CN115272139A - 热红外图像的量化与自适应增强方法、系统及存储介质 - Google Patents

热红外图像的量化与自适应增强方法、系统及存储介质 Download PDF

Info

Publication number
CN115272139A
CN115272139A CN202211195148.6A CN202211195148A CN115272139A CN 115272139 A CN115272139 A CN 115272139A CN 202211195148 A CN202211195148 A CN 202211195148A CN 115272139 A CN115272139 A CN 115272139A
Authority
CN
China
Prior art keywords
image
images
thermal infrared
detail
different brightness
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
Application number
CN202211195148.6A
Other languages
English (en)
Inventor
何震宇
吴春焕
田超
杨超
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN202211195148.6A priority Critical patent/CN115272139A/zh
Publication of CN115272139A publication Critical patent/CN115272139A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • 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
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种热红外图像的量化与自适应增强方法、系统及存储介质,该方法包括步骤S1：针对输入的14bit热红外图像，使用不同参数的Gama变换将图像调整到不同亮度并归一化，得到不同亮度级别的图像；步骤S2：对于不同亮度的图像分别采用基于滤波的增强方法处理，得到图片的基础层和细节层，将细节层增强后和基础层重新进行组合得到各个亮度下的增强结果；步骤S3：将由步骤S1、步骤S2进行增强后的多个不同亮度级别下的图像进行融合，使得不同亮度下的细节特征均保留到一张图像下；步骤S4：将14bit热红外图像量化为8bit热红外图像，得到最终图像。本发明的有益效果是:本发明提供了更多可供人眼分辨的图像细节。

Description

热红外图像的量化与自适应增强方法、系统及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及热红外图像的量化与自适应增强方法、系统及存储介质。
背景技术
为了能够探测出大范围内温度的细粒度变化，热红外成像传感器通常采用14bit甚至更高位数的灰度值来表示信息，然而目前显示器所能表示的灰度范围仅为8bit。热红外图像的量化技术的正是为了解决这个问题而诞生，量化将14bit的温度信息映射为8bit的图像信息，最终显示在屏幕上供人眼分辨。
传统技术包括线性映射、曲线映射（伽马变换、log变换、sigmoid变换等）以及直方图均衡化方法，这些方法往往是将动态范围从14bit简单地压缩到8bit，相当于一个定义域为14bit值域为8bit的映射函数。然而一个良好的转换和图像增强算法不仅仅是压缩动态范围，同时还应该解决调节图像亮度，改善热红外图像边缘模糊、缺失纹理等问题。
因此目前热红外图像量化的最新的技术方案进行如下操作：1）首先通过通过传统方法调整图像亮度，局部放大灰度值，然后归一化到0~1区间内；2）利用双边滤波器将图像分离出基础层，再用原图减去基础层得到细节层；3）对细节层进行线性拉伸以增强边缘、纹理等信息，将细节层重新叠加到基础层4）将图像重新量化到8bit区间。
现有技术的缺陷如下：
1）已有技术量化与增强相互独立，其先将图像进行归一化再利用滤波器进行细节增强，最后再进行量化操作，没有针对量化操作导致的灰度范围减小从而丢失细节进行针对性的改进。
2）已有技术通常在归一化阶段利用传统方法进行灰度值的映射，其问题在于：压缩灰度范围时必然会丢失一部分灰度变化，降低了局部的对比度，而传统方法只能保留了某个灰度区间的细节（如亮部细节或暗部细节），却无法较好地平衡多个均含有图像细节的灰度区间。总而言之，无法避免保留局部细节与保持图像的全局一致性之间的冲突是传统映射方法的天然弊端。
3）已有技术中的细节增强方法通常是基于滤波器，分离出图像的基础层与细节层，随后进行线性叠加，最终达到增强图像高频部分的目的。这种增强方法没有考虑到热红外图像的量化场景，并且对于不同的图像难以确定一个固定的线性缩放因子，因此该方法不具备自适应性。
发明内容
本发明提供了一种热红外图像的量化与自适应增强方法，包括如下步骤：
步骤S1，多亮度级别分层步骤：针对输入的14bit热红外图像，使用不同参数的Gama变换将图像调整到不同亮度并归一化，得到不同亮度级别的图像；
步骤S2，细节增强步骤：对于步骤S1中不同亮度的图像分别采用基于滤波的增强方法处理，得到图像的基础层和细节层，将细节层增强后和基础层重新进行组合得到各个亮度下的增强结果；
步骤S3，融合步骤：将由步骤S1生成的不同亮度级别的图像、步骤S2进行增强后的多个不同亮度级别下的图像进行融合，使得不同亮度下的细节特征均保留到一张图像下；
步骤S4，量化步骤：将14bit热红外图像量化为8bit热红外图像，得到最终图像。
作为本发明的进一步改进，在所述步骤S1中，设置一组γ的候选范围Si={Sdark,Smid,Slight}，分别代表亮、适中、暗三个亮度候选范围，随后通过计算在每个候选范围中选出合适的γ值使得图像平均梯度最大，公式如下：
Figure 372499DEST_PATH_IMAGE001
其中
Figure 645348DEST_PATH_IMAGE002
代表对输入图像做伽马变换，γ参数从候选范围Si中得到,其中平均 梯度EOG的含义如下：
Figure 46374DEST_PATH_IMAGE003
f(x,y)代表位于（x,y）点的图像灰度值。
作为本发明的进一步改进，在所述步骤S2中，对于步骤S1中得到的不同亮度级别的图像，使用滤波器分离图像的基础层和细节层，不断递归的提取图像中的细节层，使用线性缩放因子α对细节层进行增强处理，线性缩放因子α的具体数值则通过交叉熵函数确定，
Figure 295827DEST_PATH_IMAGE004
其中Entropy(Di) 是计算出的图像Di的信息熵，n为进行递归滤波操作得到的细节层的总数，Entropy(Dk)是图像Dk的信息熵，C是一个固定系数。
作为本发明的进一步改进，在所述步骤S3中，将N*N的图像灰度值平铺为长度为n的列向量Ik，k表示不同亮度级别，令uk也为一个长度为n的列向量，其所有数值为Ik的均值，将Ik表示为：
Figure 59384DEST_PATH_IMAGE005
其中令
Figure 503135DEST_PATH_IMAGE006
则有：
Figure 125877DEST_PATH_IMAGE007
然后按下述公式计算图像融合结果i：
Figure 805120DEST_PATH_IMAGE008
其中，p是标量，i、s、u均为长度为n的列向量，是图像的一维展开形式。
本发明还提供了一种热红外图像的量化与自适应增强系统，包括：
多亮度级别分层模块：用于针对输入的14bit热红外图像，使用不同参数的Gama变换将图像调整到不同亮度并归一化，得到不同亮度级别的图像；
细节增强模块：用于对于多亮度级别分层模块中不同亮度的图像分别采用基于滤波的增强方法处理，得到图像的基础层和细节层，将细节层增强后和基础层重新进行组合得到各个亮度下的增强结果；
融合模块：用于将由多亮度级别分层模块生成的不同亮度级别的图像、细节增强模块进行增强后的多个不同亮度级别下的图像进行融合，使得不同亮度下的细节特征均保留到一张图像下；
量化模块：用于将14bit热红外图像量化为8bit热红外图像，得到最终图像。
作为本发明的进一步改进，在所述多亮度级别分层模块中，设置一组γ的候选范围Si={Sdark,Smid,Slight}，分别代表亮、适中、暗三个亮度候选范围，随后通过计算在每个候选范围中选出合适的γ值使得图像平均梯度最大，公式如下：
Figure 829708DEST_PATH_IMAGE009
其中
Figure 680246DEST_PATH_IMAGE010
代表对输入图像做伽马变换，γ参数从候选范围Si中得到,其中平均梯 度EOG的含义如下：
Figure 914918DEST_PATH_IMAGE011
f(x,y)代表位于（x,y）点的图像灰度值。
作为本发明的进一步改进，在所述细节增强模块中，对于多亮度级别分层模块中得到的不同亮度级别的图像，使用滤波器分离图像的基础层和细节层，不断递归的提取图像中的细节层，使用线性缩放因子α对细节层进行增强处理，线性缩放因子α的具体数值则通过交叉熵函数确定，
Figure 7639DEST_PATH_IMAGE012
其中Entropy(Di) 是计算出的图像Di的信息熵，n为进行递归滤波操作得到的细节层的总数，Entropy(Dk)是图像Dk的信息熵，C是一个固定系数。
作为本发明的进一步改进，在所述融合模块中，将N*N的图像灰度值平铺为长度为n的列向量Ik，k表示不同亮度级别，令uk也为一个长度为n的列向量，其所有数值为Ik的均
值，将Ik表示为：
Figure 886733DEST_PATH_IMAGE013
其中令
Figure 796920DEST_PATH_IMAGE014
则有：
Figure 299315DEST_PATH_IMAGE015
然后按下述公式计算图像融合结果i：
Figure 54781DEST_PATH_IMAGE016
其中，p是标量，i、s、u均为长度为n的列向量，是图像的一维展开形式。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现本发明的热红外图像的量化与自适应增强方法的步骤。
本发明的有益效果是：本发明实现了一个将14bit热红外图像量化到8bit范围，并同时增强暗部和亮部特征，提供了更多可供人眼分辨的图像细节。
附图说明
图1是本发明的方法流程图。
具体实施方式
如图1所示，本发明公开了一种热红外图像的量化与自适应增强方法，包括如下步骤：
步骤S1，多亮度级别分层步骤：针对输入的14bit热红外图像，使用不同参数的Gama变换将图像调整到不同亮度并归一化，得到不同亮度级别的图像；
步骤S2，细节增强步骤：对于步骤S1中不同亮度的图像分别采用基于滤波的增强方法处理，得到图像的基础层和细节层，其中细节层大致对应着热红外图像中的高频部分包含了较多细节，因此选择将细节层增强后和基础层重新进行组合得到各个亮度下的增强结果；
步骤S3，融合步骤：将由步骤S1生成的不同亮度级别的图像、步骤S2进行增强后的多个不同亮度级别下的图像进行融合，使得不同亮度下的细节特征均保留到一张图像下；
步骤S4，量化步骤：将14bit热红外图像量化为8bit热红外图像，得到最终图像。
下面对本发明的技术方案进行展开说明：
1.多亮度级别分层
如图1所示，多亮度级别分层贯穿整个流程，是本发明的重大改进之一。首先在步骤S1阶段分层，利用不同参数的Gama变化得到不同亮度级别的图像，各个亮度级别分别突出图像中处在不同灰度区间的细节信息，在步骤S2阶段针对每个亮度级别的图像分别作图像细节增强处理，最终在步骤S3阶段重新融合到一张图像。步骤S1、步骤S2、步骤S3共同构成了多亮度级别分层的结构，这种设计对于后续量化操作起到了优化作用，解决了量化过程丢失部分灰度范围下的变化细节问题。
2.自适应Gama参数搜索算法
在多亮度级别分层结构中，步骤S1起到了至关重要的作用，决定了划分几个亮度图层以及如何进行亮度分层，为了使得划分后的各亮度及级别下图像具有最大的对比度，本发明设计了一种自适应的搜索算法，在预设的参数范围内搜索出最符合该图像的参数。步骤S1的具体步骤为：设置一组γ的候选范围Si={Sdark,Smid,Slight}，分别代表不同亮度级别，本发明权衡了计算效率与分层产生的增益后，选择了亮、适中、暗三个亮度候选范围，随后通过计算在每个候选范围中选出合适的γ值使得图像平均梯度最大，公式如下：
Figure 788382DEST_PATH_IMAGE017
其中
Figure 744836DEST_PATH_IMAGE018
代表对输入图像做伽马变换，γ参数从候选范围Si中得到,其中平均 梯度EOG的含义如下：
Figure 954101DEST_PATH_IMAGE019
f(x,y)代表位于（x,y）点的图像灰度值。
3. 自适应细节增强算法
作为本发明的进一步改进，步骤S2中针对现有的双边滤波器存在梯度反转、伪影，以及难以编程实现的缺陷，基于引导滤波的思想，重新编程设计了一套新型滤波器用于分离图像的细节层与基础层，以函数GF(•)来表征。
步骤S2的具体操作如下：利用如下操作不断递归的提取图像中的细节层：
Input(Image) //输入图像
N = 3 //定义递归次数
i= 1
While(i<N){
B = GF(Image);
D = Image – B
Image = B //继续对基础层进行滤波
Output(D) //输出每一次处理后的细节层
i = i +1
}
Output(Image)
若递归两次为例，设最终输出的结果分别为D1,D2,B,那么可以将原始图像分解为Image=B+D1+D2。很明显这里需要对D1和D2进行增强处理使其在图像中更加显眼，因此需要使用一个线性缩放因子α，
Figure 654204DEST_PATH_IMAGE020
而α的具体数值则通过交叉熵函数确定，
Figure 997636DEST_PATH_IMAGE021
其中Entropy(D1) 是计算出的图像D1的信息熵，n为进行递归滤波操作得到的细节层的总数。
4.多亮度级别图像融合算法
作为本发明重要的改进之一，步骤S3是的作用是将不同亮度级别下分别得到细节增强的图像Ienhaned进行融合，同时要求尽可能地保留各个亮度级别下的局部细节，达到最终图像中处于不同灰度区间的局部细节都能被增强的目的。
步骤S3的具体操作如下：1）将N*N的图像灰度值平铺为长度为n的列向量Ik,k表示不同亮度级别，令uk也为一个长度为n的列向量，其所有数值为Ik的均值，将Ik表示为：
Figure 718468DEST_PATH_IMAGE022
其中令
Figure 290394DEST_PATH_IMAGE023
则有：
Figure 263030DEST_PATH_IMAGE024
然后按下述公式计算图像融合结果i：
Figure 95856DEST_PATH_IMAGE025
其中，p是标量，i、s、u均为长度为n的列向量，是图像的一维展开形式。
最后步骤S4将融合后的图像量化到8bit，公式如下
Figure 394114DEST_PATH_IMAGE026
其中，Ifused表示融合后图像，fmin和fmax分别代表图像中的最小值和最大值。
本发明潜在应用场景包括无人驾驶、辅助驾驶、智能安防、军事侦察等一系列领域，其应用方式为将本专利发明的算法和模型部署到相应的计算设备并对热红外图像信号进行预处理，增强热红外图像的显示质量。
本发明的有益效果是：通过上述方案，实现了一个将14bit热红外图像量化到8bit范围，并同时增强暗部和亮部特征，提供了更多可供人眼分辨的图像细节。具体为：
1.为了解决已有方法中增强与量化相互独立，导致量化时丢失部分亮度区间的图像细节问题，本发明提出了多亮度级别分层增强方法，将图像调整到不同的亮度级别，越高亮度级别的图像保留更多亮部细节，越低亮度级别图像保留更多暗部细节，将图像的全局细节最大程度的保留，再分别输入后续增强模块；解决了增强算法没有针对量化做出优化的缺陷，实现了量化阶段能保留不同灰度范围内的图像细节的效果。
2.为了解决已有技术在归一化时利用传统方法调节亮度，当图像包含多个的细节丰富的亮度范围时无法权衡的问题，本发明的多亮度级别分层模块提出了一种自适应的搜索Gama参数的方法；针对不同图像确定不同的Gama变换参数，实现了图像亮度分层后，各亮度级别下均保留了该亮度下的最多图像细节的效果。
3.采用新的滤波方法代替传统双边滤波，并采用了自适应的线性伸缩因子的算法，解决了双边滤波梯度反转伪影的问题，实现了针对不同类型图像有着最合理的细节增强缩放因子。
4.采用多亮度级别图像融合算法，克服了传统量化难以解决的放大局部细节与保留全局细节之间的矛盾，同时保留了处在不同灰度范围内的图像局部灰度值变化；保留不同亮度级别下的图像细节到一张图像，从而保证了量化阶段压缩动态范围时保留不同亮度的图像细节。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种热红外图像的量化与自适应增强方法，其特征在于，包括如下步骤：
步骤S1，多亮度级别分层步骤：针对输入的14bit热红外图像，使用不同参数的Gama变换将图像调整到不同亮度并归一化，得到不同亮度级别的图像；
步骤S2，细节增强步骤：对于步骤S1中不同亮度的图像分别采用基于滤波的增强方法处理，得到图像的基础层和细节层，将细节层增强后和基础层重新进行组合得到各个亮度下的增强结果；
步骤S3，融合步骤：将由步骤S1生成的不同亮度级别的图像、步骤S2进行增强后的多个不同亮度级别下的图像进行融合，使得不同亮度下的细节特征均保留到一张图像下；
步骤S4，量化步骤：将14bit热红外图像量化为8bit热红外图像，得到最终图像。
2.根据权利要求1所述的热红外图像的量化与自适应增强方法，其特征在于，在所述步骤S1中，设置一组γ的候选范围Si={Sdark,Smid,Slight}，分别代表亮、适中、暗三个亮度候选范围，随后通过计算在每个候选范围中选出合适的γ值使得图像平均梯度最大，公式如下：
Figure 939388DEST_PATH_IMAGE001
其中
Figure 387687DEST_PATH_IMAGE002
代表对输入图像做伽马变换，γ参数从候选范围Si中得到,其中平均梯度EOG 的含义如下：
Figure 72484DEST_PATH_IMAGE003
f(x,y)代表位于（x,y）点的图像灰度值。
3.根据权利要求1所述的热红外图像的量化与自适应增强方法，其特征在于，在所述步骤S2中，对于步骤S1中得到的不同亮度级别的图像，使用滤波器分离图像的基础层和细节层，不断递归的提取图像中的细节层，使用线性缩放因子α对细节层进行增强处理，线性缩放因子α的具体数值则通过交叉熵函数确定，
Figure 139797DEST_PATH_IMAGE004
其中Entropy(Di) 是计算出的图像Di的信息熵，n为进行递归滤波操作得到的细节层的总数，Entropy(Dk)是图像Dk的信息熵，C是一个固定系数。
4.根据权利要求1所述的热红外图像的量化与自适应增强方法，其特征在于，在所述步骤S3中，将N*N的图像灰度值平铺为长度为n的列向量Ik，k表示不同亮度级别，令uk也为一个长度为n的列向量，其所有数值为Ik的均值，将Ik表示为：
Figure 485328DEST_PATH_IMAGE005
其中令
Figure 979895DEST_PATH_IMAGE006
则有：
Figure 778086DEST_PATH_IMAGE007
然后按下述公式计算图像融合结果i：
Figure 649090DEST_PATH_IMAGE008
其中，p是标量，i、s、u均为长度为n的列向量，是图像的一维展开形式。
5.一种热红外图像的量化与自适应增强系统，其特征在于，包括：
多亮度级别分层模块：用于针对输入的14bit热红外图像，使用不同参数的Gama变换将图像调整到不同亮度并归一化，得到不同亮度级别的图像；
细节增强模块：用于对于多亮度级别分层模块中不同亮度的图像分别采用基于滤波的增强方法处理，得到图像的基础层和细节层，将细节层增强后和基础层重新进行组合得到各个亮度下的增强结果；
融合模块：用于将由多亮度级别分层模块生成的不同亮度级别的图像、细节增强模块进行增强后的多个不同亮度级别下的图像进行融合，使得不同亮度下的细节特征均保留到一张图像下；
量化模块：用于将14bit热红外图像量化为8bit热红外图像，得到最终图像。
6.根据权利要求5所述的热红外图像的量化与自适应增强系统，其特征在于，在所述多亮度级别分层模块中，设置一组γ的候选范围Si={Sdark,Smid,Slight}，分别代表亮、适中、暗三个亮度候选范围，随后通过计算在每个候选范围中选出合适的γ值使得图像平均梯度最大，公式如下：
Figure 225959DEST_PATH_IMAGE009
其中
Figure 16060DEST_PATH_IMAGE002
代表对输入图像做伽马变换，γ参数从候选范围Si中得到,其中平均梯度EOG 的含义如下：
Figure 176914DEST_PATH_IMAGE010
f(x,y)代表位于（x,y）点的图像灰度值。
7.根据权利要求5所述的热红外图像的量化与自适应增强系统，其特征在于，在所述细节增强模块中，对于多亮度级别分层模块中得到的不同亮度级别的图像，使用滤波器分离图像的基础层和细节层，不断递归的提取图像中的细节层，使用线性缩放因子α对细节层进行增强处理，线性缩放因子α的具体数值则通过交叉熵函数确定，
Figure 445084DEST_PATH_IMAGE011
其中Entropy(Di) 是计算出的图像Di的信息熵，n为进行递归滤波操作得到的细节层的总数，Entropy(Dk)是图像Dk的信息熵，C是一个固定系数。
8.根据权利要求5所述的热红外图像的量化与自适应增强系统，其特征在于，在所述融合模块中，将N*N的图像灰度值平铺为长度为n的列向量Ik，k表示不同亮度级别，令uk也为一个长度为n的列向量，其所有数值为Ik的均
值，将Ik表示为：
Figure 374994DEST_PATH_IMAGE012
其中令
Figure 476942DEST_PATH_IMAGE013
则有：
Figure 249726DEST_PATH_IMAGE014
然后按下述公式计算图像融合结果i：
Figure 695489DEST_PATH_IMAGE015
其中，p是标量，i、s、u均为长度为n的列向量，是图像的一维展开形式。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求1－4中任一项所述的热红外图像的量化与自适应增强方法的步骤。
CN202211195148.6A 2022-09-29 2022-09-29 热红外图像的量化与自适应增强方法、系统及存储介质 Pending CN115272139A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211195148.6A CN115272139A (zh) 2022-09-29 2022-09-29 热红外图像的量化与自适应增强方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211195148.6A CN115272139A (zh) 2022-09-29 2022-09-29 热红外图像的量化与自适应增强方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN115272139A true CN115272139A (zh) 2022-11-01

Family

ID=83757976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211195148.6A Pending CN115272139A (zh) 2022-09-29 2022-09-29 热红外图像的量化与自适应增强方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN115272139A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530245A (zh) * 2016-10-27 2017-03-22 长安大学 一种无人机载隧道火灾红外图像分频段增强方法
CN109919861A (zh) * 2019-01-29 2019-06-21 浙江数链科技有限公司 红外图像增强方法、装置、计算机设备和存储介质
CN112019774A (zh) * 2020-08-10 2020-12-01 中国科学院光电技术研究所 一种红外高位宽数字图像的高质量显示方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530245A (zh) * 2016-10-27 2017-03-22 长安大学 一种无人机载隧道火灾红外图像分频段增强方法
CN109919861A (zh) * 2019-01-29 2019-06-21 浙江数链科技有限公司 红外图像增强方法、装置、计算机设备和存储介质
CN112019774A (zh) * 2020-08-10 2020-12-01 中国科学院光电技术研究所 一种红外高位宽数字图像的高质量显示方法
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 (2)

* Cited by examiner, † Cited by third party
Title
FEIRAN CHEN 等: "Infrared Image Adaptive Enhancement Guided by Energy of Gradient Transformation and Multiscale Image Fusion", 《APPLIED SCIENCES》 *
徐武 等: "基于改进加权引导滤波的红外图像增强算法", 《激光杂志》 *

Similar Documents

Publication Publication Date Title
CN110232661B (zh) 基于Retinex和卷积神经网络的低光照彩色图像增强方法
CN111242878B (zh) 基于布谷鸟搜索的矿井下图像增强方法
KR101128454B1 (ko) 콘트라스트 향상 방법 및 장치
EP0794514A2 (en) Image enhancing method using mean-separate histogram equalization and a circuit therefor
EP0801360A2 (en) Image quality enhancing method using mean-matching histogram equalization and a circuit therefor
CN110717868B (zh) 视频高动态范围反色调映射模型构建、映射方法及装置
CN110473152B (zh) 基于改进Retinex算法的图像增强方法
CN111292257A (zh) 一种基于Retinex的暗视觉环境下图像增强方法
CN115660964A (zh) 基于阈值分区加权亮度分量的夜间道路图像增强方法
CN109343692A (zh) 基于图像分割的移动设备显示器省电方法
CN112967207A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN115661008A (zh) 一种图像增强处理方法、装置、设备及介质
CN116645296A (zh) 一种零参考样本下的非均匀低光照图像增强方法及系统
CN111127377A (zh) 一种基于多图像融合Retinex的弱光增强方法
CN114998165A (zh) 一种基于直方图变换的均匀曝光图像对比度增强方法
WO2020107308A1 (zh) 一种基于Retinex的微光图像快速增强方法及其装置
CN117611467A (zh) 一种能同时平衡不同区域细节和亮度的低光图像增强方法
CN115272139A (zh) 热红外图像的量化与自适应增强方法、系统及存储介质
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
CN110223248A (zh) 一种红外图像细节增强的动态范围压缩方法
CN115908602A (zh) 一种将风景照片转换为中国山水画的风格迁移方法
CN115147311A (zh) 基于HSV与AM-RetinexNet图像增强方法
CN114897710A (zh) 一种低照度环境下的视频增强方法
Albakri et al. Rapid contrast enhancement algorithm for natural contrast-distorted color images
Ghous et al. Efficient image enhancement using improved RIQMC based ROHIM model

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20221101