CN111899200A - 一种基于3d滤波的红外图像增强方法 - Google Patents
一种基于3d滤波的红外图像增强方法 Download PDFInfo
- Publication number
- CN111899200A CN111899200A CN202010794350.5A CN202010794350A CN111899200A CN 111899200 A CN111899200 A CN 111899200A CN 202010794350 A CN202010794350 A CN 202010794350A CN 111899200 A CN111899200 A CN 111899200A
- Authority
- CN
- China
- Prior art keywords
- image
- filtering
- detail
- window
- infrared image
- 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.)
- Granted
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 27
- 230000003287 optical effect Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000000523 sample Substances 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于3D滤波的红外图像增强方法,先对红外图像采用改进的引导滤波器进行快速引导滤波,得到基础图像和细节图像,然后对细节图像的局部图块进行光流运动估计得到细节图像的运动向量,利用运动向量加入连续帧图像,采用空间和时间序列三个方对细节图像进行滤波,得到的细节图像和基础图像进行自适应加权融合得到最终增强后的红外图像,该算法能够保证图像细节的前提下滤波固定非均匀线性噪声,同时提高了图像信噪比,显著改善了图像对比度和主观质量。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于3D滤波的红外图像增强方法。
背景技术
随着科技的不断发展,红外成像作为红外技术与成像技术相结合的产物,应用越来越广泛,它已经应用到安防监控、军事目标检测和跟踪以及医疗等很多领域,红外探测器接收物体的红外辐射,将温度信息转换为灰度信息。在实际检测物体温度时,很容易受到传热、热辐射和大气衰减的影响,造成图形低对比度和纹理细节不清晰等,其中目标与背景对比度低,这使得它很难辨认红外图形中的背景与目标物体,给目标识别和跟踪带来诸多不便。因此,研究红外增强算法非常重要。
传统的图像增强算法分为空间域增强和频域增强,空间域增强直接处理像素灰度值,主要方法有灰度拉伸,直方图均衡,反锐化掩膜等;频域增强先将图像变换到频率域,再用频域滤波器处理频域图像实现增强,单纯的空间增强或者频域增强无法满足现有***既要消除噪声又要增强细节的要求。
发明内容
针对现有技术中的上述不足,本发明提供的基于3D滤波的红外图像增强方法解决了现有的红外图像增强方法难以保证既要消除噪声又要增强细节的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于3D滤波的红外图像增强方法,包括以下步骤:
S1、获取原始红外图像,并通过引导滤波器将其分为基础图像和细节图像;
S2、对细节图像中的局部图块采用局部光流法进行运动估计,得到细节图像的运动向量;
S3、基于运动向量,对细节图像进行3D滤波,得到3D滤波后的细节图像;
S4、将3D滤波后的细节图像与基础图像进行自适应加权合成,得到增强后的红外图像。
进一步地,所述,所述步骤S1中的引导滤波器的公式为:
进一步地,所述步骤S1具体为:
S11、将原始红外图像作为引导滤波器中的引导图像;
S12、基于引导图像,通过引导滤波器的引导滤波窗口和系数窗口分别对其进行计算,得到对应的基础图像;
S13、将原始红外图像减去基础图像,得到对应的细节图像。
进一步地,所述引导滤波窗口的大小为8*8,系数窗口的大小为4*4。
进一步地,所述步骤S2具体为:
S21、确定二维平面内的用于进行运动估计的光流计算模型:
Ix(u)Vx+Iy(u)Vy+It(u)=0,u=(1,2,...,n)
式中,Ix(u)和Iy(u)分别为细节图像的像素点的空间维度信息,It(u)为细节图像的像素点u的时间维度信息,Vx和Vy分别为运动向量(Vx,Vy)在水平方向和竖直方向的分量;
S22、采用最小二乘法对光流计算模型进行求解,得到运动向量(Vx,Vy)的表达式为:
式中,ω为权重系数;
S23、在运动向量(Vx,Vy)的表达式中设置中间计算参数,得到运动向量(Vx,Vy)为:
进一步地,所述步骤S3具体为:
S31、确定当前帧细节图像中每个像素周围3*3的局部窗口图像;
S32、利用运动向量,确定当前帧细节图像的前两帧细节图像中的局部窗口图像;
S33、对3个3*3的局部窗口图像,以3*3的局部窗口图像中心为中心点,做空间相似度因子、灰度相似度因子和时间相似度因子三个维度的3D滤波,得到3D滤波后的细节图像。
进一步地,所述3D滤波后的细节图像的表达式为:
式中,h(y)为3D滤波后细节图像的灰度值,hij(y)为第(i,j)个邻域探测元的灰度值,wr(i,j)为第(i,j)个邻域探测元的灰度相似度因子,ws(i,j)为第(i,j)个邻域探测元的空间邻近度因子,wk(i,j)为时间域因子,(i,j)为邻域探测元的标号,i,j为邻域探测元的横纵坐标,其中, 为空间位置方差,f(i,j)为原始红外图像,为灰度值方差,f(k,l)为当前帧图像中心点像素灰度,为时间方差。
进一步地,所述步骤S4中,增强后的红外图像fout(i,j)为:
fout(i,j)=LP[f(i,j)]+α*h(y)
式中,α为权重因子,LP[f(i,j)]为经过引导滤波的基础图像,h(y)为3D滤波后的细节图像。
本发明的有益效果为:
本发明先对红外图像采用改进的引导滤波器进行快速引导滤波,得到基础图像和细节图像,然后对细节图像的局部图块进行光流运动估计得到细节图像的运动向量,利用运动向量加入连续帧图像,采用空间和时间序列三个方对细节图像进行滤波,得到的细节图像和基础图像进行自适应加权融合得到最终增强后的红外图像,该算法能够保证图像细节的前提下滤波固定非均匀线性噪声,同时提高了图像信噪比,显著改善了图像对比度和主观质量。
附图说明
图1为本发明提供的基于3D滤波的红外图像增强方法流程图。
图2为本发明提供的第一个红外图像增强效果对比图。
图3为本发明提供的第二个红外图像增强效果对比图。
图4为本发明提供的第三个红外图像增强效果对比图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1:
如图1所示,一种基于3D滤波的红外图像增强方法,包括以下步骤:
S1、获取原始红外图像,并通过引导滤波器将其分为基础图像和细节图像;
S2、对细节图像中的局部图块采用局部光流法进行运动估计,得到细节图像的运动向量;
S3、基于运动向量,对细节图像进行3D滤波,得到3D滤波后的细节图像;
S4、将3D滤波后的细节图像与基础图像进行自适应加权合成,得到增强后的红外图像。
在上述步骤S1中,引导滤波器与双边滤波器同样具有边缘保持和平滑滤波的作用,引导滤波器的公式为:
式中,qu为输出图像,If为引导图像,wk为像素块窗口,下标u为像素点,ak和bk为像素块窗口中的窗口系数;在确定ak和bk时,根据最小均方差误差准则,可定义:
本实施例对引导滤波器进行改进,将引导滤波器采用大小窗作为引导滤波窗口和系数窗口分别进行系数,极大提高了计算速度,增加了算法效率,引导图像为输入图像,ak和bk可修改为:
基于上述引导滤波器,步骤S1中对原始红外图像进行引导滤波的方法具体为:
S11、将原始红外图像作为引导滤波器中的引导图像;
S12、基于引导图像,通过引导滤波器的引导滤波窗口和系数窗口分别对其进行计算,得到对应的基础图像;
S13、将原始红外图像减去基础图像,得到对应的细节图像。
具体地,本实施例中引导滤波器中的引导滤波窗口的大小为88,系数窗口的大小为4*4,其中,系数窗口小于引导滤波窗口可以减少计算量。
在上述步骤S2中,一个图像序列g(x)可以用一个三维的列向量x=(x,y,t)T来表示,其中x和y是空间分量,t是时间分量。根据亮度恒定约束,时空域的物体运动将产生具有一定方向的亮度模型,根据亮度恒定假设有:
I(x,y,t)=I′(x+dx,y+dy,t+dt)
式中I和I′表示图像相邻帧,dx和dy表示像素在dt时间内沿x,y方向的位移增量。根据小运动模型假设,将上式Taylor展开后舍去高阶项,可得光流计算模型方程为:
IxVx+IyVy+It=0,
式中:Vx,Vy分别是光流向量在水平和竖直方向的分量,Ix,Iy和It,分别表示图像的空间和时间维度信息。
在三维世界中,如果属于相同物体平面的点具有相同速度,则投影到二维平面对应的点也具有相同的速度。
基于上述内容,在本实施例中,上述步骤S2具体为:
S21、确定二维平面内的用于进行运动估计的光流计算模型:
Ix(u)Vx+Iy(u)Vy+It(u)=0,u=(1,2,...,n)
式中,Ix(u)和Iy(u)分别为细节图像的像素点的空间维度信息,It(u)为细节图像的像素点u的时间维度信息,Vx和Vy分别为运动向量(Vx,Vy)在水平方向和竖直方向的分量;
S22、采用最小二乘法对光流计算模型进行求解,得到运动向量(Vx,Vy)的表达式为:
式中,ω为权重系数;
S23、在运动向量(Vx,Vy)的表达式中设置中间计算参数,得到运动向量(Vx,Vy)为:
上述步骤S3具体为:
S31、确定当前帧细节图像中每个像素周围3*3的局部窗口图像;
S32、利用运动向量,确定当前帧细节图像的前两帧细节图像中的局部窗口图像;
S33、对3个3*3的局部窗口图像,以3*3的局部窗口图像中心为中心点,做空间相似度因子、灰度相似度因子和时间相似度因子三个维度的3D滤波,得到3D滤波后的细节图像。
其中,3D滤波后的细节图像的表达式为:
式中,h(y)为3D滤波后细节图像的灰度值,S表示中心点为(k,l)的九邻域空间,hij(y)为第(i,j)个邻域探测元的灰度值,wr(i,j)为第(i,j)个邻域探测元的灰度相似度因子,随着灰度差的增大而减小,ws(i,j)为第(i,j)个邻域探测元的空间邻近度因子,随着与中心点之间欧几里得距离的增加而减小,wk(i,j)为时间域因子,随着时间域灰度差异而减小,(i,j)为邻域探测元的标号,i,j为邻域探测元的横纵坐标,其中, 为空间位置方差,f(i,j)为原始红外图像,为灰度值方差,f(k,l)为当前帧图像中心点像素灰度,为时间方差。
上述3D滤波过程中,在图像平缓及帧间运动小的区域,邻域内灰度相差不大,双边滤波转化为高斯低通滤波器,在灰度突变的图像,滤波器利用边缘像元附近灰度值相近元灰度平均替代原值,因此,三方向细节滤波器既平滑了图像,又保持了图像边缘。
基于上述过程得到上述步骤S4中,增强后的红外图像fout(i,j)为:
fout(i,j)=LP[f(i,j)]+α*h(y)
式中,α为权重因子,LP[f(i,j)]为经过引导滤波的基础图像,h(y)为3D滤波后的细节图像。
实施例2:
通过本发明方法对红外图像增强,得到图2-图4的效果对比图(a为原始红外图像,b为增强后的红外图像),从图中可以看出经过本算法增强后的图像,可以有效滤除噪声,同时提升图像对比度,极大提高图像细节。
Claims (8)
1.一种基于3D滤波的红外图像增强方法,其特征在于,包括以下步骤:
S1、获取原始红外图像,并通过引导滤波器将其分为基础图像和细节图像;
S2、对细节图像中的局部图块采用局部光流法进行运动估计,得到细节图像的运动向量;
S3、基于运动向量,对细节图像进行3D滤波,得到3D滤波后的细节图像;
S4、将3D滤波后的细节图像与基础图像进行自适应加权合成,得到增强后的红外图像。
3.根据权利要求2所述的基于3D滤波的红外图像增强方法,其特征在于,所述步骤S1具体为:
S11、将原始红外图像作为引导滤波器中的引导图像;
S12、基于引导图像,通过引导滤波器的引导滤波窗口和系数窗口分别对其进行计算,得到对应的基础图像;
S13、将原始红外图像减去基础图像,得到对应的细节图像。
4.根据权利要求3所述的基于3D滤波的红外图像增强方法,其特征在于,所述引导滤波窗口的大小为8*8,系数窗口的大小为4*4。
5.根据权利要求1所述的基于3D滤波的红外图像增强方法,其特征在于,所述步骤S2具体为:
S21、确定二维平面内的用于进行运动估计的光流计算模型:
Ix(u)Vx+Iy(u)Vy+It(u)=0,u=(1,2,...,n)
式中,Ix(u)和Iy(u)分别为细节图像的像素点的空间维度信息,It(u)为细节图像的像素点u的时间维度信息,Vx和Vy分别为运动向量(Vx,Vy)在水平方向和竖直方向的分量;
S22、采用最小二乘法对光流计算模型进行求解,得到运动向量(Vx,Vy)的表达式为:
式中,ω为权重系数;
S23、在运动向量(Vx,Vy)的表达式中设置中间计算参数,得到运动向量(Vx,Vy)为:
6.根据权利要求5所述的基于3D滤波的红外图像增强方法,其特征在于,所述步骤S3具体为:
S31、确定当前帧细节图像中每个像素周围3*3的局部窗口图像;
S32、利用运动向量,确定当前帧细节图像的前两帧细节图像中的局部窗口图像;
S33、对3个3*3的局部窗口图像,以3*3的局部窗口图像中心为中心点,做空间相似度因子、灰度相似度因子和时间相似度因子三个维度的3D滤波,得到3D滤波后的细节图像。
8.根据权利要求1所述的基于3D滤波的红外图像增强方法,其特征在于,所述步骤S4中,增强后的红外图像fout(i,j)为:
fout(i,j)=LP[f(i,j)]+α*h(y)
式中,α为权重因子,LP[f(i,j)]为经过引导滤波的基础图像,h(y)为3D滤波后的细节图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010794350.5A CN111899200B (zh) | 2020-08-10 | 2020-08-10 | 一种基于3d滤波的红外图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010794350.5A CN111899200B (zh) | 2020-08-10 | 2020-08-10 | 一种基于3d滤波的红外图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111899200A true CN111899200A (zh) | 2020-11-06 |
CN111899200B CN111899200B (zh) | 2021-06-22 |
Family
ID=73246713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010794350.5A Active CN111899200B (zh) | 2020-08-10 | 2020-08-10 | 一种基于3d滤波的红外图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899200B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822352A (zh) * | 2021-09-15 | 2021-12-21 | 中北大学 | 基于多特征融合的红外弱小目标检测方法 |
CN113935922A (zh) * | 2021-10-21 | 2022-01-14 | 燕山大学 | 一种红外与可见光图像特征增强融合方法 |
CN115239558A (zh) * | 2022-07-19 | 2022-10-25 | 河南省肿瘤医院 | 一种低剂量肺部ct图像细节超分辨重建方法和*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172235A1 (en) * | 2014-05-15 | 2015-11-19 | Tandemlaunch Technologies Inc. | Time-space methods and systems for the reduction of video noise |
-
2020
- 2020-08-10 CN CN202010794350.5A patent/CN111899200B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172235A1 (en) * | 2014-05-15 | 2015-11-19 | Tandemlaunch Technologies Inc. | Time-space methods and systems for the reduction of video noise |
Non-Patent Citations (6)
Title |
---|
CHRISTIAN RICHARDT E.T.: "Coherent Spatiotemporal Filtering,Upsampling and Rendering of RGBZ Videos", 《EUROGRAPHICS》 * |
V V TITKOV E.T.: "Application of Lucas–Kanade algorithm with weight coefficient bilateral filtration for the digital image correlation method", 《IOP CONF.SERIES:MATERIALS SCIENCE AND ENGINEERING》 * |
张金林 等: "基于改进的Lucas-Kanade光流估算模型的运动目标检测", 《微计算机信息》 * |
李苗苗: "红外图像数字细节增强关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
苏泽林 等: "基于3D Max-median和3D Max-mean滤波的红外小目标检测", 《电视技术》 * |
谢剑斌 等: "《视觉感知与智能视频监控》", 31 March 2012 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822352A (zh) * | 2021-09-15 | 2021-12-21 | 中北大学 | 基于多特征融合的红外弱小目标检测方法 |
CN113822352B (zh) * | 2021-09-15 | 2024-05-17 | 中北大学 | 基于多特征融合的红外弱小目标检测方法 |
CN113935922A (zh) * | 2021-10-21 | 2022-01-14 | 燕山大学 | 一种红外与可见光图像特征增强融合方法 |
CN113935922B (zh) * | 2021-10-21 | 2024-05-24 | 燕山大学 | 一种红外与可见光图像特征增强融合方法 |
CN115239558A (zh) * | 2022-07-19 | 2022-10-25 | 河南省肿瘤医院 | 一种低剂量肺部ct图像细节超分辨重建方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN111899200B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111899200B (zh) | 一种基于3d滤波的红外图像增强方法 | |
Zhao et al. | Multi-focus image fusion with a natural enhancement via a joint multi-level deeply supervised convolutional neural network | |
Sun et al. | Weighted guided image filtering with steering kernel | |
Shin et al. | Radiance–reflectance combined optimization and structure-guided $\ell _0 $-Norm for single image dehazing | |
CN103533214B (zh) | 一种基于卡尔曼滤波和双边滤波的视频实时去噪方法 | |
CN110796616B (zh) | 基于范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
US8711938B2 (en) | Methods and systems for motion estimation with nonlinear motion-field smoothing | |
Micheli et al. | A linear systems approach to imaging through turbulence | |
CN111614965B (zh) | 基于图像网格光流滤波的无人机视频稳像方法及*** | |
CN111161222A (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN110910421A (zh) | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 | |
CN112465725B (zh) | 一种基于PWC-Net的红外图像帧率上转换方法 | |
CN107451986B (zh) | 一种基于融合技术的单幅红外图像增强方法 | |
WO2022233252A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
Hua et al. | Removing atmospheric turbulence effects via geometric distortion and blur representation | |
CN109658357A (zh) | 一种面向遥感卫星图像的去噪方法 | |
Pan et al. | A new moving objects detection method based on improved SURF algorithm | |
Zhang et al. | Dehazing with improved heterogeneous atmosphere light estimation and a nonlinear color attenuation prior model | |
Raveendran et al. | Image fusion using LEP filtering and bilinear interpolation | |
Chen et al. | Image segmentation in thermal images | |
Zhou et al. | Single image dehazing based on weighted variational regularized model | |
Wang et al. | Image haze removal using a hybrid of fuzzy inference system and weighted estimation | |
Tung et al. | Multiple depth layers and all-in-focus image generations by blurring and deblurring operations | |
Nieuwenhuizen et al. | Dynamic turbulence mitigation with large moving objects | |
CN104732503B (zh) | 图像去雾增强方法和装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 100094 room 901, 9 / F, building 4, zone 1, 81 Beiqing Road, Haidian District, Beijing Applicant after: Guoke Tiancheng Technology Co.,Ltd. Address before: 100094 room 901, 9 / F, building 4, zone 1, 81 Beiqing Road, Haidian District, Beijing Applicant before: TEEMSUN (BEIJING) TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |