CN115587945A - 高动态红外图像细节增强方法、***及计算机存储介质 - Google Patents
高动态红外图像细节增强方法、***及计算机存储介质 Download PDFInfo
- Publication number
- CN115587945A CN115587945A CN202211240751.1A CN202211240751A CN115587945A CN 115587945 A CN115587945 A CN 115587945A CN 202211240751 A CN202211240751 A CN 202211240751A CN 115587945 A CN115587945 A CN 115587945A
- Authority
- CN
- China
- Prior art keywords
- image
- dynamic infrared
- frequency
- filtering
- infrared original
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000002708 enhancing effect Effects 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000002146 bilateral effect Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 125000001475 halogen functional group Chemical group 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001931 thermography 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高动态红外图像细节增强方法、***和计算机存储介质，方法包括：利用引导滤波对高动态红外原始图像进行去噪处理，获得去噪图像；利用高斯滤波对所述去噪图像进行图像分层处理，获得低频图像，利用所述低频图像和高动态红外原始图像获得高频图像；根据人眼视觉特性获得对比度提升函数；利用所述对比度提升函数对所述高频图像进行增强处理，获得增强后细节图像；对所述高动态红外原始图像进行亮度保持的双平台直方图调光处理，获得调光后图像；对所述调光后图像与所述增强后细节图像进行加权融合。本发明去噪效果强，场景自适应性强，在提升较弱细节强度的同时保护原始清晰边缘，还可以有效减弱伪边缘现象。
Description
技术领域
本发明涉及红外图像细节增强技术领域，特别涉及一种高动态红外图像细节增强方法、***及计算机存储介质。
背景技术
红外热成像***因其特有的温差成像方式，可以实现在黑夜，甚至大雾等恶劣条件下提供视频图像而被广泛应用于军事侦察、工业生产等领域。目前，红外机芯可输出位宽达14Bit灰度等级的红外图像，而普通显示设备仅能显示8Bit灰度等级的红外图像，14Bit红外图像的灰度范围远超过普通显示设备的响应范围，所以这样的图像被称为高动态范围图像。为了可以在显示设备中实时观察红外图像，必须将14Bit原始红外图像的动态范围压缩至8Bit。能量变化平缓的景物，生成图像的灰度分布会集中在较狭窄的区间内，而能量变化剧烈的景物所生成图像的灰度会散落在范围较宽的区间。对于高动态范围图像红外图像处理，关键在于将14Bit图像中的信息转化到人眼可观察到的8Bit图像中同时还要保持图像原有的细节信息，具备较好的对比度以供人眼观察。
现有的红外图像增强技术中，有基于双边滤波的动态范围分割算法，但双边滤波器在图像灰度变化比较剧烈的边缘易出现梯度翻转现象，图像将出现光晕伪像，且容易出现伪边缘；有基于引导滤波的DDE算法，算法采用引导滤波代替双边滤波的方法，既保留图像细节信息又避免梯度翻转现象。由于算法采用设定参数的方法，场景自适应性较差，有基于引导滤波的自适应红外图像细节增强算法，通过直方图分布信息为基础层图像确定自适应门限，去除图像中无效灰度值，使得基础层图像能更好地显示有效信息，但算法去噪效果较差，当图像包含大面积天空背景时，处理后的图像包含大量噪声干扰。
发明内容
本发明实施例提供了一种高动态红外图像细节增强方法、***及计算机存储介质，用以解决现有技术中图像出现光晕伪像，容易出现伪边缘和去噪效果较差，图像包含大面积天空背景时，处理后的图像包含大量噪声干扰等问题。
一方面，本发明实施例提供了一种高动态红外图像细节增强方法，包括：
利用引导滤波对高动态红外原始图像进行去噪处理，获得去噪图像；
利用高斯滤波对所述去噪图像进行图像分层处理，获得低频图像，利用所述低频图像和高动态红外原始图像获得高频图像；
根据人眼视觉特性获得对比度提升函数；
利用所述对比度提升函数对所述高频图像进行增强处理，获得增强后细节图像；
对所述高动态红外原始图像进行亮度保持的双平台直方图调光处理，获得调光后图像；
对所述调光后图像与所述增强后细节图像进行加权融合。
在一种可能的实现方式中，利用引导滤波对高动态红外原始图像进行去噪处理，获得去噪图像，包括：根据高动态红外原始图像与引导图像确定引导滤波的权重系数和偏置系数；根据所述引导图像、权重系数和偏置系数对所述高动态红外原始图像进行滤波处理，获得所述去噪图像。
在一种可能的实现方式中，利用高斯滤波对所述去噪图像进行图像分层处理，获得低频图像，利用所述低频图像和高动态红外原始图像获得高频图像，包括：设置一个高斯滤波模板mask；利用所述高斯滤波模板mask与高动态红外原始图像进行卷积操作，获取低频图像；利用所述高动态红外原始图像与所述低频图像作差，获取所述高频图像。
在一种可能的实现方式中，所述对比度提升函数由局部细节调整函数和对比度限制函数的乘积构成。
在一种可能的实现方式中，利用所述对比度提升函数对所述高频图像进行增强处理，获得增强后细节图像，包括：将所述对比度提升函数与所述高频图像做乘积；对乘积的结果进行限制，得到所述增强后细节图像。
在一种可能的实现方式中，对所述高动态红外原始图像进行亮度保持的双平台直方图调光处理，获得调光后图像，包括：设置图像统计直方图的上限阈值，得到直方图累计分布函数，所述双平台直方图为直方图累计分布函数分段后得到的两段平台直方图；将两段所述平台直方图各自进行互不干扰的直方图映射，得到调光后图像。
另一方面，本发明实施例提供了一种高动态红外图像细节增强***，包括：
去噪模块，用于利用引导滤波对高动态红外原始图像进行去噪处理，获得去噪图像；
分层模块，用于利用高斯滤波对所述去噪图像进行图像分层处理，获得低频图像，利用所述低频图像和高动态红外原始图像获得高频图像；
增强模块，用于根据人眼视觉特性获得对比度提升函数，利用所述对比度提升函数对所述高频图像进行增强处理，获得增强后细节图像；
调光模块，用于对所述高动态红外原始图像进行亮度保持的双平台直方图调光处理，获得调光后图像；
融合模块，用于对所述调光后图像与所述增强后细节图像进行加权融合。
另一方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行上述的方法。
本发明中的一种高动态红外图像细节增强方法、***及计算机存储介质，具有以下优点：
(1)本发明在分层前使用引导滤波对原始图像进行去噪，结合高斯滤波，直接提取抑制噪声后的高频图像，图像数据包含完整的边缘信息；
(2)本发明在高频图像中结合人眼视觉特性，实现了自适应选择增强边缘权重，达到提升较弱细节强度的同时保护原始清晰边缘的效果；
(3)本发明直接利用原始图像进行双平台直方图均衡化调光，避免了对原图进行滤波算法后造成的边缘扩散，调光后的图片与加强后的高频图像加权融合可有效减弱伪边缘现象。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种高动态红外图像细节增强方法的流程图。
图2为本发明实施例提供的一种高动态红外图像细节增强方法的对比效果图A。
图3为本发明实施例提供的一种高动态红外图像细节增强方法的对比效果图B。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案清楚、完整地进行描述，显然，所描述的实施例仅仅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。
申请人对现有技术研究后发现，2009年Branchitta和Francesco提出了基于双边滤波的动态范围分割算法。在此基础上，各国学者提出了与之相似的滤波分层框架算法。在基于双边滤波的动态范围分割算法中，双边滤波将原始图像分为包含低频信息的基础层分量和包含高频信息的细节层分量，通过压缩算法和噪声抑制分别对两层分量进行处理，选择合适的融合比例将两层分量的图像进行融合。分层模式的算法处理，在保留红外图像细节信息的同时增强了红外图像的对比度。但双边滤波器在图像灰度变化比较剧烈的边缘易出现梯度翻转现象，图像将出现光晕伪像，且容易出现伪边缘。为了消除梯度翻转现象并减少整体算法运算时间，Liu等在2014年提出了一种基于引导滤波的DDE算法。DDE算法采用引导滤波代替双边滤波的方法，既保留图像细节信息又避免梯度翻转现象。由于算法采用设定参数的方法导致场景自适应性较差，因此，为了实现自适应场景的参数调节，Zhou等在2018年提出了一种基于引导滤波的自适应红外图像细节增强算法，通过直方图分布信息为基础层图像确定自适应门限，去除图像中无效灰度值，使得基础层图像能更好地显示有效信息。但算法去噪效果较差，当图像包含大面积天空背景时，处理后的图像包含大量噪声干扰。
针对现有技术中的问题，本发明提供了一种高动态红外图像细节增强方法，通过对高动态红外原始图像先进行去噪处理，再对去噪后的图像分层增强处理的方法，解决处理后图像噪声干扰严重的问题，通过结合人眼视觉特性达到自适应选择增强边缘权重，达到提升较弱细节强度的同时保护原始清晰边缘的效果，通过将调光处理后的图像与增强处理后的图像加权融合减弱处理图片时出现的伪边缘现象。
图1为本发明实施例提供的一种高动态红外图像细节增强方法的流程图。本发明实施例提供了一种高动态红外图像细节增强方法，包括：
利用引导滤波对高动态红外原始图像进行去噪处理，获得去噪图像；
利用高斯滤波对所述去噪图像进行图像分层处理，获得低频图像，利用所述低频图像和高动态红外原始图像获得高频图像；
根据人眼视觉特性获得对比度提升函数；
利用所述对比度提升函数对所述高频图像进行增强处理，获得增强后细节图像；
对所述高动态红外原始图像进行亮度保持的双平台直方图调光处理，获得调光后图像；
对所述调光后图像与所述增强后细节图像进行加权融合。
示例性的，利用引导滤波对高动态红外原始图像进行去噪处理，获得去噪图像，包括：根据高动态红外原始图像与引导图像确定引导滤波的权重系数和偏置系数；根据所述引导图像、权重系数和偏置系数对所述高动态红外原始图像进行滤波处理，获得所述去噪图像。
所述引导滤波是一种具有代表性的边缘保持平滑技术，设去噪后的去噪图像q与引导图像I之间存在线性关系，即：
其中，qi表示坐标为i的去噪图像灰度值，Ii表示坐标为i的引导图像灰度值，ωk表示以k坐标位置为中心，r为半径的矩形窗口；ak、bk分别表示引导图像在窗口内的权重系数与偏置系数。引导滤波就是寻找使得高动态红外原始图像p与处理后的去噪图像q差异最小的ak与bk的最优解，因此，需要构造代价函数：E(ak,bk)，即E(ak,bk)＝∑((akIi+bk-pi)2+εak 2)在E(ak,bk)式中，ε表示正则系数，其作用是删除过大的ak，而通过计算可得：
其中，|ω|表示窗口内像素数量，σ2与μk分别表示引导图像I在ωk窗口内的方差与均值。
表示高动态红外原始图像p在ωk窗口内的均值。最后，在整幅图像内采取窗口操作，最后取均值可以得到滤波后的结果：
其中，
利用高斯滤波对所述去噪图像进行图像分层处理，获得低频图像，利用所述低频图像和高动态红外原始图像获得高频图像，包括：设置一个高斯滤波模板mask；利用所述高斯滤波模板mask与高动态红外原始图像进行卷积操作，获取低频图像；利用所述高动态红外原始图像与所述低频图像作差，获取所述高频图像。
所述高斯滤波模板mask如下所示是一个5*5的满足方差为0.5的高斯滤波模板。
利用所述高斯滤波模板mask与q去噪图像进行步长为1的卷积操作，获取低频图像q_L，然后利用q与q_L作差，获取高频图像q_H，即：q_H＝q-q_L。
所述对比度提升函数由局部细节调整函数和对比度限制函数的乘积构成。
设所述对比度提升函数为β(x,y)，利用韦伯比曲线模拟构造局部细节调整函数，实现依据背景光照分量进行对应的细节增强，所述局部细节调整函数为β1(x,y)＝1-0.85·sin(q_L'(x,y)·π)，考虑在实际应用中，对于高动态红外原始图像中梯度较大的地方无需进行过度增强，真正需要强调的地方在于高动态红外原始图像梯度较小的区域，故而，构造一个对比度限制函数k(x,y)，所述对比度限制函数
细节调整函数β1(x,y)与对比度限制函数k(x,y)的乘积为最终的对比度提升函数β(x,y)，即β(x,y)＝β1(x,y)×k(x,y)。采用模拟人眼视觉特性和抑制细节过增强的局部对比度增强函数，可使高对比度地方增强较少，增强图像结果总体比较柔和，视觉效果不至于太锐化，对处于暗区和亮区且细节不明显的像素点具有较强的增强，同时可抑制细节的过增强。上述公式中的q_L'(x,y)和q_H'(x,y)分别为q_L(x,y)和q_H(x,y)归一化后的变量。
利用所述对比度提升函数对所述高频图像进行增强处理，获得增强后细节图像，包括：将所述对比度提升函数与所述高频图像做乘积；对乘积的结果进行限制，得到所述增强后细节图像。
将所述对比度提升函数β(x,y)与所述高频图像q_H(x,y)做乘积，并将乘积结果限制在[-20,20]之间，得到q_HE(x,y)作为增强后细节图像。
在一种可能的实施例中，对所述高动态红外原始图像进行亮度保持的双平台直方图调光处理，获得调光后图像，包括：设置图像统计直方图的上限阈值，得到直方图累计分布函数，所述双平台直方图为直方图累计分布函数分段后得到的两段平台直方图；将两段所述平台直方图各自进行互不干扰的直方图映射，得到调光后图像。
设置图像统计直方图T为上限阈值，当灰度频数P大于T，则将T值赋给P，否则，P保持不变，此处取T＝500，直方图累计分布函数可以表示成下式：
以8192作为直方图分段中心点，前8192个灰度级映射至[y8Start,y8Mid]，后8192个灰度级映射至[y8Mid,255]，其中：
y8Range表示8bit图像的动态范围，此处取y8Range＝235。两段平台直方图各自进行互不干扰的直方图映射即可得到调光后图像q_base(x,y)。
对调光后的图像q_base(x,y)与所述增强后的高频图像q_HE(x,y)加权融合。即：oImg(x,y)＝q_base(x,y)+q_HE(x,y)；所得oImg(x,y)即为最终的增强红外图像，如图2和图3所示。其中，图2中的a为增强细节前的高动态红外图像，b为增强细节后的高动态红外图像。图3中的a为增强细节前的高动态红外图像，b为增强细节后的高动态红外图像。
本发明实施例还提供了一高动态红外图像细节增强***，包括：
去噪模块，用于利用引导滤波对高动态红外原始图像进行去噪处理，获得去噪图像；
分层模块，用于利用高斯滤波对所述去噪图像进行图像分层处理，获得低频图像，利用所述低频图像和高动态红外原始图像获得高频图像；
增强模块，用于根据人眼视觉特性获得对比度提升函数，利用所述对比度提升函数对所述高频图像进行增强处理，获得增强后细节图像；
调光模块，用于对所述高动态红外原始图像进行亮度保持的双平台直方图调光处理，获得调光后图像；
融合模块，用于对所述调光后图像与所述增强后细节图像进行加权融合。
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行上述的方法。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种高动态红外图像细节增强方法，其特征在于，包括：
利用引导滤波对高动态红外原始图像进行去噪处理，获得去噪图像；
利用高斯滤波对所述去噪图像进行图像分层处理，获得低频图像，利用所述低频图像和高动态红外原始图像获得高频图像；
根据人眼视觉特性获得对比度提升函数；
利用所述对比度提升函数对所述高频图像进行增强处理，获得增强后细节图像；
对所述高动态红外原始图像进行亮度保持的双平台直方图调光处理，获得调光后图像；
对所述调光后图像与所述增强后细节图像进行加权融合。
2.根据权利要求1所述的一种高动态红外图像细节增强方法，其特征在于，利用引导滤波对高动态红外原始图像进行去噪处理，获得去噪图像，包括：
根据高动态红外原始图像与引导图像确定引导滤波的权重系数和偏置系数；
根据所述引导图像、权重系数和偏置系数对所述高动态红外原始图像进行滤波处理，获得所述去噪图像。
3.根据权利要求1所述的一种高动态红外图像细节增强方法，其特征在于，利用高斯滤波对所述去噪图像进行图像分层处理，获得低频图像，利用所述低频图像和高动态红外原始图像获得高频图像，包括：
设置一个高斯滤波模板mask；
利用所述高斯滤波模板mask与高动态红外原始图像进行卷积操作，获取低频图像；
利用所述高动态红外原始图像与所述低频图像作差，获取所述高频图像。
4.根据权利要求1所述的一种高动态红外图像细节增强方法，其特征在于，所述对比度提升函数由局部细节调整函数和对比度限制函数的乘积构成。
5.根据权利要求1所述的一种高动态红外图像细节增强方法，其特征在于，利用所述对比度提升函数对所述高频图像进行增强处理，获得增强后细节图像，包括：
将所述对比度提升函数与所述高频图像做乘积；
对乘积的结果进行限制，得到所述增强后细节图像。
6.根据权利要求1所述的一种高动态红外图像细节增强方法，其特征在于，对所述高动态红外原始图像进行亮度保持的双平台直方图调光处理，获得调光后图像，包括：
设置图像统计直方图的上限阈值，得到直方图累计分布函数，所述双平台直方图为直方图累计分布函数分段后得到的两段平台直方图；
将两段所述平台直方图各自进行互不干扰的直方图映射，得到调光后图像。
7.一种高动态红外图像细节增强***，其特征在于，包括：
去噪模块，用于利用引导滤波对高动态红外原始图像进行去噪处理，获得去噪图像；
分层模块，用于利用高斯滤波对所述去噪图像进行图像分层处理，获得低频图像，利用所述低频图像和高动态红外原始图像获得高频图像；
增强模块，用于根据人眼视觉特性获得对比度提升函数，利用所述对比度提升函数对所述高频图像进行增强处理，获得增强后细节图像；
调光模块，用于对所述高动态红外原始图像进行亮度保持的双平台直方图调光处理，获得调光后图像；
融合模块，用于对所述调光后图像与所述增强后细节图像进行加权融合。
8.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211240751.1A CN115587945A (zh) | 2022-10-11 | 2022-10-11 | 高动态红外图像细节增强方法、***及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211240751.1A CN115587945A (zh) | 2022-10-11 | 2022-10-11 | 高动态红外图像细节增强方法、***及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115587945A true CN115587945A (zh) | 2023-01-10 |
Family
ID=84779935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211240751.1A Pending CN115587945A (zh) | 2022-10-11 | 2022-10-11 | 高动态红外图像细节增强方法、***及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115587945A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116433540A (zh) * | 2023-06-15 | 2023-07-14 | 武汉高芯科技有限公司 | 一种红外图像增强方法及*** |
| CN116894793A (zh) * | 2023-09-08 | 2023-10-17 | 南京道成网络科技有限公司 | 一种用于增强图像质量的方法及装置 |
-
2022
- 2022-10-11 CN CN202211240751.1A patent/CN115587945A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116433540A (zh) * | 2023-06-15 | 2023-07-14 | 武汉高芯科技有限公司 | 一种红外图像增强方法及*** |
| CN116433540B (zh) * | 2023-06-15 | 2023-09-29 | 武汉高芯科技有限公司 | 一种红外图像增强方法及*** |
| CN116894793A (zh) * | 2023-09-08 | 2023-10-17 | 南京道成网络科技有限公司 | 一种用于增强图像质量的方法及装置 |
| CN116894793B (zh) * | 2023-09-08 | 2023-11-28 | 南京道成网络科技有限公司 | 一种用于增强图像质量的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107527332B (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
| CN102789635B (zh) | 一种图像增强方法和装置 | |
| CN109064426B (zh) | 一种用于抑制低照度图像中眩光并增强图像的方法及装置 | |
| CN108765336B (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
| CN108090886B (zh) | 一种高动态范围红外图像的显示与细节增强方法 | |
| CN108537756B (zh) | 基于图像融合的单幅图像去雾方法 | |
| CN115587945A (zh) | 高动态红外图像细节增强方法、***及计算机存储介质 | |
| Khan et al. | Localization of radiance transformation for image dehazing in wavelet domain | |
| CN112116536A (zh) | 一种低光照图像增强方法及*** | |
| CN110428389B (zh) | 基于msr理论和曝光融合的微光图像增强方法 | |
| CN114331873A (zh) | 一种基于区域划分的非均匀光照彩色图像校正方法 | |
| Zhou et al. | A multifeature fusion method for the color distortion and low contrast of underwater images | |
| Yang et al. | Low-light image enhancement based on Retinex theory and dual-tree complex wavelet transform | |
| CN116188339A (zh) | 一种基于Retinex及图像融合的暗视觉图像增强方法 | |
| CN117252773A (zh) | 基于自适应颜色校正和导向滤波的图像增强方法及*** | |
| CN115456905A (zh) | 一种基于明暗区域分割的单幅图像去雾方法 | |
| CN109859138B (zh) | 一种基于人眼视觉特性的红外图像增强方法 | |
| CN113592750B (zh) | 一种基于梯度直方图的红外增强方法 | |
| CN111325685A (zh) | 一种基于多尺度相对梯度直方图均衡化的图像增强算法 | |
| Zou et al. | Image haze removal algorithm using a logarithmic guide filtering and multi-channel prior | |
| CN117830134A (zh) | 基于混合滤波分解和图像融合的红外图像增强方法及*** | |
| CN117422631A (zh) | 基于自适应滤波分层的红外图像增强方法 | |
| CN110992287B (zh) | 一种非均匀光照视频的清晰化方法 | |
| CN117611501A (zh) | 一种低照度图像增强方法、装置、设备及可读存储介质 | |
| CN113034379A (zh) | 天候天时自适应的快速图像清晰化处理方法 |
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 |