CN113628169A - 一种基于伪色的红外图像自动聚焦评价方法、系统及介质 - Google Patents

一种基于伪色的红外图像自动聚焦评价方法、系统及介质 Download PDF

Info

Publication number
CN113628169A
CN113628169A CN202110799393.7A CN202110799393A CN113628169A CN 113628169 A CN113628169 A CN 113628169A CN 202110799393 A CN202110799393 A CN 202110799393A CN 113628169 A CN113628169 A CN 113628169A
Authority
CN
China
Prior art keywords
image
distribution
color palette
false color
evaluation function
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.)
Granted
Application number
CN202110799393.7A
Other languages
English (en)
Other versions
CN113628169B (zh
Inventor
徐毅
姜露
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.)
Jinan University
Original Assignee
Jinan University
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 Jinan University filed Critical Jinan University
Priority to CN202110799393.7A priority Critical patent/CN113628169B/zh
Publication of CN113628169A publication Critical patent/CN113628169A/zh
Application granted granted Critical
Publication of CN113628169B publication Critical patent/CN113628169B/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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Radiation Pyrometers (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于伪色的红外图像自动聚焦评价方法、系统及介质。该方法首先提取红外热像仪的伪色彩调色板的彩色—灰度映射分布；然后利用伪色彩调色板RGB模型和HSV模型各通道不同的变化曲线设置图像区域分割阈值，将图像分割为多个区域，并且利用区域内像素分布与图像清晰度反向相关的特性，计算得到最终图像清晰度评价函数；最后利用最终图像清晰度评价函数计算待评价的图像，得到其对应的图像清晰度评价函数值；所述图像清晰度评价函数值越大，对应的图像越清晰。本发明充分利用了红外热像仪小目标成像下清晰和模糊图像伪色彩分布变化差异特征，相比传统算法，能更加有效地做到准确聚焦。

Description

一种基于伪色的红外图像自动聚焦评价方法、系统及介质
技术领域
本发明属于图像处理的技术领域，具体涉及一种基于伪色的红外图像自动聚焦评价方法、系统及介质。
背景技术
随着图像传感器和图像处理技术的发展，图像清晰度评价逐渐成为成像系统自动聚焦的核心关键点。成像系统聚焦时，图像表现出较高的清晰度，对应较大的图像清晰度评价值；系统离焦时，物体成像模糊，对应较小的图像清晰度评价值。
根据评价函数作用的领域不同，现有的图像清晰度评价方法可以分为灰度梯度函数、频域函数、统计学函数等。灰度梯度函数根据图像的灰度梯度分布来进行清晰度分析，当相邻像素间的灰度值之差越大，边缘越锐利，图像就越清晰。频域类函数根据清晰的边缘轮廓在频域常常对应频域变换大的高频系数或高频能量，而模糊图像在频域体现为高频成分的衰减评价图像清晰度。统计函数方法利用多种统计学中的方法来实现对图像的清晰度判别。通常清晰的图像中含有图像的信息较多，在统计学上体现出的是灰度分布的多样化。
大部分图像清晰度评价方法的研究场景下，被摄物体的物理尺寸和物距较为合理，目标占据成像窗口的比例居中。经红外成像系统处理后，目标对应的模糊和对焦图像具有相似的伪色彩分布。然而在实际应用场景下，需要对小体积物体进行近距离的红外监测，此时窗口对应的物理尺寸很小，调整焦距后，窗口内的变化较大。经红外成像处理后，目标对应的模糊和对焦图像的伪色彩分布差异较大。使用传统的图像清晰度评价函数无法精准地获得对焦位置，而且函数曲线的变换趋势甚至与清晰度的变化趋势相悖。例如，使用一种图像清晰度评价方法、系统、存储介质、设备及应用(CN202011342365.4)进行处理，将获得的较大清晰度评价值对应模糊图像，较小清晰度评价值对应清晰图像。
因此，需要一种匹配红外小目标摄影特征的图像清晰度评价方法，实现对这类特殊应用需求目标的准确聚焦。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于伪色的红外图像自动聚焦评价方法、系统及介质，旨在实现红外热像仪在小目标应用场景下对图像清晰度的正确评价，辅助镜头完成清晰目标的聚焦。。
为了达到上述目的，本发明采用以下技术方案：
本发明的一个方面，提供了一种基于伪色的红外图像自动聚焦评价方法，包括下述步骤：
S1、提取红外热像仪的伪色彩调色板的彩色—灰度映射分布；
S2、利用伪色彩调色板RGB模型和HSV模型各通道不同的变化曲线设置图像区域分割阈值，将图像分割为多个区域；
S3、利用区域内像素分布与图像清晰度反向相关的特性，计算得到最终图像清晰度评价函数；
S4、利用最终图像清晰度评价函数计算待评价的图像，得到其对应的图像清晰度评价函数值；所述图像清晰度评价函数值越大，对应的图像越清晰。
作为优选的技术方案，所述提取红外热像仪的伪色彩调色板的彩色—灰度映射分布，具体包括以下步骤：
按灰度通道像素值由0～255的顺序，统计不同像素值的分布索引；
根据像素值的分布索引得到伪色彩调色板灰度值k对应的RGB模型三通道的像素值Rk、Gk和Bk，保留不重复的nk组RGB元素矩阵；
按照对应灰度通道像素值由大到小的顺序将对应的RGB元素矩阵排列得到相应热图像的伪色彩调色板的灰度—RGB空间映射分布；
将RGB模型转为HSV模型，得到相应热图像的伪色彩调色板的HSV空间分布。
作为优选的技术方案，所述不同像素值的分布索引具体如下式：
Indexk＝find(Y＝k),k＝0,1,2,…,255；
其中，Y是图像的灰度通道矩阵。
作为优选的技术方案，所述RGB模型三通道的像素值Rk、Gk和Bk具体如下式：
Xk＝X(Indexk),X＝R,G,B；
其中Indexk为不同像素值的分布索引，k＝0,1,2,…,255。
作为优选的技术方案，所述利用伪色彩调色板RGB模型和HSV模型各通道不同的变化曲线设置图像区域分割阈值，将图像分割为多个区域具体为：
根据伪色彩调色板的彩色—灰度映射分布，绘制调色板RGB模型和HSV模型下亮度值由大到小对应的三通道像素值的变化曲线；
根据上述变化曲线和对应的热图像的温度分布规律确定分割阈值，并使用分割阈值将伪色彩图像分为多个区域。
作为优选的技术方案，所述根据上述变化曲线和对应的热图像的温度分布规律确定分割阈值，具体为：
根据热图像如下的温度分布规律，结合变化曲线确定分割阈值T1和T2：
热图像内聚焦目标温度高，在伪色彩调色板上主要表现为白、黄、橙、红色，对应变化曲线左侧的部分；
热图像内背景元素温度低，在伪色彩调色板上主要表现为品红、紫、蓝、黑色，对应变化曲线右侧的部分；
为判断图像清晰度，对热图像聚焦目标部分的伪色彩分布进行评价，以红色对应的H通道像素值设置T2，分离其他区域others和辐射最集中区域CR、辐射次集中区域CH；
目标由模糊到聚焦的过程，热图像伪色彩变化最大的区域为白、黄区域，在对应的变化曲线上确定T1，划分辐射最集中区域CR和辐射次集中区域CH。
作为优选的技术方案，所述使用分割阈值将伪色彩图像分为多个区域，具体为：
Figure BDA0003164081950000041
其中，xij指位置(i,j)的像素点，T1和T2分别对应RGB模型R通道和HSV模型H通道的分割阈值；CR、CH以及others为分割成的区域，具体如下：辐射最集中区域CR，也即目标温度最高区域，在伪色彩调色板中对应亮度最高的白～黄色伪色彩区域，其对应的目标是热成像过程的辐射主要来源；
辐射次集中区域CH，在伪色彩调色板中对应亮度较高的橙～红色伪色彩区域，其对应的是CR的邻域部分；
其他区域others，包括对焦目标的温度较低部分和背景部分，其辐射量相对较少。
作为优选的技术方案，所述最终图像清晰度评价函数具体如下式：
Figure BDA0003164081950000042
其中，xij指位置(i,j)的像素点，CR为辐射最集中区域，CH为辐射次集中区域，CR和CH区域分别使用B通道像素值和G通道像素值进行图像清晰度评价函数值的计算。
本发明的另一个方面，还提供了一种基于伪色的红外图像自动聚焦评价系统，应用于上述的一种基于伪色的红外图像自动聚焦评价方法，包括伪色彩调色板分布提取模块、伪色彩调色板分割阈值选取模块、区域分割模块以及图像清晰度评价函数计算模块；
所述伪色彩调色板分布提取模块用于提取红外热像仪的伪色彩调色板的彩色—灰度映射分布；
所述伪色彩调色板分割阈值选取模块利用伪色彩调色板RGB模型和HSV模型各通道不同的变化曲线设置图像区域分割阈值；
所述区域分割模块用于将图像分割为多个区域；
所述图像清晰度评价函数计算模块利用区域内像素分布与图像清晰度反向相关的特性，计算得到最终图像清晰度评价函数；并利用最终图像清晰度评价函数计算待评价的图像，得到其对应的图像清晰度评价函数值；所述图像清晰度评价函数值越大，对应的图像越清晰。
本发明的另一个方面，还提供了一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的一种基于伪色的红外图像自动聚焦评价方法。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明充分利用了红外热像仪小目标成像下清晰和模糊图像伪色彩分布变化差异特征，相比传统算法，能更加有效地做到准确聚焦。
(2)本发明能在不同红外热成像系统环境下，利用伪色彩调色板自适应调整清晰度评价函数，具有普遍适用性。
附图说明
图1是本发明实施例一种基于伪色的红外图像自动聚焦评价方法的流程图；
图2(a)、(b)、(c)是本发明实施例的部分小目标样本示意图；
图3是本发明实施例对应的红外伪色彩调色板RGB模型分布曲线；
图4是本发明实施例对应的红外伪色彩调色板HSV模型分布曲线；
图5是本发明实施例不同方法的归一化图像清晰度评价函数曲线图；
图6是本发明实施例一种基于伪色的红外图像自动聚焦评价系统的结构示意图；
图7是本发明实施例的存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
实施例
如图1所示，本实施例提供了一种基于伪色的红外图像自动聚焦评价方法，包括以下步骤：
S1、提取红外热像仪的伪色彩调色板的彩色—灰度映射分布(即伪彩色调色板灰度通道由0～255排列以及其对应的RGB和HSV通道像素值，包括[灰度值，R通道值，G通道值，B通道值，H通道值，S通道值，V通道值]的元素矩阵)，具体包括以下步骤：
S1.1、按灰度通道像素值由0～255的顺序，统计不同像素值的分布索引；像素值k的分布索引具体如下式：
Indexk＝find(Y＝k),k＝0,1,2,…,255；
其中，Y是图像的灰度通道矩阵。
S1.2、根据像素值的分布索引得到伪色彩调色板灰度值k对应的RGB模型三通道的像素值Rk、Gk和Bk，保留不重复的nk组RGB元素矩阵；其中，Rk、Gk和Bk的表达式为：
Xk＝X(Indexk),X＝R,G,B；
其中Indexk为不同像素值的分布索引，k＝0,1,2,…,255。
S1.3、按照对应灰度通道像素值由大到小的顺序将对应的RGB元素矩阵排列得到相应热图像的伪色彩调色板的灰度—RGB空间映射分布(即伪彩色调色板灰度通道由0～255排列及其对应的RGB通道像素值，包括[灰度值，R通道值，G通道值，B通道值]的元素矩阵)。
S1.4、将RGB模型转为HSV模型，得到相应热图像的伪色彩调色板的HSV空间分布(即伪彩色调色板灰度通道由0～255排列对应的HSV通道像素值，包括：[H通道值，S通道值，V通道值])。
S2、利用伪色彩调色板RGB模型和HSV模型各通道不同的变化曲线设置图像区域分割阈值，将图像分割为多个区域，具体包括以下步骤：
S2.1、根据伪色彩调色板的彩色—灰度映射分布，绘制调色板RGB模型和HSV模型下亮度值由大到小对应的三通道像素值的变化曲线；
S2.2、根据上述变化曲线和对应的热图像的温度分布规律确定分割阈值，并使用分割阈值将伪色彩图像分为多个区域；
S2.2.1、所述根据上述变化曲线和对应的热图像的温度分布规律确定分割阈值，具体为：
根据热图像如下的温度分布规律，结合变化曲线确定分割阈值T1和T2：
热图像内聚焦目标温度高，在伪色彩调色板上主要表现为白、黄、橙、红色，对应变化曲线左侧的部分；
热图像内背景元素温度低，在伪色彩调色板上主要表现为品红、紫、蓝、黑色，对应变化曲线右侧的部分；
为判断图像清晰度，对热图像聚焦目标部分的伪色彩分布进行评价，以红色对应的H通道像素值设置T2，分离其他区域others和辐射最集中区域CR、辐射次集中区域CH；
目标由模糊到聚焦的过程，热图像伪色彩变化最大的区域为白、黄区域，在对应的变化曲线上确定T1，划分辐射最集中区域CR和辐射次集中区域CH。
S2.2.2、所述使用分割阈值将伪色彩图像分为多个区域，具体为：
Figure BDA0003164081950000081
其中，xij指位置(i,j)的像素点，T1和T2分别对应RGB模型R通道和HSV模型H通道的分割阈值；CR、CH以及others为分割成的区域，具体如下：
(1)辐射最集中区域CR，也即目标温度最高区域，在伪色彩调色板中对应亮度最高的白～黄色伪色彩区域，其对应的目标是热成像过程的辐射主要来源，通常物理形态表现为火焰、灯泡钨丝、故障点中心等；
(2)辐射次集中区域CH，在伪色彩调色板中对应亮度较高的橙～红色伪色彩区域，其对应的是CR的邻域部分；
(3)其他区域others，包括对焦目标的温度较低部分和背景部分，其辐射量相对较少。
S3、利用区域内像素分布与图像清晰度反向相关的特性，计算得到最终图像清晰度评价函数；其中CR和CH区域分别使用B通道像素值和G通道像素值进行图像清晰度评价函数值的计算，如下式：
Figure BDA0003164081950000091
S4、利用最终图像清晰度评价函数计算待评价的图像，得到其对应的图像清晰度函数评价值；所述图像清晰度评价函数值越大，对应的图像越清晰。
本实施例选取了一组“聚焦—离焦—聚焦”的小目标样本，样本展示如图2所示，其中肉眼最佳清晰图像对应图像序列位置为332附近。根据样本计算的伪色彩调色板分布曲线如图3、图4所示，其中图3为实施例对应的红外伪色彩调色板RGB模型分布曲线，图4为实施例对应的红外伪色彩调色板HSV模型分布曲线。根据曲线阈值选取为T1＝254，T2＝0.1667。选取Tenegrad函数、Brenner函数、Laplacian函数、DFT函数、DCT函数和DWT函数、图像熵函数、Varience函数和本发明方法分别对样本组进行图像清晰度评价处理，并对其结果进行数据分析。不同方法的图像清晰度评价函数曲线图如图5所示，其中横坐标为图像序列，纵坐标为归一化的图像清晰度评价函数值，每幅子图左上角的序号a表示Tenegrad函数，b表示Brenner函数，c表示Laplacian函数，d表示DFT函数，e表示DCT函数，f表示DWT函数，g表示Entropy函数，h表示Varience函数，i表示本发明方法。
同时，依据“清晰图像对应大的图像清晰度评价函数值，模糊图像对应小的图像清晰度评价函数值”的原理，选取了各算法处理后的图像清晰度评价函数值合集的最大值，验证使用各方法进行红外小目标自动聚焦的可行性，如表1所示。
图像清晰度评价函数 函数最大值对应图像序列 是否为最佳清晰图像序列
Tenegrad 206 否
Brenner 206 否
Laplacian 206 否
DFT 206 否
DCT 206 否
DWT 332 是
Entropy 191 否
Varience 197 否
本文算法 332 是
表1.图像清晰度评价函数最大值对应图像序列表
可以看出，Tenegrad函数、Brenner函数、Laplacian函数、DFT函数、DCT函数、图像熵函数、Varience函数的曲线变化趋势不符合图像序列对应的清晰度变化趋势，几种函数曲线的峰值对应的图像序列并非聚焦清晰图像，产生了调焦误判。而DWT函数和本发明方法的曲线变化趋势与图像的清晰度变化趋势相符，且曲线最大值对应的图像序列为聚焦清晰图像，在功能上是有效的。但本发明方法对比DWT函数具有更好的灵敏度，能更好地区分不同聚焦程度的图像序列，而且对比DWT函数运算时间减少了2.6倍。实施例证明了本发明方法的有效性和优越性。
如图6所示，在本申请的另一个实施例中，提供了一种基于伪色的红外图像自动聚焦评价系统，该系统包括伪色彩调色板分布提取模块、伪色彩调色板分割阈值选取模块、区域分割模块以及图像清晰度评价函数计算模块；
所述伪色彩调色板分布提取模块用于提取红外热像仪的伪色彩调色板的彩色—灰度映射分布；
所述伪色彩调色板分割阈值选取模块利用伪色彩调色板RGB模型和HSV模型各通道不同的变化曲线设置图像区域分割阈值；
所述区域分割模块用于将图像分割为多个区域；
所述图像清晰度评价函数计算模块利用区域内像素分布与图像清晰度反向相关的特性，计算得到最终图像清晰度评价函数；并利用最终图像清晰度评价函数计算待评价的图像，得到其对应的图像清晰度评价函数值；所述图像清晰度评价函数值越大，对应的图像越清晰。
在此需要说明的是，上述实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，该系统是应用于上述实施例的一种基于伪色的红外图像自动聚焦评价方法。
如图7所示，在本申请的另一个实施例中，还提供了一种存储介质，存储有程序，所述程序被处理器执行时，实现一种基于伪色的红外图像自动聚焦评价方法，具体为：
S1、提取红外热像仪的伪色彩调色板的彩色—灰度映射分布；
S2、利用伪色彩调色板RGB模型和HSV模型各通道不同的变化曲线设置图像区域分割阈值，将图像分割为多个区域；
S3、利用区域内像素分布与图像清晰度反向相关的特性，计算得到最终图像清晰度评价函数；
S4、利用最终图像清晰度评价函数计算待评价的图像，得到其对应的图像清晰度评价函数值；所述图像清晰度评价函数值越大，对应的图像越清晰。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于伪色的红外图像自动聚焦评价方法，其特征在于，包括下述步骤：
提取红外热像仪的伪色彩调色板的彩色-灰度映射分布；
利用伪色彩调色板RGB模型和HSV模型各通道不同的变化曲线设置图像区域分割阈值，将图像分割为多个区域；
利用区域内像素分布与图像清晰度反向相关的特性，计算得到最终图像清晰度评价函数；
利用最终图像清晰度评价函数计算待评价的图像，得到其对应的图像清晰度评价函数值；所述图像清晰度评价函数值越大，对应的图像越清晰。
2.根据权利要求1所述一种基于伪色的红外图像自动聚焦评价方法，其特征在于，所述提取红外热像仪的伪色彩调色板的彩色-灰度映射分布，具体包括以下步骤：
按灰度通道像素值由0～255的顺序，统计不同像素值的分布索引；
根据像素值的分布索引得到伪色彩调色板灰度值k对应的RGB模型三通道的像素值Rk、Gk和Bk，保留不重复的nk组RGB元素矩阵；
按照对应灰度通道像素值由大到小的顺序将对应的RGB元素矩阵排列得到相应热图像的伪色彩调色板的灰度-RGB空间映射分布；
将RGB模型转为HSV模型，得到相应热图像的伪色彩调色板的HSV空间分布。
3.根据权利要求2所述一种基于伪色的红外图像自动聚焦评价方法，其特征在于，所述不同像素值的分布索引具体如下式：
Indexk＝find(Y＝k)，k＝0，1，2，…，255；
其中，Y是图像的灰度通道矩阵。
4.根据权利要求2所述一种基于伪色的红外图像自动聚焦评价方法，其特征在于，所述RGB模型三通道的像素值Rk、Gk和Bk具体如下式：
Xk＝X(Indexk)，X＝R，G，B；
其中Indexk为不同像素值的分布索引，k＝0，1，2，…，255。
5.根据权利要求1所述一种基于伪色的红外图像自动聚焦评价方法，其特征在于，所述利用伪色彩调色板RGB模型和HSV模型各通道不同的变化曲线设置图像区域分割阈值，将图像分割为多个区域具体为：
根据伪色彩调色板的彩色-灰度映射分布，绘制调色板RGB模型和HSV模型下亮度值由大到小对应的三通道像素值的变化曲线；
根据上述变化曲线和对应的热图像的温度分布规律确定分割阈值，并使用分割阈值将伪色彩图像分为多个区域。
6.根据权利要求5所述一种基于伪色的红外图像自动聚焦评价方法，其特征在于，所述根据上述变化曲线和对应的热图像的温度分布规律确定分割阈值，具体为：
根据热图像如下的温度分布规律，结合变化曲线确定分割阈值T1和T2：
热图像内聚焦目标温度高，在伪色彩调色板上主要表现为白、黄、橙、红色，对应变化曲线左侧的部分；
热图像内背景元素温度低，在伪色彩调色板上主要表现为品红、紫、蓝、黑色，对应变化曲线右侧的部分；
为判断图像清晰度，对热图像聚焦目标部分的伪色彩分布进行评价，以红色对应的H通道像素值设置T2，分离其他区域others和辐射最集中区域CR、辐射次集中区域CH；
目标由模糊到聚焦的过程，热图像伪色彩变化最大的区域为白、黄区域，在对应的变化曲线上确定T1，划分辐射最集中区域CR和辐射次集中区域CH。
7.根据权利要求5所述一种基于伪色的红外图像自动聚焦评价方法，其特征在于，所述使用分割阈值将伪色彩图像分为多个区域，具体为：
Figure FDA0003164081940000021
其中，xij指位置(i，j)的像素点，T1和T2分别对应RGB模型R通道和HSV模型H通道的分割阈值；CR、CH以及others为分割成的区域，具体如下：
辐射最集中区域CR，也即目标温度最高区域，在伪色彩调色板中对应亮度最高的白～黄色伪色彩区域，其对应的目标是热成像过程的辐射主要来源；
辐射次集中区域CH，在伪色彩调色板中对应亮度较高的橙～红色伪色彩区域，其对应的是CR的邻域部分；
其他区域others，包括对焦目标的温度较低部分和背景部分，其辐射量相对较少。
8.根据权利要求1所述一种基于伪色的红外图像自动聚焦评价方法，其特征在于，所述最终图像清晰度评价函数具体如下式：
Figure FDA0003164081940000031
其中，xij指位置(i，j)的像素点，CR为辐射最集中区域，CH为辐射次集中区域，CR和CH区域分别使用B通道像素值和G通道像素值进行图像清晰度评价函数值的计算。
9.一种基于伪色的红外图像自动聚焦评价系统，其特征在于，应用于权利要求1-8中任一项所述的一种基于伪色的红外图像自动聚焦评价方法，包括伪色彩调色板分布提取模块、伪色彩调色板分割阈值选取模块、区域分割模块以及图像清晰度评价函数计算模块；
所述伪色彩调色板分布提取模块用于提取红外热像仪的伪色彩调色板的彩色-灰度映射分布；
所述伪色彩调色板分割阈值选取模块利用伪色彩调色板RGB模型和HSV模型各通道不同的变化曲线设置图像区域分割阈值；
所述区域分割模块用于将图像分割为多个区域；
所述图像清晰度评价函数计算模块利用区域内像素分布与图像清晰度反向相关的特性，计算得到最终图像清晰度评价函数；并利用最终图像清晰度评价函数计算待评价的图像，得到其对应的图像清晰度评价函数值；所述图像清晰度评价函数值越大，对应的图像越清晰。
10.一种存储介质，存储有程序，其特征在于：所述程序被处理器执行时，实现权利要求1-8任一项所述的一种基于伪色的红外图像自动聚焦评价方法。
CN202110799393.7A 2021-07-15 2021-07-15 一种基于伪色的红外图像自动聚焦评价方法、系统及介质 Active CN113628169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110799393.7A CN113628169B (zh) 2021-07-15 2021-07-15 一种基于伪色的红外图像自动聚焦评价方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110799393.7A CN113628169B (zh) 2021-07-15 2021-07-15 一种基于伪色的红外图像自动聚焦评价方法、系统及介质

Publications (2)

Publication Number Publication Date
CN113628169A true CN113628169A (zh) 2021-11-09
CN113628169B CN113628169B (zh) 2023-10-10

Family

ID=78379791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110799393.7A Active CN113628169B (zh) 2021-07-15 2021-07-15 一种基于伪色的红外图像自动聚焦评价方法、系统及介质

Country Status (1)

Country Link
CN (1) CN113628169B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115242982A (zh) * 2022-07-28 2022-10-25 业成科技（成都）有限公司 镜头调焦方法及其系统
CN117021809A (zh) * 2023-08-15 2023-11-10 深圳市大满包装有限公司 一种基于数码印刷的二维防伪码印刷调控方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182952A (zh) * 2014-08-19 2014-12-03 中国科学院西安光学精密机械研究所 多聚焦序列图像融合方法
CN108769685A (zh) * 2018-06-05 2018-11-06 腾讯科技（深圳）有限公司 检测图像压缩编码效率的方法、装置及存储介质
CN112672039A (zh) * 2020-12-07 2021-04-16 北京集光通达科技股份有限公司 一种基于多区域主动变换聚焦方法及设备
CN113099135A (zh) * 2021-02-24 2021-07-09 浙江大华技术股份有限公司 一种红外图像聚焦、终端设备以及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182952A (zh) * 2014-08-19 2014-12-03 中国科学院西安光学精密机械研究所 多聚焦序列图像融合方法
CN108769685A (zh) * 2018-06-05 2018-11-06 腾讯科技（深圳）有限公司 检测图像压缩编码效率的方法、装置及存储介质
CN112672039A (zh) * 2020-12-07 2021-04-16 北京集光通达科技股份有限公司 一种基于多区域主动变换聚焦方法及设备
CN113099135A (zh) * 2021-02-24 2021-07-09 浙江大华技术股份有限公司 一种红外图像聚焦、终端设备以及计算机可读存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115242982A (zh) * 2022-07-28 2022-10-25 业成科技（成都）有限公司 镜头调焦方法及其系统
CN115242982B (zh) * 2022-07-28 2023-09-22 业成科技（成都）有限公司 镜头调焦方法及其系统
CN117021809A (zh) * 2023-08-15 2023-11-10 深圳市大满包装有限公司 一种基于数码印刷的二维防伪码印刷调控方法及系统

Also Published As

Publication number Publication date
CN113628169B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN107680054B (zh) 雾霾环境下多源图像融合方法
Tang et al. A novel feature descriptor invariant to complex brightness changes
US8406510B2 (en) Methods for evaluating distances in a scene and apparatus and machine readable medium using the same
US9897792B2 (en) Method and system for extended depth of field calculation for microscopic images
KR20180065889A (ko) 타겟의 검측 방법 및 장치
CN113628169B (zh) 一种基于伪色的红外图像自动聚焦评价方法、系统及介质
CN102905140B (zh) 一种彩色显微立体图像对颜色校正方法
CN114581709B (zh) 识别医学图像中的目标的模型训练、方法、设备及介质
AU2015259903B2 (en) Segmentation based image transform
CN110728201A (zh) 用于指纹识别的图像处理方法及装置
CN110245600A (zh) 自适应起始快速笔画宽度无人机道路检测方法
Tan et al. Image-dehazing method based on the fusion coding of contours and colors
CN113947535B (zh) 一种基于光照分量优化的低照度图像增强方法
Jöchl et al. Device (in) dependence of deep learning-based image age approximation
CN115909401A (zh) 融合深度学习的牛脸识别方法、装置、电子设备和介质
CN114612756A (zh) 一种基于红外多波段图像自适应融合的目标识别方法
CN113793372A (zh) 异源图像的优化配准方法及系统
CN112070771A (zh) 基于hs通道的自适应阈值分割方法、装置和存储介质
Huang et al. Multi-sensor fusion of Electro-Optic and infrared signals for high resolution visible images: Part II
Nam et al. Flash shadow detection and removal in stereo photography
CN117670740B (zh) 基于图像分割的暗光图像色彩还原方法、装置及设备
Xu et al. A two-stage progressive shadow removal network
Yuan et al. Single Image Defogging Method based on Deep Learning
Li et al. MIMT: Multi-Illuminant Color Constancy via Multi-Task Local Surface and Light Color Learning
Jadon et al. Simple and efficient non-contact technique for resistor value estimation

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