专利名称：一种红外图像动态细节增强方法
技术领域：
本发明涉及红外图像处理技术领域，具体涉及一种红外图像动态细节增强方法。
背景技术：
不同种类的物体发射出的红外光波段是有其特定波段的，人们可以利用这种特定 波段的红外光来实现对物体目标的探测与跟踪。自从二十世纪四十年代初德国研制出硫化 铅(PbS)探测器以来，红外探测技术取得了极大的发展。以光子探测为代表的制冷型红外 探测器已经应用于通信、医学、军事和工业等诸多领域，但因其严苛的低温致冷工作环境， 造成系统庞大、结构复杂且成本偏高，从而无法大规模的推广应用。微测辐热计作为一种新 型红外焦平面阵列的发明，有力的推动了非制冷红外探测器的发展，其可靠性高、小型化、 低功耗等优点将使非制冷型红外探测器广泛应用于军事及民用领域。非制冷红外焦平面阵列通常由M行XN列个非制冷红外焦平面单元组成，工作时 温度目标发出红外辐射，焦平面单元上的热敏感薄膜受到红外辐照电阻值发生变化，由读 出电路通过微桥结构中的电学通道检测出该电阻值变化所引起的电流变化，并经过选通、 积分、采样和放大几部分单元的电路处理得到原始红外图像，最终由红外图像处理算法得 到比较清晰的红外探测图像。红外成像系统普遍存在着输出目标图像与场景细节不清晰的现象，这是继非均勻 校正之后制约红外成像系统性能的又一大不足之处。高动态范围是红外图像的特点之一， 所谓“高”是指人眼只能识别大约128级(7位)灰度阶，而非制冷红外探测器输出范围则 是相对较高的14位(大于15000级灰度阶)图像信号，所以需要把14位的数据信息压缩 到7位处理并显示，这样一来，即使目标处于红外探测器的探测范围以内，如果采取的数据 压缩方法处理不当，使得本来探测到高动态图像的信息得不到显示，即高动态图像压缩可 能会造成原有信息丢失，在显示图像中表现为图像细节的丢失。这就是对高动态范围红外 图像处理的一大难题，采用的图像处理方法决定了显示图像清晰与否的关键。在实际探测中，受探测器性能限制，红外图像会出现对比度低、细节信息不明显、 信噪比低等诸多问题，这些问题表现为像素灰度动态范围不大，极少能够充满整个灰度级， 绝大多数像素灰度集中于某些灰度级，直方图中出现尖峰。传统的对红外图像增强的方法 需兼顾动态范围、噪声抑制、处理器与存储资源的多种因素，对算法的要求很高，例如直方 图均衡，包括HE(HisteqEqualization) ,PE(Plateau Equalization)及各种线性拉伸算法， 但是处理高动态范围红外图像时，不能同时兼顾图像的低温区和高温区细节信息，可能造 成与背景温度相差不大的目标物体图像细节信息丢失。近年来，由直方图均衡算法改进的 其他算法也层出不穷，例如双向直方图均衡是在HE的基础之上再一次对直方图的灰度阶 做一次等间隔划分，从而获得灰度连续的图像；小波变换法能够在增强红外图像对比度的 同时，又能很好地抑制红外图像中的各种噪声；以模糊分析方法为基础，提出了基于模糊逻 辑的红外图像增强算法等，然而这些方法都只能克服某一方面的缺陷，无法满足宏观和微 观两方面对清晰度及细节信息的要求。
发明内容
本发明所要解决的问题是如何提供一种红外图像细节增强方法，该方法能够解 决在高动态范围场景中定位低对比度目标，无论目标处于怎样的温度范围都能均衡地增强 不同温区内图像细节。本发明所提出的技术问题是这样解决的提供一种红外图像细节增强方法，其特 征在于，包括以下步骤①原始红外图像提取；②去噪声对红外图像中灰度的极值点进行检测，如果被检测极值点的灰度值大于周围所有 8点的灰度值，则将此点用周围8点的平均值替换，如果被检测的极值点的灰度值介于周围 8点灰度值内，则将其灰度保留；③计算梯度信息设A为原始图像，Ad为膨胀图像，Ae为腐蚀图像，B定义为ωΧω(ω为奇数)矩 形框，Ad、Ae定义为
权利要求
一种红外图像细节增强方法，其特征在于，包括以下步骤①原始红外图像提取；②去噪声对红外图像中灰度的极值点进行检测，如果被检测极值点的灰度值大于周围所有8点的灰度值，则将此点用周围8点的平均值替换，如果被检测的极值点的灰度值介于周围8点灰度值内，则将其灰度保留；③计算梯度信息设A为原始图像，Ad为膨胀图像，Ae为腐蚀图像，B定义为ω×ω(ω为奇数)矩形框，Ad、Ae定义为 <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为矩形框的边长，点(i，j)的像素值替换为周围四点像素s、t代表矩形框内点横纵坐标值A的梯度图像Ag定义为膨胀图像与腐蚀图像的差Ag＝Ad AeAg(i，j)反映了图像A在(i，j)点位置的变化情况；④权值消零采用梯度信息Ag与图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证图像所有像素对灰度统计值贡献至少为1；⑤权值计算设I(i，j)为图像A在(i，j)位置的灰度值，该点对灰度I的统计贡献权值R(i，j)定义为 <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定义为原图像的灰度平均值，R(i，j)表明，如果某像素处在细节区域，该灰度值对统计贡献大，提升将更明显，同时，如果该灰度值偏离灰度平均值越远，即会处在很暗或很亮的区域，其提升幅度也将会更高；⑥直方图均衡首先通过传统的直方图均衡化方法处理经步骤⑤得到的红外图像，设红外图像共有M级灰度，其直方图分布为Pi，经直方图均衡化后有N级灰度，其直方图分布为Qi，其中Pi和Qi代表分布概率，传统直方图算法通过累积分布函数变换将Pi→Qi，将上述统计贡献权值R(i，j)加权入Pi中并归一化 <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代表细节加权后直方图灰度分布概率，进而用Ki代替Pi通过累积分布函数变换Ki→Qi得到加权后的直方均衡图。
全文摘要
本发明公开了一种红外图像细节增强方法，包括原始图像提取、去噪声、计算梯度信息、权值计算、权值消零、直方图均衡、图像输出七大步骤。该方法通过与周围8点比较的方法去除噪声，再利用数学形态学方法中图像的膨胀与腐蚀之差得到图像梯度信息，修正此梯度信息避免像素权值贡献为零，结合去噪声后图像的灰度值计算出灰度统计权值，并将此权值应用于细节图像的直方图均衡算法中并结合图像的细节信息最终得到细节增强后的图像。
文档编号G06T5/00GK101980282SQ20101051497
公开日2011年2月23日 申请日期2010年10月21日 优先权日2010年10月21日
发明者刘子骥, 姜宇鹏, 李伟, 蒋亚东, 辛勇明 申请人:电子科技大学