CN111047521B - 一种基于图像熵的红外图像非均匀性参数化校正优选方法 - Google Patents
一种基于图像熵的红外图像非均匀性参数化校正优选方法 Download PDFInfo
- Publication number
- CN111047521B CN111047521B CN201911065298.3A CN201911065298A CN111047521B CN 111047521 B CN111047521 B CN 111047521B CN 201911065298 A CN201911065298 A CN 201911065298A CN 111047521 B CN111047521 B CN 111047521B
- Authority
- CN
- China
- Prior art keywords
- image
- column
- value
- entropy
- calculating
- 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 67
- 238000012937 correction Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000007547 defect Effects 0.000 abstract description 2
- 238000013441 quality evaluation Methods 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于图像熵的红外非均匀性参数化校正优选方法。具体实施步骤如下：1)计算原始图像奇像元图像和偶像元图像的熵，选择熵值大者作为基准图像；2)对基准图像做基于图像熵的非均匀性参数化校正优选处理,得到校正后的基准图像，3)基于校正后的基准图像作基于线性逼近的非均匀性校正,最后得到原始图像校正之后的结果图像。本发明弥补了传统红外图像非均匀性校正方法的不足，提供了一种更有效的基于图像熵质量评价标准的非均匀性校正方法。本发明能够有效去除红外图像中的非均匀性条带噪声，最大限度地保持图像原信息，获得高质量的红外校正图像。
Description
技术领域
本发明涉及到红外图像处理领域，具体涉及一种基于图像熵的红外图像非均匀性参数校正优选方法。
背景技术
由于受制作工艺和材料的影响，红外探测器每个像元的响应传递函数各不一样，导致获得的红外图像中存在条带噪声，被称之为不均匀性噪声。这种噪声严重降低了图像质量，极大地阻碍了红外成像在医疗、监控、农林业等领域的广泛应用，因此在开展红外遥感应用时，必须进行非均匀性校正以提高红外图像的质量。
红外图像的非均匀性校正方法主要有两类：基于标定的方法和基于场景的方法。基于标定的方法需要有标准的辐射源，例如黑体，在实际应用中这种方法局限性比较大。基于场景的方法根据场景中图像的特征来提取参数来实现非均匀性校正，具有更好的适用性而被广泛使用。基于场景的校正方法一般都采用校正后的图像粗糙度作为评价指标，容易导致校正后图像过分平滑而丢失了图像蕴含的原始信息。
图像熵表示图像中灰度分布聚集特征所包含的信息量，反映了一个图像的清晰度，是评价图像的一个常用量化标准。
发明内容
本发明的技术解决问题是：克服现有技术的不足，提供了一种图像信息量大、清晰度高的基于图像熵的红外图像非均匀性参数化校正优选方法。
本发明的技术解决方案是：一种基于图像熵的红外图像非均匀性参数化校正优选方法，包括以下步骤:
(1)计算输入图像X的奇像元图像和偶像元图像的图像熵，选择熵值大的图像作为基准图像B，基准图像B维数为m行n1列，记录基准图像B的熵值e，另一个图像记为图像C，图像C维数为m行n2列；其中，m和n1，n2均为正整数；
(2)对基准图像B做基于图像熵的非均匀性参数化校正优选处理，得到校正后的基准图像，具体包括以下步骤：
(21)初始化k＝1；
(22)将基准图像B赋值给过程图像P，初始化i＝1；
(23)计算过程图像P中第i+1列与第i列的对应像元灰度值差，得到m维的列差向量V，并对列差向量V各元素的绝对值进行由小到大排序，得到排序后的绝对值向量U；
(24)计算得到列差向量V中绝对值小于U(k)的所有元素的索引数组Q，索引数组Q为q元数组，按下式计算更新参数：
P(j,i+1)＝aP(j,i+1)+b，j＝1,2,3,...,m；
U(k)为绝对值向量U中的第k个元素；
r1、r2、r3、r4分别为中间量；
P(x,y)为过程图像P中第x行、第y列的值；
a、b分别为校正系数；Q(j)为索引数组Q中第j个元素；
(25)如果i＜＝n-1,则更新i＝i+1，返回步骤(23)，否则进入步骤(26)；
(26)计算当前过程图像P的熵值t，如果熵值t大于熵值e，则将熵值e更新为熵值t，并更新当前结果图R为过程图像P；
(27)如果则更新k＝k+1，返回步骤(22)；否则，进入步骤(28)；
(28)将基准图像B更新为结果图R；
(3)另一个图像C向基准图像B作基于线性逼近的非均匀性校正，最后得到校正之后的结果，具体步骤如下：
(31)从基准图像B中计算得到待逼近图像D：
如果图像C是输入图像X的奇像元图像，则将图像D的第1列赋值为图像B的第1列，图像D的后n-1列依次赋值为图像B的对应位置相邻两列的平均图像；否则，如果图像C是输入图像X的偶像元图像，将图像D的前n-1列依次赋值为图像B的对应位置相邻两列的平均图像，图像D的最后一列赋值为图像B的最后一列；
(32)遍历g从1到n，计算左端矩阵F和右端向量H：
F(2g,2g)＝2m，
g＝1,2,3…n；j＝1,2,3…m；
F(x,y)为左端矩阵F中第x行、第y列的值；
C(x,y)为图像C中第x行、第y列的值；
H(x)为右端向量H中第x个元素；
D(x,y)为图像D中第x行、第y列的值；
(33)计算线性逼近参数T＝inv(F)·H；inv(F)为矩阵F求逆；
(34)如果图像C是输入图像X的奇像元图像，将图像Y的偶像元灰度设置为基准图像B对应像元灰度，图像Y的奇像元通过遍历g从1到n进行以下更新：
Y(h,2g-1)＝T(2g-1)C(h,g)+T(2g)，其中，h＝1,2,3,...,m；
T(2g-1)、T(2g)分别为矩阵T中第2g-1个、第2g个元素；Y(x,y)为图像Y中第x行、第y列的值；
否则，如果图像C是输入图像X的奇像元图像，将图像Y的奇像元灰度设置为基准图像B对应像元灰度，图像Y的偶像元通过遍历g从1到n进行以下更新：
Y(h,2g)＝T(2g-1)C(h,g)+T(2g)，其中，h＝1,2,3,...,m；
图像Y为最终的校正图像。
一种基于图像熵的红外图像非均匀性参数化校正优选***，包括：
第一模块，用于计算输入图像X的奇像元图像和偶像元图像的图像熵，选择熵值大的图像作为基准图像B，基准图像B维数为m行n1列，记录基准图像B的熵值e，将另一个图像记为图像C，图像C维数为m行n2列；其中，m和n1，n2均为正整数；
第二模块，用于对基准图像B做基于图像熵的非均匀性参数化校正优选处理，得到校正后的基准图像；
第三模块，用于将另一个图像C向基准图像B作基于线性逼近的非均匀性校正，最后得到校正之后的结果。
第二模块中，得到校正后的基准图像的具体方法以下：
(21)初始化k＝1；
(22)将基准图像B赋值给过程图像P，初始化i＝1；
(23)计算过程图像P中第i+1列与第i列的对应像元灰度值差，得到m维的列差向量V，并对列差向量V各元素的绝对值进行由小到大排序，得到排序后的绝对值向量U；
(24)计算得到列差向量V中绝对值小于U(k)的所有元素的索引数组Q，索引数组Q为q元数组，按下式计算更新参数：
P(j,i+1)＝aP(i,i+1)+b，j＝1,2,3,...,m；
U(k)为绝对值向量U中的第k个元素；
r1、r2、r3、r4分别为中间量；
P(x,y)为过程图像P中第x行、第y列的值；
a、b分别为校正系数；Q(j)为索引数组Q中第j个元素；
(25)如果i＜＝n-1,则更新i＝i+1，返回步骤(23)，否则进入步骤(26)；
(26)计算当前过程图像P的熵值t，如果熵值t大于熵值e，则将熵值e更新为熵值t，并更新当前结果图R为过程图像P；
(27)如果则更新k＝k+1，返回步骤(22)；否则，进入步骤(28)；
(28)将基准图像B更新为结果图R。
第三模块中，将另一个图像C向基准图像B作基于线性逼近的非均匀性校正，得到校正结果的具体方法如下：
(31)从基准图像B中计算得到待逼近图像D：
如果图像C是输入图像X的奇像元图像，则将图像D的第1列赋值为图像B的第1列，图像D的后n-1列依次赋值为图像B的对应位置相邻两列的平均图像；否则，如果图像C是输入图像X的偶像元图像，将图像D的前n-1列依次赋值为图像B的对应位置相邻两列的平均图像，图像D的最后一列赋值为图像B的最后一列；
(32)遍历g从1到n，计算左端矩阵F和右端向量H：
F(2g,2g)＝2m，
g＝1,2,3…n；j＝1,2,3…m；
F(x,y)为左端矩阵F中第x行、第y列的值；
C(x,y)为图像C中第x行、第y列的值；
H(x)为右端向量H中第x个元素；
D(x,y)为图像D中第x行、第y列的值；
(33)计算线性逼近参数T＝inv(F)·H；inv(F)为矩阵F求逆；
(34)如果图像C是输入图像X的奇像元图像，将图像Y的偶像元灰度设置为基准图像B对应像元灰度，图像Y的奇像元通过遍历g从1到n进行以下更新：
Y(h,2g-1)＝T(2g-1)C(h,g)+T(2g)，其中，h＝1,2,3,...,m；
T(2g-1)、T(2g)分别为矩阵T中第2g-1个、第2g个元素；Y(x,y)为图像Y中第x行、第y列的值；
否则，如果图像C是输入图像X的奇像元图像，将图像Y的奇像元灰度设置为基准图像B对应像元灰度，图像Y的偶像元通过遍历g从1到n进行以下更新：
Y(h,2g)＝T(2g-1)C(h,g)+T(2g)，其中，h＝1,2,3,...,m；
图像Y为最终的校正图像。
本发明与现有技术相比的优点在于：
(1)本发明方法从图像熵角度对红外非均性校正后红外图像质量进行了评估,避免了传统红外图像非均性校正方法质量评价依赖粗糙度指标,不能表征图像信息量的局限性；
(2)本发明方法给出了一种红外图像非均匀性参数化校正方法的选择机制，非常容易扩展已有的红外图像非均性参数化校正方法，便于产生性能更优的红外图像非均匀性校正方法；
(3)本发明方法将原始红外图像的奇像元图像和偶像元图像的信息有效的结合起来进行非均性校正方法，与传统的红外图像非均性校正方法相比，对受奇偶非均性影响显著的红外图像校正效果更优；
(4)本发明方法在红外图像非均匀性校正的同时保证了图像信息量的最大化,校正之后的红外图像，清晰度和目标识别度更高。
附图说明
图1为本发明方法的流程图；
图2为待非均匀性校正269×384红外图像；
图3为不同K值对应的过程图像的熵值曲线；
图4为红外图像实例非均匀性校正后的结果图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
以待非均匀性校正269×384红外图像为例，基于图像熵的红外图像非均匀性参数化校正优选方法的流程如图1所示，其具体的过程如下：
(1)计算输入图像X奇像元图像和偶像元图像的图像熵,选择熵值大的图像作为基准图像B(m行n1列)，记录该熵值e，另一个图像记为C(m行n2列)。图像熵可以选择一维熵也可以选择二维熵进行计算，其中m和n1，n2均为正整数。
本实施例中，如图2所示，输入待非均匀性校正红外图像X为220×320矩阵，奇像元图像为X奇为m＝269行、n1＝192列，对应像元列为X的第1，3，5,...383列，偶图像为m＝269行、n2＝192列，对应像元列为X的第2，4，6,...384列。图像熵采用一维熵的计算公式为，X奇的图像熵为5.8094，X偶的图像熵为5.9658，因此，基准图像B为奇图像，另一个图像C为偶图像,原图X的图像熵为6.1223。
(2)对基准图像B做基于图像熵的非均匀性参数化校正，得到校正后的基准图像，具体包括以下步骤：
(21)遍历参数k从1到进行以下步骤，其中符号表示取不大于b的最大整数；
(22)将基准图像B赋值给过程图像P,按列遍历图像P依次以下步骤，初始化i＝1；
(23)计算P中第i+1列与第i列的对应像元灰度值差，得到m维的列差向量V，并对列差向量V各元素的绝对值进行由小到大排序，得到排序后的绝对值向量U；
(24)计算得到V中绝对值小于U(k)的所有元素的索引数组Q(q元数组),按下式计算更新参数:
P(j,i+1)＝aP(j,i+1)+b,j＝1,2,3,...,m；
U(k)为绝对值向量U中的第k个元素；
r1、r2、r3、r4分别为中间量；
P(x,y)为过程图像P中第x行、第y列的值；
a、b分别为校正系数；Q(j)为索引数组Q中第j个元素；
(25)如果i＜＝n-1,则更新i＝i+1，返回步骤(23)，否则进入步骤(26)
(26)计算当前过程图像P的熵值t，如果t大于e，则将e更新为t,并更新当前结果图R为P；
(27)如果则更新k＝k+1，返回步骤(22)，否则进入步骤(28)
图3为不同K值对应的过程图像的熵值曲线，其中最大熵值为6.5362,出现在k＝82的位置。
(28)将基准图像B更新为结果图R；
(3)另一个图像C向基准图像B作基于线性逼近的非均匀性校正,最后得到校正之后的结果，具体步骤如下：
(31)从基准图像B中计算得到待逼近图像D
如果图像C是原图的奇像元图像，则将图像D的第1列赋值为图像B的第1列，图像D的后n-1列依次赋值为图像B的对应位置相邻两列的平均图像，否则将图像D的前n-1列依次赋值为图像B的对应位置相邻两列的平均图像，图像D的最后一列为图像B的最后一列。
(32)通过遍历g从1到n进行以下步骤计算左端矩阵F和右端向量H:
F(2g,2g)＝2m，
F(x,y)为左端矩阵F中第x行、第y列的值；
C(x,y)为图像C中第x行、第y列的值；
H(x)为右端向量H中第x个元素；
D(x,y)为图像D中第x行、第y列的值；
(33)计算线性逼近参数T＝inv(F)·H，
(34)如果图像C是原图的奇像元图像，将图像Y的偶像元灰度设置为基准图像B对应像元灰度，图像Y的奇像元通过遍历g从1到n进行以下步骤更新：
Y(h,2g-1)＝T(2g-1)C(h,g)+T(2g)，其中，h＝1,2,3,...,m；
T(2g-1)、T(2g)分别为矩阵T中第2g-1个、第2g个元素；Y(x,y)为图像Y中第x行、第y列的值；
否则，将图像Y的奇像元灰度设置为基准图像B对应像元灰度，图像Y的偶像元通过遍历g从1到n进行以下步骤更新
Y(h,2g)＝T(2g-1)C(h,g)+T(2g),其中，h＝1,2,3,...,m；
图像Y为最终的校正图像。
本实施例计算得到的图像Y如图4所示，结果图的图像熵为6.6785，粗糙度指标0.0862。
一种基于图像熵的红外图像非均匀性参数化校正优选***，包括：
第一模块，用于计算输入图像X的奇像元图像和偶像元图像的图像熵，选择熵值大的图像作为基准图像B，基准图像B维数为m行n1列，记录基准图像B的熵值e，将另一个图像记为图像C，图像C维数为m行n2列；其中，m和n1，n2均为正整数；
第二模块，用于对基准图像B做基于图像熵的非均匀性参数化校正优选处理，得到校正后的基准图像；
第三模块，用于将另一个图像C向基准图像B作基于线性逼近的非均匀性校正，最后得到校正之后的结果。
第二模块中，得到校正后的基准图像的具体方法以下：
(21)初始化k＝1；
(22)将基准图像B赋值给过程图像P，初始化i＝1；
(23)计算过程图像P中第i+1列与第i列的对应像元灰度值差，得到m维的列差向量V，并对列差向量V各元素的绝对值进行由小到大排序，得到排序后的绝对值向量U；
(24)计算得到列差向量V中绝对值小于U(k)的所有元素的索引数组Q，索引数组Q为q元数组，按下式计算更新参数：
P(j,i+1)＝aP(j,i+1)+b，j＝1,2,3,...,m；
U(k)为绝对值向量U中的第k个元素；
r1、r2、r3、r4分别为中间量；
P(x,y)为过程图像P中第x行、第y列的值；
a、b分别为校正系数；Q(j)为索引数组Q中第j个元素；
(25)如果i＜＝n-1,则更新i＝i+1，返回步骤(23)，否则进入步骤(26)；
(26)计算当前过程图像P的熵值t，如果熵值t大于熵值e，则将熵值e更新为熵值t，并更新当前结果图R为过程图像P；
(27)如果则更新k＝k+1，返回步骤(22)；否则，进入步骤(28)；
(28)将基准图像B更新为结果图R。
第三模块中，将另一个图像C向基准图像B作基于线性逼近的非均匀性校正，得到校正结果的具体方法如下：
(31)从基准图像B中计算得到待逼近图像D：
如果图像C是输入图像X的奇像元图像，则将图像D的第1列赋值为图像B的第1列，图像D的后n-1列依次赋值为图像B的对应位置相邻两列的平均图像；否则，如果图像C是输入图像X的偶像元图像，将图像D的前n-1列依次赋值为图像B的对应位置相邻两列的平均图像，图像D的最后一列赋值为图像B的最后一列；
(32)遍历g从1到n，计算左端矩阵F和右端向量H：
F(2g，2g)＝2m，
g＝1,2,3…n；j＝1,2,3…m；
F(x,y)为左端矩阵F中第x行、第y列的值；
C(x,y)为图像C中第x行、第y列的值；
H(x)为右端向量H中第x个元素；
D(x,y)为图像D中第x行、第y列的值；
(33)计算线性逼近参数T＝inv(F)·H；inv(F)为矩阵F求逆；
(34)如果图像C是输入图像X的奇像元图像，将图像Y的偶像元灰度设置为基准图像B对应像元灰度，图像Y的奇像元通过遍历g从1到n进行以下更新：
Y(h,2g-1)＝T(2g-1)C(h,g)+T(2g)，其中，h＝1,2,3,...,m；
T(2g-1)、T(2g)分别为矩阵T中第2g-1个、第2g个元素；Y(x,y)为图像Y中第x行、第y列的值；
否则，如果图像C是输入图像X的奇像元图像，将图像Y的奇像元灰度设置为基准图像B对应像元灰度，图像Y的偶像元通过遍历g从1到n进行以下更新：
Y(h,2g)＝T(2g-1)C(h,g)+T(2g)，其中，h＝1,2,3,...,m；
图像Y为最终的校正图像。
本发明未详细说明部分属于本领域技术人员公知技术。
Claims (2)
1.一种基于图像熵的红外图像非均匀性参数化校正优选方法，其特征在于，包括以下步骤：
(1)计算输入图像X的奇像元图像和偶像元图像的图像熵，选择熵值大的图像作为基准图像B，基准图像B维数为m行n1列，记录基准图像B的熵值e，另一个图像记为图像C，图像C维数为m行n2列；其中，m和n1，n2均为正整数；
(2)对基准图像B做基于图像熵的非均匀性参数化校正优选处理，得到校正后的基准图像；
(3)将另一个图像C向基准图像B作基于线性逼近的非均匀性校正，最后得到校正之后的结果；
步骤(2)的具体步骤以下：
(21)初始化k＝1；
(22)将基准图像B赋值给过程图像P，初始化i＝1；
(23)计算过程图像P中第i+1列与第i列的对应像元灰度值差，得到m维的列差向量V，并对列差向量V各元素的绝对值进行由小到大排序，得到排序后的绝对值向量U；
(24)计算得到列差向量V中绝对值小于U(k)的所有元素的索引数组Q，索引数组Q为q元数组，按下式计算更新参数：
P(j，i+1)＝aP(j，i+1)+b，j＝1,2,3,...,m；
U(k)为绝对值向量U中的第k个元素；
r1、r2、r3、r4分别为中间量；
P(x,y)为过程图像P中第x行、第y列的值；
a、b分别为校正系数；Q(j)为索引数组Q中第j个元素；
(25)如果i<＝n-1,则更新i＝i+1，返回步骤(23)，否则进入步骤(26)；
(26)计算当前过程图像P的熵值t，如果熵值t大于熵值e，则将熵值e更新为熵值t，并更新当前结果图R为过程图像P；
(27)如果则更新k＝k+1，返回步骤(22)；否则，进入步骤(28)；
(28)将基准图像B更新为结果图R；
步骤(3)的具体步骤如下：
(31)从基准图像B中计算得到待逼近图像D：
如果图像C是输入图像X的奇像元图像，则将图像D的第1列赋值为图像B的第1列，图像D的后n-1列依次赋值为图像B的对应位置相邻两列的平均图像；否则，如果图像C是输入图像X的偶像元图像，将图像D的前n-1列依次赋值为图像B的对应位置相邻两列的平均图像，图像D的最后一列赋值为图像B的最后一列；
(32)遍历g从1到n，计算左端矩阵F和右端向量H：
F(2g，2g)＝2m，
g＝1,2,3…n；j＝1,2,3…m；
F(x,y)为左端矩阵F中第x行、第y列的值；
C(x,y)为图像C中第x行、第y列的值；
H(x)为右端向量H中第x个元素；
D(x,y)为图像D中第x行、第y列的值；
(33)计算线性逼近参数T＝inv(F)·H；inv(F)为矩阵F求逆；
(34)如果图像C是输入图像X的奇像元图像，将图像Y的偶像元灰度设置为基准图像B对应像元灰度，图像Y的奇像元通过遍历g从1到n进行以下更新：
Y(h,2g-1)＝T(2g-1)C(h,g)+T(2g)，其中，h＝1,2,3,...,m；
T(2g-1)、T(2g)分别为矩阵T中第2g-1个、第2g个元素；Y(x,y)为图像Y中第x行、第y列的值；
否则，如果图像C是输入图像X的奇像元图像，将图像Y的奇像元灰度设置为基准图像B对应像元灰度，图像Y的偶像元通过遍历g从1到n进行以下更新：
Y(h,2g)＝T(2g-1)C(h,g)+T(2g)，其中，h＝1,2,3,...,m；
图像Y为最终的校正图像。
2.一种基于图像熵的红外图像非均匀性参数化校正优选***，其特征在于，包括：
第一模块，用于计算输入图像X的奇像元图像和偶像元图像的图像熵，选择熵值大的图像作为基准图像B，基准图像B维数为m行n1列，记录基准图像B的熵值e，将另一个图像记为图像C，图像C维数为m行n2列；其中，m和n1，n2均为正整数；
第二模块，用于对基准图像B做基于图像熵的非均匀性参数化校正优选处理，得到校正后的基准图像；
第三模块，用于将另一个图像C向基准图像B作基于线性逼近的非均匀性校正，最后得到校正之后的结果；
第二模块中，得到校正后的基准图像的具体方法以下：
(21)初始化k＝1；
(22)将基准图像B赋值给过程图像P，初始化i＝1；
(23)计算过程图像P中第i+1列与第i列的对应像元灰度值差，得到m维的列差向量V，并对列差向量V各元素的绝对值进行由小到大排序，得到排序后的绝对值向量U；
(24)计算得到列差向量V中绝对值小于U(k)的所有元素的索引数组Q，索引数组Q为q元数组，按下式计算更新参数：
P(j，i+1)＝aP(j，i+1)+b，j＝1,2,3,...,m；
U(k)为绝对值向量U中的第k个元素；
r1、r2、r3、r4分别为中间量；
P(x,y)为过程图像P中第x行、第y列的值；
a、b分别为校正系数；Q(j)为索引数组Q中第j个元素；
(25)如果i<＝n-1,则更新i＝i+1，返回步骤(23)，否则进入步骤(26)；
(26)计算当前过程图像P的熵值t，如果熵值t大于熵值e，则将熵值e更新为熵值t，并更新当前结果图R为过程图像P；
(27)如果则更新k＝k+1，返回步骤(22)；否则，进入步骤(28)；
(28)将基准图像B更新为结果图R；
第三模块中，将另一个图像C向基准图像B作基于线性逼近的非均匀性校正，得到校正结果的具体方法如下：
(31)从基准图像B中计算得到待逼近图像D：
如果图像C是输入图像X的奇像元图像，则将图像D的第1列赋值为图像B的第1列，图像D的后n-1列依次赋值为图像B的对应位置相邻两列的平均图像；否则，如果图像C是输入图像X的偶像元图像，将图像D的前n-1列依次赋值为图像B的对应位置相邻两列的平均图像，图像D的最后一列赋值为图像B的最后一列；
(32)遍历g从1到n，计算左端矩阵F和右端向量H：
F(2g，2g)＝2m，
F(x，y)为左端矩阵F中第x行、第y列的值；
C(x，y)为图像C中第x行、第y列的值；
H(x)为右端向量H中第x个元素；
D(x，y)为图像D中第x行、第y列的值；
(33)计算线性逼近参数T＝inv(F)·H；inv(F)为矩阵F求逆；
(34)如果图像C是输入图像X的奇像元图像，将图像Y的偶像元灰度设置为基准图像B对应像元灰度，图像Y的奇像元通过遍历g从1到n进行以下更新：
Y(h，2g-1)＝T(2g-1)C(h，g)+T(2g)，其中，h＝1，2，3，...，m；
T(2g-1)、T(2g)分别为矩阵T中第2g-1个、第2g个元素；Y(x，y)为图像Y中第x行、第y列的值；否则，如果图像C是输入图像X的奇像元图像，将图像Y的奇像元灰度设置为基准图像B对应像元灰度，图像Y的偶像元通过遍历g从1到n进行以下更新：
Y(h，2g)＝T(2g-1)C(h，g)+T(2g)，其中，h＝1，2，3，...，m；
图像Y为最终的校正图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911065298.3A CN111047521B (zh) | 2019-11-01 | 2019-11-01 | 一种基于图像熵的红外图像非均匀性参数化校正优选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911065298.3A CN111047521B (zh) | 2019-11-01 | 2019-11-01 | 一种基于图像熵的红外图像非均匀性参数化校正优选方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111047521A CN111047521A (zh) | 2020-04-21 |
| CN111047521B true CN111047521B (zh) | 2023-08-11 |
Family
ID=70232719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911065298.3A Active CN111047521B (zh) | 2019-11-01 | 2019-11-01 | 一种基于图像熵的红外图像非均匀性参数化校正优选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111047521B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112150377B (zh) * | 2020-08-27 | 2024-03-29 | 北京空间机电研究所 | 一种红外图像非均匀性校正系数解析解交替迭代优化方法 |
| CN114565537B (zh) * | 2021-11-12 | 2022-09-27 | 国科天成科技股份有限公司 | 一种基于局部信息熵的红外成像装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102081219A (zh) * | 2010-12-10 | 2011-06-01 | 中国空间技术研究院 | 一种空间ccd光学遥感器在轨自动调焦方法 |
| DE102011085927A1 (de) * | 2011-11-08 | 2013-05-08 | Siemens Aktiengesellschaft | Verfahren zur Korrektur von Bewegungseffekten bei der Ermittlung eines Bilddatensatzes und Röntgeneinrichtung |
| CN105957034A (zh) * | 2016-04-28 | 2016-09-21 | 武汉大学 | 基于配准的扫描型红外成像***场景非均匀性校正方法 |
| CN109919880A (zh) * | 2019-03-18 | 2019-06-21 | 郑州轻工业学院 | 一种基于粒子群优化的红外图像增强方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060110071A1 (en) * | 2004-10-13 | 2006-05-25 | Ong Sim H | Method and system of entropy-based image registration |
| US7728757B2 (en) * | 2008-06-09 | 2010-06-01 | The Boeing Company | Autofocus for minimum entropy through multi-dimensional optimization |
-
2019
- 2019-11-01 CN CN201911065298.3A patent/CN111047521B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102081219A (zh) * | 2010-12-10 | 2011-06-01 | 中国空间技术研究院 | 一种空间ccd光学遥感器在轨自动调焦方法 |
| DE102011085927A1 (de) * | 2011-11-08 | 2013-05-08 | Siemens Aktiengesellschaft | Verfahren zur Korrektur von Bewegungseffekten bei der Ermittlung eines Bilddatensatzes und Röntgeneinrichtung |
| CN105957034A (zh) * | 2016-04-28 | 2016-09-21 | 武汉大学 | 基于配准的扫描型红外成像***场景非均匀性校正方法 |
| CN109919880A (zh) * | 2019-03-18 | 2019-06-21 | 郑州轻工业学院 | 一种基于粒子群优化的红外图像增强方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111047521A (zh) | 2020-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10354369B2 (en) | Image processing method, image processing apparatus, image pickup apparatus, and storage medium | |
| CN110211056B (zh) | 基于局部中值直方图的自适应红外图像去条纹算法 | |
| CN107071234B (zh) | 一种镜头阴影校正方法及装置 | |
| CN100563303C (zh) | 图像处理设备、图像捕获设备和图像处理方法 | |
| EP3924933A1 (en) | Image processor | |
| CN111047521B (zh) | 一种基于图像熵的红外图像非均匀性参数化校正优选方法 | |
| CN107730479B (zh) | 基于压缩感知的高动态范围图像去伪影融合方法 | |
| CN107590779B (zh) | 一种基于图像块聚类字典训练的图像去噪去模糊方法 | |
| CN102663693A (zh) | 一种基于最小二乘法的线阵推扫式影像自适应辐射校正方法 | |
| CN112348754B (zh) | 一种低照度彩色图像增强方法及装置 | |
| CN105825489A (zh) | 基于灰度平移与线性拉伸相结合的红外图像增强方法 | |
| CN111563854B (zh) | 用于水下图像增强处理的粒子群优化方法 | |
| CN105279742B (zh) | 一种快速的基于分块噪声能量估计的图像去噪方法 | |
| CN109360167B (zh) | 一种红外图像校正方法、装置及存储介质 | |
| CN114463196A (zh) | 一种基于深度学习的图像校正方法 | |
| US20100110241A1 (en) | Multi illuminant shading correction using singular value decomposition | |
| US20240062333A1 (en) | Upscaling image data | |
| CN111798381A (zh) | 图像转换方法、装置、计算机设备和存储介质 | |
| CN111046740B (zh) | 针对人类动作视频基于全张量化循环神经网络的分类方法 | |
| CN108921796B (zh) | 一种基于深度学习的红外图像非均匀性校正方法 | |
| CN108846804B (zh) | 基于行图与列图模型的去模糊方法 | |
| CN114266708A (zh) | 一种基于随机差分的红外图像场景校正方法 | |
| CN112150377B (zh) | 一种红外图像非均匀性校正系数解析解交替迭代优化方法 | |
| CN104166960A (zh) | 一种基于场景的自适应非均匀固定噪声去除方法 | |
| CN107450347A (zh) | 一种基于红外半实物仿真***的gpu实时非均匀性校正方法 |
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 |