CN111709898B - 基于优化clahe的红外图像增强方法与系统 - Google Patents

基于优化clahe的红外图像增强方法与系统 Download PDF

Info

Publication number
CN111709898B
CN111709898B CN202010569595.8A CN202010569595A CN111709898B CN 111709898 B CN111709898 B CN 111709898B CN 202010569595 A CN202010569595 A CN 202010569595A CN 111709898 B CN111709898 B CN 111709898B
Authority
CN
China
Prior art keywords
infrared image
dynamic range
histogram
gray
gray level
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.)
Active
Application number
CN202010569595.8A
Other languages
English (en)
Other versions
CN111709898A (zh
Inventor
吴杰
李中文
张宝辉
蔡璐
陈莹妍
蒋志芳
吉莉
吴旭东
姚文婷
于世孔
陈坦坦
葛志浩
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.)
Kunming Institute of Physics
Original Assignee
Kunming Institute of Physics
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 Kunming Institute of Physics filed Critical Kunming Institute of Physics
Priority to CN202010569595.8A priority Critical patent/CN111709898B/zh
Publication of CN111709898A publication Critical patent/CN111709898A/zh
Application granted granted Critical
Publication of CN111709898B publication Critical patent/CN111709898B/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
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • 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
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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)
  • Studio Devices (AREA)

Abstract

本发明涉及红外图像增强技术领域，提供一种基于优化CLAHE的红外图像增强方法与系统，包括：接收红外探测器输入的高动态范围(HDR)的红外图像，并进行预处理；图像压缩过程，将高动态范围的红外图像压缩至低动态范围；采用优化后的CLAHE算法，对所述低动态范围的红外图像进行处理，输出增强后的低动态范围红外图像。本发明的基于优化CLAHE的红外图像增强方法与系统，可解决现有红外图像增强算法的局部噪声放大问题。

Description

基于优化CLAHE的红外图像增强方法与系统
技术领域
本发明涉及红外图像处理技术领域，具体而言涉及一种基于优化CLAHE的红外图像增强方法与系统。
背景技术
红外热成像技术有效地拓宽了人类的视力范围，在军事和民用领域都有广泛的应用。
图像增强技术是最常见的红外图像处理技术之一，且具有较强的适应性，选择适当的图像增强算法就能应用于不同场景下的红外成像。
发明内容
本发明第一方面提供一种基于优化CLAHE的红外图像增强方法与系统，旨在解决现有红外图像增强算法的局部噪声放大问题。
为实现上述目的，本发明的第一方面提出一种基于优化CLAHE的红外图像增强方法，包括：
步骤S1：接收红外探测器输入的高动态范围(HDR)的红外图像，并进行预处理；
步骤S2：图像压缩过程，将高动态范围的红外图像压缩至低动态范围；
步骤S3：采用优化后的CLAHE算法，对所述低动态范围的红外图像进行处理，输出增强后的低动态范围红外图像。
优选地，所述步骤S1中的预处理包括非均匀性校正、盲元替换、图像降噪中的至少一种。
优选地，所述步骤S2中采用单平台直方图均衡化方法对红外图像进行压缩处理，压缩处理过程包括以下步骤：
(1)统计红外图像的灰度直方图；
(2)裁减掉灰度直方图中超出预设阈值的部分；
(3)统计灰度累积直方图分布，并映射到目标灰度空间；
(4)根据映射函数将高动态范围的红外图像映射到低动态范围并输出。
优选地，所述步骤S3中采用优化后的CLAHE算法对所述低动态范围的红外图像进行处理的过程包括：
(1)将低动态范围的红外图像分成多个大小为N*N的区域；
(2)统计每块区域的灰度直方图，根据初始裁剪阈值对每块区域的直方图进行首次裁剪；
(3)统计每块区域裁剪掉的像素个数，并根据每块区域裁剪掉的像素个数为各区域设置新的裁剪阈值；
(4)根据各区域新的裁剪阈值再次裁剪其灰度直方图，并将裁剪掉的部分均匀分配到整个区间；
(5)根据第二次裁剪后的灰度直方图获得相应的灰度直方图累积分布函数，并将其映射到指定的灰度空间；
(6)根据像素位置和每个区域的灰度映射函数进行图像的双线性插值运算，得到增强后的红外图像。
根据本发明的第二方面还提出一种基于优化CLAHE的红外图像增强系统，包括：
用于接收红外探测器输入的高动态范围(HDR)的红外图像，并进行预处理的第一模块；
用于将高动态范围的红外图像压缩至低动态范围的第二模块；
用于采用优化后的CLAHE算法，对所述低动态范围的红外图像进行处理，输出增强后的低动态范围红外图像的第三模块；
其中，所述第二模块被设置成采用单平台直方图均衡化方法对红外图像进行压缩处理；
所述第三模块被设置成采用二次裁减的方式获得灰度直方图以获得相应的灰度直方图累积分布函数，再将其映射到指定的灰度空间，并根据像素位置和每个区域的灰度映射函数进行图像的双线性插值运算，得到增强后的红外图像。
根据本发明的第三方面还提出一种基于优化CLAHE的红外图像增强系统，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收红外探测器输入的高动态范围(HDR)的红外图像，并进行预处理；
图像压缩过程，将高动态范围的红外图像压缩至低动态范围；
采用优化后的CLAHE算法，对所述低动态范围的红外图像进行处理，输出增强后的低动态范围红外图像；
其中，在图像压缩过程中，基于单平台直方图均衡化方法对红外图像进行压缩处理；并且
对低动态范围的红外图像采用二次裁减的方式获得灰度直方图以获得相应的灰度直方图累积分布函数，再将其映射到指定的灰度空间，并根据像素位置和每个区域的灰度映射函数进行图像的双线性插值运算，得到增强后的红外图像。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是本发明示例性实施例的基于优化CLAHE的红外图像增强的流程图；
图2是本实施例中的平台直方图均衡化处理流程图；
图3是本实施例中优化CLAHE的图像增强方法的处理流程图；
图4是经过细节增强的原始图像一；
图5是对原始图像一进行CLAHE处理后的图像；
图6是对原始图像一进行优化后的CLAHE处理后的图像；
图7是未经过细节增强的原始图像二；
图8是对原始图像二进行CLAHE处理后的图像；
图9是对原始图像一进行优化后的CLAHE处理后的图像。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
结合图1-图9所示，本发明的示例性实施例的基于优化CLAHE的红外图像增强方法，包括：步骤S1：接收红外探测器输入的高动态范围(HDR)的红外图像，并进行预处理；步骤S2：图像压缩过程，将高动态范围的红外图像压缩至低动态范围；步骤S3：采用优化后的CLAHE算法，对所述低动态范围的红外图像进行处理，输出增强后的低动态范围红外图像。
优选地，所述步骤S2中采用单平台直方图均衡化方法对红外图像进行压缩处理，压缩处理过程包括以下步骤：
(1)统计红外图像的灰度直方图；
(2)裁减掉灰度直方图中超出预设阈值的部分；
(3)统计灰度累积直方图分布，并映射到目标灰度空间；
(4)根据映射函数将高动态范围的红外图像映射到低动态范围并输出。
优选地，所述步骤S3中采用优化后的CLAHE算法对所述低动态范围的红外图像进行处理的过程包括：
(1)将低动态范围的红外图像分成多个大小为N*N的区域；
(2)统计每块区域的灰度直方图，根据初始裁剪阈值对每块区域的直方图进行首次裁剪；
(3)统计每块区域裁剪掉的像素个数，并根据每块区域裁剪掉的像素个数为各区域设置新的裁剪阈值；
(4)根据各区域新的裁剪阈值再次裁剪其灰度直方图，并将裁剪掉的部分均匀分配到整个区间；
(5)根据第二次裁剪后的灰度直方图获得相应的灰度直方图累积分布函数，并将其映射到指定的灰度空间；
(6)根据像素位置和每个区域的灰度映射函数进行图像的双线性插值运算，得到增强后的红外图像。
根据本发明的第二方面还提出一种基于优化CLAHE的红外图像增强系统，包括：
用于接收红外探测器输入的高动态范围(HDR)的红外图像，并进行预处理的第一模块；
用于将高动态范围的红外图像压缩至低动态范围的第二模块；
用于采用优化后的CLAHE算法，对所述低动态范围的红外图像进行处理，输出增强后的低动态范围红外图像的第三模块；
其中，所述第二模块被设置成采用单平台直方图均衡化方法对红外图像进行压缩处理；
所述第三模块被设置成采用二次裁减的方式获得灰度直方图以获得相应的灰度直方图累积分布函数，再将其映射到指定的灰度空间，并根据像素位置和每个区域的灰度映射函数进行图像的双线性插值运算，得到增强后的红外图像。
根据本发明的第三方面还提出一种基于优化CLAHE的红外图像增强系统，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收红外探测器输入的高动态范围(HDR)的红外图像，并进行预处理；
图像压缩过程，将高动态范围的红外图像压缩至低动态范围；
采用优化后的CLAHE算法，对所述低动态范围的红外图像进行处理，输出增强后的低动态范围红外图像；
其中，在图像压缩过程中，基于单平台直方图均衡化方法对红外图像进行压缩处理；并且
对低动态范围的红外图像采用二次裁减的方式获得灰度直方图以获得相应的灰度直方图累积分布函数，再将其映射到指定的灰度空间，并根据像素位置和每个区域的灰度映射函数进行图像的双线性插值运算，得到增强后的红外图像。
下面结合图1-3所示的流程，对前述实施过程进行更加具体的阐述。
步骤S1：为保证后期成像质量，本实施例中从探测器获取的高动态范围的红外图像，再经过多点校正及盲元替换后的图像。
在另外的实施例，还可以采用其他的预处理，例如非均匀性校正、盲元替换、细节增强、图像降噪等。
步骤S2：对所述高动态范围图像进行压缩，具体地，在本实施例中，采用单平台直方图均衡化方法对图像进行压缩处理，处理流程图如图2所示，具体包括以下步骤：
步骤S201：统计所述高动态范围图像的灰度直方图H；
Figure BDA0002549048690000051
Figure BDA0002549048690000052
式中，I为输入的高动态范围的红外图像，Hk为统计得到的灰度直方图，k为整数，M为初始灰度级数，本实施例中，M＝14。
步骤S202：根据平台的预设阈值ClipLimit，裁剪掉直方图中超出平台预设阈值的部分；
Figure BDA0002549048690000053
式中，H'k为裁剪后的直方图。
步骤S203：对裁剪后的灰度直方图进行处理，统计其灰度累积直方图分布cdfk，并映射到目标灰度空间；
Figure BDA0002549048690000054
Figure BDA0002549048690000055
式中，Gk为灰度映射函数，cdfmax为累积直方图分布的最大值，L为灰度级数，本实施例中，L＝8。
步骤S204：根据灰度映射函数将高动态范围图像映射到低动态范围并输出；
O(i,j)＝GI(i,j)+1
式中，O(i,j)为输出的低动态范围图像。
步骤S3：对低动态范围的红外图像进行优化后的CLAHE处理，处理流程图如图3所示，具体包括以下步骤：
步骤S301：将图像分成若干个大小相同的区域
本实施例中，将大小为640×512的图像分为5×4共20个区域。
优选地，每块区域大小均为64×64。
步骤S302：统计每块区域的灰度直方图，设置初始裁剪阈值Clip，对每块区域的直方图进行裁剪：
Figure BDA0002549048690000061
Figure BDA0002549048690000062
Figure BDA0002549048690000063
式中，O为输入的低动态范围图像，k为整数，L为灰度级数，本实施例中，L＝8；
其中初始裁剪阈值Clip可根据分块进行合理确定，分块越多，初始裁剪阈值Clip选取越小。
步骤S303：统计每块区域裁剪掉的像素个数，为各区块设置新的裁剪阈值newClip：
Num＝∑Tk-∑T'k
Figure BDA0002549048690000064
Figure BDA0002549048690000065
式中，Num表示各区域裁剪掉的像素个数，Nummin、Nummax表示所有区域裁剪掉的像素个数中的最小值和最大值，newClip表示该区域上新的裁剪阈值，γ表示新的裁剪阈值线性变化的趋势。
当分块区域内的场景较平滑时，统计直方图中的灰度较集中，当设置统一的裁剪阈值时，平滑区域的直方图会被裁剪掉更多的像素数，此时，适当降低平滑区域的裁剪阈值，并将像素个数均匀分配到灰度空间上后，有效压缩了分块区域内的噪声空间，达到降噪的目的。
步骤S304：根据各区域新的裁剪阈值重新裁剪其灰度直方图，将裁剪掉的部分均匀分配到整个区间：
Figure BDA0002549048690000071
Figure BDA0002549048690000072
Num'＝∑Tk-∑T”k
式中，T”'k表示各区域裁剪并重分配后的灰度直方图，Num'表示重新设置裁剪阈值后，各区域裁剪掉的像素个数。
步骤S305：根据裁剪后的灰度直方图获得相应的直方图累积分布函数cdf'k，并映射到指定的灰度空间
Figure BDA0002549048690000073
Figure BDA0002549048690000074
式中，Pk为灰度映射函数，cdf'max为累积直方图分布的最大值，L为灰度级数，本实施例中，L＝8。
步骤S306：根据像素位置和每个区域的映射函数，对图像进行双线性插值运算，获取增强后的低动态范围红外图像。
结合图4-9所示的示例，图4、7分别是制冷红外探测器采集到的低动态范围的图像，图5、8分别是经过传统CLAHE增强处理后的对应图像，现有的CLAHE方法能够实现对图像进行增强，但伴随着局部噪声放大的问题。图6、9分别是经过本实施例中的优化后的CLAHE方法增强处理后的对应图像，通过计算图像的PSNR(峰值信噪比)，得到下表：
Figure BDA0002549048690000075
从表中可以看出，经过优化后的CLAHE处理后，图像的PSNR具有明显提升，通过本发明的优化CLAHE的红外图像增强方法对图像背景噪声具有显著的改善。
结合上述实施例，本发明还可以按照如下配置进行实施。
{红外图像增强系统}
一种基于优化CLAHE的红外图像增强系统，包括：
用于接收红外探测器输入的高动态范围(HDR)的红外图像，并进行预处理的第一模块；
用于将高动态范围的红外图像压缩至低动态范围的第二模块；
用于采用优化后的CLAHE算法，对所述低动态范围的红外图像进行处理，输出增强后的低动态范围红外图像的第三模块；
其中，所述第二模块被设置成采用单平台直方图均衡化方法对红外图像进行压缩处理；
所述第三模块被设置成采用二次裁减的方式获得灰度直方图以获得相应的灰度直方图累积分布函数，再将其映射到指定的灰度空间，并根据像素位置和每个区域的灰度映射函数进行图像的双线性插值运算，得到增强后的红外图像。
{红外图像增强系统}
一种基于优化CLAHE的红外图像增强系统，其特征在于，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收红外探测器输入的高动态范围(HDR)的红外图像，并进行预处理；
图像压缩过程，将高动态范围的红外图像压缩至低动态范围；
采用优化后的CLAHE算法，对所述低动态范围的红外图像进行处理，输出增强后的低动态范围红外图像；
其中，在图像压缩过程中，基于单平台直方图均衡化方法对红外图像进行压缩处理；并且
对低动态范围的红外图像采用二次裁减的方式获得灰度直方图以获得相应的灰度直方图累积分布函数，再将其映射到指定的灰度空间，并根据像素位置和每个区域的灰度映射函数进行图像的双线性插值运算，得到增强后的红外图像。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (9)

1.一种基于优化CLAHE的红外图像增强方法，其特征在于，包括：
步骤S1：接收红外探测器输入的高动态范围的红外图像，并进行预处理；
步骤S2：图像压缩过程，将高动态范围的红外图像压缩至低动态范围；
步骤S3：采用优化后的CLAHE算法，对所述低动态范围的红外图像进行处理，输出增强后的低动态范围红外图像；
其中，在所述步骤S3中，采用优化后的CLAHE算法，对所述低动态范围的红外图像进行处理过程包括以下步骤：
步骤S301：将红外图像分成若干个大小相同的区域；
步骤S302：统计每块区域的灰度直方图，然后根据初始裁剪阈值Clip对每块区域的直方图进行裁剪；
Figure FDA0004087383750000011
Figure FDA0004087383750000012
Figure FDA0004087383750000013
式中，O(i,j)为步骤S2输出的低动态范围的红外图像，k为整数，L为灰度级数；
步骤S303：统计每块区域裁剪掉的像素个数，并根据每块区域裁剪掉的像素个数为各区块设置新的裁剪阈值newClip；
Num＝∑Tk-∑T'k
Figure FDA0004087383750000014
Figure FDA0004087383750000015
式中，Num表示各区域裁剪掉的像素个数，Nummin、Nummax表示所有区域裁剪掉的像素个数中的最小值和最大值，newClip表示该区域的新的裁剪阈值，γ表示新的裁剪阈值线性变化的趋势；
步骤S304：根据各区域新的裁剪阈值再次裁剪其灰度直方图，将裁剪掉的部分均匀分配到整个区间；
Figure FDA0004087383750000021
Figure FDA0004087383750000022
Num'＝∑Tk-∑T”k
式中，T”'k表示各区域裁剪并重分配后的灰度直方图，Num'表示重新设置裁剪阈值后各区域裁剪掉的像素个数；
步骤S305：根据裁剪后的灰度直方图获得相应的直方图累积分布函数cdf'k，并映射到指定的灰度空间：
Figure FDA0004087383750000023
Figure FDA0004087383750000024
式中，Pk为灰度映射函数，cdf'max为累积直方图分布的最大值，L为灰度级数；
步骤S306：根据像素位置和每个区域的灰度映射函数，进行双线性插值运算，获取增强后的低动态范围的红外图像。
2.根据权利要求1所述的基于优化CLAHE的红外图像增强方法，其特征在于，所述步骤S1中的预处理包括非均匀性校正、盲元替换、图像降噪中的至少一种。
3.根据权利要求1所述的基于优化CLAHE的红外图像增强方法，其特征在于，所述步骤S2中采用单平台直方图均衡化方法对红外图像进行压缩处理，压缩处理过程包括以下步骤：
(1)统计红外图像的灰度直方图；
(2)裁减掉灰度直方图中超出预设阈值的部分；
(3)统计灰度累积直方图分布，并映射到目标灰度空间；
(4)根据映射函数将高动态范围的红外图像映射到低动态范围并输出。
4.根据权利要求1所述的基于优化CLAHE的红外图像增强方法，其特征在于，所述步骤S3中采用优化后的CLAHE算法对所述低动态范围的红外图像进行处理的过程包括：
(1)将低动态范围的红外图像分成多个大小为N*N的区域；
(2)统计每块区域的灰度直方图，根据初始裁剪阈值对每块区域的直方图进行首次裁剪；
(3)统计每块区域裁剪掉的像素个数，并根据每块区域裁剪掉的像素个数为各区域设置新的裁剪阈值；
(4)根据各区域新的裁剪阈值再次裁剪其灰度直方图，并将裁剪掉的部分均匀分配到整个区间；
(5)根据第二次裁剪后的灰度直方图获得相应的灰度直方图累积分布函数，并将其映射到指定的灰度空间；
(6)根据像素位置和每个区域的灰度映射函数进行图像的双线性插值运算，得到增强后的红外图像。
5.根据权利要求3所述的基于优化CLAHE的红外图像增强方法，其特征在于，所述步骤S2中的压缩处理过程具体包括以下步骤：
步骤S201：统计高动态范围的红外图像的灰度直方图；
Figure FDA0004087383750000031
Figure FDA0004087383750000032
其中，I为输入的高动态范围的红外图像，Hk为统计得到的灰度直方图，k为整数，M为初始灰度级数；
步骤S202：根据预设阈值ClipLimit，裁剪掉灰度直方图中超出预设阈值的部分；
Figure FDA0004087383750000033
式中，H'k为裁剪后的直方图；
步骤S203：对裁剪后的灰度直方图进行处理，统计其灰度累积直方图分布cdfk，并映射到指定的灰度空间；
Figure FDA0004087383750000034
Figure FDA0004087383750000035
其中，Gk为灰度映射函数，cdfmax为累积直方图分布的最大值，L为灰度级数；
步骤S204：根据灰度映射函数将高动态范围的红外图像映射到低动态范围并输出；
O(i,j)＝GI(i,j)+1
其中，O(i,j)为输出的低动态范围的红外图像。
6.根据权利要求1所述的基于优化CLAHE的红外图像增强方法，其特征在于，所述步骤S301中，每块区域大小均为64×64。
7.根据权利要求5所述的基于优化CLAHE的红外图像增强方法，其特征在于，所述步骤S201中的初始灰度级数M取值为14，步骤S203以及步骤S302中的灰度级数L取值为8。
8.一种基于优化CLAHE的红外图像增强系统，其特征在于，包括：
用于接收红外探测器输入的高动态范围的红外图像，并进行预处理的第一模块；
用于将高动态范围的红外图像压缩至低动态范围的第二模块；
用于采用优化后的CLAHE算法，对所述低动态范围的红外图像进行处理，输出增强后的低动态范围红外图像的第三模块；
其中，所述第二模块被设置成采用单平台直方图均衡化方法对红外图像进行压缩处理；
所述第三模块被设置成采用二次裁减的方式获得灰度直方图以获得相应的灰度直方图累积分布函数，再将其映射到指定的灰度空间，并根据像素位置和每个区域的灰度映射函数进行图像的双线性插值运算，得到增强后的红外图像；
其中，所述第三模块被设置成按照以下过程对对所述低动态范围的红外图像进行处理，输出增强后的低动态范围红外图像：
步骤S301：将红外图像分成若干个大小相同的区域；
步骤S302：统计每块区域的灰度直方图，然后根据初始裁剪阈值Clip对每块区域的直方图进行裁剪；
Figure FDA0004087383750000041
Figure FDA0004087383750000042
Figure FDA0004087383750000043
式中，O(i,j)为步骤S2输出的低动态范围的红外图像，k为整数，L为灰度级数；
步骤S303：统计每块区域裁剪掉的像素个数，并根据每块区域裁剪掉的像素个数为各区块设置新的裁剪阈值newClip；
Num＝∑Tk-∑T'k
Figure FDA0004087383750000044
Figure FDA0004087383750000045
式中，Num表示各区域裁剪掉的像素个数，Nummin、Nummax表示所有区域裁剪掉的像素个数中的最小值和最大值，newClip表示该区域的新的裁剪阈值，γ表示新的裁剪阈值线性变化的趋势；
步骤S304：根据各区域新的裁剪阈值再次裁剪其灰度直方图，将裁剪掉的部分均匀分配到整个区间；
Figure FDA0004087383750000051
Figure FDA0004087383750000052
Num'＝∑Tk-∑T”k
式中，T”'k表示各区域裁剪并重分配后的灰度直方图，Num'表示重新设置裁剪阈值后各区域裁剪掉的像素个数；
步骤S305：根据裁剪后的灰度直方图获得相应的直方图累积分布函数cdf'k，并映射到指定的灰度空间：
Figure FDA0004087383750000053
Figure FDA0004087383750000054
式中，Pk为灰度映射函数，cdf'max为累积直方图分布的最大值，L为灰度级数；
步骤S306：根据像素位置和每个区域的灰度映射函数，进行双线性插值运算，获取增强后的低动态范围的红外图像。
9.一种基于优化CLAHE的红外图像增强系统，其特征在于，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收红外探测器输入的高动态范围的红外图像，并进行预处理；
图像压缩过程，将高动态范围的红外图像压缩至低动态范围；
采用优化后的CLAHE算法，对所述低动态范围的红外图像进行处理，输出增强后的低动态范围红外图像；
其中，在图像压缩过程中，基于单平台直方图均衡化方法对红外图像进行压缩处理；并且对低动态范围的红外图像采用二次裁减的方式获得灰度直方图以获得相应的灰度直方图累积分布函数，再将其映射到指定的灰度空间，并根据像素位置和每个区域的灰度映射函数进行图像的双线性插值运算，得到增强后的红外图像；
其中，所述采用优化后的CLAHE算法，对所述低动态范围的红外图像进行处理，输出增强后的低动态范围红外图像，包括以下处理过程：
步骤S301：将红外图像分成若干个大小相同的区域；
步骤S302：统计每块区域的灰度直方图，然后根据初始裁剪阈值Clip对每块区域的直方图进行裁剪；
Figure FDA0004087383750000061
Figure FDA0004087383750000062
Figure FDA0004087383750000063
式中，O(i,j)为步骤S2输出的低动态范围的红外图像，k为整数，L为灰度级数；
步骤S303：统计每块区域裁剪掉的像素个数，并根据每块区域裁剪掉的像素个数为各区块设置新的裁剪阈值newClip；
Num＝∑Tk-∑T'k
Figure FDA0004087383750000064
Figure FDA0004087383750000065
式中，Num表示各区域裁剪掉的像素个数，Nummin、Nummax表示所有区域裁剪掉的像素个数中的最小值和最大值，newClip表示该区域的新的裁剪阈值，γ表示新的裁剪阈值线性变化的趋势；
步骤S304：根据各区域新的裁剪阈值再次裁剪其灰度直方图，将裁剪掉的部分均匀分配到整个区间；
Figure FDA0004087383750000066
Figure FDA0004087383750000067
Num'＝∑Tk-∑T”k
式中，T”'k表示各区域裁剪并重分配后的灰度直方图，Num'表示重新设置裁剪阈值后各区域裁剪掉的像素个数；
步骤S305：根据裁剪后的灰度直方图获得相应的直方图累积分布函数cdf'k，并映射到指定的灰度空间：
Figure FDA0004087383750000071
Figure FDA0004087383750000072
式中，Pk为灰度映射函数，cdf'max为累积直方图分布的最大值，L为灰度级数；
步骤S306：根据像素位置和每个区域的灰度映射函数，进行双线性插值运算，获取增强后的低动态范围的红外图像。
CN202010569595.8A 2020-06-20 2020-06-20 基于优化clahe的红外图像增强方法与系统 Active CN111709898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010569595.8A CN111709898B (zh) 2020-06-20 2020-06-20 基于优化clahe的红外图像增强方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010569595.8A CN111709898B (zh) 2020-06-20 2020-06-20 基于优化clahe的红外图像增强方法与系统

Publications (2)

Publication Number Publication Date
CN111709898A CN111709898A (zh) 2020-09-25
CN111709898B true CN111709898B (zh) 2023-05-23

Family

ID=72541038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010569595.8A Active CN111709898B (zh) 2020-06-20 2020-06-20 基于优化clahe的红外图像增强方法与系统

Country Status (1)

Country Link
CN (1) CN111709898B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381797A (zh) * 2020-11-16 2021-02-19 广东电网有限责任公司肇庆供电局 一种基于红外数据的线状物信息确认方法
CN112365424B (zh) * 2020-11-17 2023-06-06 昆明物理研究所 基于局部自适应clahe的红外图像去噪增强方法、装置、系统与计算机可读存储介质
CN113096031B (zh) * 2021-03-17 2024-02-06 西安电子科技大学 高动态范围红外图像的压缩显示方法
CN113393391B (zh) * 2021-06-10 2022-05-20 维沃移动通信（杭州）有限公司 图像增强方法、图像增强装置、电子设备和存储介质
CN114998163B (zh) * 2022-05-19 2024-10-01 中国科学院西安光学精密机械研究所 一种红外数字图像灰度映射方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440635A (zh) * 2013-09-17 2013-12-11 厦门美图网科技有限公司 一种基于学习的对比度受限自适应直方图均衡方法
CN104618664A (zh) * 2014-12-26 2015-05-13 昆明物理研究所 一种基于自适应积分时间的嵌入式红外图像超帧处理方法
CN106251300A (zh) * 2016-07-26 2016-12-21 华侨大学 一种基于Retinex的快速夜间雾天图像复原方法
CN108090886A (zh) * 2018-01-11 2018-05-29 南京大学 一种高动态范围红外图像的显示与细节增强方法
CN110136084A (zh) * 2019-05-16 2019-08-16 哈尔滨工业大学（深圳） 基于离散小波变换的自动clahe图像增强方法、装置、系统及存储介质
CN110298806A (zh) * 2019-07-04 2019-10-01 上海融军科技有限公司 红外图像增强方法和系统
CN110599426A (zh) * 2019-09-19 2019-12-20 南京工程学院 一种优化clahe的水下图像增强方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023057B (zh) * 2016-05-26 2022-11-08 深圳大学 一种用于皮下静脉显影仪的控制处理系统及成像方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440635A (zh) * 2013-09-17 2013-12-11 厦门美图网科技有限公司 一种基于学习的对比度受限自适应直方图均衡方法
CN104618664A (zh) * 2014-12-26 2015-05-13 昆明物理研究所 一种基于自适应积分时间的嵌入式红外图像超帧处理方法
CN106251300A (zh) * 2016-07-26 2016-12-21 华侨大学 一种基于Retinex的快速夜间雾天图像复原方法
CN108090886A (zh) * 2018-01-11 2018-05-29 南京大学 一种高动态范围红外图像的显示与细节增强方法
CN110136084A (zh) * 2019-05-16 2019-08-16 哈尔滨工业大学（深圳） 基于离散小波变换的自动clahe图像增强方法、装置、系统及存储介质
CN110298806A (zh) * 2019-07-04 2019-10-01 上海融军科技有限公司 红外图像增强方法和系统
CN110599426A (zh) * 2019-09-19 2019-12-20 南京工程学院 一种优化clahe的水下图像增强方法

Also Published As

Publication number Publication date
CN111709898A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
CN111709898B (zh) 基于优化clahe的红外图像增强方法与系统
Chang et al. Automatic contrast-limited adaptive histogram equalization with dual gamma correction
CN112365424B (zh) 基于局部自适应clahe的红外图像去噪增强方法、装置、系统与计算机可读存储介质
KR100756318B1 (ko) 이득 조절 가능한 절단 빈도함수 평활화를 이용한 영상처리 방법 및 시스템
US7003153B1 (en) Video contrast enhancement through partial histogram equalization
US8723978B2 (en) Image fusion apparatus and method
CN102722871B (zh) 一种快速有效的图像增强方法
US9147238B1 (en) Adaptive histogram-based video contrast enhancement
US7127123B2 (en) System and method for dynamically enhanced color space
CN109584185B (zh) 图像处理方法
CN111292269B (zh) 图像色调映射方法、计算机装置及计算机可读存储介质
US8265391B1 (en) Localized, adaptive video contrast enhancement using controlled histogram equalization
US20110285913A1 (en) Enhanced histogram equalization
CN108495054B (zh) 高动态范围信号的处理方法、装置及计算机存储介质
US7916967B2 (en) Image processing apparatus and image processing method
CN114467298B (zh) 一种图像信号转换处理方法、装置及终端设备
US7245781B2 (en) Applying a tone scale function to a digital image
CN113364994B (zh) 一种背光补偿方法及背光补偿电路
US7760938B1 (en) Algorithm to enhance the contrast of a monochrome image
CN113077404B (zh) 一种图像对比度提升的方法
KR100200611B1 (ko) 이득 조절 기능을 가진 평균-분리 히스토그램 등화를 이용한 화질 개선 방법 및 그 회로
US8587725B2 (en) Method of digital signal processing
CN115546055A (zh) 一种基于自适应裁剪系数的低照度视频图像增强方法
CN112954232A (zh) 动态图像处理方法、装置、相机及存储介质
CN114663311A (zh) 图像处理方法、图像处理装置、电子设备及存储介质

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