下载文档原格式
![一种红外图像增强方法及系统[发明专利]](https://img.taocdn.com/s1/m/a2ff8780a98271fe900ef9db.png)
专利名称：一种红外图像增强方法及系统
专利类型：发明专利
发明人：凡遵林,苏龙飞,王之元,管乃洋,张天昊,王浩申请号：CN202010524345.2
申请日：20200610
公开号：CN111768350A
公开日：
20201013
专利内容由知识产权出版社提供
摘要：本发明实施例提供的红外图像增强方法及系统，基于剪切波变换将初始红外图像分解成至少一幅低频子带图和多幅不同尺度和方向的高频子带图；对低频子带图进行图像灰度变换，获取校正后的低频子带图；提取高频子带图的结构特征，分析结构特征的属性，赋予每个结构特征相应的增益权重；根据增益权重对高频子带图进行自适应放大；将校正后的低频子带图与自适应放大后的高频子带图进行剪切波逆变换处理，获取增强红外图像。
本发明实施例通过将红外图像剪切波变换分解成低频子带图和高频子带图，对低频子带图进行处理以提升红外图像对比度；通过对高频子带图赋予结构特征权重，放大红外图像不同属性的结构特征及抑制背景噪声，有效提高了红外图像的质量。
申请人：中国人民解放军军事科学院国防科技创新研究院
地址：100071 北京市丰台区东大街53号院
国籍：CN
代理机构：北京路浩知识产权代理有限公司
代理人：杨云云
更多信息请下载全文后查看。
红外图像增强算法研究的开题报告1.研究背景红外成像技术在许多领域得到广泛应用，例如军事、航空、医学等。
与可见光成像相比，红外成像具有不同的物理特性和成像质量。
然而，由于环境条件和红外成像设备的限制，红外图像通常会受到许多因素的影响，并且可能会显示出低对比度、模糊以及信息不足等问题。
通过对红外图像进行增强可以有效提高其可视化效果和可分析性。
2.研究目的本研究旨在研究红外图像增强算法，以提高红外图像的质量和可视化效果。
我们将重点关注对比度增强、图像锐化和噪声消除等技术。
我们将探索不同的红外图像增强方法，并比较它们在不同情况下的效果。
该研究将为红外图像应用和相关研究提供有益的信息和指导。
3.研究内容和方法本研究将包括以下内容：（1）红外成像技术的基础知识和红外图像的特点分析。
（2）红外图像增强的常见方法分析，包括对比度增强、图像锐化和噪声消除等。
（3）对比常见红外图像增强方法进行实验分析，并基于不同指标对其进行性能比较，如峰值信噪比（PSNR）、图像清晰度和灰度级分布等。
（4）基于实验结果，选择并优化最有效的算法进行进一步研究和应用。
本研究将采用实验和分析的方法进行。
我们将使用不同的红外图像和情境进行测试和分析，收集数据并进行分析。
我们将使用各种工具和软件来支持我们的实验和分析，例如MATLAB、Python、ImageJ等。
4.预期成果本研究预计将实现以下成果：（1）基于不同的红外图像增强算法，制定红外图像增强框架，提高红外图像的可视化效果和可分析性。
（2）通过对比常见的红外图像增强方法，发现其性能优缺点，得出更好的实际应用算法。
（3）研究结果可用于指导相关的红外图像应用和其他相关领域的研究。
5.研究计划本研究计划如下：（1）2021年10月至11月：完成背景调研和文献综述，熟悉相关领域和方法。
（2）2021年12月至2022年3月：分析和实验常见的红外图像增强算法，并对其性能进行比较和评估。
（3）2022年4月至6月：优化最有效的红外图像增强算法，应用于实验并进一步探索其性能。
微弱红外目标图像增强技术研究微弱红外目标图像增强技术研究引言：红外图像技术在军事、安防、医学等领域具有重要的应用价值。
然而，由于红外图像的特殊性质，即目标低热性、低对比度和低分辨率等问题，使得微弱红外目标的检测和识别成为一项具有挑战性的任务。
为了克服这些问题，研究人员提出了各种微弱红外目标图像增强技术。
本文将对几种常见的微弱红外目标图像增强技术进行综述，并对各种技术的优缺点进行评述。
一、微弱红外目标图像增强技术综述1. 直方图均衡化技术：直方图均衡化是一种常见的图像增强技术，通过将图像的灰度级分布均匀化，增强图像的对比度和细节。
然而，直方图均衡化容易导致图像的亮度和对比度过度增强，同时在图像局部细节的增强方面效果较差。
2. 基于滤波的增强技术：滤波技术被广泛应用于红外图像增强中，包括中值滤波、高斯滤波和自适应滤波等。
这些滤波方法可以有效去噪，但在增强微弱红外目标方面存在一定局限性，容易产生边缘模糊等不可逆失真。
3. 空域增强技术：空域增强技术是基于图像局部统计特性进行增强的方法，包括维纳滤波、谱偏移、算子滤波等。
这些技术能够提高图像的对比度和边缘信息，但对于微弱红外目标的增强效果有限。
4. 基于光谱特征的增强技术：利用红外图像的光谱特征进行增强是一种有效的策略，包括基于小波多尺度分析的增强方法、多尺度Retinex增强方法等。
这些方法将图像分解为不同尺度的子带，通过增强各个子带的细节信息，提高了微弱红外目标的可见度。
二、微弱红外目标图像增强技术优缺点评价1. 直方图均衡化技术：优点：简单易行，适用于快速增强红外图像的场景。
缺点：容易造成过度增强和细节信息丢失。
2. 基于滤波的增强技术：优点：能够有效去噪，提高图像的清晰度。
缺点：容易造成边缘模糊和不可逆失真。
3. 空域增强技术：优点：能够提高图像的边缘信息和对比度。
缺点：对微弱红外目标的增强效果有限。
4. 基于光谱特征的增强技术：优点：提高了微弱红外目标的可见度。
基于深度学习的红外高动态图像细节增强技术基于深度学习的红外高动态图像细节增强技术摘要：红外高动态图像是一种能够提供较高对比度和丰富细节信息的图像。
然而，由于红外传感器等系统的限制，红外图像仍然存在细节缺失和低对比度等问题。
为了解决这些问题并提高红外图像的质量，在本文中我们提出了一种基于深度学习的红外高动态图像细节增强技术。
关键词：红外图像，高动态，细节增强，深度学习1. 引言红外图像的广泛应用领域包括安全监控、无人机、军事侦察等。
然而，由于红外传感器等设备的限制，红外图像通常具有低对比度和细节缺失等问题，这给实际应用带来了一定的挑战。
因此，如何提高红外图像的质量，增强图像细节成为了研究的重点。
2. 相关工作在过去的几十年里，许多传统的红外图像增强方法已经被提出，例如直方图均衡化、线性拉伸等。
然而，这些方法在处理高动态范围图像时，容易导致颜色偏差和对比度失真等问题。
因此，我们需要一种更有效的增强方法。
3. 深度学习在红外图像增强中的应用深度学习作为一种强大的模式识别技术，在图像处理领域取得了巨大的成功。
近年来，研究人员开始探索将深度学习应用于红外图像增强中。
深度学习通过训练神经网络模型来学习图像的特征表示，从而实现图像的细节增强。
4. 红外高动态图像的细节增强方法在本文中，我们提出了一种基于深度学习的红外高动态图像细节增强方法。
具体步骤如下：(1) 数据准备：首先，我们从现有的红外图像数据库中收集大量的红外高动态图像数据，并对其进行预处理，包括噪声去除和图像对齐等操作。
(2) 深度学习模型训练：我们选择了一种合适的深度学习模型，例如卷积神经网络(CNN)，并使用训练数据对其进行训练。
(3) 图像增强：在测试阶段，我们将待增强的红外图像输入到训练好的深度学习模型中，通过反向传播算法对模型进行微调，从而得到增强后的图像。
5. 实验结果与分析我们对现有的红外高动态图像数据集进行了实验，将我们提出的方法与传统的增强方法进行了比较。
红外弱小目标图像增强方法的研究的开题报告一、选题背景和意义近年来，红外成像技术在军事、安防、医疗等领域得到了广泛应用。
红外成像具有无所不透的优势，能够在低光、黑暗、雾霾等环境下进行成像，对于目标的检测、识别具有重要意义。
然而，红外目标一般特征不明显，且信噪比较低，难以直观地观察和分析。
因此，如何对红外图像进行有效的增强，成为研究热点之一。
本文旨在研究红外弱小目标图像增强方法，提高目标检测和识别的准确度，为红外成像技术的应用提供重要支撑。
二、研究内容和目标本文中，我们将研究和探讨现有的红外图像增强方法，并针对其不足之处进行改进，提出一种新的红外弱小目标图像增强方法。
主要研究内容包括：1.分析红外图像的特点，建立红外弱小目标图像的模型。
2.对比现有的红外图像增强方法，分析其优缺点。
3.提出一种新的基于分形多尺度分解的红外弱小目标图像增强方法，并进行实验测试。
4.评估新方法的表现，验证其优越性。
三、研究方法和技术路线本文中将采用实证研究方法，利用MATLAB进行算法实现和实验测试。
具体技术路线如下：1. 收集和预处理红外弱小目标图像数据集，建立红外目标图像的数学模型。
2. 回顾、分析现有的红外图像增强方法，总结其优缺点。
3. 提出一种新的基于分形多尺度分解的红外弱小目标图像增强方法，包括以下步骤:(1)原图像分形多尺度分解；(2)对分解后的子带进行加权平均；(3)对增强结果进行反变换，得到最终增强图像。
4. 对基于分形多尺度分解的红外弱小目标图像增强方法进行实验测试，利用主观和客观评测方法，评估新方法的性能表现。
四、拟解决的问题红外弱小目标图像增强的方法虽然有很多，但大多数方法存在一定的局限和问题，如噪声抑制不足、边缘保留不够、细节信息丢失等。
本文中提出的基于分形多尺度分解的红外弱小目标图像增强方法，将在已有方法的基础上加以改进，重点解决以下问题：1. 提高信噪比，抑制噪声。
2. 保留图像细节信息，同时不破坏目标轮廓。
一种红外图像增强算法研究
针对传统红外图像存在的一些不足，提出一种融合多尺度Retinex和小波变换的红外图像增强算法。
该算法综合了小波变换多尺度、多分辨率的优点，以及多尺度Retinex红外增强的特性，利用小波变换对图像信号进行分解，对低频系数进行多尺度Retinex算法处理，而对小波分解的高频细分量进行消除噪声并改善图像细节部分，并同时也改善了性噪比、对比度以及亮度均匀性等性能指标。
通过仿真该算法可增强图像细节，优化图像整体视觉效果。
标签：红外图像；图像增强；小波变换；多尺度Retinex法
引言
随着现代科技发展及社会进步，红外成像技术已经被广泛应用于军事用途和民用领域。
然而因为红外图像采集器件本身的结构和原理限制，及采集过程中复杂的环境因素影响，目前的红外成像效果无法完全满足人们的需求。
所以在技术运用中需要对得到的红外图像进行必要的增强处理，以使之更利于视觉分辨，从而更好地确认目标，便于后续智能化分析与处理。
小波变换是一种多分辨率分析方法，其作为一种数学工具近年来得到广泛应用[1]。
由于该方法可以将图像分解成不同分辨率的尺度，它具有代表信号在时域和频域的局部特征的能力，因而通过小波重建可使处理后的图像质量得到有效改善。
Retinex理论的增强算法可经过原始图像与高斯函数的卷积获得最优亮度估计，改善图像的亮度均匀性[2]。
图像能量信息主要在低频部分，通过Retinex 算法可以很好的完成低频子代图像的动态压缩，改善图像整体效果[3]。
文章对红外图像增强算法进行一些针对性研究，提出了一种红外图像增强算法，该算法融合了多尺度的Retinex和小波变换思想。
该算法综合了小波变换多尺度、多分辨率的特点，以及Retinex红外增强的优势，实现红外图像增强，通过仿真实现增强效果较好。
1 小波变换基础理论
小波变换是由傅立叶分析发展而来的新兴学科，又称多分辨分析[2]。
该方法应用领域十分广泛，理论意义极其重大，无论对古老的自然科学还是新兴的高新技术应用学科都产生强烈的冲击，是目前国际高度关注的前沿领域。
小波变换由于在实域和频域同时具有良好的局部化性质、多分辨率特性、低墒性、去相关性以及选基灵活的特点[4]，使得小波变换方法成为了图像增强领域的研究热点。
二维离散小波变换在分析过程中可以通过一维离散小波变换为基础进行推导，而二维双正交小波变换可以分解为两个一维小波变换，即先进行X方向变
换然后进行Y方向变换，就可以完成二维正交变换[4]。
假设？鬃（x）是一个一维尺度函数，？准（x）是相应的小波函数，则可得出二维小波变换基础函数。
首先定义二维尺度函数：
（1）
则二维小波函数为：
其中？鬃和？准（x）分别为沿着X和Y两个方向的一维小波分解。
由多分辨分析理论可知第i级尺度的平滑函数fi（x，y）与涨落函数g：（x，y）的叠加，可以构成第i+1级尺度上的二维平滑函数fi+1（x，y）：
（3）
通过反复使用（3）式可得：
（4）
将图像视作二维矩阵，假设图像矩阵的大小为N×N，且N=2n（n为非负整数），方程（3）、（4）表明任何平方可积的二维函数都能够分解成低分辨尺度上的平滑函数与更高尺度上的细节函数，各层各个分辨率上的近似分量，水平方向细节分量，垂直方向细节分量和对角线方向细节分量[4]。
而重构过程和分解过程刚好是相反互逆的过程，二层小波分解示意如图1所示。
图1 图像二层小波分解示意图
通过小波变换，可将红外图像的高频与低频分开，进而对其多个频域多尺度进行在处理。
2 Retinex的基础理论
Land提出Retinex作为人眼感知亮度和色度的视觉模型，其实质是将一幅图像用环境亮度函数（函数亮度图像）和物体反射函数（反射图像）的乘积表示，再通过改变亮度图像以及反射图像在原图像中的比例，最终增强图像。
对于红外图像而言可以认为只有一个颜色通道，色感一致性体现了不同亮度情况下分辨物体灰度级（亮度）的能力[3-4]。
（1）单尺度Retinex算法公式为：
（5）
式中I（x，y）表示输入图像；*表示卷积运算；R（x，y）表示经Retinex
算法处理后的输出图像；G（x，y）为环境函数，通常采用高斯函数的形式，表示为
式中λ可由？蘩？蘩G（x，y）dxdy=1确定。
ε为尺度常量，ε较小时，算法的动态压缩能力强；ε较大时，图像的色感一致性较好。
为了在动态范围压缩和色感一致性之间取得较好的平衡，采用多尺度Retinex算法[2-5]。
（2）多尺度Retinex算法公式为：
式中K为尺度数，wk为对应于第k个尺度εk的权值，且满足。
3 算法实现与步骤
小波变换后不仅能保持图像的空间特征，而且能提取图像的低频和高频子带。
在小波变换域，图像的低频信息集中在大尺度系数的绝对值上，多尺度Retinex算法可以完成对低频子图像的动态压缩很好，提高图像的整体效果。
红外图像的噪声大多表现为高频分量，可以通过中值滤波实现平滑降噪效果，去除图像中的噪声干扰。
算法思想基本包括四步：
（1）红外图像小波分解
小波变换可将图像分解成逼近图像、细节图像之和，后两者分别代表不同结构图像。
对图像进行小波分解后可得到LL、LH、HL和HH子频带，其中LL 代表水平、竖直方向的低频信息；LH代表水平方向的低频信息以及垂直方向的高频信息；而HL代表水平方向的高频信息以及垂直方向的低频信息[3]；HH则代表水平、竖直方向的高频信息。
（2）低频子带图像增强
首先，进行小波变换的低频子带系数的线性映射。
而多尺度Retines增强算法可以应用于灰度或彩色图像。
所以必须将低频子带系数（i，j）映射于[0，255]范围，即采用如下映射：
（8）
式中fmax、fmin分别为低频子带系数的最大值和最小值，f（i，j）作为输入图像，按照（7）进行多尺度Retinex增强[2-3]。
其次，对上述结果进行截断拉升。
考虑到多尺度Retinex增强后的输出图像R（i，j）较灰暗，且输出图像直方图近似服从正太分布，进行自动截断拉升：
（9）
式中Rout（i，j）为截断拉升后的输出值。
根据正太分布特性，利用图像的均值Rm和标准差Sd来确定截取点的下限Rmin和上限Rmax，Rmin=Rm-d×Sd，Rmax=Rm+d×Sd，其中d的经验取值为1.5-3。
最后，经多尺度Retinex增强算法处理后，为了能由低频子带图像重构结果图像，应采用线性变换将上述处理之后的低频子带系数映射到[fmin，fmax]范围内[3]。
（3）高频子带去噪
高频分量集中在灰度值变化快速变化的区域，而噪声量主要集中在图像的高频部分，因此可以采取中值滤波对高频分量做去噪处理，并对非噪声的高频小波系数进行增强，从而强化图像中的细节部分，进一步明晰高频分量中的细节信息。
（4）实现小波重构
算法流程图如图2所示。
图2 算法流程图
4 仿真实验及结果分析
通过Matlab我们对传统红外图像增强算法和文章算法进行仿真和结果分析（实验仿真平台配置：PC主频2.4GHz，内存4GB，采用软件Matlab Version 7.0）。
如图3所示，a为未经处理电机的红外原始图像，整个灰度图像相对较暗，在视觉效果上细节较为模糊，图像效果不好，识别较差。
b图和c图分别为自适应均衡化处理和同态滤波处理，仿真结果可以视觉直观区分出增强效果。
相对而言，同态滤波算法的细节分辨更好。
文章方法仿真结果相对于前两种算法，图像中被淹没于阴影部分的细节更加突出，比如钢网和电机隔槽棱边。
增强图像的细节并抑制噪声，较好的改善了图像整体增强效果。
图3 实验结果
为了定量的评价图像增强的效果，选用图像对比度（Contrast）和信噪比（SNR）对增强效果进行客观评价。
图3中经各算法增强后的图像对比度、峰值信噪比结果见表1。
从表1可明显看出：与传统处理结果相比，增强后的图像与原图像对比度及峰值信噪比都有极大提高。
自适应均衡化处理对比度虽较高，但其峰值性噪比较低，无法清楚呈现图像细节。
同态滤波处理对比度较好但信噪比较低，相对而言文章算法的峰值信噪比指标明显好于以上两种方法。
表1 不同算法的指标结果
5 结束语
文章融合了多尺度Retinex与小波分析算法对红外图像进行处理，通过实验仿真在图像对比度（Contrast）和信噪比（SNR）评价指标下对红外增强效果进行对比，与传统的自适应均衡算法和滤波算法相比，该算法在对比度和细节上都得到了改进，图像细节得到增强，图像的整体视觉效果明显改善，使得增强处理后的红外图像更适于人眼观察，也为后续目标检测与识别提供了基础。
参考文献
[1]常宏韬，孟庆虎.基于小波变换的一种红外图像增强算法[J].河南科技大学学报，2015，36（1）：48-52.
[2]胡静波.基于小波变换与改进中值滤波的红外图像去噪[J].现代电子技术，2011，34（18）：50-53.
[3]王冬冬，田干，杨正伟，等.基于小波分解灰度关联的热波检测图像增强[J].仪器仪表学报，2015，36（5）：1086-1092.
[4]张德丰.MATLAB小波分析[M].北京：机械工业出版社，2009.
[5]伊士畅，喻松林.基于小波变换和直方图均衡的红外图像增强[J].激光与红外，2013，43（2）：41-43.
作者简介：王欢（1981-），女，陕西省宝鸡市，讲师，博士，主要研究领域：复杂网络建模及算法分析。
