对比度差、纹理细节模糊、动态范围减小等缺点，严重制约了红外成像系统的后期功能应用。
为了消除各种因素带来的负面效应，改善红外图像质量，红外增强方法具有重要的研究价值，逐渐成为计算机视觉领域的热点问题。但是现有技术中的红外增强方法往往只能单方面进行增强，面对亮度信息和边缘细节信息无法做到兼顾，使得红外增强处理后的图像容易丢失部分信息，影响了后期使用。
发明内容
本申请的目的在于提供一种红外融合边缘增强方法，在多尺度空间上使图像具有更丰富的边缘细节信息，并且提高图像的亮度，便于后期从图像中获取更多有效信息。
为实现上述目的，本申请所采取的技术方案为：
一种红外融合边缘增强方法，所述红外融合边缘增强方法，包括：
步骤1、获取原始红外图像，并采用图像增强算法对所述原始红外图像进行处理得到第一增强图像；
步骤2、采用灰度梯度映射函数对第一增强图像进行自适应增强处理得到第二增强图像；
步骤3、采用多尺度融合方法对所述第一增强图像和第二增强图像进行自适应加权合并增强，得到红外融合图像；
步骤4、对所述红外融合图像进行高斯模糊滤波处理和差值处理，分别得到红外融合图像的低频分量和高频分量；
步骤5、计算所述红外融合图像的全局均方差和局部窗口均方差，并将全局均方差和局部窗口均方差的比值作为高频分量的自适应权重系数；
步骤6、将低频分量和利用所述自适应权重系数加权后的高频分量进行融合增强，输出最终的红外融合边缘增强图像。
作为优选，所述图像增强算法为MSR算法，所述MSR算法的数学模型如下：
Figure BDA0002296945630000021
Rn(x,y)＝logS(x,y)-log[Gn(x,y)*S(x,y)]
其中，N为尺度个数，wn为单一尺度n对应的权值，S(x,y)为原始输入图像，Gn(x,y)为第n个尺度因子的高斯模糊函数，Rn(x,y)为第n个尺度因子的SSR输出图像，R(x,y)为MSR算法的输出图像。
作为优选，所述N取值为3，wn＝1/3，且3个尺度的尺度因子分别为30、150、300。
作为优选，所述灰度梯度映射函数的输出灰度级范围的中间值为第一增强图像的灰度级最大值的0.05倍。
作为优选，所述采用多尺度融合方法对所述第一增强图像和第二增强图像进行自适应加权合并增强，得到红外融合图像，包括：
步骤3.1、采用离散小波变换分别对第一增强图像和第二增强图像进行多尺度分解：
Figure BDA0002296945630000022
其中，I1(x,y)表示第一增强图像，I2(x,y)表示第二增强图像，DWT()表示离散小波变换函数，
Figure BDA0002296945630000023
表示第一增强图像多尺度分解后的子带图像，
Figure BDA0002296945630000024
表示第二增强图像多尺度分解后的子带图像；
步骤3.2、对步骤3.1分解得到的两个子带图像进行融合处理：
Figure BDA0002296945630000025
Figure BDA0002296945630000026
Figure BDA0002296945630000027
其中，
Figure BDA0002296945630000031
表示两个子带图像融合处理后得到的子带融合图像，w1和w2为权值系数；
步骤3.3、对步骤3.2中得到的子带融合图像进行多尺度逆变换处理，得到红外融合图像。
作为优选，所述将低频分量和利用所述自适应权重系数加权后的高频分量进行融合增强，输出最终的红外融合边缘增强图像，包括：
f(x,y)＝mx(x,y)+η×[IFusion(x,y)-mx(x,y)]
mx(x,y)＝IFusion(x,y)*G(x,y)
其中，f(x,y)表示最终的红外融合边缘增强图像，mx(x,y)表示低频分量，IFusion(x,y)表示红外融合图像，IFusion(x,y)-mx(x,y)表示高频分量，η为自适应权重系数，G(x,y)表示高斯模糊函数。
作为优选，所述局部窗口均方差为基于3x3窗口的均方差。
本申请提供的红外融合边缘增强方法，采用图像增强算法得到提高亮度信息后的第一增强图像，利用灰度梯度映射函数提高第一增强图像的边缘细节信息，并且利用多尺度融合方法对第一增强图像和第二增强图像进行融合后，可进一步改善图像的亮度、对比度和清晰度，并且对融合后的图像进行高频、低频分量拆分，在赋予权重后重新合并，以进一步丰富图像的细节信息，使得最终得到的图像具有更丰富的边缘细节信息，并且具有较高的图像亮度。
附图说明
图1为本申请的红外融合边缘增强方法的流程框图；
图2a为实施例1中第一场景的原始红外图像效果图；
图2b为实施例1中第一场景的SSR增强效果图；
图2c为实施例1中第一场景的MSR增强效果图；
图2d为实施例1中第一场景的AMSR增强效果图；
图2e为实施例1中第一场景的基于本实施例的MAFE红外融合增强效果图；
图2f为实施例1中第一场景基于本实施例的红外融合边缘增强方法处理后的效果图；
图3a为实施例1中第二场景的原始红外图像效果图；
图3b为实施例1中第二场景的SSR增强效果图；
图3c为实施例1中第二场景的MSR增强效果图；
图3d为实施例1中第二场景的AMSR增强效果图；
图3e为实施例1中第二场景的基于本实施例的MAFE红外融合增强效果图；
图3f为实施例1中第二场景基于本实施例的红外融合边缘增强方法处理后的效果图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。
其中一个实施例中，提供一种红外融合边缘增强方法，用于对红外图像的边缘细节信息和亮度信息进行改善，以得到质量更高的红外图像。
如图1所示，本实施例的红外融合边缘增强方法，包括：
步骤1、获取原始红外图像，并采用图像增强算法对所述原始红外图像进行处理得到第一增强图像。
本实施例中采用的图像增强算法为Retinex(Multi-scale Retinex,MSR)算法。现有技术中存在多种方法对图像的照度分量进行估计，其中多尺度MSR算法是最典型的方法之一。而MSR增强算法最为经典的就是3尺度，既能实现图像动态范围的压缩，又能保持一定的细节信息。MSR算法的数学模型如下：
Figure BDA0002296945630000041
Rn(x,y)＝logS(x,y)-log[Gn(x,y)*S(x,y)] (2)
其中，N为尺度个数，一般为3；wn为单一尺度n对应权值，且
Figure BDA0002296945630000042
一般取wn＝1/3；S(x,y)为原始输入图像；Gn(x,y)为第n个尺度因子的高斯模糊函数；Rn(x,y)为第n个尺度因子的SSR输出,R(x,y)为MSR算法的输出图像。
本实施例中采用3尺度MSR算法，且MSR算法的尺度因子分别取30，150，300，以得到较优的处理效果，降低颜色扭曲或纹理不清晰的可能性。
步骤2、采用灰度梯度映射函数对第一增强图像进行自适应增强处理得到第二增强图像。
传统的MSR算法对原始红外图像增强后，灰度范围变大，会超出显示器的动态范围，自适应的MSR(AMSR)首先利用多尺度高斯尺度函数对原始红外图像进行计算估计多尺度的照度分量，然后根据MSR算法计算得到亮度分量，最后通过自适应映射函数调整亮度分量的动态范围，得到最终的增强图像。
本实施例采用灰度梯度映射函数对第一增强图像进行处理，相当于采用AMSR算法对原始红外图像进行处理得到第二增强图像。本实施例中采用的灰度梯度映射函数为：
Figure BDA0002296945630000051
其中，Iin、Imean和Iout分别为MSR算法处理后的灰度值、均值和映射输出后的灰度值；Imax、Imin分别是MSR算法处理后的灰度值上下限；ωmax，ωmid表示输出的动态范围最大值和中间值，本实施例取ωmid＝0.05×ωmax。
并且灰度梯度映射函数的输出灰度级范围的中间值为第一增强图像的灰度级最大值的0.05倍。
步骤3、采用多尺度融合方法对所述第一增强图像和第二增强图像进行自适应加权合并增强，得到红外融合图像。
步骤3.1、采用离散小波变换分别对第一增强图像和第二增强图像进行多尺度分解：
Figure BDA0002296945630000052
其中，I1(x,y)表示第一增强图像，I2(x,y)表示第二增强图像，DWT()表示离散小波变换函数，
Figure BDA0002296945630000053
表示第一增强图像多尺度分解后的子带图像，
Figure BDA0002296945630000054
表示第二增强图像多尺度分解后的子带图像；
步骤3.2、对步骤3.1分解得到的两个子带图像进行融合处理：
Figure BDA0002296945630000055
Figure BDA0002296945630000056
Figure BDA0002296945630000057
其中，
Figure BDA0002296945630000061
表示两个子带图像融合处理后得到的子带融合图像，w1和w2为权值系数；
步骤3.3、对步骤3.2中得到的子带融合图像进行多尺度逆变换处理，得到红外融合图像。
本实施例提供的多尺度融合方法根据两个子带图像确定各自的权值系数，可进一步改善红外图像的亮度、对比度和清晰度。
步骤4、对所述红外融合图像进行高斯模糊滤波处理和差值处理，分别得到红外融合图像的低频分量和高频分量。
本实施例中采用的高斯模糊函数为：
Figure BDA0002296945630000062
首先利用高斯模糊函数对红外融合图像进行处理获取低频分量，再利用红外融合图像对低频分量进行差值处理，得到高频分量。
步骤5、计算所述红外融合图像的全局均方差和局部窗口均方差，并将全局均方差和局部窗口均方差的比值作为高频分量的自适应权重系数。
为了得到较优的自适应权重系数，本实施例的局部窗口均方差为基于3x3窗口的均方差。
步骤6、将低频分量和利用所述自适应权重系数加权后的高频分量进行融合增强，输出最终的红外融合边缘增强图像。
具体采用以下公式实现：
f(x,y)＝mx(x,y)+η×[IFusion(x,y)-mx(x,y)] (9)
mx(x,y)＝IFusion(x,y)*G(x,y) (10)
其中，f(x,y)表示最终的红外融合边缘增强图像，mx(x,y)表示低频分量，IFusion(x,y)表示红外融合图像，IFusion(x,y)-mx(x,y)表示高频分量，η为权重，G(x,y)表示高斯模糊函数。
本实施例提供的红外融合边缘增强方法，采用图像增强算法得到提高亮度信息后的第一增强图像，利用灰度梯度映射函数提高第一增强图像的边缘细节信息，并且利用多尺度融合方法对第一增强图像和第二增强图像进行融合后，可进一步改善图像的亮度、对比度和清晰度，并且对融合后的图像进行高频、低频分量拆分，在赋予权重后重新合并，以进一步丰富图像的细节信息，使得最终得到的图像具有更丰富的边缘细节信息，并且具有较高的图像亮度。
该实施例的红外融合边缘增强方法应用于军事和民用红外成像系统中，更便于观察者或观测设备捕获更多的场景目标信息，对军事战场的态势感知和民用火情探测、设备维护等具有重要价值。
为了更好说明本申请的红外融合边缘增强方法的有效性和可靠性，以下通过实验加以验证。
实施例1
采用不同的网络红外测试图像作为输入图像，进行不同算法的增强处理和比较，通过主客观评价指标，测试不同算法的红外增强效果。
实验中，采用MSR算法作为图像增强算法，同时为了证明本申请的红外融合边缘增强方法优于MSR算法和AMSR算法的简单组合，将本实施例的步骤1～3作为MSR算法和AMSR算法组合得到的MAFE算法，并将MAFE算法作为实验对象之一。
图2a～2f为第一场景的实验效果对比图。图2a为某港口舰船的原始红外图像，其分辨率为968*228，存在清晰度差、对比度低、边缘细节模糊等问题；图2b为SSR算法对原始红外图像处理后的增强效果图，相比原图，提高了亮度，但是边缘细节信息丢失严重；图2c为MSR算法对原始红外图像处理后的增强效果图，相比原图，提高了亮度，但是对比度一般；图2d图为AMSR算法对原始红外图像处理后的增强效果图，相比原图，图像对比度提高了，但是亮度变暗，影响人眼的观察；图2e为MAFE算法对原始红外图像处理后的增强效果图，图像的亮度、对比度和清晰度优于SSR算法、MSR算法和AMSR算法，但是图像的边缘效果一般；图2f为本实施例的红外融合边缘增强方法处理后的增强效果图，对图像的边缘进一步增强，相比于SSR算法、MSR算法、AMSR算法和MAFE算法，红外图像增强效果最佳，即图像的亮度、对比度、清晰度和边缘解析均为最佳。
图3a～3f为第二场景的实验效果对比图。图3a为某短波红外相机拍摄的红外房屋图像，分辨率为640*512。由图3b～d观察可得，SSR算法和MSR算法，均不同程度地提高了红外图像的质量，增强了图像的对比度，但依旧存在第一场景中提出的缺点；而AMSR算法虽然凸显了房屋底部的边框，但是严重降低了图像的亮度，影响人眼视觉。相比于3a～d，本文提出的MAFE算法的亮度、对比度和清晰度均有所提高，相比于3a～e，本申请的红外融合边缘增强方法处理后的图像3f中可以更加清晰地观察到房屋的边缘轮廓和远处高山的细节信息，亮度、清晰度和对比度最高，且兼顾了边缘细节信息。
以上所述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 (7)

1.一种红外融合边缘增强方法，其特征在于，所述红外融合边缘增强方法，包括：
步骤1、获取原始红外图像，并采用图像增强算法对所述原始红外图像进行处理得到第一增强图像；
步骤2、采用灰度梯度映射函数对所述第一增强图像进行自适应增强处理得到第二增强图像；
步骤3、采用多尺度融合方法对所述第一增强图像和第二增强图像进行自适应加权合并增强，得到红外融合图像；
步骤4、对所述红外融合图像进行高斯模糊滤波处理和差值处理，分别得到红外融合图像的低频分量和高频分量；
步骤5、计算所述红外融合图像的全局均方差和局部窗口均方差，并将全局均方差和局部窗口均方差的比值作为高频分量的自适应权重系数；
步骤6、将低频分量和利用所述自适应权重系数加权后的高频分量进行融合增强，输出最终的红外融合边缘增强图像。
2.如权利要求1所述的红外融合边缘增强方法，其特征在于，所述图像增强算法为MSR算法，所述MSR算法的数学模型如下：
Figure FDA0002296945620000011
Rn(x,y)＝logS(x,y)-log[Gn(x,y)*S(x,y)]
其中，N为尺度个数，wn为单一尺度n对应的权值，S(x,y)为原始输入图像，Gn(x,y)为第n个尺度因子的高斯模糊函数，Rn(x,y)为第n个尺度因子的SSR输出图像，R(x,y)为MSR算法的输出图像。
3.如权利要求2所述的红外融合边缘增强方法，其特征在于，所述N取值为3，wn＝1/3，且3个尺度的尺度因子分别为30、150、300。
4.如权利要求1所述的红外融合边缘增强方法，其特征在于，所述灰度梯度映射函数的输出灰度级范围的中间值为第一增强图像的灰度级最大值的0.05倍。
5.如权利要求1所述的红外融合边缘增强方法，其特征在于，所述采用多尺度融合方法对所述第一增强图像和第二增强图像进行自适应加权合并增强，得到红外融合图像，包括：
步骤3.1、采用离散小波变换分别对第一增强图像和第二增强图像进行多尺度分解：
Figure FDA0002296945620000021
其中，I1(x,y)表示第一增强图像，I2(x,y)表示第二增强图像，DWT()表示离散小波变换函数，
Figure FDA0002296945620000022
表示第一增强图像多尺度分解后的子带图像，
Figure FDA0002296945620000023
表示第二增强图像多尺度分解后的子带图像；
步骤3.2、对步骤3.1分解得到的两个子带图像进行融合处理：
Figure FDA0002296945620000024
Figure FDA0002296945620000025
Figure FDA0002296945620000026
其中，
Figure FDA0002296945620000027
表示两个子带图像融合处理后得到的子带融合图像，w1和w2为权值系数；
步骤3.3、对步骤3.2中得到的子带融合图像进行多尺度逆变换处理，得到红外融合图像。
6.如权利要求1所述的红外融合边缘增强方法，其特征在于，所述将低频分量和利用所述自适应权重系数加权后的高频分量进行融合增强，输出最终的红外融合边缘增强图像，包括：
f(x,y)＝mx(x,y)+η×[IFusion(x,y)-mx(x,y)]
mx(x,y)＝IFusion(x,y)*G(x,y)
其中，f(x,y)表示最终的红外融合边缘增强图像，mx(x,y)表示低频分量，IFusion(x,y)表示红外融合图像，IFusion(x,y)-mx(x,y)表示高频分量，η为自适应权重系数，G(x,y)表示高斯模糊函数。
7.如权利要求1所述的红外融合边缘增强方法，其特征在于，所述局部窗口均方差为基于3x3窗口的均方差。
CN201911206063.1A 2019-11-29 2019-11-29 一种红外融合边缘增强方法 Active CN111080538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911206063.1A CN111080538B (zh) 2019-11-29 2019-11-29 一种红外融合边缘增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911206063.1A CN111080538B (zh) 2019-11-29 2019-11-29 一种红外融合边缘增强方法

Publications (2)

Publication Number Publication Date
CN111080538A true CN111080538A (zh) 2020-04-28
CN111080538B CN111080538B (zh) 2022-08-16

Family

ID=70312209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911206063.1A Active CN111080538B (zh) 2019-11-29 2019-11-29 一种红外融合边缘增强方法

Country Status (1)

Country Link
CN (1) CN111080538B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667473A (zh) * 2020-06-08 2020-09-15 国网新疆电力有限公司乌鲁木齐供电公司 基于改进Canny算法的绝缘子憎水性等级判断方法
CN111951192A (zh) * 2020-08-18 2020-11-17 义乌清越光电科技有限公司 一种拍摄图像的处理方法及拍摄设备
CN112488940A (zh) * 2020-11-30 2021-03-12 哈尔滨市科佳通用机电股份有限公司 一种铁路机车部件图像边缘增强方法
CN112598606A (zh) * 2020-12-18 2021-04-02 南京邮电大学 一种基于图像分解的局部自适应红外图像增强方法
WO2021217642A1 (zh) * 2020-04-30 2021-11-04 深圳市大疆创新科技有限公司 红外图像处理方法、装置及可移动平台
CN114387191A (zh) * 2022-03-24 2022-04-22 青岛大学附属医院 一种内窥镜图像增强方法及内窥镜装置
CN115018737A (zh) * 2022-08-04 2022-09-06 四川迪晟新达类脑智能技术有限公司 一种红外热像增强方法及装置
CN116385313A (zh) * 2023-05-15 2023-07-04 南京师范大学 基于图像处理的婴幼儿人际沟通拼图训练系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150030242A1 (en) * 2013-07-26 2015-01-29 Rui Shen Method and system for fusing multiple images
CN107451986A (zh) * 2017-08-10 2017-12-08 南京信息职业技术学院 一种基于融合技术的单幅红外图像增强方法
CN109308691A (zh) * 2017-07-28 2019-02-05 南京理工大学 基于图像增强与nsct的红外和可见光图像融合方法
WO2019144581A1 (zh) * 2018-01-29 2019-08-01 江苏宇特光电科技股份有限公司 一种智能化红外图像场景增强方法
CN110298802A (zh) * 2019-06-28 2019-10-01 广东诚泰交通科技发展有限公司 路面裂缝检测方法及装置
CN110503617A (zh) * 2019-08-29 2019-11-26 大连海事大学 一种基于高、低频信息融合的水下图像增强方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150030242A1 (en) * 2013-07-26 2015-01-29 Rui Shen Method and system for fusing multiple images
CN109308691A (zh) * 2017-07-28 2019-02-05 南京理工大学 基于图像增强与nsct的红外和可见光图像融合方法
CN107451986A (zh) * 2017-08-10 2017-12-08 南京信息职业技术学院 一种基于融合技术的单幅红外图像增强方法
WO2019144581A1 (zh) * 2018-01-29 2019-08-01 江苏宇特光电科技股份有限公司 一种智能化红外图像场景增强方法
CN110298802A (zh) * 2019-06-28 2019-10-01 广东诚泰交通科技发展有限公司 路面裂缝检测方法及装置
CN110503617A (zh) * 2019-08-29 2019-11-26 大连海事大学 一种基于高、低频信息融合的水下图像增强方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SADEGHI M,ET AL: "A linear physically-based model for remote sensing of soil moisture using short wave infrared bands", 《REMOTE SENSING OF ENVIRONMENT》 *
张承泓: "基于自适应引导滤波的子带分解多尺度Retinex红外图像增强", 《红外技术》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021217642A1 (zh) * 2020-04-30 2021-11-04 深圳市大疆创新科技有限公司 红外图像处理方法、装置及可移动平台
CN111667473A (zh) * 2020-06-08 2020-09-15 国网新疆电力有限公司乌鲁木齐供电公司 基于改进Canny算法的绝缘子憎水性等级判断方法
CN111951192A (zh) * 2020-08-18 2020-11-17 义乌清越光电科技有限公司 一种拍摄图像的处理方法及拍摄设备
CN112488940A (zh) * 2020-11-30 2021-03-12 哈尔滨市科佳通用机电股份有限公司 一种铁路机车部件图像边缘增强方法
CN112598606A (zh) * 2020-12-18 2021-04-02 南京邮电大学 一种基于图像分解的局部自适应红外图像增强方法
CN112598606B (zh) * 2020-12-18 2022-08-30 南京邮电大学 一种基于图像分解的局部自适应红外图像增强方法
CN114387191A (zh) * 2022-03-24 2022-04-22 青岛大学附属医院 一种内窥镜图像增强方法及内窥镜装置
CN114387191B (zh) * 2022-03-24 2022-06-21 青岛大学附属医院 一种内窥镜图像增强方法及内窥镜装置
CN115018737A (zh) * 2022-08-04 2022-09-06 四川迪晟新达类脑智能技术有限公司 一种红外热像增强方法及装置
CN115018737B (zh) * 2022-08-04 2023-02-21 四川迪晟新达类脑智能技术有限公司 一种红外热像增强方法及装置
CN116385313A (zh) * 2023-05-15 2023-07-04 南京师范大学 基于图像处理的婴幼儿人际沟通拼图训练系统及方法
CN116385313B (zh) * 2023-05-15 2023-08-25 南京师范大学 基于图像处理的婴幼儿人际沟通拼图训练系统及方法

Also Published As

Publication number Publication date
CN111080538B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN111080538B (zh) 一种红外融合边缘增强方法
Parihar et al. A study on Retinex based method for image enhancement
Rajkumar et al. A comparative analysis on image quality assessment for real time satellite images
Zhang et al. Visibility enhancement using an image filtering approach
CN111768350B (zh) 一种红外图像增强方法及系统
CN112991197B (zh) 一种基于暗通道的细节保留的低照度视频增强方法及装置
Karalı et al. Adaptive image enhancement based on clustering of wavelet coefficients for infrared sea surveillance systems
CN116309189B (zh) 一种船舶烧伤伤员紧急转运分类的图像处理方法
Yu et al. Image and video dehazing using view-based cluster segmentation
CN107451986B (zh) 一种基于融合技术的单幅红外图像增强方法
Mathur et al. Enhancement of nonuniformly illuminated underwater images
Wu et al. A novel scheme for infrared image enhancement by using weighted least squares filter and fuzzy plateau histogram equalization
Wen et al. Autonomous robot navigation using Retinex algorithm for multiscale image adaptability in low-light environment
CN109859138B (zh) 一种基于人眼视觉特性的红外图像增强方法
Jia et al. Real-time content adaptive contrast enhancement for see-through fog and rain
Zhang et al. Atmospheric scattering-based multiple images fog removal
Yu et al. Visibility Enhancement Based Real--Time Retinex for Diverse Environments
Jia et al. A wavelet-based approach to improve foggy image clarity
Roy et al. Modeling of Haze image as Ill-posed inverse problem & its solution
Negru et al. Exponential image enhancement in daytime fog conditions
Pal Visibility enhancement of fog degraded image sequences on SAMEER TU dataset using dark channel strategy
Thepade et al. Visibility enhancement in low light images with weighted fusion of robust retinex model and dark channel prior
Yan et al. Remore Sensing Image Quality Assessment based on the Ratio of Spatial Feature Weighted Mutual Information.
Sun et al. Adaptive bilateral filter considering local characteristics
Kansal et al. Effect of non uniform illumination compensation on dehazing/de-fogging techniques

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