CN113160097A - 一种基于直方图变换的红外图像量化方法 - Google Patents
一种基于直方图变换的红外图像量化方法 Download PDFInfo
- Publication number
- CN113160097A CN113160097A CN202110326473.0A CN202110326473A CN113160097A CN 113160097 A CN113160097 A CN 113160097A CN 202110326473 A CN202110326473 A CN 202110326473A CN 113160097 A CN113160097 A CN 113160097A
- Authority
- CN
- China
- Prior art keywords
- histogram
- max
- gray
- image
- ordered
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013139 quantization Methods 0.000 title claims abstract description 19
- 230000009466 transformation Effects 0.000 title claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 230000001174 ascending effect Effects 0.000 claims abstract description 4
- 238000009825 accumulation Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012800 visualization Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于直方图变换的红外图像量化方法,对输入的原始红外图像中的所有像素按照灰度值的大小统计各灰度值出现的频率,得到灰度直方图;对灰度直方图中的出现率频为非零的灰度值按升序重新组合,得到有序直方图,以及灰度直方图和有序直方图之间的索引映射函数;对有序直方图以固定斜率构造倾斜分布直方图;以与有序直方图之间距离最小以及与倾斜分布直方图之间距离最小为目标建立改进有序直方图;根据索引映射函数将改进有序直方图一一映射到目标直方图,计算出目标直方图中的有效动态范围,并将图像动态范围量化至目标范围。本发明可以获得目标细节完整、可视化效果优良的图像。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于直方图变换的红外图像量化方法。
背景技术
红外成像技术在倾斜搜索光电***(如无人机红外搜索和跟踪***)中有着广泛应用,为了兼顾可探测的动态范围及探测灵敏度,现代高质量的红外传感器输出的原始信号可达到14位(或16位)数据范围,然而在一张图像中人类肉眼只能大约分辨出128个灰度级,因此首先需要将原始图像量化到传统显示器可显示的8位数据范围内。
近年来,许多基于机器学习和深度学习的目标自动识别模型被用于目标检测,使得检测更加高效和准确,目标自动识别算法受训练图像的质量影响较大。在高动态红外图像中,大部分场景背景区域都处于相近的灰度级,且场景细节与背景的对比度往往比较低,原始的红外图像直方图通常有一个又高又窄的峰值,若直接线性量化至8位数据范围,将会导致图像中信息的丢失、对比度较低,不利于后续目标区域的检测识别。
发明内容
本发明的发明目的在于一种基于直方图变换的红外图像量化方法,该方法通过灰度直方图将14位或更多位的红外图像中的所有像素按照灰度值的大小统计其出现的频率,反映了灰度图像的统计特性。通过对灰度直方图进行特定变换,调整像素灰度值的分布函数,可增加图像中不同纹理信息的细节特征,同时抑制背景中的高频信息,从而获得有效的对比度增强图像。因此,基于直方图变换可以从全局上对14位或更多位的红外图像进行快速有效的量化,获得目标细节完整、可视化效果优良的8位数据图像。
本发明的发明目的通过以下技术方案实现:
一种基于直方图变换的红外图像量化方法,包含以下步骤:
步骤一,原始红外图像输入;
步骤二、对输入的原始红外图像中的所有像素按照灰度值的大小统计各灰度值出现的频率,得到灰度直方图Hx;
步骤三、对灰度直方图Hx中的出现率频为非零的灰度值按升序重新组合,得到有序直方图Ho,以及灰度直方图和有序直方图之间的索引映射函数Ω(k);
步骤四,对有序直方图以固定斜率构造倾斜分布直方图Hr:
步骤五,以与有序直方图Ho之间距离最小以及与倾斜分布直方图Hr之间距离最小为目标建立改进有序直方图Hm;
步骤六,根据索引映射函数Ω(k)将改进有序直方图Hm一一映射到目标直方图Ht,计算出目标直方图Ht中的有效动态范围,并将图像动态范围量化至[0,2s-1];其中,s为目标图像的位数;
步骤七,输出量化后的目标图像。
优选地,将图像动态范围量化至[0,2s-1]的计算过程按照以下流程进行:
1)确定目标直方统计图中统计最大值所对应的灰度值gmax;
2)以gmax为起点同时向两侧进行统计值累加Psum(m):
Psum(m)≤T
其中,m表示以gmax为起点向两侧统计的距离,ni表示灰度值为i的像素点数量,nsum表示图像总像素点数,N表示像素值存储位数,对于14位数据图像N=14,T表示停止累加的阈值;
3)tmin、tmax表示灰度直方图停止累加时所对应的最大和最小灰度值,tmin=gmax-m,tmax=gmax+m,当累加过程中gmax+m所对应的直方统计值为零时这一侧累加终止记tmax=gmax+m,另一侧的累加继续进行直至满足阈值终止条件记tmin=gmax-m′,gmax-m所对应的直方统计值为零时同理;
4)以tmin、tmax为边界将灰度值映射到要s位数据范围:
本发明的有益效果在于:
1、本发明提供的基于直方图变换的红外图像量化方法,提高了红外图像的对比度,在增强图像质量和感知图像质量方面具有较好的效果。
2、本发明提供的基于直方图变换的红外图像量化方法,可以自适应计算红外图像的有效动态范围,扩展了量化图像的有效灰度范围。
附图说明
图1是本发明基于直方图变换的红外图像量化方法的整体框图。
图2是直接线性量化的结果图与基于直方图变换的红外图像量化方法进行量化的结果图的对比,其中,(a)原始图像直接线性量化结果,(b)是基于直方图变换的红外图像量化方法进行量化的结果图。
图3是本发明实施案例中原始图像的灰度直方图。
图4是本发明实施例中的量化后输出图像的灰度直方图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。
参见图1所示,本实施例所示的一种基于直方图变换的红外图像量化方法,包含以下步骤:
步骤一,原始红外图像输入。在本实施例中,原始红外图像为高质量的红外传感器直接输出的14位或更高位数的原始动态红外图像,获取原始红外图像的宽度W、高度H等基本信息。
步骤二、对输入的原始红外图像中的所有像素按照灰度值的大小统计各灰度值出现的频率,得到灰度直方图Hx。
Hx={hx(k)|1≤k≤K}
其中,K为不同灰度值的数量,对于14位数据的原始红外图像K等于214,hx(k)表示原始红外图像中所有对应灰度值为k的像素点的统计数量。参见图3所示,原始的红外图像直方图中像素动态范围较大但有效灰度范围集中在有限区域,图像对比度较低。
步骤三、对灰度直方图Hx中的出现率频为非零的灰度值按升序重新组合,得到有序直方图Ho,以及灰度直方图和有序直方图之间的索引映射函数Ω(k)。
Ho={ho(l)|1≤l≤L}
其中,L表示hx(k)中出现率频为非零的灰度值的数量,在重新排序过程中可得到l和k之间的索引映射函数l=Ω(k)。
Hr={hr(l)|1≤l≤L}
步骤五,以与有序直方图Ho之间距离最小以及与倾斜分布直方图Hr之间距离最小为目标建立改进有序直方图Hm,并求取二次优化问题的解:
Hm={hm(l)|1≤l≤L}
其中,Hm为改进有序直方图,α为一个权重系数,当α等于0时,Hm和有序直方图一致,当α值越大时Hm越接近倾斜分布直方图,一般应用中取α值为1。
步骤六,根据l和k之间的索引映射函数Ω(k),将改进有序直方图Hm一一映射到目标直方图Ht,Ht仍然处于14位数据高动态范围内,需自动计算出目标直方图Ht中的有效动态范围,并将图像动态范围调整至[0,2s-1]。
其中,s为目标图像的位数,对于8位数的目标图像,图像动态范围压缩至[0,255],计算过程按照以下流程进行:
1)确定目标直方统计图中统计最大值所对应的灰度值gmax;
2)以gmax为起点同时向两侧进行统计值累加Psum(m);
Psum(m)≤T
其中,m表示以gmax为起点向两侧统计的距离,ni表示灰度值为i的像素点数量,nsum表示图像总像素点数,N表示像素值存储位数,对于14位数据图像N=14,T表示停止累加的阈值。
3)tmin、tmax表示灰度直方图停止累加时所对应的最大和最小灰度值,通常tmin=gmax-m,tmax=gmax+m,当累加过程中gmax+m所对应的直方统计值为零时这一侧累加终止记tmax=gmax+m,另一侧的累加继续进行直至满足阈值终止条件记tmin=gmax-m′,gmax-m所对应的直方统计值为零时同理。
4)以tmin、tmax为边界将灰度值映射到8位数据范围:
步骤七,输出量化后的目标图像。
为验证本发明提供的一种基于直方图变换的红外图像量化方法的功效,本实例对一幅分辨率为1024×1024的14位数据红外图像进行实验。图2中的(a)和(b)以及图3和图4的对比可以看出:对高质量红外传感器输出的原始图像直接进行灰度线性量化处理,图中包含丰富的细节信息,但其对比度较低、亮度不足,图像边缘细节模糊,视觉效果不佳;使用本发明提供的方法量化出的图像可以有效提升原始图像的对比度,在增强图像质量和感知图像质量方面具有较好的效果。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (3)
1.一种基于直方图变换的红外图像量化方法,包含以下步骤:
步骤一,原始红外图像输入;
步骤二、对输入的原始红外图像中的所有像素按照灰度值的大小统计各灰度值出现的频率,得到灰度直方图Hx;
步骤三、对灰度直方图Hx中的出现率频为非零的灰度值按升序重新组合,得到有序直方图Ho,以及灰度直方图和有序直方图之间的索引映射函数Ω(k);
步骤四,对有序直方图以固定斜率构造倾斜分布直方图Hr:
步骤五,以与有序直方图Ho之间距离最小以及与倾斜分布直方图Hr之间距离最小为目标建立改进有序直方图Hm;
步骤六,根据索引映射函数Ω(k)将改进有序直方图Hm一一映射到目标直方图Ht,计算出目标直方图Ht中的有效动态范围,并将图像动态范围量化至[0,2s-1];其中,s为目标图像的位数;
步骤七,输出量化后的目标图像。
3.根据权利要求1所述的一种基于直方图变换的红外图像量化方法,其特征在于将图像动态范围量化至[0,2s-1]的计算过程按照以下流程进行:
1)确定目标直方统计图中统计最大值所对应的灰度值gmax;
2)以gmax为起点同时向两侧进行统计值累加Psum(m):
Psum(m)≤T
其中,m表示以gmax为起点向两侧统计的距离,ni表示灰度值为i的像素点数量,nsum表示图像总像素点数,N表示像素值存储位数,对于14位数据图像N=14,T表示停止累加的阈值;
3)tmin、tmax表示灰度直方图停止累加时所对应的最大和最小灰度值,tmin=gmax-m,tmax=gmax+m,当累加过程中gmax+m所对应的直方统计值为零时这一侧累加终止记tmax=gmax+m,另一侧的累加继续进行直至满足阈值终止条件记tmin=gmax-m′,gmax-m所对应的直方统计值为零时同理;
4)以tmin、tmax为边界将灰度值映射到要s位数据范围:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326473.0A CN113160097B (zh) | 2021-03-26 | 2021-03-26 | 一种基于直方图变换的红外图像量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326473.0A CN113160097B (zh) | 2021-03-26 | 2021-03-26 | 一种基于直方图变换的红外图像量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113160097A true CN113160097A (zh) | 2021-07-23 |
CN113160097B CN113160097B (zh) | 2023-12-22 |
Family
ID=76884986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110326473.0A Active CN113160097B (zh) | 2021-03-26 | 2021-03-26 | 一种基于直方图变换的红外图像量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160097B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE602004014901D1 (de) * | 2004-04-29 | 2008-08-21 | Mitsubishi Electric Corp | Adaptive Quantisierung einer Tiefenkarte |
CN105654438A (zh) * | 2015-12-27 | 2016-06-08 | 西南技术物理研究所 | 基于局部直方图均衡的灰度图像拟合增强方法 |
CN107909562A (zh) * | 2017-12-05 | 2018-04-13 | 华中光电技术研究所(中国船舶重工集团公司第七七研究所) | 一种基于像素级的快速图像融合算法 |
CN109858449A (zh) * | 2019-02-01 | 2019-06-07 | 安谋科技(中国)有限公司 | 图像处理方法、装置、介质及*** |
CN110223248A (zh) * | 2019-05-22 | 2019-09-10 | 浙江黑卡光电有限公司 | 一种红外图像细节增强的动态范围压缩方法 |
CN110827229A (zh) * | 2019-11-01 | 2020-02-21 | 中国科学院长春光学精密机械与物理研究所 | 一种基于纹理加权直方图均衡化的红外图像增强方法 |
-
2021
- 2021-03-26 CN CN202110326473.0A patent/CN113160097B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE602004014901D1 (de) * | 2004-04-29 | 2008-08-21 | Mitsubishi Electric Corp | Adaptive Quantisierung einer Tiefenkarte |
CN105654438A (zh) * | 2015-12-27 | 2016-06-08 | 西南技术物理研究所 | 基于局部直方图均衡的灰度图像拟合增强方法 |
CN107909562A (zh) * | 2017-12-05 | 2018-04-13 | 华中光电技术研究所(中国船舶重工集团公司第七七研究所) | 一种基于像素级的快速图像融合算法 |
CN109858449A (zh) * | 2019-02-01 | 2019-06-07 | 安谋科技(中国)有限公司 | 图像处理方法、装置、介质及*** |
CN110223248A (zh) * | 2019-05-22 | 2019-09-10 | 浙江黑卡光电有限公司 | 一种红外图像细节增强的动态范围压缩方法 |
CN110827229A (zh) * | 2019-11-01 | 2020-02-21 | 中国科学院长春光学精密机械与物理研究所 | 一种基于纹理加权直方图均衡化的红外图像增强方法 |
Non-Patent Citations (2)
Title |
---|
FAZAL MALIK等: "Analysis of distance metrics in content-based image retrieval using statistical quantized histogram texture features in the DCT domain", pages 1 - 12, Retrieved from the Internet <URL:《网页在线公开:https://www.sciencedirect.com/science/article/pii/S1319157812000444》> * |
方甲永等: "一种新的飞机红外图像灰度量化方法", 《激光与红外》, vol. 46, no. 4, pages 425 - 429 * |
Also Published As
Publication number | Publication date |
---|---|
CN113160097B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559324B (zh) | 一种线阵图像中的目标轮廓检测方法 | |
US9275447B2 (en) | Method and system for describing image region based on color histogram | |
CN111353552A (zh) | 一种基于感知哈希算法的图像相似度对比方法 | |
CN110111292B (zh) | 一种红外与可见光图像融合方法 | |
CN117764986B (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
CN110197185B (zh) | 一种基于尺度不变特征变换算法监测桥下空间的方法和*** | |
CN106600613B (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
CN116091455A (zh) | 基于机器视觉的钢网表面缺陷判定方法 | |
CN116993718B (zh) | 基于机器视觉的tft阵列基板缺陷检测方法 | |
CN116188468A (zh) | 一种hdmi线缆传输分拣智能控制*** | |
CN117036737A (zh) | 基于信息熵、gms与lc显著检测的特征提取与匹配方法 | |
CN118015002B (zh) | 一种交通工程路况视觉检测方法及*** | |
CN112907580A (zh) | 一种应用于弱纹理场景下的综合点线特征的图像特征提取和匹配算法 | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
CN117593651A (zh) | 一种隧道裂纹分割识别方法 | |
CN111126371B (zh) | 一种基于图像处理的粗指针表盘示数读取方法 | |
CN106485264B (zh) | 基于梯度序划分及映射策略的曲线描述及匹配方法 | |
CN113160097B (zh) | 一种基于直方图变换的红外图像量化方法 | |
CN109472794B (zh) | 一种对图像进行超像素分割的方法及*** | |
CN112037137A (zh) | 一种红外图像中绝缘子盘面边缘模糊区域消除方法及装置 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
CN113393395B (zh) | 一种高动态红外图像分割阈值自适应计算方法 | |
CN110232709B (zh) | 一种变阈值分割的线结构光光条中心提取方法 | |
CN113834447A (zh) | 一种户外复杂环境下高动态激光光条自适应成像处理方法 | |
CN117409275B (zh) | 一种多角度雷达图像处理方法 |
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 |