CN109523562A - 一种基于人眼视觉特性的红外图像分割方法 - Google Patents
一种基于人眼视觉特性的红外图像分割方法 Download PDFInfo
- Publication number
- CN109523562A CN109523562A CN201811532316.XA CN201811532316A CN109523562A CN 109523562 A CN109523562 A CN 109523562A CN 201811532316 A CN201811532316 A CN 201811532316A CN 109523562 A CN109523562 A CN 109523562A
- Authority
- CN
- China
- Prior art keywords
- human
- region
- image
- weber
- eye
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 33
- 238000003709 image segmentation Methods 0.000 title claims abstract description 30
- 230000008447 perception Effects 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000004438 eyesight Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 238000005286 illumination Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 10
- 239000012141 concentrate Substances 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000000638 solvent extraction Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000001235 sensitizing effect Effects 0.000 description 2
- 241000220317 Rosa Species 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于人眼视觉特性的红外图像分割算法，属于图像分割算法技术领域。本发明为了解决现有分割算法的局限性，以及图像噪声与光照的影响，分割效果不利于人眼观察等复杂的问题。首先，利用人眼亮度感知特性以及Weber‑Fechner定律，对整体图像中过亮区域和过暗区域进行适当处理，使目标信息集中在Weber区域。然后，利用背景强度与光强梯度在对数域上呈局部线性关系的特性，模拟人眼视觉系统，建立HVS模型，对图像进行分割为三区域。分割的红外图片效果符合人眼感知特性，处理时间也有了一定的改善。
Description
技术领域
本发明属于红外图像分割方法范畴，具体涉及一种基于人眼视觉特性的红外图像分割方法。
背景技术
在复杂情况下，相对于可见光图像，红外图像能更加准确地表现出图像场景中的有用信息，所以对红外图像的分割、目标识别技术也极其重要。但是，现有的目标分割算法难以实现对红外图像中目标的准确分割，很难有效的克服图像噪声、光照的影响，不利于人眼观察。本文在传统算法的基础之上，对红外图像的分割方法进行深入研究，很好的考虑到了人眼特性，提出一种新的图像分割算法，改善了分割效果。因此，结合人眼视觉特性对图像进行分割具有重要的研究意义。
发明内容
针对现有技术的不足，本发明提供了基于人眼视觉特性的红外图像分割算法，解决了现有分割算法的局限性，以及图像噪声与光照的影响，分割效果不利于人眼观察等复杂的问题。
本发明解决其技术问题所采用的技术方案是：基于人眼视觉特性的红外图像分割算法，建立HVS模型进行红外图像分割。
本发明采用如下方法来实现：一种基于人眼视觉特性的红外图像分割方法，包括：
步骤一：利用人眼亮度感知特性以及Weber-Fechner定律，对整体图像中超出阈值范围的亮区域和低于阈值范围内的暗区域进行处理，使目标信息集中在Weber区域；
步骤二：模拟人眼视觉系统将图像分割成三个子图像，每个子图像包含一维边缘信息；
步骤三：使用背景强度和梯度信息对三个子图像分别进行二维分解，将每个子图像图像分割成二维图像，所有图像具有相同属性的内部特性；
其中，背景强度计算为加权局部平均值，并将梯度信息计算为梯度测量值。通过如下公式计算出背景强度。
其中B(x，y)是每个像素的背景强度，X(x，y)是输入图像，Q是该像素上，下，左，右的四个相邻像素构成的集合，Q'是该像素对角线上的四个相邻像素构成的集合，m和n是常数；通过如下公式得出图像中的最大差异。
BT＝Xmax(x,y)-Xmin(x,y)
其中，Weber-Fechner定律在很多感知现象中都存在，其意味着刺激量的感知不依赖于其绝对强度，而依赖于相对强度。
人眼对亮度的感知符合Weber-Fechner定律，Weber-Fechner定律的提出为后续视觉心理物理学的研究奠定了基础。假设感觉物理量为r，对应的物理量为s，则Weber-Fechner法则的表达式为下式：
r＝kIn(s)+c
式中的k∈(0,+∞)，c∈(-∞,+∞)。公式两边分别对s求微分，得到感觉物理量变化与对应的物理量变化关系如下：
在对数频率尺度上与人眼视觉系统功能相似，适合于图像特征提取。在线性频率尺度上，Log-Gabor滤波器的传递函数形式为：
式中的w0是滤波器的中心频率，对于不同的中心频率，σw/w0须保持恒定，其取值决定了滤波器的带宽。通过不同尺度的滤波比较，由物理量的纹理结构反映了人眼对图像的感知过程。
通过使用边缘检测的方法导出梯度信息，将X'(x,y)定义为此结果；定义H(x,y)与G(x,y)，表示梯度与背景强度的关系比值；
定义关于人眼本身的阈值参数，由公式分别得到背景强度的阈值Bi和梯度的阈值Ki，其中i＝1，2，3：
其中α1，α2，α3是基于人眼所显示的三个不同的响应特征区域的参数；由于，α1是较低的饱和水平，将其设置为零是有效的；
图像被分割成基于Bi的人类视觉响应的不同区域，Bi是区域之间的背景强度阈值；不同的区域特征在于HVS记录的两个像素强度之间的最小差异；这三个分割红外图像分别如下式所示：
Im1＝X(x,y),B2≥B(x,y)≥H(x,y)≥K2；
Im2＝X(x,y),B3≥B(x,y)≥G(x,y)≥K1；
Im3＝X(x,y),All RemainingPixels.
进一步地，所述区域图像分别为Devries-Rose区域、Weber区域以及Saturation区域。
进一步地，所述Devries-Rose区域、Weber区域以及Saturation区域是基于Weber-Fechner定律与人眼视觉特性进行划分。
根据人眼视觉系统(HVS)的视觉特性，同时结合Weber-Fechner定律与KarenPanetta的计算形式，可以将图像近似划分为四个区域，如图1所示。分别是：Devries-Rose区域，欠照明区域；Weber区域，适当照明的地区；Saturation区域，其近似于过度照明区域；由曲线下所有像素组成的第四个区域。本发明只针对与三区域进行图像分割。
对于一般情况而言，对于一幅图像进行分割处理使用三个区域即可，所述区域图像分别为Devries-Rose区域、Weber区域以及Saturation区域。如图2所示。从x1到x2为Devries-Rose区域；从x2到x3为Weber区域；从x3到无限大为Saturation区域。
虽然可能有些情况下四个或者更多的细节区域会取得更加明显的效果，但是本文中使用三区域进行图像分割处理。Weber-Fechner定律只适合光照强度适中的情况。
其中，Weber区域近似于线性区域，也是最适宜于人眼观察的区域。划分的每个区域内的图像各有一些类似的特征，根据Weber-Fechner定律将图片中的较亮处与较暗处的细节信息进行适当保留，并且编码时对人眼感兴趣的区域特征提取并加以强调，为后期的图像分割奠定基础。
综上所述，本发明公开了基于人眼视觉特性的红外图像分割算法，属于图像分割算法技术领域。本发明为了解决现有分割算法的局限性，以及图像噪声与光照的影响，分割效果不利于人眼观察等复杂的问题。该发明基于背景强度和梯度信息来分割红外图像，利用了人眼主观亮度感受与实际光强梯度的对数呈局部线性关系的特性，在预处理基础上，模拟人眼视觉系统，建立HVS模型，对其重要参数形式进行实验改进，使其满足红外图像特征，形成新型HVS模型。使分割出的三区域更加明显，并且其中的Weber区域更趋近于线性趋势。在人眼视觉敏感区Weber区域引入Weber-Fechner定律，建立HVS模型将红外图像分割为三个区域，分割的红外图片效果符合人眼感知特性，处理时间也有了一定的改善。
本发明的有益效果为：基于背景强度与梯度信息的关系来分割红外图像，利用了人眼主观亮度感受与实际光强梯度的对数呈局部线性关系的特性，在人眼视觉敏感区Weber区域引入Weber-Fechner定律，适当保留红外图片信息，建立新型HVS模型将图像分割为三个区域，分割的图片效果符合人眼感知特性，方便于后续的图像处理工作，并且处理时间上也有了一定的改善。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于人眼视觉特性的红外图像分割方法流程图；
图2为本发明提供的基于人眼视觉特性的红外图像分割方法示意图
图3为本发明提供图像进行分割处理使用三个区域；
图4为本发明提供的基于人眼视觉特性的红外图像分割方法中运行时间对比图；
图5为本发明提供的基于人眼视觉特性的红外图像分割方法中不同算法处理后的红外图像的MSE、PSNR、信息熵和对比度增益值；
图6为本发明提供的基于人眼视觉特性的红外图像分割方法的效果图。
具体实施方式
本发明给出了一种基于人眼视觉特性的红外图像分割方法，为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明中技术方案作进一步详细的说明：
本发明首先提供了基于人眼视觉特性的红外图像分割方法实施例，如图1所示，包括：
S101步骤一：利用人眼亮度感知特性以及Weber-Fechner定律，对整体图像中超出阈值范围的亮区域和低于阈值范围内的暗区域进行处理，使目标信息集中在Weber区域；
S102步骤二：模拟人眼视觉系统将图像分割成三个子图像，每个子图像包含一维边缘信息；
S103步骤三：使用背景强度和梯度信息对三个子图像分别进行二维分解，将每个子图像图像分割成二维图像，所有图像具有相同属性的内部特性；
其中，背景强度计算为加权局部平均值，并将梯度信息计算为梯度测量值。通过如下公式计算出背景强度。
其中B(x，y)是每个像素的背景强度，X(x，y)是输入图像，Q是该像素上，下，左，右的四个相邻像素构成的集合，Q'是该像素对角线上的四个相邻像素构成的集合，m和n是常数；通过如下公式得出图像中的最大差异。
BT＝Xmax(x,y)-Xmin(x,y)
其中，Weber-Fechner定律在很多感知现象中都存在，其意味着刺激量的感知不依赖于其绝对强度，而依赖于相对强度。
其中，Weber-Fechner定律在很多感知现象中都存在，其意味着刺激量的感知不依赖于其绝对强度，而依赖于相对强度。
人眼对亮度的感知符合Weber-Fechner定律，Weber-Fechner定律的提出为后续视觉心理物理学的研究奠定了基础。假设感觉物理量为r，对应的物理量为s，则Weber-Fechner法则的表达式为下式：
r＝kIn(s)+c
式中的k∈(0,+∞)，c∈(-∞,+∞)。公式两边分别对s求微分，得到感觉物理量变化与对应的物理量变化关系如下：
在对数频率尺度上与人眼视觉系统功能相似，适合于图像特征提取。在线性频率尺度上，Log-Gabor滤波器的传递函数形式为：
式中的w0是滤波器的中心频率，对于不同的中心频率，σw/w0须保持恒定，其取值决定了滤波器的带宽。通过不同尺度的滤波比较，由物理量的纹理结构反映了人眼对图像的感知过程。
通过使用边缘检测的方法导出梯度信息，将X'(x,y)定义为此结果；定义H(x,y)与G(x,y)，表示梯度与背景强度的关系比值；
定义关于人眼本身的阈值参数，由公式分别得到背景强度的阈值Bi和梯度的阈值Ki，其中i＝1，2，3：
其中α1，α2，α3是基于人眼所显示的三个不同的响应特征区域的参数；由于，α1是较低的饱和水平，将其设置为零是有效的；
图像被分割成基于Bi的人类视觉响应的不同区域，Bi是区域之间的背景强度阈值；不同的区域特征在于HVS记录的两个像素强度之间的最小差异；这三个分割红外图像分别如下式所示：
Im1＝X(x,y),B2≥B(x,y)≥H(x,y)≥K2；
Im2＝X(x,y),B3≥B(x,y)≥G(x,y)≥K1；
Im3＝X(x,y),All RemainingPixels.
优选地，所述区域图像分别为Devries-Rose区域、Weber区域以及Saturation区域。
优选地，所述Devries-Rose区域、Weber区域以及Saturation区域是基于Weber-Fechner定律与人眼视觉特性进行划分的。
根据人眼视觉系统(HVS)的视觉特性，同时结合Weber-Fechner定律与KarenPanetta的计算形式，可以将图像近似划分为四个区域，如图1所示。分别是：Devries-Rose区域，欠照明区域；Weber区域，适当照明的地区；Saturation区域，其近似于过度照明区域；由曲线下所有像素组成的第四个区域。本发明只针对与三区域进行图像分割。
对于一般情况而言，对于一幅图像进行分割处理使用三个区域即可，所述区域图像分别为Devries-Rose区域、Weber区域以及Saturation区域。如图2所示。从x1到x2为Devries-Rose区域；从x2到x3为Weber区域；从x3到无限大为Saturation区域。
虽然可能有些情况下四个或者更多的细节区域会取得更加明显的效果，但是本文中使用三区域进行图像分割处理。Weber-Fechner定律只适合光照强度适中的情况。
其中，Weber区域近似于线性区域，也是最适宜于人眼观察的区域。划分的每个区域内的图像各有一些类似的特征，根据Weber-Fechner定律将图片中的较亮处与较暗处的细节信息进行适当保留，并且编码时对人眼感兴趣的区域特征提取并加以强调，为后期的图像分割奠定基础。
其中，运算符原语分别如下所示：
综上，本发明提供了一种基于人眼视觉特性的红外图像分割方法，具体为在人眼视觉敏感区Weber区域引入Weber-Fechner定律，针对亮度区域在对数频率上对图像进行预处理，适度保留较亮处与较暗处的图像信息，使其不被压制。尤其对于红外图像而言，有大量信息处于较暗部分，不利于后续处理或人眼观察，所以该步骤极为有效。在预处理基础上，建立HVS模型，对其重要参数形式进行更改，使其满足红外图像特征，形成新型HVS模型。使分割出的三区域更加明显，并且其中的Weber区域更趋近于线性趋势。该算法不仅很好的解决了红外图像中噪声存在的问题，而且很够很好的分割红外图像，让观察的主体—人眼，更好的识别红外图像中的目标信息，处理效果以及处理速度上更是大有提高。
以上实施例用以说明而非限制本发明的技术方案。不脱离本发明精神和范围的任何修改或局部替换，均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种基于人眼视觉特性的红外图像分割方法，其特征在于，包括：
步骤一：利用人眼亮度感知特性以及Weber-Fechner定律，对整体图像中超出阈值范围的亮区域和低于阈值范围内的暗区域进行处理，使目标信息集中在Weber区域；
步骤二：模拟人眼视觉系统将图像分割成三个子图像，每个子图像包含一维边缘信息；
步骤三：使用背景强度和梯度信息对三个子图像分别进行二维分解，将每个子图像图像分割成二维图像，所有图像具有相同属性的内部特性；
其中，背景强度计算为加权局部平均值，并将梯度信息计算为梯度测量值；通过如下公式计算出背景强度；
其中B(x，y)是每个像素的背景强度，X(x，y)是输入图像，Q是该像素上，下，左，右的四个相邻像素构成的集合，Q'是该像素对角线上的四个相邻像素构成的集合，m和n是常数；通过如下公式得出图像中的最大差异；
BT＝Xmax(x,y)-Xmin(x,y)
通过使用边缘检测的方法导出梯度信息，将X'(x,y)定义为此结果；定义H(x,y)与G(x,y)，表示梯度与背景强度的关系比值；
定义关于人眼本身的阈值参数，由公式分别得到背景强度的阈值Bi和梯度的阈值Ki，其中i＝1，2，3：
其中α1，α2，α3是基于人眼所显示的三个不同的响应特征区域的参数；由于，α1是较低的饱和水平，将其设置为零是有效的；
图像被分割成基于Bi的人类视觉响应的不同区域，Bi是区域之间的背景强度阈值；不同的区域特征在于HVS记录的两个像素强度之间的最小差异；这三个分割红外图像分别如下式所示：
Im1＝X(x,y),B2≥B(x,y)≥H(x,y)≥K2；
Im2＝X(x,y),B3≥B(x,y)≥G(x,y)≥K1；
Im3＝X(x,y),AllRemainingPixels。
2.如权利要求1所述的一种基于人眼视觉特性的红外图像分割方法，其特征在于，所述区域图像分别为Devries-Rose区域、Weber区域以及Saturation区域。
3.如权利要求2所述的一种基于人眼视觉特性的红外图像分割方法，其特征在于，所述Devries-Rose区域、Weber区域以及Saturation区域是基于Weber-Fechner定律与人眼视觉特性进行划分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811532316.XA CN109523562A (zh) | 2018-12-14 | 2018-12-14 | 一种基于人眼视觉特性的红外图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811532316.XA CN109523562A (zh) | 2018-12-14 | 2018-12-14 | 一种基于人眼视觉特性的红外图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109523562A true CN109523562A (zh) | 2019-03-26 |
Family
ID=65795402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811532316.XA Pending CN109523562A (zh) | 2018-12-14 | 2018-12-14 | 一种基于人眼视觉特性的红外图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523562A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110602444A (zh) * | 2019-08-07 | 2019-12-20 | 西安邮电大学 | 基于韦伯-费希纳定律和时域掩盖效应的视频摘要方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020048411A1 (en) * | 2000-06-19 | 2002-04-25 | Tsutomu Takayama | Signal processing method, signal processing apparatus, and image reading apparatus |
| EP1225769A2 (en) * | 2001-01-17 | 2002-07-24 | Tektronix, Inc. | Spatial temporal visual attention model for a video frame sequence |
| US20090245689A1 (en) * | 2008-03-27 | 2009-10-01 | Panetta Karen A | Methods and apparatus for visual sub-band decomposition of signals |
| CN103700077A (zh) * | 2013-12-30 | 2014-04-02 | 北京理工大学 | 一种基于人眼视觉特性的自适应图像增强方法 |
| US20160253466A1 (en) * | 2013-10-10 | 2016-09-01 | Board Of Regents, The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes |
| CN108257099A (zh) * | 2018-01-11 | 2018-07-06 | 重庆邮电大学 | 一种基于视觉对比度分辨率的自适应红外图像增强方法 |
| CN108711160A (zh) * | 2018-05-18 | 2018-10-26 | 西南石油大学 | 一种基于hsi增强性模型的目标分割方法 |
| CN108830847A (zh) * | 2018-06-19 | 2018-11-16 | 中国石油大学(华东) | 可见光与红外灰度融合图像感知对比度客观评价 |
-
2018
- 2018-12-14 CN CN201811532316.XA patent/CN109523562A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020048411A1 (en) * | 2000-06-19 | 2002-04-25 | Tsutomu Takayama | Signal processing method, signal processing apparatus, and image reading apparatus |
| EP1225769A2 (en) * | 2001-01-17 | 2002-07-24 | Tektronix, Inc. | Spatial temporal visual attention model for a video frame sequence |
| US20020126891A1 (en) * | 2001-01-17 | 2002-09-12 | Osberger Wilfried M. | Visual attention model |
| US20090245689A1 (en) * | 2008-03-27 | 2009-10-01 | Panetta Karen A | Methods and apparatus for visual sub-band decomposition of signals |
| US20160253466A1 (en) * | 2013-10-10 | 2016-09-01 | Board Of Regents, The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes |
| CN103700077A (zh) * | 2013-12-30 | 2014-04-02 | 北京理工大学 | 一种基于人眼视觉特性的自适应图像增强方法 |
| CN108257099A (zh) * | 2018-01-11 | 2018-07-06 | 重庆邮电大学 | 一种基于视觉对比度分辨率的自适应红外图像增强方法 |
| CN108711160A (zh) * | 2018-05-18 | 2018-10-26 | 西南石油大学 | 一种基于hsi增强性模型的目标分割方法 |
| CN108830847A (zh) * | 2018-06-19 | 2018-11-16 | 中国石油大学(华东) | 可见光与红外灰度融合图像感知对比度客观评价 |
Non-Patent Citations (11)
| Title |
|---|
| JUN HUANG ET AL.: "Infrared image enhancement algorithm based on adaptive histogram segmentation", 《APPLIED OPTICS》, vol. 56, no. 35, 10 December 2017 (2017-12-10), pages 9686 - 9697 * |
| KAREN A. PANETTA ET AL.: "Human Visual System-Based Image Enhancement and Logarithmic Contrast Measure", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS, PART B (CYBERNETICS)》, vol. 38, no. 1, 29 February 2008 (2008-02-29), pages 1, XP011197905, DOI: 10.1109/TSMCB.2007.909440 * |
| XUGUANG LU ET AL.: "Infrared Image Enhancement Research Based on Visual Characteristic", 《2010 INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY AND AUTOMATION》, 26 July 2010 (2010-07-26), pages 541 - 543 * |
| YANG YANG ET AL.: "Image quality assessment based on the space similarity decomposition model", 《SIGNAL PROCESSING》, vol. 120, 1 April 2015 (2015-04-01), pages 797 - 805, XP029348857, DOI: 10.1016/j.sigpro.2015.03.019 * |
| YICONG ZHOU ET AL.: "Human Visual System Based Mammogram Enhancement and Analysis", 《IMAGE PROCESSING THEORY, TOOLS AND APPLICATIONS》, 27 September 2010 (2010-09-27), pages 2 * |
| 付娜: "红外图像的采集、增强与分割处理研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》, vol. 2006, no. 4, 15 April 2006 (2006-04-15), pages 136 - 11 * |
| 代少升 等: "基于人眼视觉特性的红外图像增强算法", 《半导体光电》, vol. 37, no. 1, 29 February 2016 (2016-02-29), pages 115 - 118 * |
| 张路: "基于人眼感知特性的图像分割关键技术及应用研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》, vol. 2013, no. 03, 15 March 2013 (2013-03-15), pages 138 - 1496 * |
| 李毅: "基于视觉模型的红外图像增强技术研究", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》, vol. 2016, no. 8, 15 August 2016 (2016-08-15), pages 138 - 32 * |
| 贾其 等: "基于人眼视觉特性的红外图像增强技术研究", 《红外技术》, vol. 32, no. 12, 31 December 2010 (2010-12-31), pages 1 * |
| 魏新 等: "基于图像分割和平台直方图均衡的红外图像增强算法", 《红外技术》, vol. 34, no. 5, 25 October 2012 (2012-10-25), pages 272 - 275 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110602444A (zh) * | 2019-08-07 | 2019-12-20 | 西安邮电大学 | 基于韦伯-费希纳定律和时域掩盖效应的视频摘要方法 |
| CN110602444B (zh) * | 2019-08-07 | 2020-10-02 | 西安邮电大学 | 基于韦伯-费希纳定律和时域掩盖效应的视频摘要方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Naturalness preserved nonuniform illumination estimation for image enhancement based on retinex | |
| Wang et al. | A fast single-image dehazing method based on a physical model and gray projection | |
| Cheng et al. | Efficient histogram modification using bilateral Bezier curve for the contrast enhancement | |
| CN109191390A (zh) | 一种基于不同颜色空间多算法融合的图像增强算法 | |
| Fu et al. | Improved single image dehazing using dark channel prior | |
| CN103034986A (zh) | 一种基于曝光融合的夜视图像增强方法 | |
| Gao et al. | Detail preserved single image dehazing algorithm based on airlight refinement | |
| Zotin | Fast algorithm of image enhancement based on multi-scale retinex | |
| WO2024045821A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN106875358A (zh) | 基于Bayer格式的图像增强方法及图像增强装置 | |
| Lei et al. | Low-light image enhancement using the cell vibration model | |
| Lecca et al. | Tuning the locality of filtering with a spatially weighted implementation of random spray Retinex | |
| Xue et al. | Video image dehazing algorithm based on multi-scale retinex with color restoration | |
| CN110111347A (zh) | 图像标志提取方法、装置及存储介质 | |
| Gu et al. | A novel Retinex image enhancement approach via brightness channel prior and change of detail prior | |
| Shin et al. | Rendering high dynamic range images by using integrated global and local processing | |
| Si et al. | A novel method for single nighttime image haze removal based on gray space | |
| Wang et al. | Adaptive enhancement for nonuniform illumination images via nonlinear mapping | |
| CN109859138A (zh) | 一种基于人眼视觉特性的红外图像增强方法 | |
| CN109523562A (zh) | 一种基于人眼视觉特性的红外图像分割方法 | |
| Kumar et al. | Dynamic stochastic resonance and image fusion based model for quality enhancement of dark and hazy images | |
| Mittal | Automatic Contrast Enhancement of Low Contrast Images using MATLAB. | |
| CN114266803A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| Hanumantharaju et al. | Adaptive color image enhancement based geometric mean filter | |
| Zhang et al. | A retina inspired model for high dynamic range image rendering |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190326 |
|
| WD01 | Invention patent application deemed withdrawn after publication |