CN114742732A - 一种基于细节丰富度的红外图像增强方法 - Google Patents
一种基于细节丰富度的红外图像增强方法 Download PDFInfo
- Publication number
- CN114742732A CN114742732A CN202210407143.9A CN202210407143A CN114742732A CN 114742732 A CN114742732 A CN 114742732A CN 202210407143 A CN202210407143 A CN 202210407143A CN 114742732 A CN114742732 A CN 114742732A
- Authority
- CN
- China
- Prior art keywords
- image
- detail
- infrared image
- statistical histogram
- formula
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000001186 cumulative effect Effects 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000006835 compression Effects 0.000 claims abstract description 3
- 238000007906 compression Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 17
- 235000012149 noodles Nutrition 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于细节丰富度的红外图像增强方法,方法包括以下步骤:读取一帧原始红外图像;对红外图像进行NUC校正,得到校正后的红外图像,并滤波;对滤波后图像进行基础层提取,得到基础层;将滤波图像减去基础层,得到差分图像;对差分图像求取绝对值,得到细节层;对细节层进行直方图统计,得到细节统计直方图;对细节统计直方图进行累积和,得到累积统计直方图;对累积统计直方图进行双平台限制,得到双平台限制阈值;利用阈值对累积统计直方图进行阈值限制,得到阈值限制的累积统计直方图;利用所述阈值限制的累积统计直方图对滤波后图像进行动态范围压缩,得到输出图像。有益效果是:增强了地面部分的细节,改进了图像的显示效果。
Description
技术领域
本发明涉及红外图像处理领域,尤其涉及一种基于细节丰富度的红外图像增强方法。
背景技术
在晴朗天气条件下现有红外瞄准镜和红外机芯等产品在观察半天半地场景时地面部分细节不足,这是由于原始14位深红外图像动态范围较大造成的。
发明内容
为了解决地面部分细节增益较低的问题,本申请提出了一种基于细节丰富度的红外图像增强方法。
本申请提供的一种基于细节丰富度的红外图像增强方法,包括以下:
S101:读取一帧原始14位深红外图像;
S102:对所述原始14位深红外图像进行NUC校正,得到NUC校正后的红外图像nuc_img;对NUC校正后的红外图像nuc_img进行空间域NLM滤波,得到滤波后图像denoise_img;
S103:对滤波后图像denoise_img进行基础层提取,得到滤波后图像denoise_img的基础层;
S104:将所述滤波后图像denoise_img减去滤波后图像的基础层,得到差分图像;对所述差分图像求取绝对值,得到红外图像的细节层dimg;
S105:对所述红外图像的细节层dimg进行直方图统计,得到细节统计直方图dhist;
S106:对所述细节统计直方图dhist进行累积和,得到累积统计直方图chist;
S107:对所述累积统计直方图进行双平台限制,得到双平台限制阈值;
S108:利用所述双平台限制阈值对所述累积统计直方图进行阈值限制,得到阈值限制的累积统计直方图chist2;
S109:利用所述阈值限制的累积统计直方图对所述滤波后图像denoise_img进行动态范围压缩,得到输出的8位深红外图像。
进一步地,步骤S102中,所述NUC校正包括一点校正和两点校正。
进一步地,所述一点校正为将所述原始14位深红外图像减去本底图像,得到一点校正后的红外图像;其中,所述本底图像为对恒温均匀面读取的原始14位深红外图像。
进一步地,所述两点校正为将所述一点校正后的红外图像乘以K系数;所述K系数的计算公式,如式(1)所示:
式(1)中img1和img2分别为对低温均匀面和高温均匀面读取的原始14位深红外图像,mv1和mv2分别为img1和img2的像素灰度平均值;低温均匀面和高温均匀面具体指:对5℃黑体采集的均匀面图像是低温均匀面、对60℃黑体采集的均匀面图像是高温均匀面。
进一步地,步骤S103具体为:对滤波后图像denoise_img进行参数为σn,核大小为7*7的高斯滤波,得到滤波后图像的基础层。
参数σn的计算方法如下:
对滤波后图像denoise_img进行核为N的卷积计算,得到卷积后的图像cimg;所述核N如式(2)所示:
对所述卷积后的图像cimg进行式(3)所示计算,得到所述参数σn;
式(3)中w表示图像的宽,h表示图像的高,abs()表示求绝对值运算,sum()表示求和运算。
进一步地,步骤S105中细节统计直方图dhist的求解过程如下,dhist(g)=sum(dimg(i,j)),其中g=denoise_img(i,j),g表示滤波后的图像的灰度值,灰度值作为索引值;sum()表示求和;dimg(i,j)表示细节层对应第i行第j列的细节值,细节统计直方图dhist统计的是指定灰度g下,细节层中对应像素的细节值的和;
进一步地,步骤S106中,累积统计直方图具体如式(4):
chist(g)=sum(dhist(1:g)) (4)
式(4)中chist表示累积统计直方图,g表示灰度索引值,sum()表示求和运算。
进一步地,步骤S107具体为:预设双平台限制比例rate;将所述累积统计直方图按照式(5)判断,得到双平台限制阈值Tlow和Thight;
chist(g1)<rate*∑dimg(i,j)<chist(g2)
chist(g3)<(1-rate)*∑dimg(i,j)<chist(g4) (5)
则,Tlow=g2,Thight=g3;其中g1、g2、g3、g4表示经式(5)比较确定后的灰度索引值,且g1<g2,g3<g4;∑dimg(i,j)表示红外图像的细节层dimg所有细节值的和。
进一步地,步骤S108中,阈值限制的累积统计直方图chist2的计算公式如式(6):
chist2(g)=0,g<Tlow
chist2(g)=dhist(Tlow:g),Tlow<=g<=Thight
chist2(g)=dhist(Tlow:Thight),g>Thight (6)
式(6)中,g表示灰度索引值;得到阈值限制的累积统计直方图chist2后,还对其进行归一化处理。
步骤S109中输出的8位深红外图像如式(7):
oimg(i,j)=chist2(denoise_img(i,j))*255 (7)
式(7)中,oimg表示所述的输出的8位深红外图像,(i,j)表示位置,i表示图像行坐标,j表示图像列坐标。
与现有技术相比,本发明的有益效果包括:解决观察半天半地场景时地面部分细节增益较低的问题,增强了地面部分的细节,改进了图像的显示效果。
附图说明
图1是本发明方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参考图1,图1是本发明方法的流程图;方法具体包括以下步骤:
S101:读取一帧原始14位深红外图像;
S102:对所述原始14位深红外图像进行NUC校正,得到NUC校正后的红外图像nuc_img;对NUC校正后的红外图像nuc_img进行空间域NLM滤波,得到滤波后图像denoise_img;
需要说明的是,步骤S102中,所述NUC校正包括一点校正和两点校正。
所述一点校正为将所述原始14位深红外图像减去本底图像,得到一点校正后的红外图像;其中,所述本底图像为对恒温均匀面读取的原始14位深红外图像。
所述两点校正为将所述一点校正后的红外图像乘以K系数;所述K系数的计算公式,如式(1)所示:
式(1)中img1和img2分别为对低温均匀面和高温均匀面读取的原始14位深红外图像,mv1和mv2分别为img1和img2的像素灰度平均值;低温均匀面和高温均匀面具体指:对5℃黑体采集的均匀面图像是低温均匀面、对60℃黑体采集的均匀面图像是高温均匀面。
S103:对滤波后图像denoise_img进行基础层提取,得到滤波后图像denoise_img的基础层;
需要说明的是,步骤S103具体为:对滤波后图像denoise_img进行参数为σn,核大小为7*7的高斯滤波,得到滤波后图像的基础层。
参数σn的计算方法如下:
对滤波后图像denoise_img进行核为N的卷积计算,得到卷积后的图像cimg;所述核N如式(2)所示:
对所述卷积后的图像cimg进行式(3)所示计算,得到所述参数σn;
式(3)中w表示图像的宽,h表示图像的高,abs()表示求绝对值运算,sum()表示求和运算。
S104:将所述滤波后图像denoise_img减去滤波后图像的基础层,得到差分图像;对所述差分图像求取绝对值,得到红外图像的细节层dimg;
S105:对所述红外图像的细节层dimg进行直方图统计,得到细节统计直方图dhist;dhist(g)=sum(dimg(i,j)),其中g=denoise_img(i,j),g表示滤波后的图像的灰度值,灰度值作为索引值;sum()表示求和;dimg(i,j)表示细节层对应第i行第j列的细节值,细节统计直方图dhist统计的是指定灰度g下,细节层中对应像素的细节值的和。
S106:对所述细节统计直方图dhist进行累积和,得到累积统计直方图chist;
需要说明的是,步骤S106中,累积统计直方图具体如式(4):
chist(g)=sum(dhist(1:g)) (4)
式(4)中chist表示累积统计直方图,g表示灰度索引值,sum()表示求和运算。
S107:对所述累积统计直方图进行双平台限制,得到双平台限制阈值;
需要说明的是,步骤S107具体为:预设双平台限制比例rate;将所述累积统计直方图按照式(5)判断,得到双平台限制阈值Tlow和Thight;
chist(g1)<rate*∑dimg(i,j)<chist(g2)
chist(g3)<(1-rate)*∑dimg(i,j)<chist(g4) (5)
则,Tlow=g2,Thight=g3;其中g1、g2、g3、g4表示经式(5)比较确定后的灰度索引值,且g1<g2,g3<g4;∑dimg(i,j)表示红外图像的细节层dimg所有细节值的和。
S108:利用所述双平台限制阈值对所述累积统计直方图进行阈值限制,得到阈值限制的累积统计直方图chist2;
需要说明的是,步骤S108中,阈值限制的累积统计直方图chist2的计算公式如式(6):
chist2(g)=0,g<Tlow
chist2(g)=dhist(Tlow:g),Tlow<=g<=Thight
chist2(g)=dhist(Tlow:Thight),g>Thight (6)
式(6)中,g表示灰度索引值;得到阈值限制的累积统计直方图chist2后,还对其进行归一化处理。
S109:利用所述阈值限制的累积统计直方图对所述滤波后图像denoise_img进行动态范围压缩,得到输出的8位深红外图像。
需要说明的是,步骤S109中输出的8位深红外图像如式(7):
oimg(i,j)=chist2(denoise_img(i,j))*255 (7)
式(7)中,oimg表示所述的输出的8位深红外图像,(i,j)表示位置,i表示图像行坐标,j表示图像列坐标。
本发明的有益效果是:解决观察半天半地场景时地面部分细节增益较低的问题,增强了地面部分的细节,改进了图像的显示效果。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
以上本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种基于细节丰富度的红外图像增强方法,其特征在于:包括以下步骤:
S101:读取一帧原始14位深红外图像;
S102:对所述原始14位深红外图像进行NUC校正,得到NUC校正后的红外图像nuc_img;对NUC校正后的红外图像nuc_img进行空间域NLM滤波,得到滤波后图像denoise_img;
S103:对滤波后图像denoise_img进行基础层提取,得到滤波后图像denoise_img的基础层;
S104:将所述滤波后图像denoise_img减去滤波后图像的基础层,得到差分图像;对所述差分图像求取绝对值,得到红外图像的细节层dimg;
S105:对所述红外图像的细节层dimg进行直方图统计,得到细节统计直方图dhist;
S106:对所述细节统计直方图dhist进行累积和,得到累积统计直方图chist;
S107:对所述累积统计直方图进行双平台限制,得到双平台限制阈值;
S108:利用所述双平台限制阈值对所述累积统计直方图进行阈值限制,得到阈值限制的累积统计直方图chist2;
S109:利用所述阈值限制的累积统计直方图对所述滤波后图像denoise_img进行动态范围压缩,得到输出的8位深红外图像。
2.如权利要求1所述的一种基于细节丰富度的红外图像增强方法,其特征在于:步骤S102中,所述NUC校正包括一点校正和两点校正。
3.如权利要求2所述的一种基于细节丰富度的红外图像增强方法,其特征在于:所述一点校正为将所述原始14位深红外图像减去本底图像,得到一点校正后的红外图像;其中,所述本底图像为对恒温均匀面读取的原始14位深红外图像。
6.如权利要求1所述的一种基于细节丰富度的红外图像增强方法,其特征在于:步骤S105中细节统计直方图dhist的求取过程如下:
dhist(g)=sum(dimg(i,j)),其中g=denoise_img(i,j),g表示滤波后的图像的灰度值,灰度值作为索引值;sum()表示求和;dimg(i,j)表示细节层对应第i行第j列的细节值,细节统计直方图dhist统计的是指定灰度g下,细节层中对应像素的细节值的和。
7.如权利要求1所述的一种基于细节丰富度的红外图像增强方法,其特征在于:步骤S106中,累积统计直方图具体如式(4):
chist(g)=sum(dhist(1:g)) (4)
式(4)中chist表示累积统计直方图,g表示灰度索引值,sum()表示求和运算。
8.如权利要求7所述的一种基于细节丰富度的红外图像增强方法,其特征在于:步骤S107具体为:预设双平台限制比例rate;将所述累积统计直方图按照式(5)判断,得到双平台限制阈值Tlow和Thight;
chist(g1)<rate*∑dimg(i,j)<chist(g2)
chist(g3)<(1-rate)*∑dimg(i,j)<chist(g4) (5)
则,Tlow=g2,Thight=g3;其中g1、g2、g3、g4表示经式(5)比较确定后的灰度索引值,且g1<g2,g3<g4;∑dimg(i,j)表示红外图像的细节层dimg所有细节值的和。
9.如权利要求8所述的一种基于细节丰富度的红外图像增强方法,其特征在于:步骤S108中,阈值限制的累积统计直方图chist2的计算公式如式(6):
chist2(g)=0,g<Tlow
chist2(g)=dhist(Tlow:g),Tlow<=g<=Thight
chist2(g)=dhist(Tlow:Thight),g>Thight (6)
式(6)中,g表示灰度索引值;得到阈值限制的累积统计直方图chist2后,还对其进行归一化处理。
10.如权利要求9所述的一种基于细节丰富度的红外图像增强方法,其特征在于:步骤S109中输出的8位深红外图像如式(7):
oimg(i,j) = chist2(denoise_img(i,j))*255 (7)
式(7)中,oimg表示所述的输出的8位深红外图像,(i,j)表示位置,i表示图像行坐标,j表示图像列坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210407143.9A CN114742732B (zh) | 2022-04-19 | 2022-04-19 | 一种基于细节丰富度的红外图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210407143.9A CN114742732B (zh) | 2022-04-19 | 2022-04-19 | 一种基于细节丰富度的红外图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742732A true CN114742732A (zh) | 2022-07-12 |
CN114742732B CN114742732B (zh) | 2024-05-28 |
Family
ID=82282427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210407143.9A Active CN114742732B (zh) | 2022-04-19 | 2022-04-19 | 一种基于细节丰富度的红外图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742732B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019144581A1 (zh) * | 2018-01-29 | 2019-08-01 | 江苏宇特光电科技股份有限公司 | 一种智能化红外图像场景增强方法 |
WO2020224518A1 (zh) * | 2019-05-06 | 2020-11-12 | 南京理工大学 | 基于局部中值直方图的自适应红外图像去条纹算法 |
CN112365424A (zh) * | 2020-11-17 | 2021-02-12 | 昆明物理研究所 | 基于局部自适应clahe的红外图像去噪增强方法、装置、系统与计算机可读存储介质 |
CN114092353A (zh) * | 2021-11-19 | 2022-02-25 | 长春理工大学 | 一种基于加权引导滤波的红外图像增强方法 |
-
2022
- 2022-04-19 CN CN202210407143.9A patent/CN114742732B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019144581A1 (zh) * | 2018-01-29 | 2019-08-01 | 江苏宇特光电科技股份有限公司 | 一种智能化红外图像场景增强方法 |
WO2020224518A1 (zh) * | 2019-05-06 | 2020-11-12 | 南京理工大学 | 基于局部中值直方图的自适应红外图像去条纹算法 |
CN112365424A (zh) * | 2020-11-17 | 2021-02-12 | 昆明物理研究所 | 基于局部自适应clahe的红外图像去噪增强方法、装置、系统与计算机可读存储介质 |
CN114092353A (zh) * | 2021-11-19 | 2022-02-25 | 长春理工大学 | 一种基于加权引导滤波的红外图像增强方法 |
Non-Patent Citations (1)
Title |
---|
毛义伟;顾国华;陈钱;隋修宝;: "基于改进型平台直方图的红外均衡化算法", 光学与光电技术, no. 05, 10 October 2012 (2012-10-10) * |
Also Published As
Publication number | Publication date |
---|---|
CN114742732B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530237B (zh) | 一种图像增强方法 | |
Wang et al. | Single image dehazing based on the physical model and MSRCR algorithm | |
WO2020224518A1 (zh) | 基于局部中值直方图的自适应红外图像去条纹算法 | |
CN109191387B (zh) | 一种基于巴特沃斯滤波器的红外图像去噪方法 | |
CN110782399A (zh) | 一种基于多任务cnn的图像去模糊方法 | |
CN108564597B (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
CN110335221B (zh) | 一种基于无监督学习的多曝光图像融合方法 | |
CN111612741A (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
CN112435184A (zh) | 一种基于Retinex和四元数的雾霾天图像识别方法 | |
CN107424121B (zh) | 一种基于分数阶微分的模糊图像超分辨率重构方法 | |
CN115809966A (zh) | 一种低照度图像的增强方法和系统 | |
CN113592750A (zh) | 一种基于梯度直方图的红外增强方法 | |
CN114742732B (zh) | 一种基于细节丰富度的红外图像增强方法 | |
CN109598685B (zh) | 一种基于beeps滤波红外图像细节增强方法和图像增强装置 | |
CN105741248A (zh) | 一种去除图像中阴霾退化的方法 | |
CN116883259A (zh) | 一种基于去噪扩散概率模型的水下图像增强方法 | |
CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
CN116630198A (zh) | 一种结合自适应伽马校正的多尺度融合水下图像增强方法 | |
CN110827209A (zh) | 一种联合颜色与深度信息的自适应深度图像修复方法 | |
CN113256533B (zh) | 基于msrcr的自适应低照度图像增强方法及系统 | |
CN111462025B (zh) | 基于多尺度低秩矩阵分解的红外与可见光图像融合方法 | |
CN112837293B (zh) | 基于高斯函数典型关联分析的高光谱图像变化检测方法 | |
CN107369143B (zh) | 一种基于连续带通滤波和重建的图像降噪方法 | |
CN108596845B (zh) | 一种基于混合鲁棒权重和方法噪声的图像去噪方法 | |
CN111260589A (zh) | 基于Retinex的输电线路监控图像去雾方法 |
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 |