CN114092355A - 自适应红外图像对比度增强方法及装置 - Google Patents
自适应红外图像对比度增强方法及装置 Download PDFInfo
- Publication number
- CN114092355A CN114092355A CN202111420941.7A CN202111420941A CN114092355A CN 114092355 A CN114092355 A CN 114092355A CN 202111420941 A CN202111420941 A CN 202111420941A CN 114092355 A CN114092355 A CN 114092355A
- Authority
- CN
- China
- Prior art keywords
- image
- frequency sub
- histogram
- band
- scale
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 31
- 230000001186 cumulative effect Effects 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 description 11
- 230000014509 gene expression Effects 0.000 description 6
- 238000003331 infrared imaging Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种自适应红外图像对比度增强方法及装置,涉及红外图像增强处理技术领域,获取原始红外序列图像,并进行去伪影处理;对原始红外序列图像进行L级小波分解,分解为低频子带图像和高频子带图像;统计每一尺度下的低频子带图像的直方图,获取统计直方图;对每一尺度下的低频子带图像的统计直方图进行修正;通过低频子带图像的累积直方图对低频子带图像的灰度值进行重新分配,获取均衡化的灰度值;对各尺度下的高频子带图像分别进行去噪;将处理后的各尺度的低频子带图像和各尺度的高频子带图像进行小波逆变换,完成图像重构;对重构后的图像进行灰度映射处理,获取对比度增强的红外图像。本申请能够有效增强红外图像的对比度。
Description
技术领域
本发明涉及红外图像增强处理技术领域,更具体地,涉及一种自适应红外图像对比度增强方法及装置。
背景技术
随着信号与信息处理技术的不断创新,红外成像技术正广泛应用于导弹制导、森林防火、医疗诊断、自动驾驶和工业监测等军事和民用领域。
相关技术中,红外图像在成像显示时易出现对比度低,局部细节信息丢失的现象。这是由于一方面红外探测器具有分辨率差、信噪比低的特点;另一方面高性能红外成像系统的输出多为14位或更高位精度的高动态图像,常规的8位显示设备无法显示高动态范围的图像,因此,需要将红外成像系统获取的14位或更高位精度的原始红外图像压缩到8位精度的图像进行显示。在原始红外图像压缩的过程中易造成红外图像整体偏暗、边缘模糊、对比度低和噪声干扰大等问题,限制了红外成像系统的应用发展。
发明内容
有鉴于此,本发明提供了一种自适应红外图像对比度增强方法及装置,通过多分辨率分解结合自动双平台直方图均衡的方法,能够有效增强红外图像的对比度。
一方面,本申请提供的一种自适应红外图像对比度增强方法,包括:
获取原始红外序列图像,并对原始红外序列图像进行去伪影处理;
对去伪影处理后的原始红外序列图像进行L级小波分解,将去伪影处理后的原始红外序列图像分解为L个尺度,每一尺度下包括低频子带图像和高频子带图像,其中,高频子带图像包括垂直子带图像、水平子带图像和对角子带图像;
统计每一尺度下的低频子带图像的直方图,获取统计直方图;
对每一尺度下的低频子带图像的统计直方图进行修正,具体为:分别获取每一尺度下的低频子带图像的第一平台阈值Tup和第二平台阈值Tdown,如果某一灰度级的直方图值大于第一平台阈值Tup,则将该灰度级的直方图值更改为Tup;如果某一灰度级的直方图值小于第二平台阈值Tdown,则将该灰度级的直方图值更改为Tdown;如果某一灰度级的直方图值大于第二平台阈值Tdown,且小于第一平台阈值Tup,则该灰度级的直方图值保持不变;完成统计直方图修正后,得到每一尺度下的低频子带图像的累积直方图;
通过每一尺度下的低频子带图像的累积直方图对各尺度下的低频子带图像的灰度值进行重新分配,获取均衡化的灰度值,即为处理后的各尺度下的低频子带图像;
对各尺度下的高频子带图像分别进行去噪,具体为:获取每一尺度下的高频子带图像的像素点的小波系数的阈值门限,如果高频子带图像上的像素点的小波系数大于阈值门限,则保留该部分高频子带图像上的像素点的小波系数;如果高频子带图像上的像素点的小波系数小于阈值门限,则剔除该部分高频子带图像上的像素点的小波系数;不同尺度下的高频子带图像上的像素点的小波系数的阈值门限不同;
将处理后的各尺度的低频子带图像和各尺度的高频子带图像进行小波逆变换,完成图像重构;
对重构后的图像进行灰度映射处理,即将重构图像的灰度值范围归一为[0,255],获取对比度增强的红外图像。
可选地,获取原始红外序列图像,并对原始红外序列图像进行去伪影处理的过程包括:
通过红外拍摄装置在第一时刻拍摄第一红外图像,在第二时刻拍摄第二红外图像,构建原始红外序列图像,第一时刻和第二时刻相邻;
将第一红外图像和第二红外图像以权重比例因子a进行相加获取降噪后的图像,0.2<a<0.7;即对原始红外序列图像进行去伪影处理。
可选地,小波分解的基函数包括但不限于Haar基函数,Morlet基函数,db4基函数,db6基函数等。
可选地,第一平台阈值Tup的计算过程为:
统计原始红外图像的直方图P(k),0≤k≤2N,N为图像数据位数;
取出P(k)中的非零元素,构成集合{FZ(r)0≤r≤L},其中,L为P(k)中非零元素的数量,r为集合FZ(r)中的第r个元素;
计算FZ(r)每间隔预定的窗口的局部最大值集合{S(x)0≤x≤M},其中,M为局部最大值数量,x为集合S(x)集合中的某个元素;
求出S(x)的均值,即为Tup,Tup=mean{POLAR(1),POLAR(k),...,POLAR(M)},其中,POLAR为去除元素为0的直方图统计集合中局部最大值集合,M为POLAR集合中局部最大值的数量,POLAR(k)为POLAR集合中的第k个元素。
可选地,预定的窗口取值范围为30-50。
可选地,第二平台阈值Tdown的计算过程为:
统计原始红外图像的直方图P(b),0≤b≤2M,M为图像数据位数;
对P(b)按照预定的选取比例进行截尾操作;
统计截尾后图像的直方图P'(b),并计算截尾后图像的灰阶级数Lg,b为直方图P'(b)中的某一元素;
根据公式Tdown=[P'(Lg)/Lg],得到直方图的第二平台阈值Tdown。
可选地,预定的选取比例为0.02。
另一方面,本申请还提供一种自适应红外图像对比度增强装置,应用于本申请所提供的自适应红外图像对比度增强方法,包括:
图像去伪影模块,用于获取原始红外序列图像,并对原始红外序列图像进行去伪影处理;
图像多尺度分解模块,用于对去伪影处理后的原始红外序列图像进行L级小波分解,将去伪影处理后的原始红外序列图像分解为L个尺度,每一尺度下包括低频子带图像和高频子带图像,其中,高频子带图像包括垂直子带图像、水平子带图像和对角子带图像;
直方图获取模块,用于统计每一尺度下的低频子带图像的直方图,获取统计直方图;
直方图修正模块,用于对每一尺度下的低频子带图像的统计直方图进行修正,具体为:分别获取每一尺度下的低频子带图像的第一平台阈值Tup和第二平台阈值Tdown,如果某一灰度级的直方图值大于第一平台阈值Tup,则将该灰度级的直方图值更改为Tup;如果某一灰度级的直方图值小于第二平台阈值Tdown,则将该灰度级的直方图值更改为Tdown;如果某一灰度级的直方图值大于第二平台阈值Tdown,且小于第一平台阈值Tup,则该灰度级的直方图值保持不变;完成统计直方图修正后,得到每一尺度下的低频子带图像的累积直方图;
低频子带图像处理模块,用于通过每一尺度下的低频子带图像的累积直方图对各尺度下的低频子带图像的灰度值进行重新分配,获取均衡化的灰度值,即为处理后的各尺度下的低频子带图像;
高频子带图像处理模块,用于对各尺度下的高频子带图像分别进行去噪,具体为:获取每一尺度下的高频子带图像的像素点的小波系数的阈值门限,如果高频子带图像上的像素点的小波系数大于阈值门限,则保留该部分高频子带图像上的像素点的小波系数;如果高频子带图像上的像素点的小波系数小于阈值门限,则剔除该部分高频子带图像上的像素点的小波系数;不同尺度下的高频子带图像上的像素点的小波系数的阈值门限不同;
重构模块,用于将处理后的各尺度的低频子带图像和各尺度的高频子带图像进行小波逆变换,完成图像重构;
增强图像获取模块,用于对重构后的图像进行灰度映射处理,即将重构图像的灰度值范围归一为[0,255],获取对比度增强的红外图像。
与现有技术相比,本发明提供的一种自适应红外图像对比度增强方法及装置,至少实现了如下的有益效果:
本申请提供的自适应红外图像对比度增强方法及装置,采用小波分解的方法,将去伪影后的原始红外序列图像分解为多个尺度,每个尺度下包括低频子带图像和高频子带图像,小波分析方法因其独特的时频局部化特性在图像信号和噪声信号的区分以及有效去除噪声并保留有用信息等方面较之传统的方法具有明显的优势;采用小波多尺度分解的方法,对不同尺度下的高频图像进行不同的阈值降噪处理,实现在去除噪声的同时,保留原始图像的细节信息;另外,本实施例中还对不同尺度下的低频子带图像采用自适应双平台直方均衡算法,自适应双平台均衡算法能够应用于不同的场景下,在处理低频子带图像时,能够自动调整双平台直方图的平台阈值上限Tup和平台阈值下限Tdown,进一步能够使本申请中的红外图像对比度增强的方法适用于不同的场景,解决了现有算法“过亮”或者“过暗”,以及在增强图像对比度时不能适应成像场景变化,易丢失图像低频细节等问题。
当然,实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1所示为本申请实施例所提供的自适应红外图像对比度增强方法的一种流程图;
图2所示为本申请实施例所提供的自适应红外图像对比度增强方法的另一种流程图;
图3所示为本申请实施例所提供的自适应红外图像对比度增强方法的另一种流程图;
图4所示为本申请实施例所提供的自适应红外图像对比度增强装置的一种结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
以下将结合附图和具体实施例进行详细说明。
图1所示为本申请实施例所提供的自适应红外图像对比度增强方法的一种流程图,图2所示为本申请实施例所提供的自适应红外图像对比度增强方法的另一种流程图,请参考图1~图2所示,本申请提供一种自适应红外图像对比度增强方法,包括:
S1、获取原始红外序列图像,并对原始红外序列图像进行去伪影处理;
S2、对去伪影处理后的原始红外序列图像进行L级小波分解,请继续参考图3所示,将去伪影处理后的原始红外序列图像分解为L个尺度,每一尺度下包括低频子带图像和高频子带图像,其中,高频子带图像包括垂直子带图像、水平子带图像和对角子带图像;
S3、统计每一尺度下的低频子带图像的直方图,获取统计直方图;
S4、对每一尺度下的低频子带图像的统计直方图进行修正,具体为:分别获取每一尺度下的低频子带图像的第一平台阈值Tup和第二平台阈值Tdown,如果某一灰度级的直方图值大于第一平台阈值Tup,则将该灰度级的直方图值更改为Tup;如果某一灰度级的直方图值小于第二平台阈值Tdown,则将该灰度级的直方图值更改为Tdown;如果某一灰度级的直方图值大于第二平台阈值Tdown,且小于第一平台阈值Tup,则该灰度级的直方图值保持不变;完成统计直方图修正后,得到每一尺度下的低频子带图像的累积直方图;
S5、通过每一尺度下的低频子带图像的累积直方图对各尺度下的低频子带图像的灰度值进行重新分配,获取均衡化的灰度值,即为处理后的各尺度下的低频子带图像;
S6、对各尺度下的高频子带图像分别进行去噪,具体为:获取每一尺度下的高频子带图像的像素点的小波系数的阈值门限,如果高频子带图像上的像素点的小波系数大于所述阈值门限,则保留该部分高频子带图像上的像素点的小波系数;如果高频子带图像上的像素点的小波系数小于阈值门限,则剔除该部分高频子带图像上的像素点的小波系数;不同尺度下的高频子带图像上的像素点的小波系数的阈值门限不同;
S7、将处理后的各尺度的低频子带图像和各尺度的高频子带图像进行小波逆变换,完成图像重构;
S8、对重构后的图像进行灰度映射处理,即将重构图像的灰度值范围归一为[0,255],获取对比度增强的红外图像。
具体而言,请继续参考图1~图2所示,本实施例中的自适应红外图像对比度增强方法包括:
S1、获取原始红外序列图像,并对原始红外序列图像进行去伪影处理;在获取红外图像的过程中,由于红外摄像装置读取电路无法做到完全相同,这种差异会在红外图像中产生明显的条状固定模式噪声,在基于场景的噪声消除方法使用连续拍摄的场景图像序列估计校正参数,但容易导致“伪影”现象,因此,在获取原始红外序列图像后,需对原始红外序列图像进行去伪影处理,去除原始红外图像序列图像中的不良影响;可选地,去伪影处理的方法包括多种,本申请在此不作限定。
S2、对步骤S1中处理后的原始红外图像进行分解,本实施例中,选用小波分解,分解为L个尺度,L=3,可选地,L=5,L还可以为其他尺度,本申请在此不作限定;分解后每一尺度包括低频子带图像和高频子带图像,小波分解是通过小波滤波器进行;可以理解的是,低频子带图像由两个方向利用低通小波滤波器卷积后产生的小波系数,包括大动态范围的背景信息,对比度较低,图像较为模糊,低频子带图像的灰度分布较大;高频子带图像包括弱小目标的细节纹理,高频子带图像由原始红外图像减去低频子带图像得到,高频子带图像的灰度分布较小;其中,高频子带图像包括垂直子带图像、水平子带图像和对角子带图像,垂直子带图像是在行方向利用高通小波滤波器卷积后,再用低通小波滤波器在列方向卷积而产生的小波系数,表示图像垂直方向奇异特性;水平子带图像是在行方向利用低通小波滤波器卷积后,再用高通小波滤波器在列方向卷积而产生的小波系数,表示图像的水平方向奇异特性;对角子带图像是由两个方向利用高通小波滤波器卷积后产生的小波系数,表示图像的对角边缘特性。
S3、对步骤S2中小波分解后的每一尺度下的低频子带图像进行直方图统计,获取统计直方图;可以理解的是,对每一低频子带图像中的每个组分的数值范围划分为离散的间隔,然后统计每个灰度间隔上的像素数目,如此,获取统计直方图,以便进行下一步操作;
S4、对上述步骤S3中的每一尺度下的低频子带图像的统计直方图进行修正,具体为:
分别获取每一尺度下的低频子带图像的平台阈值上限Tup和平台阈值下限Tdown,如果某一灰度级在统计直方图中的占比大于平台阈值上限Tup,则将该灰度级的直方图值更改为Tup;如果某一灰度级在统计直方图中的占比小于平台阈值下限Tdown,则该灰度级的直方图值更改为Tdown;如果某一灰度级在统计直方图中的占比小于平台阈值上限Tup,且大于平台阈值下限Tdown,则该灰度级的直方图值保持不变;直至每一尺度下的低频子带图像的统计直方图修正完成为止,以下为低频子带图像的统计直方图修正的公式:
上述公式中,P(k)为双平台直方图修正值,p(k)为统计直方图值,k为某一灰度级,可以理解的是,灰度级k的取值范围为0到255,共256级;通过上述公式进行修正后,获取每一尺度下的低频子带累计直方图,以下为累计直方图F(k)的表达式:
通过上述步骤获取低频子带图像的累计直方图;
S5、通过上述步骤S4获取的低频子带图像的累积直方图多低频子带图像的灰度值进行重新分配,可选地,不同尺度下的低频子带图像的累积直方图对应分配该尺度下的低频子带图像的灰度值,其中,低频子带图像的均衡化的灰度值的表达式为M为低频子带图像的总灰度级,F(k)为低频子带图像的累积直方图,D(k)为灰度级为k的像素经过均衡化后的灰度值;通过上述过程,获取低频子带图像均衡化的灰度值,即为通过双平台直方图处理后的低频子带图像;
S6、对上述步骤S2获取的高频子带图像进行降噪处理,具体为,对各个尺度下的高频子带图像分别进行降噪,获取每一尺度下的高频子带图像的像素点的小波系数的阈值门限,将高频子带图像上的像素点的小数系数与阈值门限进行比较,若像素点的小波系数大于阈值门限,则保留该部分的像素点的小波系数,若像素点的小波系数小于门限阈值,则剔除该部分像素点的小波系数,如此,获取处理后的高频子带图像;可以理解的是,每一尺度下的高频子带图像上的像素点小波系数的阈值门限不同,对每一尺度下的高频子带图像的像素点的小波系数处理情况不同;通过上述过程获取处理后的高频子带图像;
S7、将上述步骤S5和步骤S6处理后的低频子带图像和高频子带图像进行小波逆变换,完成图像重构;可以理解的是,通过小波逆变换,可以将上述处理后的低频子带图像和高频子带图像重构成完整的红外图像,该红外图像即为对比度增强后的图像;
S8、将上述步骤S7重构后的红外图像进行灰度映射处理,获取灰度值范围为[0,255]的红外图像,将图像的灰度值归一在[0,255]内,用于显示,该可获取对比度增强的图像。
相关技术中,传统的线性和非线性拉伸在抑制背景信息的同时(即低频子带图像信息),细节信息也会被淹没(即高频子带图像信息);现有技术中采用基于图像直方图均衡化的增强方法,能很较好的改善红外图像的对比度,但是容易出现局部区域“过亮”或“过暗”现象;基于图像分层处理的增强方法,在红外成像场景变化时,算法参数不能根据场景变化做自适应调整,当场景环境变化时,图像增强效果不理想。
有鉴于此,本申请采用小波分解的方法,将去伪影后的原始红外序列图像分解为多个尺度,每个尺度下包括低频子带图像和高频子带图像,小波分析方法因其独特的时频局部化特性在图像信号和噪声信号的区分以及有效去除噪声并保留有用信息等方面较之传统的方法具有明显的优势;采用小波多尺度分解的方法,对不同尺度下的高频图像进行不同的阈值降噪处理,实现在去除噪声的同时,保留原始图像的细节信息;另外,本实施例中还对不同尺度下的低频子带图像采用自适应双平台直方均衡算法,自适应双平台均衡算法能够应用于不同的场景下,在处理低频子带图像时,能够自动调整双平台直方图的平台阈值上限Tup和平台阈值下限Tdown,进一步能够使本申请中的红外图像对比度增强的方法适用于不同的场景,解决了现有算法“过亮”或者“过暗”,以及在增强图像对比度时易丢失图像低频细节等问题。
在本申请的一种可选实施例中,获取原始红外序列图像,并对原始红外序列图像进行去伪影处理的过程包括:
通过红外拍摄装置在第一时刻拍摄第一红外图像,在第二时刻拍摄第二红外图像,构建原始红外序列图像,所述第一时刻和所述第二时刻相邻;
将所述第一红外图像和所述第二红外图像以权重比例因子a进行相加获取降噪后的图像,0.2<a<0.7;即对所述原始红外序列图像进行去伪影处理。
具体而言,本实施例中,采用时域瞬态降噪方法对原始红外序列图像进项去伪影处理,具体的过程为:
通过红外拍摄装置分别在m时刻和m-1时刻拍摄红外图像,即第一红外图像和第二红外图像,m时刻和m-1时刻为相邻两时刻;
将相邻两刻采集的第一红外图像和第二红外图像以权重比例因子a进行相加后获取去伪影后的红外图像,以下为去伪影后的红外图像的表达式:
ym=(1-α)xm-1+αxm,α∈[0,1],其中,ym为m时刻的滤波器输出,xm-1和xm是时刻m-1和时刻m的目标采集图像,a为权重因子,0.2<a<0.7;通过上述方法可以有效的获取去伪影处理后的红外图像。
在本申请的一种可选实施例中,小波分解的基函数包括但不限于Haar基函数,Morlet基函数,db4基函数,db6基函数等。
具体而言,本实施例中,小波分解的基函数包括多种类型,可以为Haar基函数,Morlet基函数,db4基函数,db6基函数中任一种基函数,本申请在此不作限定。
在本申请的一种可选实施例中,第一平台阈值Tup的计算过程为:
统计原始红外图像的直方图P(k),0≤k≤2N,N为图像数据位数;
取出P(k)中的非零元素,构成集合{FZ(r)|0≤r≤L},其中,L为P(k)中非零元素的数量,r为集合FZ(r)中的第r个元素;
计算FZ(r)每间隔预定的窗口的局部最大值集合{S(x)|0≤x≤M},其中,M为局部最大值数量,x为集合S(x)集合中的某个元素;
求出S(x)的均值,即为Tup,Tup=mean{POLAR(1),POLAR(k),...,POLAR(M)},其中,POLAR为去除元素为0的直方图统计集合中局部最大值集合,M为POLAR集合中局部最大值的数量,POLAR(k)为POLAR集合中的第k个元素。
具体而言,本实施例中,图像数据位数N=14,通过以上方式可以有效的获取第一平台阈值Tup,即平台阈值上限Tup。
在本申请的一种可选实施例中,预定的窗口取值范围为30-50。
具体而言,预定的窗口取值范围为30-50,在该范围期间,能够有效的获取局部最大值集合S(x)。
在本申请的一种可选实施例中,第二平台阈值Tdown的计算过程为:
统计原始红外图像的直方图P(b),0≤b≤2M,M为图像数据位数;
对P(b)按照预定的选取比例进行截尾操作;
统计截尾后图像的直方图P'(b),并计算截尾后图像的灰阶级数Lg,b为直方图P'(b)中的某一元素;
根据公式Tdown=[P'(Lg)/Lg],得到直方图的第二平台阈值Tdown。
具体而言,本实施例中,对P(b)按照预定的选取比例进行截尾操作,该操作的过程为:
根据Rtail计算出图像需要截掉的下限像素数和需要截掉的上限像素数;其中,下限像素数R1=Rtail*row*column,row和column为图像的行数和列数;上限像素数:R2=row*column-R1;
求出上限像素数和下限像素数分别对应的图像灰度值,分别记为max_gray和min_gray;
将图像中灰度值大于max_gray的像素灰度值修改为max_gray;
将图像中灰度值小于min_gray的像素灰度值修改为min_gray;即完成了截尾操作。
在本申请的一种可选实施例中,预定的选取比例为0.02。
在本申请的一种可选实施例中,图3所示为本申请实施例所提供的自适应红外图像对比度增强方法的另一种流程图,请参考图3所示,通过以下方法获取对比度增强的红外图像,具体为:
S1、获取原始红外序列图像,并采用时域瞬态降噪的方法,消除原始红外序列图像中存在的伪影;
S2、对去伪影处理后的原始红外序列图像进行小波分解,可选地,分解为3级,分解后的每个尺度下包括高频子带图像和低频子带图像,高频子带图像包括垂直子带图像、水平子带图像和对角子带图像;其中,小波分解的函数可以为Haar基函数,Morlet基函数,db4基函数,db6基函数中的任一种;
S3、对低频子带图像采用自适应双平台直方图均衡化算法进行压缩,根据场景的变化,自动确定图像直方图平台的上下限阈值,可在提高对比度的同时,保留细节信息;
S3-1、对低频子带图像进行直方图统计,
S3-2、确定合适的平台阈值上限Tup和平台阈值下限Tdown,对统计的直方图进行修正,如果某一灰度级的直方图值大于平台阈值上限Tup,将该灰度级的直方图值改为Tup;如果某一灰度级的直方图值小于平台阈值下限Tdown,将该灰度级的直方图值修改为Tdown;对于灰度级直方图值介于Tup和Tdown之间的,该灰度级直方图值保持不变;其算法的表达式为:
上述公式中,P(k)为双平台直方图修正值,p(k)为统计直方图值,k为某一灰度级,可以理解的是,灰度级k的取值范围为0到255,共256级;通过上述公式进行修正后,获取每一尺度下的低频子带累计直方图,以下为累计直方图F(k)的表达式:
通过上述过程获取累积直方图,其中,上述过程中,平台阈值上限Tup的计算过程为:
统计原始红外图像的直方图P(k),0≤k≤2N,N为图像数据位数,N=14;
取出P(k)中的非零元素,构成集合{FZ(r)|0≤r≤L},其中,L为P(k)中非零元素的数量,r为集合FZ(r)中的第r个元素;
计算FZ(r)每间隔预定的窗口的局部最大值集合{S(x)|0≤x≤M},其中,M为局部最大值数量,x为集合S(x)集合中的某个元素,窗口的取值范围为30-50;
求出S(x)的均值,即为Tup,Tup=mean{POLAR(1),POLAR(k),...,POLAR(M)},其中,POLAR为去除元素为0的直方图统计集合中局部最大值集合,M为POLAR集合中局部最大值的数量,POLAR(k)为POLAR集合中的第k个元素。
上述过程中,平台阈值下限Tdown的计算过程为:
统计原始红外图像的直方图P(b),0≤b≤2M,M为图像数据位数;
对P(b)按照预定的选取比例进行截尾操作,选取比例为0.02;
统计截尾后图像的直方图P'(b),并计算截尾后图像的灰阶级数Lg,b为直方图P'(b)中的某一元素;
根据公式Tdown=[P'(Lg)/Lg],得到直方图的第二平台阈值Tdown。
S3-3、通过获取的累积直方图对低频子带图像的灰度进行重新分配,得到均衡化的灰度值D(k),其中,M为低频子带图像的总灰度级,F(k)为低频子带图像的累积直方图,D(k)为灰度级为k的像素经过均衡化后的灰度值;
S4、对高频子带图像进行降噪处理,每一尺度下的高频子带图像均进行降噪处理;
S5、将降噪后的高频子带图像和压缩后的低频子带图像进行小波逆转,完成图像的重构,形成完整的红外图像;
S6、将上述步骤S5获取的红外图像的灰度值归一在[0,255]内,完整原始红外图像对比增强。
通过上述方法获取的对比度增强后的红外图像,相较于传统算法,本实施例提供的方法可以有效地提高红外图像的整体对比度,同时在不放大噪声的情况下有效地保留图像细节;本申请提供的红外图像对比度增强的方法采用的系统具有结构简单、图像细节清晰、计算性能高等特点。
基于同一发明构思,图4所示为本申请实施例所提供的自适应红外图像对比度增强装置的一种结构示意图,请结合图4所示,本申请还提供一种自适应红外图像对比度增强装置,包括:
图像去伪影模块101,用于获取原始红外序列图像,并对原始红外序列图像进行去伪影处理;
图像多尺度分解模块102,用于对去伪影处理后的原始红外序列图像进行L级小波分解,将去伪影处理后的原始红外序列图像分解为L个尺度,每一尺度下包括低频子带图像和高频子带图像,其中,高频子带图像包括垂直子带图像、水平子带图像和对角子带图像;
直方图获取模块103,用于统计每一尺度下的低频子带图像的直方图,获取统计直方图;
直方图修正模块104,用于对每一尺度下的低频子带图像的统计直方图进行修正,具体为:分别获取每一尺度下的低频子带图像的第一平台阈值Tup和第二平台阈值Tdown,如果某一灰度级的直方图值大于第一平台阈值Tup,则将该灰度级的直方图值更改为Tup;如果某一灰度级的直方图值小于第二平台阈值Tdown,则将该灰度级的直方图值更改为Tdown;如果某一灰度级的直方图值大于第二平台阈值Tdown,且小于第一平台阈值Tup,则该灰度级的直方图值保持不变;完成统计直方图修正后,得到每一尺度下的低频子带图像的累积直方图;
低频子带图像处理模块105,用于通过每一尺度下的低频子带图像的累积直方图对各尺度下的低频子带图像的灰度值进行重新分配,获取均衡化的灰度值,即为处理后的各尺度下的低频子带图像;
高频子带图像处理模块106,用于对各尺度下的高频子带图像分别进行去噪,具体为:获取每一尺度下的高频子带图像的像素点的小波系数的阈值门限,如果高频子带图像上的像素点的小波系数大于阈值门限,则保留该部分高频子带图像上的像素点的小波系数;如果高频子带图像上的像素点的小波系数小于阈值门限,则将该部分高频子带图像上的像素点的小波系数置为0;不同尺度下的所述高频子带图像上的像素点的小波系数的阈值门限不同;
重构模块107,用于将处理后的各尺度的低频子带图像和各尺度的高频子带图像进行小波逆变换,完成图像重构;
增强图像获取模块108,用于对重构后的图像进行灰度映射处理,即将重构图像的灰度值范围归一为[0,255],获取对比度增强的红外图像。
具体而言,本实施例中在图像多尺度分解模块102中采用小波分解的方法,将去伪影后的原始红外序列图像分解为多个尺度,每个尺度下包括低频子带图像和高频子带图像,小波分析方法因其独特的时频局部化特性在图像信号和噪声信号的区分以及有效去除噪声并保留有用信息等方面较之传统的噪具有明显的优势;采用小波多尺度分解的方法,对不同尺度下的高频图像进行不同的阈值降噪处理,实现在去除噪声的同时,保留原始图像的细节信息;另外,本实施例中还对不同尺度下的低频子带图像采用双平台直方均衡算法,解决了现有算法“过亮”或者“过暗”,以及在增强图像对比度时易丢失图像低频细节等问题;如此,获取对比度增强的红外图像。
综上,本发明提供的一种自适应红外图像对比度增强方法及装置,至少实现了如下的有益效果:
本申请提供的自适应红外图像对比度增强方法及装置,采用小波分解的方法,将去伪影后的原始红外序列图像分解为多个尺度,每个尺度下包括低频子带图像和高频子带图像,小波分析方法因其独特的时频局部化特性在图像信号和噪声信号的区分以及有效去除噪声并保留有用信息等方面较之传统的方法具有明显的优势;采用小波多尺度分解的方法,对不同尺度下的高频图像进行不同的阈值降噪处理,实现在去除噪声的同时,保留原始图像的细节信息;另外,本实施例中还对不同尺度下的低频子带图像采用自适应的双平台直方均衡算法,自适应双平台均衡算法能够应用于不同的场景下,在处理低频子带图像时,能够自动调整双平台直方图的平台阈值上限Tup和平台阈值下限Tdown,进一步能够使本申请中的红外图像对比度增强的方法适用于不同的场景,解决了现有算法“过亮”或者“过暗”,以及在增强图像对比度时不能适应成像场景变化,易丢失图像低频细节等问题。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (8)
1.一种自适应红外图像对比度增强方法,其特征在于,包括:
获取原始红外序列图像,并对所述原始红外序列图像进行去伪影处理;
对去伪影处理后的所述原始红外序列图像进行L级小波分解,将去伪影处理后的所述原始红外序列图像分解为L个尺度,每一尺度下包括低频子带图像和高频子带图像,其中,所述高频子带图像包括垂直子带图像、水平子带图像和对角子带图像;
统计每一尺度下的所述低频子带图像的直方图,获取统计直方图;
对每一尺度下的所述低频子带图像的统计直方图进行修正,具体为:分别获取每一尺度下的所述低频子带图像的第一平台阈值Tup和第二平台阈值Tdown,如果某一灰度级的直方图值大于所述第一平台阈值Tup,则将该灰度级的直方图值更改为Tup;如果某一灰度级的直方图值小于所述第二平台阈值Tdown,则将该灰度级的直方图值更改为Tdown;如果某一灰度级的直方图值大于所述第二平台阈值Tdown,且小于所述第一平台阈值Tup,则该灰度级的直方图值保持不变;完成所述统计直方图修正后,得到每一尺度下的所述低频子带图像的累积直方图;
通过每一尺度下的所述低频子带图像的累积直方图对所述各尺度下的所述低频子带图像的灰度值进行重新分配,获取均衡化的灰度值,即为处理后的各尺度下的所述低频子带图像;
对各尺度下的所述高频子带图像分别进行去噪,具体为:获取每一尺度下的所述高频子带图像的像素点的小波系数的阈值门限,如果所述高频子带图像上的像素点的小波系数大于所述阈值门限,则保留该部分所述高频子带图像上的像素点的小波系数;如果所述高频子带图像上的像素点的小波系数小于所述阈值门限,则剔除该部分所述高频子带图像上的像素点的小波系数;不同尺度下的所述高频子带图像上的像素点的小波系数的阈值门限不同;
将处理后的各尺度的所述低频子带图像和各尺度的所述高频子带图像进行小波逆变换,完成图像重构;
对重构后的图像进行灰度映射处理,即将所述重构图像的灰度值范围归一为[0,255],获取对比度增强的红外图像。
2.根据权利要求1所述的自适应红外图像对比度增强方法,其特征在于,所述获取原始红外序列图像,并对所述原始红外序列图像进行去伪影处理的过程包括:
通过红外拍摄装置在第一时刻拍摄第一红外图像,在第二时刻拍摄第二红外图像,构建原始红外序列图像,所述第一时刻和所述第二时刻相邻;
将所述第一红外图像和所述第二红外图像以权重比例因子a进行相加获取降噪后的图像,0.2<a<0.7;即对所述原始红外序列图像进行去伪影处理。
3.根据权利要求1所述的自适应红外图像对比度增强方法,其特征在于,所述小波分解的基函数包括但不限于Haar基函数,Morlet基函数,db4基函数,db6基函数等。
4.根据权利要求1所述的自适应红外图像对比度增强方法,其特征在于,所述第一平台阈值Tup的计算过程为:
统计所述原始红外图像的直方图P(k),0≤k≤2N,N为图像数据位数;
取出P(k)中的非零元素,构成集合{FZ(r)|0≤r≤L},其中,L为P(k)中非零元素的数量,r为集合FZ(r)中的第r个元素;
计算FZ(r)每间隔预定的窗口的局部最大值集合{S(x)|0≤x≤M},其中,M为局部最大值数量,x为集合S(x)集合中的某个元素;
求出S(x)的均值,即为Tup,Tup=mean{POLAR(1),POLAR(k),...,POLAR(M)},其中,POLAR为去除元素为0的直方图统计集合中局部最大值集合,M为POLAR集合中局部最大值的数量,POLAR(k)为POLAR集合中的第k个元素。
5.根据权利要求4所述的自适应红外图像对比度增强方法,其特征在于,所述预定的窗口取值范围为30-50。
6.根据权利要求1所述的自适应红外图像对比度增强方法,其特征在于,所述第二平台阈值Tdown的计算过程为:
统计原始红外图像的直方图P(b),0≤b≤2M,M为图像数据位数;
对P(b)按照预定的选取比例进行截尾操作;
统计截尾后图像的直方图P'(b),并计算截尾后图像的灰阶级数Lg,b为直方图P'(b)中的某一元素;
根据公式Tdown=[P'(Lg)/Lg],得到直方图的第二平台阈值Tdown。
7.根据权利要求6所述的自适应红外图像对比度增强方法,其特征在于,所述预定的选取比例为0.02。
8.一种自适应红外图像对比度增强装置,其特征在于,包括:
图像去伪影模块,用于获取原始红外序列图像,并对所述原始红外序列图像进行去伪影处理;
图像多尺度分解模块,用于对去伪影处理后的所述原始红外序列图像进行L级小波分解,将去伪影处理后的所述原始红外序列图像分解为L个尺度,每一尺度下包括低频子带图像和高频子带图像,其中,所述高频子带图像包括垂直子带图像、水平子带图像和对角子带图像;
直方图获取模块,用于统计每一尺度下的所述低频子带图像的直方图,获取统计直方图;
直方图修正模块,用于对每一尺度下的所述低频子带图像的统计直方图进行修正,具体为:分别获取每一尺度下的所述低频子带图像的第一平台阈值Tup和第二平台阈值Tdown,如果某一灰度级的直方图值大于所述第一平台阈值Tup,则将该灰度级的直方图值更改为Tup;如果某一灰度级的直方图值小于所述第二平台阈值Tdown,则将该灰度级的直方图值更改为Tdown;如果某一灰度级的直方图值大于所述第二平台阈值Tdown,且小于所述第一平台阈值Tup,则该灰度级的直方图值保持不变;完成所述统计直方图修正后,得到每一尺度下的所述低频子带图像的累积直方图;
低频子带图像处理模块,用于通过每一尺度下的所述低频子带图像的累积直方图对所述各尺度下的所述低频子带图像的灰度值进行重新分配,获取均衡化的灰度值,即为处理后的各尺度下的所述低频子带图像;
高频子带图像处理模块,用于对各尺度下的所述高频子带图像分别进行去噪,具体为:获取每一尺度下的所述高频子带图像的像素点的小波系数的阈值门限,如果所述高频子带图像上的像素点的小波系数大于所述阈值门限,则保留该部分所述高频子带图像上的像素点的小波系数;如果所述高频子带图像上的像素点的小波系数小于所述阈值门限,则剔除该部分所述高频子带图像上的像素点的小波系数;不同尺度下的所述高频子带图像上的像素点的小波系数的阈值门限不同;
重构模块,用于将处理后的各尺度的所述低频子带图像和各尺度的所述高频子带图像进行小波逆变换,完成图像重构;
灰度映射模块,用于对重构后的图像进行灰度映射处理,即将所述重构图像的灰度值范围归一为[0,255],获取对比度增强的红外图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111420941.7A CN114092355A (zh) | 2021-11-26 | 2021-11-26 | 自适应红外图像对比度增强方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111420941.7A CN114092355A (zh) | 2021-11-26 | 2021-11-26 | 自适应红外图像对比度增强方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092355A true CN114092355A (zh) | 2022-02-25 |
Family
ID=80304959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111420941.7A Pending CN114092355A (zh) | 2021-11-26 | 2021-11-26 | 自适应红外图像对比度增强方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092355A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018737A (zh) * | 2022-08-04 | 2022-09-06 | 四川迪晟新达类脑智能技术有限公司 | 一种红外热像增强方法及装置 |
CN115147316A (zh) * | 2022-08-06 | 2022-10-04 | 南阳师范学院 | 计算机图像高效压缩方法及系统 |
CN115187465A (zh) * | 2022-05-30 | 2022-10-14 | 中国矿业大学 | 基于nsct和图像匹配的浮选泡沫图像增强方法 |
CN116580290A (zh) * | 2023-07-11 | 2023-08-11 | 成都庆龙航空科技有限公司 | 无人机的识别方法、装置及存储介质 |
CN117437277A (zh) * | 2023-12-18 | 2024-01-23 | 聊城市至诚蔬果有限公司 | 一种果蔬脱水液面检测方法及装置 |
-
2021
- 2021-11-26 CN CN202111420941.7A patent/CN114092355A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187465A (zh) * | 2022-05-30 | 2022-10-14 | 中国矿业大学 | 基于nsct和图像匹配的浮选泡沫图像增强方法 |
CN115018737A (zh) * | 2022-08-04 | 2022-09-06 | 四川迪晟新达类脑智能技术有限公司 | 一种红外热像增强方法及装置 |
CN115147316A (zh) * | 2022-08-06 | 2022-10-04 | 南阳师范学院 | 计算机图像高效压缩方法及系统 |
CN115147316B (zh) * | 2022-08-06 | 2023-04-04 | 南阳师范学院 | 计算机图像高效压缩方法及系统 |
CN116580290A (zh) * | 2023-07-11 | 2023-08-11 | 成都庆龙航空科技有限公司 | 无人机的识别方法、装置及存储介质 |
CN116580290B (zh) * | 2023-07-11 | 2023-10-20 | 成都庆龙航空科技有限公司 | 无人机的识别方法、装置及存储介质 |
CN117437277A (zh) * | 2023-12-18 | 2024-01-23 | 聊城市至诚蔬果有限公司 | 一种果蔬脱水液面检测方法及装置 |
CN117437277B (zh) * | 2023-12-18 | 2024-03-12 | 聊城市至诚蔬果有限公司 | 一种果蔬脱水液面检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114092355A (zh) | 自适应红外图像对比度增强方法及装置 | |
Yadav et al. | Contrast limited adaptive histogram equalization based enhancement for real time video system | |
CN108090886B (zh) | 一种高动态范围红外图像的显示与细节增强方法 | |
CN104063848B (zh) | 一种低照度图像增强方法和装置 | |
CN111986120A (zh) | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 | |
CN111798396A (zh) | 一种基于小波变换的多功能图像处理方法 | |
US9401009B2 (en) | Method and apparatus for enhancing quality of 3D image | |
CN111368661A (zh) | 一种基于图像处理的手指静脉图像增强方法 | |
CN112991197B (zh) | 一种基于暗通道的细节保留的低照度视频增强方法及装置 | |
CN106296763A (zh) | 一种金属材料工业ct图像质量快速校正方法 | |
CN105427255A (zh) | 一种基于grhp的无人机红外图像细节增强方法 | |
Huang et al. | A robust deblurring algorithm for noisy images with just noticeable blur | |
CN112037151A (zh) | 基于小波分析的图像去噪方法 | |
KR20140109801A (ko) | 3d이미지 품질을 향상시키는 방법과 장치 | |
Shedbalkar et al. | A comparative analysis of filters for noise reduction and smoothening of brain MRI images | |
EP2309447A1 (en) | Image contrast enhancement | |
CN117830134A (zh) | 基于混合滤波分解和图像融合的红外图像增强方法及系统 | |
CN110009575B (zh) | 基于稀疏表示的红外图像条带噪声抑制方法 | |
Malik et al. | Contrast enhancement and smoothing of CT images for diagnosis | |
Luo et al. | Infrared Image Enhancement Algorithm based on Weighted Guided Filtering | |
Wu et al. | Bi-lateral filtering based edge detection on hexagonal architecture | |
CN114881883A (zh) | 一种红外图像多维降噪方法、存储介质及装置 | |
WO2020113824A1 (zh) | 图像处理方法 | |
CN109584190A (zh) | 一种基于小波变换低频直方图受限的对比度图像增强方法 | |
CN111553860B (zh) | 水色遥感影像的深度学习非邻域均值化处理方法及系统 |
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 |