CN112288644A - 一种基于图像分层的实时高效红外图像细节增强方法 - Google Patents
一种基于图像分层的实时高效红外图像细节增强方法 Download PDFInfo
- Publication number
- CN112288644A CN112288644A CN202011058474.3A CN202011058474A CN112288644A CN 112288644 A CN112288644 A CN 112288644A CN 202011058474 A CN202011058474 A CN 202011058474A CN 112288644 A CN112288644 A CN 112288644A
- Authority
- CN
- China
- Prior art keywords
- image
- detail
- sub
- processed
- blocks
- 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
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000006835 compression Effects 0.000 claims abstract description 9
- 238000007906 compression Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000013517 stratification Methods 0.000 claims 1
- 230000001629 suppression Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007781 pre-processing 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像分层的实时高效红外图像细节增强方法,包括如下:步骤S1、输入一幅待处理的红外图像,将整幅图像均匀分为尺寸相同的多个图像子块。步骤S2、利用同一滤波器,并行地对获得的多个图像子块进行图像分层处理,将各个图像子块分为背景基本层和图像细节层。并行地对获得的图像子块的背景基本层进行动态范围压缩,得到处理后的背景基本层。并行地对获得的图像子块的图像细节层进行细节的放大并抑制噪声,得到处理后的细节层。步骤S3、将增强后的图像子块按照原始输入的待处理图像中的分布拼接起来,得到细节增强后的整幅红外图像。该方法能够减少算法的执行时间,从而达到红外图像的高效实时细节增强。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于图像分层的实时高效红外图像细节增强方法。
背景技术
荧光随着科学技术的不断发展和人类社会的不断进步,红外热成像技术在军民各个领域的应用越来越广泛。与可见光成像技术以及其他成像技术相比,红外热成像有着被动探测隐蔽性强、可全天候工作等特点,在光照很弱甚至完全漆黑的环境下或大雾等恶劣天气状况下都能够很好地探测到目标。因此对于红外热成像探测器的研制越来越受重视并且也取得了很好地成果,但是在成像质量上与可见光成像技术相比还是有很大差距,由于技术上的限制红外探测器出来的原始图像普遍有着对比度低、信噪比低等缺点,严重影响着成像质量。
红外系统使得不可见的红外辐射能变为可见的红外图像,不仅不同物体之间的辐射能大小各有差异,而且目标物体的不同部位之间也存在着辐射差异,大多数情况下,目标与周围环境之间温度差比较小,所成的红外图像之间的灰度差也较小,表现出对比度低、视觉效果差的特点。因此,如何通过细节增强提高红外图像的质量,是亟待解决的一大问题。
对于红外图像来说,由于存在动态范围大、灰度级分布集中的特点,所以图像增强的首要目的是在对高动态范围进行压缩的同时对集中分布的图像灰度级进行拉伸,保证图像的对比度。目前对这一问题的研究成果主要分为四大类:经典的频域、空域图像增强算法、基于直方图的增强处理算法以及基于图像分层的增强类算法。频域法得到的红外图像细节增强效果差,只能提升图像高频部分、抑制图像低频部分,并且过分增强还会导致“伪像”;直方图增强的方法无法有效突显图像中的细节纹理特征,容易造成细节信息的损失,甚至丢失所要观察的目标,不适合用于红外图像的增强。
发明内容
本发明所要解决的技术问题在于针对上述现有技术的不足,提供一种基于图像分层的实时高效红外图像细节增强方法,能够减少算法的执行时间,从而达到红外图像的高效实时细节增强。
为解决上述技术问题,本发明采用的技术方案是,一种基于图像分层的实时高效红外图像细节增强方法,该方法包括如下步骤:
步骤S1、输入一幅待处理的红外图像,将整幅图像均匀分为尺寸相同的多个图像子块。
步骤S2、利用同一滤波器,并行地对步骤S1获得的多个图像子块进行图像分层处理,将各个图像子块分为背景基本层和图像细节层。
采用一动态范围压缩算法,并行地对获得的图像子块的背景基本层进行动态范围压缩,得到处理后的背景基本层。
选择一细节放大算法,并行地对获得的图像子块的图像细节层进行细节的放大并抑制噪声,得到处理后的细节层。
将处理后的背景层和细节层,通过权重加权并行地合成出细节增强后的各图像子块;
步骤S3、将增强后的图像子块按照原始输入的待处理图像中的分布拼接起来,得到细节增强后的整幅红外图像。
进一步地,在所述步骤S2中,采用的动态范围压缩算法为二值化直方图映射算法。
进一步地,在步骤S2中采用引导滤波器。
本发明具有如下优点:细节表达能力强,并行度强,能够减少算法的执行时间,从而达到红外图像的高效实时细节增强。
附图说明
图1为本发明的设计图;
图2为本发明的流程图;
图3为本发明实施例中基于引导滤波器的整幅图像细节增强处理效果图;
3a为场景1的原始和增强图形;
3b为场景2的原始和增强图形;
3c为场景3的原始和增强图形;
其中:左图为原始图像,右图为增强图像;
图4为本发明实施例中基于引导滤波器的图像子块细节增强处理效果图;
4a为子块1的原始和增强图形;
4b为子块2的原始和增强图形;
4c为子块3的原始和增强图形;
4d为子块4的原始和增强图形;
4e为子块5的原始和增强图形;
4f为子块6的原始和增强图形;
4g为子块7的原始和增强图形;
4h为子块8的原始和增强图形;
4i为子块9的原始和增强图形;
4j为子块10的原始和增强图形;
4k为子块11的原始和增强图形;
4l为子块12的原始和增强图形;
4m为子块13的原始和增强图形;
4n为子块14的原始和增强图形;
4o为子块15的原始和增强图形;
4p为子块16的原始和增强图形;
其中:左图为原始图像,右图为增强图像。
具体实施方式
本发明实施例公开了基于图像分层的实时高效红外图像细节增强方法研究如图1和2所示,该增强方法包括如下步骤:
步骤S1、输入一幅待处理的红外图像,将整幅图像均匀分为尺寸相同的多个图像子块。图像子块的个数根据原始图像分辨率来确定,同时还要考虑计算的复杂度,图像分辨率大时,可相应地增加图像子块的个数,对于为1280×960的红外图像,一般将其分为2×2或者3×3、或者4×4块。
步骤S2、运用基于图像分层的细节增强方法,对步骤S1获得的所有图像子块进行并行处理,得到细节增强后的各个图像子块。基于图像分层的细节增强方法的具体过程如下:
步骤S21、利用同一滤波器,并行地对步骤S1获得的多个图像子块进行图像分层处理,将各个图像子块分为背景基本层和图像细节层。
在步骤S21中,涉及到对图像子块进行预处理分层的滤波器的确定。对图像进行低通滤波在图像处理中是比较常用的图像去噪方法,但是图像中的强边缘也属于高频信息,在低通滤波时很容易被模糊,所以本发明采用在图像空域中能对图像进行保边去噪的引导滤波器,该滤波器通过考虑在像素邻域内各个像素与当前像素的相关性来判断噪声并进行滤除,这样以保证强边缘不被模糊,而只将噪声和细节分到细节层,同时还避免了双边滤波器经常出现的梯度反转效应。
步骤S22、选择一动态范围压缩算法,并行地对S21中获得的图像子块的背景基本层进行动态范围压缩,得到处理后的基本层;
在步骤S22中,涉及到对图像子块的背景基本层的处理方法的确定。本发明采用了二值化直方图映射算法,认为只要图像中的灰度级有效,就对它进行同样尺度的拉伸,这样可以保证更好地局部对比度和更均衡地动态范围映射。同时,还将无明显目标均匀背景图像的映射范围做限制,以免低动态范围图像被过度拉伸。
步骤S23、选择一细节放大算法,并行地对S21中获得的图像子块的图像细节层进行细节的放大并抑制噪声,得到处理后的细节层;
在步骤S23中,涉及到对图像子块的图像细节层的处理方法的确定。通过定义噪声可见性函数来判断细节层中哪些是背景噪声哪些是图像细节。噪声可见性函数的关键是得到一个和图像大小一样的噪声掩膜,确认对应位置的像素是否包含图像细节。采用这种方式可以更好地对背景噪声进行抑制,而不是仅根据细节层像素值大小来模糊地判断噪声。
步骤S24、由处理后的背景层和细节层,通过权重加权并行地合成出细节增强后的各图像子块。
在步骤S24中,涉及到细节权重系数的确定。通过引导滤波器的滤波核将图像噪声的权重趋于0,而将图像细节的权重趋于1。采用这种方式可以更好地对背景噪声进行抑制,而不是仅根据细节层像素值大小来模糊地判断噪声。以此对每个图像子块进行细节增强后图像的合成。
步骤S3、运用所述步骤S2获得的增强后图像子块,将增强后的图像子块按照原始输入图像中分布拼接起来,得到细节增强后的整幅红外图像。
将本发明中的方法应用于高效实时红外图像细节增强,所用的数据集为自行采集的无人机航拍地面景观红外图像,波段范围为770-810nm,简称UAV数据集,该数据集共有12个场景,350个图像,图像空间分辨率为1280×960像素。对所选取的每个红外图像执行上述步骤S1-S3描述的过程。
将图像分辨率为1280×960的红外图像均匀分为16个图像分辨率为320×240的图像子块。
为了验证本发明中的方法的有效性,分别从主观方面和客观方面进行评价。其中,主观评价为人眼对图像细节增强情况的主观判断,客观评价指标为图像对比度、信息熵和算法运行时间,图像的对比度表示了图像中灰度之间的差异,灰度差异越大表示图像的对比越大,图像的质量也就越好;信息熵表现了图像中信息量的大小,信息熵越大,意味着图像的灰度范围广、层次丰富、细节表现能力越强。
基于图像分层的实时高效红外图像细节增强方法中,在实施例中设计相关实验及结果展示。以UAV数据集中三幅场景图为例,如图3中的3a、3b、和3c所示,为基于引导滤波器的整幅图像细节增强处理效果图,从左至右分别是各个场景下的整体的原始红外图像和细节增强后图像。从视觉效果看,发现细节增强后图像更加清晰,细节突出。
表1基于图像分层的实时高效红外图像细节增强效果
为了便于从客观方面评价,表1列出了三幅场景图,均采用本发明中的方法对图像子块进行细节增强后所得到的平均性能,具体有图像对比度、信息熵和算法运行时间。由表1中的数据可知,对于场景1,原本整幅图像的增强时间为591ms,采用本发明中的方法后,增强时间缩减到5.0ms;对于场景2,原本整幅图像的增强时间为591ms,采用本发明中的方法后,增强时间缩减到了为5.1ms;对于场景3,原本整幅图像的增强时间为844ms,采用本发明中的方法后,增强时间缩减到5.6ms。各场景的对比度和信息熵,处理后的数值均比处理前的数值有较大的提高。从客观方面评价,采用本发明中的方法取得了良好的细节增强效果。
另外,为了验证本发明中细节增强方法的实时性,在数据集中选用其中任意一个场景,在此场景下展示对图像子块进行并行处理的细节增强效果。如图4所示,为在场景1下的基于引导滤波器的图像子块细节增强处理效果图,图像共包含16个尺寸相同的子块,如图4中的4a~4p,从左至右分别是各个图像子块的原始红外图像和细节增强后图像。从视觉效果看,经过本发明中的方法增强后,各个子块图像细节丰富,场景更加清晰。
Claims (3)
1.一种基于图像分层的实时高效红外图像细节增强方法,其特征在于,该方法包括如下步骤:
步骤S1、输入一幅待处理的红外图像,将整幅图像均匀分为尺寸相同的多个图像子块;
步骤S2、利用同一滤波器,并行地对步骤S1获得的多个图像子块进行图像分层处理,将各个图像子块分为背景基本层和图像细节层;
采用一动态范围压缩算法,并行地对获得的图像子块的背景基本层进行动态范围压缩,得到处理后的背景基本层;
选择一细节放大算法,并行地对获得的图像子块的图像细节层进行细节的放大并抑制噪声,得到处理后的细节层;
将处理后的背景层和细节层,通过权重加权并行地合成出细节增强后的各图像子块;
步骤S3、将增强后的图像子块按照原始输入的待处理图像中的分布拼接起来,得到细节增强后的整幅红外图像。
2.根据权利要求1所述的一种基于图像分层的实时高效红外图像细节增强方法,其特征在于,在所述步骤S2中,采用的动态范围压缩算法为二值化直方图映射算法。
3.根据权利要求2所述的一种基于图像分层的实时高效红外图像细节增强方法,其特征在于,在所述步骤S2中采用引导滤波器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011058474.3A CN112288644A (zh) | 2020-09-30 | 2020-09-30 | 一种基于图像分层的实时高效红外图像细节增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011058474.3A CN112288644A (zh) | 2020-09-30 | 2020-09-30 | 一种基于图像分层的实时高效红外图像细节增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288644A true CN112288644A (zh) | 2021-01-29 |
Family
ID=74422275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011058474.3A Pending CN112288644A (zh) | 2020-09-30 | 2020-09-30 | 一种基于图像分层的实时高效红外图像细节增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288644A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240664A (zh) * | 2021-06-03 | 2021-08-10 | 郑州航空工业管理学院 | 基于场景时空显著性的红外探测虚警检测方法及其应用 |
CN114359083A (zh) * | 2021-12-24 | 2022-04-15 | 北京航空航天大学 | 一种面向干扰环境的高动态热红外图像自适应预处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530896A (zh) * | 2013-09-25 | 2014-01-22 | 电子科技大学 | 一种红外图像的图像压缩和细节增强方法 |
CN104252700A (zh) * | 2014-09-18 | 2014-12-31 | 电子科技大学 | 一种红外图像的直方图均衡化方法 |
CN106485687A (zh) * | 2016-09-20 | 2017-03-08 | 深圳市华星光电技术有限公司 | 一种直方图的影像对比增强方法及显示装置 |
CN107016654A (zh) * | 2017-03-29 | 2017-08-04 | 华中科技大学鄂州工业技术研究院 | 一种基于引导图像滤波的自适应红外图像细节增强方法 |
CN111340692A (zh) * | 2018-12-18 | 2020-06-26 | 北京长峰科威光电技术有限公司 | 一种红外图像动态范围压缩以及对比度增强算法 |
CN111612725A (zh) * | 2020-04-29 | 2020-09-01 | 中国科学院西安光学精密机械研究所 | 一种基于可见光图像对比度增强的图像融合方法 |
-
2020
- 2020-09-30 CN CN202011058474.3A patent/CN112288644A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530896A (zh) * | 2013-09-25 | 2014-01-22 | 电子科技大学 | 一种红外图像的图像压缩和细节增强方法 |
CN104252700A (zh) * | 2014-09-18 | 2014-12-31 | 电子科技大学 | 一种红外图像的直方图均衡化方法 |
CN106485687A (zh) * | 2016-09-20 | 2017-03-08 | 深圳市华星光电技术有限公司 | 一种直方图的影像对比增强方法及显示装置 |
CN107016654A (zh) * | 2017-03-29 | 2017-08-04 | 华中科技大学鄂州工业技术研究院 | 一种基于引导图像滤波的自适应红外图像细节增强方法 |
CN111340692A (zh) * | 2018-12-18 | 2020-06-26 | 北京长峰科威光电技术有限公司 | 一种红外图像动态范围压缩以及对比度增强算法 |
CN111612725A (zh) * | 2020-04-29 | 2020-09-01 | 中国科学院西安光学精密机械研究所 | 一种基于可见光图像对比度增强的图像融合方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240664A (zh) * | 2021-06-03 | 2021-08-10 | 郑州航空工业管理学院 | 基于场景时空显著性的红外探测虚警检测方法及其应用 |
CN113240664B (zh) * | 2021-06-03 | 2023-06-09 | 郑州航空工业管理学院 | 基于场景时空显著性的红外探测虚警检测方法及其应用 |
CN114359083A (zh) * | 2021-12-24 | 2022-04-15 | 北京航空航天大学 | 一种面向干扰环境的高动态热红外图像自适应预处理方法 |
CN114359083B (zh) * | 2021-12-24 | 2022-11-29 | 北京航空航天大学 | 一种面向干扰环境的高动态热红外图像自适应预处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rajkumar et al. | A comparative analysis on image quality assessment for real time satellite images | |
Xu et al. | Structure-texture aware network for low-light image enhancement | |
CN108090886B (zh) | 一种高动态范围红外图像的显示与细节增强方法 | |
CN112288644A (zh) | 一种基于图像分层的实时高效红外图像细节增强方法 | |
CN113837974A (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
Zhou et al. | A multifeature fusion method for the color distortion and low contrast of underwater images | |
Karalı et al. | Adaptive image enhancement based on clustering of wavelet coefficients for infrared sea surveillance systems | |
CN111489319A (zh) | 基于多尺度双边滤波和视觉显著性的红外图像增强方法 | |
CN108492268A (zh) | 基于小波系数融合的低照度图像增强算法 | |
Wang et al. | Review on underwater image restoration and enhancement algorithms | |
Almutiry et al. | Underwater images contrast enhancement and its challenges: a survey | |
CN107818547A (zh) | 一种面向微光图像序列中椒盐和高斯混合噪声的去除方法 | |
KR20140109801A (ko) | 3d이미지 품질을 향상시키는 방법과 장치 | |
CN115809966A (zh) | 一种低照度图像的增强方法和系统 | |
Huang et al. | Efficient contrast enhancement with truncated adaptive gamma correction | |
CN111311503A (zh) | 一种夜晚低亮度图像增强系统 | |
Hu et al. | Kinect depth map based enhancement for low light surveillance image | |
CN110175959B (zh) | 一种台风云图增强方法 | |
Li et al. | A cascaded algorithm for image quality assessment and image denoising based on CNN for image security and authorization | |
CN113269681B (zh) | 一种基于多算法融合的水下实时图像增强方法 | |
CN112822343B (zh) | 一种面向夜间视频的清晰化方法及存储介质 | |
Abbaspour et al. | A new fast method for foggy image enhancement | |
Wang et al. | Rapid nighttime haze removal with color-gray layer decomposition | |
Zhong et al. | Multifocus image fusion using focus measure of fractional differential and NSCT | |
CN114723627A (zh) | 基于改进双边滤波的红外弱小目标预处理方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210129 |