【红外DDE算法】聊聊红外图像增强算法的历史进程（第一回）

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了【红外DDE算法】聊聊红外图像增强算法的历史进程（第一回），小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含3726字，纯文字阅读大概需要6分钟。

内容图文

宽动态红外图像增强算法综述
回顾过去
带你回顾宽动态红外图像增强算法的历史进程，历来学者的一步步革命（新的算法框架提出），一步步改革（改进优化），从简单粗暴到细致全面。
正所谓是：改革没有完成时，只有进行时。没有完美的算法，也没有最好的算法，只有更好更优秀的算法。
展望未来
以现在看90年代的算法，那时候的算法是有点粗糙，但是正是在这一点点的积累上，才有了现在较之优秀完美的算法。
正所谓是：站在巨人的肩膀，我们看得更远，不积跬步无以至千里。

目录

为什么需要该算法？
摘要
主要的三类算法思路大致介绍
第一类：基于映射的宽动态图像增强算法
第二类：基于图像分层的宽动态图像增强算法
第三类：基于梯度域的宽动态图像增强算法
三类算法的对比与优缺点分析

1.关于为什么需要宽动态红外图像增强算法？
详见我之前的文章《数字细节增强算法的缘由与效果（我对FLIR文档详解）》
https://blog.csdn.net/hahahahhahha/article/details/102978112.

2.摘要：
从三类算法开始介绍，基于映射的宽动态图像增强算法，基于图像分层的宽动态图像增强算法，基于梯度域的宽动态图像增强算法。

3.主要的三类算法思路大致介绍
早期的算法（大概1999年之前），主要是基于映射的。实现简单，复杂度低，但是细节不够凸显。
为此，学者提出了基于图像分层的算法（大概是从2001年开始），这种算法是将原始图像分为基础层和细节层，然后分别处理，以保证在压缩动态范围的前提下凸显细节信息，这类算法在细节增强上有了很大提升，但是容易产生 梯度反转 和 光晕现象。
为解决 梯度反转 和 光晕现象，学者又提出了基于梯度域的算法，但是不如第二类算法的细节效果好。

4.第一类：基于映射的宽动态图像增强算法
包括有：自增益的线性映射，Gamma 曲线，直方图投影等。

4.1 自增益的线性映射**
Iout（i,j）=255*Iin（i,j）/(max(Iin)-min(Iin));
最大值和最小值都是去掉极值之后得到的。
如何去极值呢？留给你自己思考吧。

4.2 Gamma 曲线
不同的Gamma参数 对应不同的效果，时好时坏，得手动调试，无法自适应。
还有就是无法消除或者越过“空缺灰度值”，因为gamma曲线无法做到分段处理。

4.3 借助直方图
4.3.1 最原始的直方图均衡
在某些场景上效果不错，但是缺点也很明显，过度增强，噪声过度放大，丢细节，褪色。

4.3.2 平台直方图均衡
最原始的直方图均给我们带来了一种高对比度的视觉体验，但它问题多多。
就丢细节这一点，FLIR在它的文档中已经明确说明：FLIR的DDE不是HE(直方图均衡)。我的这篇文章中对此有说明 https://blog.csdn.net/hahahahhahha/article/details/102978112.
它的水洗效果washed-out褪色 ，它的噪声放大更是无法容忍。
因此，学者又提出了一些优化办法。1995年，Vickers 提出了基于阈值的平台直方图均衡算法（plateau histogram equalization ，PHE） 。

4.3.3 自适应直方图均衡
1987年，PIZER等人还提出了自适应直方图均衡算法（adaptive histogram equalization ，AHE）,这是一种不同于最原始的直方图均衡它是分区域的，从此打开了直方图均衡的另一扇窗，大家才知道原来还可以这么玩，也便有了“全局global”和“局部local ”之说。
AHE的优点是能够凸显局部细节，但是其缺点也是很恼人的，那就是很容易放大噪声。

4.3.4 限制对比度的自适应直方图均衡
1994年，ZUIDER VELD提出了对比度限制的自适应直方图均衡（CLAHE）算法，发表了举世瞩目的经典论文《contrast limited adaptive histogram equalization 》（强烈推荐学习），在算法在医学图像处理，安检图像处理有着非常广泛的应用。该算法从娘胎里就带来了光晕现象，还需改善。
MATLAB的Image toolbox 中有相关函数adapthisteq，我个人觉得：输入参数为手动，不能自适应，只是16-16，或者8-6，不适用于16bit到8bit 的红外图像处理。要想用，那就看原论文，自己写代码。

4.3.5 直方图映射
2009年，南理工的左超等人，在其论文中提出了一种改进型的直方图映射（modified histogram projection），该算法是在原始直方图均衡的基础上改进，不会放大噪声，类似普通的线性映射，与普通线性映射的区别是，该算法能够有效的越过（或者消除）“空缺灰度值”，在高动态的红外图像压缩中，能够得到一种类似“自适应的分段线性映射”的方法。对于灰度跨越过大的图像，效果很好。比如：一个人手上拿着一个很热的水杯。

结束语：
这一回用一首打油诗做个总结：
红外图像宽动态，
算法分为三大派。
基于映射第一类，
各路学者太有才。
全局局部都能搞，
是否线性无所谓。
噪声抑制很关键，
图像效果得改善。

时间有限，先写这么多。
下回聊重点聊：
“基于图像分层的宽动态图像增强算法”。

内容总结

以上是互联网集市为您收集整理的【红外DDE算法】聊聊红外图像增强算法的历史进程（第一回）全部内容，希望文章能够帮你解决【红外DDE算法】聊聊红外图像增强算法的历史进程（第一回）所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---