针对红外图像纹理不清晰、亮度低、高噪声的问题,提出了一种自适应多特征融合的红外图像增强算法。首先,通过用自动线性映射的方法对14位红外图像进行有效特征提取得到了16位图像,提升了图像可视化效果。其次,引入广义反锐化掩模(Genera...针对红外图像纹理不清晰、亮度低、高噪声的问题,提出了一种自适应多特征融合的红外图像增强算法。首先,通过用自动线性映射的方法对14位红外图像进行有效特征提取得到了16位图像,提升了图像可视化效果。其次,引入广义反锐化掩模(Generalized Unsharp Masking,GUM)算法与带色彩恢复的多尺度视网膜(Multi-Scale Retinex with Color Restoration,MSRCR)增强算法联合处理的方法,获得图像不同尺度的有效信息,提升了图像的对比度。最后设计了自适应权重图,并结合图像金字塔结构的特性,对不同特征层进行有效信息的互补融合,提升了图像亮度,丰富了图像的纹理信息。实验结果表明,此算法有效提升了红外图像的对比度和视觉效果;相较于现有的几种算法,其平均梯度(Average Gradient,AG)约提升0.6%,峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)约提升10%,图像的边缘信息有效率约提升11%,图像的清晰度约提升10%。展开更多
文摘针对红外图像纹理不清晰、亮度低、高噪声的问题,提出了一种自适应多特征融合的红外图像增强算法。首先,通过用自动线性映射的方法对14位红外图像进行有效特征提取得到了16位图像,提升了图像可视化效果。其次,引入广义反锐化掩模(Generalized Unsharp Masking,GUM)算法与带色彩恢复的多尺度视网膜(Multi-Scale Retinex with Color Restoration,MSRCR)增强算法联合处理的方法,获得图像不同尺度的有效信息,提升了图像的对比度。最后设计了自适应权重图,并结合图像金字塔结构的特性,对不同特征层进行有效信息的互补融合,提升了图像亮度,丰富了图像的纹理信息。实验结果表明,此算法有效提升了红外图像的对比度和视觉效果;相较于现有的几种算法,其平均梯度(Average Gradient,AG)约提升0.6%,峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)约提升10%,图像的边缘信息有效率约提升11%,图像的清晰度约提升10%。
