:本发明属于图像处理领域,针对红外图像灰度级的不合理分布导致低对比度弱纹理表达性问题,本发明提出了一种自适应滤波分层的红外增强方法。具体地说是采用融合局部信息熵的双边滤波ssr(single-scale retinex)理论实现图像分层,并利用基于最大熵阈值分割的双直方图均衡化算法和自适应gamma变换算法实现了红外图像的对比度增强和细节增强以提高图像的质量和可识别性。
背景技术
0、
背景技术:
1、红外图像是通过红外传感器捕捉物体所辐射的热量来生成的,广泛应用于军事侦察、监测、医学诊断、工业检测等领域。然而,受环境因素和设备性能等制约,红外图像常常存在图像质量较低、对比度不足、细节信息丢失等问题,这给后续的特征提取、识别或跟踪等工作带来了极大的困扰。因此,采用有效的增强方法对红外图像进行处理,以提高其可视性和可分辨性,具有重要的实际意义。
2、红外图像的增强方法主要分为:基于直方图的增强和图像的分层增强。基于直方图的图像增强方法是一种通过调整图像直方图分布来优化图像对比度和亮度的技术。在众多基于直方图的增强方法中,包括了标准直方图均衡、双直方图均衡、平台直方图均衡、自适应直方图均衡和限制对比度的自适应直方图均衡等。直方图均衡方法能够有效地提高红外图像的对比度,使得图像中的目标和背景更加明显。然而,基于直方图的图像增强方法普遍存在一个共性问题,即忽略了图像灰度级的空间分布及其相关性,灰度级的重分布破坏了部分像素的空间相关性,未能体现图像的局部纹理细节特征。基于图像的分层增强源于retinex理论,认为人类视觉系统可以通过对比度和颜色恒常性来适应不同的光照条件,图像可被分解为基础层图像和细节层图像。基于retinex理论的红外图像增强算法包括单尺度retinex算法ssr。多尺度retinex算法msr和带颜色恢复的多尺度msrcr算法。retinex算法具有明显的优势,可以轻松增强图像的对比度,这些方法主要通过高斯卷积模板进行光照估计,因不具备保留边缘的能力,图像整体增强效果存在色偏、颜色失真、光晕等缺陷,不能很好地显示图像原始信息。
3、为了进一步提升红外图像的亮度和对比度,同时保持图像的自然效果,本发明突出了一种基于自适应滤波分层的红外图像增强方法,能够避免红外图像增强中出现欠增强、过增强以及对比度不高的问题,并且在多种场景下都能够在提升图像质量的同时保持良好的视觉效果。首先,利用自适应双边滤波作为ssr理论的中心环绕函数在去噪的同时,有效地保留了图像的边缘特征。其次,采用基于最大熵的双直方图均衡算法对基础层图像进行增强,能够衡量直方图灰度级合并以及细节丢失情况,使对比度得到最适中的增强。此外,进一步采用自适应于细节层图像亮度分布的gamma变换方法增强细节层图像。最后,融合基础层图像和细节层图像得到最终的增强图像。
4、本发明是从滤波分层的角度,针对基础层图像为图像的低频信息包含大动态信息,细节层图像为图像的高频信息包含小动态信息的特征差异,通过采用相应的增强算法旨在改善红外图像整体对比度低、细节显示不够清晰问题的一种手段。
技术实现思路
0、
技术实现要素:
1、本发明通过采用融合局部信息熵的自适应双边滤波ssr算法将原始图像分解为基础层图像和细节层图像,然后利用基于最大熵的双直方图均衡化算法改善基础层对比度和亮度呈现以及利用gamma变换增强细节层纹理,最后将增强后的基础层图像和细节层图像作retinex反变换得到增强的红外图像,旨在提高红外图像的可视性和目标检测效果。
2、本发明采用的技术方案是:
3、第一步:读取原始红外图像i,图像的大小为m×n,其中m是图像i的宽度像素数,n是图像i的高度像素数;
4、第二步:通过式(1)基于ssr理论思想将图像分解为基础层图像l和细节层图像r,在实际处理中,通常采用式(2)将式(1)等价变换到对数域;
5、i=l×r (1)
6、ln i=ln l+ln r (2)
7、第三步:通过式(3)-(7)计算融合局部信息熵的自适应双边滤波函数f(x,y);ω(x,y)为以像素(x,y)为中心点邻域像素集合,ω(x,y)内像素点坐标可表示为(i,j),i(x,y)是(x,y)像素值,i(i,j)是(i,j)像素值;计算空间域核函数ws(i,j)和灰度域核函数wr(i,j),式中,σs是空间域标准差;σr是灰度域标准差;为提升双边滤波的边缘保持能力,引入权重参数α,运用式(6)计算自适应双边滤波核函数w(i,j),entropy(i)为图像信息熵,entropy[ω(x,y)]为邻域像素集合ω(x,y)信息熵;
8、
9、
10、
11、w(i,j)=(1-α)ws(i,j)+αwr(i,j) (6)
12、
13、第四步:将式(7)中得到的自适应双边滤波函数f作为ssr理论的中心环绕函数,通过式(8)对原始红外图像滤波得到基础层图像l′;
14、
15、第五步:通过式(9)对原始红外图像去除基础层图像得到细节层图像r′;
16、r′=exp(ln i-ln l) (9)
17、第六步:基于假定分割阈值t'将基础层图像l′分割成背景区域和目标区域,通过式(10)、式(11)分别计算背景区域信息熵hb(t')、目标区域信息熵ho(t'),式中,pg为每一灰度级像素值的概率;pt'为背景区域灰度分布概率,l为图像的灰度级,l取256;式(12)计算使得背景区域信息熵和目标区域信息熵的和最大的分割阈值,记为最大熵分割阈值tme;
18、
19、
20、tme=arg max(ho(t′)+hb(t′)) (12)
21、第七步:采用ostu算法计算基础层图像l′的数据分割点tostu,将tme和tostu结合,采用基于最大熵的双直方图均衡化的方法,对基础层图像l′进行增强得到基础层增强图像le;
22、第八步:通过式(13)-(14)采用自适应gamma对细节层图像r′进行增强得到细节层增强图像re,γ是自适应细节层图像的亮度分布特征,hi,i=0,1,2,…,l-1定义为基础层图像l′的灰度直方图的灰度变量,参数c定义为暗区域像素范围,c取90;
23、re=rγ (13)
24、
25、第九步:公式(15)进行retinex反变换融合基础层图像和细节层图像,
26、ie=exp(ln le+ln re) (15)
27、得到增强图像ie。
28、本发明优点在于:
29、1、为避免红外图像增强中出现欠增强、过增强以及对比度不高等问题;
30、2、在多种复杂场景下得到可靠的增强效果;
31、3、增强图像视觉效果更清晰,细节信息更丰富
1.基于自适应滤波分层的红外图像增强方法,其特征在于如下步骤: