專利名稱：一種紅外圖像動態(tài)細(xì)節(jié)增強(qiáng)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及紅外圖像處理技術(shù)領(lǐng)域，具體涉及一種紅外圖像動態(tài)細(xì)節(jié)增強(qiáng)方法。
背景技術(shù)：
不同種類的物體發(fā)射出的紅外光波段是有其特定波段的，人們可以利用這種特定 波段的紅外光來實(shí)現(xiàn)對物體目標(biāo)的探測與跟蹤。自從二十世紀(jì)四十年代初德國研制出硫化 鉛(PbS)探測器以來，紅外探測技術(shù)取得了極大的發(fā)展。以光子探測為代表的制冷型紅外 探測器已經(jīng)應(yīng)用于通信、醫(yī)學(xué)、軍事和工業(yè)等諸多領(lǐng)域，但因其嚴(yán)苛的低溫致冷工作環(huán)境， 造成系統(tǒng)龐大、結(jié)構(gòu)復(fù)雜且成本偏高，從而無法大規(guī)模的推廣應(yīng)用。微測輻熱計作為一種新 型紅外焦平面陣列的發(fā)明，有力的推動了非制冷紅外探測器的發(fā)展，其可靠性高、小型化、 低功耗等優(yōu)點(diǎn)將使非制冷型紅外探測器廣泛應(yīng)用于軍事及民用領(lǐng)域。非制冷紅外焦平面陣列通常由M行XN列個非制冷紅外焦平面單元組成，工作時 溫度目標(biāo)發(fā)出紅外輻射，焦平面單元上的熱敏感薄膜受到紅外輻照電阻值發(fā)生變化，由讀 出電路通過微橋結(jié)構(gòu)中的電學(xué)通道檢測出該電阻值變化所引起的電流變化，并經(jīng)過選通、 積分、采樣和放大幾部分單元的電路處理得到原始紅外圖像，最終由紅外圖像處理算法得 到比較清晰的紅外探測圖像。紅外成像系統(tǒng)普遍存在著輸出目標(biāo)圖像與場景細(xì)節(jié)不清晰的現(xiàn)象，這是繼非均勻 校正之后制約紅外成像系統(tǒng)性能的又一大不足之處。高動態(tài)范圍是紅外圖像的特點(diǎn)之一， 所謂“高”是指人眼只能識別大約128級(7位)灰度階，而非制冷紅外探測器輸出范圍則 是相對較高的14位(大于15000級灰度階)圖像信號，所以需要把14位的數(shù)據(jù)信息壓縮 到7位處理并顯示，這樣一來，即使目標(biāo)處于紅外探測器的探測范圍以內(nèi)，如果采取的數(shù)據(jù) 壓縮方法處理不當(dāng)，使得本來探測到高動態(tài)圖像的信息得不到顯示，即高動態(tài)圖像壓縮可 能會造成原有信息丟失，在顯示圖像中表現(xiàn)為圖像細(xì)節(jié)的丟失。這就是對高動態(tài)范圍紅外 圖像處理的一大難題，采用的圖像處理方法決定了顯示圖像清晰與否的關(guān)鍵。在實(shí)際探測中，受探測器性能限制，紅外圖像會出現(xiàn)對比度低、細(xì)節(jié)信息不明顯、 信噪比低等諸多問題，這些問題表現(xiàn)為像素灰度動態(tài)范圍不大，極少能夠充滿整個灰度級， 絕大多數(shù)像素灰度集中于某些灰度級，直方圖中出現(xiàn)尖峰。傳統(tǒng)的對紅外圖像增強(qiáng)的方法 需兼顧動態(tài)范圍、噪聲抑制、處理器與存儲資源的多種因素，對算法的要求很高，例如直方 圖均衡，包括HE(HisteqEqualization) ,PE(Plateau Equalization)及各種線性拉伸算法， 但是處理高動態(tài)范圍紅外圖像時，不能同時兼顧圖像的低溫區(qū)和高溫區(qū)細(xì)節(jié)信息，可能造 成與背景溫度相差不大的目標(biāo)物體圖像細(xì)節(jié)信息丟失。近年來，由直方圖均衡算法改進(jìn)的 其他算法也層出不窮，例如雙向直方圖均衡是在HE的基礎(chǔ)之上再一次對直方圖的灰度階 做一次等間隔劃分，從而獲得灰度連續(xù)的圖像；小波變換法能夠在增強(qiáng)紅外圖像對比度的 同時，又能很好地抑制紅外圖像中的各種噪聲；以模糊分析方法為基礎(chǔ)，提出了基于模糊邏 輯的紅外圖像增強(qiáng)算法等，然而這些方法都只能克服某一方面的缺陷，無法滿足宏觀和微 觀兩方面對清晰度及細(xì)節(jié)信息的要求。
發(fā)明內(nèi)容
本發(fā)明所要解決的問題是如何提供一種紅外圖像細(xì)節(jié)增強(qiáng)方法，該方法能夠解 決在高動態(tài)范圍場景中定位低對比度目標(biāo)，無論目標(biāo)處于怎樣的溫度范圍都能均衡地增強(qiáng) 不同溫區(qū)內(nèi)圖像細(xì)節(jié)。本發(fā)明所提出的技術(shù)問題是這樣解決的提供一種紅外圖像細(xì)節(jié)增強(qiáng)方法，其特 征在于，包括以下步驟①原始紅外圖像提??；②去噪聲對紅外圖像中灰度的極值點(diǎn)進(jìn)行檢測，如果被檢測極值點(diǎn)的灰度值大于周圍所有 8點(diǎn)的灰度值，則將此點(diǎn)用周圍8點(diǎn)的平均值替換，如果被檢測的極值點(diǎn)的灰度值介于周圍 8點(diǎn)灰度值內(nèi)，則將其灰度保留；③計算梯度信息設(shè)A為原始圖像，Ad為膨脹圖像，Ae為腐蝕圖像，B定義為ωΧω(ω為奇數(shù))矩 形框，Ad、Ae定義為
權(quán)利要求
一種紅外圖像細(xì)節(jié)增強(qiáng)方法，其特征在于，包括以下步驟①原始紅外圖像提??；②去噪聲對紅外圖像中灰度的極值點(diǎn)進(jìn)行檢測，如果被檢測極值點(diǎn)的灰度值大于周圍所有8點(diǎn)的灰度值，則將此點(diǎn)用周圍8點(diǎn)的平均值替換，如果被檢測的極值點(diǎn)的灰度值介于周圍8點(diǎn)灰度值內(nèi)，則將其灰度保留；③計算梯度信息設(shè)A為原始圖像，Ad為膨脹圖像，Ae為腐蝕圖像，B定義為ω×ω(ω為奇數(shù))矩形框，Ad、Ae定義為 <mrow><msub> <mi>A</mi> <mi>d</mi></msub><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>=</mo><mi>A</mi><mo>⊕</mo><mi>B</mi><mo>=</mo><mi>max</mi><mo>{</mo><mi>A</mi><mrow> <mo>(</mo> <mi>s</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo></mrow><mo>|</mo><mi>s</mi><mo>∈</mo><mo>[</mo><mi>i</mi><mo>-</mo><mrow> <mo>(</mo> <mi>w</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow><mo>/</mo><mn>2</mn><mo>,</mo><mi>i</mi><mo>+</mo><mrow> <mo>(</mo> <mi>w</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow><mo>/</mo><mn>2</mn><mo>]</mo><mo>,</mo> </mrow>t∈[j (w 1)/2，j+(w 1)/2]}Ae(i，j)＝A□B＝min{A(s，t)|s∈[i (w 1)/2，i+(w 1)/2]，t∈[j (w 1)/2，j+(w 1)/2]}其中，ω為矩形框的邊長，點(diǎn)(i，j)的像素值替換為周圍四點(diǎn)像素s、t代表矩形框內(nèi)點(diǎn)橫縱坐標(biāo)值A(chǔ)的梯度圖像Ag定義為膨脹圖像與腐蝕圖像的差A(yù)g＝Ad AeAg(i，j)反映了圖像A在(i，j)點(diǎn)位置的變化情況；④權(quán)值消零采用梯度信息Ag與圖像所有列梯度最大值中最小值相加A′g(i，j)＝Ag(i，j)+min(max(Ag(i，j)))修正后的梯度信息保證圖像所有像素對灰度統(tǒng)計值貢獻(xiàn)至少為1；⑤權(quán)值計算設(shè)I(i，j)為圖像A在(i，j)位置的灰度值，該點(diǎn)對灰度I的統(tǒng)計貢獻(xiàn)權(quán)值R(i，j)定義為 <mrow><mi>R</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>=</mo><msubsup> <mi>A</mi> <mi>g</mi> <mo>′</mo></msubsup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>×</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <msqrt><mo>|</mo><mi>I</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>-</mo><msub> <mi>I</mi> <mi>m</mi></msub><mo>|</mo> </msqrt> <mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo></mrow> </mrow>其中Im定義為原圖像的灰度平均值，R(i，j)表明，如果某像素處在細(xì)節(jié)區(qū)域，該灰度值對統(tǒng)計貢獻(xiàn)大，提升將更明顯，同時，如果該灰度值偏離灰度平均值越遠(yuǎn)，即會處在很暗或很亮的區(qū)域，其提升幅度也將會更高；⑥直方圖均衡首先通過傳統(tǒng)的直方圖均衡化方法處理經(jīng)步驟⑤得到的紅外圖像，設(shè)紅外圖像共有M級灰度，其直方圖分布為Pi，經(jīng)直方圖均衡化后有N級灰度，其直方圖分布為Qi，其中Pi和Qi代表分布概率，傳統(tǒng)直方圖算法通過累積分布函數(shù)變換將Pi→Qi，將上述統(tǒng)計貢獻(xiàn)權(quán)值R(i，j)加權(quán)入Pi中并歸一化 <mrow><mi>K</mi><mrow> <mo>(</mo> <msub><mi>x</mi><mi>i</mi> </msub> <mo>)</mo></mrow><mo>=</mo><munder> <mi>Σ</mi> <mrow><mi>I</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>=</mo><msub> <mi>r</mi> <mi>i</mi></msub> </mrow></munder><mi>R</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>/</mo><munder> <mi>Σ</mi> <mrow><mi>i</mi><mo>.</mo><mi>j</mi> </mrow></munder><mi>R</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo></mrow> </mrow>其中Ki代表細(xì)節(jié)加權(quán)后直方圖灰度分布概率，進(jìn)而用Ki代替Pi通過累積分布函數(shù)變換Ki→Qi得到加權(quán)后的直方均衡圖。
全文摘要
本發(fā)明公開了一種紅外圖像細(xì)節(jié)增強(qiáng)方法，包括原始圖像提取、去噪聲、計算梯度信息、權(quán)值計算、權(quán)值消零、直方圖均衡、圖像輸出七大步驟。該方法通過與周圍8點(diǎn)比較的方法去除噪聲，再利用數(shù)學(xué)形態(tài)學(xué)方法中圖像的膨脹與腐蝕之差得到圖像梯度信息，修正此梯度信息避免像素權(quán)值貢獻(xiàn)為零，結(jié)合去噪聲后圖像的灰度值計算出灰度統(tǒng)計權(quán)值，并將此權(quán)值應(yīng)用于細(xì)節(jié)圖像的直方圖均衡算法中并結(jié)合圖像的細(xì)節(jié)信息最終得到細(xì)節(jié)增強(qiáng)后的圖像。
文檔編號G06T5/00GK101980282SQ20101051497
公開日2011年2月23日 申請日期2010年10月21日 優(yōu)先權(quán)日2010年10月21日
發(fā)明者劉子驥, 姜宇鵬, 李偉, 蔣亞東, 辛勇明 申請人:電子科技大學(xué)