本发明涉及一种红外图像增强方法,尤其是一种基于大气散射模型的红外图像增强方法。
背景技术:
目前,现有的红外图像增强方法难以恢复出红外图像中原本隐藏的大量的场景细节,导致红外图像中原本隐藏的大量的场景细节丢失,而且在此过程中容易引入过曝光、过增强、光晕效应等负面效应。因此有必要设计出一种基于大气散射模型的红外图像增强方法,能够恢复出红外图像中原本隐藏的大量的场景细节,且不会引入负面效应。
技术实现要素:
本发明的目的在于:提供一种基于大气散射模型的红外图像增强方法,能够恢复出红外图像中原本隐藏的大量的场景细节,且不会引入负面效应。
为了实现上述发明目的,本发明提供了一种基于大气散射模型的红外图像增强方法,包括如下步骤:
步骤1,利用反转红外图像和有雾图像之间的相似性,对红外图像进行反转操作将其转化为虚拟的雾天图像;
步骤2,利用四叉树分解技术将反转红外图像分割为一系列子块,并在各子块内进行独立的去雾处理;
步骤3,将去雾处理后的反转红外图像再次反转,得到增强后的红外图像;
步骤4,基于导向全变分模型对增强后的红外图像进行边缘修复;
步骤5,基于retinex模型对对增强后的红外图像进行亮度调节,从而获得最终的增强后的红外图像。
进一步地,步骤1中,对红外图像进行反转操作如下:
ireverse(x,y)=1-iinfrared(x,y)(1)
式(1)中,iinfrared(x,y)是目标红外图像,ireverse(x,y)是反转红外图像。
进一步地,步骤2中,利用四叉树分解技术对反转红外图像ireverse(x,y)进行图像分割如下:
式(2)中,
进一步地,步骤2中,在各子块内进行独立的去雾处理的具体步骤为:
步骤2.1,对大气散射模型进行改进,并基于改进的大气散射模型对分割所得的各子块
式(3)中,ai是重新定义的子块大气光,t(i)是重新定义的子块透射率,基于式(3)在各子块
步骤2.2,在各子块
式(4)中,erode(·)是腐蚀算子,dilate(·)是膨胀算子,再在去噪后的子块
步骤2.3,在各子块
步骤2.4,引入图像信息熵函数如下:
式(6)中,entropy(t(i))是当子块透射率为t(i)时所对应的图像块ji(x,y)的信息熵,
式(7)中,max(·)、min(·)和var(·)分别是图像中全图像素强度的最大值、最小值和方差。
因此,定义一个只与子块透射率有关的溢出检测函数,对子块透射率为t(i)时所对应的图像块ji(x,y)进行逐像素检测,具体为:
因此,较为合理的子块透射率t(i)应当对应于较大的s(t(i))值,于是定义子块透射率t(i)优化函数optimal(t(i))如下:
使用黄金分割法对公式(9)求解获得最优的子块透射率
进一步地,步骤3中,得到增强后的红外图像的具体步骤为:将估计所得的
进一步地,步骤4中,基于导向全变分模型对增强后的红外图像进行边缘修复的具体过程如下:
式(10)中,jrefined(x,y)是修正后的清晰图像,定义红外图像iinfrared(x,y)的灰度图像作为导向图g(x,y),α1和α2分别是保真项和边缘修复项的正则化因子,再将公式(10)改写为:
式(11)中,
对式(12)整理得到:
对式(13)迭代求解如下:
式(14)中,k是迭代次数索引,设置初始状态为:(jrefined(x,y))0=j(x,y),迭代终止条件设置为:
进一步地,步骤5中,基于retinex模型对对增强后的红外图像进行亮度调节的具体步骤为:
式(15)中,(x',y')是以像素(x,y)为中心的邻域ω(x,y)中的像素,r(x,y)是亮度修正后的红外图像。
本发明的有益效果在于:通过对现有大气散射模型进行改进,克服了其对反转红外图像的不适用性。进而,通过利用四叉树分解技术将目标图像分割为一系列子块并在各子块中进行独立去雾处理,提高了图像的增强效果。利用了各子块内透射率的局部相似性,提出一种基于子块的透射率估计方法,有效降低了估计复杂度。使用导向全变分模型消除了增强后图像中的块效应,同时对所增强图像进行了边缘修正。使用一种基于retinex模型的增强方法对增强后的图像进行亮度调节,改善了增强后图像的视觉效果。
附图说明
图1为本发明的方法流程图;
图2为本发明处理前的红外图像;
图3为本发明处理中的反转红外图像;
图4为本发明处理中的四叉树分割图;
图5为本发明处理中的四叉树分割图分块去雾图像;
图6为本发明处理中的增强后的红外图像;
图7为本发明处理中的基于导向全变分模型的边缘结构修复图;
图8为本发明处理后的基于retinex模型的增强后图像亮度调节图。
具体实施方式
如图1所示,本发明公开的基于大气散射模型的红外图像增强方法,包括如下步骤:
步骤1,利用反转红外图像和有雾图像之间的相似性,对红外图像进行反转操作将其转化为虚拟的雾天图像;
步骤2,利用四叉树分解技术将反转红外图像分割为一系列子块,并在各子块内进行独立的去雾处理;
步骤3,将去雾处理后的反转红外图像再次反转,得到增强后的红外图像;
步骤4,基于导向全变分模型对增强后的红外图像进行边缘修复;
步骤5,基于retinex模型对对增强后的红外图像进行亮度调节,从而获得最终的增强后的红外图像。
步骤1中,对红外图像进行反转操作如下:
ireverse(x,y)=1-iinfrared(x,y)(1)
式(1)中,iinfrared(x,y)是目标红外图像,如图2所示,ireverse(x,y)是反转红外图像,如图3所示。
步骤2中,利用四叉树分解技术对反转红外图像ireverse(x,y)进行图像分割如下:
式(2)中,
步骤2中,在各子块内进行独立的去雾处理的具体步骤为:
步骤2.1,对大气散射模型进行改进,并基于改进的大气散射模型对分割所得的各子块
式(3)中,ai是重新定义的子块大气光,t(i)是重新定义的子块透射率,基于式(3)在各子块
步骤2.2,在各子块
式(4)中,erode(·)是腐蚀算子,dilate(·)是膨胀算子,再在去噪后的子块
步骤2.3,在各子块
步骤2.4,引入图像信息熵函数如下:
式(6)中,entropy(t(i))是当子块透射率为t(i)时所对应的图像块ji(x,y)的信息熵,
式(7)中,max(·)、min(·)和var(·)分别是图像中全图像素强度的最大值、最小值和方差。
因此,定义一个只与子块透射率有关的溢出检测函数,对子块透射率为t(i)时所对应的图像块ji(x,y)进行逐像素检测,具体为:
因此,较为合理的子块透射率t(i)应当对应于较大的s(t(i))值,于是定义子块透射率t(i)优化函数optimal(t(i))如下:
使用黄金分割法对公式(9)求解获得最优的子块透射率
步骤3中,得到增强后的红外图像的具体步骤为:将估计所得的
步骤4中,基于导向全变分模型对增强后的红外图像进行边缘修复的具体过程如下:
式(10)中,jrefined(x,y)是修正后的清晰图像,定义红外图像iinfrared(x,y)的灰度图像作为导向图g(x,y),α1和α2分别是保真项和边缘修复项的正则化因子,再将公式(10)改写为:
式(11)中,
对式(12)整理得到:
对式(13)迭代求解如下:
式(14)中,k是迭代次数索引,设置初始状态为:(jrefined(x,y))0=j(x,y),迭代终止条件设置为:
步骤5中,基于retinex模型对对增强后的红外图像进行亮度调节的具体步骤为:
式(15)中,(x',y')是以像素(x,y)为中心的邻域ω(x,y)中的像素,r(x,y)是亮度修正后的红外图像,如图8所示。