RU2342701C1 - Способ комплексирования цифровых многоспектральных полутоновых изображений - Google Patents

Способ комплексирования цифровых многоспектральных полутоновых изображений Download PDF

Info

Publication number
RU2342701C1
RU2342701C1 RU2007131125/09A RU2007131125A RU2342701C1 RU 2342701 C1 RU2342701 C1 RU 2342701C1 RU 2007131125/09 A RU2007131125/09 A RU 2007131125/09A RU 2007131125 A RU2007131125 A RU 2007131125A RU 2342701 C1 RU2342701 C1 RU 2342701C1
Authority
RU
Russia
Prior art keywords
components
image
decomposition
level
brightness
Prior art date
Application number
RU2007131125/09A
Other languages
English (en)
Inventor
Елена Игоревна Травина (RU)
Елена Игоревна Травина
Игорь Николаевич Фадеев (RU)
Игорь Николаевич Фадеев
Original Assignee
Российская Федерация, от имени которой выступает Министерство обороны Российской Федерации
Закрытое акционерное общество "Московский научно-исследовательский телевизионный институт"
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 Российская Федерация, от имени которой выступает Министерство обороны Российской Федерации, Закрытое акционерное общество "Московский научно-исследовательский телевизионный институт" filed Critical Российская Федерация, от имени которой выступает Министерство обороны Российской Федерации
Priority to RU2007131125/09A priority Critical patent/RU2342701C1/ru
Application granted granted Critical
Publication of RU2342701C1 publication Critical patent/RU2342701C1/ru

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

Изобретение относится к обработке изображений, и в частности к способу комплексирования цифровых многоспектральных полутоновых изображений. Техническим результатом является получение изображения повышенного качества, содержащего информативные элементы изображений одной и той же сцены, полученных в различных спектральных диапазонах, который достигается тем, что в способе комплексирования цифровых многоспектральных полутоновых изображений, включающем получение исходных изображений, разложение каждого исходного изображения на низкочастотные (НЧ) и высокочастотные (ВЧ) компоненты, раздельную обработку НЧ и ВЧ компонент изображений, комплексирование компонент, основанное на принципе взвешенного суммирования для каждого пикселя, формирование результирующего изображения. Каждое исходное изображение подвергают многоуровневой декомпозиции вейвлетом Хаара путем быстрого дискретного стационарного двумерного вейвлет-преобразования с целью получения аппроксимирующей составляющей, представляющей из себя НЧ компоненту изображения, и семейства детализирующих составляющих, являющихся ВЧ компонентами изображения, определяют значения матриц энергетических характеристик пикселей на всех уровнях разложения для каждого изображения, осуществляют фильтрацию всех детализирующих составляющих, включающую коррекцию детализирующих составляющих, путем адаптивного изменения значений детализирующих составляющих в соответствии с межуровневой динамикой их энергетических характеристик и устранение шумовой микроструктуры путем адаптивного порогового ограничения значений детализирующих составляющих на каждом уровне разложения, вычисляют для каждого разложения корректирующие функции яркости и корректирующие функции контраста, параметром которых является значение аппроксимирующей составляющей, производят выравнивание яркостных диапазонов каждого разложения путем преобразования аппроксимирующих составляющих корректирующими функциями яркости, преобразуют детализирующие составляющие корректирующей функцией контраста, вычисляют для каждого разложения на каждом уровне весовую функцию, параметром которой является значение энергетической характеристики, производят для каждого пикселя на каждом уровне разложения вычисление компонент синтезированного изображения путем взвешенного суммирования значений соответствующих составляющих разложений исходных изображений с использованием весовых функций, осуществляют фильтрацию всех детализирующих составляющих синтезированного изображения, включающую коррекцию детализирующих составляющих путем адаптивного изменения значений детализирующих составляющих в соответствии с межуровневой динамикой их энергетических характеристик и устранение шумовой микроструктуры путем адаптивного порогового ограничения значений детализирующих составляющих на каждом уровне разложения, вычисляют корректирующую функцию яркости и корректирующую функцию контраста, параметром которых является значение аппроксимирующей составляющей синтезированного изображения, преобразуют аппроксимирующую составляющую корректирующей функцией яркости, преобразуют детализирующие составляющие корректирующей функцией контраста, формируют синтезированное изображение путем реконструкции при помощи обратного быстрого дискретного стационарного двумерного вейвлет-преобразования, применяемого к детализирующим составляющим синтезированного изображения и аппроксимирующей составляющей синтезированного изображения, согласуют яркостной диапазон результирующего изображения с параметрами видеосистемы. 9 ил.

Description

Способ комплексирования цифровых многоспектральных полутоновых изображений предназначен для получения изображения, содержащего информативные элементы изображений одной и той же сцены, полученных в нескольких спектральных диапазонах.
Известен способ комплексирования информации от многоканальной системы с использованием вейвлет-спектров [1]. При комплексировании компонент по этому способу выбираются элементы разложения одного из исходных изображений, что приводит к потере информации о локальных структурных особенностях другого (других) изображений. В способе не производится яркостно-контрастной коррекции на уровне компонент разложения с целью повышения качества результирующего изображения.
Наиболее близким к изобретению является способ [2] комплексирования многоспектральных полутоновых изображений, включающий получение исходных изображений, разложение каждого исходного изображения на низкочастотные (далее - НЧ) и высокочастотные (далее - ВЧ) компоненты, раздельную обработку НЧ и ВЧ компонент изображений, комплексирование компонент, основанное на принципе взвешенного суммирования для каждого пикселя, формирование результирующего изображения.
К причинам, препятствующим достижению указанного ниже технического результата при использовании известного способа, относится следующее. Яркостная нормализация исходных изображений проводится методом приведения яркости исходных изображений к единому среднему значению и среднеквадратическому отклонению яркости, что в случае значительных различий яркостно-контрастных характеристик исходных изображений неизбежно приводит к усилению неинформативной шумовой микроструктуры одного изображения до уровня существенных структурных особенностей другого изображения. В известном способе ВЧ компонента не содержит информации о зависимости распределения локальных контрастов от масштаба (уровня разложения) и направления, что существенно снижает ее информативность. Весовые коэффициенты вычисляются как отношение локальных яркостей исходных изображений и не учитывают локальных контрастов, определяющих структурные особенности каждого изображения. Совмещение ВЧ компонент путем выбора перепада с максимальной амплитудой приводит к потере информации о структурных особенностях других изображений. Взвешенное суммирование без последующей фильтрации может привести к появлению шумовой микроструктуры, ухудшающей качество результирующего изображения.
Техническим результатом изобретения является получение изображения повышенного качества, содержащего информативные элементы изображений одной и той же сцены, полученных в различных спектральных диапазонах.
Технический результат достигается тем, что в способе комплексирования цифровых многоспектральных полутоновых изображений, включающем получение исходных изображений, разложение каждого исходного изображения на низкочастотные и высокочастотные компоненты, раздельную обработку низко- и высокочастотных компонент изображений, комплексирование компонент, основанное на принципе взвешенного суммирования для каждого пикселя, формирование результирующего изображения, согласно изобретению каждое исходное изображение подвергают многоуровневой декомпозиции вейвлетом Хаара путем быстрого дискретного стационарного двумерного вейвлет-преобразования с целью получения аппроксимирующей составляющей, представляющей из себя низкочастотную компоненту изображения, и семейства детализирующих составляющих, являющихся высокочастотными компонентами изображения, определяют значения матриц энергетических характеристик пикселей на всех уровнях разложения для каждого изображения, осуществляют фильтрацию всех детализирующих составляющих, включающую коррекцию детализирующих составляющих путем адаптивного изменения значений детализирующих составляющих в соответствии с межуровневой динамикой их энергетических характеристик и устранение шумовой микроструктуры путем адаптивного порогового ограничения значений детализирующих составляющих на каждом уровне разложения, вычисляют для каждого разложения корректирующие функции яркости и корректирующие функции контраста, параметром которых является значение аппроксимирующей составляющей, производят выравнивание яркостных диапазонов каждого разложения путем преобразования аппроксимирующих составляющих корректирующими функциями яркости, преобразуют детализирующие составляющие корректирующей функцией контраста, вычисляют для каждого разложения на каждом уровне весовую функцию, параметром которой является значение энергетической характеристики, производят для каждого пикселя на каждом уровне разложения вычисление компонент синтезированного изображения путем взвешенного суммирования значений соответствующих составляющих разложений исходных изображений с использованием весовых функций, осуществляют фильтрацию всех детализирующих составляющих синтезированного изображения, включающую коррекцию детализирующих составляющих путем адаптивного изменения значений детализирующих составляющих в соответствии с межуровневой динамикой их энергетических характеристик и устранение шумовой микроструктуры путем адаптивного порогового ограничения значений детализирующих составляющих на каждом уровне разложения, вычисляют корректирующую функцию яркости и корректирующую функцию контраста, параметром которых является значение аппроксимирующей составляющей синтезированного изображения, преобразуют аппроксимирующую составляющую корректирующей функцией яркости, преобразуют детализирующие составляющие корректирующей функцией контраста, формируют синтезированное изображение путем реконструкции при помощи обратного быстрого дискретного стационарного двумерного вейвлет-преобразования, применяемого к детализирующим составляющим синтезированного изображения и аппроксимирующей составляющей синтезированного изображения, согласуют яркостной диапазон результирующего изображения с параметрами видеосистемы.
На фиг.1 представлена схема комплексирования изображений, где:
Img - изображение;
сА - аппроксимирующая составляющая;
сН - горизонтальная составляющая;
cV - вертикальная составляющая;
cD - диагональная составляющая;
верхний индекс:
d=1...N - номер исходного изображения или составляющих его разложения;
S - синтезированное изображение или его составляющие разложения;
нижний индекс:
n=1...L - уровень разложения.
На фиг.2 - схема улучшения.
На фиг.3 - схема фильтрации детализирующих составляющих.
На фиг.4 - схема яркостно-контрастной коррекции составляющих.
На фиг.5 - схема энергетической коррекции детализирующих составляющих.
На фиг.6 - схема устранения шумовой микроструктуры.
На фиг.7 - пример определения порога.
На фиг.8 - пример получения порождающей функции.
На фиг.9 - схема синтеза составляющих.
Способ реализуется путем декомпозиции исходных изображений на составляющие, их обработки и последующей реконструкции изображения (фиг.1).
Декомпозицию и реконструкцию осуществляют при помощи быстрого дискретного стационарного двумерного вейвлет-преобразования вейвлетом Хаара для L уровней (L≈3), результатом которого являются:
сАL - аппроксимирующая (низкочастотная) составляющая уровня L;
сНn, cVn, cDn, n=1...L - детализирующие составляющие (горизонтальная, вертикальная и диагональная) для каждого уровня разложения.
Производят улучшение изображения путем преобразования полученных составляющих (фиг.2), включающее в себя фильтрацию (фиг.3) и коррекцию значений составляющих с учетом особенностей зрительного восприятия и параметров используемой видеосистемы (фиг.4). Фильтрация включает в себя следующие преобразования: коррекцию составляющих путем адаптивного изменения значений детализирующих составляющих в соответствии с межуровневой динамикой их энергетических характеристик (фиг.5); устранение шумовой микроструктуры путем адаптивного порогового ограничения значений детализирующих составляющих на каждом уровне разложения (фиг.6).
Для каждого уровня разложения вычисляют пространственное распределение энергетических характеристик вейвлет-коэффициентов в виде матрицы
Figure 00000002
, каждый элемент которой вычисляют по формуле:
Figure 00000003
где n - уровень разложения;
i - номер строки; j - номер столбца.
Масштабируют матрицы энергетических характеристик
Figure 00000002
для обеспечения геометрической сопоставимости энергетических характеристик разных уровней. Результатом является матрица
Figure 00000004
, каждый элемент которой вычисляют по формуле:
Figure 00000005
где wn+1 - линейный размер вейвлет-оператора на уровне n+1;
Δ=wn+1-1.
Вычисляют коэффициенты межуровневого изменения усредненных энергетических характеристик в виде матриц
Figure 00000006
следующим образом:
1)
Figure 00000007
2) для каждого элемента вычисляют коэффициент изменения энергетических характеристик следующим образом:
Figure 00000008
3)
Figure 00000009
где I,J последовательно принимают значения в диапазоне
i≤I<i+wn, j≤J<j+wn;
wn - линейный размер вейвлет-оператора на уровне n;
4) производят нормирование матрицы
Figure 00000006
:
Figure 00000010
где kmax - значение максимального элемента матрицы
Figure 00000011
Производят коррекцию детализирующих составляющих и энергетических характеристик:
Figure 00000012
Вычисляют нормированный интегральный энергетический спектр
Figure 00000013
в 3 этапа:
на первом этапе вычисляют гистограмму
Figure 00000014
матрицы
Figure 00000015
Figure 00000016
где
Figure 00000017
me - число элементов со значением е;
на втором этапе вычисляют интегральную гистограмму
Figure 00000018
Figure 00000019
на третьем этапе нормируют интегральную гистограмму
Figure 00000020
:
Figure 00000021
где еmax - значение максимального элемента матрицы
Figure 00000022
Вычисляют характеристическую функцию R(e):
Figure 00000023
Определяют значение энергетической характеристики еT, при котором значение характеристической функции R(e) минимально (фиг.7).
Вычисляют пороговое значение
Figure 00000024
энергетической характеристики уровня n
Figure 00000025
Figure 00000026
- коэффициент глубины фильтрации.
Экспериментально установлено, что в большинстве случаев оптимальным является
Figure 00000027
при
Figure 00000028
теряются существенные малоразмерные структурные элементы изображения.
Производят пороговую обработку детализирующих составляющих:
Figure 00000029
Выполняют яркостно-контрастную коррекцию составляющих (фиг.4) при помощи корректирующих функций. Вычисление корректирующих функций осуществляют следующим образом.
Вычисляют гистограмму значений коэффициентов аппроксимации h(a) по формуле:
Figure 00000030
где
Figure 00000031
ma - число элементов со значением а;
Figure 00000032
вычисляют нормированную гистограмму
Figure 00000033
по формуле:
Figure 00000034
где s - общее число элементов матрицы
Figure 00000035
amin, аmax - минимальное и максимальное значения округленных коэффициентов аппроксимации;
определяют размер краевых зон z:
Figure 00000036
где Kz≈(0.2...0.4);
получают порождающую функцию H(а) путем преобразования нормированной гистограммы
Figure 00000037
(фиг.8):
при a<amin+z и a>amax-z:
Figure 00000038
где
Figure 00000039
С1=1 - базовое значение контраста;
С2≈2 - максимальное значение контраста вне краевых зон;
С3≈3 - контраст на границах диапазона яркости.
При аmin+z≤а≤amax-z:
Figure 00000040
Изменением параметров С2, С3 и Kz обеспечивают возможность настроек.
Вычисляют корректирующую функцию F(a) для аппроксимирующей составляющей по формуле:
Figure 00000041
где
Figure 00000042
;
b - разрядность результирующего изображения;
L - последний уровень разложения;
s - общее число элементов матрицы
Figure 00000043
Вычисляют корректирующую функцию Р(а) для детализирующих составляющих по формуле:
Figure 00000044
Выполняют коррекцию аппроксимирующей составляющей
Figure 00000045
путем поэлементного преобразования функцией F(a):
Figure 00000046
где
Figure 00000047
Figure 00000048
Выполняют коррекцию детализирующих составляющих
Figure 00000049
Figure 00000050
Figure 00000051
путем поэлементного преобразования функцией Р(a):
βn=γnР(а);
Figure 00000052
где
Figure 00000053
Figure 00000054
- коэффициент дополнительного межуровневого контрастирования.
Комплексирование осуществляют следующим образом (фиг.9).
Составляющие синтезированного изображения вычисляются путем взвешенного суммирования нормированных значений элементов соответствующих составляющих разложений исходных изображений для каждого уровня разложения.
Вычисляют весовую функцию составляющих разложения.
1) Вычисляют гистограмму
Figure 00000055
значений матрицы
Figure 00000056
Figure 00000057
где
Figure 00000058
me - число элементов со значением е;
2) Вычисляют интегральную гистограмму
Figure 00000059
Figure 00000060
3) Вычисляют нормированную интегральную гистограмму
Figure 00000061
Figure 00000062
где s - общее число элементов матрицы
Figure 00000063
4) Вычисляют весовую функцию
Figure 00000064
Figure 00000065
Комплексирование составляющих осуществляют по формуле:
Figure 00000066
где
Figure 00000067
d=1...N - номер канала;
n=1...L - уровень разложения.
Согласование яркостного диапазона синтезированного изображения с параметрами видеосистемы осуществляют по формуле
Figure 00000068
где
Figure 00000069
Figure 00000070
- максимальное и минимальное значения яркости синтезированного изображения;
r - разрядность видеосистемы.
В результате получают изображение повышенного качества, содержащее наиболее информативные элементы изображений одной и той же сцены, полученных в нескольких спектральных диапазонах, свободное от шумовой микроструктуры, спорадических выбросов яркости и отконтрастированное с учетом особенностей зрительного восприятия.
Источники информации
1. Тетерин В.В. и др. Метод комплексирования информации от многоканальной системы с использованием вейвлет-спектров. Оптический журнал, Том 73, №10, 2006, с.47.
2. Москвитин А.Э. «Технология и алгоритм повышения качества изображений земной поверхности на основе комплексирования спектральной видеоинформации» (Алгоритм, основанный на раздельной обработке низко- и высокочастотных компонент разнозональных видеоданных). Автореферат. Рязань, 2003 г.

Claims (1)

  1. Способ комплексирования цифровых многоспектральных полутоновых изображений, включающий получение исходных изображений, разложение каждого исходного изображения на низкочастотные и высокочастотные компоненты, раздельную обработку низко- и высокочастотных компонент изображений, комплексирование компонент, основанное на принципе взвешенного суммирования для каждого пикселя, формирование результирующего изображения, отличающийся тем, что каждое исходное изображение подвергают многоуровневой декомпозиции вейвлетом Хаара путем быстрого дискретного стационарного двумерного вейвлет-преобразования с целью получения аппроксимирующей составляющей, представляющей из себя низкочастотную компоненту изображения, и семейства детализирующих составляющих, являющихся высокочастотными компонентами изображения, определяют значения матриц энергетических характеристик пикселей на всех уровнях разложения для каждого изображения, осуществляют фильтрацию всех детализирующих составляющих, включающую коррекцию детализирующих составляющих путем адаптивного изменения значений детализирующих составляющих в соответствии с межуровневой динамикой их энергетических характеристик и устранение шумовой микроструктуры путем адаптивного порогового ограничения значений детализирующих составляющих на каждом уровне разложения, вычисляют для каждого разложения корректирующие функции яркости и корректирующие функции контраста, параметром которых является значение аппроксимирующей составляющей, производят выравнивание яркостных диапазонов каждого разложения путем преобразования аппроксимирующих составляющих корректирующими функциями яркости, преобразуют детализирующие составляющие корректирующей функцией контраста, вычисляют для каждого разложения на каждом уровне весовую функцию, параметром которой является значение энергетической характеристики, производят для каждого пикселя на каждом уровне разложения вычисление компонент синтезированного изображения путем взвешенного суммирования значений соответствующих составляющих разложений исходных изображений с использованием весовых функций, осуществляют фильтрацию всех детализирующих составляющих синтезированного изображения, включающую коррекцию детализирующих составляющих путем адаптивного изменения значений детализирующих составляющих в соответствии с межуровневой динамикой их энергетических характеристик и устранение шумовой микроструктуры путем адаптивного порогового ограничения значений детализирующих составляющих на каждом уровне разложения, вычисляют корректирующую функцию яркости и корректирующую функцию контраста, параметром которых является значение аппроксимирующей составляющей синтезированного изображения, преобразуют аппроксимирующую составляющую корректирующей функцией яркости, преобразуют детализирующие составляющие корректирующей функцией контраста, формируют синтезированное изображение путем реконструкции при помощи обратного быстрого дискретного стационарного двумерного вейвлет-преобразования, применяемого к детализирующим составляющим синтезированного изображения и аппроксимирующей составляющей синтезированного изображения, согласуют яркостной диапазон результирующего изображения с параметрами видеосистемы.
RU2007131125/09A 2007-08-15 2007-08-15 Способ комплексирования цифровых многоспектральных полутоновых изображений RU2342701C1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2007131125/09A RU2342701C1 (ru) 2007-08-15 2007-08-15 Способ комплексирования цифровых многоспектральных полутоновых изображений

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2007131125/09A RU2342701C1 (ru) 2007-08-15 2007-08-15 Способ комплексирования цифровых многоспектральных полутоновых изображений

Publications (1)

Publication Number Publication Date
RU2342701C1 true RU2342701C1 (ru) 2008-12-27

Family

ID=40376977

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2007131125/09A RU2342701C1 (ru) 2007-08-15 2007-08-15 Способ комплексирования цифровых многоспектральных полутоновых изображений

Country Status (1)

Country Link
RU (1) RU2342701C1 (ru)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EA016483B1 (ru) * 2011-01-14 2012-05-30 Закрытое Акционерное Общество "Импульс" Способ оценки шума цифровых рентгенограмм
EA017302B1 (ru) * 2011-10-07 2012-11-30 Закрытое Акционерное Общество "Импульс" Способ подавления шума серий цифровых рентгенограмм
US8873825B2 (en) 2012-02-22 2014-10-28 Impul's Zakrytoe Akcionernoe Obshchestvo Method of noise reduction in digital X-rayograms
RU2540778C1 (ru) * 2013-10-31 2015-02-10 Закрытое Акционерное Общество "Научно-Технический Центр Элинс" Способ комплексирования цифровых полутоновых изображений
RU2684585C1 (ru) * 2017-12-18 2019-04-09 Публичное акционерное общество "Ростовский оптико-механический завод" Способ комплексирования полутоновых телевизионных и тепловизионных изображений
RU2692575C1 (ru) * 2018-01-10 2019-06-25 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации Способ комплексирования цифровых полутоновых изображений
RU2737699C1 (ru) * 2019-09-13 2020-12-02 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации Способ комплексирования цифровых многоспектральных полутоновых изображений
RU2746038C1 (ru) * 2020-09-05 2021-04-06 Виктор Андреевич Кузнецов Способ фрактального комплексирования многочастотных радиолокационных изображений
CN116740053A (zh) * 2023-08-08 2023-09-12 山东顺发重工有限公司 一种锻造加工智能生产线的管理系统
RU2806249C1 (ru) * 2022-12-08 2023-10-30 Федеральное государственное бюджетное военное образовательное учреждение высшего образования "Военно-космическая академия имени А.Ф. Можайского" Министерства обороны Российской Федерации Способ получения изображений высокого пространственного разрешения оптико-электронным средством наблюдения за удаленными объектами

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
В.В.ТЕТЕРИН и др. Метод комплексирования информации от многоканальной системы с использованием вейвлет-спектров. Оптический журнал, том 73, №10, 2006, с.47-51. R.B.GOMEZ et al. Wavelet-based hyperspectral and multispectral image fusion, 2001. SPIE's OE/Aerospace Sensing, Geo-Spatial Image and Data Exploitation II, Orlando, April 16-20, 2001. ЗЛОБИН В.К. и др. Методы и технологии комплексирования спектрозональной видеоинформации от систем дистанционного зондирования земли. Цифровая обработка сигналов, №1, 2007. *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EA016483B1 (ru) * 2011-01-14 2012-05-30 Закрытое Акционерное Общество "Импульс" Способ оценки шума цифровых рентгенограмм
EA017302B1 (ru) * 2011-10-07 2012-11-30 Закрытое Акционерное Общество "Импульс" Способ подавления шума серий цифровых рентгенограмм
US8873825B2 (en) 2012-02-22 2014-10-28 Impul's Zakrytoe Akcionernoe Obshchestvo Method of noise reduction in digital X-rayograms
RU2540778C1 (ru) * 2013-10-31 2015-02-10 Закрытое Акционерное Общество "Научно-Технический Центр Элинс" Способ комплексирования цифровых полутоновых изображений
RU2684585C1 (ru) * 2017-12-18 2019-04-09 Публичное акционерное общество "Ростовский оптико-механический завод" Способ комплексирования полутоновых телевизионных и тепловизионных изображений
RU2692575C1 (ru) * 2018-01-10 2019-06-25 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации Способ комплексирования цифровых полутоновых изображений
RU2737699C1 (ru) * 2019-09-13 2020-12-02 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации Способ комплексирования цифровых многоспектральных полутоновых изображений
RU2746038C1 (ru) * 2020-09-05 2021-04-06 Виктор Андреевич Кузнецов Способ фрактального комплексирования многочастотных радиолокационных изображений
RU2806249C1 (ru) * 2022-12-08 2023-10-30 Федеральное государственное бюджетное военное образовательное учреждение высшего образования "Военно-космическая академия имени А.Ф. Можайского" Министерства обороны Российской Федерации Способ получения изображений высокого пространственного разрешения оптико-электронным средством наблюдения за удаленными объектами
CN116740053A (zh) * 2023-08-08 2023-09-12 山东顺发重工有限公司 一种锻造加工智能生产线的管理系统
CN116740053B (zh) * 2023-08-08 2023-11-07 山东顺发重工有限公司 一种锻造加工智能生产线的管理系统

Similar Documents

Publication Publication Date Title
RU2342701C1 (ru) Способ комплексирования цифровых многоспектральных полутоновых изображений
Chang et al. Automatic contrast-limited adaptive histogram equalization with dual gamma correction
CN105654437B (zh) 一种对低照度图像的增强方法
EP3087730B1 (en) Method for inverse tone mapping of an image
Patel et al. A comparative study of histogram equalization based image enhancement techniques for brightness preservation and contrast enhancement
EP2833317B1 (en) Image display device and/or method therefor
EP1341124B1 (en) Method for sharpening a digital image with signal to noise estimation
EP1397780B1 (en) Image enhancement methods and apparatus therefor
US20100142790A1 (en) Image processing method capable of enhancing contrast and reducing noise of digital image and image processing device using same
Suganya et al. Survey on image enhancement techniques
US7292734B2 (en) Black and white stretching system and method for improving contrast of a picture
EP1347415B1 (en) Method for sharpening a digital image without amplifying noise
CN111696052B (zh) 一种基于红通道衰弱的水下图像增强方法及系统
US8260076B1 (en) Constant time filtering
CN106067164B (zh) 基于自适应小波域处理的彩色图像对比度增强算法
RU2448367C1 (ru) Способ повышения визуальной информативности цифровых полутоновых изображений
CN108460736A (zh) 一种低照度电力设备图像曲波域增强方法
Singh et al. Image enhancement by adaptive power-law transformations
Subramani et al. Cuckoo search optimization‐based image color and detail enhancement for contrast distorted images
RU2451338C1 (ru) Способ комплексирования цифровых полутоновых телевизионных и тепловизионных изображений
KR101287508B1 (ko) 주요 밝기 레벨 및 적응적 밝기값 변환에 의한 대비 개선 장치 및 방법
CN110992287A (zh) 一种非均匀光照视频的清晰化方法
CN113379607B (zh) 一种自适应调整图像的方法和装置
Chandpa et al. Comparative study of linear and non-linear contrast enhancement techniques
Sandeepa et al. Standard intensity deviation approach based clipped sub image histogram equalization algorithm for image enhancement

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20140816