基于引导滤波分层的宽动态范围红外图像细节增强算法

针对宽动态范围红外图像在视觉效果方面出现的对比度低、细节信息不凸显及整体清晰度较差问题,本文提出了一种基于引导滤波分层的宽动态范围红外图像细节增强算法。该算法采用方差决策加权引导滤波对原图作分层,得到了更接近原图的基础层和更精细的细节层。为提高基础层的对比度,首先改进CLAHE的全局剪切点提升增强效果,然后基于AC视觉显著模型指导全局和改进局部直方图的融合,合理兼顾了图像背景和目标;为有效加强细节信息,基于多尺度加权引导滤波得到了信息更全面的新细节层,接着采用梯度域导向滤波对其消噪,再由Sigmoid函数压缩强边缘并突显细微目标,最后将两层信息融合并输出。实验结果表明,该算法在主观视觉和定量指标上均强于对比算法,且自适应强,鲁棒性好。     

一种宽动态范围下的红外图像局部细节增强算法

针对红外图像在宽动态范围下压缩到窄动态范围时带来的图像细节显示模糊、暗处细节丢失以及对比度偏低等问题,提出了一种基于引导滤波分层的红外图像细节自适应增强算法。对背景层利用优化的CLAHE算法来进行压缩,对细节层利用脉冲噪声的多尺度检测并结合韦伯定理的方法进行压缩;解决前述的弱细节模糊以及暗部细节丢失问题。综合主、客观实验结果表明,相对于映射类、分层增强类以及Retinex和集成学习类增强算法,本文所提算法在背景层对比度和光照强度优化、细节层噪声抑制和弱细节增强上取得优异效果;在信息熵、PSNR和SSIM三种客观评测指标下综合效果最佳;处理速度达到150 f/s。在保证实时性的同时,不仅提高了图像的整体对比度,还突出了图像的局部细节,适用于宽温度范围下复杂环境的应用。     

海面红外图像的动态范围压缩及细节增强

动态范围压缩和细节增强是红外图像处理的两个重要课题。为了将高动态海面背景红外图像清晰显示,提出一种高动态范围压缩及细节增强算法。首先,通过基于梯度边缘信息的多方向拉普拉斯增强方法,将梯度图像平滑处理,并与多方向拉普拉斯滤波相乘,实现高动态范围图像的细节增强;然后统计增强后图像的动态广义直方图信息;最后采用灰度级分组的方法构造映射函数,将高动态范围压缩到8 bits,输出可清晰显示的红外图像。对大量海面背景红外图像进行实验分析,结果表明,该算法提高了图像的对比度,有效增强了舰船目标细节,同时抑制了海面背景噪声的放大和光晕现象的产生,最终获得较好的输出图像。     

非制冷红外图像降噪算法综述

红外图像处理中,由于非制冷红外探测器工艺技术上的原因,原始的红外图像包含多种噪声,尤其是椒盐噪声、固定或随机条纹噪声。当前有许多红外图像降噪的滤波算法,但在时间、空间、降噪效果、细节保持等方面各有侧重,难以实现完美结合。如何更快速、更高效、更准确地滤除噪声信息,保留更多的细节信息,是今后红外图像处理降噪研究的关键方向。本文调研了目前主流的红外图像降噪算法,并从传统滤波降噪、变换域滤波降噪、基于图像分层处理滤波降噪三大类别进行了分析比较,并且提出了一种结合传统算法和基于图像分层的自适应降噪算法,为今后的相关领域研究人员提供参考。     

一种结合PE的高动态范围红外图像压缩及细节增强算法

针对在提升高动态范围红外图像中潜在或弱小目标细节的同时,还需兼顾噪声抑制、对比度增强的问题,提出了一种基于引导滤波图像分层的动态范围及细节增强算法。对背景层采用平台直方图均衡算法进行压缩,对细节层先采用中值滤波进行去噪,再采用非线性映射对细节中潜在的弱小目标细节进行增强,最后按照一定权重合并得到细节增强后的图像。综合主、客观实验结果,相对于映射类、直方图均衡、双边滤波分层增强等算法,该算法能够在动态范围压缩的过程中提高红外图像目标场景的对比度,突显其纹理特征,取得良好的细节增强效果。     

基于双边滤波的多尺度分层色调映射算法

为增强高动态范围图像(High dynamic range,HDR)的显示效果,本文提出一种多尺度梯度域色调映射算法。首先提取高动态范围图像的亮度信息,利用双边滤波将高动态范围图像的亮度数据进行多尺度分解,得到基本层和细节层。由于视觉上的亮度变化体现为图像数据的梯度变化,因此可在梯度域对基本层图像进行自适应动态范围压缩,然后加上细节层图像信息,最后再通过色彩校正算法恢复图像色彩,实现HDR图像的动态范围压缩。通过对比算法的定量分析表明,本文算法的方差和信息熵的客观指标分别提高了30.8%和5.9%,因此,本文方法在压缩HDR图像的动态范围的同时,可以更好地保留边界、纹理等细节信息。     

红外图像动态范围压缩算法研究综述

红外图像的动态范围压缩是红外图像可视化研究领域的重要研究方向。红外图像的动态范围压缩算法将直接决定原始红外图像的细节保留、整体观感等重要可视化指标,某种意义上也可以说是细节增强的基础及保障。基于此,本文调研了当前主流的宽动态红外图像的动态范围压缩算法,将其分为基于全局压缩算法和基于局部压缩算法两大类,并对这两类算法的核心思想、发展过程及优缺点分别进行研究分析并提出了改进方向及发展趋势,为相关研究者提供参考。     

基于变分偏微分方程的红外图像增强算法研究

针对红外图像具有对比度低、边缘模糊的缺点,提出一种基于变分偏微分方程理论的红外图像增强方法。通过重建图像梯度场的分布,以此增强图像中纹理细节不明显、对比度小的微弱信息。在梯度场的变换中对噪声的幅值切割,完成了对噪声处理。结果表明本算法使得原图像的灰度平均梯度值提高2~3倍,对增强红外图像的边缘和微弱有用信息效果明显,避免了直方图均衡类算法丢失一些灰度相近且分布较少的微弱细节信息的缺点,为图像识别和跟踪应用提供了高质量的图像信息。     

基于区域梯度信息的红外小目标检测

红外小目标检测一直是红外图像处理的难点之一,由于多种因素的影响,红外小目标容易被覆盖。分析红外图像特征,采用形态学对图像进行背景噪声抑制,在去除大部分噪声的情况下,首先利用灰度信息确定目标点的位置,然后利用区域梯度信息进而确定目标尺寸大小,对仿真图像进行处理并与K均值聚类法和形态学算法进行比较。实验结果表明:在低噪声情况下,三类算法均能有效地进行小目标检测,但在噪声复杂,信噪比较低的情况下,K均值聚类法未能检测出目标,形态学算法产生了多个虚警,而该算法依然能有效检测出小目标。     

基于分层处理的图像增强算法

由于红外图像的对比度低,在红外图像采集中往往需要对其进行相应的图像处理,以增强图像的可视度。图像增强可分为频率域法和空间域法两大类,单纯的频率域法和空间域法功能比较单一,容易造成图像信息的丢失,适用场合受限。结合以上方法,提出一种基于分层处理的图像增强算法,该算法通过频率域法将原始图像分为高频层和低频层两幅图像,并采用空间域法分别对高、低频图像做相应的灰度拉伸,在增强图像动态范围的同时,最大限度的保留图像的细节信息,从而获得更好的图像可视化效果。     

基于NSCT和改进型PCNN的红外与可见光图像融合算法

针对现有红外与可见光图像融合算法中易出现目标信息丢失或减弱的情况,提出了一种基于非下采样Contourlet变换和改进型脉冲耦合神经网络的融合算法.该算法首先对经过预处理和图像配准后的红外和可见光图像进行非下采样Contourlet变换,分别得到两幅图像的高频系数和低频系数;其次,采用改进型脉冲耦合神经网络对源图像高频系数进行融合,用区域能量最大处理低频系数;最后,对融合后的系数进行非下采样Contourlet反变换,得到融合后的图像.实验结果表明,本文算法在主观视觉上显示了更多的图像细节信息,同时客观数据指标也有不同程度的提升.     

一种结合单尺度Retinex与引导滤波的红外图像增强方法

针对传统红外图像增强算法中图像对比度低、细节信息丢失与过度增强等问题,提出了一种单尺度Retinex与引导滤波相联合的红外图像增强方法。首先根据Retinex算法,利用主特征提取法获取原始图像的照射分量和反射分量,对照射分量采用平台直方图增强其对比度;然后利用局部方差加权引导滤波将反射分量分解为基本层和细节层,对两层分量的图像分别进行对比度和细节增强操作;最后将各个层次的结果按照合适的权重因子进行融合得到增强红外图像。实验结果表明,相比于其他增强算法,本文所提方法能更有效地提高红外图像的整体对比度,突出其细节特征,增强后的3组图像的信息熵和平均梯度平均值分别为9.7373和5.6922,相较于原图像分别提升了2.7499和3.8296。     

基于MSPCNN与FCM的红外与可见光图像融合

针对红外和可见光图像融合存在的轮廓信息不全、边缘及纹理细节信息缺失等问题,提出一种改进简化脉冲耦合神经网络（Improved Simplified Pulse Coupled Neural Network, MSPCNN）和模糊C-均值（Fuzzy C-mean, FCM）图像融合算法。首先,将红外和可见光图像用非下采样剪切波算法（NonSubsampled Shearlet Transform,NSST）分解为高低频子带;然后对分解后的高频子带采用MSPCNN融合,用一种高斯分布权重矩阵进行处理,增强细节信息和对比度;接着,将得到的低频子带图像使用FCM聚类算法进行聚类中心提取,设置聚类中心近似阈值简化过程,实现背景分类提取;最后利NSST进行逆变换,从而完成红外和可见光的图像融合过程。通过客观评价指标计算,本文所提方法在平均梯度、标准差、平均相似度等参考指标上相对于其他同类型算法均有改善提高,由于模型参数的简化,算法运行速度相对于其他算法得到提升,算法更适用于复杂场景。     

基于S曲线全局动态调光的改进算法

S曲线全局动态调光算法可以降低LED液晶显示器的功耗,同时能够提高显示图像的静态对比度,但该算法会造成部分图像色彩失真和细节丢失。针对这一问题,本文提出一种图像细节层分离与视觉显著性理论相结合的S曲线改进算法。首先,将原始图像转换至HSV色彩空间进行亮度和色度分离;然后,在图像亮度分量上采用双边滤波得到图像的基础层与细节层,基础层采用S曲线进行动态范围拉伸,实现像素补偿,细节层则运用视觉显著性理论进行分区与权值增强,弥补由像素补偿带来的细节损失;最后,将处理后的各层图像转换至RGB空间显示。将本文算法的仿真结果与原S曲线算法的结果进行对比。结果显示,本文算法在维持原算法功耗降低和静态对比度提升水平不变的基础上,解决了原算法在部分图像中出现的色彩失真和细节丢失问题,提升了图像的视觉显示效果,同时本文算法的仿真结果具有更大的信息熵和平均梯度。     

基于权重最小二乘结构边缘保持色调映射算法

高动态范围图像由于其动态范围超过普通显示器的动态范围,所以无法正常显示,从而需要研究在保留高动态范围图像对比度、细节信息以及色彩信息的情况下压缩高动态范围图像的动态范围以适应低动态范围显示器进行显示的色调映射算法。本文提出基于权重最小二乘结构的边缘保持图像平滑色调映射算法。首先,建立基于权重最小二乘的边缘保持图像平滑滤波算子;然后,将输入的高动态范围图像转换至NTSC空间分离亮度信息和颜色信息,利用该滤波算子对亮度信息进行多级分层,获得基本层以及多级细节层信息;最后,对基本层进行动态范围压缩,利用压缩后的基本层结合多级细节层信息并转换回RGB空间获得输出的低动态范围图像。文中通过实验采集的多曝光图像序列利用Debevec和Malik提出高动态范围图像融合算法获得拍摄场景的高动态范围图像,采用本文提出算法对高动态范围图像进行色调映射处理获得较为理想的保留图像有效信息的低动态范围图像,从而验证了文中提出算法的有效性。     

Combining spatial and scale-space techniques for edge detection to provide a spatially adaptive wavelet-based noise filtering algorithm

New methods for detecting edges in an image using spatial and scale-space domains are proposed. A priori knowledge about geometrical characteristics of edges is used to assign a probability factor to the chance of any pixel being on an edge. An improved double thresholding technique is introduced for spatial domain filtering. Probabilities that pixels belong to a given edge are assigned based on pixel similarity across gradient amplitudes, gradient phases and edge connectivity. The scale-space approach uses dynamic range compression to allow wavelet correlation over a wider range of scales. A probabilistic formulation is used to combine the results obtained from filtering in each domain to provide a final edge probability image which has the advantages of both spatial and scale-space domain methods. Decomposing this edge probability image with the same wavelet as the original image permits the generation of adaptive filters that can recognize the characteristics of the edges in all wavelet detail and approximation images regardless of scale. These matched filters permit significant reduction in image noise without contributing to edge distortion. The spatially adaptive wavelet noise-filtering algorithm is qualitatively and quantitatively compared to a frequency domain and two wavelet based noise suppression algorithms using both natural and computer generated noisy images.