主权项 |
一种红外图像细节增强与噪声自适应抑制方法,其特征在于,包括以下步骤:(1)获取原始红外图像F<sub>org</sub>;(2)使用微分算子计算原始红外图像的滤波分量F<sub>d</sub>;(3)计算原始红外图像背景复杂度,确定噪声抑制阈值T<sub>1</sub>;(4)计算原始红外图像的邻域方差V,根据初始阈值T<sub>2</sub>将邻域方差图像二值化,用矩阵BW表示二值化图像;(5)计算滤波分量F<sub>d</sub>的加权矩阵Coe;(6)输出细节增强图像F<sub>out</sub>;步骤(3)中,背景复杂度用邻域信息熵特征H表示,红外图像中以坐标(i,j)为中心的P×Q大小的邻域信息熵H(i,j)计算公式为:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mi>H</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><mo>-</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>P</mi></munderover><munderover><mo>Σ</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>Q</mi></munderover><mi>p</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>·</mo><mi>lg</mi><mi>p</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>,</mo></mrow>]]></math><img file="FDA0000730733000000011.GIF" wi="693" he="157" /></maths><maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><mi>p</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>F</mi><mrow><mi>o</mi><mi>r</mi><mi>g</mi></mrow></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>/</mo><mo>[</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>P</mi></munderover><munderover><mo>Σ</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>Q</mi></munderover><msub><mi>F</mi><mrow><mi>o</mi><mi>r</mi><mi>g</mi></mrow></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>]</mo><mo>,</mo></mrow>]]></math><img file="FDA0000730733000000012.GIF" wi="818" he="157" /></maths>其中,F<sub>org</sub>(i,j)为原始红外图像中坐标(i,j)位置的灰度值,H(i,j)和p(i,j)分别为坐标(i,j)位置邻域信息熵和灰度分布概率的值,0≤i≤M,0≤j≤N,M和N分别表示原始红外图像的行数和列数,P和Q分别表示邻域的高度和宽度,5≤P≤15,5≤Q≤15;步骤(3)中,根据原始红外图像平均背景复杂度确定噪声抑制阈值T<sub>1</sub>;平均背景复杂度<img file="FDA0000730733000000013.GIF" wi="58" he="69" />采用以下公式计算:<maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><mover><mi>H</mi><mo>‾</mo></mover><mo>=</mo><mfrac><mrow><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></munderover><munderover><mo>Σ</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><mi>H</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></mrow><mrow><mi>M</mi><mo>×</mo><mi>N</mi></mrow></mfrac><mo>,</mo></mrow>]]></math><img file="FDA0000730733000000014.GIF" wi="413" he="212" /></maths>坐标(i,j)位置的噪声抑制阈值T<sub>1</sub>(i,j)计算公式如下:<maths num="0004" id="cmaths0004"><math><![CDATA[<mrow><msub><mi>T</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><mo>{</mo><mrow><mtable><mtr><mtd><mi>A</mi></mtd><mtd><mrow><mo>,</mo><mi>H</mi><mrow><mo>(</mo><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow><mo>)</mo></mrow><mo>></mo><mover><mi>H</mi><mo>‾</mo></mover></mrow></mtd></mtr><mtr><mtd><mi>B</mi></mtd><mtd><mrow><mo>,</mo><mi>H</mi><mrow><mo>(</mo><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow><mo>)</mo></mrow><mo><</mo><mover><mi>H</mi><mo>‾</mo></mover></mrow></mtd></mtr></mtable><mo>,</mo></mrow></mrow>]]></math><img file="FDA0000730733000000021.GIF" wi="649" he="165" /></maths>其中,T<sub>1</sub>(i,j)是抑制阈值T<sub>1</sub>中坐标(i,j)位置的噪声抑制阈值,A和B是常系数;加权矩阵Coe的加权系数Coe(i,j)通过统计矩阵BW中以坐标(i,j)为中心大小P<sub>1</sub>×Q<sub>1</sub>窗口非零值数量得到,若非零值数量大于噪声抑制阈值T<sub>1</sub>(i,j),令Coe(i,j)=1,否则令Coe(i,j)=0,其中,Coe(i,j)是加权矩阵Coe中(i,j)位置的加权系数,P<sub>1</sub>和Q<sub>1</sub>分别是窗口的高度和宽度;步骤(6)中,坐标(i,j)位置细节增强图像F<sub>out</sub>(i,j)采用下式计算:F<sub>out</sub>(i,j)=F<sub>org</sub>(i,j)‑Coe(i,j)×F<sub>d</sub>(i,j),其中,F<sub>d</sub>(i,j)是滤波分量F<sub>d</sub>中坐标(i,j)位置的灰度值。 |