CN114092353A - 一种基于加权引导滤波的红外图像增强方法 - Google Patents
一种基于加权引导滤波的红外图像增强方法 Download PDFInfo
- Publication number
- CN114092353A CN114092353A CN202111403449.9A CN202111403449A CN114092353A CN 114092353 A CN114092353 A CN 114092353A CN 202111403449 A CN202111403449 A CN 202111403449A CN 114092353 A CN114092353 A CN 114092353A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- filtering
- processing
- guide
- 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
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000012937 correction Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 238000005315 distribution function Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- 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
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种基于加权引导滤波的红外图像增强方法,属于图像增强技术领域,为了解决现有的图像细节处理增强不够明显,边缘纹理没有得到好的改善的问题,该方法:对输入的高动态范围红外图像通过改进的多尺度加权引导滤波进行处理,得到两层细节层图像和一层基础层图像;对基础层图像采用限制对比度的自适应直方图均衡化处理,拉伸其对比度并压缩动态范围,得到基础层增强图像;对步骤1处理后得到的两张细节层图像,先采用基于泊森‑马尔科夫随机场的最大后验法进行处理,增加一定的信息,然后采用基于伽马校正的动态范围压缩得到两层细节层增强图像;对得到的基础层增强图像和细节层增强图像按权重进行线性融合,最终得到增强图像。
Description
技术领域
本发明涉及一种基于加权引导滤波的红外图像增强方法,属于图像增强技术领域。
背景技术
图像增强已广泛应用于驾驶导航、医疗诊断到工业监控等各种应用。图像增强是对于原图像进行处理来获得更高质量的图像。例如,红外图像增强系统被广泛应用于军事和民用监控领域。由于目标与传感器距离较远,红外辐射会受到大气热辐射的影响,使得红外图像的对比度比较低,细节不明显且易缺失,不易于观察和识别。因此,提高红外图像的对比度并增强细节成为红外图像处理的关键。然而,现有的红外图像增强方法大多数效果不佳,存在两个关键问题,即细节不够明显和算法参数的设定过度依赖经验。
中国专利公开号为“CN110047055B”,名称为“一种红外图像细节增强及去噪方法”,该方法公开了一种红外图像细节增强及去噪方法,该方法对14bit 红外图像进行分层处理,对背景层进行改进的直方图均衡处理;对细节层进行高斯滤波,标定脉冲点;再对处理后细节层图像进行分块计算极值,判断块内极值是否为脉冲点;去除细节层的脉冲点后,对细节层进行Gamma校正并加权回背景层得到最终的输出图像。该方法增强后的图像细节并不明显,边缘纹理也没有得到明显的改善,且会突出条状噪声。
发明内容
本发明为了解决现有的图像细节处理增强不够明显,边缘纹理没有得到好的改善的问题,提供了一种基于加权引导滤波的红外图像增强方法,该方法满足了14bit转8bit的要求,也可用于改善8bit红外图像的质量,解决了细节增强不够明显,边缘纹理没有明显改善的问题,同时更有利于人眼对图像的观察。
本发明解决技术问题的方案是:
一种基于加权引导滤波的红外图像增强方法,包括如下步骤:
步骤1,对输入的高动态范围红外图像通过改进的多尺度加权引导滤波进行处理,得到两层细节层图像和一层基础层图像;所述的多尺度加权引导滤波,先采用原图作为引导图进行第一次滤波,第二次则采用第一次引导滤波后的图像作为引导图;
步骤2,对基础层图像采用限制对比度的自适应直方图均衡化处理,拉伸其对比度并压缩动态范围,得到基础层增强图像;
步骤3,对步骤1处理后得到的两张细节层图像,先采用基于泊森-马尔科夫随机场的最大后验法进行处理,增加一定的信息,然后采用基于伽马校正的动态范围压缩得到两层细节层增强图像;
步骤4,对得到的基础层增强图像和细节层增强图像按权重进行线性融合,最终得到增强图像。
本发明的有益效果如下:
1、使用迭代的方法实现多尺度引导滤波,对细节层图像进行第二次加权引导滤波,同时在引导滤波内引入转向内核优化权值函数,能够更好的描述边缘信息,同时解决了引导滤波在边缘处普遍存在晕波伪影的问题。
2、在细节增强中采用基于泊森-马尔科夫的最大后验法处理细节层,能够合理的增加细节层的信息,使图像边缘纹理更加突出。
3、整个图像处理采用基础层与细节层分开处理的方法,保证了原图像的对比度得到合适拉伸的同时又增强了图像的细节,不仅突出了图像的细节还同时增加了图像的细节信息。
附图说明
图1为本发明一种基于加权引导滤波的红外图像增强方法的流程图。
图2为本发明所述方法中多尺度加权引导滤波算法的示意图。
图3a为红外图像处理器输出的原图,图3b为经过本发明所述的红外图像增强方法处理后的效果图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
如图1所示,一种基于加权引导滤波的红外图像增强方法,该方法具体包括如下步骤:
步骤1,如图2所示,对输入的高动态范围红外图像通过改进的多尺度加权引导滤波进行处理,得到两层细节层图像和一层基础层图像;
对原图像进行多尺度加权引导滤波分层过程的为:
先对输入的红外图像I进行第一次以I为引导图像的加权引导滤波,得到滤波后的基础层图像B1;原图像I与滤波后的图像B1相减得到细节层图像I1;对该细节层图像进行以I1为引导图的加权引导滤波处理得到第一层细节层图像I1并与之相减得到第二层细节层图像I2。
其中SKWGIF为加权引导滤波处理函数,其表达式如下:
其中k是半径为r的局部窗口ω的索引,i代表引导图像I的像素点索引,q为输出图像,wik为控制内核。其中,ak和bk为线性系数,其表达式如下:
其中,pi为引导图像中的像素点的值,为该窗口内待处理图像素点的均值,μk和分别为引导图像I在区域ω的均值和方差。∈m为惩罚系数,m为当前的滤波次数,m=1时表明该过程在第一次加权引导滤波处理。ψI(k)为边缘感知权值,其表达式如下
为一常数,用来对ψI(k)进行调控。N为引导图像I的像素数。
对于控制内核wik,考虑梯度并分析局部窗口中像素的辐射相似性,采用如下形式。定义如下:
其中h为控制核支持范围的平滑参数,xi和xk为像素坐标。Ci是由以像素i 为中心的局部方窗ωi计算得到的对称梯度协方差矩阵,可估计为
其中Gi为局部梯度矩阵,Ik,x1、Ik,x2为像素k处沿x1、x1方向的一阶导数,该导数依赖于制导图像I的像素强度差。
步骤2,对基础层采用限制对比度的自适应直方图均衡化处理,拉伸其对比度并压缩其动态范围,得到基础层增强图像;
实现限制对比度的自适应直方图均衡化处理的具体步骤如下:
(1)先设置M×M大小的正方形滑动窗口,和一个局部映射函数mi,其表达式为:
其中CDF(i)为基础层图像的累积分布函数。i为像素点索引。
(2)求出各子区域内包含的所有像素值得其滑动窗口的累积分布函数S为:
其中Hist(i)为基础层图像的直方图分布函数。
L=Hmax-T
其中,Smax是累积分布函数S的最大值,T为设定的阈值,L为补偿值。
(4)对高度大于Hmax的直方图应截图多余部分。得到的新的基础层增强图像Be,其直方图分布为:
其中Hist(i)为基础层图像的直方图分布函数。
步骤3,对步骤1处理后得到的两张细节层图像,先采用基于泊森-马尔科夫随机场的最大后验法进行处理,增加一定的信息,然后采用基于伽马校正的动态范围压缩得到两层细节层增强图像;
其中基于泊森-马尔可夫随机场的最大后验法的实现函数如下:
式中,i、j为原始图像f的横纵坐标,gij为假设高清图像的像素灰度值,n为迭代的阶数,β是控制算法收敛和迭代速度的控制系数,U(f)是约束惩罚函数,α为约束重量不平衡部分的自适应正则化参数,Ii,j为处理后的第一层细节层增强图像Ie1、第二层细节层增强图像Ie2的像素值,Hsi为综合退化矩阵。
步骤4,对基础层增强图像和细节层增强图像按权重进行线性融合,最终得到增强图像。
其中融合的公式为Iout=α1Be+α2Ie1+α3Ie2,α1,α2,α3为权重系数, Ie1,Ie2,分别是第一层细节层增强图像、第二层细节层增强图像,Be是基础层增强图像,Iout为增强图像。
实施例:
步骤1,对输入的高动态范围红外图像通过改进的多尺度加权引导滤波进行分层处理,得到一层基础层图像和两层细节层图像;其中第一次引导滤波的惩罚系数∈设置为0.08,第二次引导滤波的惩罚系数∈设置为0.06;加权引导滤波中权值的λ参数设为(0.01×)2,L为输入图像的动态范围。
步骤2,对基础层图像采用限制对比度的自适应直方图均衡化处理,拉伸其对比度并压缩其动态范围,得到基础层增强图像;其中所需的阈值T通常设置为 T=0.75Hmax。
步骤3,对步骤1处理后得到的两张细节层图像,先采用基于泊森-马尔科夫随机场的最大后验法处理,增加一定的信息,然后采用基于伽马校正的动态范围压缩,得到两层细节层增强图像;其中最大后验算法中的约束惩罚函数U(f) 中的增益系数δ设为2.25,平衡系数θ设为3.3;对每一张细节层图像进行伽马变换时,采用的系数λ应不相同。为了突出更能表示图像特征的细节层,设第一层细节层的伽马变换系数为λ1,第二层细节层的伽马变换系数为λ2,通常设λ1为0.8,λ2为0.64;
步骤4,对基础层增强图像和细节层增强图像按权重进行线性融合,最终得到增强图像。其中线性融合的权重系数α1、α2、α3分别设为0.7、1.2和1.6。
通过上述实验条件对如图3a所示的原始红外图像进行处理,得到的经过细节增强后的图像,如图3b所示。
从实验结果可知,本发明提出的方法拥有丰富的细节信息,边缘纹理突出明显,实验结果进一步说明了本发明提出的方法具有更好的图像质量。
Claims (4)
1.一种基于加权引导滤波的红外图像增强方法,其特征是,该方法包括如下步骤:
步骤1,对输入的高动态范围红外图像通过改进的多尺度加权引导滤波进行处理,得到两层细节层图像和一层基础层图像;所述的多尺度加权引导滤波,先采用原图作为引导图进行第一次滤波,第二次则采用第一次引导滤波后的图像作为引导图;
步骤2,对基础层图像采用限制对比度的自适应直方图均衡化处理,拉伸其对比度并压缩动态范围,得到基础层增强图像;
步骤3,对步骤1处理后得到的两张细节层图像,先采用基于泊森-马尔科夫随机场的最大后验法进行处理,增加一定的信息,然后采用基于伽马校正的动态范围压缩得到两层细节层增强图像;
步骤4,对得到的基础层增强图像和细节层增强图像按权重进行线性融合,最终得到增强图像。
2.根据权利要求1所述的一种基于加权引导滤波的红外图像增强方法,其特征在于,所述步骤1对原图像进行多尺度加权引导滤波分层过程的为:
先对输入的红外图像I进行第一次以I为引导图像的加权引导滤波,得到滤波后的基础层图像B1;原图像I与滤波后的图像B1相减得到细节层图像I1;对该细节层图像进行以I1为引导图的加权引导滤波处理得到第一层细节层图像I1并与之相减得到第二层细节层图像I2;
其中SKWGIF为加权引导滤波处理函数,其表达式如下:
其中k是半径为r的局部窗口ω的索引,i代表引导图像I的像素点索引,q为输出图像,wik为控制内核;其中,ak和bk为线性系数,其表达式如下:
其中,pi为引导图像中的像素点的值,为该窗口内待处理图像素点的均值,μk和分别为引导图像I在区域ω的均值和方差;∈m为惩罚系数,m为当前的滤波次数,m=1时表明该过程在第一次加权引导滤波处理;ψI(k)为边缘感知权值,其表达式如下
为一常数,用来对ψI(k)进行调控;N为引导图像I的像素数;
对于控制内核wik,考虑梯度并分析局部窗口中像素的辐射相似性,采用如下形式;定义如下:
其中h为控制核支持范围的平滑参数,xi和xk为像素坐标。Ci是由以像素i为中心的局部方窗ωi计算得到的对称梯度协方差矩阵,可估计为
其中Gi为局部梯度矩阵,Ik,x1、Ik,x2为像素k处沿x1、x1方向的一阶导数,该导数依赖于制导图像I的像素强度差。
3.根据权利要求1所述的一种基于加权引导滤波的红外图像增强方法,其特征在于,所述步骤2中实现限制对比度的自适应直方图均衡化处理的具体步骤如下:
(1)先设置M×M大小的正方形滑动窗口,和一个局部映射函数mi,其表达式为:
其中CDF(i)为基础层图像的累积分布函数;i为像素点索引;
(2)求出各子区域内包含的所有像素值得其滑动窗口的累积分布函数S为:
其中Hist(i)为基础层图像的直方图分布函数;
L=Hmax-T
其中,Smax是累积分布函数S的最大值,T为设定的阈值,L为补偿值;
(4)对高度大于Hmax的直方图应截图多余部分;得到的新的基础层增强图像Be,其直方图分布为:
其中Hist(i)为基础层图像的直方图分布函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111403449.9A CN114092353A (zh) | 2021-11-19 | 2021-11-19 | 一种基于加权引导滤波的红外图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111403449.9A CN114092353A (zh) | 2021-11-19 | 2021-11-19 | 一种基于加权引导滤波的红外图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092353A true CN114092353A (zh) | 2022-02-25 |
Family
ID=80303911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111403449.9A Pending CN114092353A (zh) | 2021-11-19 | 2021-11-19 | 一种基于加权引导滤波的红外图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092353A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742732A (zh) * | 2022-04-19 | 2022-07-12 | 武汉博宇光电系统有限责任公司 | 一种基于细节丰富度的红外图像增强方法 |
CN114757897A (zh) * | 2022-03-30 | 2022-07-15 | 柳州欧维姆机械股份有限公司 | 一种改善桥梁缆索锚固区成像效果的方法 |
CN115272139A (zh) * | 2022-09-29 | 2022-11-01 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 热红外图像的量化与自适应增强方法、系统及存储介质 |
CN116433667A (zh) * | 2023-06-14 | 2023-07-14 | 山东德源电力科技股份有限公司 | 一种配电物联低压智能开关检测方法 |
CN117218026A (zh) * | 2023-09-18 | 2023-12-12 | 中国人民解放军91977部队 | 一种红外图像增强方法及装置 |
CN114742732B (zh) * | 2022-04-19 | 2024-05-28 | 武汉博宇光电系统有限责任公司 | 一种基于细节丰富度的红外图像增强方法 |
-
2021
- 2021-11-19 CN CN202111403449.9A patent/CN114092353A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757897A (zh) * | 2022-03-30 | 2022-07-15 | 柳州欧维姆机械股份有限公司 | 一种改善桥梁缆索锚固区成像效果的方法 |
CN114757897B (zh) * | 2022-03-30 | 2024-04-09 | 柳州欧维姆机械股份有限公司 | 一种改善桥梁缆索锚固区成像效果的方法 |
CN114742732A (zh) * | 2022-04-19 | 2022-07-12 | 武汉博宇光电系统有限责任公司 | 一种基于细节丰富度的红外图像增强方法 |
CN114742732B (zh) * | 2022-04-19 | 2024-05-28 | 武汉博宇光电系统有限责任公司 | 一种基于细节丰富度的红外图像增强方法 |
CN115272139A (zh) * | 2022-09-29 | 2022-11-01 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 热红外图像的量化与自适应增强方法、系统及存储介质 |
CN116433667A (zh) * | 2023-06-14 | 2023-07-14 | 山东德源电力科技股份有限公司 | 一种配电物联低压智能开关检测方法 |
CN116433667B (zh) * | 2023-06-14 | 2023-08-11 | 山东德源电力科技股份有限公司 | 一种配电物联低压智能开关检测方法 |
CN117218026A (zh) * | 2023-09-18 | 2023-12-12 | 中国人民解放军91977部队 | 一种红外图像增强方法及装置 |
CN117218026B (zh) * | 2023-09-18 | 2024-03-22 | 中国人民解放军91977部队 | 一种红外图像增强方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114092353A (zh) | 一种基于加权引导滤波的红外图像增强方法 | |
CN111899205B (zh) | 一种场景自适应宽动态红外热成像的图像增强方法 | |
CN111292257B (zh) | 一种基于Retinex的暗视觉环境下图像增强方法 | |
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 | |
CN111105371B (zh) | 一种低对比度红外图像的增强方法 | |
CN104463804A (zh) | 一种基于直觉模糊集的图像增强方法 | |
CN107203980B (zh) | 自适应多尺度暗通道先验的水下目标探测图像增强方法 | |
CN111340717A (zh) | 一种用于非制冷红外热像仪的图像预处理装置 | |
CN113808036B (zh) | 基于Retinex模型的低照度图像增强与去噪方法 | |
CN111080561A (zh) | 一种时域高通滤波方法 | |
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 | |
CN110969584B (zh) | 一种低照度图像增强方法 | |
WO2020107308A1 (zh) | 一种基于Retinex的微光图像快速增强方法及其装置 | |
CN114066757A (zh) | 基于引导滤波的数字细节增强正则化参数自适应选取方法 | |
CN111563854B (zh) | 用于水下图像增强处理的粒子群优化方法 | |
CN109859138B (zh) | 一种基于人眼视觉特性的红外图像增强方法 | |
CN112801899A (zh) | 基于互补结构感知的内外循环驱动图像盲去模糊方法和装置 | |
CN109741276B (zh) | 一种基于滤波分层框架的红外图像基本层处理方法及系统 | |
CN116309233A (zh) | 一种基于夜视增强的红外与可见光图像融合方法 | |
CN110136081A (zh) | 一种基于高斯核偏态校正弥撒滤波器的图像增强方法 | |
CN115797205A (zh) | 基于Retinex分数阶变分网络的无监督单张图像增强方法及系统 | |
CN114897751A (zh) | 基于多尺度结构分解的红外和可见光图像感知融合方法 | |
CN112184608A (zh) | 一种基于特征转移的红外与可见光图像融合方法 | |
Chen et al. | GADO-Net: an improved AOD-Net single image dehazing algorithm | |
CN117830637B (zh) | 一种视觉语义分割方法、系统、电子设备及介质 |
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 |