CN116309186B - 一种基于多段s曲线映射的红外图像动态范围压缩方法 - Google Patents
一种基于多段s曲线映射的红外图像动态范围压缩方法 Download PDFInfo
- Publication number
- CN116309186B CN116309186B CN202310534190.4A CN202310534190A CN116309186B CN 116309186 B CN116309186 B CN 116309186B CN 202310534190 A CN202310534190 A CN 202310534190A CN 116309186 B CN116309186 B CN 116309186B
- Authority
- CN
- China
- Prior art keywords
- image
- dynamic range
- content
- infrared
- curve
- 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.)
- Active
Links
- 238000007906 compression Methods 0.000 title claims abstract description 37
- 230000006835 compression Effects 0.000 title claims abstract description 36
- 238000013507 mapping Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 230000016776 visual perception Effects 0.000 claims abstract description 9
- 230000035945 sensitivity Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 abstract description 10
- 230000008859 change Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 4
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开的一种基于多段S曲线映射的红外图像动态范围压缩方法，属于红外图像处理领域。本发明使用聚类算法对图像内容进行聚类，并对每一类图像内容分别进行S曲线映射，能够实现图像内容自适应的动态范围压缩，从而能较好地保留图像细节。本发明采用S曲线映射进行红外图像动态范围压缩，能够利用S曲线两端具有压缩程度大、变化平缓的特点，中间具有压缩程度小、变化陡峭的特点，较好应对灰度集中分布在中心区域的情况，相较于幂函数与对数函数更适用于图像动态范围压缩。本发明对每一类图像内容，使用基于人眼视觉感受机理的S曲线参数分别计算视觉敏感度系数，使用基于人眼视觉感受机理的参数更好地提升图像对比度，改善红外视觉效果。
Description
技术领域
本发明涉及一种基于多段S曲线映射的红外图像动态范围压缩方法，属于红外图像处理领域。
背景技术
红外相机输出的原始红外图像的动态范围可达，而常用的显示器一般只能显示的动态范围，因此，需要将高动态范围的原始红外图像压缩为可以正常显示的低动态范围图像。压缩过程中要尽可能保留高动态范围红外图像的细节信息。
常用的动态范围压缩方法为色调曲线映射，主要包括三种：幂函数曲线映射、对数函数曲线映射和S曲线映射。幂函数对灰度主要集中分布在极暗或极亮区间的图像压缩效果较好；对数函数对灰度主要集中分布在极暗区间的图像压缩效果较好。由于幂函数与对数函数的凹凸性，对于灰度主要集中分布在中心区域的高动态范围图像，压缩结果往往会出现整体偏暗或偏亮的现象。
高动态范围图像的灰度分布并非均匀且完整地分布于整个灰度区间中。高动态范围图像中的前景或背景通常形成灰度密集区，在灰度直方图中对应于峰，而谷是灰度稀疏区域，通常对应于空灰度区域、图像中的小目标或者噪声点。因此，为了在保留图像细节的同时并增加对比度，应尽可能地保留前景和背景的细节信息，因而需要尽可能减少峰附近区域的压缩程度，进而需要尽可能增大谷附近区域的压缩程度。当前的S曲线映射方法均使用单一的S曲线，未考虑峰和谷位置的分布，无法对所有的峰值附近区域都能减少压缩程度同时对谷值附近区域增大压缩程度，会出现对位于平缓区的峰值附近区域压缩程度过大的现象，使得该区域产生细节严重丢失的问题，以及对位于增长区的谷值附近区域压缩程度过小，使得图像对比度低。
发明内容
为了解决现有红外图像动态范围压缩方法存在的对比度低、细节丢失问题，本发明主要目的是提供一种基于多段S曲线映射的红外图像动态范围压缩方法，通过对图像内容进行聚类，并分别对不同的图像内容执行S曲线映射，基于多段S曲线映射实现图像内容自适应的动态范围压缩。本发明能够有效增大图像对比度，同时较好地保留图像细节。
本发明的目的是通过下述技术方案实现的。
本发明公开的一种基于多段S曲线映射的红外图像动态范围压缩方法，包括如下步骤：
步骤1：获取高动态范围红外图像。
步骤1中所述红外图像矩阵，其中/>为图像高度，/>为图像宽度。
步骤2：使用聚类算法将红外图像的内容聚为/>类/>。
步骤2中所述为预设参数，/>记录属于每类内容的像素坐标。通过聚类算法对图像内容进行划分，使实验图像内容自适应的动态范围压缩，从而能尽可能地保留图像细节并提升图像对比度。
步骤3：对于每一类图像内容，根据公式（1）统计属于该内容的像素的亮度最大值，根据公式（2）统计属于该内容的像素的亮度最小值/>。
（1）
（2）
步骤4：对每一类图像内容，分别计算视觉敏感度系数。
步骤4中所述参数根据人眼视觉感受机理算得，具体计算公式为
（3）
使用基于人眼视觉感受机理的参数，能够更好地提升图像对比度，提升视觉效果。
步骤5：根据如公式（4）所示映射过程对分别对每一类图像内容进行S曲线映射，得到压缩后的低动态范围图像，即基于多段S曲线映射实现红外图像动态范围压缩，提高红外图像视觉效果。
步骤5中所述低动态范围图像为一个/>矩阵，映射过程为
（4）
有益效果
1、高动态范围图像中的前景或背景通常形成灰度密集区，在灰度直方图中对应于峰，而谷是灰度稀疏区域，通常对应于空灰度区域、图像中的小目标或者噪声点。因此，为了在保留图像细节的同时并增加对比度，应尽可能地保留前景和背景的细节信息，本发明公开的一种基于多段S曲线映射的红外图像动态范围压缩方法，使用聚类算法对图像内容进行聚类，并对每一类图像内容分别进行S曲线映射，能够实现图像内容自适应的动态范围压缩，从而能较好地保留图像细节。
2、本发明公开的一种基于多段S曲线映射的红外图像动态范围压缩算法，对每一类图像内容，使用基于人眼视觉感受机理的S曲线参数分别计算视觉敏感度系数，使用基于人眼视觉感受机理的参数更好地提升图像对比度，提升红外视觉效果。
3、本发明公开的一种基于多段S曲线映射的红外图像动态范围压缩算法，S曲线两端具有压缩程度大、变化平缓的特点，中间具有压缩程度小、变化陡峭的特点，本发明采用S曲线映射进行红外图像动态范围压缩，能够较好应对灰度集中分布在中心区域的情况，相较于幂函数与对数函数更适用于图像动态范围压缩。
附图说明
图1是本发明公开的一种基于多段S曲线映射的红外图像动态范围压缩方法的流程图。
图2 是本发明方法红外图像动态范围压缩效果展示。
其中图2中（a）为动态范围压缩前的图像，图2中（b）是使用本发明方法压缩后的图像。
具体实施方式
下面将结合附图和实施例对本发明加以详细说明。同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
本实施例公开的一种基于多段S曲线映射的红外图像动态范围压缩方法，应用于红外图像动态范围压缩领域。测试硬件条件为：AMD Ryzen 7 5800，16G RAM，MatlabR2022。
如图1所示，本实施例公开的一种基于多段S曲线映射的红外图像动态范围压缩方法，具体实现步骤如下：
步骤1：获取高动态范围红外图像。
本实施例中所述红外图像为640×512矩阵，其中640为图像高度，512为图像宽度。
步骤2：使用聚类算法将红外图像的内容聚为为/>类/>。
本实施例中所述为5，/>记录属于每类内容的像素坐标。本实施例中使用的聚类算法为混合高斯聚类算法（详见Reynolds D A. Gaussian mixture models[J]. Encyclopedia of biometrics, 2009, 741(659-663).）
步骤3：对于每一类内容，统计属于该内容的像素的亮度最大值，以及最小值。
本实施例中所述具体计算过程为
（1）
（2）
步骤4：对每一类图像内容，分别计算视觉敏感度系数。
本实施例中所述参数根据人眼视觉感受机理算得，具体计算公式为
（3）
使用基于人眼视觉感受机理的参数，能够更好地提升图像对比度，提升视觉效果。
步骤5：对图像亮度进行S曲线映射得到压缩后的低动态范围图像。
本实施例中所述为一个/>矩阵，映射过程为
（4）。
对比图2中（a）、图2中（b）表明，采用本实施例的红外图像动态范围压缩算法之后，图像对比度有明显提升，并且较好地保留图像细节。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于多段S曲线映射的红外图像动态范围压缩方法，其特征在于：包括如下步骤，
步骤1：获取高动态范围红外图像；
步骤1中所述红外图像矩阵，其中/>为图像高度，/>为图像宽度；
步骤2：使用聚类算法将红外图像的内容聚为/>类，
步骤2中所述为预设参数，记录属于每类内容的像素坐标；通过聚类算法对图像内容进行划分，使实验图像内容自适应的动态范围压缩，从而能尽可能地保留图像细节并提升图像对比度；
步骤3：对于每一类图像内容，根据公式（1）统计属于该内容的像素的亮度最大值，根据公式（2）统计属于该内容的像素的亮度最小值/>；
（1）
（2）
步骤4：对每一类图像内容，分别计算视觉敏感度系数；
步骤4中所述参数根据人眼视觉感受机理算得，具体计算公式为
（3）
步骤5：根据如公式（4）所示映射过程对分别对每一类图像内容进行S曲线映射，得到压缩后的低动态范围图像，即基于多段S曲线映射实现红外图像动态范围压缩；
（4）
步骤5中所述低动态范围图像为一个/>矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310534190.4A CN116309186B (zh) | 2023-05-12 | 2023-05-12 | 一种基于多段s曲线映射的红外图像动态范围压缩方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310534190.4A CN116309186B (zh) | 2023-05-12 | 2023-05-12 | 一种基于多段s曲线映射的红外图像动态范围压缩方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116309186A CN116309186A (zh) | 2023-06-23 |
| CN116309186B true CN116309186B (zh) | 2023-09-12 |
Family
ID=86781800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310534190.4A Active CN116309186B (zh) | 2023-05-12 | 2023-05-12 | 一种基于多段s曲线映射的红外图像动态范围压缩方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116309186B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101901475A (zh) * | 2010-06-12 | 2010-12-01 | 北京理工大学 | 基于视网膜自适应模型的高动态范围图像色调映射方法 |
| CN101950412A (zh) * | 2010-07-23 | 2011-01-19 | 北京理工大学 | 一种红外图像细节增强和动态范围压缩方法 |
| JP2014006698A (ja) * | 2012-06-25 | 2014-01-16 | Mitsubishi Electric Corp | 画像処理装置、画像処理方法及び画像処理プログラム |
| CN103916669A (zh) * | 2014-04-11 | 2014-07-09 | 浙江宇视科技有限公司 | 高动态范围图像压缩方法及装置 |
| CN109325959A (zh) * | 2018-11-09 | 2019-02-12 | 南京邮电大学 | 一种基于Hough变换的提取红外图像细节的方法及其应用 |
| CN112215785A (zh) * | 2020-11-05 | 2021-01-12 | 中国航空工业集团公司西安航空计算技术研究所 | 一种基于分层压缩的红外图像细节增强方法 |
| CN113240644A (zh) * | 2021-05-17 | 2021-08-10 | 青岛信芯微电子科技股份有限公司 | 高动态范围图像的显示处理方法及相关装置 |
| CN114359083A (zh) * | 2021-12-24 | 2022-04-15 | 北京航空航天大学 | 一种面向干扰环境的高动态热红外图像自适应预处理方法 |
| KR20220075095A (ko) * | 2020-11-27 | 2022-06-07 | (주)메쉬 | 발열검사기의 실화상과 열화상의 최적 자동 매핑 방법 및 그 방법을 적용한 발열검사기 |
| CN114677451A (zh) * | 2022-03-29 | 2022-06-28 | 武汉高德智感科技有限公司 | 一种红外图像动态范围压缩方法 |
-
2023
- 2023-05-12 CN CN202310534190.4A patent/CN116309186B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101901475A (zh) * | 2010-06-12 | 2010-12-01 | 北京理工大学 | 基于视网膜自适应模型的高动态范围图像色调映射方法 |
| CN101950412A (zh) * | 2010-07-23 | 2011-01-19 | 北京理工大学 | 一种红外图像细节增强和动态范围压缩方法 |
| JP2014006698A (ja) * | 2012-06-25 | 2014-01-16 | Mitsubishi Electric Corp | 画像処理装置、画像処理方法及び画像処理プログラム |
| CN103916669A (zh) * | 2014-04-11 | 2014-07-09 | 浙江宇视科技有限公司 | 高动态范围图像压缩方法及装置 |
| CN109325959A (zh) * | 2018-11-09 | 2019-02-12 | 南京邮电大学 | 一种基于Hough变换的提取红外图像细节的方法及其应用 |
| CN112215785A (zh) * | 2020-11-05 | 2021-01-12 | 中国航空工业集团公司西安航空计算技术研究所 | 一种基于分层压缩的红外图像细节增强方法 |
| KR20220075095A (ko) * | 2020-11-27 | 2022-06-07 | (주)메쉬 | 발열검사기의 실화상과 열화상의 최적 자동 매핑 방법 및 그 방법을 적용한 발열검사기 |
| CN113240644A (zh) * | 2021-05-17 | 2021-08-10 | 青岛信芯微电子科技股份有限公司 | 高动态范围图像的显示处理方法及相关装置 |
| CN114359083A (zh) * | 2021-12-24 | 2022-04-15 | 北京航空航天大学 | 一种面向干扰环境的高动态热红外图像自适应预处理方法 |
| CN114677451A (zh) * | 2022-03-29 | 2022-06-28 | 武汉高德智感科技有限公司 | 一种红外图像动态范围压缩方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116309186A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109064426B (zh) | 一种用于抑制低照度图像中眩光并增强图像的方法及装置 | |
| CN107680056B (zh) | 一种图像处理方法及装置 | |
| CN105513019B (zh) | 一种提升图像质量的方法和装置 | |
| CN111968041A (zh) | 一种自适应图像增强方法 | |
| CN111105359B (zh) | 一种高动态范围图像的色调映射方法 | |
| CN109584191B (zh) | 一种基于直方图的自适应图像增强方法及终端 | |
| CN110706172A (zh) | 基于自适应混沌粒子群优化的低照度彩色图像增强方法 | |
| CN104268843A (zh) | 基于直方图修饰的图像自适应增强方法 | |
| CN110473152B (zh) | 基于改进Retinex算法的图像增强方法 | |
| CN106296620B (zh) | 一种基于直方图平移的色彩还原方法 | |
| 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 | |
| CN109447912B (zh) | 一种荧光导航内窥镜系统的荧光图像自适应增强及降噪方法 | |
| CN112116536A (zh) | 一种低光照图像增强方法及系统 | |
| CN110175969B (zh) | 图像处理方法及图像处理装置 | |
| CN111127340B (zh) | 一种图像去雾方法 | |
| CN112634384A (zh) | 一种高动态范围图像压缩的方法及装置 | |
| TWI835280B (zh) | 一種色調映射方法、設備及系統 | |
| CN114627009A (zh) | 一种基于亮度校正和融合通道先验的图像增强方法及系统 | |
| CN110580690B (zh) | 一种识别峰值变换非线性曲线的图像增强方法 | |
| CN113191956A (zh) | 基于深度抠图的逆光图像增强方法 | |
| Yu et al. | Adaptive inverse hyperbolic tangent algorithm for dynamic contrast adjustment in displaying scenes | |
| CN116309186B (zh) | 一种基于多段s曲线映射的红外图像动态范围压缩方法 | |
| CN108550124B (zh) | 一种基于仿生螺线的光照补偿及图像增强方法 | |
| CN107197235B (zh) | 一种hdr视频预处理方法 | |
| CN107358592B (zh) | 一种迭代式全局自适应图像增强方法 |
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 |