CN112950479B - 一种图像灰度区域拉伸算法 - Google Patents
一种图像灰度区域拉伸算法 Download PDFInfo
- Publication number
- CN112950479B CN112950479B CN202110353543.1A CN202110353543A CN112950479B CN 112950479 B CN112950479 B CN 112950479B CN 202110353543 A CN202110353543 A CN 202110353543A CN 112950479 B CN112950479 B CN 112950479B
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- pixel point
- gray value
- value
- 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
Links
- 238000005520 cutting process Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像灰度区域拉伸算法，包括以下步骤：S1、图像灰度准备；S2、灰度阈值获取；S3、数据裁减；S4、灰度拉伸；S5、图像显示。本发明通过对像素点频率及对应的灰度值进行处理，线性拉伸部分区域灰度值，能够精确而又简单方便地实现对图像数据的优化处理，提高图像对比度，优化图像数据质量，为导弹试验提供更有效的决策依据，并且该算法具有应用广泛、处理快速、效果明显等优点。
Description
技术领域
本发明涉及图像处理技术领域，具体为一种图像灰度区域拉伸算法。
背景技术
空空导弹红外导引成像技术已有多年的发展,图像格式从最初的直接存储,到后期的傅立叶变换、循环压缩，相应的遥测数据处理技术也在不断发展。现有的图像数据处理方式均采用将图像数据进行还原后，按照每个像素点的像素值在显示设备上进行观测。
导引头是红外类型导弹的核心部件，其图像被用于导弹状态监测、时序分析、故障排查等多方面，图像是否清晰将影响设计人员的主观判断。由于现有导引头成像技术的限制，在某些条件下目标与背景灰度相差较小，数据分析时无法直观获得目标信息，影响导弹试验时的现场判断和决策。
发明内容
本发明要解决的技术问题是克服现有的缺陷，提供一种图像灰度区域拉伸算法，能够精确而又简单方便地实现对图像数据的优化处理，提高图像对比度，优化图像数据质量，为导弹试验提供更有效的决策依据，并且该算法具有应用广泛、处理快速、效果明显等优点，可以有效解决背景技术中的问题。
为实现上述目的，本发明提供如下技术方案：1.一种图像灰度区域拉伸算法，其特征在于：包括以下步骤：
S1、图像灰度准备：统计图像的每个像素以及对应的灰度值，得出图像灰度值区域分布规律；
S2、灰度阈值获取：根据S1中的图像灰度值区域分布规律，选取三个参考点，频率最多的像素点灰度值与对应频率记为A(xA，yA)，像素点灰度值大于xA且频率最多的记为B(xB，yB)以及像素点灰度值小于xA的且频率最多的记为C(xC，yC)；
利用该三个参考点A(xA，yA)、B(xB，yB)和C(xC，yC)，代入并解出二次方程y＝ax2+bx+c中的a、b、c的值；
取值y＝α，利用二次方程y＝ax2+bx+c，解出x对应的两个灰度阈值xmax和xmin；
S3、数据裁减：将图像中高于最高灰度xmax的所有像素点灰度值统一为最高灰度255，得到像素点灰度值与对应叠加频率记为D(255，yD)，低于最低灰度xmin的所有像素点灰度值统一为最低灰度0，得到像素点灰度值与对应叠加频率记为E(0，yE)；
S4、灰度拉伸：线性变换xmin和xmax之间的像素点灰度值，将(xmin，ymin)、A(xA，yA)、(xmax，ymax)以x值从小到大的顺序作为数据基点，对位于xmin和xmax之间的像素点灰度值以及位于xA和xmax之间的像素点灰度值分别作线性拉伸；
S5、图像显示：将拉伸后的图像进行显示。
优选的，所述S1中，输入原始图像,将图像数据读取出来，然后使用MATLAB进行灰度直方图统计，再计算像素频率，该灰度级像素个数与图像中像素总数的比值得到归一化的直方图，其中x代表像素点灰度值，y代表像素点出现的频率值。
优选的，所述S2中，在利用三点解出y＝ax2+bx+c中a、b、c的值过程中，y＝α，0＜α＜1，α取值0.001，能够完全涵盖所有的像素点。
优选的，所述S4中，对于处理图像中灰度值在xmin和xmax之间的像素点灰度值，
如果原像素点灰度值为xm，且xm位于xmin和xA之间，则使用方程
获得拉伸后的像素点灰度值n；
如果原像素点灰度值为xm，且xm位于xA和xmax之间，则使用方程
获得拉伸后的像素点灰度值n。
与现有技术相比，本发明的有益效果是：本图像灰度区域拉伸算法，通过对像素点频率及对应的灰度值进行处理，线性拉伸部分区域灰度值，能够精确而又简单方便地实现对图像数据的优化处理，提高图像对比度，优化图像数据质量，为导弹试验提供更有效的决策依据，并且该算法具有应用广泛、处理快速、效果明显等优点；
该算法已在某红外改进型空空导弹的导引头图像处理中得到验证，完成了该型号空空导弹导引头图像的实时和事后处理，并取得良好的效果。
附图说明
图1为本发明实施例的方法流程图；
图2为本发明实施例原图；
图3为本发明实施例原图经过拉伸后的效果对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种技术方案：一种图像灰度区域拉伸算法，包括以下步骤：
S1、图像灰度准备：统计图像的每个像素以及对应的灰度值，得出图像灰度值区域分布规律；遥测终端接收遥测数据，将图像数据读取出来，然后使用MATLAB进行灰度直方图统计，再计算像素频率，该灰度级像素个数与图像中像素总数的比值得到归一化的直方图，其中x代表像素点灰度值，y代表像素点出现的频率值。
S2、灰度阈值获取：根据S1中的图像灰度值区域分布规律，选取三个参考点，频率最多的像素点灰度值与对应频率记为A(xA，yA)，像素点灰度值大于xA且频率最多的记为B(xB，yB)以及像素点灰度值小于xA的且频率最多的记为C(xC，yC)；
利用该三个参考点A(xA，yA)、B(xB，yB)和C(xC，yC)，代入并解出二次方程y＝ax2+bx+c中的a、b、c的值；
取值y＝α，利用二次方程y＝ax2+bx+c，解出x对应的两个灰度值xmax和xmin；
在利用三点坐标解出y＝ax2+bx+c中a、b、c的值过程中，y＝α，0＜α＜1，α取值0.001，能够完全涵盖所有的像素点。
S3、数据裁减：将图像中高于最高灰度xmax的所有像素点灰度值统一为最高灰度255，得到像素点灰度值与对应叠加频率记为D(255，yD)，目的是将高于最高灰度xmax的所有分散的像素点统一化，对应的灰度级频率值进行相加，使该部分为最高灰度255，低于最低灰度xmin的所有像素点灰度值统一为最低灰度0，得到像素点灰度值与对应叠加频率记为E(0，yE)，目的是将低于最低灰度xmin的所有分散的像素点统一化，对应的灰度级频率值进行相加，使该部分为最低灰度0，获得0和xmin以及xmax和255两侧区域的图像像素灰度值区域分布；
S4、灰度拉伸：变换xmin和xmax之间的像素点灰度值，将(xmin，ymin)、A(xA，yA)、(xmax，ymax)以x值从小到大的顺序作为数据基点，对位于xmin和xmax之间的像素点灰度值以及位于xA和xmax之间的像素点灰度值分别作线性拉伸；
如果原像素点灰度值为xm，且xm位于xmin和xA之间，则使用方程
获得拉伸后的灰度值n；
如果原像素点灰度值为xm，且xm位于xA和xmax之间，则使用方程
获得拉伸后的灰度值n；
获得xmin和xmax之间的图像像素灰度值区域分布，结合上部的0和xmin以及xmax和255两侧区域的像素灰度值区域分布，从而获得新的图像像素灰度值区域。
S5、图像显示：将拉伸后的图像进行显示。
本发明未详述部分为现有技术，尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种图像灰度区域拉伸算法，其特征在于：包括以下步骤：
S1、图像灰度准备：统计图像的每个像素以及对应的灰度值，得出图像灰度值区域分布规律；
S2、灰度阈值获取：根据S1中的图像灰度值区域分布规律，选取三个参考点，频率最多的像素点灰度值与对应频率记为A(xA，yA)，像素点灰度值大于xA的且频率最多的记为B(xB，yB)以及像素点灰度值小于xA的频率最多的记为C(xC，yC)；
利用该三个参考点A(xA，yA)、B(xD，yD)和C(xC，yC)，代入并解出二次方程y＝ax2+bx+c中的a、b、c的值；
取值y＝α，利用二次方程y＝ax2+bx+c，解出x对应的两个灰度阈值xmax和xmin；
S3、数据裁减：将图像中高于最高灰度xmax的所有像素点灰度值统一为最高灰度255，得到像素点为D(255，yD)，低于最低灰度xmin的所有像素点灰度值统一为最低灰度0，得到像素点为E(0，yE)；
S4、灰度拉伸：线性变换xmin和xmax之间的像素点灰度值，将(xmin，ymin)、A(xA，yA)、(xmax，ymax)以x值从小到大的顺序作为数据基点，对位于xmin和xA之间的像素点灰度值以及位于xA和xmax之间的像素点灰度值分别作线性拉伸；
如果原像素点灰度值为xm，且xm位于xmin和xA之间，则使用方程
获得拉伸后的像素点灰度值n；
如果原像素点灰度值为xm，且xm位于xA和xmax之间，则使用方程
获得拉伸后的像素点灰度值n；
S5、图像显示：将拉伸后的图像进行显示。
2.根据权利要求1所述的一种图像灰度区域拉伸算法，其特征在于：所述S1中，输入原始图像,将图像数据读取出来，然后使用MATLAB进行灰度直方图统计，再计算像素频率，灰度级像素个数与图像中像素总数的比值得到归一化的直方图，其中x代表像素点灰度值，y代表像素点出现的频率值。
3.根据权利要求1所述的一种图像灰度区域拉伸算法，其特征在于：所述S2中，在利用三点解出y＝ax2+bx+c中a、b、c的值过程中，y＝α，0＜α＜1，α取值0.001，能够完全涵盖所有的像素点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110353543.1A CN112950479B (zh) | 2021-04-01 | 2021-04-01 | 一种图像灰度区域拉伸算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110353543.1A CN112950479B (zh) | 2021-04-01 | 2021-04-01 | 一种图像灰度区域拉伸算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112950479A CN112950479A (zh) | 2021-06-11 |
| CN112950479B true CN112950479B (zh) | 2023-03-14 |
Family
ID=76231929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110353543.1A Active CN112950479B (zh) | 2021-04-01 | 2021-04-01 | 一种图像灰度区域拉伸算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112950479B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688849B (zh) * | 2021-08-30 | 2023-10-24 | 中国空空导弹研究院 | 一种用于卷积神经网络的灰度图像序列特征提取方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6198845B1 (en) * | 1997-07-01 | 2001-03-06 | Xerox Corporation | Method for determining document background for adjusting the dynamic range of an image of the document |
| CN101976342A (zh) * | 2010-09-02 | 2011-02-16 | 北京航空航天大学 | 一种基于时空协同判定的“猫眼”效应目标识别方法 |
| CN104657960A (zh) * | 2013-11-25 | 2015-05-27 | 中国科学院沈阳自动化研究所 | 一种灰度图像对比度拉伸方法及装置 |
| CN105225238A (zh) * | 2015-09-22 | 2016-01-06 | 成都融创智谷科技有限公司 | 一种基于均值滤波的图像预处理的灰度空间划分方法 |
| CN107240081A (zh) * | 2017-06-20 | 2017-10-10 | 长光卫星技术有限公司 | 夜景影像去噪与增强处理方法 |
| CN107578374A (zh) * | 2017-07-28 | 2018-01-12 | 深圳市安健科技股份有限公司 | X光图像的拉伸方法及计算机可读存储介质 |
| CN110020999A (zh) * | 2019-04-15 | 2019-07-16 | 中科和光（天津）应用激光技术研究所有限公司 | 一种基于同态滤波的非制冷红外热像自适应映射方法 |
| WO2020063078A1 (zh) * | 2018-09-27 | 2020-04-02 | 京东方科技集团股份有限公司 | 显示设备及其驱动方法、驱动装置和计算机可读介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010055122A1 (en) * | 1998-09-23 | 2001-12-27 | Xerox Corporation | Adaptive autobackground suppression to compensate for integrating cavity effect |
| KR20060081536A (ko) * | 2005-01-10 | 2006-07-13 | 삼성전자주식회사 | 영상의 ｒｇｂ 정보를 이용한 블랙/화이트 스트레칭 시스템 |
| CN108133463B (zh) * | 2017-12-14 | 2023-09-29 | 中国北方车辆研究所 | 一种直方图均衡化图像的降噪方法及系统 |
-
2021
- 2021-04-01 CN CN202110353543.1A patent/CN112950479B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6198845B1 (en) * | 1997-07-01 | 2001-03-06 | Xerox Corporation | Method for determining document background for adjusting the dynamic range of an image of the document |
| CN101976342A (zh) * | 2010-09-02 | 2011-02-16 | 北京航空航天大学 | 一种基于时空协同判定的“猫眼”效应目标识别方法 |
| CN104657960A (zh) * | 2013-11-25 | 2015-05-27 | 中国科学院沈阳自动化研究所 | 一种灰度图像对比度拉伸方法及装置 |
| CN105225238A (zh) * | 2015-09-22 | 2016-01-06 | 成都融创智谷科技有限公司 | 一种基于均值滤波的图像预处理的灰度空间划分方法 |
| CN107240081A (zh) * | 2017-06-20 | 2017-10-10 | 长光卫星技术有限公司 | 夜景影像去噪与增强处理方法 |
| CN107578374A (zh) * | 2017-07-28 | 2018-01-12 | 深圳市安健科技股份有限公司 | X光图像的拉伸方法及计算机可读存储介质 |
| WO2020063078A1 (zh) * | 2018-09-27 | 2020-04-02 | 京东方科技集团股份有限公司 | 显示设备及其驱动方法、驱动装置和计算机可读介质 |
| CN110020999A (zh) * | 2019-04-15 | 2019-07-16 | 中科和光（天津）应用激光技术研究所有限公司 | 一种基于同态滤波的非制冷红外热像自适应映射方法 |
Non-Patent Citations (6)
| Title |
|---|
| Contrast Enhancement using Non-overlapped Sub-blocks;B. Liu等;《 IEEE Transactions on Consumer Electronics》;20110531;第583-588页 * |
| Performance evaluation of segmenting images using improved FELICM based gray stretch;Ritambhra Vaid等;《2016 International Conference on Information Technology (InCITe) - The Next Generation IT Summit on the Theme - Internet of Things: Connect your Worlds》;20170216;第115-120页 * |
| 低对比度工况下轴安装间隙提取方法研究;甘玉坤等;《计算机技术与发展》;20200810(第08期);第189-193页 * |
| 图像自适应分段线性拉伸算法的FPGA设计;牛英宇;《现代电子技术》;20100515(第10期);第78-80页 * |
| 基于FPGA的红外图像自适应分段线性增强算法;路建方等;《红外技术》;20130220(第02期);第102-106页 * |
| 基于噪声检测的矿井视频监控图像投票中值滤波;黄晶晶;《金属矿山》;20170215(第02期);第117-120页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112950479A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Edge strength similarity for image quality assessment | |
| CN105678700B (zh) | 基于预测梯度的图像插值方法及系统 | |
| CN108428227B (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
| CN111079740A (zh) | 图像的质量评价方法、电子设备和计算机可读存储介质 | |
| CN109325550B (zh) | 基于图像熵的无参考图像质量评价方法 | |
| CN104023230B (zh) | 一种基于梯度关联性的无参考图像质量评价方法 | |
| CN106530271B (zh) | 一种红外图像显著性检测方法 | |
| CN108053396B (zh) | 一种多失真图像质量的无参考评价方法 | |
| CN112950596B (zh) | 基于多区域多层次的色调映射全向图像质量评价方法 | |
| CN107146220B (zh) | 一种通用型无参考图像质量评价方法 | |
| CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
| CN110996096B (zh) | 一种基于结构相似性差异度的色调映射图像质量评价方法 | |
| CN111311525A (zh) | 一种基于直方图概率修正的图像梯度场双区间均衡化算法 | |
| CN112950479B (zh) | 一种图像灰度区域拉伸算法 | |
| CN103871035B (zh) | 图像去噪方法及装置 | |
| CN111626335A (zh) | 一种像素增强的神经网络的改进难例挖掘训练方法及系统 | |
| CN109360189B (zh) | 检测非制冷红外机芯图像像素缺陷点的方法 | |
| CN109685757B (zh) | 一种基于灰度差分统计的无参考图像质量评价方法及系统 | |
| CN116095291A (zh) | 一种用于媒体流图像传输的图像预处理方法 | |
| CN114067006B (zh) | 一种基于离散余弦变换的屏幕内容图像质量评价方法 | |
| CN116051421A (zh) | 基于多维度的内窥镜图像质量评价方法、装置、设备及介质 | |
| Yang et al. | Blind image quality assessment on authentically distorted images with perceptual features | |
| CN112581461B (zh) | 基于生成网络的无参考图像质量评价方法及装置 | |
| CN104112274A (zh) | 基于混合尺度变换的图像质量评价方法 | |
| CN112770105B (zh) | 一种基于结构特征的重定位立体图像质量评价方法 |
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 |