CN111899205B - 一种场景自适应宽动态红外热成像的图像增强方法 - Google Patents

一种场景自适应宽动态红外热成像的图像增强方法 Download PDF

Info

Publication number
CN111899205B
CN111899205B CN202010793737.9A CN202010793737A CN111899205B CN 111899205 B CN111899205 B CN 111899205B CN 202010793737 A CN202010793737 A CN 202010793737A CN 111899205 B CN111899205 B CN 111899205B
Authority
CN
China
Prior art keywords
image
base layer
low
frequency base
frequency
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
CN202010793737.9A
Other languages
English (en)
Other versions
CN111899205A (zh
Inventor
龙岸文
罗珏典
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.)
Guoke Tiancheng Technology Co ltd
Original Assignee
Guoke Tiancheng Technology Co ltd
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 Guoke Tiancheng Technology Co ltd filed Critical Guoke Tiancheng Technology Co ltd
Priority to CN202010793737.9A priority Critical patent/CN111899205B/zh
Publication of CN111899205A publication Critical patent/CN111899205A/zh
Application granted granted Critical
Publication of CN111899205B publication Critical patent/CN111899205B/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
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • G06T2207/20028—Bilateral filtering
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种场景自适应宽动态红外热成像的图像增强方法，属于图像处理技术领域，包括以下步骤：根据16位原始图像利用双边滤波算法计算得到初始的低频基层图像；计算得到初始的高频细节图像；将初始的低频基层图像进行自适应直方图均衡化运算CLAHE，得到第一8位低频基层图像；将初始的低频基层图像进行全局直方图均衡处理，得到第二8位低频基层图像；根据初始的高频细节图像，利用自动增益控制运算得到最终的高频细节图像；利用线性加权计算得到最终的低频基层图像；将最终的高频细节图像和最终的低频基层图像进行融合得到增强后的输出图像。本发明解决了现有红外热成像宽动态范围图像增强技术的场景适应性差及存在过增强的问题。

Description

一种场景自适应宽动态红外热成像的图像增强方法
技术领域
本发明属于图像处理技术领域，尤其涉及一种场景自适应宽动态红外热成像的图像增强方法。
背景技术
随着科学技术的快速发展,红外成像系统在军事和民用方面正得到越来越广泛和深入的应用，同时,人们对热成像系统中图像质量的要求也越来越高。红外热成像的数据获取系统中通常采用14位或者16位的模拟-数字转换器(Analog-to-digital converter,ADC)采集探测器输出的原始数据，这些原始数据中包含了丰富的场景信息。由于红外热图像最终是呈现给人眼观看，而人眼只能分辨出128灰阶(8位)，因此红外热图像处理中都面临着动态范围压缩的问题。图像增强技术就是将宽动态范围的原始红外热图像数据转换成8位人眼可观测的图像，如何尽可能保留原始数据中的目标信息，并增强目标的边缘细节是图像增强中的核心问题。
目前最广泛应用的图像增强技术主要包括自动增益控制(Automatic gaincontrol,AGC)和基于直方图均衡(Histogram equalization,HE)的技术。AGC技术将宽动态的原始图像线性映射到8位，这种方法丢失了很多有用图像信息。HE对图像进行非线性拉伸,重新分配图像象元值,使一定灰度范围内象元值的数量大致相等，这种方法能提高图像的动态范围，但可能使图像过增强并提升图像的噪声，且图像的小细节仍然无法很好的获取。为了解决这些问题，有学者提出了基于双边滤波的伽马校正图像增强技术，该技术能显著提高了图像的动态范围并保留了图像中的小细节，但是需要根据不同场景调节若干个参数，应用适应性不强且其动态范围没有得到足够的拉伸，无法满足不同场景的应用需求。基于引导滤波的直方图均衡图像增强技术和基于双边滤波的全局直方图均衡图像增强技术也能提高了图像的动态范围并保留图像中的小细节，但是在复杂场景下存在过增强的问题。
发明内容
针对现有技术中的上述不足，本发明提供的一种场景自适应宽动态红外热成像的图像增强方法解决了现有红外热成像宽动态范围图像增强技术的场景适应性差及存在过增强的问题。
为了达到以上目的，本发明采用的技术方案为：
本方案提供一种场景自适应宽动态红外热成像的图像增强方法，包括以下步骤：
S1、根据16位原始图像利用双边滤波算法计算得到初始的低频基层图像；
S2、根据原始图像和初始的低频基层图像计算得到初始的高频细节图像；
S3、将初始的低频基层图像进行自适应直方图均衡化运算，得到第一8位低频基层图像；
S4、将初始的低频基层图像进行全局直方图均衡处理，得到第二8位低频基层图像；
S5、根据初始的高频细节图像，利用自动增益控制运算得到最终的高频细节图像；
S6、根据第一8位低频基层图像和第二8位低频基层图像，利用线性加权计算得到最终的低频基层图像；
S7、将最终的高频细节图像和最终的低频基层图像进行融合得到增强后的输出图像，实现场景自适应宽动态红外热成像的图像增强。
进一步地，所述S1中初始的低频基层图像的表达式如下：
Figure BDA0002624710750000031
Figure BDA0002624710750000032
其中，IB(i,j)表示初始的低频基层图像，I(k,l)表示输入原始图像像素(k,l)的值，w(i,j,k,l)表示双边滤波的核函数，σd和σr分别表示核函数对应的空域系数和值域系数，i,j,k和l均表示图像像素的索引号，I(i,j)表示原始图像。
再进一步地，所述步骤S2中初始的高频细节图像的表达式如下：
ID(i,j)＝I(i,j)-IB(i,j)
其中，ID(i,j)表示初始的高频细节图像，I(i,j)表示原始图像，IB(i,j)表示初始的低频基层图像。
再进一步地，所述步骤S3包括以下步骤：
S301、将初始的低频基层图像划分为若干块，并对每块进行直方图统计，得到灰度级概率密度函数；
S302、设定自适应阈值，并去掉灰度级概率密度函数中大于自适应阈值的统计值，并计算得到累积分布函数；
S303、根据初始的低频基层图像中的对应分块，将累积分布函数作为均衡化变换函数映射得到第一8位低频基层图像；
S304、判断初始的低频基层图像中的所有分块是否都映射至第一8位低频基层图像，若是，则完成自适应直方图均衡化运算，并进入步骤S4，否则，返回步骤S303。
再进一步地，所述步骤S301中灰度级概率密度函数的表达式如下：
Figure BDA0002624710750000041
其中，Pr(rq)表示灰度级概率密度函数，且q＝0,1,2,...,g-1，g，g表示图像中的灰度级数，nq表示灰度级q在本块图像中的统计值，n表示本块图像的像素数。
再进一步地，所述步骤S302中自适应阈值的表达式如下：
Figure BDA0002624710750000042
其中，T0表示自适应阈值，n表示本块图像的像素数，N表示整副图像的像素数，P表示动态范围的调节参数，e表示控制熵的权重，R表示整幅图像的动态范围，Gmax表示本块图像中的最大值，σ表示本块图像的标准差，M表示本块图像的像素平均值。
再进一步地，所述步骤S302中累积分布函数的表达式如下：
Figure BDA0002624710750000043
其中，f0(z)表示累积分布函数，Pr(rq)表示灰度级概率密度函数，且q＝0,1,2,...,g-1,g，g表示图像中的灰度级数，q表示灰度级。
再进一步地，所述步骤S5中最终的高频细节图像的表达式如下：
Figure BDA0002624710750000044
其中，IDf(i,j)表示最终的高频细节图像，fmax表示灰度级分布的最大值，fmin表示灰度级分布的最小值，ID(i,j)表示初始的高频细节图像，a和b分别表示初始高频细节图像的最小灰度值和最大灰度值。
再进一步地，所述步骤S6中最终的低频基层图像的表达式如下：
IBc＝r*IBf1+(1-r)*IBf2
其中，IBc表示最终的低频基层图像，r表示可调加权系数，IBf1表示第一8位低频基层图像，IBf2表示第二8位低频基层图像。
再进一步地，所述步骤S7中增强后的输出图像的表达式如下：
Iout＝IBc+c*IDf(i,j)
其中，Iout表示增强后的输出图像，c表示边缘增强系数，IBc表示最终的低频基层图像，IDf(i,j)表示最终的高频细节图像。
本发明的有益效果：
(1)本发明通过将红外探测器输出的原始数据分层为低频基层图像和高频细节层图像，再对低频基层图像分别进行动态范围限制的自适应直方图均衡处理和全局直方图均衡处理，之后和高频细节层图像融合，这种算法能提取原始数据的宽动态范围有用数据，同时达到增强图像的细节边缘和抑制图像噪声的目的。
(2)本发明使用限制动态范围的自适应直方图均衡化算法处理双边滤波后得到的低频基层图像，拉伸原始图像动态范围的同时抑制了直方图均衡化过程的过增强问题；同时，为自适应直方图均衡化算法引入一种自适应参数调节方法，提高了算法的鲁棒性，解决图像增强过程中针对场景进行繁杂的参数调节，提高了算法的场景适应能力。对大多数观测类的红外热像相机所面临的场景，设置一组红外热像相机的出厂参数后，基本不用根据场景变化再次调节参数，降低了相机的使用难度，也相对的扩展了相机的使用范围。
(3)本发明对低频基层图像分别采用自适应直方图均衡化算法处理和全局直方图均衡化方法处理，并对两种不同的处理方法采用加权方式融合，同时解决了场景自适应宽动态红外热成像图像增强算法导致的景深信息弱化，整体图像层次感降低的问题和全局直方图均衡化方法导致的图像过增强的问题，在保留图像动态范围的同时提高了图像的层次感，也进一步的提高了算法的场景自适应能力。
(4)本发明通过调节一个加权系数可以满足极端场景的应用要求，比如“海-天”场景和“半地半天”模式，可以将加权系数设置为1，最大限度的将图像动态拉伸。
附图说明
图1为本发明的方法流程图。
图2为本实施例中经步骤S1双边滤波和步骤S3自适应直方图均衡化CLAHE运算处理后得到的第一8位基层图像。
图3为本实施例中经步骤S1双边滤波和步骤S4全局直方图均衡化处理后得到的第二8位基层图像。
图4为本实施例中经过步骤S2初始高频图像获取和步骤S5自动增益控制后得到的最终高频图像。
图5为本实施例中步骤S6将第一8位基层图像和第二8位基层图像加权平均后得到的最终基层图像。
图6为本实施例中步骤S7将最终基层图像和最终高频图像融合后得到的最终输出图像。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例
针对现有红外热成像宽动态范围图像增强技术的场景适应性差及存在过增强的问题，本发明提出一种场景自适应宽动态范围的红外热成像图像增强方法，低频基层图像处理中引入限制动态范围的自适应直方图均衡(Contrast Limited Adaptive histgramequalization，CLAHE)算法，该算法将原始图像分块后分别对每一块进行处理，并引入一种基于熵值运算的自适应参数。通过引入CLAHE算法，解决了图像过增强的问题，同时由于CLAHE算法是基于场景统计信息进行低频基层图像增强，通过引入自适应参数提高了算法的场景自适应能力。低频基层图像通过CLAHE算法处理后，图像的全局对比度存在下降的问题，导致景深信息弱化和画面的层次感降低，影响视觉效果。本发明采用加权平均的方法将低频基层图像进行CLAHE和全局直方图均衡后的两个分量进行加权，同时解决限制动态范围的自适应直方图均衡算法带来的层次感降低问题和全局直方图均衡算法带来的复杂场景过增强的问题，保留图像动态范围的同时达到图像增强的目的，如图1所示，其实现方法如下：
S1、根据16位原始图像利用双边滤波算法计算得到初始的低频基层图像；
初始的低频基层图像的表达式如下：
Figure BDA0002624710750000071
Figure BDA0002624710750000072
其中，IB(i,j)表示初始的低频基层图像，I(k,l)表示输入原始图像像素(k,l)的值，w(i,j,k,l)表示双边滤波的核函数，σd和σr分别表示核函数对应的空域系数和值域系数，i,j,k和l均表示图像像素的索引号，I(i,j)表示原始图像；
本实施例中，双边滤波的核函数w(i,j,k,l)中两个参数σd和σr根据工程经验值分别设定为：σd＝0.5％*M*N,M,N表示图像的行数和列数，σr＝25。
S2、根据原始图像和初始的低频基层图像计算得到初始的高频细节图像；
初始的高频细节图像的表达式如下：
ID(i,j)＝I(i,j)-IB(i,j)
其中，ID(i,j)表示初始的高频细节图像，I(i,j)表示原始图像，IB(i,j)表示初始的低频基层图像；
S3、将初始的低频基层图像进行自适应直方图均衡化运算CLAHE，得到第一8位低频基层图像，其实现方法如下：
S301、将初始的低频基层图像划分为若干块，并对每块进行直方图统计，得到灰度级概率密度函数；
灰度级概率密度函数的表达式如下：
Figure BDA0002624710750000081
其中，Pr(rq)表示灰度级概率密度函数，且q＝0,1,2,...,g-1,g，g表示图像中的灰度级数，nq表示灰度级q在本块图像中的统计值，n表示本块图像的像素数；
S302、设定自适应阈值，并去掉灰度级概率密度函数中大于自适应阈值的统计值，并计算得到累积分布函数；
累积分布函数的表达式如下：
Figure BDA0002624710750000082
其中，f0(z)表示累积分布函数，Pr(rq)表示灰度级概率密度函数，且q＝0,1,2,...,g-1,g，g表示图像中的灰度级数，q表示灰度级；
S303、根据初始的低频基层图像中的对应分块，利用累积分布函数作为均衡化变换函数映射得到第一8位低频基层图像；
S304、判断初始的低频基层图像中的所有分块是否都映射至第一8位低频基层图像，若是，则完成自适应直方图均衡化运算，并进入步骤S4，否则，返回步骤S303；
本实施例中，首先将初始的低频基层图像分成若干个N*N(N≥2)的块，对每一块进行直方图统计，得到其灰度级概率密度函数，设定一个自适应阈值，将灰度级概率密度函数中大于自适应阈值的统计值裁剪掉，其计算公式如下：Pr(rq)＝T0，ifPr(rq)≥T0；其中，自适应阈值T0的计算公式为：
Figure BDA0002624710750000091
其中，n为本块图像的像素数，N为整幅图像的像素数，P为动态范围调节参数，通过工程经验，选择P＝2，e为控制熵的权重，通过工程经验，一般选择e＝180，σ为本块图像的标准差，M为本块图像的像素值平均值。通过自适应阈值对信息丰富(目标背景反差较大)的场景选择较大的阈值，对较均匀的场景选择较小的阈值，可以较好的抑制过增强的问题。根据灰度级概率密度函数计算得到累积分布函数(Cumulative Distribution Function，CDF)，对初始的低频基层图像中的对应分块，利用累积分布函数作为均衡化变换函数映射得到第一8位低频基层图像。依次对初始的低频基层图像中所有的分块执行同样的操作，完成对整幅图像的CLAHE运算。
S4、将初始的低频基层图像进行全局直方图均衡处理，得到第二8位低频基层图像；
本实施例中，首先将初始的低频基层图像进行直方图统计，得到其灰度级概率密度函数和其对应的累积分布函数(Cumulative Distribution Function，CDF)，利用累积分布函数作为均衡化变换函数映射得到第二8位低频基层图像。
本实施例中，如图2所示，图2是使用中波制冷红外热像仪采集到的14位原始数据的某一帧原始数据经过双边滤波后得到的原始低频基层图像，再将原始低频基层图像进行CLAHE算法处理后得到的第一8位基层图像。处理后第一8位基层图像保留了原始数据的动态范围，比如低温目标背景天空中的云和高温目标建筑物目标。但是整幅第一8位基层图像的对比度不强，层次感较弱。
本实施例中，如图3所示，图3是使用同一帧原始数据经过双边滤波和全局直方图均衡处理的图像。可以看到由于场景内信息比较丰富，动态范围较宽，使用全局直方图均衡处理后图像有过增强的现象(图像中能量较强的建筑类目标基本处理饱和状态)，但其整体的对比度较强。
S5、根据初始的高频细节图像，利用自动增益控制运算得到最终的高频细节图像；
本实施例中，将初始的高频细节图像进行自动增益控制运算映射为8位数据得到最终的高频细节图像。首先统计初始的高频细节图像的直方图，得到其灰度级分布范围[fmin,fmax]，再根据下式线性映射得到最终的高频细节图像：
Figure BDA0002624710750000101
其中，IDf(i,j)表示最终的高频细节图像，fmax表示灰度级分布的最大值，fmin表示灰度级分布的最小值，ID(i,j)表示初始的高频细节图像，a和b分别表示初始高频细节图像的最小灰度值和最大灰度值，[a,b]为映射后的直方图范围，本发明中将a取值为0，b取值为255；
本实施例中，如图4所示，图4是通过使用将原始高频图像经过自动增益处理后的最终高频图像，从图中可以看出，由于双边滤波的保边效果，高频图像保留了原始图像中的大部分边缘细节信息，比如远处山的山脊和近处树木的纹理。
S6、根据第一8位低频基层图像和第二8位低频基层图像，利用线性加权计算得到最终的低频基层图像；
最终的低频基层图像的表达式如下：
IBc＝r*IBf1+(1-r)*IBf2
其中，IBc表示最终的低频基层图像，r表示可调加权系数，IBf1表示第一8位低频基层图像，IBf2表示第二8位低频基层图像，r值越大图像的动态范围越大，出现过增强的概率越小；但景深信息丢失的更多，图像层次感越不明显；
本实施例中，如图5所示，图5是使用同一原始数据，通过本发明提出的对低频基层使用CLAHE和全局直方图加权算法处理后得到的最终基层图像。处理后的图像较图2和图3解决了过增强的问题，同时，在保持宽动态范围的基础上整体层次感得到了提升，其中加权系数选择为0.5。
S7、将最终的高频细节图像和最终的低频基层图像进行融合得到增强后的输出图像，实现场景自适应宽动态红外热成像的图像增强；
增强后的输出图像的表达式如下：
Iout＝IBc+c*IDf(i,j)
其中，Iout表示增强后的输出图像，c表示边缘增强系数，IBc表示最终的低频基层图像，IDf(i,j)表示最终的高频细节图像，c值越大，边缘增强效果越明显，但同时噪声也会相应的被放大。
本实施例中，如图6所示，图6使用同一原始数据，使用本发明提出的方法处理得到的最终输出图像。从图中可以看出经本发明处理后的图像，保留了原始数据的动态范围，体现为低温目标天空的云和近处高温目标建筑物都能在8位灰阶中得到有效显示，同时目标的边缘细节得到了增强，体现为高压线塔的纹理细节和线缆能够清楚的显示。本实施例中c选择为1。
本发明公开的场景自适应宽动态红外热成像图像增强算法通过将红外探测器输出的原始数据分层为低频基层图像和高频细节层图像，再对低频基层图像分别进行动态范围限制的自适应直方图均衡处理和全局直方图均衡处理，之后和高频细节层图像融合，这种算法能提取原始数据的宽动态范围有用数据，同时达到增强图像的细节边缘和抑制图像噪声的目的。

Claims (8)

1.一种场景自适应宽动态红外热成像的图像增强方法，其特征在于，包括以下步骤：
S1、根据16位原始图像利用双边滤波算法计算得到初始的低频基层图像；
S2、根据原始图像和初始的低频基层图像计算得到初始的高频细节图像；
S3、将初始的低频基层图像进行自适应直方图均衡化运算，得到第一8位低频基层图像；
所述步骤S3包括以下步骤：
S301、将初始的低频基层图像划分为若干块，并对每块进行直方图统计，得到灰度级概率密度函数；
S302、对每一块分别设定自适应阈值，并裁剪掉灰度级概率密度函数中大于自适应阈值的统计值，并计算得到累积分布函数；
所述步骤S302中自适应阈值的表达式如下：
Figure FDA0002988407220000011
其中，T0表示自适应阈值，n表示本块图像的像素数，N表示整副图像的像素数，P表示动态范围的调节参数，e表示控制熵的权重，R表示整幅图像的动态范围，Gmax表示本块图像中的最大值，σ表示本块图像的标准差，M表示本块图像的像素平均值；
S303、根据初始的低频基层图像中的对应分块，将累积分布函数作为均衡化变换函数映射得到第一8位低频基层图像；
S304、判断初始的低频基层图像中的所有分块是否都映射至第一8位低频基层图像，若是，则完成自适应直方图均衡化运算，并进入步骤S4，否则，返回步骤S303；
S4、将初始的低频基层图像进行全局直方图均衡处理，得到第二8位低频基层图像；
S5、根据初始的高频细节图像，利用自动增益控制运算得到最终的高频细节图像；
S6、根据第一8位低频基层图像和第二8位低频基层图像，利用线性加权计算得到最终的低频基层图像；
S7、将最终的高频细节图像和最终的低频基层图像进行融合得到增强后的输出图像，实现场景自适应宽动态红外热成像的图像增强。
2.根据权利要求1所述的场景自适应宽动态红外热成像的图像增强方法，其特征在于，所述S1中初始的低频基层图像的表达式如下：
Figure FDA0002988407220000021
Figure FDA0002988407220000022
其中，IB(i,j)表示初始的低频基层图像，I(k,l)表示输入原始图像像素(k,l)的值，w(i,j,k,l)表示双边滤波的核函数，σd和σr分别表示核函数对应的空域系数和值域系数，i,j,k和l均表示图像像素的索引号，I(i,j)表示输入原始图像像素(i,j)的值。
3.根据权利要求1所述的场景自适应宽动态红外热成像的图像增强方法，其特征在于，所述步骤S2中初始的高频细节图像的表达式如下：
ID(i,j)＝I(i,j)-IB(i,j)
其中，ID(i,j)表示初始的高频细节图像，I(i,j)表示原始图像，IB(i,j)表示初始的低频基层图像。
4.根据权利要求1所述的场景自适应宽动态红外热成像的图像增强方法，其特征在于，所述步骤S301中灰度级概率密度函数的表达式如下：
Figure FDA0002988407220000031
其中，Pr(rq)表示灰度级概率密度函数，且q＝0,1,2,...,g-1，g，g表示图像中的灰度级数，nq表示灰度级q在本块图像中的统计值，n表示本块图像的像素数。
5.根据权利要求1所述的场景自适应宽动态红外热成像的图像增强方法，其特征在于，所述步骤S302中累积分布函数的表达式如下：
Figure FDA0002988407220000032
其中，f0(z)表示累积分布函数，Pr(rq)表示灰度级概率密度函数，且q＝0,1,2,...,g-1,g，g表示图像中的灰度级数，q表示灰度级。
6.根据权利要求1所述的场景自适应宽动态红外热成像的图像增强方法，其特征在于，所述步骤S5中最终的高频细节图像的表达式如下：
Figure FDA0002988407220000033
其中，IDf(i,j)表示最终的高频细节图像，fmax表示灰度级分布的最大值，fmin表示灰度级分布的最小值，ID(i,j)表示初始的高频细节图像，a和b分别表示初始高频细节图像的最小灰度值和最大灰度值。
7.根据权利要求1所述的场景自适应宽动态红外热成像的图像增强方法，其特征在于，所述步骤S6中最终的低频基层图像的表达式如下：
IBc＝r*IBf1+(1-r)*IBf2
其中，IBc表示最终的低频基层图像，r表示可调加权系数，IBf1表示第一8 位低频基层图像，IBf2表示第二8位低频基层图像。
8.根据权利要求1所述的场景自适应宽动态红外热成像的图像增强方法，其特征在于，所述步骤S7中增强后的输出图像的表达式如下：
Iout＝IBc+c*IDf(i,j)
其中，Iout表示增强后的输出图像，c表示边缘增强系数，IBc表示最终的低频基层图像，IDf(i,j)表示最终的高频细节图像。
CN202010793737.9A 2020-08-10 2020-08-10 一种场景自适应宽动态红外热成像的图像增强方法 Active CN111899205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010793737.9A CN111899205B (zh) 2020-08-10 2020-08-10 一种场景自适应宽动态红外热成像的图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010793737.9A CN111899205B (zh) 2020-08-10 2020-08-10 一种场景自适应宽动态红外热成像的图像增强方法

Publications (2)

Publication Number Publication Date
CN111899205A CN111899205A (zh) 2020-11-06
CN111899205B true CN111899205B (zh) 2021-06-01

Family

ID=73246243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010793737.9A Active CN111899205B (zh) 2020-08-10 2020-08-10 一种场景自适应宽动态红外热成像的图像增强方法

Country Status (1)

Country Link
CN (1) CN111899205B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112598607B (zh) * 2021-01-06 2022-11-18 安徽大学 基于改进加权clahe的内窥镜图像血管增强算法
CN112903109A (zh) * 2021-01-15 2021-06-04 中科和光（天津）应用激光技术研究所有限公司 基于红外图像的工业测温成像设备及其图像处理方法
CN112837250B (zh) * 2021-01-27 2023-03-10 武汉华中数控股份有限公司 一种基于广义直方图均衡的红外图像自适应增强方法
CN113496531B (zh) * 2021-03-31 2024-02-09 北京航天飞腾装备技术有限责任公司 一种红外图像动态范围压缩方法和系统
CN113870153B (zh) * 2021-09-18 2024-10-15 华中科技大学 宽动态范围红外图像实时量化fpga实现方法、系统、终端
CN113902641B (zh) * 2021-10-12 2023-09-12 西安交通大学 一种基于红外图像的数据中心热区判别方法及系统
CN114565537B (zh) * 2021-11-12 2022-09-27 国科天成科技股份有限公司 一种基于局部信息熵的红外成像装置
CN114092353B (zh) * 2021-11-19 2024-06-04 长春理工大学 一种基于加权引导滤波的红外图像增强方法
CN114820359B (zh) * 2022-04-18 2024-02-13 广东第二师范学院 基于人眼视觉区域划分的红外图像全局色调映射方法
CN114693682B (zh) * 2022-06-01 2022-08-26 青岛大学附属医院 一种基于图像处理的脊椎特征识别方法
CN117372285B (zh) * 2023-12-05 2024-02-20 成都市晶林科技有限公司 一种静态和动态区域区分的时域高通滤波方法及系统
CN117952859B (zh) * 2024-03-27 2024-06-07 吉林大学 一种基于热成像技术的压力性损伤图像优化方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003250135A (ja) * 2002-02-22 2003-09-05 Sharp Corp チューナ
CN104036455B (zh) * 2013-03-06 2017-04-12 江苏理工学院 基于二代小波的红外图像细节增强方法
CN103177429A (zh) * 2013-04-16 2013-06-26 南京理工大学 基于fpga的红外图像细节增强系统及其方法
CN104574281A (zh) * 2013-10-18 2015-04-29 中国航天科工集团第三研究院第八三五八研究所 一种基于向导滤波器的红外图像细节增强方法和装置
CN104240208A (zh) * 2014-09-30 2014-12-24 成都市晶林科技有限公司 非制冷红外焦平面探测器图像细节增强方法
CN105608680A (zh) * 2015-09-30 2016-05-25 洛阳芊兆物联科技有限公司 一种基于双边滤波的红外图像细节增强方法
CN109919861A (zh) * 2019-01-29 2019-06-21 浙江数链科技有限公司 红外图像增强方法、装置、计算机设备和存储介质
CN110186865B (zh) * 2019-06-14 2023-09-19 利卓创新（北京）科技有限公司 一种智能网络型红外气体识别设备及工作方法
CN110516529A (zh) * 2019-07-09 2019-11-29 杭州电子科技大学 一种基于深度学习图像处理的投喂检测方法和系统

Also Published As

Publication number Publication date
CN111899205A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
CN111899205B (zh) 一种场景自适应宽动态红外热成像的图像增强方法
CN108022223B (zh) 一种基于对数映射函数分块处理融合的色调映射方法
CN103778900B (zh) 一种图像处理方法及系统
CN103353982A (zh) 一种基于直方图均衡化的色调映射方法
CN114092353A (zh) 一种基于加权引导滤波的红外图像增强方法
CN113096053B (zh) 基于多尺度引导滤波的高动态红外图像细节增强方法
CN107895350B (zh) 一种基于自适应双伽玛变换的hdr图像生成方法
CN104915933B (zh) 一种基于apso-bp耦合算法的雾天图像增强方法
CN113824945B (zh) 一种基于深度学习的快速自动白平衡和颜色矫正方法
Kim et al. Single image haze removal using hazy particle maps
Feng et al. Low-light color image enhancement based on Retinex
CN108765337B (zh) 一种基于暗原色先验与非局部mtv模型的单幅彩色图像去雾处理方法
CN106296626B (zh) 一种基于梯度融合的夜间视频增强方法
CN113592750B (zh) 一种基于梯度直方图的红外增强方法
CN113496531B (zh) 一种红外图像动态范围压缩方法和系统
CN108550124B (zh) 一种基于仿生螺线的光照补偿及图像增强方法
CN116912114A (zh) 基于高阶曲线迭代的无参考低光照图像增强方法
CN116630198A (zh) 一种结合自适应伽马校正的多尺度融合水下图像增强方法
CN114565537B (zh) 一种基于局部信息熵的红外成像装置
CN114549386B (zh) 一种基于自适应光照一致性的多曝光图像融合方法
CN104574330A (zh) 一种可应对高动态范围红外图像的数字细节增强实现方法
CN114331810A (zh) 图像处理方法及相关装置
CN114418889A (zh) 一种基于多尺度网络结构的低光图像增强方法
CN109544466B (zh) 一种基于引导滤波的彩色图像Retinex增强方法
CN112348760A (zh) 图像处理方法及系统

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
CB02 Change of applicant information

Address after: 100094 room 901, 9 / F, building 4, zone 1, 81 Beiqing Road, Haidian District, Beijing

Applicant after: Guoke Tiancheng Technology Co.,Ltd.

Address before: 100094 room 901, 9 / F, building 4, zone 1, 81 Beiqing Road, Haidian District, Beijing

Applicant before: TEEMSUN (BEIJING) TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant