CN112348760A - 图像处理方法及系统 - Google Patents

图像处理方法及系统 Download PDF

Info

Publication number
CN112348760A
CN112348760A CN202011359674.2A CN202011359674A CN112348760A CN 112348760 A CN112348760 A CN 112348760A CN 202011359674 A CN202011359674 A CN 202011359674A CN 112348760 A CN112348760 A CN 112348760A
Authority
CN
China
Prior art keywords
image
detail
local
dynamic range
gray scale
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
Application number
CN202011359674.2A
Other languages
English (en)
Inventor
孙刚
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.)
Hunan Aoying Chuangshi Information Technology Co ltd
Original Assignee
Hunan Aoying Chuangshi Information 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 Hunan Aoying Chuangshi Information Technology Co ltd filed Critical Hunan Aoying Chuangshi Information Technology Co ltd
Priority to CN202011359674.2A priority Critical patent/CN112348760A/zh
Publication of CN112348760A publication Critical patent/CN112348760A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • 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
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，公开一种图像处理方法及系统，以在压缩过程中增强细节信息。本发明方法包括：采用双边滤波将原始图像分解为基底图像和细节图像；对所述基底图像进行自适应动态范围压缩，以及对所述细节图像进行细节增强；将自适应动态范围压缩处理后的基底图像与细节增强后的细节图像进行加权融合后作为DRCDDE输出结果。

Description

图像处理方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像处理方法及系统。
背景技术
高性能的热成像系统采用14bits或更高位宽的ADC对探测信号进行采样，从而提高对大动态范围红外场景的量化精度，和对局部小对比度细节探测的灵敏度。然而，一般的显示或监视设备只支持8bits位宽，即便是一些图像处理机，考虑到实时性等因素，也需将动态范围限制在256级灰度阶；此外，由于人体视觉系统的局限性，人类只能识别图像中128级灰度阶(7bits)，对高动态范围的图像中较小动态温差形成的细节结构也无法感知。因此，有必要采取合理的压缩技术，将高动态范围的原始数据映射到8bits数据上，同时要求尽可能保留低对比的图像细节。由于丰富的场景信息存在于高动态数据中，想从压缩后的8bits数据中再增强出被压缩掉的细节是比较困难的，因此应考虑在动态范围的压缩过程中保持或增强细节信息。
发明内容
本发明目的在于公开一种图像处理方法及系统，以在压缩过程中增强细节信息。
为达上述目的，本发明公开一种图像处理方法，包括：
采用双边滤波将原始图像分解为基底图像和细节图像；
对所述基底图像进行自适应动态范围压缩，以及对所述细节图像进行细节增强；
将自适应动态范围压缩处理后的基底图像与细节增强后的细节图像进行加权融合后作为DRCDDE(dynamic range compression and detail enhancement，动态范围压缩和数字细节增强算法)输出结果；
其中，在细节增强处理过程中，基于伽马校正来实现自适应灰度扩展从而进行增强，具体公式为：
Figure BDA0002803626660000011
其中，gdde为增强后的细节图像，rd为自适应的灰度扩展因子，fd(x,y)为双边滤波后得到的细节图像；且：
Figure BDA0002803626660000021
其中，Q为调节系数；σ和μ分别为输入图像fd(x,y)的方差和均值；σl(x,y)和μl(x,y)分别为以像素点f(x,y)为中心，在3×3的局邻域内计算出的局部方差和均值。
在细节增强处理过程中，还包括：
根据细节图像中噪声点与真实弱小目标的局部统计特性差异，构建噪声点抑制的局部规则，实现细节图像中背景残差及随机噪声的快速判别与抑制。
优选地，所述对所述基底图像进行自适应动态范围压缩包括：
建立起局部对比度保持的动态范围压缩的算子模型，并构建根据像素的局部均值自适应决定压缩比的非线性灰度转移函数；所述算子模型具体为：
Figure BDA0002803626660000022
其中，fin(x,y)为原始输入图像像素点(x,y)的灰度值，favg(x,y)为其局部邻域平均值，gout(x,y)为输出图像的灰度值，β为对比度的增强程度控制参数，T[.]:R→R表示任意单调递增且连续可微的灰度转移函数，R表示实数集；
所述非线性灰度转移函数具体为：
Figure BDA0002803626660000023
gT为自适应灰度转换函数，γb为压缩比；且：
Figure BDA0002803626660000024
其中，μ(x,y)为像素(x,y)的邻域平均值，k为修正的归一化因子，fb(x,y)表示基底图像；联立得到最终对比度保持的动态范围压缩结果ghdr(x,y)为：
Figure BDA0002803626660000025
优选地，所述加权融合处理包括：在融合前先做极值线性扩展：
Figure BDA0002803626660000031
前述的ghdr(x,y),gdde(x,y)相对应的扩展结果分别是Ghdr(x,y),Gdde(x,y)，最终的融合DRCDDE输出结果GDRCDDE(x,y)表示为：
GDRCDDE(x,y)＝(1-p)Ghdr(x,y)+pGdde(x,y)
其中，p为比例系数，0＜p＜1。
为达上述目的，本发明还公开一种图像处理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述相对应的方法的步骤。
综上，本发明通过分离高动态数据中大尺度成分与小尺度成分，然后分别进行动态压缩或扩展。至少具有以下有益效果：
对于实现在高动态压缩的同时保持或者增强小温差信号的对比度是十分必要和有效的。根据红外图像的特点建立的FLCP算子模型，大大简化算子模型的计算，而且使压缩后的图像与原始的总动态范围相匹配，能够在整个灰度级范围内同时保持亮区和暗区的细节。
进一步的，考虑到BF对高频细节的保护作用，分解的细节图像中存在一定的高频噪声，本发明采用自适应的局部灰度扩展准则，实现低对比度细节的增强同时有效的噪声抑制。
采用真实的红外图像及多个定量评价标准，经实验证明，本发明的算法更好的实现了各种红外场景的高动态压缩及不同温度背景中的小对比度保持；对不同动态范围的红外图像都能取得优异的细节增强及噪声抑制效果；尤其能够突出图像中低信杂比的弱小目标，具有实际应用价值。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是典型红外场景图像的动态范围示意图。
图2是本发明算法原理图。
图3是本发明各步骤运算结果图；图中(a)为基底图像，(b)为细节图像，(c)为融合图像。
图4是通过仿真包含5个理论靶标的8bit红外图像来验证本发明的有效性；其中,(a)为原始图像，(b)至(e)分别为histogram equalization、CLAHE、BF&DRP、SDRCLCE四种对比的现有方法所得到的图像压缩处理结果，(f)为本实施例方法的融合结果。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
参照图1至图3，本实施例公开一种图像处理方法，可用于完成14bits高动态范围数据到8bits数据的动态压缩，并能保持或增强原有的细节信息以便用于低位宽的显示系统。其包括：对大动态的灰度变化如大尺度的结构特征或高对比度的细节进行压缩，对较小差异的灰度变化如低对比的目标细节进行扩展。具体实施方式如下：
利用双边滤波，将高动态的原始数据分解为包含大尺度、大对比度的基底图像，和包含小尺度、低对比度的细节图像两部分。然后对于基底图像，主要进行对比度保持的高动态范围压缩；对于细节图像，则重点进行小动态的扩展及细节增强。最后将两部分的处理结果，分别用ghdr(x,y)和gdde(x,y)表示，进行动态范围分配及融合，从而实现高动态范围压缩及细节增强。
用fM(x,y)代表原始图像，用fb(x,y)表示高动态原始数据的基底图像，可得到细节图像fd(x,y)：
fd(x,y)＝fM(x,y)-fb(x,y)
高动态范围的红外图像经双边滤波(Bilatertal Filter,BF)分解为基底图像和细节图像后，将进入不同的处理流程。其中，与传统的线性滤波相比，双边滤波能响应信号的快速变化从而避免引入“伪影(halo artifacts)”，还可以根据图像的局部对比度灵活选择小尺度结构是否保持。
作为本实施例优选的实施方式，本发明设计了一种快速对比度保持(fast localcontrast preserving,FLCP)算子模型，表示为：
Figure BDA0002803626660000041
其中，fin(x,y)为原始输入图像像素点(x,y)的灰度值，favg(x,y)为其局部邻域平均值，gout(x,y)为输出图像的灰度值，β为对比度的增强程度控制参数，T[.]:R→R表示任意单调递增且连续可微的灰度转移函数(R表示实数)。favg(x,y)可通过对输入图像进行高斯平滑卷积得到。
该算子简洁高效的实现了局部对比度保持的高动态范围压缩，与传统的局部对比度范围变换算子(local-contrast range transform,LCRT)相比，它适用任何单调递增的灰度变换函数(intensity transfer function,ITF)，具有更强的灵活性；重要的是在相当大的程度上降低了算子的运算量，提高算法的实时性。
作为本实施例优选的实施方式，本实施例设计了一种新的非线性灰度转换函数，根据像素的局部均值自适应的决定压缩比：
Figure BDA0002803626660000051
其中，γb为压缩比，μ(x,y)为像素(x,y)的邻域平均值，k为修正的归一化因子。
自适应灰度转换函数gT可最终表示为：
Figure BDA0002803626660000052
上述灰度转换函数可使动态范围压缩过程满足：
(1)在整个灰度级范围内都能够保持高的视觉对比度，可同时保留亮区和暗区背景中的细节特征。
(2)原始高动态范围中灰度级较低的主体结构能够合理的向较高灰度级移动，使暗区内的特征被增强。
(3)在进行亮区内视觉对比度增强的过程中，能有效的避免灰度级的大范围饱和现象。
(4)动态压缩的过程不会出现灰度值的翻转现象，既保证灰度映射曲线是单调递增的。
作为本实施例优选的实施方式，上述快速LCRT算子应用该灰度映射函数，整合得到最终对比度保持的动态范围压缩的表达式：
Figure BDA0002803626660000053
利用该表达式，可完成DRCDDE算法中对基底图像对比度保持的大动态范围压缩处理。
作为本实施例优选的实施方式，对分解得到的细节图像部分，构建噪声点抑制的局部规则，实现细节图像中背景残差及随机噪声等像素点的快速判别与抑制。剩余代表着原始高动态数据中的细节信息的像素点，基于伽马校正来实现自适应灰度扩展从而进行增强。
Figure BDA0002803626660000061
其中，gdde为增强后的细节图像，γd为自适应的灰度扩展因子。
对于输入的细节图像fd(x,y)，计算全局的均值μ及方差σ，以任意像素点fx,y为中心，在3×3的局邻域内计算局部均值μl(x,y)及局部方差σl(x,y)。引入调节系数Q，细节图像小动态扩展的γd构造如下：
Figure BDA0002803626660000062
作为本实施例优选的实施方式，两部分的处理结果，进行融合可得到DRCDDE算法的最终输出。为充分利用整个灰度级范围，在融合前先做极值线性扩展：
Figure BDA0002803626660000063
利用上述公式，前述的ghdr(x,y),gdde(x,y)相对应的扩展结果分别是Ghdr(x,y),Gdde(x,y)，最终的融合方程表示为：
GDRCDDE(x,y)＝(1-p)Ghdr(x,y)+pGdde(x,y)
其中，p为比例系数，p(0＜p＜1)。
由上式可知：p控制着融合结果中动态范围的分配。在位宽为M的输出中，细节成分占有的动态范围级数为p·2M，基底成分占有的动态范围级数为(1-p)·2M；对应上述输出为8bits数据，则M的取值为8。
参照图4，原始图如图4(a)所示，包含有5个处于不同的温度背景中的靶标，且与背景只有1至2个灰度级差异，肉眼无法辨别出如此细微的温度差异。基于BF分解思想的BF&DRP算法及本文算法，均成功显现出所有5个靶标。但从图(d)与(f)中靶标的增强效果来看，DRCDDE算法要明显由于前者。
实施例2
本实施例公开一种图像处理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现下述步骤：
步骤S1、采用双边滤波将原始图像分解为基底图像和细节图像。
步骤S2、对所述基底图像进行自适应动态范围压缩，以及对所述细节图像进行细节增强。优选地，在细节增强处理过程中，还包括：根据细节图像中噪声点与真实弱小目标的局部统计特性差异，构建噪声点抑制的局部规则，实现细节图像中背景残差及随机噪声的快速判别与抑制。
在该步骤中，基于伽马校正来实现自适应灰度扩展从而进行增强，具体公式为：
Figure BDA0002803626660000071
其中，gdde为增强后的细节图像，γd为自适应的灰度扩展因子，fd(x,y)为双边滤波后得到的细节图像；且：
Figure BDA0002803626660000072
其中，Q为调节系数；σ和μ分别为输入图像fd(x,y)的方差和均值；σl x,y和μl x,y分别为以像素点fx,y为中心，在3×3的局邻域内计算出的局部方差和均值。
在该步骤中，优选地，所述对所述基底图像进行自适应动态范围压缩包括：
建立起局部对比度保持的动态范围压缩的算子模型，并构建根据像素的局部均值自适应决定压缩比的非线性灰度转移函数；所述算子模型具体为：
Figure BDA0002803626660000073
其中，fin(x,y)为原始输入图像像素点(x,y)的灰度值，favg(x,y)为其局部邻域平均值，gout(x,y)为输出图像的灰度值，β为对比度的增强程度控制参数，T[.]:R→R表示任意单调递增且连续可微的灰度转移函数，R表示实数集；
所述非线性灰度转移函数具体为：
Figure BDA0002803626660000074
gT为自适应灰度转换函数，γb为压缩比；且：
Figure BDA0002803626660000075
其中，μ(x,y)为像素(x,y)的邻域平均值，k为修正的归一化因子，fb(x,y)表示基底图像；联立得到最终对比度保持的动态范围压缩结果ghdr(x,y)为：
Figure BDA0002803626660000081
步骤S3、将自适应动态范围压缩处理后的基底图像与细节增强后的细节图像进行加权融合后作为DRCDDE输出结果；
优选地，该步骤加权融合处理包括：在融合前先做极值线性扩展：
Figure BDA0002803626660000082
前述的ghdr(x,y),gdde(x,y)相对应的扩展结果分别是Ghdr(x,y),Gdde(x,y)，最终的融合DRCDDE输出结果GDRCDDE(x,y)表示为：
GDRCDDE(x,y)＝(1-p)Ghdr(x,y)+pGdde(x,y)
其中，p为比例系数，0＜p＜1。
综上，本发明上述各实施例所分别公开的图像处理方法及系统，至少具有以下有益效果：
对于实现在高动态压缩的同时保持或者增强小温差信号的对比度是十分必要和有效的。根据红外图像的特点建立的FLCP算子模型，大大简化算子模型的计算，而且使压缩后的图像与原始的总动态范围相匹配，能够在整个灰度级范围内同时保持亮区和暗区的细节。
进一步的，考虑到BF对高频细节的保护作用，分解的细节图像中存在一定的高频噪声，本发明采用自适应的局部灰度扩展准则，实现低对比度细节的增强同时有效的噪声抑制。
采用真实的红外图像及多个定量评价标准，经实验证明，本发明的算法更好的实现了各种红外场景的高动态压缩及不同温度背景中的小对比度保持；对不同动态范围的红外图像都能取得优异的细节增强及噪声抑制效果；尤其能够突出图像中低信杂比的弱小目标，具有实际应用价值。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种图像处理方法，其特征在于，包括：
采用双边滤波将原始图像分解为基底图像和细节图像；
对所述基底图像进行自适应动态范围压缩，以及对所述细节图像进行细节增强；
将自适应动态范围压缩处理后的基底图像与细节增强后的细节图像进行加权融合后作为DRCDDE输出结果；
其中，在细节增强处理过程中，基于伽马校正来实现自适应灰度扩展从而进行增强，具体公式为：
Figure FDA0002803626650000011
其中，gdde为增强后的细节图像，rd为自适应的灰度扩展因子，fd(x,y)为双边滤波后得到的细节图像；且：
Figure FDA0002803626650000012
其中，Q为调节系数；σ和μ分别为输入图像fd(x,y)的方差和均值；σl(x,y)和μl(x,y)分别为以像素点f(x,y)为中心，在3×3的局邻域内计算出的局部方差和均值。
2.根据权利要求1所述的图像处理方法，其特征在于，在细节增强处理过程中，还包括：
根据细节图像中噪声点与真实弱小目标的局部统计特性差异，构建噪声点抑制的局部规则，实现细节图像中背景残差及随机噪声的快速判别与抑制。
3.根据权利要求1或2所述的图像处理方法，其特征在于，所述对所述基底图像进行自适应动态范围压缩包括：
建立起局部对比度保持的动态范围压缩的算子模型，并构建根据像素的局部均值自适应决定压缩比的非线性灰度转移函数；所述算子模型具体为：
Figure FDA0002803626650000013
其中，fin(x,y)为原始输入图像像素点(x,y)的灰度值，favg(x,y)为其局部邻域平均值，gout(x,y)为输出图像的灰度值，β为对比度的增强程度控制参数，T[.]:R→R表示任意单调递增且连续可微的灰度转移函数，R表示实数集；
所述非线性灰度转移函数具体为：
Figure FDA0002803626650000021
gT为自适应灰度转换函数，rb为压缩比；且：
Figure FDA0002803626650000022
其中，μ(x,y)为像素(x,y)的邻域平均值，k为修正的归一化因子，fb(x,y)表示基底图像；联立得到最终对比度保持的动态范围压缩结果ghdr(x,y)为：
Figure FDA0002803626650000023
4.根据权利要求3所述的图像处理方法，其特征在于，所述加权融合处理包括：在融合前先做极值线性扩展：
Figure FDA0002803626650000024
前述的ghdr(x,y),gdde(x,y)相对应的扩展结果分别是Ghdr(x,y),Gdde(x,y)，最终的融合DRCDDE输出结果GDRCDDE(x,y)表示为：
GDRCDDE(x,y)＝(1-p)Ghdr(x,y)+pGdde(x,y)
其中，p为比例系数，0＜p＜1。
5.一种图像处理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至4任一所述方法的步骤。
CN202011359674.2A 2020-11-27 2020-11-27 图像处理方法及系统 Pending CN112348760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011359674.2A CN112348760A (zh) 2020-11-27 2020-11-27 图像处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011359674.2A CN112348760A (zh) 2020-11-27 2020-11-27 图像处理方法及系统

Publications (1)

Publication Number Publication Date
CN112348760A true CN112348760A (zh) 2021-02-09

Family

ID=74365950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011359674.2A Pending CN112348760A (zh) 2020-11-27 2020-11-27 图像处理方法及系统

Country Status (1)

Country Link
CN (1) CN112348760A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763264A (zh) * 2021-08-09 2021-12-07 云南北方光电仪器有限公司 一种基于正负极性细节层分离的图像处理方法及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101950412A (zh) * 2010-07-23 2011-01-19 北京理工大学 一种红外图像细节增强和动态范围压缩方法
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
CN104021532A (zh) * 2014-06-19 2014-09-03 电子科技大学 一种红外图像的图像细节增强方法
CN107369146A (zh) * 2017-06-28 2017-11-21 深圳源广安智能科技有限公司 一种高性能红外图像处理系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101950412A (zh) * 2010-07-23 2011-01-19 北京理工大学 一种红外图像细节增强和动态范围压缩方法
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
CN104021532A (zh) * 2014-06-19 2014-09-03 电子科技大学 一种红外图像的图像细节增强方法
CN107369146A (zh) * 2017-06-28 2017-11-21 深圳源广安智能科技有限公司 一种高性能红外图像处理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙刚: "大视场红外搜索系统目标检测关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》, no. 2017, pages 2 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763264A (zh) * 2021-08-09 2021-12-07 云南北方光电仪器有限公司 一种基于正负极性细节层分离的图像处理方法及存储介质
CN113763264B (zh) * 2021-08-09 2024-03-15 云南北方光电仪器有限公司 一种基于正负极性细节层分离的图像处理方法及存储介质

Similar Documents

Publication Publication Date Title
CN108090886B (zh) 一种高动态范围红外图像的显示与细节增强方法
CN110827229B (zh) 一种基于纹理加权直方图均衡化的红外图像增强方法
US8295596B1 (en) Adaptive histogram-based video contrast enhancement
CN111709898B (zh) 基于优化clahe的红外图像增强方法与系统
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
CN112019827B (zh) 视频图像色彩增强的方法、装置、设备及存储介质
CN112634384A (zh) 一种高动态范围图像压缩的方法及装置
CN111292269A (zh) 一种图像色调映射方法、计算机装置及计算机可读存储介质
CN108495054B (zh) 高动态范围信号的处理方法、装置及计算机存储介质
CN115965544A (zh) 自适应亮度调节的图像增强方法及系统
CN113808036A (zh) 基于Retinex模型的低照度图像增强与去噪方法
CN116309152A (zh) 一种低照度图像的细节增强方法、系统、设备和存储介质
CN1329873C (zh) 截断直方图均衡方法
CN112348760A (zh) 图像处理方法及系统
CN113781368B (zh) 基于局部信息熵的红外成像装置
CN113438386B (zh) 一种应用于视频处理的动静判定方法及装置
CN114331810A (zh) 图像处理方法及相关装置
CN114363532A (zh) 聚焦方法以及相关装置
CN113393394A (zh) 基于伽马变换的低照度灰度图像增强方法、装置及存储介质
CN111724301A (zh) 一种基于直方图统计的自适应拉伸方法及系统
Bataineh Brightness and Contrast Enhancement Method for Color Images via Pairing Adaptive Gamma Correction and Histogram Equalization
CN116152094B (zh) 自动驾驶高动态场景图像优化方法、系统、终端及介质
CN113487520B (zh) 基于转炉温度测量的高动态范围图像生成方法及系统
EP4068081A1 (en) Method and system for measuring a feature of persons
CN118102122A (zh) 一种自适应红外图像调光方法及系统

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