CN103530847B - 一种红外图像增强方法 - Google Patents
一种红外图像增强方法 Download PDFInfo
- Publication number
- CN103530847B CN103530847B CN201310436183.7A CN201310436183A CN103530847B CN 103530847 B CN103530847 B CN 103530847B CN 201310436183 A CN201310436183 A CN 201310436183A CN 103530847 B CN103530847 B CN 103530847B
- Authority
- CN
- China
- Prior art keywords
- gray
- value
- histogram
- infrared image
- max
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000002708 enhancing effect Effects 0.000 title abstract description 3
- 230000009466 transformation Effects 0.000 claims abstract description 49
- 230000006835 compression Effects 0.000 claims description 14
- 238000007906 compression Methods 0.000 claims description 14
- 230000002902 bimodal effect Effects 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000006243 chemical reaction Methods 0.000 description 11
- 238000003331 infrared imaging Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明实施例公开了提供了一种红外图像增强方法,其对图像进行直方图统计,并对直方图进行运算得到像素点个数极值的灰度数组,利用该数组判断直方图分布属于单峰型或者双峰型。根据直方图分布的不同类型得到各自的展开区与压缩区,利用线性变换对展开区、压缩区内灰度值进行展开与压缩,最终达到图像增强的目的。该算法运算比较简单、不涉及复杂运算,同时克服了灰度直接线性变换过程中遇到的对背景及噪声进行增强以及目标灰度不能得到有效的增强,图像亮度偏暗等缺点。
Description
技术领域
本发明涉及红外图像处理技术领域,尤其是涉及一种红外图像增强方法。
背景技术
红外成像***在成像的过程中由于***自身成像特点的原因,所成图像具有低信噪比、低对比度、几乎没有纹理信息等特点。因此为了人眼能够获取红外图像中的视觉信息,需要对红外图像进行一系列处理,包括图像的非均匀校正、盲元补偿、图像增强等。
图像增强是一种重要的红外图像处理方法。红外图像增强的方法很多,从图像处理的作用域出发可分为:
(1)空间域处理:直接对红外图像的灰度进行处理,常见方法有:空间域滤波、灰度线性拉伸、直方图均衡化等。
(2)时间域处理:该方法通常涉及多帧的计算,包括时间延时积分、帧间比较等。
(3)变换域处理:该方法首先将红外图像变换到特定的变换域内,然后对变换域中的数值进行运算,再通过逆变换获得增强后的红外图像,常用的变换域包括傅里叶变换、离散余弦变换、小波变换等。
现有的红外图像增强方法中,通常计算复杂,需要耗费大量***资源。
发明内容
本发明的目的之一是提供一种计算比较简单、图像增强效果好的红外图像增强方法。
本发明公开的技术方案包括:
提供了一种红外图像增强方法,其特征在于,包括:获取红外图像;获得所述红外图像的直方图;在所述直方图中搜索有效像素点个数,形成有效像素点个数集合,其中所述有效像素点个数的对应的灰度值大于或等于所述红外图像的最小灰度值且小于或者等于所述红外图像的最大灰度值,并且所述有效像素点个数不为零;确定所述有效像素点个数集合中的极值像素点个数,并获取所述极值像素点个数对应的灰度值,获得极值像素点个数灰度集合;将所述极值像素点个数灰度集合按照对应的像素点个数的大小排序,获得排序灰度集合;根据所述排序灰度集合确定所述直方图的类型;根据所述直方图的类型,确定线性变换参数;用所述线性变换参数对所述红外图像进行线性变换。
本发明一个实施例中,所述根据所述排序灰度集合确定所述直方图的类型的步骤包括:当所述排序灰度集合中存在与所述排序灰度集合中的最大值的差大于第一阈值、并且对应的像素点个数大于第二阈值的灰度值时,所述直方图的类型为双峰型,否则所述直方图的类型为单峰型。
本发明一个实施例中,所述第一阈值为所述红外图像的最大灰度值和所述红外图像的最小灰度值之差的第一预定倍数。
本发明一个实施例中,所述第一预定倍数为0.6至0.75。
本发明一个实施例中,所述第二阈值为所述排序灰度集合中的最大值对应的像素点个数的第二预定倍数。
本发明一个实施例中,所述第二预定倍数为0.3至0.4。
本发明一个实施例中,所述根据所述直方图的类型确定线性变换参数的步骤包括:基于所述直方图的类型,根据所述排序灰度集合确定线性变化的展开区的范围和压缩区的范围。
本发明的实施例的方法中,对图像进行直方图统计,并对直方图进行运算得到像素点个数极值的灰度数组,利用该数组判断直方图分布属于单峰型或者双峰型。根据直方图分布的不同类型得到各自的展开区与压缩区,利用线性变换对展开区、压缩区内灰度值进行展开与压缩,最终达到图像增强的目的。该算法运算比较简单、不涉及复杂运算,同时克服了灰度直接线性变换过程中遇到的对背景及噪声进行增强以及目标灰度不能得到有效的增强,图像亮度偏暗等缺点。
附图说明
图1是灰度线性变换的示意图。
图2是本发明一个实施例的红外图像增强方法的流程示意图。
图3是本发明一个实施例的单峰直方图的图像的分段线性变换的示意图。
图4是本发明一个实施例的双峰直方图的图像的分段线性变换的示意图。
图5是本发明一个实例中的红外图像的单峰直方图。
图6是图5表示的红外图像经过直接线性变换后获得的图像及其直方图。
图7是图5表示的红外图像经过本发明实施例的方法分段线性变换之后的获得的图像及其直方图。
图8是本发明一个实例中的红外图像的双峰直方图。
图9是图8表示的红外图像经过直接线性变换后获得的图像及其直方图。
图10是图8表示的红外图像经过本发明实施例的方法分段线性变换之后的获得的图像及其直方图。
具体实施方式
下面将结合附图详细说明本发明的实施例的红外图像增强方法的具体步骤。
通常从红外探测器获取到的图像数据是一个N位二进制数值,为了能够显示红外图像数据,需要将图像数据从N位二进制转换到用于显示的数值范围内(通常范围是0至255)。这种转换通常用灰度线性拉伸方法实现。灰度线性拉伸方法提供一个线性计算公式将图像数据映射到显示数值范围内。具体变换过程可以如图1所示。
图1中r轴代表变换前探测器获取的图像数据,该图像数据的最小值为rmin,最大值为rmax。S轴代表变换后的显示数据,显示范围是0至Smax。可以看出,红外图像数据最小值rmin被映射到显示数据0,红外图像数据最大值rmax被映射到显示数据Smax,具体的变换公式可以表示为:
S=k(r-rmin)(1),
其中,。
通过公式(1)就能实现直接线性灰度变换。
然而直接线性灰度变换方法存在缺点,首先,对红外图像中的目标与背景以及噪声采用了相同的变换,在对目标灰度增强时也增强了背景以及噪声。其次,由于噪声以及杂散辐射的影响,红外图像中会出现一些零散的亮点和暗点,拉低rmin数值和增大rmax数值,导致红外图像的整体灰度级较宽,在进行灰度变换时,目标灰度不能得到有效的增强,导致图像亮度偏暗。
图2显示了本发明一个实施例中的一种红外图像增强方法的流程示意图,下面对其中的各个步骤进行详细描述。
步骤10:获取红外图像。
本发明的实施例中,首先获取一帧红外图像,该红外图像可以是实时经过红外成像***对成像目标进行红外成像获得的图像,也可以是从存储器中读取的已经预先获得的红外图像。并且,本发明的实施例中,该红外图像可以是经过了一些其他处理步骤(例如,非均匀校正、盲元补偿等等)之后的图像。
红外图像的图像数据可以是数字化的数据,均有一定的位数。本发明的实施例中,设获得的红外图像的图像数据为N位二进制数据,即红外图像的像素点数值范围为0至2N,并且该红外图像经过灰度变换后的显示灰度范围为[0,Smax],其中Smax的值可以根据实际情况选取。例如,可以取Smax=255。
步骤12:获得红外图像的直方图。
本发明的实施例中,获得了红外图像之后,在步骤12获得该红外图像的直方图。
本领域技术人员均熟知,直方图通常包括横轴和纵轴,其中横轴表示图像中的灰度值,而纵轴表示红外图像中其灰度为横轴上某个灰度值的像素点的个数(下文中称之为“像素点个数”)。并且,本文中,称直方图中横轴上的“灰度值”与红外图像中其灰度为该灰度值的“像素点个数”是“对应的”,即,当提到与某个灰度值“对应”的像素点个数时,是指红外图像中灰度为该灰度值的像素点的个数;当提到与某个像素点个数“对应”的灰度值时,是指在红外图像中该“像素点个数”个像素点的具体灰度值。
根据红外图像获得该红外图像的直方图的具体方法可以是本领域技术人员熟知的方法,在此不再赘述。
步骤14:获得有效像素点个数集合。
获得了红外图像的直方图之后,步骤14中,在直方图中搜索有效像素点个数,形成有效像素点个数集合,其中所说的有效像素点个数的对应的灰度值大于或等于红外图像的最小灰度值rmin且小于或者等于红外图像的最大灰度值rmax,并且所说的有效像素点个数本身不为零。
也就是说,搜索直方图中其对应的灰度值大于或等于红外图像的最小灰度值rmin且小于或者等于红外图像的最大灰度值rmax并且其本身不为零的“像素点个数”。这些有效像素点个数构成了有效像素点个数集合。
步骤16:获得极值像素点个数灰度集合。
获得了有效像素点个数集合后,在步骤16中,确定该有效像素点个数集合中的极值像素点个数,也就是找出该有效像素点个数集合中所有的极值像素点个数。这里,“极值像素点个数”是指该有效像素点个数集合中既大于前一个像素点个数也大于后一个像素点个数的“像素点个数”。
然后,获取这些极值像素点个数对应的灰度值,这些灰度值构成极值像素点个数灰度集合。
步骤18:获得排序灰度集合。
步骤16中获得了极值像素点个数灰度集合之后,在步骤18中,将该极值像素点个数灰度集合中的所有灰度值按照该灰度值对应的像素点个数的大小顺序排序,排序之后的极值像素点个数灰度集合为所说的排序灰度集合。
这里,对极值像素点个数灰度集合的排序方法可以使用常用的排序方法,在此不再详述。
步骤20:根据排序灰度集合确定直方图的类型。
在步骤18中获得了排序灰度集合之后,在步骤20中,根据该排序灰度集合确定前面获得的直方图的类型。
本发明的实施例中,这里所说的直方图的类型例如可以是指直方图是单峰直方图还是双峰直方图或者多峰直方图。
例如,本发明一个实施例中,可以计算排序灰度集合中的各个灰度值与该排序灰度集合中的最大值的差,如果存在与该排序灰度集合中的最大值的差大于第一阈值、并且对应的像素点个数大于第二阈值的灰度值,则直方图的类型为双峰型,否则直方图的类型为单峰型。
这里,第一阈值可以为该红外图像的最大灰度值和该红外图像的最小灰度值之差的第一预定倍数,该倍数反映距离灰度集合中最大值的距离大小,当两个极值相距很大时说明可能出现双峰直方图。因此该第一预定倍数的取值范围可以是0.6~0.75,例如,一个实施例中可以是0.6,即第一阈值为红外图像的最大灰度值和最小灰度值之差的0.6倍。
这里,第二阈值可以为排序灰度集合中的最大值对应的像素点个数的第二预定倍数。该倍数反映两个灰度值的个数的差异。当较小极值灰度值过小时,此时就不能认为直方图有双峰。因此该第二预定倍数的取值范围可以是0.3~0.4,例如,一个实施例中可以是0.35,即二阈值为排序灰度集合中的最大值对应的像素点个数的0.35倍。
步骤22:根据直方图的类型确定线性变换参数。
如前文中参数图1所述,直接对红外图像整体做统一的线性变换会存在一些缺点。因此,本发明的实施例中,不是对红外图像整体做统一的线性变换,而是对红外图像做分段线性变换。
通常,红外图像的目标灰度级只集中在整个红外图像较窄的区域。分段线性变换将目标灰度级从整个红外图像中分割出来并展宽,以提高红外图像目标灰度的对比度,而非目标灰度级则被压缩。整个过程通过压缩区间灰度层次的减少来换展开区域的灰度层次的丰富。
由于红外成像本身特点,目标景物在红外图像的灰度直方图中通常会表现为一个或者两个较大局部的波峰,所以根据波峰数目的不同,可以分成两种情况进行具体分段线性变换。
对于其直方图拥有一个波峰的红外图像,需要将波峰附近的灰度集中区域尽量展宽,而对其他区域进行适当压缩,具体分段线性变换映射关系如图3所示。可以看到,红外图像的灰度集中区域在r1至r2之间。对于r1和r2之间的灰度值,通过分段变换拉伸到较宽区域的S1至S2范围内。
当目标温度与背景温度相差较大时,这时图像的灰度直方图会呈现出两个相距较远的波峰,对于这类图像,需要将这两个波峰附近的灰度集中区域尽量展宽,压缩两个波峰之间的灰度值,具体分段线性变换映射关系可以如图4所示。可以看到,红外图像的灰度集中在r1_min至r1_max和r2_min至r2_max两个区域间。通过分段变换拉伸到较宽区域的S1_min至S1_max和S2_min至S2_max两个较宽区域之间。
通过上述的分段线性变换方法可以克服直接线性灰度变换的缺点,实现更高质量的红外图像增强。
因此,本发明的实施例中,基于步骤20中确定的直方图的类型,根据前述的排序灰度集合,确定线性变换的展开区的范围和压缩区的范围。对于具有不同的直方图的类型的红外图像,确定的展开区的范围和压缩区的范围有差别。
步骤24:用线性变换参数对红外图像进行线性变换。
确定了线性变换参数之后,即可用该线性变换参数对红外图像进行线性变换。
例如,本发明的一个实施例中,进行红外图像增强的具体步骤如下。
步骤1:读取一幅经过非均匀校正、盲元补偿处理后的红外图像I。
步骤2:统计所得红外图像I的直方图并存放在数组P[k]中,0k2N-1。其中,k代表灰度值,P[k]代表灰度为k的像素点个数。
步骤3:利用统计好的直方图P[k]生成有效像素点个数集合{F(i)|rmin irmax},生成方法是:依次遍历P[k],如果P[k]0,那么将P[k]加入集合F中。其中,k=0,1,2…2N-1;i代表灰度值;F(i)代表灰度值i的像素点个数;rmin为红外图像I中最小的灰度值;rmax为红外图像I中最大的灰度值。
步骤4:用一阶差分运算找出集合{F(i)|rmin irmax}中所有F(i)元素数值的极大值(即极值像素点个数),即满足如下条件的F(i):F(i)F(i-1)并且F(i)>F(i+1)。将所有满足条件F(i)对应的灰度值i保存在数组Max[j](即,极值像素点个数灰度集合)中(即令Max[j]=i)。其中元素Max[j]代表第j个得到的F(i)数值极大值对应的灰度值(1jLmax,Lmax代表满足条件的F(i)的极大值的总个数)。
步骤5:将数组Max中元素灰度值Max[j]按照其灰度对应的像素点个数从大到小排序。可知排序后的数组(即排序灰度集合)中Max[1]代表像素点个数最多的灰度值,Max[Lmax]代表像素点个数最少的灰度极大值。
步骤6:根据排序后数组(即排序灰度集合)Max确定直方图的类型(也就是确定分段线性变换的类型):如果是单峰型进行步骤7;如果是双峰型,进行步骤9。
步骤6中,确定直方图的类型可以按照如下方法进行。
依次计算value=Max[1]-Max[i],i=2,3…..Lmax/2。如果存在一个i,满足条件value>a(rmax-rmin)并且P(Max[i])>b×P(Max[1]),则记录Rmax=i,停止计算,直方图类型为双峰型,并且第二个峰值对应的灰度值为Rmax,否则不满足条件,直方图类型为单峰型。这里,P(Max[i])表示灰度值为Max[i]的像素点个数,例如,P(Max[1])表示灰度值为Max[1]的像素点个数。
这里,a(rmax-rmin)即为前述的第一阈值,b×P(Max[1])即为前述的第二阈值。
这里条件value>a(rmax-rmin)用于判断两个极大值相距距离是否过大,如果过大需要被看作两个峰值,这里参数a可取0.6~0.75。条件P(Max[i])>b×P(Max[1])用于判断灰度为Max[i]的极值像素点个数是否足够多以形成峰值,这里参数b可取0.3~0.4。
步骤7:由直方图单峰位置判断展开区、压缩区区间范围,确定线性变换参数r1、r2、S1、S2(参数含义参见图3)。
步骤7中,确定双峰直方图的展开区、压缩区区间范围的方法可以如下。
依次计算value=P(Max[1]-i),i=1,2,3….。如果当i的取值满足条件value<c×Max[1],则停止计算,获得此时的i值。得到灰度展开区间为[r1,r2],压缩区域为[rmin,r1]、[r2,rmax],其中r1=Max[1]-i;r2=Max[1]+i。这里条件value<c×Max[1]用来确定灰度峰值的边界,参数c的值决定灰度峰值边界的结束位置,c数值越大边界越窄,数值越小边界越宽。c的取值范围在0.05~0.1。一般可以取为0.08。
参数S1、S2代表区域[r1,r2]所期望展开到的显示区域[S1,S2],其数值大小可以根据现实需要由人工设定,一般可取S1=30~60,S2=160~200。
步骤8:将红外图像I中每个像素点灰度值r代入公式(4),求得分段线性变换后的新灰度值为S,最终得到图像增强后的红外图像,结束操作。
(4)
其中,,,,rmin、rmax分别红外图像灰度值的最小值和最大值。
步骤9:由两个直方图峰值位置判断展开区、压缩区区间范围,确定线性变换参数r1_min、r1_max、r2_min、r2_max、S1_min、S1_max、S2_min、S2_max(参数含义参见图4)。
步骤9中,确定这些线性变换参数的具体步骤可以如下。
对两个灰度峰值Max[1]和Rmax从小到大排序(这里假设得到Max[1]<Rmax)。依次计算value1=P(Max[1]-i)和value2=P(Rmax+j),i=1,2,3….,j=1,2,3….。
如果当i的取值满足条件value1<d×Max[1],则停止计算,得到第一灰度展开区间为[r1_min,r1_max],其中r1_min=Max[1]-i;r1_max=Max[1]+i;如果当j的取值满足条件value2<d×Rmax,则停止计算,得到第二灰度展开区间为[r2_min,r2_max],其中r2_min=Rmax-j;r2_max=Rmax+j。对应的压缩区间为[rmin,r1_min]、[r1_max,r2_min]和[r2_max,rmax]。这里条件value1<d×Max[1]、value2<d×Rmax用来确定灰度峰值的边界,与步骤7中参数c的意义相同,d的取值范围在0.05~0.1。在双峰灰度分布里,参数d可取0.1。
参数S1_min、S1_max、S2_min、S2_max分别代表两个拉伸区域[r1_min,r1_max]、[r2_min,r2_max]所期望展开到的显示区域[S1_min,S1_max]、[S2_min,S2_max],其数值大小可以根据现实需要由人工设定,一般可取S1_min=15~35,S1_max=95~120,S2_min=135~160,S2_max=205~230。
步骤10:将红外图像I中每个像素点灰度值r代入公式(5),求得分段线性变换后的新灰度值为S,最终得到图像增强后的红外图像,结束操作。
(5)
其中,,,,,,rmin、rmax分别红外图像灰度值的最小值和最大值。
下面具体描述本发明的几个实例。
图5为一幅160×120的红外图像的具有单峰的直方图。通过对图像进行灰度值统计,得到红外图像最小灰度值r1=1060,最大灰度值r2=1090,得到的极大值数组Max为Max={1069,1083,1085},这些图像数值对应的像素点个数分别为M={2622,35,32},然后根据M的数值将Max从大到小排序后的结果为Max={1069,1083,1085}(与排序前结果一样)。因此找到了单峰所在的图像数值为1069,然后从1069向左搜索rmin数值,最终得到rmin=1064,rmax=1074。然后使用公式(4)进行灰度变换。此处根据红外图像直方图分布可得Smin、Smax取值分别为30,160。
如图6和图7所示,图6为直接线性变换后的图像及其直方图,图7为按照本发明实施例的方法分段线性变换(或分段拉伸)后的图像及其直方图,可以看出,分段线性变换后的图像中,目标台灯有更高的对比度,同时整个图像的细节在视觉上更丰富。从图7的直方图分布可以看到采用分段拉伸处理图像的直方图分布具有更宽的主体分布。
图8为一幅160×120具有双峰红外图像的原始直方图分布,通过对图像进行灰度值统计,得到红外图像最小数值r1=1037,最大数值r2=1119,得到的极大值数组Max为Max={1048,1053,1064,1073,1077,1079,1081,1084,1092,1099,1106,1108},其图像数值对应的像素点个数分别为N={1320,998,234,29,24,22,22,25,27,69,310,313},然后根据N的数值将Max从大到小排序后的结果为Max={1048,1053,1108,1106,1064,1099,1073,1092,1084,1077,1081,1079}。通过计算得到两个峰值所在的图像数值为1048,1108,然后从较小的1048向左搜索r1_min数值,从1108向右搜索r2_max数值,最终得到r1_min=1041,r1_max=1061,r2_min=1101,r2_max=1115。然后使用公式(5)进行灰度变换。此处根据原始图像直方图分布可得S1_min、S1_max、S2_min、S2_max的取值分别为:15,120,160,220。
如图9和图10所示,图9为直接线性变换后的图像及其直方图,图10为按照本发明实施例的方法分段线性变换(或分段拉伸)后的图像及其直方图,可以看到分段拉伸后的图像中,图像左侧台灯的细节更加突出,相比直接拉伸能够看到更多细节信息。从图10的直方图分布可以看到采用分段拉伸处理图像的直方图在两个拉伸区内灰度分布得到了拉伸,在压缩区域内灰度分布进行了压缩。
本发明的实施例的方法中,对图像进行直方图统计,并对直方图进行运算得到像素点个数极值的灰度数组,利用该数组判断直方图分布属于单峰型或者双峰型。根据直方图分布的不同类型得到各自的展开区与压缩区,利用线性变换对展开区、压缩区内灰度值进行展开与压缩,最终达到图像增强的目的。该算法运算比较简单、不涉及复杂运算,同时克服了灰度直接线性变换过程中遇到的对背景及噪声进行增强以及目标灰度不能得到有效的增强,图像亮度偏暗等缺点。
以上通过具体的实施例对本发明进行了说明,但本发明并不限于这些具体的实施例。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。此外,以上多处所述的“一个实施例”表示不同的实施例,当然也可以将其全部或部分结合在一个实施例中。
Claims (6)
1.一种红外图像增强方法,其特征在于,包括:
获取红外图像;
获得所述红外图像的直方图;
在所述直方图中搜索有效像素点个数,形成有效像素点个数集合,其中所述有效像素点个数的对应的灰度值大于或等于所述红外图像的最小灰度值且小于或者等于所述红外图像的最大灰度值,并且所述有效像素点个数不为零;
确定所述有效像素点个数集合中的极值像素点个数,并获取所述极值像素点个数对应的灰度值,获得极值像素点个数灰度集合,其中所述极值像素点个数为所述有效像素点个数集合中既大于前一个像素点个数也大于后一个像素点个数的像素点个数;
将所述极值像素点个数灰度集合按照对应的像素点个数的大小排序,获得排序灰度集合;
根据所述排序灰度集合确定所述直方图的类型;
根据所述直方图的类型,确定线性变换参数;
用所述线性变换参数对所述红外图像进行分段线性变换;
其中,所述根据所述排序灰度集合确定所述直方图的类型的步骤包括:当所述排序灰度集合中存在与所述排序灰度集合中的最大值的差大于第一阈值、并且对应的像素点个数大于第二阈值的灰度值时,所述直方图的类型为双峰型,否则所述直方图的类型为单峰型。
2.如权利要求1所述的方法,其特征在于:所述第一阈值为所述红外图像的最大灰度值和所述红外图像的最小灰度值之差的第一预定倍数。
3.如权利要求2所述的方法,其特征在于:所述第一预定倍数为0.6至0.75。
4.如权利要求1所述的方法,其特征在于:所述第二阈值为所述排序灰度集合中的最大值对应的像素点个数的第二预定倍数。
5.如权利要求4所述的方法,其特征在于:所述第二预定倍数为0.3至0.4。
6.如权利要求1所述的方法,其特征在于:所述根据所述直方图的类型确定线性变换参数的步骤包括:基于所述直方图的类型,根据所述排序灰度集合确定线性变换的展开区的范围和压缩区的范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310436183.7A CN103530847B (zh) | 2013-09-24 | 2013-09-24 | 一种红外图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310436183.7A CN103530847B (zh) | 2013-09-24 | 2013-09-24 | 一种红外图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530847A CN103530847A (zh) | 2014-01-22 |
CN103530847B true CN103530847B (zh) | 2016-06-22 |
Family
ID=49932831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310436183.7A Active CN103530847B (zh) | 2013-09-24 | 2013-09-24 | 一种红外图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530847B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354814A (zh) * | 2015-08-17 | 2016-02-24 | 电子科技大学 | 一种分割红外图像的方法 |
CN105488774A (zh) * | 2015-12-05 | 2016-04-13 | 中国航空工业集团公司洛阳电光设备研究所 | 一种用于图像显示的灰度变换方法及装置 |
CN106384351A (zh) * | 2016-08-25 | 2017-02-08 | 成都市晶林科技有限公司 | 基于红外图像直方图的红外图像背景识别方法 |
CN106803238B (zh) * | 2016-12-26 | 2021-10-26 | 杭州施强教育科技有限公司 | 一种答题卡图像降噪处理方法 |
CN106780409A (zh) * | 2016-12-27 | 2017-05-31 | 深圳前海茂佳软件科技有限公司 | 彩色数字图像亮度增强方法及*** |
CN108305234B (zh) * | 2018-01-17 | 2021-08-03 | 华侨大学 | 一种基于最优化模型的双直方图均衡方法 |
CN108230412B (zh) * | 2018-01-19 | 2022-02-18 | 浙江大华技术股份有限公司 | 一种红外图像压缩方法及装置 |
CN108805829B (zh) * | 2018-05-25 | 2021-01-01 | 浙江科澜信息技术有限公司 | 影像数据处理方法、装置、设备及计算机可读存储介质 |
CN109740445B (zh) * | 2018-12-13 | 2023-05-23 | 天津津航技术物理研究所 | 一种变尺寸的红外弱小目标检测方法 |
CN109544483B (zh) * | 2018-12-26 | 2021-09-24 | 深圳朗田亩半导体科技有限公司 | 视频图像亮度、对比度增强方法及装置 |
CN109767402A (zh) * | 2019-01-17 | 2019-05-17 | 中科威晟(天津)光电科技有限公司 | 一种基于直方图统计的非制冷红外热像自适应映射方法 |
CN109961409B (zh) * | 2019-02-26 | 2024-02-27 | 平安科技(深圳)有限公司 | 一种线性增强图像对比度的方法及装置 |
CN109949378B (zh) * | 2019-03-26 | 2021-06-08 | 中国科学院软件研究所 | 图像灰度值排序方法、装置、电子设备及计算机可读介质 |
CN109993691B (zh) * | 2019-04-02 | 2022-11-11 | 济南大学 | 基于分段式线性转换的非均匀图像转换方法及*** |
CN110838091B (zh) * | 2019-10-25 | 2022-06-17 | 北京中电慧视科技有限公司 | 完全自适应的红外图像对比度增强方法及*** |
CN112907477B (zh) * | 2021-03-02 | 2024-05-14 | 中国电子科技集团公司第三研究所 | 保持红外图像目标及背景不压制的自适应映射算法及装置 |
CN114897695B (zh) * | 2022-05-12 | 2024-06-14 | 南京智谱科技有限公司 | 图像处理方法及装置、计算设备和计算机可读存储介质 |
CN114627029B (zh) * | 2022-05-12 | 2022-08-02 | 南京智谱科技有限公司 | 图像处理方法及装置、计算设备和计算机可读存储介质 |
CN116823677B (zh) * | 2023-08-28 | 2023-11-10 | 创新奇智(南京)科技有限公司 | 一种图像增强的方法、装置、存储介质及电子设备 |
CN117952859B (zh) * | 2024-03-27 | 2024-06-07 | 吉林大学 | 一种基于热成像技术的压力性损伤图像优化方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1996384A (zh) * | 2006-12-25 | 2007-07-11 | 华中科技大学 | 红外图像多级均值对比度增强方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8749635B2 (en) * | 2009-06-03 | 2014-06-10 | Flir Systems, Inc. | Infrared camera systems and methods for dual sensor applications |
-
2013
- 2013-09-24 CN CN201310436183.7A patent/CN103530847B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1996384A (zh) * | 2006-12-25 | 2007-07-11 | 华中科技大学 | 红外图像多级均值对比度增强方法 |
Non-Patent Citations (1)
Title |
---|
自适应红外目标特征增强算法;郭佳等;《应用光学》;20090331;第30卷(第2期);357-360 * |
Also Published As
Publication number | Publication date |
---|---|
CN103530847A (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103530847B (zh) | 一种红外图像增强方法 | |
Wu et al. | A novel reversible data hiding method with image contrast enhancement | |
Lai et al. | A quantitative measure based infrared image enhancement algorithm using plateau histogram | |
CN108074239B (zh) | 一种基于先验感知质量特征图的无参考图像质量客观评价方法 | |
CN107330885B (zh) | 一种保持重要内容区域宽高比的多算子图像重定向方法 | |
CN107292830B (zh) | 低照度图像增强及评价方法 | |
CN111292264A (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
CN105654438A (zh) | 基于局部直方图均衡的灰度图像拟合增强方法 | |
CN102625030B (zh) | 视频增强方法和*** | |
CN103400342A (zh) | 基于混合色阶映射及压缩系数的高动态范围图像重构方法 | |
CN103716503A (zh) | 图像处理装置和投影仪 | |
US8144996B1 (en) | Image processing apparatus | |
CN108664839B (zh) | 一种图像处理方法和设备 | |
CN113096029A (zh) | 基于多分支编解码器神经网络的高动态范围图像生成方法 | |
CN107392879B (zh) | 一种基于参考帧的低照度监控图像增强方法 | |
CN111242878A (zh) | 基于布谷鸟搜索的矿井下图像增强方法 | |
Fang et al. | Image quality assessment on image haze removal | |
Feng et al. | Low-light image enhancement algorithm based on an atmospheric physical model | |
CN116843584B (zh) | 一种图像数据优化增强方法 | |
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 | |
Ponomarenko et al. | Sharpness metric for no-reference image visual quality assessment | |
CN116452447A (zh) | 一种低照度高清图像处理方法 | |
WO2011086594A1 (ja) | 画像処理装置、及びその方法 | |
Pal et al. | Visibility enhancement of fog degraded images using adaptive defogging function | |
Kocdemir et al. | TMO-Det: Deep tone-mapping optimized with and for object detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |