基于人眼视觉特性的红外图像细节增强
【部分图文】：
增强图像的细节。实验证明，该算法既能够将图像的灰度范围压缩在显示器可显示的范围内，又能够不损失图像的细节。算法的基本流程如图1所示。图1算法流程图1分层滤波传统的分层滤波器多采用高斯滤波器，由于边缘处存在梯度逆转，会产生光晕现象。本文选用了一种具有保边性能的滤波器———双边滤波器［15～17］，它巧妙地结合了图像像素在空间上的位置信息和灰度信息的相似度，具有简单、非迭代的特点，与一般的非线性滤波器相比，具有很好的边缘保持效果。双边滤波器可以用如下形式定义:IB(i，j)=1k(i，j)∑(i'，j')e－［(i－i')2+(j－j')2］2σ2de－［Iin(i，j)－Iin(i'，j)'］22σ2rIin(i'，j')(1)其中:Iin(i，j)为输入图像;IB(i，j)为双边滤波后得到的图像;(i'，j')为(i，j)的邻域像素;σd、σr为空间域和灰度域的两个标准差;k(i，j)是归一化因子。k(i，j)=∑i'，j'e－［(i－i')2+(j－j')2］2σ2de－［Iin(i，j)－Iin(i'，j')］22σ2r(2)图2中，(a)(c)为原始的红外图像和双边滤波处理后的图像，(b)(d)分别为原红外图像中和处理后的图像中的第153列的灰度变换信号。从图2(b)与(d)的对比中可以得出，双边滤波既能够保持图像的边缘，又能够去除平坦区域的噪声。由于人眼通常是通过边缘(轮廓)来检测目标，所以保持目标的边缘有利于目标的跟踪和识别。图2原图与双边滤波器处理的结果对比2基础层增强传统的基础层处理方法多为线性映射或直方图均衡化，线性映射的方法虽然不丢失图像的信息，但对图像对比度的提高非常有限;直方图均衡化会扩展占有较多像素数的灰度级动态范围，会造成图像灰度的大面积饱和，且两种方法都没有考虑人?
波器相比，具有很好的边缘保持效果。双边滤波器可以用如下形式定义:IB(i，j)=1k(i，j)∑(i'，j')e－［(i－i')2+(j－j')2］2σ2de－［Iin(i，j)－Iin(i'，j)'］22σ2rIin(i'，j')(1)其中:Iin(i，j)为输入图像;IB(i，j)为双边滤波后得到的图像;(i'，j')为(i，j)的邻域像素;σd、σr为空间域和灰度域的两个标准差;k(i，j)是归一化因子。k(i，j)=∑i'，j'e－［(i－i')2+(j－j')2］2σ2de－［Iin(i，j)－Iin(i'，j')］22σ2r(2)图2中，(a)(c)为原始的红外图像和双边滤波处理后的图像，(b)(d)分别为原红外图像中和处理后的图像中的第153列的灰度变换信号。从图2(b)与(d)的对比中可以得出，双边滤波既能够保持图像的边缘，又能够去除平坦区域的噪声。由于人眼通常是通过边缘(轮廓)来检测目标，所以保持目标的边缘有利于目标的跟踪和识别。图2原图与双边滤波器处理的结果对比2基础层增强传统的基础层处理方法多为线性映射或直方图均衡化，线性映射的方法虽然不丢失图像的信息，但对图像对比度的提高非常有限;直方图均衡化会扩展占有较多像素数的灰度级动态范围，会造成图像灰度的大面积饱和，且两种方法都没有考虑人眼的因素。人眼是图像的最终评价主体，因此，本文采用一种能使图像中的差异最大限度地被人眼分辨的方法。该方法主要有以下几个步骤:a)区域分割。对图像进行分割，得到不同的灰度区域。b)灰度合并。通过建立各区域间的相邻关系，得到能够表示图像的最小灰度个数。c)灰度映射。利用人眼临界可见偏差(justnoticeabledifference，JND)曲线［18］对灰度进行映射。参考文献［19］中所提到的方法是基于可见光图像的，将其用到红
图5基础层处理结果对比3细节层增强经双边滤波器处理后的细节层包含以下几方面的内容:图像的细节信息;图像的噪声;图像减去低频信号带来的光晕现象。传统的细节层增强方法直接对图像灰度值进行变换处理、图像的空间锐化处理等，但这些方法往往不具有空间分辨能力，微小细节信号被直接放大的同时也会过度放大图像噪声。生理研究表明，人眼视觉系统具有一种掩饰效应，在图像的平坦区域，噪声会表现为可见的纹理或斑点，而在图像剧烈变化的复杂区域噪声的可见性会降低。基于这一理论，Katsaggelos等人采用局部的方差作为噪声掩模函数M(i，j)，并定义了噪声可见性方程［22］为f(i，j)=1M(i，j)+1(3)从式(3)中可以看出，在图像中变化剧烈的区域，图像的局部方差M(i，j)较大，f(i，j)的值趋于0，噪声也几乎不可见;在平坦区域，图像的局部方差较小，f(i，j)的值趋于1，噪声被完全呈现。不难发现，f(i，j)的值的变化趋势与双边滤波器的归一化因子的取值是成正比例的。在平坦区域，灰度域的高斯函数的值较大，其平滑作用较大，k(i，j)值较大;在灰度变化剧烈的边缘和细节区域，灰度域的高斯函数的值较大，其平滑作用较小，k(i，j)值较校本文采用区域约束双边滤波器的归一化项k(i，j)作为空间噪声的度量［23］。为了简洁，本文设计噪声掩模函数为M(i，j)=1k(i，j)－1(4)取k(i，j)－1－1为增益因子，这样在图像的平坦区，细节的增益变小以防止图像噪声过度放大，而在变化剧烈区，细节增益变大以增强图像的视觉效果。如图6所示，其中(a)为双边滤波器的归一化因子k(i，j)，(b)为增益矩阵，(c)为未增强的原细节层，(d)为增强后的细节层。对比图6(c)(d)得出，算法可自适应地增强目标的细节。4实验结果对比与分析为了验?
【相似文献】
相关期刊论文 前10条
1 付冬梅,罗得贵,李晓刚;红外图像及数据的框架结构式数据库保存方法[J];激光与红外;2000年06期
2 陈东,黄勇杰,沈振康;红外图像目标分割方法研究[J];系统工程与电子技术;2002年01期
3 王立;王国锋;刘岩;常青;李言俊;;基于背景模拟的红外图像分割方法[J];弹箭与制导学报;2002年S2期
4 杨庆华,徐育新;红外图像处理技术在冶金中的应用[J];测控技术;2005年06期
5 左峥嵘;张天序;施长城;;地面场景红外图像特征分析[J];红外与激光工程;2006年03期
6 张励;冯晓晨;张琰;张宏俊;;基于电阻阵的红外图像实时生成和显示系统[J];系统仿真学报;2006年S2期
7 刘政清;杨华;;红外图像降质因素分析及增强效果评价[J];航天电子对抗;2006年06期
8 郑小宝;王仕成;张金生;廖守亿;苏德伦;;红外图像实时生成系统的实时性实现[J];电讯技术;2008年11期
9 袁胜智;谢晓方;郭清风;朱锐;;基于感兴趣区自动提取的红外图像压缩研究[J];计算机应用研究;2008年12期
10 顾国华;王忠林;陈钱;;基于运动目标的二维时间延迟积分红外图像增强[J];红外技术;2008年03期
相关博士学位论文 前10条
1 彭岩岩;层状岩体深部巷道变形破坏物理模拟及红外探测研究[D];中国矿业大学(北京);2015年
2 赵仁涛;基于红外图像的铜电解精炼过程状态检测研究[D];北京科技大学;2016年
3 郑欣;红外图像无参考图评价方法及应用研究[D];电子科技大学;2015年
4 刘俊;基于红外图像的内河运动船舶目标检测和跟踪技术研究[D];重庆大学;2008年
5 孙涵;基于红外图像的道路识别与运动目标跟踪[D];南京理工大学;2005年
6 周欣;红外图像视觉效果增强技术的研究[D];天津大学;2009年
7 简耀波;红外图像处理中的关键算法研究[D];华中科技大学;2009年
8 王晓宇;红外图像分析关键技术研究[D];华中科技大学;2008年
9 李江;红外图像人脸识别方法研究[D];国防科学技术大学;2005年
10 田思;微光与红外图像实时融合关键技术研究[D];南京理工大学;2010年
相关硕士学位论文 前10条
1 何玮;基于Retinex的红外图像预处理系统的研究与实现[D];南京理工大学;2015年
2 张华杰;嵌入式红外图像阵列实时驱动系统设计[D];哈尔滨工业大学;2015年
3 张昊天;基于多旋翼无人机的实时红外图像采集系统的设计[D];南京林业大学;2015年
4 蔡晓望;可见光与红外视频的融合算法研究[D];电子科技大学;2015年
5 刘中意;基于多聚焦红外图像的温度测量和三维重构[D];上海大学;2015年
6 陈敏;红外图像识别在船舶舱室火灾监测中的研究[D];集美大学;2015年
7 丘岳峰;红外图像行人检测技术[D];北京理工大学;2015年
8 何克磊;面向肺癌辅助诊断的近红外图像分析平台关键技术与设计实现[D];南京大学;2014年
9 易乐;基于ARM的红外图像目标跟踪技术研究[D];电子科技大学;2014年
10 吕静;基于红外图像的行人检测算法的研究[D];电子科技大学;2015年
本文编号：2842673
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2842673.html
