CN109147005B - 一种用于红外图像的自适应染色方法、***、存储介质、终端 - Google Patents
一种用于红外图像的自适应染色方法、***、存储介质、终端 Download PDFInfo
- Publication number
- CN109147005B CN109147005B CN201810975358.4A CN201810975358A CN109147005B CN 109147005 B CN109147005 B CN 109147005B CN 201810975358 A CN201810975358 A CN 201810975358A CN 109147005 B CN109147005 B CN 109147005B
- Authority
- CN
- China
- Prior art keywords
- clustering
- color
- infrared
- adaptive
- value
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000004043 dyeing Methods 0.000 title abstract description 27
- 238000003064 k means clustering Methods 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 238000010186 staining Methods 0.000 claims description 8
- 238000007447 staining method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000003331 infrared imaging Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
- G06T5/75—Unsharp masking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种用于红外图像的自适应染色方法、***、存储介质、终端,方法包括:灰度直方图统计:计算出红外图像每一个灰度值的像素点个数占总像素点的比例;条件判断与选择:判断在高于X%的灰度阶数量上分布的像素点数是否占整张红外图片总像素点数的Y%以下,如果是则进入K‑means聚类;彩虹码伪彩色离散变换:将K‑means聚类或Mean‑Shift聚类完成的聚类数作为离散的颜色划分区间段即将红到蓝的彩虹色分为若干个区间,并取每个区间的中心色,进行伪彩色映射。本发明对于不同质量的图像采取不同的聚类方法,并采用区间自适应的彩虹码伪彩色变换,对于需要明显区分层次的低热对比度的红外图片有很好的效果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种用于红外图像的自适应染色方法、***、存储介质、终端。
背景技术
红外成像技术作为人们观察和感知客观世界的一种新技术,其图像具有环境适应性好,隐蔽性好,伪装目标辨识度高的特点。此外,红外图像具有温度表征特性,经过一定的染色变换,就能感受到目标的温度分布信息。但是受限于红外探测器的制作工艺难度和材料纯度影响,红外图像普遍存在分辨率低,噪声大,图像对比度低,灰度范围窄的现象,由此造成背景与被监测目标之间对比度模糊,被监测目标细节难以辨认,图像特征信息不明确,使得对图像中目标和场景的识别和分析存在一定的难度。
红外图像探测器输出的原始红外图像是灰度图。由于红外图像本身的缺陷以及人眼视觉的特点,如果直接观察原始红外图像,获得的观感是比较差的。在实际应用中,往往要把红外图像进行非均匀校正和图像增强的预处理,然后进行染色处理,最终输出用于观察的彩色红外图像。
红外图像的染色,又称为伪彩色变换或者伪彩色增强。目前常用的染色方法有灰度分割法、灰度级-彩色变换法以及滤波法等,其实质是把8位的灰度图像转换成24位的伪彩色图像。在变换过程中,需要选取一个映射函数,生成一个映射表。该函数可以是线性的,也可以是非线性的,用来完成一对三的映射。根据红外成像的特点,通常在做映射时,灰度值越大的点越接近红色,灰度值越小的点越接近蓝色,符合人眼对高温与低温物体的颜色感受。按照常用染色算法往往只考虑了某一个场景下的情况,映射函数是不变的,对于其他不同情形的红外图像不能够自我调整,没有自适应性。特别在一些条件较差的场景下生成的红外图像,染色算法应该能够进行一些判断,并且选择不同的染色变换,才能生成人眼观感较好的红外图像。
发明内容
本发明的目的在于克服现有技术的不足,提供一种用于红外图像的自适应染色方法、***、存储介质、终端,特别适用于低热对比度原始红外图像的染色,解决现有技术对得到的不同的红外图像进行相同方式处理、无法得到人眼观感较好的红外图像的问题。
本发明的目的是通过以下技术方案来实现的:一种用于红外图像的自适应染色方法,包括以下步骤:
灰度直方图统计:计算出红外图像每一个灰度值的像素点个数占总像素点的比例;
条件判断与选择:判断在高于X%的灰度阶数量上分布的像素点数是否占整张红外图片总像素点数的Y%以下,如果是则进入K-means聚类,否则进入Mean-Shift聚类;
K-means聚类:手动指定聚类的数目即K值后进行聚类;
Mean-Shift聚类:自动进行聚类;
彩虹码伪彩色离散变换:将K-means聚类或Mean-Shift聚类完成的聚类数作为离散的颜色划分区间段即将红到蓝的彩虹色分为若干个区间,并取每个区间的中心色,进行从高灰度值到低灰度值的伪彩色映射。
进一步地,所述的方法还包括在所述灰度直方图统计之前的:
图像增强预处理:通过直方图均衡处理增强原始红外图像的对比度,改善红外图像的暗部细节;再通过非锐化掩膜处理增强红外图像中的边缘部分,提升图像的信息量。
进一步地,所述的图像增强预处理还包括在非锐化掩膜处理之后的:
在图像质量过差的时候进行Retinex算法,使得红外图像在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡。
进一步地,所述的条件判断与选择中X与Y值的取值,为基于对大量的质量较高/观感较好的红外图片、以及质量低/观感差的的红外图片进行灰度直方图统计分析得出的划分结论。
进一步地,所述的K-means聚类在手动指定聚类的数目后进行手动反馈不断调整K值。
进一步地,K值的初始值区间为8~12,手动调整的K值上限为20、下限为7。
进一步地,彩虹码伪彩色离散变换在RGB三个通道上分别进行,所述的变换关系如下:
式中,n为聚类完成的聚类数,即所述颜色划分区间段数;x是具体的颜色编号,代表第x个颜色,其中x的取值是离散的,只能取0,1,2...n-1,所以x的取值区间为[0,n)。
本发明还提供一种用于红外图像的自适应染色***,包括:
灰度直方图统计模块:用于计算出红外图像每一个灰度值的像素点个数占总像素点的比例;
条件判断与选择模块:用于判断在高于X%的灰度阶数量上分布的像素点数是否占整张红外图片总像素点数的Y%以下,如果是则进入K-means聚类,否则进入Mean-Shift聚类;
K-means聚类模块:用于手动指定聚类的数目即K值后进行聚类;
Mean-Shift聚类模块:用于自动进行聚类;
彩虹码伪彩色离散变换模块:用于将K-means聚类或Mean-Shift聚类完成的聚类数作为离散的颜色划分区间段即将红到蓝的彩虹色分为若干个区间,并用于取每个区间的中心色进行从高灰度值到低灰度值的伪彩色映射。
本发明还提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的一种用于红外图像的自适应染色方法的步骤。
本发明还提供一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的一种用于红外图像的自适应染色方法的步骤。
本发明的有益效果是:
本发明的一种用于红外图像的自适应染色方法能够快速对原始红外图像进行染色,获得较好的视觉观感,不仅具有一般染色算法的优点,还具有以下特点:
(1)本发明利用直方图统计分析结果判断此图像的成像质量;并且对于不同质量的图像,采取不同的聚类方法,以期达到较好的聚类效果;另外采用区间自适应的彩虹码伪彩色变换,映射后的颜色变化是不连续的,对于需要明显区分层次的低热对比度的红外图片有很好的效果。
(2)对于本发明的优选方案,对原始红外图像进行了图像增强,使得后期图像的处理更加准确。
附图说明
图1为本发明实施例1的流程示意图;
图2为本发明实施例2的流程示意图。
具体实施方式
下面结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种用于红外图像的自适应染色方法,该方法应用于对红外成像图像进行染色的情况,并且尤其适用于低热对比度原始红外图像的染色。
具体地,如图1所示,所述的方法包括以下步骤:
S1:灰度直方图统计:计算出红外图像每一个灰度值的像素点个数占总像素点的比例;
其中,由于红外图片的灰度分布直方图可以直接反映该图片的对比度高低和动态范围的大小,因此,计算出每一个灰度值的像素点个数占总像素点的比例可以为进行条件判断做好准备。
S2:条件判断与选择:判断在高于X%的灰度阶数量上分布的像素点数是否占整张红外图片总像素点数的Y%以下,如果是则进入K-means聚类,否则进入Mean-Shift聚类;
具体地,在本实施例中,条件判断的具体取值为:
是否在高于80%的灰度阶数量上分布的像素点数占整张红外图片总像素点数的20%以下。
其中,条件判断的结果在很大程度上代表了这张红外图像的图片质量:
若满足条件,表明这张图片的对比度很低、目标与背景的差别不大,在染色后没有区分度的可能性较大,即认为此红外图像质量极差,所以在之后选用了K-means聚类对不同灰度值点进行聚类;
若不满足条件,表明这张图片对比度相对好,可以通过不需要过多人工干预的Mean-Shift聚类算法较好的区分出各个灰度区间,进行染色后即可以有较好的观感。
另外,在本实施例中,所述的条件判断与选择中X与Y值的取值,为基于对大量的质量较高/观感较好的红外图片、以及质量低/观感差的的红外图片进行灰度直方图统计分析得出的划分结论。
S3-1:K-means聚类:手动指定聚类的数目即K值后进行聚类。
并在本实施例中,所述的K-means聚类在手动指定聚类的数目后进行手动反馈不断调整K值。
其中,在红外图片质量差的时候采用此聚类算法,直接利用人眼反馈进行调整,以达到相对好的观感。
另外,在本实施例中,所述的K值的初始值区间为8~12,手动调整的K值上限为20、下限为7。
S3-2:Mean-Shift聚类:自动进行聚类。
Mean-Shift聚类无需人工干预,即可实现自动聚类,并且对于质量好的红外图片,在之后的染色后具有较好的观感。
Mean-Shift聚类的聚类数为n。
S4:彩虹码伪彩色离散变换:将K-means聚类或Mean-Shift聚类完成的聚类数作为离散的颜色划分区间段即将红到蓝的彩虹色分为若干个区间,并取每个区间的中心色,进行从高灰度值到低灰度值的伪彩色映射。
具体地,本实施例的伪彩色变换方法的基本思想是将原本连续的彩虹码伪彩色编码离散化,并且加入了动态的离散化划分区间。划分区间段数就是聚类数,它随聚类的数目而变化,每个类只对应一个彩虹色,原始红外图像从高灰度值(即高温度)点到低灰度值(即低温度)点依次对应红到蓝中的某一个色阶。
另外,优选地,彩虹码伪彩色离散变换在RGB三个通道上分别进行,所述的变换关系如下:
式中,n为聚类完成的聚类数,即所述颜色划分区间段数;x是具体的颜色编号,代表第x个颜色,其中x的取值是离散的,只能取0,1,2...n-1,所以x的取值区间为[0,n)。
另外,若最后计算的RGB值出现浮点数时,向下取整。
当聚类数目n(也就是k)确定时,带入关系式,就能够把颜色的RGB值从第0个开始逐个确定。
在聚类数目n变化时,相应的颜色区间划分就会改变,颜色的RGB值也就相应的变化,这是此伪彩色变换法自适应性的体现。
实施例2
本实施例提供一种用于红外图像的自适应染色方法,与实施例1类似地,该方法应用于对红外成像图像进行染色的情况,并且尤其适用于低热对比度原始红外图像的染色。
其中,如图2所示,本实施例与实施例1的方法包括以下相同的步骤:
灰度直方图统计:计算出红外图像每一个灰度值的像素点个数占总像素点的比例;
条件判断与选择:判断在高于X%的灰度阶数量上分布的像素点数是否占整张红外图片总像素点数的Y%以下,如果是则进入K-means聚类,否则进入Mean-Shift聚类;
K-means聚类:手动指定聚类的数目即K值后进行聚类;
Mean-Shift聚类:自动进行聚类;
彩虹码伪彩色离散变换:将K-means聚类或Mean-Shift聚类完成的聚类数作为离散的颜色划分区间段即将红到蓝的彩虹色分为若干个区间,并取每个区间的中心色,进行从高灰度值到低灰度值的伪彩色映射
而本实施例与实施例1所不同的,本实施例中所述的方法还包括在所述灰度直方图统计之前的:
S0:图像增强预处理:
S01:通过直方图均衡处理(HE)增强原始红外图像的对比度,改善红外图像的暗部细节;
S02:再通过非锐化掩膜处理(UM)增强红外图像中的边缘部分,提升图像的信息量。
该两个步骤对输入的红外图像进行图像质量的提升。
另外,在本实施例中,基于上述内容的实现,所述的图像增强预处理还包括在非锐化掩膜处理之后的:
在图像质量过差的时候进行Retinex算法,使得红外图像在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡。
Retinex算法为在图像质量过差的时候可以选择的处理算法,该算法模拟人眼视觉获得图像过程。
实施例3
本实施例提供一种用于红外图像的自适应染色***,该发明构思与实施例1类似。具体地,本***包括:
灰度直方图统计模块:用于计算出红外图像每一个灰度值的像素点个数占总像素点的比例;
条件判断与选择模块:用于判断在高于X%的灰度阶数量上分布的像素点数是否占整张红外图片总像素点数的Y%以下,如果是则进入K-means聚类,否则进入Mean-Shift聚类;
K-means聚类模块:用于手动指定聚类的数目即K值后进行聚类;
Mean-Shift聚类模块:用于自动进行聚类;
彩虹码伪彩色离散变换模块:用于将K-means聚类或Mean-Shift聚类完成的聚类数作为离散的颜色划分区间段数;其中,所述的划分区间段数随聚类的数目而变化,并且每个类只对应一个彩虹色;并用于根据变换关系,将原始红外图像从高灰度值点即高温度点到低灰度值点即低温度点依次对应红到蓝中的某一个色阶。
实施例4
基于实施例1或实施例2的实现,本实施例还提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行实施例1或实施例2中所述的一种用于红外图像的自适应染色方法的步骤。
基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例5
基于实施例1或实施例2的实现,本实施例还提供一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行实例1或实施例2中所述的一种用于红外图像的自适应染色方法的步骤。
在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在本发明所提供的所有实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元/模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或模块可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种用于红外图像的自适应染色方法,其特征在于:包括以下步骤:
灰度直方图统计:计算出红外图像每一个灰度值的像素点个数占总像素点的比例;
条件判断与选择:判断在高于X%的灰度阶数量上分布的像素点数是否占整张红外图片总像素点数的Y%以下,如果是则进入K-means聚类,否则进入Mean-Shift聚类;
K-means聚类:手动指定聚类的数目即K值后进行聚类;
Mean-Shift聚类:自动进行聚类;
彩虹码伪彩色离散变换:将K-means聚类或Mean-Shift聚类完成的聚类数作为离散的颜色划分区间段即将红到蓝的彩虹色分为若干个区间,并取每个区间的中心色,进行从高灰度值到低灰度值的伪彩色映射;
彩虹码伪彩色离散变换在RGB三个通道上分别进行,变换关系如下:
式中,n为聚类完成的聚类数,即所述颜色划分区间段数;x是具体的颜色编号,代表第x个颜色,其中x的取值是离散的,只能取0,1,2...n-1,所以x的取值区间为[0,n)。
2.根据权利要求1所述的一种用于红外图像的自适应染色方法,其特征在于:所述的方法还包括在所述灰度直方图统计之前的:
图像增强预处理:通过直方图均衡处理增强原始红外图像的对比度,改善红外图像的暗部细节;再通过非锐化掩膜处理增强红外图像中的边缘部分,提升图像的信息量。
3.根据权利要求2所述的一种用于红外图像的自适应染色方法,其特征在于:所述的图像增强预处理还包括在非锐化掩膜处理之后的:
在图像质量过差的时候进行Retinex算法,使得红外图像在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡。
4.根据权利要求1所述的一种用于红外图像的自适应染色方法,其特征在于:所述的条件判断与选择中X与Y值的取值,为基于对大量的质量较高/观感较好的红外图片、以及质量低/观感差的红外图片进行灰度直方图统计分析得出的划分结论。
5.根据权利要求1所述的一种用于红外图像的自适应染色方法,其特征在于:所述的K-means聚类在手动指定聚类的数目后进行手动反馈不断调整K值。
6.根据权利要求5所述的一种用于红外图像的自适应染色方法,其特征在于:K值的初始值区间为8~12,手动调整的K值上限为20、下限为7。
7.一种用于红外图像的自适应染色***,其特征在于:包括:
灰度直方图统计模块:用于计算出红外图像每一个灰度值的像素点个数占总像素点的比例;
条件判断与选择模块:用于判断在高于X%的灰度阶数量上分布的像素点数是否占整张红外图片总像素点数的Y%以下,如果是则进入K-means聚类,否则进入Mean-Shift聚类;
K-means聚类模块:用于手动指定聚类的数目即K值后进行聚类;
Mean-Shift聚类模块:用于自动进行聚类;
彩虹码伪彩色离散变换模块:用于将K-means聚类或Mean-Shift聚类完成的聚类数作为离散的颜色划分区间段即将红到蓝的彩虹色分为若干个区间,并用于取每个区间的中心色进行从高灰度值到低灰度值的伪彩色映射;
彩虹码伪彩色离散变换在RGB三个通道上分别进行,变换关系如下:
式中,n为聚类完成的聚类数,即所述颜色划分区间段数;x是具体的颜色编号,代表第x个颜色,其中x的取值是离散的,只能取0,1,2...n-1,所以x的取值区间为[0,n)。
8.一种存储介质,其上存储有计算机指令,其特征在于:所述计算机指令运行时使得计算机执行权利要求1至6中任一项所述的一种用于红外图像的自适应染色方法的步骤。
9.一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1至6中任一项所述的一种用于红外图像的自适应染色方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810975358.4A CN109147005B (zh) | 2018-08-24 | 2018-08-24 | 一种用于红外图像的自适应染色方法、***、存储介质、终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810975358.4A CN109147005B (zh) | 2018-08-24 | 2018-08-24 | 一种用于红外图像的自适应染色方法、***、存储介质、终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109147005A CN109147005A (zh) | 2019-01-04 |
CN109147005B true CN109147005B (zh) | 2023-02-28 |
Family
ID=64828001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810975358.4A Active CN109147005B (zh) | 2018-08-24 | 2018-08-24 | 一种用于红外图像的自适应染色方法、***、存储介质、终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109147005B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110392162B (zh) * | 2019-04-24 | 2020-03-10 | 桑尼环保(江苏)有限公司 | 基于信号分析的环境监测平台 |
CN110572626B (zh) * | 2019-09-03 | 2021-05-28 | 云南白药集团健康产品有限公司 | 一种图像处理方法及设备 |
CN111882518B (zh) * | 2020-06-09 | 2023-12-19 | 中海石油(中国)有限公司 | 一种漏磁数据自适应伪彩色化方法 |
CN112233024B (zh) * | 2020-09-27 | 2023-11-03 | 昆明物理研究所 | 基于差异特征色彩映射的中长波双波段红外图像融合方法 |
CN112686885B (zh) * | 2021-01-13 | 2024-06-11 | 北京农业信息技术研究中心 | 一种水果表皮缺陷检测方法及*** |
CN113223098B (zh) * | 2021-06-07 | 2023-04-07 | 江南大学 | 图像颜色分类的预处理优化方法 |
CN113763361A (zh) * | 2021-08-26 | 2021-12-07 | 北京龙知远科技发展有限公司 | 一种提高人眼辨识度的红外图像处理方法、装置及存储介质 |
CN114241040A (zh) * | 2021-12-17 | 2022-03-25 | 福建省海峡智汇科技有限公司 | 一种变电站刀闸状态和合闸不到位的检测方法及其*** |
CN114331928B (zh) * | 2022-03-14 | 2022-08-09 | 合肥金星智控科技股份有限公司 | 一种高温红外图像可视化增强方法、装置及设备 |
CN116662588B (zh) * | 2023-08-01 | 2023-10-10 | 山东省大数据中心 | 一种海量数据智能搜索方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013103184A1 (ko) * | 2012-01-03 | 2013-07-11 | 중앙대학교 산학협력단 | 색상 채널을 이용한 영상 개선 장치 및 방법 |
CN104766321A (zh) * | 2015-04-03 | 2015-07-08 | 北京航空航天大学 | 一种利用环形最短路径的红外行人图像精确分割方法 |
WO2015157058A1 (en) * | 2014-04-07 | 2015-10-15 | Bae Systems Information & Electronic Systems Integration Inc. | Contrast based image fusion |
CN105303561A (zh) * | 2015-09-22 | 2016-02-03 | 成都融创智谷科技有限公司 | 一种图像预处理的灰度空间划分方法 |
CN105976342A (zh) * | 2015-09-01 | 2016-09-28 | 南京理工大学 | 一种自适应的灰度图像伪彩色处理方法 |
CN106096561A (zh) * | 2016-06-16 | 2016-11-09 | 重庆邮电大学 | 基于图像块深度学习特征的红外行人检测方法 |
CN107092890A (zh) * | 2017-04-24 | 2017-08-25 | 山东工商学院 | 基于红外视频的舰船检测及跟踪方法 |
CN107871302A (zh) * | 2016-09-23 | 2018-04-03 | 电子科技大学 | 一种基于yuv颜色空间的红外图像伪彩色处理方法 |
-
2018
- 2018-08-24 CN CN201810975358.4A patent/CN109147005B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013103184A1 (ko) * | 2012-01-03 | 2013-07-11 | 중앙대학교 산학협력단 | 색상 채널을 이용한 영상 개선 장치 및 방법 |
WO2015157058A1 (en) * | 2014-04-07 | 2015-10-15 | Bae Systems Information & Electronic Systems Integration Inc. | Contrast based image fusion |
CN104766321A (zh) * | 2015-04-03 | 2015-07-08 | 北京航空航天大学 | 一种利用环形最短路径的红外行人图像精确分割方法 |
CN105976342A (zh) * | 2015-09-01 | 2016-09-28 | 南京理工大学 | 一种自适应的灰度图像伪彩色处理方法 |
CN105303561A (zh) * | 2015-09-22 | 2016-02-03 | 成都融创智谷科技有限公司 | 一种图像预处理的灰度空间划分方法 |
CN106096561A (zh) * | 2016-06-16 | 2016-11-09 | 重庆邮电大学 | 基于图像块深度学习特征的红外行人检测方法 |
CN107871302A (zh) * | 2016-09-23 | 2018-04-03 | 电子科技大学 | 一种基于yuv颜色空间的红外图像伪彩色处理方法 |
CN107092890A (zh) * | 2017-04-24 | 2017-08-25 | 山东工商学院 | 基于红外视频的舰船检测及跟踪方法 |
Non-Patent Citations (3)
Title |
---|
An effective method for human detection using far-infrared images;D. Wu et al.;《2017 First International Conference on Electronics Instrumentation & Information Systems (EIIS)》;20180222;第1-4页 * |
基于分段均衡的红外热图像伪彩色编码;白艳涛等;《激光与红外》;20170831;第47卷(第08期);第1051-1056页 * |
基于智能监控***的图像分割技术研究;杨洋;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑(月刊),2016年第09期》;20160915;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109147005A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109147005B (zh) | 一种用于红外图像的自适应染色方法、***、存储介质、终端 | |
CN107798661B (zh) | 一种自适应的图像增强方法 | |
US20200396434A1 (en) | Image White Balance Processing System and Method | |
CN105915909B (zh) | 一种高动态范围图像分层压缩方法 | |
CN102663741B (zh) | 对彩色数字图像进行视觉立体感知增强的方法及*** | |
CN108230407B (zh) | 一种图像的处理方法和装置 | |
KR20070090224A (ko) | 전자 색 이미지 채도 처리 방법 | |
JP2021531571A (ja) | 証明書画像抽出方法及び端末機器 | |
CN115115554B (zh) | 基于增强图像的图像处理方法、装置和计算机设备 | |
CN111899182A (zh) | 颜色增强方法及装置 | |
CN110852956A (zh) | 一种高动态范围图像的增强方法 | |
CN110706196B (zh) | 基于聚类感知的无参考色调映射图像质量评价算法 | |
CN115578297A (zh) | 一种自适应色彩补偿与细节优化的广义衰减图像增强方法 | |
CN117746806B (zh) | mini LED背光模组的驱动方法、装置、设备及存储介质 | |
CN111369478B (zh) | 人脸图像增强方法、装置、计算机设备和存储介质 | |
Meylan | Tone mapping for high dynamic range images | |
CN112218006B (zh) | 一种多媒体数据处理方法、装置、电子设备及存储介质 | |
CN114037641A (zh) | 一种低照度图像增强方法、装置、设备及介质 | |
CN110298812B (zh) | 一种图像融合处理的方法及装置 | |
CN111080754B (zh) | 一种头部肢体特征点连线的人物动画制作方法及装置 | |
Hsu et al. | A novel automatic white balance method for color constancy under different color temperatures | |
CN116109511A (zh) | 红外图像边缘增强的方法和*** | |
CN115937029A (zh) | 一种水下图像增强方法 | |
CN115345788A (zh) | 提高色觉异常者视觉下图像颜色对比度的方法与装置 | |
CN113989137A (zh) | 一种脸部肌肤图像色素沉着提取并形成棕区光谱的方法 |
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 |