CN113421206A - 一种基于红外偏振成像的图像增强方法 - Google Patents

Abstract

本发明公开了一种基于红外偏振成像的图像增强方法，包括以下步骤：S1.获取不同偏振角度的偏振图像，从而求取Stokes矢量包括：I、Q、U、AOP和DOP；S2.将Stokes矢量进行自定义组合，获取轮廓特征σ和整体特征β；S3.对轮廓特征σ和整体特征β分别进行小波分解，获取轮廓特征σ和整体特征β的高频分量σ_H_n和β_H_n，以及低频分量σ_L_n和β_L_n；S4.将高频分量σ_H_n和β_H_n融合得到H_n，低频分量σ_L_n和β_L_n融合得到L_n；S5.对H_n和L_n进行小波重构，得到融合图像R1；S6.对I进行自适应直方图增强得到I’；S7.将R1和I’采用基于拉普拉斯能量和函数的图像融合方法融合得到R2；本发明能够有效地对图像边缘进行识别，细节特征都得到了明显的增强。

Description

一种基于红外偏振成像的图像增强方法

技术领域

本发明涉及图像识别技术领域，更具体的说是涉及一种基于红外偏振成像的图像增强方法。

背景技术

红外成像技术具有被动工作、抗干扰性强、目标识别能力强、全天候工作等特点，广泛应用于军事侦察、监视和制导等方面。目前，红外探测技术多数是通过探测目标与背景的红外辐射强度，实现对目标的发现、识别和跟踪。近年来，红外偏振技术在理论和应用等方面都取得了很大进展，尤其是在复杂背景下目标检测和识别领域，积累了大量文献和技术经验。但是由于偏振度和偏振角图像表达的信息量有限，同时偏振角对背景噪点和探测角度十分敏感，在进行斯托克斯参量解算过程中也会引入人为噪音，导致图像的边缘、纹理特征不明显，不能满足实际需求。

因此，如何提出一种成像效果好的基于红外偏振成像的图像增强方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种结合红外偏振成像的小目标检测方法为了实现上述目的，本发明采用如下技术方案：

一种基于红外偏振成像的图像增强方法，包括以下步骤：

S1.获取红外偏振信息；获取不同偏振角度的偏振图像，从而求取Stokes矢量包括：I、Q、U、AOP和DOP，其中，I为偏振图像的总强度，Q为水平线偏振分量与垂直线偏振分量之差，U为45°线偏振分量与135°线偏振分量之差，分别对应得到红外强度图像I、两类线偏振度图像Q和U图像，DOLP为偏振度，AOP为偏振角；

S2.将Stokes矢量进行自定义组合，获取轮廓特征σ和整体特征β；

S3.对轮廓特征σ和整体特征β分别进行小波分解，获取轮廓特征σ和整体特征β的高频分量σ_H_n和β_H_n，以及低频分量σ_L_n和β_L_n；

S4.将高频分量σ_H_n和β_H_n融合得到H_n，低频分量σ_L_n和β_L_n融合得到L_n；

S5.对H_n和L_n进行小波重构，得到融合图像R1；

S6.对I进行自适应直方图增强得到I’：

根据I获取原始图像灰度直方图Count(i)，对Count(i)进行低次幂运算得到T，计算平稳极限Tav，根据平稳极限Tav消除尖峰影响，计算传递函数Tr，根据传递函数Tr对原图像素点进行重新映射，输出直方图增强图像I’，完成I的自适应直方图增强；

S7.将R1和I’采用基于拉普拉斯能量和函数的图像融合方法融合得到R2。

优选的，S1的具体内容包括：

使用P(0°)、P(60°)、P(120°)三个角度的红外偏振图像作为原图，用stokes矢量来描述有：

优选的，S2中获取轮廓特征σ和整体特征β的方法为：

优选的，S3的具体内容包括：

采用Harr小波作为小波基函数对σ和β进行小波分解，分别获取σ和β的高频分量σ_H_n和β_H_n，低频分量σ_L_n和β_L_n；

Harr小波的正交函数系为：

Harr小波为：

采用多尺度的小波分解尺度为n；

通过n个尺度下的DWT分解，获取σ和β的高频分量σ_H_n和β_H_n，低频分量σ_L_n和β_L_n。

优选的，S4中将高频分量σ_H_n和β_H_n融合得到H_n的具体方法包括：

选定一个N*N的邻域R，并使用局部能量表示显著性，用S_σ(x,y)和S_β(x,y)分别表示图像σ_H_n和β_H_n在点(x,y)处的显著性参数，则：

式中，w(i,j)为权重系数，(i,j)距离(x,y)距离越远权重系数越小，将w(i,j)定义为：

其中，r是邻域(x,y)与邻域R边缘的最大距离；

定义高频分量的匹配度为M：

匹配度矩阵中各点的数值范围均介于0～1之间，匹配度M越接近1，则在当前点处的匹配度越高：

构造参数t作为匹配度阈值，若M(x,y)≤T_l则匹配度较低，高频分量采取加权融合的方式；若M(x,y)≥T_l则匹配度较高，高频分量选取能量较大者：

式中，λ_σ和λ_β为权重参数，计算方法为：

优选的，S4中低频分量σ_L_n和β_L_n融合得到L_n的方法具体包括：

分别获取σ、β的灰度共生矩阵：

GLDM_σ(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|σ(x₁,y₁)＝i,σ(x₂,y₂)＝j}

GLDM_β(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|β(x₁,y₁)＝i,β(x₂,y₂)＝j}

其中，M和N分别为σ和β的维度，若(x₁,y₁),(x₂,y₂)之间的距离为D，且二者与坐标轴的夹角为θ，则灰度共生矩阵表示为：

GLDM_σ(i,j|D,θ)＝#{(x₁,y₁),(x₂,y₂)∈M×N|σ(x₁,y₁)＝i,σ(x₂,y₂)＝j}

GLDM_β(i,j|D,θ)＝#{(x₁,y₁),(x₂,y₂)∈M×N|β(x₁,y₁)＝i,β(x₂,y₂)＝j}

灰度共生矩阵的能量表示为：

分别获取每个方向上的灰度共生矩阵的能量，并取平均值作为某单一方向上的能量；

低频部分使用加权融合的规则得到新的低频量，融合规则为：

L_n＝ω_σ·σ_L_n+ω_β·β_L_n

其中，

ω_σ+ω_β＝1

式中，τ为阈值参数，r_k是图像σ和β的相关系数。

优选的，S6的具体内容包括：

根据I统计每个像素灰度值出现的个数，获取原始图像灰度直方图Count(i)，对Count(i)进行低次幂运算得到修改直方图T，根据修改直方图T计算平稳极限Tav，根据平稳极限Tav界定T的范围，消除尖峰影响，计算概率密度函数PDF和累积密度函数CDF，根据PDF设置动态范围，计算传递函数Tr，根据传递函数Tr对原图像素点进行重新映射，输出映射后的直方图增强图像I’，完成I的自适应直方图增强。

优选的，S7的具体内容包括：

对R1和I’基于拉普拉斯能量和函数SML对感兴趣的区域进行提取，并分别针对提取后的R1和I’在水平和垂直方向上计算每个像素点的变步长拉普拉斯算子值ML1和ML2，所述变步长拉普拉斯算子值ML的具体计算方法为：

设(x,y)表示像素点位置，则(x,y)点的ML为：

ML(x,y)＝|2I(x,y)-I(x-1,y)-I(x+1,y)|+|2I(x,y)-I(x,y-1)-I(x,y+1)|

其中，I为需融合图像的灰度值；

并针对ML1和ML2分别计算SML1和SML2，其中SML的具体计算方法为：

其中，ML值累加窗口大小为(2N+1)×(2N+1)，N为累加窗口参数，N的参数设置视噪声而定；

假设R1(x,y)、I'(x,y)和R2(x,y)分别表示源图像和融合图像对应于相同位置上的像素值，根据对应点的SML(x,y)值依照以下规则融合：

输出融合结果R2。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于红外偏振成像的图像增强方法，该方法通过使用总光强度I，水平方向直线偏振分量Q,45°方向直线偏振光分量，偏振度DOLP,偏振角AOP等偏振特征组合，确定了两种新型的特征δ和β，这两种特征可以有效地表示偏振图像的边缘特征，突出整体目标，并以此作为基础，采用离散小波分解与重构技术将其在频率域融合；并且将重构结果与改善后的直方图均衡增强结果再次融合，解决了小波重构时会导致图像产生一定失真的问题，能够有效地对图像边缘进行识别，细节特征都得到了明显的增强。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的一种基于红外偏振成像的图像增强方法的整体流程示意图；

图2附图为本发明提供的一种基于红外偏振成像的图像增强方法中S3-S5的流程示意图；

图3附图为本发明提供的一种基于红外偏振成像的图像增强方法中S6的流程示意图；

图4附图为本发明提供的一种基于红外偏振成像的图像增强方法中轮廓特征图σ；

图5附图为本发明提供的一种基于红外偏振成像的图像增强方法中整体特征图β。

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。

本发明实施例公开了一种基于红外偏振成像的图像增强方法，如图1所示，包括以下步骤：

S1.获取红外偏振信息；获取的三个偏振角度为0°、60°、120°的红外偏振图像，从而求取Stokes矢量包括：I、Q、U、AOP和DOP，其中，I为偏振图像的总强度，Q为水平线偏振分量与垂直线偏振分量之差，U为45°线偏振分量与135°线偏振分量之差，分别对应得到红外强度图像I、两类线偏振度图像Q和U图像，DOLP为偏振度，AOP为偏振角；

S2.将Stokes矢量进行自定义组合，获取轮廓特征σ和整体特征β；

S3.对轮廓特征σ和整体特征β分别进行小波分解，获取轮廓特征σ和整体特征β的高频分量σ_H₄和β_H₄，以及低频分量σ_L₄和β_L₄；

S4.将高频分量σ_H₄和β_H₄融合得到H_n，低频分量σ_L₄和β_L₄融合得到L_n；

S5.对H_n和L_n进行小波重构，得到融合图像R1；

S6.对I进行自适应直方图增强得到I’：

根据I获取原始图像灰度直方图Count(i)，对Count(i)进行低次幂运算得到T，计算平稳极限Tav，根据平稳极限Tav消除尖峰影响，计算传递函数Tr，根据传递函数Tr对原图像素点进行重新映射，输出直方图增强图像I’，完成I的自适应直方图增强；

S7.将R1和I’采用基于拉普拉斯能量和函数的图像融合方法融合得到R2。

需要说明的是：

对于获取不同偏振角度的偏振图像这一步骤，一般而言可以取0、60、120度或者0、45、90度。不同的角度计算的公式不一样，但他们的目的都是为了解算出偏振信息，也就是上文中的Stokes矢量值{I,Q,U}，所得到的值是相同的。

在本实施例中，分别获取三个偏振角度为0°、60°、120°的偏振图像。

图4和图5分别为通过S2中方法获取到的偏振信息轮廓特征和纹理特征实例，能够较好的获取偏振图像的边缘信息。

为了进一步实施上述技术方案，S1的具体内容包括：

使用P(0°)、P(60°)、P(120°)三个角度的红外偏振图像作为原图，用stokes矢量来描述有：

为了进一步实施上述技术方案，S2中获取轮廓特征σ和整体特征β的方法为：

需要说明的是：

偏振角AOP中噪声较大，信噪比较低，因此，在对其进行处理的时候，提高AOP的信噪比是不可或缺的一步。为了更好的提取偏振图像中的有效信息，自定义组合得到了两个特征量σ，β，σ能够有效的提取出红外偏振图像的边缘轮廓信息，β可以凸显出红外偏振图像中目标与背景差异较大的区域。

为了进一步实施上述技术方案，如图2所示，S3的具体内容包括：

采用Harr小波作为小波基函数对σ和β进行小波分解，分别获取σ和β的高频分量σ_H₄和β_H₄，低频分量σ_L₄和β_L₄；

Harr小波的正交函数系为：

Harr小波为：

在本实施例中，采用多尺度的小波分解尺度为4；

通过4个尺度下的DWT分解，获取σ和β的高频分量σ_H₄和β_H₄，低频分量σ_L₄和β_L₄。

为了进一步实施上述技术方案，S4中将高频分量σ_H₄和β_H₄融合得到H_n的具体方法包括：

选定一个N*N的邻域R，并使用局部能量表示显著性，用S_σ(x,y)和S_β(x,y)分别表示图像σ_H₄和β_H₄在点(x,y)处的显著性参数，则：

式中，w(i,j)为权重系数，(i,j)距离(x,y)距离越远权重系数越小，将w(i,j)定义为：

其中，r是邻域(x,y)与邻域R边缘的最大距离；

定义高频分量的匹配度为M：

匹配度矩阵中各点的数值范围均介于0～1之间，匹配度M越接近1，则在当前点处的匹配度越高：

构造参数t作为匹配度阈值，若M(x,y)≤T_l则匹配度较低，高频分量采取加权融合的方式；若M(x,y)≥T_l则匹配度较高，高频分量选取能量较大者：

式中，λ_σ和λ_β为权重参数，计算方法为：

需要说明的是：

高频分量(高频系数)中具有丰富的边缘轮廓特征，合理的选择两幅图像的高频分量的融合规则对保留、强化图像的边缘有显著的作用。

对两幅图像高频分量σ_H₄、β_H₄采用“选择”与加权平均的方式来确定融合后的高频分量H_n，在本实施例中，采用计算两个高频分量之间的匹配度来确定融合系数。

为了进一步实施上述技术方案，S4中低频分量σ_L₄和β_L₄融合得到L_n的方法具体包括：

分别获取σ、β的灰度共生矩阵：

GLDM_σ(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|σ(x₁,y₁)＝i,σ(x₂,y₂)＝j}

GLDM_β(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|β(x₁,y₁)＝i,β(x₂,y₂)＝j}

其中，M和N分别为σ和β的维度，若(x₁,y₁),(x₂,y₂)之间的距离为D，且二者与坐标轴的夹角为θ，则灰度共生矩阵表示为：

GLDM_σ(i,j|D,θ)＝#{(x₁,y₁),(x₂,y₂)∈M×N|σ(x₁,y₁)＝i,σ(x₂,y₂)＝j}

GLDM_β(i,j|D,θ)＝#{(x₁,y₁),(x₂,y₂)∈M×N|β(x₁,y₁)＝i,β(x₂,y₂)＝j}

灰度共生矩阵的能量表示为：

分别获取每个方向上的灰度共生矩阵的能量，并取平均值作为某单一方向上的能量；

低频部分使用加权融合的规则得到新的低频量，融合规则为：

L_n＝ω_σ·σ_L₄+ω_β·β_L₄

其中，

ω_σ+ω_β＝1

本实施例中τ是由实验所确定的阈值参数0.4，r_k是图像σ和β的相关系数。

需要说明的是：

小波分解得到的低频分量(β_L₄、σ_L₄)大多是原图像的近似信息，准确的选择低频分量对提高合成图像的视觉效果有举足轻重的作用。灰度共生矩阵(GLDM)可以计算出对比度、熵、能量、逆方差和相关性等图像特征。本实施例中将使用到能量特征。

并且，一般地，ASM_σ(D,θ)有来自四个方向的能量，在本方法中我们使用其平均值作为某单一方向上的能量：

为了进一步实施上述技术方案，S6的具体内容包括：

根据I统计每个像素灰度值出现的个数，获取原始图像灰度直方图Count(i)，对Count(i)进行低次幂运算得到T，根据T计算平稳极限Tav，根据平稳极限Tav界定T的范围，消除尖峰影响，计算概率密度函数PDF和累积密度函数CDF，根据PDF设置动态范围，计算传递函数Tr，根据传递函数Tr对原图像素点进行重新映射，输出映射后的直方图增强图像I’，完成I的自适应直方图增强。

需要说明的是：

针对传统的直方图均衡方法在增强直方图包含大尖峰的红外图像时会明显滞后以及容易造成图像的过度增强的问题，提出了一种改善的直方图均衡图像算法，使用低次幂运算一定程度上扩展了直方图中较小的值，抑制了尖峰。同时利用平稳极限减少了图像的过度增强，再拟定动态范围输出图像增强结果。直方图增强流程如图3所示，具体的改善的直方图均衡图像算法为：

为了扩展较小值和抑制尖峰的影响，对原始灰度直方图Count(i)进行低次幂运算，获得修改直方图T(i)也即上文中的T：

T(i)＝power(αcount(i),β)

其中T(i)为修改直方图，α、β为拟定的参数，本实施例中α取3，β取0.5。为减少图像的过度增强，设置平稳极限T_av：

T_av＝mean(T) where T(i)≠0

根据平稳极限T_av界定T(i)的范围，滤除大于T_av以上的尖峰：

为了进一步实施上述技术方案，S7的具体内容包括：

对R1和I’基于拉普拉斯能量和函数SML对感兴趣的区域进行提取，并分别针对提取后的R1和I’在水平和垂直方向上计算每个像素点的变步长拉普拉斯算子值ML1和ML2，所述变步长拉普拉斯算子值ML的具体计算方法为：

设(x,y)表示像素点位置，则(x,y)点的ML为：

ML(x,y)＝|2I(x,y)-I(x-1,y)-I(x+1,y)|+|2I(x,y)-I(x,y-1)-I(x,y+1)|

其中，I为需融合图像的灰度值；

并针对ML1和ML2分别计算SML1和SML2，其中SML的具体计算方法为：

其中，ML值累加窗口大小为(2N+1)×(2N+1)，N为累加窗口参数，N的参数设置视噪声而定；

假设R1(x,y)、I'(x,y)和R2(x,y)分别表示源图像和融合图像对应于相同位置上的像素值，根据对应点的SML(x,y)值依照以下规则融合：

输出融合结果R2。

需要说明的是：

由于小波变换重构时会产生失真，在一定程度上会损失掉部分图像信息，因此，为了得到质量更好的红外偏振图像，采用改进的拉普拉斯能量和函数(Sum ModifiedLaplacian，SML)对感兴趣的区域进行提取，在水平和垂直方向上计算每个像素点的变步长拉普拉斯算子值ML。

N为累加窗口参数，即可以通过N来确定累加窗口的大小。N的设置是可变的，可以根据实际需要进行设置。在本实施例中N的取值为65。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于红外偏振成像的图像增强方法，其特征在于，包括以下步骤：

S1.获取红外偏振信息；获取不同偏振角度的偏振图像，从而求取Stokes矢量包括：I、Q、U、AOP和DOP，其中，I为偏振图像的总强度，Q为水平线偏振分量与垂直线偏振分量之差，U为45°线偏振分量与135°线偏振分量之差，分别对应得到红外强度图像I、两类线偏振度图像Q和U图像，DOLP为偏振度，AOP为偏振角；

S2.将Stokes矢量进行自定义组合，获取轮廓特征σ和整体特征β；

S3.对轮廓特征σ和整体特征β分别进行小波分解，获取轮廓特征σ和整体特征β的高频分量σ_H_n和β_H_n，以及低频分量σ_L_n和β_L_n；

S4.将高频分量σ_H_n和β_H_n融合得到H_n，低频分量σ_L_n和β_L_n融合得到L_n；

S5.对H_n和L_n进行小波重构，得到融合图像R1；

S6.对I进行自适应直方图增强得到I’：

根据I获取原始图像灰度直方图Count(i)，对Count(i)进行低次幂运算得到T，计算平稳极限Tav，根据平稳极限Tav消除尖峰影响，计算传递函数Tr，根据传递函数Tr对原图像素点进行重新映射，输出直方图增强图像I’，完成I的自适应直方图增强；

S7.将R1和I’采用基于拉普拉斯能量和函数的图像融合方法融合得到R2。

2.根据权利要求1所述的一种基于红外偏振成像的图像增强方法，其特征在于，S1的具体内容包括：

使用P(0°)、P(60°)、P(120°)三个角度的红外偏振图像作为原图，用stokes矢量来描述有：

3.根据权利要求1所述的一种基于红外偏振成像的图像增强方法，其特征在于，S2中获取轮廓特征σ和整体特征β的方法为：

4.根据权利要求1所述的一种基于红外偏振成像的图像增强方法，其特征在于，S3的具体内容包括：

采用Harr小波作为小波基函数对σ和β进行小波分解，分别获取σ和β的高频分量σ_H_n和β_H_n，低频分量σ_L_n和β_L_n；

Harr小波的正交函数系为：

Harr小波为：

采用多尺度的小波分解尺度为n；

通过n个尺度下的DWT分解，获取σ和β的高频分量σ_H_n和β_H_n，低频分量σ_L_n和β_L_n。

5.根据权利要求1所述的一种基于红外偏振成像的图像增强方法，其特征在于，S4中将高频分量σ_H_n和β_H_n融合得到H_n的具体方法包括：

选定一个N*N的邻域R，并使用局部能量表示显著性，用S_σ(x,y)和S_β(x,y)分别表示图像σ_H_n和β_H_n在点(x,y)处的显著性参数，则：

式中，w(i,j)为权重系数，(i,j)距离(x,y)距离越远权重系数越小，将w(i,j)定义为：

其中，r是邻域(x,y)与邻域R边缘的最大距离；

定义高频分量的匹配度为M：

匹配度矩阵中各点的数值范围均介于0～1之间，匹配度M越接近1，则在当前点处的匹配度越高：

构造参数t作为匹配度阈值，若M(x,y)≤T_l则匹配度较低，高频分量采取加权融合的方式；若M(x,y)≥T_l则匹配度较高，高频分量选取能量较大者：

式中，λ_σ和λ_β为权重参数，计算方法为：

6.根据权利要求1所述的一种基于红外偏振成像的图像增强方法，其特征在于，S4中低频分量σ_L_n和β_L_n融合得到L_n的方法具体包括：

分别获取σ、β的灰度共生矩阵：

GLDM_σ(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|σ(x₁,y₁)＝i,σ(x₂,y₂)＝j}

GLDM_β(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|β(x₁,y₁)＝i,β(x₂,y₂)＝j}

其中，M和N分别为σ和β的维度，若(x₁,y₁),(x₂,y₂)之间的距离为D，且二者与坐标轴的夹角为θ，则灰度共生矩阵表示为：

GLDM_σ(i,j|D,θ)＝#{(x₁,y₁),(x₂,y₂)∈M×N|σ(x₁,y₁)＝i,σ(x₂,y₂)＝j}

GLDM_β(i,j|D,θ)＝#{(x₁,y₁),(x₂,y₂)∈M×N|β(x₁,y₁)＝i,β(x₂,y₂)＝j}

灰度共生矩阵的能量表示为：

分别获取每个方向上的灰度共生矩阵的能量，并取平均值作为某单一方向上的能量；

低频部分使用加权融合的规则得到新的低频量，融合规则为：

L_n＝ω_σ·σ_L_n+ω_β·β_L_n

其中，

ω_σ+ω_β＝1

式中，τ为阈值参数，r_k是图像σ和β的相关系数。

7.根据权利要求1所述的一种基于红外偏振成像的图像增强方法，其特征在于，S6的具体内容包括：

根据I统计每个像素灰度值出现的个数，获取原始图像灰度直方图Count(i)，对Count(i)进行低次幂运算得到修改直方图T，根据修改直方图T计算平稳极限Tav，根据平稳极限Tav界定T的范围，消除尖峰影响，计算概率密度函数PDF和累积密度函数CDF，根据PDF设置动态范围，计算传递函数Tr，根据传递函数Tr对原图像素点进行重新映射，输出映射后的直方图增强图像I’，完成I的自适应直方图增强。

8.根据权利要求1所述的一种基于红外偏振成像的图像增强方法，其特征在于，S7的具体内容包括：

对R1和I’基于拉普拉斯能量和函数SML对感兴趣的区域进行提取，并分别针对提取后的R1和I’在水平和垂直方向上计算每个像素点的变步长拉普拉斯算子值ML1和ML2，所述变步长拉普拉斯算子值ML的具体计算方法为：

设(x,y)表示像素点位置，则(x,y)点的ML为：

ML(x,y)＝|2I(x,y)-I(x-1,y)-I(x+1,y)|+|2I(x,y)-I(x,y-1)-I(x,y+1)|

其中，I为需融合图像的灰度值；

并针对ML1和ML2分别计算SML1和SML2，其中SML的具体计算方法为：

其中，ML值累加窗口大小为(2N+1)×(2N+1)，N为累加窗口参数，N的参数设置视噪声而定；

假设R1(x,y)、I'(x,y)和R2(x,y)分别表示源图像和融合图像对应于相同位置上的像素值，根据对应点的SML(x,y)值依照以下规则融合：

输出融合结果R2。

Images