CN111612720A - 一种广角红外图像优化方法、系统及相关组件 - Google Patents
一种广角红外图像优化方法、系统及相关组件 Download PDFInfo
- Publication number
- CN111612720A CN111612720A CN202010436252.4A CN202010436252A CN111612720A CN 111612720 A CN111612720 A CN 111612720A CN 202010436252 A CN202010436252 A CN 202010436252A CN 111612720 A CN111612720 A CN 111612720A
- Authority
- CN
- China
- Prior art keywords
- infrared image
- image
- infrared
- wide
- angle
- 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 68
- 238000005457 optimization Methods 0.000 title claims abstract description 57
- 238000012937 correction Methods 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 239000002184 metal Substances 0.000 claims description 5
- 229910052751 metal Inorganic materials 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000003702 image correction Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000007781 pre-processing Methods 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
- 238000004904 shortening Methods 0.000 description 1
- 238000009827 uniform distribution 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本申请公开了一种广角红外图像优化方法、系统及相关组件,包括:使用目标广角红外镜头采集目标靶标的第一红外图像;对第一红外图像进行图像细节增强处理,得到第二红外图像;对第二红外图像进行畸变参数计算,得到校正参数,并利用校正参数对第二红外图像进行逆变换,得到第三红外图像;对第三红外图像进行插值处理,得到第四红外图像;确定并存储第一红外图像和第四红外图像之间的校正关系;使用目标广角红外镜头采集待优化红外图像;对待优化红外图像进行图像细节增强处理,并利用校正关系进行优化处理,得到优化后红外图像。本申请提高了图像的校正效率,同时保证了校正后的红外图像不会丢失细节和增强噪声,优化效果明显高于现有技术。
Description
技术领域
本发明涉及红外图像处理领域,特别涉及一种广角红外图像优化方法、系统及相关组件。
背景技术
当前,为了获取夜视下宽视场大视角高质量的场景体验,广角镜头逐渐增多,由于广角镜头会产生明显畸变以及红外图像对比度低、细节不清晰,造成整体视觉效果较差,对低质量且噪声较大的畸变红外图像,进行细节增强和畸变校正成为必须要解决的重点技术难题。
现有红外图像增强方法有以下几种:
基于直方图的图像增强方法类能够将分布不均匀的直方图经过映射变换为均匀分布,但容易产生细节损失和过度增强,即使通过分段阈值来限制灰度分布,但缺失输入图像结构特征的考虑,会造成图像效果整体过渡不平滑,噪声增强较多。
基于卷积神经网络或变换域的图像增强方法,虽然可提升红外图像质量,但计算量太大,对硬件设备要求高,不利于大多数红外成像设备运行。
基于图像自身的特征结合数学多项式进行畸变校正,其复杂性和泰勒展开项的数量有关,复杂性越大精度越高,需要进行大量的计算,还需额外的图像预处理操作,比如霍夫变换、畸变线估计、畸变参数迭代计算等,无法保证红外视频实时性。
因此,如何提供一种解决上述技术问题的方案是目前本领域技术人员需要解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种处理速度较快、细节清晰的广角红外图像优化方法、系统及相关组件。其具体方案如下:
一种广角红外图像优化方法,包括:
使用目标广角红外镜头采集目标靶标的第一红外图像;
对所述第一红外图像进行图像细节增强处理,得到第二红外图像;
对所述第二红外图像进行畸变参数计算,得到校正参数,并利用所述校正参数对所述第二红外图像进行逆变换,得到第三红外图像;
对所述第三红外图像进行插值处理,得到第四红外图像;
确定并存储所述第一红外图像和所述第四红外图像之间的校正关系;
使用所述目标广角红外镜头采集待优化红外图像;
对所述待优化红外图像进行图像细节增强处理,并利用所述校正关系进行优化处理,得到优化后红外图像。
优选的,所述对所述第一红外图像进行图像细节增强处理,得到第二红外图像的过程,具体包括:
利用滚动导向滤波,将所述第一红外图像分离为细节层图像和基础层图像;
利用Retinex理论对所述基础层图像的灰度级范围进行调整,并通过直方图均衡化扩宽所述灰度级范围,得到处理后基础层图像;
对所述细节层图像进行gamma变换,得到处理后细节层图像;
对所述处理后细节层图像和所述处理后基础层图像进行加权融合,得到第二红外图像。
优选的,所述对所述第二红外图像进行畸变参数计算,得到校正参数的过程,具体包括:
对所述第二红外图像进行多方向梯度计算,得到对应的边缘图像;
对所述边缘图像进行腐蚀膨胀操作,并去除干扰边缘线,得到待拟合图像;
对所述待拟合图像中的边缘线进行圆形拟合,并建立单参数除法畸变校正模型,以确定校正参数。
优选的,所述目标靶标具体为位于加热板前的金属靶标。
优选的,所述校正关系以函数或关系表的形式存储。
优选的,所述使用目标广角红外镜头采集目标靶标的第一红外图像的过程,具体包括:
使用目标广角红外镜头采集目标靶标在不同测试距离下的第一红外图像。
优选的,所述确定并存储所述第一红外图像和所述第四红外图像之间的校正关系的过程,具体包括:
确定并存储最优距离下的所述第一红外图像和所述第四红外图像之间的校正关系;
所述最优距离具体为边缘图像的清晰度评价值最高的第二红外图像对应的测试距离。
相应的,本发明还公开了一种广角红外图像优化系统,包括:
获取模块,用于使用目标广角红外镜头采集目标靶标的第一红外图像,还用于使用所述目标广角红外镜头采集待优化红外图像;
处理模块,用于对所述第一红外图像进行图像细节增强处理,得到第二红外图像,还用于对所述待优化红外图像进行图像细节增强处理;
校正确定模块,用于对所述第二红外图像进行畸变参数计算,得到校正参数,并利用所述校正参数对所述第二红外图像进行逆变换,得到第三红外图像;对所述第三红外图像进行插值处理,得到第四红外图像;确定并存储所述第一红外图像和所述第四红外图像之间的校正关系;
优化模块,用于利用所述校正关系对图像细节增强处理后的所述待优化红外图像进行优化处理,得到优化后红外图像。
相应的,本发明还公开了一种广角红外图像优化装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上文任一项所述广角红外图像优化方法的步骤。
相应的,本发明还公开了一种可读存储介质,所述可读存储介质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如上文任一项所述广角红外图像优化方法的步骤。
本发明公开了一种广角红外图像优化方法,包括:使用目标广角红外镜头采集目标靶标的第一红外图像;对所述第一红外图像进行图像细节增强处理,得到第二红外图像;对所述第二红外图像进行畸变参数计算,得到校正参数,并利用所述校正参数对所述第二红外图像进行逆变换,得到第三红外图像;对所述第三红外图像进行插值处理,得到第四红外图像;确定并存储所述第一红外图像和所述第四红外图像之间的校正关系;使用所述目标广角红外镜头采集待优化红外图像;对所述待优化红外图像进行图像细节增强处理,并利用所述校正关系进行优化处理,得到优化后红外图像。本申请首先以目标靶标对目标广角红外镜头进行标定,并将标定得到的校正关系应用于所有待优化红外图像,提高了图像的校正效率。同时,由于优化前还进行了图像细节增强处理,因此保证了校正后的红外图像不会丢失细节和增强噪声。
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,下面将对实施例或现有技术描述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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例中一种广角红外图像优化方法的步骤流程图;
图2为本发明实施例中一种广角红外图像优化方法的子步骤流程图;
图3为本发明实施例中一种广角红外图像优化方法的子步骤流程图;
图4为本发明实施例中一系列多方向梯度计算中梯度算子的初始值;
图5为本发明实施例中一种广角红外图像优化系统的结构分布图。
具体实施方式
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,都属于本发明保护的范围。
现有技术中集中红外图像增强方法,均存在相应的技术缺陷,无法同时实现图像优化效果好、计算快捷简便的目的,而本申请通过预先标定红外广角镜头确定校正关系,校正关系能直接引用在待优化红外图像中,并使用图像细节增强处理技术,既降低了优化处理的算法复杂程度,又保证了红外图像不会丢失细节和增强噪声。
本发明实施例公开了一种广角红外图像优化方法,参见图1所示,包括:
S1:使用目标广角红外镜头采集目标靶标的第一红外图像;
可以理解的是,由于目标靶标的作用是提供可供广角红外镜头采集清晰的第一红外图像,因此目标靶标的材质与常见可见光镜头标定使用的材质并不相同,本实施例中目标靶标具体为位于加热板前的金属靶标,通常选择里呈交叉状的镂空铁质网格作为金属靶标,这种金属靶标容易提取物体边缘特征,从而提高畸变参数计算精度。
S2:对第一红外图像进行图像细节增强处理,得到第二红外图像;
具体的,这里的图像细节增强处理包括初步降噪、拉开灰度、调整图像细节等操作,目的是增强初始获得的第一红外图像中的图像细节并降低噪声干扰。
S3:对第二红外图像进行畸变参数计算,得到校正参数,并利用校正参数对第二红外图像进行逆变换,得到第三红外图像;
S4:对第三红外图像进行插值处理,得到第四红外图像;
可以理解的是,在步骤S3中得到的第三红外图像可能出现空洞现象,因此需要进一步利用插值处理进行填充,得到完整的第四红外图像。具体的,插值处理的方法可选择双三次插值,以避免最终得到的第四红外图像出现锯齿现象。
S5:确定并存储第一红外图像和第四红外图像之间的校正关系;
具体的,这里的校正关系通常以函数或关系表的形式存储,后续使用过程中通过查表就可以直接利用校正关系完成待优化红外图像的校正。
S6:使用目标广角红外镜头采集待优化红外图像;
S7:对待优化红外图像进行图像细节增强处理,并利用校正关系进行优化处理,得到优化后红外图像。
可以理解的是,此处待优化红外图像指任何目标广角红外镜头采集的图像,不论镜头焦距大小,校正关系适用于所有待优化红外图像。可以理解的是,步骤S7中图像细节增强处理和步骤S2中对第一红外图像的图像细节增强处理采用了相同的处理手段。
本发明公开了一种广角红外图像优化方法,包括:使用目标广角红外镜头采集目标靶标的第一红外图像;对第一红外图像进行图像细节增强处理,得到第二红外图像;对第二红外图像进行畸变参数计算,得到校正参数,并利用校正参数对第二红外图像进行逆变换,得到第三红外图像;对第三红外图像进行插值处理,得到第四红外图像;确定并存储第一红外图像和第四红外图像之间的校正关系;使用目标广角红外镜头采集待优化红外图像;对待优化红外图像进行图像细节增强处理,并利用校正关系进行优化处理,得到优化后红外图像。本申请首先以目标靶标对目标广角红外镜头进行标定,并将标定得到的校正关系应用于所有待优化红外图像,提高了图像的校正效率。同时,由于优化前还进行了图像细节增强处理,因此保证了校正后的红外图像不会丢失细节和增强噪声。
本发明实施例公开了一种具体的广角红外图像优化方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的,参见图2所示:
步骤S2对第一红外图像进行图像细节增强处理,得到第二红外图像的过程,具体包括:
S21:利用滚动导向滤波,将第一红外图像分离为细节层图像和基础层图像;
可以理解的是,滚动导向滤波可以将小尺度结构平滑并保持尺度边缘结构。
S22:利用Retinex理论对基础层图像的灰度级范围进行调整,并通过直方图均衡化扩宽灰度级范围,得到处理后基础层图像;
可以理解的是,红外成像属于温差成像,其场景中的背景与目标温差较小,红外图像的灰度分布区域较窄、对比度低,可使用retinex理论进行调整,调整基础层图像的灰度级范围,以便提升暗区细节,压缩亮区过曝现象;直方图均衡化则是进一步扩宽基础层图像到的灰度级范围。
S23:对细节层图像进行gamma变换,得到处理后细节层图像;
进一步的,在步骤S23进行gamma变换前,还可以先对细节层图像进行中值滤波。
S24:对处理后细节层图像和处理后基础层图像进行加权融合,得到第二红外图像。
可以理解的是,由于基础层图像和细节层图像的处理互相无关联,因此可以同时并行处理,从而缩短图像细节增强处理的处理时间。
本发明实施例公开了一种具体的广角红外图像优化方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的,参见图3所示:
步骤S3对第二红外图像进行畸变参数计算,得到校正参数的过程,具体包括:
S31:对第二红外图像进行多方向梯度计算,得到对应的边缘图像;
具体的,多方向梯度计算可采用图4(a)中梯度算子作为初始值,将其按照逆时针旋转45°、90°、135°、180°、225°、270°和315°得到其他方向的梯度算子图4(b)~图4(h)。
将每个梯度算子均与第二红外图像I进行卷积计算,得到不同方向的梯度图像,然后取不同方向梯度的最大值作为该像素点的梯度值,计算方法如下所示:
其中,i={0,45,90,135,180,225,270,315},Hi为角度i对应的梯度算子,G(x,y)为得到的最大梯度图。由于相差180°的两个梯度算子所计算出的梯度绝对值相同,实际上只需要计算梯度算子a~d四个方向的梯度值便可以得到最大灰度梯度图像。
可以理解的是,以上梯度算子a中初始值仅为示例,除了梯度算子a之外,该步骤中也可以使用其他初始值的梯度算子。
进一步的,为了减小图像平坦区域像素梯度和噪声对畸变校正的影响,可引入一个灰度梯度阈值,只有超过这个阈值的灰度梯度才会被采用。具体的,将边缘作为目标,非边缘作为背景,可将阈值的选取转为对最大梯度图G(x,y)进行分割的问题,确定阈值T为:
其中M和L分别为最大梯度图的纵坐标数目和横坐标数目。
进一步利用阈值T对最大梯度图G(x,y)进行分割得到新的图像G'(x,y):
进一步的,分割得到的新图像G'(x,y)仍然有部分无法消除的孤立噪声点产生的图像伪边缘。由图像边缘分割理论可知,如果一个像素是图像边缘,那么它的八邻域至少还有2个像素是图像边缘,据此可通过对灰度梯度图像所在边缘的邻域进行3x3滑窗搜索判断,来剔除其中的伪边缘。按照下式剔除图像G'(x,y)的伪边缘,得到最终的边缘图像G"(x,y):
其中num(x,y)表示当前像素点(x,y)在八方向领域内边缘点的个数。
S32:对边缘图像进行腐蚀膨胀操作,并去除干扰边缘线,得到待拟合图像;
具体的,对边缘图像分别进行横坐标轴和纵坐标轴的腐蚀膨胀操作,并去除边缘长度小于N1个像素点和距离图像中心的欧氏距离小于N2个像素点的边缘线,其中N1和N2根据实际情况进行取值,通常均可设置为50。
S33:对待拟合图像中的边缘线进行圆形拟合,并建立单参数除法畸变校正模型,以确定校正参数。
通常情况下,这里的圆形拟合采用最小二乘法即可,拟合得出每条及变现对应的圆心和半径,具体的:
设每条畸变线上的坐标点为(xi,yi)i∈(1,2,3,......N),根据最小二乘法原理可求出圆曲线一般方程的参数a,b,c,进而根据求解公式得出拟合圆的半径和圆心,求解公式具体如下:
进一步的,建立单参数除法畸变校正模型如下所示:
其中rd为畸变图像中的畸变点(xd,yd)到畸变中心点(x0,y0),(xu,yu)为校正后的图像坐标点,λ为畸变参数。
将所有经过圆形拟合的边缘线的参数均带入λ的求解关系式并作平均,便可得到最终的畸变参数λ,至此所有校正参数均已确定。
进一步的,已知畸变参数λ、畸变中心(x0,y0)和畸变图像坐标点(xd,yd)的情况下,直接使用单参数除法畸变校正模型进行求解校正后的图像,可能会出现空洞现象,某些坐标点无法被填充,本实施例进一步使用逆向变换结合双三次插值完成最后畸变校正过程。将上文中单参数除法畸变校正模型变形为下式:
其中ru为校正后的第三红外图像坐标点到畸变中心的欧氏距离,rd为畸变图像也即第二红外图像到畸变中心的距离,整个变换为逆向过程通过校正后的第三红外图像坐标点去查询所对应的畸变图像,这样可防止空洞现象,查到对应畸变图像坐标点后采用双三次插值方式完成校正,这样可避免锯齿现象出现。
本发明实施例公开了一种具体的广角红外图像优化方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
步骤S1中使用目标广角红外镜头采集目标靶标的第一红外图像的过程,具体包括:
使用目标广角红外镜头采集目标靶标在不同测试距离下的第一红外图像。
进一步的,步骤S5中确定并存储第一红外图像和第四红外图像之间的校正关系的过程,具体包括:
确定并存储最优距离下的第一红外图像和第四红外图像之间的校正关系;
最优距离具体为边缘图像的清晰度评价值最高的第二红外图像对应的测试距离。
其中,这里选择最优距离时涉及到的清晰度评价值,与上文实施例中边缘图像G"(x,y)有关,由于边缘像素的梯度要大于非边缘像素的梯度,所以可采用边缘图像G"(x,y)的像素平方和来增强第一红外图像I的边缘整体信息,清晰度评价值V具体计算方法为:
可以理解的是,清晰度评价值V越高,意味着边缘图像越清晰,图像处理更为准确有效。
相应的,本发明实施例还公开了一种广角红外图像优化系统,参见图5所示,包括:
获取模块1,用于使用目标广角红外镜头采集目标靶标的第一红外图像,还用于使用目标广角红外镜头采集待优化红外图像;
处理模块2,用于对第一红外图像进行图像细节增强处理,得到第二红外图像,还用于对待优化红外图像进行图像细节增强处理;
校正确定模块3,用于对第二红外图像进行畸变参数计算,得到校正参数,并利用校正参数对第二红外图像进行逆变换,得到第三红外图像;对第三红外图像进行插值处理,得到第四红外图像;确定并存储第一红外图像和第四红外图像之间的校正关系;
优化模块4,用于利用校正关系对图像细节增强处理后的待优化红外图像进行优化处理,得到优化后红外图像。
本申请实施例首先以目标靶标对目标广角红外镜头进行标定,并将标定得到的校正关系应用于所有待优化红外图像,提高了图像的校正效率。同时,由于优化前还进行了图像细节增强处理,因此保证了校正后的红外图像不会丢失细节和增强噪声。
相应的,本发明实施例还公开了一种广角红外图像优化装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上文任一实施例所述广角红外图像优化方法的步骤。
相应的,本发明实施例还公开了一种可读存储介质,所述可读存储介质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如上文任一项实施例所述广角红外图像优化方法的步骤。
其中,在广角红外图像优化装置及可读存储介质中涉及到的广角红外图像优化方法的细节,均可以参照上文实施例中的描述,此处不再赘述。
相应的,本实施例中广角红外图像优化装置和可读存储介质均具有与上文实施例中广角红外图像优化方法相同的有益效果。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种广角红外图像优化方法、系统及相关组件进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种广角红外图像优化方法,其特征在于,包括:
使用目标广角红外镜头采集目标靶标的第一红外图像;
对所述第一红外图像进行图像细节增强处理,得到第二红外图像;
对所述第二红外图像进行畸变参数计算,得到校正参数,并利用所述校正参数对所述第二红外图像进行逆变换,得到第三红外图像;
对所述第三红外图像进行插值处理,得到第四红外图像;
确定并存储所述第一红外图像和所述第四红外图像之间的校正关系;
使用所述目标广角红外镜头采集待优化红外图像;
对所述待优化红外图像进行图像细节增强处理,并利用所述校正关系进行优化处理,得到优化后红外图像。
2.根据权利要求1所述广角红外图像优化方法,其特征在于,所述对所述第一红外图像进行图像细节增强处理,得到第二红外图像的过程,具体包括:
利用滚动导向滤波,将所述第一红外图像分离为细节层图像和基础层图像;
利用Retinex理论对所述基础层图像的灰度级范围进行调整,并通过直方图均衡化扩宽所述灰度级范围,得到处理后基础层图像;
对所述细节层图像进行gamma变换,得到处理后细节层图像;
对所述处理后细节层图像和所述处理后基础层图像进行加权融合,得到第二红外图像。
3.根据权利要求2所述广角红外图像优化方法,其特征在于,所述对所述第二红外图像进行畸变参数计算,得到校正参数的过程,具体包括:
对所述第二红外图像进行多方向梯度计算,得到对应的边缘图像;
对所述边缘图像进行腐蚀膨胀操作,并去除干扰边缘线,得到待拟合图像;
对所述待拟合图像中的边缘线进行圆形拟合,并建立单参数除法畸变校正模型,以确定校正参数。
4.根据权利要求1-3任一项所述广角红外图像优化方法,其特征在于,所述目标靶标具体为位于加热板前的金属靶标。
5.根据权利要求4所述广角红外图像优化方法,其特征在于,
所述校正关系以函数或关系表的形式存储。
6.根据权利要求5所述广角红外图像优化方法,其特征在于,所述使用目标广角红外镜头采集目标靶标的第一红外图像的过程,具体包括:
使用目标广角红外镜头采集目标靶标在不同测试距离下的第一红外图像。
7.根据权利要求6所述广角红外图像优化方法,其特征在于,所述确定并存储所述第一红外图像和所述第四红外图像之间的校正关系的过程,具体包括:
确定并存储最优距离下的所述第一红外图像和所述第四红外图像之间的校正关系;
所述最优距离具体为边缘图像的清晰度评价值最高的第二红外图像对应的测试距离。
8.一种广角红外图像优化系统,其特征在于,包括:
获取模块,用于使用目标广角红外镜头采集目标靶标的第一红外图像,还用于使用所述目标广角红外镜头采集待优化红外图像;
处理模块,用于对所述第一红外图像进行图像细节增强处理,得到第二红外图像,还用于对所述待优化红外图像进行图像细节增强处理;
校正确定模块,用于对所述第二红外图像进行畸变参数计算,得到校正参数,并利用所述校正参数对所述第二红外图像进行逆变换,得到第三红外图像;对所述第三红外图像进行插值处理,得到第四红外图像;确定并存储所述第一红外图像和所述第四红外图像之间的校正关系;
优化模块,用于利用所述校正关系对图像细节增强处理后的所述待优化红外图像进行优化处理,得到优化后红外图像。
9.一种广角红外图像优化装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述广角红外图像优化方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质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如权利要求1至7任一项所述广角红外图像优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010436252.4A CN111612720B (zh) | 2020-05-21 | 2020-05-21 | 一种广角红外图像优化方法、系统及相关组件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010436252.4A CN111612720B (zh) | 2020-05-21 | 2020-05-21 | 一种广角红外图像优化方法、系统及相关组件 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612720A true CN111612720A (zh) | 2020-09-01 |
CN111612720B CN111612720B (zh) | 2023-11-07 |
Family
ID=72199857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010436252.4A Active CN111612720B (zh) | 2020-05-21 | 2020-05-21 | 一种广角红外图像优化方法、系统及相关组件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612720B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808053A (zh) * | 2021-09-29 | 2021-12-17 | 华北电力大学(保定) | 一种红外成像仪及其信号校正方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6674444B1 (en) * | 1998-09-18 | 2004-01-06 | Mitsubishi Plastics Inc. | Image processing device and method, and recording medium |
CN101882305A (zh) * | 2010-06-30 | 2010-11-10 | 中山大学 | 一种图像增强处理的方法 |
CN102564508A (zh) * | 2011-12-14 | 2012-07-11 | 河海大学 | 基于视频图像的河流流量在线测验实现方法 |
CN102750697A (zh) * | 2012-06-08 | 2012-10-24 | 华为技术有限公司 | 一种参数标定方法及装置 |
CN104657940A (zh) * | 2013-11-22 | 2015-05-27 | 中兴通讯股份有限公司 | 畸变图像校正复原与分析报警的方法和装置 |
CN109035170A (zh) * | 2018-07-26 | 2018-12-18 | 电子科技大学 | 基于单网格图分段映射的自适应广角图像校正方法及装置 |
CN109269430A (zh) * | 2018-08-12 | 2019-01-25 | 浙江农林大学 | 基于深度提取模型的多株立木胸径被动测量方法 |
CN109377449A (zh) * | 2018-08-01 | 2019-02-22 | 安徽森力汽车电子有限公司 | 一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法 |
CN110490914A (zh) * | 2019-07-29 | 2019-11-22 | 广东工业大学 | 一种基于亮度自适应和显著性检测的图像融合方法 |
CN111095923A (zh) * | 2017-09-08 | 2020-05-01 | 索尼互动娱乐股份有限公司 | 校准装置、校准系统和校准方法 |
-
2020
- 2020-05-21 CN CN202010436252.4A patent/CN111612720B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6674444B1 (en) * | 1998-09-18 | 2004-01-06 | Mitsubishi Plastics Inc. | Image processing device and method, and recording medium |
CN101882305A (zh) * | 2010-06-30 | 2010-11-10 | 中山大学 | 一种图像增强处理的方法 |
CN102564508A (zh) * | 2011-12-14 | 2012-07-11 | 河海大学 | 基于视频图像的河流流量在线测验实现方法 |
CN102750697A (zh) * | 2012-06-08 | 2012-10-24 | 华为技术有限公司 | 一种参数标定方法及装置 |
CN104657940A (zh) * | 2013-11-22 | 2015-05-27 | 中兴通讯股份有限公司 | 畸变图像校正复原与分析报警的方法和装置 |
CN111095923A (zh) * | 2017-09-08 | 2020-05-01 | 索尼互动娱乐股份有限公司 | 校准装置、校准系统和校准方法 |
CN109035170A (zh) * | 2018-07-26 | 2018-12-18 | 电子科技大学 | 基于单网格图分段映射的自适应广角图像校正方法及装置 |
CN109377449A (zh) * | 2018-08-01 | 2019-02-22 | 安徽森力汽车电子有限公司 | 一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法 |
CN109269430A (zh) * | 2018-08-12 | 2019-01-25 | 浙江农林大学 | 基于深度提取模型的多株立木胸径被动测量方法 |
CN110490914A (zh) * | 2019-07-29 | 2019-11-22 | 广东工业大学 | 一种基于亮度自适应和显著性检测的图像融合方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808053A (zh) * | 2021-09-29 | 2021-12-17 | 华北电力大学(保定) | 一种红外成像仪及其信号校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111612720B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110211056B (zh) | 基于局部中值直方图的自适应红外图像去条纹算法 | |
CN104182949B (zh) | 基于直方图特征点配准的影像匀色与融合方法及系统 | |
CN105721853A (zh) | 用于深度图生成的数码相机的配置设置 | |
CN105184743B (zh) | 一种基于非线性导向滤波的图像增强方法 | |
CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
CN113222866B (zh) | 灰度图像增强方法、计算机可读介质及计算机系统 | |
CN110147816B (zh) | 一种彩色深度图像的获取方法、设备、计算机存储介质 | |
CN111598886B (zh) | 一种基于单幅图像的像素级透过率估计方法 | |
CN107911599B (zh) | 一种红外图像全局自动对焦方法及装置 | |
CN112200848A (zh) | 低光照弱对比复杂环境下的深度相机视觉增强方法及系统 | |
CN111612720B (zh) | 一种广角红外图像优化方法、系统及相关组件 | |
CN115883755A (zh) | 一种多类型场景下多曝光图像融合方法 | |
Wen et al. | Autonomous robot navigation using Retinex algorithm for multiscale image adaptability in low-light environment | |
CN113432723B (zh) | 用于弱化杂散辐射的图像处理方法、系统及计算机系统 | |
WO2020107308A1 (zh) | 一种基于Retinex的微光图像快速增强方法及其装置 | |
CN104766287A (zh) | 一种基于显著性检测的模糊图像盲复原方法 | |
Darmon et al. | Robust gaussian splatting | |
Xie et al. | Image defogging method combining light field depth estimation and dark channel | |
CN110852971A (zh) | 基于暗原色先验和Retinex的视频去雾方法及计算机程序产品 | |
CN113781368B (zh) | 基于局部信息熵的红外成像装置 | |
CN113012079B (zh) | 低亮度车底图像增强方法、装置及存储介质 | |
Huang et al. | An end-to-end dehazing network with transitional convolution layer | |
Graham et al. | Blind restoration of space-variant Gaussian-like blurred images using regional PSFs | |
Junjie et al. | An image defocus deblurring method based on gradient difference of boundary neighborhood | |
Xu et al. | A dehazing algorithm based on local adaptive template for transmission estimation and refinement |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200901 Assignee: INFIRAY TECHNOLOGIES CO.,LTD. Assignor: Yantai Airui Photo-Electric Technology Co.,Ltd. Contract record no.: X2024980006380 Denomination of invention: A method, system, and related components for optimizing wide-angle infrared images Granted publication date: 20231107 License type: Common License Record date: 20240530 |