CN116433519B - 基于拉格朗日插值和多尺度引导滤波的红外图像增强方法 - Google Patents
基于拉格朗日插值和多尺度引导滤波的红外图像增强方法 Download PDFInfo
- Publication number
- CN116433519B CN116433519B CN202310379045.3A CN202310379045A CN116433519B CN 116433519 B CN116433519 B CN 116433519B CN 202310379045 A CN202310379045 A CN 202310379045A CN 116433519 B CN116433519 B CN 116433519B
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- data
- gray
- 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.)
- Active
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 35
- 238000007499 fusion processing Methods 0.000 claims abstract description 4
- 230000006835 compression Effects 0.000 claims description 13
- 238000007906 compression Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000005457 Black-body radiation Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
- G06T5/80—Geometric correction
-
- 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)
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
本发明属于红外图像算法增强领域，具体涉及一种基于拉格朗日插值和多尺度引导滤波的红外图像增强方法，所述方法具体为：获得原始图像的红外探测器输出数据；对原始数据进行非均匀性校正；通过校正后的数据采用多尺度引导滤波获取图像的不同轮廓信息，进而将不同轮廓信息进行融合处理，得到增强后的图像。本发明通过采用拉格朗日插值算法对红外图像数据进行非均匀性校正，然后对校正后的数据采用多尺度引导滤波得到增强后的红外图像，解决了红外图像对比度差和细节特征突出不太明显的问题。
Description
技术领域
本发明属于红外图像算法增强领域，具体涉及一种基于拉格朗日插值和多尺度引导滤波的红外图像增强方法。
背景技术
现代的光学成像，可以在良好的环境中得到细节丰富、空间分布率高的图像，但受雾霾，阴雨天气等影响往往得不到理想的效果。相比之下，红外图像可以不受光照条件的影响，全天候的工作，并且具有较强的抗干扰能力，使其在军事、医学、工业、民生等领域得到了广泛应用，给人们的生活工作带来了极大地便利。很多公司、学校等场所，采用红外测温系统来检测人的体温是否正常，不仅节省了大量的检测人员，而且极大地提高了效率。
红外图像经过多年的发展，技术得到了飞跃的进步，可以更好地满足人们的需求。但不同分辨率红外焦平面阵列探测器其性能与价格差别很大，分辨率越高对应价格也越高。100*100像素的价格在1万元左右，120*160像素的价格在2-5万元左右，240*320像素的价格在10万元左右。国内目前因为半导体等制造工艺的原因，很难生产出高分辨率的红外焦平面阵列探测器，而单纯从国外进口，不仅面对高端禁售而且价格又非常昂贵。
为此，亟需一种红外图像加强算法。
发明内容
本发明提出了一种基于拉格朗日插值和多尺度引导滤波的红外图像增强方法。
具体方案如下：
S1获得原始的红外探测器输出数据；
S2对数据进行非均匀性校正；
S3对通过校正后的数据采用多尺度引导滤波获取图像的不同轮廓信息，进而将不同轮廓进行融合处理，得到增强后的图像；
进一步的，所述对原始图像数据进行非均匀性校正的具体步骤为：
首先使用拉格朗日四次插值计算红外焦平面探测元的增益系数和偏置系数；
然后在使用单点校正进一步修正偏置系数；
进一步的，所述S3具体步骤为：
S31：对非均匀校正后的数据采用多尺度引导滤波获取图像的基本层与包含不同轮廓的细节层，并将多个细节层求和得到新的细节层；
S32：对所述基本层图像采用分段直方图进行非线性压缩处理；
S33：对所述新的细节层采用sigmod变换进行拉伸处理；
S34：将进行非线性压缩处理的基本层和进行拉伸处理细节层进行加权融合，得到增强后的图像。
进一步的，所述引导滤波的计算公式为：
其中GFl()代表引导滤波函数，F代表原始输入图像，B代表经引导滤波过滤后的基本层图像，I代表细节层图像，l代表不同的尺度。
进一步的，所述S32具体为：
1)划分灰度区域，图像的总灰度级为L，将图像的灰度级分成M个区域，每个区域有个灰度级；
2)获取每一个灰度级在子区域中的比例：其中nk是灰度级sk在子区域中的像素个数，N是子区域中总像素个数；
3)获取灰度级在子区域中的累计像素个数：
4)根据累计像素个数，将原有灰度级映射到新的灰度级：F(sk)＝(r-1)*c(sk)，其中r是子区域中灰度级的个数；
5)最后，遍历整个图像矩阵：Seq(i,j)＝F(S(i,j))，其中，S(i,j)是原图像第i行j列出的灰度值，Seq(i,j)是均衡化后对应位置的灰度值。
进一步的，所述sigmod变换公式为：
其中，c是缩放因子。
进一步的，所述加权融合公式为：
R＝αSeq(i,j)+βSig(x)
其中，α和β是调整因子。
本发明的技术效果：
本发明提出的基于拉格朗日插值和多尺度引导滤波的红外图像增强方法，通过采用拉格朗日插值算法对红外图像数据进行非均匀性校正，然后对校正后的数据采用多尺度引导滤波得到增强后的红外图像，解决了红外图像对比度差和细节特征突出不太明显的问题。
附图说明
附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出了本发明的整体红外图像增强算法框架示意图；
图2示出了本发明的基于多尺度引导滤波的非线性加权融合压缩算法框架示意图；
图3示出了本发明的同一像元不同温度辐射的非均匀性比对示意图；
图4示出了本发明的r取不同值的直方图均衡化效果图；
图5示出了本发明的多尺度引导滤波算法对比示意图；
图6示出了本发明的整体算法对比示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本实施例提供了一种基于拉格朗日插值和多尺度引导滤波的红外图像增强方法：
S1获得原始的红外探测器输出数据；
S2对数据进行非均匀性校正；
S3首先对非均匀校正后的数据采用多尺度引导滤波获取图像的基本层与包含不同轮廓的细节层，并将多个细节层求和得到新的细节层，然后对基本层采用分段直方图进行非线性压缩处理，对新的细节层采用sigmod变换进行拉伸处理，最后将处理后的结果进行加权融合，得到增强后的图像。
目前，基于场景变化的非均匀性校正算法，不仅需要大量数据，而且计算量大，很难直接应用到基础硬件上。而基于温度定标的校正算法，具有计算量较小，易于在硬件上实现的优点，因此越来越受到人们的重视。本发明提出了一种基于拉格朗日插值与单点校正相结合的非均匀校正算法。该算法首先使用拉格朗日四次插值算法修正红外焦平面探测元的增益系数，以满足红外探测元的非线性响应关系，然后再对结果进行单点校正，单点校正主要用于修正红外焦平面探测元的偏置系数。
基于拉格朗日插值的非均匀校正算法步骤如下：
步骤1：选取四个标定温度点x0,x1,x2,x3，每个温度通过黑体均匀辐射到红外探测器上得到对应位置上的输出值y0,y1,y2,y3。为了减小误差，在黑体的同一温度下，使用红外焦平面阵列探测器对数据重复采样多次，再取平均值作为焦平面探测元的输出值。计算校正系数具体如下：
其中lj(x)是拉格朗日插值基函数。L(x)是拉格朗日四次插值校正后的输出结果，化简后L(x)型如L(x)＝ax3+bx2+cx+d，其中x就是红外探测器的原始输出值，a,b,c,d是L(x)的系数，系数取值如下：
步骤2：为了进一步修正红外探测元的偏置系数，选取拉格朗日四次插值点中间位置xm作为校正点。单点校正公式是最终校正公式如下：
步骤3：红外焦平面上的每个探测元都采用类似的校正系数组，这些校正系数组会提前存储在硬件中，然后通过校正系数就可以完成对红外焦平面数据的校正。
基于多尺度引导滤波的红外图像非线性压缩算法
经过非均匀性校正后，去除了红外图像中的非均性噪声，使得图像变得更平滑，但并没有改变红外图像对比度低的问题，从而使得红外图像的细节特征较模糊。因此，本发明在第二阶段采用多尺度引导滤波来获取图像细节信息，多尺度引导滤波可以提取图像的不同轮廓信息，进而将不同轮廓进行融合处理，即可得到更加细致的轮廓，所述方法步骤如图2所示：
步骤1：多尺度引导滤波算法将图像分成基本层与细节层。基本层是引导滤波处理后的平滑图像，存储图像大部分目标与背景信息，本发明选择尺度最小基本层的作为最终的基本层。细节层是用原图像减去基本层图像，存储图像的轮廓信息，本发明采用三个不同尺度的引导滤波对图像进行分层处理，然后用原图像减去第一个基本层得到第一个细节层，接着由第一个基本层减去第二个基本层得到第二个细节层，以此类推，这样的优点是获取不同细节层中的不同的边缘特征；最后将多个细节层求和得到最终的细节层。引导滤波函数如下：
其中GFl()代表引导滤波函数，F代表原始输入图像，B代表经引导滤波过滤后的基本层图像，I代表细节层图像，l代表不同的尺度。
步骤2：对基本层图像采用分段直方图进行非线性压缩处理，分段直方图非线性压缩是在原有的直方图均衡化的基础上，划分灰度区域，在每个子区域内进行直方图均衡化，这样处理的优点是防止灰度级变化过度剧烈，暗的区域过于暗，亮的区域过于亮。具体过程如下：
1)划分灰度区域，图像的总灰度级为L，将图像的灰度级分成M个区域，每个区域有个灰度级(一般M能被L整除)。
2)获取每一个灰度级在子区域中的比例：其中nk是灰度级sk在子区域中的像素个数，N是子区域中总像素个数。
3)获取灰度级在子区域中的累计像素个数：
4)根据累计像素个数，将原有灰度级映射到新的灰度级：F(sk)＝(r-1)*c(sk)。其中r是子区域中灰度级的个数。
5)最后，遍历整个图像矩阵：Seq(i,j)＝F(S(i,j))。其中，S(i,j)是原图像第i行j列出的灰度值。Seq(i,j)是均衡化后对应位置的灰度值。
步骤3：对细节层采用sigmod变换处理。这样处理的优点是对基本层能够适当提高图像的对比度，对细节层能够适当放大细节信息。sigmod变换如公式如下，其中c是缩放因子：
步骤4：加权融合，公式如下，其中α和β是调整因子：
R＝αSeq(i,j)+βSig(x)
本实施例实验对比
非均匀校正算法对比
本实验数据来源于分辨率为240*320的非制冷红外探测器与黑体辐射源，由郑州轻大慧联光电研究院有限公司提供。实验内容是通过使用黑体给红外焦平面探测器提供均匀温度辐射，获取非均匀校正的标定点。如图3所示；
为进一步衡量算法的改进效果，通过计算图像的非均匀性NU(Non-Uniformity)，NU可以评价非均匀校正效果，其值越小，平滑效果越好。计算公式如下：
其中，M代表红外焦平面阵列的行数；N代表红外焦平面阵列的列数；d代表红外焦平面中的死探测元的个数；h代表红外焦平面中的过热探测元的个数；si,j是红外焦平面第i行j列的探测元值；代表红外焦平面正常探测元的均值。
从表1可以看出，本发明算法在非均匀性校正上明显优于其他三种非均匀校正算法。
表1不同算法的非均匀性对比
非线性压缩算法对比
分段式直方图参数选取
为了进一步确定r的取值，本发明通过两个客观指标来体现：局部对比度(EME)、图像峰值信噪比(PSNR)。
EME能够反映图像局部灰度的变化情况，常被用来评估图像的对比度增强程度。其值越大，说明图像局部灰度变化越强，图像的对比度越高。计算公式如下：
其中，K1与K2代表子块的宽和高；分别代表子块中的最大值，与子块中的最小值，它们值域范围[1,256]。
峰值信噪比(PSNR)经常用作图像压缩等领域中信号重建质量的测量方法，它常简单地通过均方误差(MSE)进行定义。一般来说，信噪比越大，说明混在信号里的噪声越小。另外图像峰值信噪比的范围在30-40db之间，在此范围越高越好。超出范围峰值信噪比对图像指标的影响就变小了。计算公式如下：
表2不同r取值的指标对比
从上表可以看出，当r＝32时，EME＝213.668，此时在局部对比度中达到最大值，即图像局部对比度最优。虽然此时的PSNP＝35.0556，并不是最大值，但在图像峰值信噪比中，其恰好位于30-40db之间，此后继续增大信噪比的值对图像指标的影响就变小了。因此本发明分段直方图参数r选择为32。
多尺度引导滤波算法对比
本节实验的图像来源于文献。为了验证本发明多尺度引导滤波算法的优越性，分别将其与线性压缩(AGC)、双边滤波分层(BF&DDE)、引导滤波分层(GF&DDE)等算法来比对，如图5所示；
为了进一步体现本发明算法的优点，选择两个指标进行客观说明，指标分别为局部对比度(EME)、图像平均梯度(AG)，这两个指标能够较好的反应图像局部对比度和细节方面的差异。其中图像平均梯度AG能够表征图像细节的丰富程度，其值越大就表明图像所含的高频细节信息越丰富，因此常被用于红外图像的细节增强评价中。图像平均梯度AG的公式下：
这里Gx(i,,j)、Gy(i,,j)分别代表图像的水平梯度与图像的竖直梯度，M、N代表图像的宽与高。
表3算法对比
整体算法比较
为了验证整体算法的效果，本发明选用由郑州轻大慧联光电研究院有限公司提供实验数据，实验数据采用分辨率为240*320的非制冷红外探测器拍摄的图片。实验过程为先对实验数据采用拉格朗日插值算法进行非均性校正，再分别用线性压缩方法(AGC)、多尺度引导滤波、经典直方图均衡化(HE)、限制对比度直方图均衡化(CLAHE)、BF&DDE、GF&DDE对图像增强，如图6所示；
同样的表4也从量化指标领域给出了进一步的证实，在图像平均梯度上，虽然本发明算法取得了次优解，但也仅比最优解的HE算法低了4％，同时在局对比度EME上，本发明算法取得了最优解，比次优解HE算法高出了23.7％，在峰值信噪比上比次优解BF&DDE算法高出7.9％。
表4整体算法对比
以上所述，仅为本发明优选的具体实施方式，但本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于拉格朗日插值和多尺度引导滤波的红外图像增强方法，其特征在于，
S1获得原始图像的红外探测器输出数据；
S2对数据进行非均匀性校正；
S3对通过校正后的数据采用多尺度引导滤波获取图像的不同轮廓信息，进而将不同轮廓进行融合处理，得到增强后的图像；
所述S3具体步骤为：
S31：对非均匀校正后的数据采用多尺度引导滤波获取图像的基本层与包含不同轮廓的细节层，并将多个细节层求和得到新的细节层；
S32：对所述基本层图像采用分段直方图进行非线性压缩处理；
S33：对所述新的细节层采用sigmod变换进行拉伸处理；
S34：将进行非线性压缩处理的基本层和进行拉伸处理细节层进行加权融合，得到增强后的图像；
所述S32具体为：
1)划分灰度区域，图像的总灰度级为L，将图像的灰度级分成M个区域，每个区域有个灰度级；
2)获取每一个灰度级在子区域中的比例：其中nk是灰度级sk在子区域中的像素个数，N是子区域中总像素个数；
3)获取灰度级在子区域中的累计像素个数：
4)根据累计像素个数，将原有灰度级映射到新的灰度级：F(sk)＝(r-1)*c(sk)，其中r是子区域中灰度级的个数；
5)最后，遍历整个图像矩阵：Seq(i,j)＝F(S(i,j))，其中，S(i,j)是原图像第i行j列出的灰度值，Seq(i,j)是均衡化后对应位置的灰度值。
2.根据权利要求1所述的方法，其特征在于，所述对原始图像数据进行非均匀性校正的具体步骤为：
首先使用拉格朗日四次插值计算红外焦平面探测元的增益系数和偏置系数；
然后在使用单点校正进一步修正偏置系数。
3.根据权利要求1所述的方法，其特征在于，所述引导滤波的计算公式为：
其中GFl()代表引导滤波函数，F代表原始输入图像，B代表经引导滤波过滤后的基本层图像，I代表细节层图像，l代表不同的尺度。
4.根据权利要求1所述的方法，其特征在于，所述sigmod变换公式为：
其中，c是缩放因子。
5.根据权利要求1所述的方法，其特征在于，所述加权融合公式为：
R＝αSeq(i,j)+βSig(x)
其中，α和β是调整因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310379045.3A CN116433519B (zh) | 2023-04-10 | 2023-04-10 | 基于拉格朗日插值和多尺度引导滤波的红外图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310379045.3A CN116433519B (zh) | 2023-04-10 | 2023-04-10 | 基于拉格朗日插值和多尺度引导滤波的红外图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116433519A CN116433519A (zh) | 2023-07-14 |
| CN116433519B true CN116433519B (zh) | 2024-05-21 |
Family
ID=87092202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310379045.3A Active CN116433519B (zh) | 2023-04-10 | 2023-04-10 | 基于拉格朗日插值和多尺度引导滤波的红外图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116433519B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102768071A (zh) * | 2012-07-06 | 2012-11-07 | 武汉高德红外股份有限公司 | 基于模板法的非制冷热像仪无快门非均匀性校正方法 |
| CN111145115A (zh) * | 2019-12-20 | 2020-05-12 | 复旦大学 | 一种基于场景适应的非均匀校正方法及其硬件实现装置 |
| CN113096053A (zh) * | 2021-03-17 | 2021-07-09 | 西安电子科技大学 | 基于多尺度引导滤波的高动态红外图像细节增强方法 |
| CN115496695A (zh) * | 2022-11-04 | 2022-12-20 | 中国人民解放军93210部队 | 一种高动态红外图像自适应增强与压缩方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014064916A1 (ja) * | 2012-10-25 | 2014-05-01 | 三菱電機株式会社 | 画像処理装置及び画像処理方法 |
-
2023
- 2023-04-10 CN CN202310379045.3A patent/CN116433519B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102768071A (zh) * | 2012-07-06 | 2012-11-07 | 武汉高德红外股份有限公司 | 基于模板法的非制冷热像仪无快门非均匀性校正方法 |
| CN111145115A (zh) * | 2019-12-20 | 2020-05-12 | 复旦大学 | 一种基于场景适应的非均匀校正方法及其硬件实现装置 |
| CN113096053A (zh) * | 2021-03-17 | 2021-07-09 | 西安电子科技大学 | 基于多尺度引导滤波的高动态红外图像细节增强方法 |
| CN115496695A (zh) * | 2022-11-04 | 2022-12-20 | 中国人民解放军93210部队 | 一种高动态红外图像自适应增强与压缩方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于SOPC的红外图像自适应非均匀性校正设计";王明昌 等;Y;20170625;第第46卷卷(第第6期期);第208-213页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116433519A (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110211056B (zh) | 基于局部中值直方图的自适应红外图像去条纹算法 | |
| CN108846805B (zh) | 一种基于场景自适应的红外热图像两点非均匀校正方法 | |
| CN108921176A (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
| CN112435191B (zh) | 一种基于多个神经网络结构融合的低照度图像增强方法 | |
| CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
| CN103593826B (zh) | 图像环形伪影校正方法 | |
| JPH08287243A (ja) | 画像形成装置および幾何光学的画像歪修正方法 | |
| CN111784620B (zh) | 空间信息引导角度信息的光场相机全聚焦图像融合算法 | |
| CN109211918B (zh) | 一种基于纬纱走向的织物弓纬检测方法 | |
| CN110111292B (zh) | 一种红外与可见光图像融合方法 | |
| CN111583113A (zh) | 一种基于生成对抗网络的红外图像超分辨率重建方法 | |
| CN112104847B (zh) | 一种基于残差和高频替换的sony-rgbw阵列彩色重构方法 | |
| CN111179365A (zh) | 一种基于循环神经网络的移动放射源辐射图像自适应叠加优化方法 | |
| CN111563866B (zh) | 一种多源遥感图像融合方法 | |
| CN116433514A (zh) | 基于改进空间变换网络stn的车门缺陷图像校正方法 | |
| CN111161183B (zh) | 一种口腔ct中平板探测器坏像素点校正方法 | |
| CN115375561A (zh) | 一种优化亮度、反差及色差的遥感影像匀光匀色方法 | |
| CN116433519B (zh) | 基于拉格朗日插值和多尺度引导滤波的红外图像增强方法 | |
| CN113506212B (zh) | 一种改进的基于pocs的高光谱图像超分辨率重建方法 | |
| CN112967206B (zh) | 一种基于图像分块的自适应红外图像、视频竖纹去除方法 | |
| CN112561829B (zh) | 基于L通道Gamma变换的多区域非均匀亮度失真校正算法 | |
| CN111932478A (zh) | 一种非制冷红外焦平面的自适应非均匀校正方法 | |
| CN115063449B (zh) | 用于目标跟踪的面向高光谱视频的三通道视频输出方法 | |
| CN108470325B (zh) | 一种面阵凝视红外遥感图像时空三维噪声识别及补偿方法 | |
| CN110910442B (zh) | 一种基于kernel-free图像复原的高速移动对象机器视觉尺寸检测方法 |
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 |