CN112598606B - 一种基于图像分解的局部自适应红外图像增强方法 - Google Patents

一种基于图像分解的局部自适应红外图像增强方法 Download PDF

Info

Publication number
CN112598606B
CN112598606B CN202011508170.2A CN202011508170A CN112598606B CN 112598606 B CN112598606 B CN 112598606B CN 202011508170 A CN202011508170 A CN 202011508170A CN 112598606 B CN112598606 B CN 112598606B
Authority
CN
China
Prior art keywords
image
infrared image
histogram
infrared
bit
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
CN202011508170.2A
Other languages
English (en)
Other versions
CN112598606A (zh
Inventor
干宗良
王梦柔
刘峰
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202011508170.2A priority Critical patent/CN112598606B/zh
Publication of CN112598606A publication Critical patent/CN112598606A/zh
Application granted granted Critical
Publication of CN112598606B publication Critical patent/CN112598606B/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
    • G06T5/40—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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

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

Abstract

本发明公开了一种基于图像分解的局部自适应红外图像增强方法，旨在解决现有技术中红外探测器获取的红外图像对比度低、边缘模糊、信噪比低的技术问题。其包括：利用全局映射函数和局部映射函数，对原始红外图像进行对比度增强处理，获得对比度增强的红外图像；利用图像分解技术为对比度增强的红外图像进行图像分解；基于自适应增强算法对图像分解结果进行细节增强处理，获得红外增强图像。本发明能够有效地增强红外图像的对比度和细节，使得图像更加清晰。

Description

一种基于图像分解的局部自适应红外图像增强方法
技术领域
本发明涉及一种基于图像分解的局部自适应红外图像增强方法，属于机器视觉以及图形处理技术领域。
背景技术
目前，红外成像技术因其抗干扰能力强且能够全天候工作等特征，被广泛运用于军事、民事、医学等多个领域。然而红外探测器容易受到大气辐射以及噪声的影响，因此其探测到的红外图像通常存在对比度低、边缘模糊以及信噪比低等缺点，视觉效果不佳，无法直接运用在高精度成像领域。为了改善红外图像的视觉效果，使红外图像更加清晰，有必要对红外图像的对比度和细节进行增强，并且提高它的信噪比。
发明内容
为了解决现有技术中红外探测器获取的红外图像对比度低、边缘模糊、信噪比低的问题，本发明提出了一种基于图像分解的局部自适应红外图像增强方法，对原始红外图像进行局部映射、图像分解和细节增强等处理，能够有效提高红外图像的对比度和细节，提高图像的清晰度。
为解决上述技术问题，本发明采用了如下技术手段：
本发明提出了一种基于图像分解的局部自适应红外图像增强方法，包括如下步骤：
利用全局映射函数和局部映射函数，对原始红外图像进行对比度增强处理，获得对比度增强的红外图像；
利用图像分解技术为对比度增强的红外图像进行图像分解；
基于自适应增强算法对图像分解结果进行细节增强处理，获得红外增强图像。
进一步的，所述全局映射函数和局部映射函数的获取方法如下：
获取原始红外图像的红外热度矩阵，对红外热度矩阵进行归一化处理，获得8位红外图像；
根据8位红外图像，获得8位红外图像的几何分布直方图，并利用8位红外图像的几何分布直方图修正其全局直方图；
利用修正后的8位红外图像的全局直方图，获得全局映射函数；
将8位红外图像分成多个尺寸为a×b的图像块；
根据每个图像块，获得每个图像块的几何分布直方图，并利用每个图像块的几何分布直方图修正其局部直方图；
利用修正后的每个图像块的局部直方图，获得局部映射函数。
进一步的，所述归一化处理的公式如下：
Figure BDA0002845518000000021
其中，S(i,j)表示8位红外图像中坐标(i,j)处的像素点的灰度值，M(i,j)表示红外热度矩阵中第i行、第j列的红外热度值，Mmin表示红外热度矩阵中的最小红外热度值，Mmax表示红外热度矩阵中的最大红外热度值，i＝1,2,…,m，j＝1,2,…,n，m为原始红外图像中每一行的像素点数量，n为原始红外图像中每一列的像素点数量。
进一步的，获得全局映射函数的具体操作如下：
根据8位红外图像的全局直方图获得8位红外图像的非零直方图，并对非零直方图进行降序处理，获得8位红外图像的降序直方图Hd；
根据8位红外图像，计算8位红外图像的几何分布直方图Hg，具体表达式如下：
Hg(k)＝(1-η)k-1·η (2)
其中，Hg(k)表示几何分布直方图Hg中第k个灰度值出现的概率，即第k个灰度值对应的像素点个数与像素点总数的比值，η为几何分布的概率参数，k＝1,2,…,K，K为8位红外图像的非零直方图中灰度值的数量；
根据几何分布直方图Hg和降序直方图Hd获得8位红外图像的目标直方图，具体表达式如下：
Figure BDA0002845518000000031
其中，Ht表示8位红外图像的目标直方图，μ为目标直方图的正则化参数；
根据8位红外图像的全局直方图，对目标直方图进行升序处理，获得修正后的8位红外图像的全局直方图He；
根据修正后的8位红外图像的全局直方图He获得全局映射函数：
Figure BDA0002845518000000032
其中，TG(l)表示8位红外图像中灰度值l的映射，He(d)表示修正后的8位红外图像的全局直方图He中灰度值d出现的概率，d＝1,2,…,l，l∈[0,255]。
进一步的，局部映射函数的表达式如下：
Figure BDA0002845518000000041
其中，Tp,q(l)表示8位红外图像中第p行、第q列的图像块中灰度值l的映射，Hf(d)表示8位红外图像中第p行、第q列的图像块修正后的局部直方图中灰度值d出现的概率，p＝1,2,…,P，q＝1,2,…,Q，P为8位红外图像中每一行的图像块总数，Q为8位红外图像中每一列的图像块总数。
进一步的，对比度增强处理的具体操作如下：
根据全局映射函数和局部映射函数，利用自适应参数获得更新后的局部映射函数，更新后的局部映射函数的表达式如下：
Figure BDA0002845518000000042
其中，
Figure BDA0002845518000000043
表示更新后的局部映射函数中灰度值l的映射，cp,q为8位红外图像中第p行、第q列的图像块的自适应参数；
自适应参数cp,q的计算公式如下：
Figure BDA0002845518000000044
其中，v1和v2分别为人工设置的参数，var(p,q)表示8位红外图像中第p行、第q列的图像块中所有像素点的灰度方差，vmax表示8位红外图像的所有图像块中的最大灰度方差，vmin1表示灰度方差大于等于vmax/2的图像块中的最小灰度方差，vmax1表示灰度方差大于等于vmax/2的图像块中的最大灰度方差，vmin2表示灰度方差小于vmax/2的图像块中的最小灰度方差，vmax2表示灰度方差小于vmax/2的图像块中的最大灰度方差；
利用更新后的局部映射函数逐个灰度级的增强原始红外图像的对比度：
Figure BDA0002845518000000051
其中，se表示原始红外图像中灰度值为l的像素点对比度增强后的灰度值。
进一步的，图像分解的具体操作为：首先将对比度增强的红外图像分解为基本亮度层和纹理层；然后利用滤波器将纹理层分解为主纹理层和细节层。
进一步的，基于自适应增强算法对图像分解结果进行细节增强处理的具体操作如下：
利用预先设置的细节增益参数G1和G2增强细节层的细节，获得增强后的细节层：
Figure BDA0002845518000000052
其中，
Figure BDA0002845518000000053
表示增强后的细节层中坐标(i,j)处的像素点的灰度值，Rdetail(i,j)表示细节层中坐标(i,j)处的像素点的灰度值，w(i,j)表示细节层中坐标(i,j)处的像素点的细节权重，i＝1,2,…,m，j＝1,2,…,n，m为红外图像中每一行的像素点数量，n为红外图像中每一列的像素点数量；
w(i,j)的表达式如下：
Figure BDA0002845518000000054
其中，Ω表示以(i,j)为圆心、r为半径的局部窗口，|Ω|表示局部窗口Ω中像素点的总数，|Ω|＝(2r+1)2，Se(i′,j′)表示对比度增强的红外图像的局部窗口中坐标(i′,j′)处的像素点的灰度值，Se(i,j)表示对比度增强的红外图像中坐标(i,j)处的像素点的灰度值，Z为binary函数的阈值，i′＝1,2,…,m′，j′＝1,2,…,n′，m′为局部窗口中每一行的像素点数量，n′为局部窗口中每一列的像素点数量；
将增强后的细节层与主纹理层相加，得到细节增强的纹理层：
Figure BDA0002845518000000061
其中，Re(i,j)表示细节增强的纹理层中坐标(i,j)处的像素点的灰度值，Rbase(i,j)表示主纹理层中坐标(i,j)处的像素点的灰度值；
将细节增强的纹理层与基本亮度层相乘，得到红外增强图像：
Figure BDA0002845518000000062
其中，Sout表示红外增强图像，L(i,j)表示基本亮度层中坐标(i,j)处的像素点的灰度值。
采用以上技术手段后可以获得以下优势：
本发明提出了一种基于图像分解的局部自适应红外图像增强方法，分别从整体和局部对原始红外图像进行分析，使用几何分布函数修正原始红外图像的全局直方图，然后利用自适应参数将修正后的全局映射函数与局部映射函数相结合，对原始红外图像中每个像素点的灰度值进行局部映射处理，增强红外图像对比度；在对比度增强的基础上对图像进行分解，针对图像的细节层进行自适应的细节增强处理，最终获得对比度和细节都增强的红外图像。本发明能够有效地增强红外图像的对比度和细节，与现有技术相比，本发明的增强效果更好，增强后的红外图像更加清晰、细节更准确。
附图说明
图1为本发明一种基于图像分解的局部自适应红外图像增强方法的步骤流程图；
图2为本发明实施例中局部自适应红外图像增强方法的流程示意图；
图3为本发明实施例中平均降序直方图的拟合图；
图4为本发明实施例中归一化处理后的8位红外图像的示意图；
图5为本发明实施例中利用CLAHE算法处理图4获得的红外增强图像；
图6为本发明实施例中利用RDCS算法处理图4获得的红外增强图像；
图7为本发明实施例中利用NCHE算法处理图4获得的红外增强图像；
图8为本发明实施例中利用MSRCR算法处理图4获得的红外增强图像；
图9为本发明实施例中利用GIF算法处理图4获得的红外增强图像；
图10为本发明实施例中利用本发明方法处理图4获得的红外增强图像。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明：
本发明提出了一种基于图像分解的局部自适应红外图像增强方法，如图1、2所示，具体包括如下步骤：
步骤1、利用全局映射函数和局部映射函数，对原始红外图像进行对比度增强处理，获得对比度增强的红外图像；
步骤2、利用图像分解技术为对比度增强的红外图像进行图像分解；
步骤3、基于自适应增强算法对图像分解结果进行细节增强处理，获得红外增强图像。
本发明方法中，对比度增强的原理如下：
选择包含大量灰度图像的数据集，并且将这些灰度图像划分为相同尺寸的多个图像块，并且需要用到多个不同尺寸，比如：32×32、64×64、128×128等尺寸。针对每一种尺寸的图像块，通过对比度衡量指标选择高对比度的图像块，计算它们的降序直方图，然后对所有图像块的降序直方图求平均，最后使用matlab对三个尺寸图像块的平均降序直方图进行拟合，得出不同尺寸高对比度图像块的降序直方图接近几何分布，平均降序直方图的拟合结果如图3所示。
在本发明实施例的步骤1中，全局映射函数和局部映射函数的获取方法可以分为如下步骤：
a：使用FLUKE公司TiX640型号的红外热像仪采集用于实验的红外数据集，直接采集出的图像是由红外热度矩阵组成的且分辨率为640*480的原始红外图像，将红外热度矩阵导入matlab，对红外热度矩阵进行归一化处理，获得8位红外图像，即归一化处理后的红外图像是8位的。
归一化处理的公式如下：
Figure BDA0002845518000000081
其中，S(i,j)表示8位红外图像中坐标(i,j)处的像素点的灰度值，M(i,j)表示红外热度矩阵中第i行、第j列的红外热度值，Mmin表示红外热度矩阵中的最小红外热度值，Nmax表示红外热度矩阵中的最大红外热度值，i＝1,2,…,m，j＝1,2,…,n，m为原始红外图像中每一行的像素点数量，n为原始红外图像中每一列的像素点数量。
b：根据8位红外图像，获得8位红外图像的几何分布直方图，并利用8位红外图像的几何分布直方图修正其全局直方图。
c：利用修正后的8位红外图像的全局直方图，获得全局映射函数。
d：将8位红外图像分成多个尺寸为a×b的图像块。
e：根据每个图像块，获得每个图像块的几何分布直方图，并利用每个图像块的几何分布直方图修正其局部直方图；
f：利用修正后的每个图像块的局部直方图，获得局部映射函数。
本发明实施例中获得全局映射函数的具体操作如下：
根据8位红外图像的全局直方图获得8位红外图像的非零直方图，并对非零直方图进行降序处理，即按照灰度值的大小对非零直方图中的数据进行重新排序，使其按照灰度值从大到小获得从小到大的顺序排列，获得8位红外图像的降序直方图Hd。
根据8位红外图像，计算8位红外图像的几何分布直方图Hg，具体表达式如下：
Hg(k)＝(1-η)k-1·η (14)
其中，Hg(k)表示几何分布直方图Hg中第k个灰度值出现的概率，即第k个灰度值对应的像素点个数与像素点总数的比值，η为几何分布的概率参数，k＝1,2,…,K，K为8位红外图像的非零直方图中灰度值的数量。
通过实验可知概率参数η满足下列关系：
Figure BDA0002845518000000091
根据几何分布直方图Hg和降序直方图Hd获得8位红外图像的目标直方图，为了增强图像对比度，目标直方图必须接近几何分布，但也不能过多的偏离降序直方图，因此本发明方法通过下述优化函数来获得目标直方图：
Figure BDA0002845518000000101
其中，Ht表示8位红外图像的目标直方图，H为计算Ht的中间变量，公式(16)中使等式右边最小的H就是Ht，μ为目标直方图的正则化参数。
通过公式(16)可得：
Figure BDA0002845518000000102
根据8位红外图像的全局直方图，对目标直方图进行升序处理，即将目标直方图中的灰度值顺序回复到与全局直方图中相同的顺序，获得修正后的8位红外图像的全局直方图He。
根据修正后的8位红外图像的全局直方图He获得全局映射函数：
Figure BDA0002845518000000103
其中，TG(l)表示8位红外图像中灰度值l的映射，全局映射函数是对红外图像中每个像素点的灰度值的映射，具体的可以通过公式(18)将8位红外图像中灰度值为l的像素点的灰度值映射成等式右边的数值，He(d)表示修正后的8位红外图像的全局直方图He中灰度值d出现的概率，d＝1,2,…,l，l∈[0,255]。
根据步骤d中8位红外图像分成的多个图像块，将全局映射函数中的步骤运用到每个图像块中，依次得到降序直方图-几何分布直方图-目标直方图-修正后的局部直方图，然后利用修正后的局部直方图获得局部映射函数，具体表达式如下：
Figure BDA0002845518000000111
其中，Tp,q(l)表示8位红外图像中第p行、第q列的图像块中灰度值l的映射，Hf(d)表示8位红外图像中第p行、第q列的图像块修正后的局部直方图中灰度值d出现的概率，p＝1,2,…,P，q＝1,2,…,Q，P为8位红外图像中每一行的图像块总数，Q为8位红外图像中每一列的图像块总数。
在本发明实施例中，步骤1中对比度增强处理的具体操作如下：
根据全局映射函数(公式(18))更新局部映射函数(公式(19))，获得更新后的局部映射函数，更新后的局部映射函数的表达式如下：
Figure BDA0002845518000000112
其中，
Figure BDA0002845518000000113
表示更新后的局部映射函数中灰度值l的映射，T为中间变量，公式(20)表示使得等式右边最小的T为
Figure BDA0002845518000000114
δ为更新后的局部映射函数的正则化参数。
根据公式(20)可得：
Figure BDA0002845518000000115
为了根据每个图像块的内容自适应地更新局部映射函数，令
Figure BDA0002845518000000116
其中，cp,q为8位红外图像中第p行、第q列的图像块的自适应参数。
公式(21)可以简化为：
Figure BDA0002845518000000117
自适应参数cp,q的计算公式如下：
Figure BDA0002845518000000118
其中，v1和v2分别为人工设置的参数，v1、v2可以保证cp,q∈[0,1]，计算每个图像块中所有像素点的灰度值的方差，var(p,q)表示8位红外图像中第p行、第q列的图像块中所有像素点的灰度方差，vmax表示8位红外图像的所有图像块中的最大灰度方差，vmin1表示灰度方差大于等于vmax/2的图像块中的最小灰度方差，vmax1表示灰度方差大于等于vmax/2的图像块中的最大灰度方差，vmin2表示灰度方差小于vmax/2的图像块中的最小灰度方差，vmax2表示灰度方差小于vmax/2的图像块中的最大灰度方差。
利用更新后的局部映射函数逐个灰度级的增强原始红外图像的对比度，获得对比度增强的红外图像。
具体的，对原始红外图像中的每个像素点的灰度值，通过下列公式更新灰度值：
Figure BDA0002845518000000121
其中，se表示原始红外图像中灰度值为l的像素点对比度增强后的灰度值。
在本发明实施例中，步骤2的具体操作为：首先根据Retinex理论将对比度增强的红外图像分解为基本亮度层和纹理层；然后利用滤波器将纹理层分解为主纹理层和细节层。
在图像分解的基础上，步骤3的具体操作如下：
步骤301、利用预先设置的细节增益参数G1和G2增强细节层的细节，获得增强后的细节层：
Figure BDA0002845518000000131
其中，
Figure BDA0002845518000000132
表示增强后的细节层中坐标(i,j)处的像素点的灰度值，Rdetail(i,j)表示细节层中坐标(i,j)处的像素点的灰度值，w(i,j)表示细节层中坐标(i,j)处的像素点的细节权重。
公式(25)中等式右边的第1项表示对细节层的整体细节进行增强，第2项则是通过细节权重来达到增强细节层细节的同时抑制均匀区域中噪声的效果。在本发明实施例中，G1和G2分别设置为2和3。
细节权重w(i,j)的表达式如下：
Figure BDA0002845518000000133
其中，Ω表示以(i,j)为圆心、r为半径的局部窗口，|Ω|表示局部窗口Ω中像素点的总数，|Ω|＝(2r+1)2，(i′,j′)为局部窗口Ω中每个像素点的位置索引，(i′,j′)≠(i,j)，Se(i′,j′)表示对比度增强的红外图像的局部窗口中坐标(i′,j′)处的像素点的灰度值，Se(i,j)表示对比度增强的红外图像中坐标(i,j)处的像素点的灰度值，i′＝1,2,…,m′，j′＝1,2,…,n′，m′为局部窗口中每一行的像素点数量，n′为局部窗口中每一列的像素点数量。
binary()为二值化函数，其运算公式如下：
Figure BDA0002845518000000134
其中，Z为binary函数的阈值，Z必须大于均匀区域中像素的最大灰度值差异，这样就能够使得均匀区域像素获得较低的权重，而细节和边缘处获得较高的权重，在本发明实施例中设置为30。
步骤302、将增强后的细节层与主纹理层相加，得到细节增强的纹理层：
Figure BDA0002845518000000141
其中，Re(i,j)表示细节增强的纹理层中坐标(i,j)处的像素点的灰度值，Rbase(i,j)表示主纹理层中坐标(i,j)处的像素点的灰度值.
步骤303、将细节增强的纹理层与基本亮度层相乘，得到红外增强图像：
Figure BDA0002845518000000142
其中，Sout表示红外增强图像，L(i,j)表示基本亮度层中坐标(i,j)处的像素点的灰度值。
下面通过一个对比实验来验证本发明方法的效果：
在对比试验中，首先获得16位的原始红外图像，然后对原始红外图像进行归一化处理，获得如图4所示的8位红外图像，最后分别利用CLAHE、RDCS、NCHE、MSRCR、GIF算法和本发明方法对图4中的8位红外图像进行增强处理，得到的红外增强图像如图5～10所示，通过对比图5～10可以看出，本发明方法处理后的图像中对比度和细节都要优于现有算法，获得的红外增强图像更加清晰，细节更加完善。
本发明能够有效地增强红外图像的对比度和细节，增强效果更好，增强后的红外图像更加清晰、细节更准确。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于图像分解的局部自适应红外图像增强方法，其特征在于，包括如下步骤：
利用全局映射函数和局部映射函数，对原始红外图像进行对比度增强处理，获得对比度增强的红外图像；
利用图像分解技术为对比度增强的红外图像进行图像分解；
基于自适应增强算法对图像分解结果进行细节增强处理，获得红外增强图像；
所述全局映射函数和局部映射函数的获取方法如下：
获取原始红外图像的红外热度矩阵，对红外热度矩阵进行归一化处理，获得8位红外图像；
根据8位红外图像，获得8位红外图像的几何分布直方图，并利用8位红外图像的几何分布直方图修正其全局直方图；
利用修正后的8位红外图像的全局直方图，获得全局映射函数；
将8位红外图像分成多个尺寸为a×b的图像块；
根据每个图像块，获得每个图像块的几何分布直方图，并利用每个图像块的几何分布直方图修正其局部直方图；
利用修正后的每个图像块的局部直方图，获得局部映射函数；
获得全局映射函数的具体操作如下：
根据8位红外图像的全局直方图获得8位红外图像的非零直方图，并对非零直方图进行降序处理，获得8位红外图像的降序直方图Hd；
根据8位红外图像，计算8位红外图像的几何分布直方图Hg，具体表达式如下：
Hg(k)＝(1-η)k-1·η
其中，Hg(k)表示几何分布直方图Hg中第k个灰度值出现的概率，即第k个灰度值对应的像素点个数与像素点总数的比值，η为几何分布的概率参数，k＝1，2，…，K，K为8位红外图像的非零直方图中灰度值的数量；
根据几何分布直方图Hg和降序直方图Hd获得8位红外图像的目标直方图，具体表达式如下：
Figure FDA0003736170340000021
其中，Ht表示8位红外图像的目标直方图，μ为目标直方图的正则化参数；
根据8位红外图像的全局直方图，对目标直方图进行升序处理，获得修正后的8位红外图像的全局直方图He；
根据修正后的8位红外图像的全局直方图He获得全局映射函数：
Figure FDA0003736170340000022
其中，TG(l)表示8位红外图像中灰度值l的映射，He(d)表示修正后的8位红外图像的全局直方图He中灰度值d出现的概率，d＝1，2，…，l，l∈[0，255]。
2.根据权利要求1所述的一种基于图像分解的局部自适应红外图像增强方法，其特征在于，所述归一化处理的公式如下：
Figure FDA0003736170340000031
其中，S(i，j)表示8位红外图像中坐标(i，j)处的像素点的灰度值，M(i，j)表示红外热度矩阵中第i行、第j列的红外热度值，Mmin表示红外热度矩阵中的最小红外热度值，Mmax表示红外热度矩阵中的最大红外热度值，i＝1，2，…，m，j＝1，2，…，n，m为原始红外图像中每一行的像素点数量，n为原始红外图像中每一列的像素点数量。
3.根据权利要求1所述的一种基于图像分解的局部自适应红外图像增强方法，其特征在于，局部映射函数的表达式如下：
Figure FDA0003736170340000032
其中，Tp，q(l)表示8位红外图像中第p行、第q列的图像块中灰度值l的映射，Hf(d)表示8位红外图像中第p行、第q列的图像块修正后的局部直方图中灰度值d出现的概率，p＝1，2，…，P，q＝1，2，…，Q，P为8位红外图像中每一行的图像块总数，Q为8位红外图像中每一列的图像块总数。
4.根据权利要求3所述的一种基于图像分解的局部自适应红外图像增强方法，其特征在于，对比度增强处理的具体操作如下：
根据全局映射函数和局部映射函数，利用自适应参数获得更新后的局部映射函数，更新后的局部映射函数的表达式如下：
Figure FDA0003736170340000033
其中，
Figure FDA0003736170340000034
表示更新后的局部映射函数中灰度值l的映射，cp，q为8位红外图像中第p行、第q列的图像块的自适应参数；
自适应参数cp，q的计算公式如下：
Figure FDA0003736170340000041
其中，v1和v2分别为人工设置的参数，var(p，q)表示8位红外图像中第p行、第q列的图像块中所有像素点的灰度方差，vmax表示8位红外图像的所有图像块中的最大灰度方差，vmin1表示灰度方差大于等于vmax/2的图像块中的最小灰度方差，vmax1表示灰度方差大于等于vmax/2的图像块中的最大灰度方差，vmin2表示灰度方差小于vmax/2的图像块中的最小灰度方差，vmax2表示灰度方差小于vmax/2的图像块中的最大灰度方差；
利用更新后的局部映射函数逐个灰度级的增强原始红外图像的对比度：
Figure FDA0003736170340000042
其中，se表示原始红外图像中灰度值为l的像素点对比度增强后的灰度值。
5.根据权利要求1所述的一种基于图像分解的局部自适应红外图像增强方法，其特征在于，图像分解的具体操作为：首先将对比度增强的红外图像分解为基本亮度层和纹理层；然后利用滤波器将纹理层分解为主纹理层和细节层。
6.根据权利要求5所述的一种基于图像分解的局部自适应红外图像增强方法，其特征在于，基于自适应增强算法对图像分解结果进行细节增强处理的具体操作如下：
利用预先设置的细节增益参数G1和G2增强细节层的细节，获得增强后的细节层：
Figure FDA0003736170340000051
其中，
Figure FDA0003736170340000052
表示增强后的细节层中坐标(i，j)处的像素点的灰度值，Rdetail(i，j)表示细节层中坐标(i，j)处的像素点的灰度值，w(i，j)表示细节层中坐标(i，j)处的像素点的细节权重，i＝1，2，…，m，j＝1，2，…，n，m为红外图像中每一行的像素点数量，n为红外图像中每一列的像素点数量；
w(i，j)的表达式如下：
Figure FDA0003736170340000053
其中，Ω表示以(i，j)为圆心、r为半径的局部窗口，|Ω|表示局部窗口Ω中像素点的总数，|Ω|＝(2r+1)2，Se(i′，j′)表示对比度增强的红外图像的局部窗口中坐标(i′，j′)处的像素点的灰度值，Se(i，j)表示对比度增强的红外图像中坐标(i，j)处的像素点的灰度值，Z为binary函数的阈值，i′＝1，2，…，m′，j′＝1，2，…，n′，m′为局部窗口中每一行的像素点数量，n′为局部窗口中每一列的像素点数量；
将增强后的细节层与主纹理层相加，得到细节增强的纹理层：
Figure FDA0003736170340000054
其中，Re(i，j)表示细节增强的纹理层中坐标(i，j)处的像素点的灰度值，Rbase(i，j)表示主纹理层中坐标(i，j)处的像素点的灰度值；
将细节增强的纹理层与基本亮度层相乘，得到红外增强图像：
Figure FDA0003736170340000055
其中，Sout表示红外增强图像，L(i，j)表示基本亮度层中坐标(i，j)处的像素点的灰度值。
CN202011508170.2A 2020-12-18 2020-12-18 一种基于图像分解的局部自适应红外图像增强方法 Active CN112598606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011508170.2A CN112598606B (zh) 2020-12-18 2020-12-18 一种基于图像分解的局部自适应红外图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011508170.2A CN112598606B (zh) 2020-12-18 2020-12-18 一种基于图像分解的局部自适应红外图像增强方法

Publications (2)

Publication Number Publication Date
CN112598606A CN112598606A (zh) 2021-04-02
CN112598606B true CN112598606B (zh) 2022-08-30

Family

ID=75199509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011508170.2A Active CN112598606B (zh) 2020-12-18 2020-12-18 一种基于图像分解的局部自适应红外图像增强方法

Country Status (1)

Country Link
CN (1) CN112598606B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763265A (zh) * 2021-08-09 2021-12-07 云南北方光电仪器有限公司 红外图像对比度增益调节方法、存储介质及红外探测器

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827229A (zh) * 2019-11-01 2020-02-21 中国科学院长春光学精密机械与物理研究所 一种基于纹理加权直方图均衡化的红外图像增强方法
CN111080538A (zh) * 2019-11-29 2020-04-28 中国电子科技集团公司第五十二研究所 一种红外融合边缘增强方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827229A (zh) * 2019-11-01 2020-02-21 中国科学院长春光学精密机械与物理研究所 一种基于纹理加权直方图均衡化的红外图像增强方法
CN111080538A (zh) * 2019-11-29 2020-04-28 中国电子科技集团公司第五十二研究所 一种红外融合边缘增强方法

Also Published As

Publication number Publication date
CN112598606A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
Wang et al. Biologically inspired image enhancement based on Retinex
CN110047055B (zh) 一种红外图像细节增强及去噪方法
CN108257099B (zh) 一种基于视觉对比度分辨率的自适应红外图像增强方法
CN110503614A (zh) 一种基于稀疏字典学习的磁共振图像去噪方法
CN105321155A (zh) 一种cbct图像环形伪影消除方法
Guo et al. Automatic image haze removal based on luminance component
CN113808036B (zh) 基于Retinex模型的低照度图像增强与去噪方法
CN109919859B (zh) 一种户外场景图像去雾增强方法、计算设备及其存储介质
CN105913392A (zh) 复杂环境下退化图像综合质量提升方法
CN112307901A (zh) 一种面向滑坡检测的sar与光学影像融合方法及系统
CN104463804A (zh) 一种基于直觉模糊集的图像增强方法
CN114092355A (zh) 自适应红外图像对比度增强方法及装置
CN111325685B (zh) 一种基于多尺度相对梯度直方图均衡化的图像增强算法
CN105723416B (zh) 图像降噪方法
CN112598606B (zh) 一种基于图像分解的局部自适应红外图像增强方法
CN112233046A (zh) 一种柯西噪声下的图像复原方法及其应用
CN110853054B (zh) 一种利用位置信息改进直觉模糊聚类提取红外舰船的方法
CN107133937B (zh) 一种红外图像的自适应增强方法
CN115100068A (zh) 一种红外图像校正方法
CN116862812A (zh) 红外图像处理方法、装置、计算机设备、存储介质及产品
CN118247177A (zh) 基于大气散射模型的短波红外图像去雾方法、系统与介质
CN111461999B (zh) 一种基于超像素相似性测量的sar图像相干斑抑制方法
CN105279742A (zh) 一种快速的基于分块噪声能量估计的图像去噪方法
Mikhov et al. Fuzzy logic approach to improving the digital images contrast
CN115761241A (zh) 一种图像增强方法及其应用

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