专利名称：：一种红外焦平面阵列图像增强方法
技术领域：
：本发明属于红外焦平面探测器领域，具体涉及一种红外焦平面阵列图像增强方法。
背景技术：
：红外成像系统随着红外探测器的发展而发展。在第一代红外成像系统中，采用线列探测器，通过一维光机扫描实现成像。随着CCD(ChargeCoupledDevice,电耦合器件)相关技术的成熟，到了20世纪70年代中期，IRFPA(InfraredFocalPlaneArray,红外焦平面阵列)探测器的出现标志着第二代红外成像系统——凝视红外成像系统的诞生。与线列探测器相比，焦平面探测器成像具有空间分辨率高、探测能力强、帧频高等优点，正迅速成为红外成像技术的主流器件。目前凝视红外成像系统已开始广泛应用于夜视、海上营救搜索、天文、工业热探测和医学等民用领域，是红外成像系统的发展方向。然而由于制造材料、工艺以及工作环境等方面的原因，红外焦平面阵列输出的图像普遍存在目标对比度较弱，背景细节模糊等缺点。如某种红外焦平面阵列的标称输出数据宽度是16位，然而实际的使用中，不管场景是怎样的，大部分像素值集中在0x7EC0到0x82C0的范围上，显示效果不言而喻。所以对红外焦平面阵列输出的图像进行图像增强的预处理，使之适合特定应用，则十分必要。图像增强的方法分为空域法和频域法两类，空域法主要是对图像中的各个像素点进行操作；而频域法是在图像的某个变换域内，对图像进行操作，修改变换后的系数，然后再进行反变换得到处理后的图像。频域法将图像看成一种二维信号，对其进行时域到频域的变换。采用4低通滤波(即只让低频信号通过)法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。但是用DSP处理器对一幅图像进行频域的正反变换，计算量大，很难适合实时性要求高的场合。频域法在频域对图像进行增强，无论高通滤波或是低通滤波，都会很大程度的破坏原始图像，很多有效的信息都有可能被滤除。频域法计算复杂，很难由FPGA实现，所以频域法应用于高实时性场合有其局限性。直方图均衡是一种典型的空间域的图像增强方法，直方图均衡化处理的中心思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。原始图像灰度值r归一化在01之间，p(r)为原始图像灰度分布的概率密度函数。直方图均衡化处理实际上就是寻找一个灰度变换函数T，使得变化后的灰度值s^(r),其中，s归一化为01，即建立r与s之间的映射关系，要求处理后图像灰度分布的概率密度函数p(s卜l，期望所有灰度级出现概率相同。——对于数字图像离散情况，其直方图均衡化处理的计算步骤如下(1)统计原始图像的直方图式中，^是归一化的输入图像灰度，是输入图像中归一化灰度等于^的像素个数，n是输入图像的像素总数。(2)计算直方图累积分布曲线y=o产ow(3)用累积分布函数作变换函数进行图像灰度变换根据计算得到的累积分布函数，建立输入图像与输出图像灰度之间的对应关系，最后要将变换后的灰度恢复成原先范围。直方图均衡作为一种基础的图像处理方法在很多领域得到应用，但大多是通过DSP或者CPU编程实现，其优点是灵活性比较高，调试方便，最大的缺点是很难做到实时或者准实时处理，这在某些领域是不可接受的。而使用FPGA实现可以很好地解决实时处理的难题。但是做直方图统计通常需要大小约为一整幅图的存储空间，如《电子技术应用》2006年第11期的"视频图像灰度信号直方图均衡的FPGA实现"一文，优点是直方图均衡可以很好地起到图像增强的效果，不足之处在于其并未解决直方图统计需要耗费大量存储资源的问题，只是简单地在FPGA外部扩展了一片SDRAM做直方图统计，增加了成本，降低了系统的集成度。《微计算机信息》2007年第63巻第6-2期"基于FPGA的实时红外图像线性增强算法"一文中，利用5帧图像，进行帧间迭代的方法，获取图像中的最大值与最小值，进行一段线性拉伸。其优点在于无须缓存整幅图像，对存储资源要求低，但是其帧间迭代的算法效率较低，只能获取图像中的最大值与最小值，拉伸灵活性很低。
发明内容本发明的目的在于提供一种红外焦平面阵列图像增强方法，该方法可以在有限的FPGA资源条件下，有效地增强图像暗区域的细节部分，提高了运算速度。本发明提供的红外焦平面阵列图像增强方法，其步骤包括第l步中值滤波对第n帧图像进行中值滤波，n为待处理图像的帧序号；第2步分段点获取分别利用下式(I)、(II)和式(III)计算经过中值滤波的第n帧图像的最小灰度值XL，最大灰度值x;^和分段点的灰度值xs;6<formula>formulaseeoriginaldocumentpage7</formula>式(III)X:1、^=和《-'分别为第n-1帧图像的最小灰度值、最大灰度值和分段点的灰度值，M*N为第n帧图像的分辨率，min%、maxM和b。/。分别表示用户设定比例值，分别表示实际图像中小于拉伸算法中的最小灰度值，最大灰度值和分段点的灰度值的像素占总像素的比例；min—counts、max_COunter和6—counter-分别为第n帧图像中灰度值小于X^、％=和^"-'的像素个数，AX为迭代权值；第3步分段拉伸利用第2步迭代得到的X:,n+i帧图像后输出的灰度值x;:t1f0x"和x;;拉伸第n+i帧图像，分段拉伸第<formula>formulaseeoriginaldocumentpage7</formula>其中X广为第n+l帧输入图像的原始灰度，SI为分配给[XL，x;]的灰度级，S2为分配给[x〖，x;^]的灰度级，SI，S2由用户设定，Sl+S2为用户需要拉伸到的灰度级。上述中值滤波过程优选快速中值滤波算法，该算法首先对一个3*3窗口的三列元素排序；然后对于列排序后的窗口的三行元素排序；最后求对角线上三个元素的中值，所得中值就是9个元素的中值。本发明在
背景技术：
的基础上，将图像分成亮物体和暗区域两段，分别进行拉伸，有效地增强了图像大面积暗区域的细节部分，抑制了小面积亮物体对拉伸算法效果的影响。开发出基于负反馈思想的帧间迭代算法，迅速稳定地获取每段的分段点。将红外焦平面阵列输出的为w位数字图像量化到k位，使之易于处理。通常情况下w=16或14，k值由用户选定，通常为8位。本算法可以完全由FPGA独立实现，无须外部存储器和DSP的协作。具体而言，本发明方法具有以下技术特点(l)本发明方法的所有步骤中都无需缓存整幅图像，这样本发明大大降低了算法对存储资源的要求。因为IC制造工艺的原因，芯片中内置大容量存储资源会提高芯片的制造成本。本发明的低存储消耗特点使其可以作为一个IP核以较低的成本集成于一个S0C系统。若是在FPGA中实现本发明，资源消耗低，极大地降低了实现成本，提高了系统的集成度。(2)分段点获取步骤中，无须缓存图像，在图像输入的同时，即可完成迭代操作。以X:,。获取为例，迭代步长Vn的选取基于负反馈思想，步长可变，迭代开始时步长较大，当XL逐渐接近真实值后，步长逐渐变小，从而达到较高的迭代精度，一般10帧图像以后，X:mn，XLX，X〖即可趋于稳定。X:mn，X:，X〖的迭代操作充分利用FPGA并行运算的特点，同时执行，大大提高了算法运行的效率。(3)分段拉伸可以将图像拉伸到任意灰度级。目前红外焦平面阵列图像输出多为16位，而对于大多数目标检测跟踪算法，仅需要8位精度的灰度图即可。8(4)分段拉伸步骤中，考虑到红外焦平面椒盐噪声情况较为恶劣的情况下，中值滤波可能没有将所有的椒盐噪声滤除，分段拉伸选取直方图两端mir^和max。/o处的灰度值作为图像的灰度最大值X,和灰度最小值X^，这样即可获取稳定的图像的最大值和最小值，为图像增强算法提供了稳定的参数。一般min取l-3,max取9799。(5)分段拉伸步骤中，采用分两段拉伸的方法，将图像分成亮物体和暗区域两段，分别进行拉伸，有效地增强了图像大面积暗区域的细节部分，抑制了小面积亮物体对拉伸算法效果的影响。本发明优选的快速中值滤波算法仅仅需要三个时钟周期就能求得中值，在速度上有了非常大的提高。该算法并没有降低排序次数，前两个时钟周期，3个三输入排序器都要进行三次的排序，最终取得中值需要21次排序。但是前两个时钟周期3个三输入排序器的比较是同时进行的。该算法采用面积换速度的方法，最大限度的挖掘了FPGA的并行能力，因此其在速度方面的提升也是最大的。图l是本发明方法的流程图2是方形窗和中值滤波算法流程图3是分段点获取步骤状态变迁图4是热像仪输出数字图像时序；.图5是原始图6是增强处理后的图像。具体实施例方式本发明将图像分成亮物体和暗区域两段，分别进行拉伸，有效地增强了图像大面积暗区域的细节部分，抑制了小面积亮物体对拉伸算法效果的影响。本发明的关键是获取第n帧图像的三个灰度值，即该帧图像的最小灰度值x;^，最大灰度值X^和分段点的灰度值X'"，用于拉伸第n+l帧图像，n为图像的帧序号，设图像分辨率大小为M*N。灰度值小于X二的像素个数占图像像素总数的min%，即M*N*min%个；灰度值小于X^的像素个数占图像像素总数的max%，g卩M*N*max%个；灰度值小于X〖的像素个数占图像像素总数的b。/。，即]VPN叶。/。个；min和max及b的值由用户预先设定，一般而言，min的取值范围为13，max为9799，b根据亮物体占图像面积的估算比例进行设定。这样灰度值小于X〖的像素即认为是大面积的暗区域，分配较多的灰度级；灰度值大于X〖的像素即认为是小面积的亮物体，分配较少的灰度级。下面详细说明本发明的步骤本发明提供的红外焦平面阵列图像增强方法，包括中值滤波，分段点获取，分段拉伸。(l)中值滤波中值滤波可以优选下述方式进行3*3方形窗如图2所示，用mid(Il，12，13，14,15，16，17，18，19}来取代原方形窗中间位置的原始像素值。之后，每当一个像素及其邻域像素经过中值滤波处理完毕后，3*3方形窗将不断右移或换行，直到将一幅灰度图像的数据阵列中的所有像素全部处理完。方形窗内的中值滤波算法首先对一个3*3窗口的三列元素排序；然后对于列排序后的窗口的三行元素排序；最后求对角线上三个元素的中值，所得中值就是9个元素的中值。(2)分段点获取x:in，x^和x〖(分段点)的获取采用逐帧迭代的方法。以x^的获取为例，x^为x^的初始值，红外焦平面阵列的标称输出数据宽度是16位，然而实际的使用中，不管场景是怎样的，大部分像素值集中在0x7EC0到0x82C0的范围上，所以令xL^0x7EC0;寄存器min—counter11中记录第n帧图像中，灰度值小于X^的像素个数，AX为迭代权值，AX越大迭代速度越高，但精度变低，权衡迭代精度与迭代效率，一般可设为l。利用如下公式循环迭代，《in=Oep:in《in=M*N*min%—min—counter11寄存器max—coimter"中记录第n帧图像中，灰度值小于X^的像素个数，寄存器b—ccnmtern中记录第n帧图像中，灰度值小于X广的像素个数，x匸和x〖用相同的方法获取。一般10帧图像以后，X:m，X^和X"b即趋于稳定。(3)分段拉伸两段拉伸方法，设其中x;T为第n+i帧输入图像的原始灰度，X〖:/为分段拉伸第n+l帧图像后输出的灰度，Sl为分配给[X^，X〖]的灰度级，S2为分配给[X〖，X^]的灰度级。本实施方式中是将16位的图像拉伸到8位灰度级，所以S1+S2:255;取S1:200,S2=55;利用之前n帧迭代得到的x;i，X^和X〖拉伸第n+l帧图像。变换公式为Xn+1—out=0si*(x:+i-x:in)/(xJ-x:ins2*(xn)/(x:ax-x〗s1+s2vx『n+1<x:ininminvxl—<xr—+1<x::mmmvxmaxn+1'in>xnmax下面通过借助实施例更加详细地说明本发明，但以下实施例仅是说明性的，本发明的保护范围并不受这些实施例的限制。本发明处理某型号制冷型焦平面实时输出的图像，图像幅面大小为-320*256，帧频为50帧/秒，像素数据位宽为16位，场景为室外建筑物，焦平面输出图像时序如图4所示。下面详细说明本发明的步骤:(1)中值滤波在FPGA中生成两个双口RAM,DPRAMO与DPRAM1。每个双口RAM用来缓存3行数据，其大小刚好可以缓存3行数据即可，采用乒乓操作的方法，一个双口RAM做中值滤波的同时，另一个双口RAM存储焦平面输出的图像数据。中值滤波算法的流程如图2所示，首先对一个3*3窗口的三列元素排序;然后对于列排序后的窗口的三行元素排序;最后求对角线上三个元素的中值，所得中值就是9个元素的中值。图像进入本模块后，经过320+3个像素时钟后开始输出中值滤波结果。将帧有效信号延时320+3个像素时钟周期，中值滤波模块即可以焦平面时序输出中值滤波结果图。(2)分段点获取Xnmm，X:和X:(分段点)的获取采用逐帧迭代的方法。以xv的获取为例，XL为x;i的初始值，寄存器miruco皿ter-中记录第n帧图像中，灰度12值小于X^的像素个数，AX为迭代权值。本实例取min=l，max=99，b=80，AX=1;利用如下公式循环迭代，《m=《■!+Step:nSt印11.=Kn.*AXFminmin《n=M*N*min%—min—counter11寄存器max—counter11中记录第n帧图像中，灰度值小于X二的像素个数，寄存器b—counter11中记录第n帧图像中，灰度值小于X『1的像素个数，x^和x"b用相同的方法获取。一般10帧图像以后，X:in，x^和s即趋于稳定。帧信号有效时，每收到一个像素即进行判断，若像素灰度值小于X;:t，min—counter11加一；若像素灰度值小于X:l，max—counter"加一；若像素灰度值小于X;r1，b—counter11加一；当"帧图像传输完后，min—counter11，max—counter11，b_countern记录了第n帧图像中灰度值小于x;l，x=，x广的像素个数。然后以状态机的方式完成迭代操作。有限状态机(FSM)是一个简单的数学模式，具有离散式输入的有限集合。与通过一个根据被接受到输入的次序所决定的有限状态集合，有限状态机可以具有一个有限集合的输出。如果是这样，状态机将会产生一连串的输出以反映出一连串的输入。将有限状态机(FSM)定义成一个五元组M=^0，S^,;i}，I是输入的有限非空集合(输入可以是矢量);O是输出的有限非空集合(输出可以是矢量)；S是状态的有限非空集合；《Sx/—S是状态变迁函数(StateTransitionFunction);A:Sx/—O是输出函数(OutputFuction)。在任何时刻，状态机总是处于某一状态中，当输入进入时，状态机则由状态变迁函数作用，转换到另一状态中。对照一个状态机的五元组，本发明用确定五元组的办法设计一个模板参数编程状态机，其状态变迁图如图3，其中TSo为初始态，TS,为统计图像态，TS2为计算步长系数(/:;iiCaxK)态，TS3为计算步长(StepnminStep:Step〖)态，TS4为计算分段点(X:nX匚X=)态。初始状态为TSo，此状态机输入为复位信号、顿有效"(百号、min—counter11、max—counter11、b一counter11;输出为X:in，Xn_，X。分段点的值；输出函数为计算并输出分段点的值；TSo态:系统逻辑复位后，状态为TSo，X:in，X^取较接近期望值的初始值，《取(XL+X^)/2;复位结束且帧信号有效后跳转到TSi态；TS,态统计第n帧图像中灰度值小于X^，X=，X广的像素个数，并分另ll记录于min—counter11、max—counter11、b—counter11中。帧信号无效时，瑕g转至TS2态；TS2态计算步长系数(A^〈axK)，计算完成后跳转至TS3态；TS3态计算步长(StepLStep;^St《)，计算完成后跳转至TS4态；TS4态迭代分段点(X^X^X:)，计算完成后跳转至TS5态；TSs态空闲态，输出分段点(XLXLX:)的值，当帧信号有效时，跳转至TS,态；如此以来，分段点获取步骤将在内部状态机的控制下稳定的进行。帧信号有效时在TSi态统计图像特性；帧信号无效时在TS2态、T&态、TS4态迭代分段点，完成迭代。在TS5态输出分段点(X:mnXn_X〖)的值并等待下一轮迭代。(3)分段拉伸两段拉伸方法，设其中x;T为第n+i帧输入图像的原始灰度，X:'为分段拉伸第n+l帧图像后输出的灰度，Sl为分配给[X^，X〖]的灰度级，S214为分配给[X〖，X^]的灰度级。令Sl-200，S2=55。将16位的原始图像量化到8位。利用之前n帧迭代得到的x;i，X^和X;拉伸第n+l帧图像。变换公式为<formula>formulaseeoriginaldocumentpage15</formula>表1表示直方图均衡法、一段线性拉伸法、本发明方法的综合性能比较。设图像大小为320*256，像素位宽为16bits;表1三种算法的综合比较<table>tableseeoriginaldocumentpage15</column></row><table>综合考虑三种在FPGA中实现的拉伸算法，直方图均衡虽可以达到很好的拉伸效果，但是耗费的存储资源过高，一段线性拉伸很好地解决了存储资源耗费过大的问题，但是由于其迭代算法效率较低，只能获取图像的最大值与最小值，进行一段线性拉伸。本发明方法继承了一段线性拉伸低存储资源消耗的特点，进行分段拉伸，开发出基于负反馈思想的帧间迭代算法，迅速稳定地获取每段的分段点，达到了较好的图像增强效果。权利要求1、一种红外焦平面阵列图像增强方法，其步骤包括第1步中值滤波对第n帧图像进行中值滤波，n为待处理图像的帧序号；第2步分段点获取分别利用下式(I)、(II)和式(III)计算经过中值滤波的第n帧图像的最小灰度值Xminn，最大灰度值Xmaxn和分段点的灰度值Xbn；<mathsid="math0001"num="0001"><math><![CDATA[<mfencedopen='{'close=''><mtable><mtr><mtd><msubsup><mi>X</mi><mi>min</mi><mi>n</mi></msubsup><mo>=</mo><msubsup><mi>X</mi><mi>min</mi><mrow><mi>n</mi><mo>-</mo><mn>1</mn></mrow></msubsup><mo>+</mo><msubsup><mi>Step</mi><mi>min</mi><mi>n</mi></msubsup></mtd></mtr><mtr><mtd><msubsup><mi>Step</mi><mi>min</mi><mi>n</mi></msubsup><mo>=</mo><msubsup><mi>K</mi><mi>min</mi><mi>n</mi></msubsup><mo>*</mo><mi>ΔX</mi></mtd></mtr><mtr><mtd><msubsup><mi>K</mi><mi>min</mi><mi>n</mi></msubsup><mo>=</mo><mi>M</mi><mo>*</mo><mi>N</mi><mo>*</mo><mi>min</mi><mo>%</mo><mo>-</mo><mi>min</mi><mo>_</mo><msup><mi>counter</mi><mi>n</mi></msup></mtd></mtr></mtable></mfenced>]]></math>id="icf0001"file="A2009100621080002C1.tif"wi="78"he="24"top="92"left="56"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>式(I)<mathsid="math0002"num="0002"><math><![CDATA[<mfencedopen='{'close=''><mtable><mtr><mtd><msubsup><mi>X</mi><mi>max</mi><mi>n</mi></msubsup><mo>=</mo><msubsup><mi>X</mi><mi>max</mi><mrow><mi>n</mi><mo>-</mo><mn>1</mn></mrow></msubsup><mo>+</mo><msubsup><mi>Step</mi><mi>max</mi><mi>n</mi></msubsup></mtd></mtr><mtr><mtd><msubsup><mi>Step</mi><mi>max</mi><mi>n</mi></msubsup><mo>=</mo><msubsup><mi>K</mi><mi>max</mi><mi>n</mi></msubsup><mo>*</mo><mi>ΔX</mi></mtd></mtr><mtr><mtd><msubsup><mi>K</mi><mi>max</mi><mi>n</mi></msubsup><mo>=</mo><mi>M</mi><mo>*</mo><mi>N</mi><mo>*</mo><mi>max</mi><mo>%</mo><mo>-</mo><mi>max</mi><mo>_</mo><msup><mi>counter</mi><mi>n</mi></msup></mtd></mtr></mtable></mfenced>]]></math>id="icf0002"file="A2009100621080002C2.tif"wi="82"he="23"top="127"left="54"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>式(II)<mathsid="math0003"num="0003"><math><![CDATA[<mfencedopen='{'close=''><mtable><mtr><mtd><msubsup><mi>X</mi><mi>b</mi><mi>n</mi></msubsup><mo>=</mo><msubsup><mi>X</mi><mi>b</mi><mrow><mi>n</mi><mo>-</mo><mn>1</mn></mrow></msubsup><mo>+</mo><msubsup><mi>Step</mi><mi>b</mi><mi>n</mi></msubsup></mtd></mtr><mtr><mtd><msubsup><mi>Step</mi><mi>b</mi><mi>n</mi></msubsup><mo>=</mo><msubsup><mi>K</mi><mi>b</mi><mi>n</mi></msubsup><mo>*</mo><mi>ΔX</mi></mtd></mtr><mtr><mtd><msubsup><mi>K</mi><mi>b</mi><mi>n</mi></msubsup><mo>=</mo><mi>M</mi><mo>*</mo><mi>N</mi><mo>*</mo><mi>b</mi><mo>%</mo><mo>-</mo><mi>b</mi><mo>_</mo><msup><mi>counter</mi><mi>n</mi></msup></mtd></mtr></mtable></mfenced>]]></math>id="icf0003"file="A2009100621080002C3.tif"wi="64"he="23"top="154"left="55"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>式(III)Xminn-1、Xmaxn-1和Xbn-1分别为第n-1帧图像的最小灰度值、最大灰度值和分段点的灰度值，M*N为第n帧图像的分辨率，min％、max％和b％分别表示用户设定比例值，分别表示实际图像中小于拉伸算法中的最小灰度值，最大灰度值和分段点的灰度值的像素占总像素的比例；min_countern、max_countern和b_countern分别为第n帧图像中灰度值小于Xminn-1、Xmaxn-1和Xbn-1的像素个数，ΔX为迭代权值；第3步分段拉伸利用第2步迭代得到的Xminn，Xmaxn和Xbn拉伸第n+1帧图像，分段拉伸第n+1帧图像后输出的灰度值Xoutn+1<mathsid="math0004"num="0004"><math><![CDATA[<mrow><msubsup><mi>X</mi><mi>out</mi><mrow><mi>n</mi><mo>+</mo><mn>1</mn></mrow></msubsup><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mn>0</mn></mtd><mtd><mo>∀</mo><msubsup><mi>X</mi><mi>in</mi><mrow><mi>n</mi><mo>+</mo><mn>1</mn></mrow></msubsup><mo><</mo><msubsup><mi>X</mi><mi>min</mi><mi>n</mi></msubsup></mtd></mtr><mtr><mtd><mi>S</mi><mn>1</mn><mo>*</mo><mrow><mo>(</mo><msubsup><mi>X</mi><mi>in</mi><mrow><mi>n</mi><mo>+</mo><mn>1</mn></mrow></msubsup><mo>-</mo><msubsup><mi>X</mi><mi>min</mi><mi>n</mi></msubsup><mo>)</mo></mrow><mo>/</mo><mrow><mo>(</mo><msubsup><mi>X</mi><mi>b</mi><mi>n</mi></msubsup><mo>-</mo><msubsup><mi>X</mi><mi>min</mi><mi>n</mi></msubsup><mo>)</mo></mrow></mtd><mtd><mo>∀</mo><msubsup><mi>X</mi><mi>min</mi><mi>n</mi></msubsup><mo><</mo><msubsup><mi>X</mi><mi>in</mi><mrow><mi>n</mi><mo>+</mo><mn>1</mn></mrow></msubsup><mo><</mo><msubsup><mi>X</mi><mi>b</mi><mi>n</mi></msubsup></mtd></mtr><mtr><mtd><mi>S</mi><mn>2</mn><mo>*</mo><mrow><mo>(</mo><msubsup><mi>X</mi><mi>in</mi><mrow><mi>n</mi><mo>+</mo><mn>1</mn></mrow></msubsup><mo>-</mo><msubsup><mi>X</mi><mi>b</mi><mi>n</mi></msubsup><mo>)</mo></mrow><mo>/</mo><mrow><mo>(</mo><msubsup><mi>X</mi><mi>max</mi><mi>n</mi></msubsup><mo>-</mo><msubsup><mi>X</mi><mi>b</mi><mi>n</mi></msubsup><mo>)</mo></mrow></mtd><mtd><mo>∀</mo><msubsup><mi>X</mi><mi>b</mi><mi>n</mi></msubsup><mo><</mo><msubsup><mi>X</mi><mi>in</mi><mrow><mi>n</mi><mo>+</mo><mn>1</mn></mrow></msubsup><mo><</mo><msubsup><mi>X</mi><mi>nax</mi><mi>n</mi></msubsup></mtd></mtr><mtr><mtd><mi>S</mi><mn>1</mn><mo>+</mo><mi>S</mi><mn>2</mn></mtd><mtd><mo>∀</mo><msubsup><mi>X</mi><mi>in</mi><mrow><mi>n</mi><mo>+</mo><mn>1</mn></mrow></msubsup><mo>></mo><msubsup><mi>X</mi><mi>max</mi><mi>n</mi></msubsup></mtd></mtr></mtable></mfenced></mrow>]]></math></maths>其中Xinn+1为第n+1帧输入图像的原始灰度，S1为分配给[Xminn，Xbn]的灰度级，S2为分配给[Xbn，Xmaxn]的灰度级，S1，S2由用户设定，S1+S2为用户需要拉伸到的灰度级。2、根据权利要求1所述的红外焦平面阵列图像增强方法，其特征在于第1步选用3*3方形窗进行中值滤波，首先对一个3*3窗口的三列元素排序；然后对于列排序后的窗口的三行元素排序；最后求对角线上三个元素的中值，所得中值就是9个元素的中值。全文摘要一种红外焦平面阵列图像增强方法，属于红外焦平面探测器领域，具体涉及特定图像处理算法的硬件实现，目的是在有限的FPGA存储资源条件下，拉伸图像灰度值，提高运算速度。本发明包括中值滤波、分段点获取、分段拉伸。本发明采用的中值滤波消除了图像中的椒盐噪声，分段拉伸有效地增强了图像暗区域的细节部分。本算法无需外部存储器，对FPGA存储资源要求低，实时性好，可以有效的适应红外焦平面探测器对图像增强处理的高要求。文档编号G06T5/00GK101567080SQ200910062108公开日2009年10月28日申请日期2009年5月19日优先权日2009年5月19日发明者涛刘,磊张,张天序,扬李,农桑,波王,王建辉,王晓光,胜钟,颜露新申请人:华中科技大学