本发明专利技术公开的一种基于多段S曲线映射的红外图像动态范围压缩方法，属于红外图像处理领域。本发明专利技术使用聚类算法对图像内容进行聚类，并对每一类图像内容分别进行S曲线映射，能够实现图像内容自适应的动态范围压缩，从而能较好地保留图像细节。本发明专利技术采用S曲线映射进行红外图像动态范围压缩，能够利用S曲线两端具有压缩程度大、变化平缓的特点，中间具有压缩程度小、变化陡峭的特点，较好应对灰度集中分布在中心区域的情况，相较于幂函数与对数函数更适用于图像动态范围压缩。本发明专利技术对每一类图像内容，使用基于人眼视觉感受机理的S曲线参数分别计算视觉敏感度系数，使用基于人眼视觉感受机理的参数更好地提升图像对比度，改善红外视觉效果。外视觉效果。外视觉效果。
【技术实现步骤摘要】
一种基于多段S曲线映射的红外图像动态范围压缩方法
[0001]本专利技术涉及一种基于多段S曲线映射的红外图像动态范围压缩方法，属于红外图像处理领域。
技术介绍
[0002]红外相机输出的原始红外图像的动态范围可达，而常用的显示器一般只能显示的动态范围，因此，需要将高动态范围的原始红外图像压缩为可以正常显示的低动态范围图像。压缩过程中要尽可能保留高动态范围红外图像的细节信息。
[0003]常用的动态范围压缩方法为色调曲线映射，主要包括三种：幂函数曲线映射、对数函数曲线映射和S曲线映射。幂函数对灰度主要集中分布在极暗或极亮区间的图像压缩效果较好；对数函数对灰度主要集中分布在极暗区间的图像压缩效果较好。由于幂函数与对数函数的凹凸性，对于灰度主要集中分布在中心区域的高动态范围图像，压缩结果往往会出现整体偏暗或偏亮的现象。
[0004]高动态范围图像的灰度分布并非均匀且完整地分布于整个灰度区间中。高动态范围图像中的前景或背景通常形成灰度密集区，在灰度直方图中对应于峰，而谷是灰度稀疏区域，通常对应于空灰度区域、图像中的小目标或者噪声点。因此，为了在保留图像细节的同时并增加对比度，应尽可能地保留前景和背景的细节信息，因而需要尽可能减少峰附近区域的压缩程度，进而需要尽可能增大谷附近区域的压缩程度。当前的S曲线映射方法均使用单一的S曲线，未考虑峰和谷位置的分布，无法对所有的峰值附近区域都能减少压缩程度同时对谷值附近区域增大压缩程度，会出现对位于平缓区的峰值附近区域压缩程度过大的现象，使得该区域产生细节严重丢失的问题，以及对位于增长区的谷值附近区域压缩程度过小，使得图像对比度低。
技术实现思路
[0005]为了解决现有红外图像动态范围压缩方法存在的对比度低、细节丢失问题，本专利技术主要目的是提供一种基于多段S曲线映射的红外图像动态范围压缩方法，通过对图像内容进行聚类，并分别对不同的图像内容执行S曲线映射，基于多段S曲线映射实现图像内容自适应的动态范围压缩。本专利技术能够有效增大图像对比度，同时较好地保留图像细节。
[0006]本专利技术的目的是通过下述技术方案实现的。
[0007]本专利技术公开的一种基于多段S曲线映射的红外图像动态范围压缩方法，包括如下步骤：步骤1：获取高动态范围红外图像。
[0008]步骤1中所述红外图像矩阵，其中为图像高度，为图像宽度。
[0009]步骤2：使用聚类算法将红外图像的内容聚为类。
[0010]步骤2中所述为预设参数，记录属于每类内容的像素坐标。通过聚类算法对图像内容进行划分，使实验图像内容自适应的动态范围压缩，从而能尽可能地保
留图像细节并提升图像对比度。
[0011]步骤3：对于每一类图像内容，根据公式（1）统计属于该内容的像素的亮度最大值，根据公式（2）统计属于该内容的像素的亮度最小值。
[0012]（1）（2）步骤4：对每一类图像内容，分别计算视觉敏感度系数。
[0013]步骤4中所述参数根据人眼视觉感受机理算得，具体计算公式为（3）使用基于人眼视觉感受机理的参数，能够更好地提升图像对比度，提升视觉效果。
[0014]步骤5：根据如公式（4）所示映射过程对分别对每一类图像内容进行S曲线映射，得到压缩后的低动态范围图像，即基于多段S曲线映射实现红外图像动态范围压缩，提高红外图像视觉效果。
[0015]步骤5中所述低动态范围图像为一个矩阵，映射过程为（4）
有益效果
[0016]1、高动态范围图像中的前景或背景通常形成灰度密集区，在灰度直方图中对应于峰，而谷是灰度稀疏区域，通常对应于空灰度区域、图像中的小目标或者噪声点。因此，为了在保留图像细节的同时并增加对比度，应尽可能地保留前景和背景的细节信息，本专利技术公开的一种基于多段S曲线映射的红外图像动态范围压缩方法，使用聚类算法对图像内容进行聚类，并对每一类图像内容分别进行S曲线映射，能够实现图像内容自适应的动态范围压缩，从而能较好地保留图像细节。
[0017]2、本专利技术公开的一种基于多段S曲线映射的红外图像动态范围压缩算法，对每一类图像内容，使用基于人眼视觉感受机理的S曲线参数分别计算视觉敏感度系数，使用基于人眼视觉感受机理的参数更好地提升图像对比度，提升红外视觉效果。
[0018]3、本专利技术公开的一种基于多段S曲线映射的红外图像动态范围压缩算法，S曲线两端具有压缩程度大、变化平缓的特点，中间具有压缩程度小、变化陡峭的特点，本专利技术采用S曲线映射进行红外图像动态范围压缩，能够较好应对灰度集中分布在中心区域的情况，相较于幂函数与对数函数更适用于图像动态范围压缩。
附图说明
[0019]图1是本专利技术公开的一种基于多段S曲线映射的红外图像动态范围压缩方法的流程图。
[0020]图2 是本专利技术方法红外图像动态范围压缩效果展示。
[0021]其中图2中（a）为动态范围压缩前的图像，图2中（b）是使用本专利技术方法压缩后的图
像。
具体实施方式
[0022]下面将结合附图和实施例对本专利技术加以详细说明。同时也叙述了本专利技术技术方案解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本专利技术的理解，而对其不起任何限定作用。
[0023]本实施例公开的一种基于多段S曲线映射的红外图像动态范围压缩方法，应用于红外图像动态范围压缩领域。测试硬件条件为：AMD Ryzen 7 5800，16G RAM，Matlab R2022。
[0024]如图1所示，本实施例公开的一种基于多段S曲线映射的红外图像动态范围压缩方法，具体实现步骤如下：步骤1：获取高动态范围红外图像。
[0025]本实施例中所述红外图像为640
×
512矩阵，其中640为图像高度，512为图像宽度。
[0026]步骤2：使用聚类算法将红外图像的内容聚为为类。
[0027]本实施例中所述为5，记录属于每类内容的像素坐标。本实施例中使用的聚类算法为混合高斯聚类算法（详见Reynolds D A. Gaussian mixture models[J]. Encyclopedia of biometrics, 2009, 741(659
‑
663).）步骤3：对于每一类内容，统计属于该内容的像素的亮度最大值，以及最小值。
[0028]本实施例中所述具体计算过程为（1）（2）步骤4：对每一类图像内容，分别计算视觉敏感度系数。
[0029]本实施例中所述参数根据人眼视觉感受机理算得，具体计算公式为（3）使用基于人眼视觉感受机理的参数，能够更好地提升图像对比度，提升视觉效果。
[0030]步骤5：对图像亮度进行S曲线映射得到压缩后的低动态范围图像。
[0031]本实施例中所述为一个矩阵，映射过程为（4）。
[0032]对比图2中（a）、图2中（b）表明，采用本实施例的红外图像动态范围压缩算法之后，图像对比度有明显提升，并且较好地保留图像细节。
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多段S曲线映射的红外图像动态范围压缩方法，其特征在于：包括如下步骤，步骤1：获取高动态范围红外图像；步骤1中所述红外图像矩阵，其中为图像高度，为图像宽度；步骤2：使用聚类算法将红外图像的内容聚为类，步骤2中所述为预设参数，记录属于每类内容的像素坐标；通过聚类算法对图像内容进行划分，使实验图像内容自适应的动态范围压缩，从而能尽可能地保留图像细节并提升图像对比度；步骤3：对于每一类图像内容，根据公式（1...
【专利技术属性】
技术研发人员：黄华，宋凌飞，
申请(专利权)人：先进计算与关键软件信创海河实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。