CN111652809A - 一种增强细节的红外图像噪声抑制方法 - Google Patents
一种增强细节的红外图像噪声抑制方法 Download PDFInfo
- Publication number
- CN111652809A CN111652809A CN201910689911.2A CN201910689911A CN111652809A CN 111652809 A CN111652809 A CN 111652809A CN 201910689911 A CN201910689911 A CN 201910689911A CN 111652809 A CN111652809 A CN 111652809A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- infrared
- infrared image
- details
- 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 30
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 9
- 230000001629 suppression Effects 0.000 title abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 239000006002 Pepper Substances 0.000 claims description 17
- 235000002566 Capsicum Nutrition 0.000 claims description 16
- 241000722363 Piper Species 0.000 claims description 16
- 235000016761 Piper aduncum Nutrition 0.000 claims description 16
- 235000017804 Piper guineense Nutrition 0.000 claims description 16
- 235000008184 Piper nigrum Nutrition 0.000 claims description 16
- 150000003839 salts Chemical class 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 7
- 239000002131 composite material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003631 expected effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20048—Transform domain processing
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种增强细节的红外图像噪声抑制方法，通过使用噪声分类对不同区域内的图像使用不同的降噪方法，有效的消除了所选区域内的主要噪声，并通过Sobel算子有效的保留了红外图像的细节信息以及图像的边缘信息通过拉普拉斯金字塔融合算法将两幅图像融合，获得相比传统方法具有大量图像细节和更低噪声的图像。本发明的思路简单，复杂度较低，计算量适中，且效果良好。
Description
技术领域
本发明属于红外图像处理技术领域，根据红外图像受噪声影响较大、图像对比度较低及图形模糊等特点，提出一种增强细节的红外图像噪声抑制方法。
背景技术
红外探测技术随着技术的不断发展与进步，越来越多的被用于测绘、医疗和军事等领域，但红外探测器中呈现的红外图像因其缺乏立体感、图像的对比度和分辨度低、图像成像效果低以及红外图像几乎没有纹理信息的特点，受这些问题的影响，使得红外图像相较于可见光图像会损失大量的图像信息和轮廓信息，使得人或机器不能得到相应的图像细节信息或得到错误的图像信息，从而加大了人或机器对真实图像识别的难度，这可能会导致错误的判断从而引发严重的后果。因此红外图像的图像质量一直是关注的焦点。
红外图像噪声主要由高斯噪声和椒盐噪声相互叠加组成。在红外图像传统的降噪方式有均值滤波算法，中值滤波算法和基于神经网络的红外图像降噪算法。均值滤波算法可以有效的去除红外图像中的高斯噪声，但会损失图像的细节信息；中值滤波算法可以有效的降低红外图像的椒盐噪声，但会降低图像的分辨率，使图像变得模糊；基于神经网络的红外图像的降噪算法可以有效的降低复合噪声的影响，但其算法的复杂度高，计算量庞大，且其鲁棒性不高。
传统的滤波方式不能有效的消除多种噪声对图像质量的影响，因此对红外图像复合噪声的降噪方式不论是改进传统的降噪算法还是提出新的降噪方法均成为广泛关注的焦点。目前所使用的降噪算法的不足主要有：(1)不能有效的消除多种噪声形成的复合噪声，使得图像的降噪效果达不到预期效果；(2)降噪效果虽然达成了预期效果但是在降噪的同时消除了图像的部分细节信息,使得图像的细节信息丢失；(3)降噪效果达到预期效果的同时降低了图像的分辨率，使得图像清晰度降低；(4)降噪算法复杂度高，计算量大，不利于后期的算法硬件实现。因此需要一种新的增强图像细节的红外噪声抑制方法对红外图像进行处理。
发明内容
本发明的目的在于针对上述背景技术中对红外图像处理效果的不足，而提出的一种增强细节的红外图像噪声的抑制方法。
为实现本发明的目的，本发明提供了一种增强细节的红外图像噪声抑制方法，所述方法包括以下步骤：
1)获取原始红外图像P0；
2)对原始图像中的边缘信息进行提取和强化处理，得到具有边缘信息的图像P1；
3)对图像噪声进行分类，设定阈值T、Th和Tl；
4)以5×5大小的区域内像素进行计算，当处理后5×5区域内的中心点的值超过阈值Th或低于阈值Tl，则认定为椒盐噪声，当该区域内被认定的总椒盐噪声点数超过所设定阈值T，对原始图像P0中该区域进行单独滤波处理得到处理后的图像P2；
5)其余区域认定为高斯噪声，对图像P1进行滤波处理得到处理后的图像P3；
6)通过图像融合算法将图像P1与图像P3进行融合得到降噪处理完成后的图像P4。
其中，通过使用Sobel算子对原始图像的水平方向x和垂直方向y分别进行处理，A为原始图像，横向和纵向边缘检测的图像灰度值分别为Gx和Gy，其公式为：
将得到的两个方向的图像进行平面卷积，得到新的图像灰度值：
通过使用近似值简化计算过程，以此提高计算效率，获得图像每个像素点新的灰度值，即获得新的图像P1。
根据椒盐噪声是过黑或过亮的像素点的特性，设定相应的阈值T、Th和Tl,当像素点的灰度值大于Th或小于Tl，则认为该像素点为椒盐噪声所影响的像素点，结合所设定的5×5大小的区域内获取被判断为椒盐噪声的像素点的个数n，若T＞n，则认为该区域内起主要作用的噪声为高斯噪声，否则认为该区域内起主要作用的噪声为椒盐噪声，对不同噪声区域采用不同的噪声处理方法得到经过滤波降噪后的图像P2。
其中，将经过Sobel算子增强细节信息的图像P1与通过综合降噪滤波后的图像P2通过使用拉普拉斯金字塔变换将图像融合，产生最终的融合图像P4。
与现有技术相比，本发明的有益效果为，本发明提出一种增强细节的红外图像噪声抑制方法，通过使用噪声分类对不同区域内的图像使用不同的降噪方法，有效的消除了所选区域内的主要噪声，并通过Sobel算子有效的保留了红外图像的细节信息以及图像的边缘信息，通过拉普拉斯金字塔融合算法将两幅图像融合，获得相比传统方法具有大量图像细节和更低噪声的图像。本发明的思路简单，复杂度较低，计算量适中，且效果良好。
附图说明
图1所示为本申请的方法流程图；
图2所示为本申请Sobel卷积因子Gx；
图3所示为本申请Sobel卷积因子Gy；
图4所示为本申请5×5区域像素模板图；
图5所示为本申请3×3滤波模板模板图；
图6所示为本申请拉普拉斯金字塔融合框图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用属于“包含”和/或“包括”时，其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明提供了一种应用于针对红外图像的增强图像细节的红外噪声抑制算法，保留红外图像的细节及图像中目标边缘的同时，有效的降低红外图像中的高斯噪声和椒盐噪声等噪声的影响。
实施例
图1为算法的基本流程。
一种增强细节的红外图像噪声抑制方法，所述方法包括以下步骤：
1)获取原始红外图像P0；
2)对原始图像中的边缘信息进行提取和强化处理，得到具有边缘信息的图像P1；
3)对图像噪声进行分类，设定阈值T、Th和Tl；
4)以5×5大小的区域内像素进行计算，当处理后5×5区域内的中心点的值超过阈值Th或低于阈值Tl，则认定为椒盐噪声，当该区域内被认定的总椒盐噪声点数超过所设定阈值T，对原始图像P0中该区域进行单独滤波处理得到处理后的图像P2；
5)其余区域认定为高斯噪声，对图像P1进行滤波处理得到处理后的图像P3；
6)通过图像融合算法将图像P1与图像P3进行融合得到降噪处理完成后的图像P4。
通过使用图2和图3中的Sobel算子对原始图像的水平方向x和垂直方向y分别进行处理，将得到的两个方向的图像进行平面卷积，得到新的图像灰度值，即获得新的图像P1。
根据椒盐噪声是过黑或过亮的像素点的特性，设定相应的阈值T、Th和Tl,当像素点的灰度值大于Th或小于Tl，则认为该像素点为椒盐噪声所影响的像素点，结合图4所设定的5×5大小的区域检测模板获取被判断为椒盐噪声的像素点的个数n，若T＞n，则认为该区域内起主要作用的噪声为高斯噪声，否则认为该区域内起主要作用的噪声为椒盐噪声，对不同噪声区域均采用如图5所示的3×3大小的滤波模板结合不同的噪声处理方法得到经过滤波降噪后的图像P2。
经过Sobel算子增强细节信息得到图像P1，通过综合降噪滤波后得到图像P2，通过使用如图6所示的拉普拉斯金字塔变换流程图将两幅图像融合进行融合，本发明中所采用的拉普拉斯金字塔层数为三层，高层的拉普拉斯图像均来自于前一层图像的降采样，最终产生经过融合图像P4。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种增强细节的红外图像噪声抑制方法，其特征是：所述方法包括以下步骤：
1)获取原始红外图像P0；
2)对原始图像中的边缘信息进行提取和强化处理，得到具有边缘信息的图像P1；
3)对图像噪声进行分类，设定阈值T、Th和Tl；
4)以5×5大小的区域内像素进行计算，当处理后5×5区域内的中心点的值超过阈值Th或低于阈值Tl，则认定为椒盐噪声，当该区域内被认定的总椒盐噪声点数超过所设定阈值T，对原始图像P0中该区域进行单独滤波处理得到处理后的图像P2；
5)其余区域认定为高斯噪声，对图像P1进行滤波处理得到处理后的图像P3；
6)通过图像融合算法将图像P1与图像P3进行融合得到降噪处理完成后的图像P4。
2.根据权利要求1所述的一种增强细节的红外图像噪声抑制方法，其特征是：步骤2)中，通过使用Sobel算子对原始图像的水平方向x和垂直方向y分别进行处理，A为原始图像，横向和纵向边缘检测的图像灰度值分别为Gx和Gy，其公式为：
将得到的两个方向的图像进行平面卷积，得到新的图像灰度值：
3.根据权利要求2所述的一种增强细节的红外图像噪声抑制方法，其特征是：在步骤2)中，通过使用近似值简化计算过程，以此提高计算效率，获得图像每个像素点新的灰度值。
4.根据权利要求1所述的一种增强细节的红外图像噪声抑制方法，其特征是：步骤6)中，将经过Sobel算子增强细节信息的图像P1与通过综合降噪滤波后的图像P2通过使用拉普拉斯金字塔变换将图像融合，产生最终的融合图像P4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910689911.2A CN111652809A (zh) | 2019-07-29 | 2019-07-29 | 一种增强细节的红外图像噪声抑制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910689911.2A CN111652809A (zh) | 2019-07-29 | 2019-07-29 | 一种增强细节的红外图像噪声抑制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111652809A true CN111652809A (zh) | 2020-09-11 |
Family
ID=72344484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910689911.2A Pending CN111652809A (zh) | 2019-07-29 | 2019-07-29 | 一种增强细节的红外图像噪声抑制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652809A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114638849A (zh) * | 2022-05-19 | 2022-06-17 | 山东亚历山大智能科技有限公司 | Dm二维码识别方法、agv定位方法、系统及agv |
| WO2023138273A1 (zh) * | 2022-01-18 | 2023-07-27 | 武汉联影医疗科技有限公司 | 图像增强方法和系统 |
| CN117876252A (zh) * | 2024-03-11 | 2024-04-12 | 上海玄戒技术有限公司 | 一种图像降噪方法、装置、设备、存储介质及芯片 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105321172A (zh) * | 2015-08-31 | 2016-02-10 | 哈尔滨工业大学 | 一种sar、红外、可见光图像融合方法 |
| CN108154494A (zh) * | 2017-12-25 | 2018-06-12 | 北京航空航天大学 | 一种基于微光和红外传感器的图像融合系统 |
| CN109543522A (zh) * | 2018-10-18 | 2019-03-29 | 天津大学 | 基于高斯核函数svm的硬件木马噪声预处理方法 |
-
2019
- 2019-07-29 CN CN201910689911.2A patent/CN111652809A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105321172A (zh) * | 2015-08-31 | 2016-02-10 | 哈尔滨工业大学 | 一种sar、红外、可见光图像融合方法 |
| CN108154494A (zh) * | 2017-12-25 | 2018-06-12 | 北京航空航天大学 | 一种基于微光和红外传感器的图像融合系统 |
| CN109543522A (zh) * | 2018-10-18 | 2019-03-29 | 天津大学 | 基于高斯核函数svm的硬件木马噪声预处理方法 |
Non-Patent Citations (2)
| Title |
|---|
| 姚敏 等: "一种基于图像融合的红外图像预处理算法" * |
| 王菲: "一种改进的红外图像配准拼接算法研究" * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023138273A1 (zh) * | 2022-01-18 | 2023-07-27 | 武汉联影医疗科技有限公司 | 图像增强方法和系统 |
| CN114638849A (zh) * | 2022-05-19 | 2022-06-17 | 山东亚历山大智能科技有限公司 | Dm二维码识别方法、agv定位方法、系统及agv |
| CN117876252A (zh) * | 2024-03-11 | 2024-04-12 | 上海玄戒技术有限公司 | 一种图像降噪方法、装置、设备、存储介质及芯片 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108399632B (zh) | 一种联合彩色图像的rgb-d相机深度图像修复方法 | |
| WO2019144581A1 (zh) | 一种智能化红外图像场景增强方法 | |
| Garcia et al. | Pixel weighted average strategy for depth sensor data fusion | |
| CN108389175B (zh) | 融合变差函数和颜色衰减先验的图像去雾方法 | |
| CN109636766B (zh) | 基于边缘信息增强的偏振差分与光强图像多尺度融合方法 | |
| CN112184604B (zh) | 一种基于图像融合的彩色图像增强方法 | |
| CN111652809A (zh) | 一种增强细节的红外图像噪声抑制方法 | |
| CN110889812B (zh) | 一种多尺度融合图像特征信息的水下图像增强方法 | |
| Zhao et al. | Single image fog removal based on local extrema | |
| CN109377450B (zh) | 一种边缘保护的去噪方法 | |
| US8965141B2 (en) | Image filtering based on structural information | |
| CN106023204A (zh) | 一种基于边缘检测算法去除蚊式噪声的方法及系统 | |
| CN111161167B (zh) | 基于中通道补偿和自适应大气光估计的单幅图像去雾方法 | |
| CN105719254B (zh) | 一种图像降噪方法及系统 | |
| CN108694708A (zh) | 基于图像边缘提取的小波变换图像融合方法 | |
| CN105427255A (zh) | 一种基于grhp的无人机红外图像细节增强方法 | |
| KR20140109801A (ko) | 3d이미지 품질을 향상시키는 방법과 장치 | |
| Bao et al. | An edge-preserving filtering framework for visibility restoration | |
| CN117422631A (zh) | 基于自适应滤波分层的红外图像增强方法 | |
| CN108765477A (zh) | 一种基于最优化的Kinect深度图修复方法 | |
| Xu et al. | Improved Canny Edge Detection Operator | |
| Gao et al. | Image denoising based on edge detection and prethresholding Wiener filtering of multi-wavelets fusion | |
| CN111652808A (zh) | 一种红外图像细节增强及噪声抑制方法 | |
| GUAN et al. | A dual-tree complex wavelet transform-based model for low-illumination image enhancement | |
| Elhefnawy et al. | Effective visibility restoration and enhancement of air polluted images with high information fidelity |
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 |