非制冷红外图像降噪算法综述

王加, 周永康, 李泽民, 王世锦, 曾邦泽, 赵德利, 胡健钏

王加, 周永康, 李泽民, 王世锦, 曾邦泽, 赵德利, 胡健钏. 非制冷红外图像降噪算法综述[J]. 红外技术, 2021, 43(6): 557-565.
引用本文: 王加, 周永康, 李泽民, 王世锦, 曾邦泽, 赵德利, 胡健钏. 非制冷红外图像降噪算法综述[J]. 红外技术, 2021, 43(6): 557-565.
WANG Jia, ZHOU Yongkang, LI Zemin, WANG Shijin, ZENG Bangze, ZHAO Deli, HU Jianchuan. A Survey of Uncooled Infrared Image Denoising Algorithms[J]. Infrared Technology , 2021, 43(6): 557-565.
Citation: WANG Jia, ZHOU Yongkang, LI Zemin, WANG Shijin, ZENG Bangze, ZHAO Deli, HU Jianchuan. A Survey of Uncooled Infrared Image Denoising Algorithms[J]. Infrared Technology , 2021, 43(6): 557-565.

非制冷红外图像降噪算法综述

详细信息
    作者简介:

    王加(1989-),男,汉族,硕士研究生。主要研究方向:红外图像处理及相关技术。E-mail:wj2abcde234@163.com

  • 中图分类号: TP751.1

A Survey of Uncooled Infrared Image Denoising Algorithms

  • 摘要: 红外图像处理中,由于非制冷红外探测器工艺技术上的原因,原始的红外图像包含多种噪声,尤其是椒盐噪声、固定或随机条纹噪声。当前有许多红外图像降噪的滤波算法,但在时间、空间、降噪效果、细节保持等方面各有侧重,难以实现完美结合。如何更快速、更高效、更准确地滤除噪声信息,保留更多的细节信息,是今后红外图像处理降噪研究的关键方向。本文调研了目前主流的红外图像降噪算法,并从传统滤波降噪、变换域滤波降噪、基于图像分层处理滤波降噪三大类别进行了分析比较,并且提出了一种结合传统算法和基于图像分层的自适应降噪算法,为今后的相关领域研究人员提供参考。
    Abstract: In infrared image processing, owing to technical issues with the infrared detector, the original infrared image includes a variety of noise, especially salt and pepper noise, fixed noise, or random stripe noise. Currently, there are many filtering algorithms for infrared image denoising, but they emphasize time, space, denoising effect, maintaining detail, and so on differently; therefore, it is difficult to achieve a perfect combination. Identifying methods to filter noise information more quickly, efficiently, and accurately and retain more details is an important future research direction for noise reduction in infrared image processing. This study investigated and compared the current mainstream infrared image denoising algorithms from three categories: traditional filter denoising, transform domain filter denoising, and image layered processing filter denoising, and a combination of a traditional algorithm and image layered adaptive denoising algorithm is proposed to provide a reference for future studies in related fields.
  • 近年来,日益加剧的雾、霾天气严重干扰了户外视觉采集系统的正常工作与运行,降低了所获图像、视频的信息质量。此类天气情况下采集得到的图像、视频往往存在画面模糊、对比度低、细节丢失严重等问题[1-3]。目前面向白天降质环境的去雾算法研究已经日益成熟,而对夜间降质图像的去雾算法研究则相对较少。因此,研究如何在夜间雾、霾场景下对降质图像进行有效去雾,具有一定的研究意义和应用价值。

    为实现夜间降质图像的有效去雾,Zhang J.[4]提出了一种基于最大反射率先验理论的快速夜间去雾算法,利用最大反射率先验理论来对夜间降质场景下的大气光分布进行有效估计,然后结合夜间去雾模型实现去雾,该算法去雾效果较好、纹理损失少,但去雾图像存在一定颜色失真; 同时,Li Y.[5]提出了一种全新的大气光模型用于夜间图像去雾,通过线性计算剥离降质图像的辉光项,利用局部编码估算大气光分布,结合散射模型实现去雾,该算法具备一定的去雾效果,但去雾图像存在一定的纹理细节损失; 而Yu T.[6]则提出了一种结合像素级alpha混合算法的夜间去雾算法,以亮度感知权值为导向,对夜间降质场景下的非光源与光源区域的透射率估计进行有效融合,利用信号差分引导滤波来有效估算大气光分布,结合大气散射模型进行去雾,该算法去雾效果较好、颜色一致性强,但场景亮度较低。

    针对现有夜间降质图像去雾算法存在的颜色失真、纹理损失、亮度低等缺陷,本文在He K.M[7]的暗通道先验去雾算法的基础上,提出了一种采用暗态点光源模型的夜间去雾算法,利用最小值滤波、伽马变换等算法建立暗态点光源模型,然后使用暗态点光源模型与联合双边滤波等算法有效估计夜间降质图像的大气光分布、透射率分布,最后结合大气散射模型实现去雾。实验结果表明,该算法处理速度快、去雾效果好,有效减少了去雾图像的颜色失真、纹理损失、亮度低等缺陷。

    在数字图像处理领域,McCartney的大气散射模型被广泛应用于去雾处理,其数学表达式为:

    $$ I(x, y) = J(x, y)t(x, y) + A[1 - t(x, y)] $$ (1)

    式中: (x, y)为图像的横纵坐标; I(x, y)为降质图像; J(x, y)为去雾图像; t(x, y)为透射率分布; A为大气光值。推导数学公式(1),即可得到透射率分布t(x, y)的数学表达式为:

    $$ t\left( {x,y} \right) = \frac{{1 - I\left( {x,y} \right)/A}}{{1 - J\left( {x,y} \right)/A}} $$ (2)

    He K. M.[7]等人在对不包含天空区域的无雾图像观察统计中发现,无雾图像某一颜色通道下的像素值总是接近于零的现象。基于该观察结果,他提出了暗通道先验理论,即对于任意无雾图像的非天空区域,至少存在一个颜色通道下的像素值是接近于零的,该理论的数学表达式为:

    $$ {J_{\rm{d}}}\left( {x,y} \right) = \mathop {\min }\limits_{x,y \in \Omega \left( {x,y} \right)} \left[ {\mathop {\min }\limits_{c \in \left\{ {r,g,b} \right\}} {J_{\rm{c}}}\left( {x,y} \right)} \right] \to 0 $$ (3)

    式中: Jd(x, y)为J(x, y)的暗通道图像; Jc(x, y)为颜色通道各自对应的灰度值; Ω(x, y)为滤波窗口。假设大气光值已知,则透射率分布t(x, y)的获取方式为:

    $$ t\left( {x,y} \right) = 1 - \omega \left[ {{I_{\rm{d}}}\left( {x,y} \right)/A} \right] $$ (4)

    式中: Id(x, y)为I(x, y)的暗通道图像; ω为雾气权值系数,用作在去雾图像中保留少量雾气以保持图像的视觉真实性,一般取作0.95,A为大气光值,一般取为I(x, y)像素值降序排列前0.1%的像素平均值。

    结合求得的透射率分布t(x, y)、大气光值A以及公式(1),即可得到去雾图像:

    $$ J\left( {x,y} \right) = \frac{{I\left( {x,y} \right) - A}}{{t\left( {x,y} \right)}} + A $$ (5)

    该算法对白天雾、霾天气下的降质图像具备较好的去雾效果,但直接应用于夜间降质图像,则会因为降质场景亮度过低等因素,出现算法失效的情况。

    为解决夜间降质图像去雾算法存在的颜色失真、纹理损失、亮度低等缺陷,本文基于He K. M.[7]的暗通道先验去雾算法,提出了一种采用暗态点光源模型的夜间去雾算法。算法流程为: 首先,利用最小值滤波、伽马变换、高斯滤波算法建立暗态点光源模型,利用最大值滤波获取降质图像I(x, y)的亮度分布Ib(x, y); 再使用暗态点光源模型、亮度分布Ib(x, y)和联合双边滤波算法有效估计降质图像I(x, y)的大气光分布A(x, y); 然后根据已知的大气光分布A(x, y)和暗通道图像Id(x, y)获取降质图像的透射率分布t(x, y),并利用联合双边滤波对其进行纹理细化; 最后结合改进后的大气散射模型进行去雾处理,并利用限制对比度直方图均衡化算法进行图像增强。算法实现过程如图 1所示。

    图  1  本文算法的实现过程
    Figure  1.  The implementation of the proposed method

    为有效估计夜间雾、霾天气下降质图像的大气光分布A(x, y),本文提出了一种暗态点光源模型。暗态点光源模型的获取流程如图 2(a)所示: 首先,对降质图像I(x, y)进行最小值滤波获取暗通道图像Id(x, y); 然后用伽马变换对暗通道图像Id(x, y)进行灰度矫正,处理公式如下:

    图  2  大气光分布估计过程
    Figure  2.  Estimation process of atmospheric light distribution
    $$ {V_{\rm{p}}}\left( {x, y} \right) = \alpha \cdot {\left[ {\mathop {\min }\limits_{x, y \in \Omega \left( {x, y} \right)} I\left( {x, y} \right)} \right]^\gamma } $$ (6)

    式中: α称为灰度缩放系数,用于整体拉伸图像灰度,通常取值为1;γ为伽马值,伽马变换可以有效增强图像的明暗对比,进一步增强暗通道图像的明暗对比,进而有效地分割降质图像的光源区域与非光源区域; Vp(x, y)为暗态点光源模型,对其再进行高斯滤波即可得到估算大气光分布所需的最终点光源模型。多数伽马变换都是手动设置伽马系数,为全局变量,对于夜间图像的增强效果并不理想。所以本文采用文献[8]中的方法,首先,采用多尺度高斯函数的方法来提取光照不均匀场景中的光照分量,对各个光照分量进行加权,得到光照分量的估计值。然后利用图像的光照分量的分布特性自适应地调整二维伽马函数的参数,提高光照不均匀图像整体质量。

    在获取了暗态点光源模型Vp(x, y)后,即可根据公式(7)获取降质图像I(x, y)的亮度分布Ib(x, y):

    $$ {I_{\rm{b}}}\left( {x, y} \right) = \mathop {\max }\limits_{c \in \left\{ {r, g, b} \right\}} {J_{\rm{b}}}\left( {x, y} \right) $$ (7)

    考虑到夜间雾、霾天气情况下,降质场景的光源多为点光源,与白天的面光源不同,点光源的照射条件决定了夜间去雾的主要对象为点光源光线覆盖范围内的降质场景。如果简单地将亮度分布作为大气光分布用于降质图像的去雾,会导致去雾图像出现图像失真、去雾场景过暗等问题,所以如何得到一个合理的点光源模型,用于大气光分布的估计,成为了夜间去雾算法的一个难点。

    由于联合双边滤波器具备与引导滤波器相同的滤波效果,即可通过输入引导图像对目标图像进行引导滤波,而且滤波后的图像具备更好的边缘保持效果。因此本文将暗态点光源模型Vp(x, y)作为目标图像,将亮度分布Ib(x, y)作为引导图像,利用联合双边滤波器的引导特性[9],模拟生成夜间点光源的光线照射路线,从而对夜间的大气光分布进行有效估计,处理过程如图 2(b)所示。根据公式(7)得到降质图像亮度分布Ib(x, y),再对亮度分布Ib(x, y)进行高斯滤波处理,最后以暗态点光源模型Vp(x, y)为目标图像、以亮度分布Ib(x, y)为引导图像进行联合双边滤波处理,即可得到最终所需的大气光分布A(x, y)。此时的大气光分布A(x, y)中所保留的亮度信息主要为点光源及其光线覆盖范围内的亮度信息,将该大气光分布用作后续降质图像的去雾处理,可以有效解决图像失真、去雾场景过暗等问题。

    根据2.1节得到的大气光分布A(x, y),结合暗通道图像Id(x, y)即可改进透射率估计公式(4)为:

    $$ t'\left( {x,y} \right) = 1 - \omega \left[ {{I_{\rm{d}}}\left( {x,y} \right)/A\left( {x,y} \right)} \right] $$ (8)

    式中: t′(x, y)为I(x, y)的粗透射率分布; ω为雾气权值系数; Id(x, y)为I(x, y)的暗通道图像; A(x, y)为I(x, y)的大气光分布。粗透射率分布的处理结果如图 3(b)所示,由图可知,此时的粗透射率分布t′(x, y)纹理细节损失严重,若用该透射率分布对降质图像(图 3(a))去雾,处理结果会因为透射率的不准确估计,而存在纹理细节缺失、光晕效应、颜色失真等缺陷。考虑到联合双边滤波具备细化图像纹理的作用,本文利用其对粗透射率t′(x, y)进行精细化处理,得到的细透射率分布如图 3(c)所示,记作t"(x, y)。该透射率分布估值准确、细节明显,可以有效解决纹理细节缺失、光晕效应、颜色失真等缺陷。

    图  3  透射率分布的估计过程
    Figure  3.  Estimation process of transmittance distribution

    在得到细透射率分布t"(x, y)以及大气光分布A(x, y)以后,即可对公式(5)进行去雾改进处理得到:

    $$ J\left( {x, y} \right) = \frac{{I\left( {x, y} \right) - A\left( {x, y} \right)}}{{\max \left[ {t''\left( {x, y} \right), {t_0}} \right]}} + A\left( {x, y} \right) $$ (9)

    式中: J(x, y)为去雾图像; I(x, y)为降质图像; A(x, y)为大气光分布; t"(x, y)为细透射率分布; t0为防止分母为零而引入的系数,本文取作0.1。

    本文算法的所有实验均在CPU为Intel(R) Core i7-9700K @3.60 GHz、内存为32 GB、操作系统为Windows 10的计算机上运行所得,开发语言为C++和OpenCV 3.4.6,开发软件平台为Visual Studio 2019,测试软件平台为Matlab 2018。实验所用的夜间降质图像为本实验室自行建立的降质图库。为验证本文算法的去雾效果和处理速度,本文将从主观对比和客观对比两个角度进行实验对比。

    本文从降质图库中随机选取了4幅具有夜间雾、霾天气代表性的降质图像,分别采用不同的夜间去雾算法进行去雾处理,得到的实验结果如图 4所示。

    图  4  实验结果比较
    Figure  4.  Comparison of experimental results for different method

    图 4可知,相比于白天有雾图像的去雾算法和专门针对夜间有雾图像的去雾算法,本文所提的算法清晰化效果比较明显,在对比度、色彩和细节信息等方面都做了适度增强。

    为了进一步对比不同算法的处理效果,本文使用信息熵(Information Entropy, IE)、平均梯度(Average Gradient,AG)和对比度(Contrast)对图 4中4张图各个算法的处理结果进行客观评价,如表 1所示。可以看出,经过本文算法处理过后的图像的质量普遍有较为明显的改善,主要表现在信息熵值的提高,说明处理后的夜间图像所包含的信息量比较丰富; 平均梯度的提升说明处理后的夜间图像在清晰度提高了; 对比度的提高说明有效增强了夜间图像的明暗对比度。由此可见,本文所提算法在夜间有雾图像的去雾效果上取得了比较好的结果。

    表  1  图 4的客观评价结果
    Table  1.  Evaluation of the results in Fig. 4
    Index Algorithm Fig. 1 Fig. 2 Fig. 3 Fig. 4
    IE HE[7] 7.3539 6.9861 6.9447 6.5511
    Zhang[4] 7.0074 6.6843 6.8380 6.4599
    Li[5] 6.2890 5.8723 6.4657 5.4543
    Proposed 7.5694 6.7746 7.0220 6.6502
    AG HE[7] 0.0646 0.0693 0.0521 0.0415
    Zhang[4] 0.0491 0.0519 0.0471 0.0311
    Li[5] 0.0272 0.0276 0.0288 0.0161
    Proposed 0.0653 0.0707 0.0535 0.0457
    Contrast HE[7] 0.1745 0.1709 0.1346 0.1059
    Zhang[4] 0.1565 0.1622 0.1528 0.1217
    Li[5] 0.1129 0.0913 0.1183 0.0875
    Proposed 0.1823 0.1754 0.1562 0.1238
    下载: 导出CSV 
    | 显示表格

    为有效解决现有夜间降质图像去雾算法存在的颜色失真、纹理损失、亮度低等缺陷,本文提出了一种采用暗态点光源模型的夜间去雾算法。该算法通过引入暗态点光源模型,结合联合双边滤波、高斯滤波、最大值、最小值滤波等算法对夜间降质场景的大气光分布、透射率分布进行了有效估计,最后改进大气散射模型对夜间降质图像进行有效去雾。实验结果表明,该算法的处理速度快、夜间去雾效果好,能够有效减少去雾图像的颜色失真、纹理损失,且去雾场景亮度得到一定程度的保留,同时在对比度、平均梯度以及信息熵上均有一定提高,可应用于城市交通监控系统的夜间去雾。

  • 图  1   红外图像分层处理基本框架

    Figure  1.   Basic framework of infrared image layered processing

    图  2   引导滤波细节层处理效果对比图

    Figure  2.   Comparison of processing effect of detail layer of guided filtering

    图  3   双边滤波细节层处理效果对比图

    Figure  3.   Comparison of processing effect of detail layer of bilateral filtering

    图  4   加权最小二乘滤波细节层处理效果对比图

    Figure  4.   Comparison of processing effect of detail layer of weighted least square filtering

    图  5   自适应降噪系数细节层处理效果对比图

    Figure  5.   Comparison of processing effect of detail layer of adaptive gain coefficient

    图  6   三种分层处理滤波器结合中值滤波器与自适应系数处理效果对比

    Figure  6.   Comparison of three kinds of layered filter and median filter

    表  1   三类基于分层处理算法优缺点对比

    Table  1   Comparison of advantages and disadvantages of three kinds of layered processing algorithms

    Type Algorithm Advantages Disadvantages
    Conventional filtering Gaussian filtering Simple algorithm Insufficient noise reduction effect
    Mean value filtering Easy to implement, suitable for particle noise Will blur the image
    Median filtering Good effect on pepper noise treatment Lack of detail noise handling
    Transformation domain filtering Wavelet transform Good detail retention Algorithm transformation with many steps
    Contourlet transform Good effect of complex noise treatment Long computation time for algorithms
    BM3D algorithm Good noise suppression and detail retention Insufficient real-time algorithm
    Based on image layering filtering Guided filtering Good layering effect and fast running speed Detailing still needs to be improved
    Bilateral filtering Better background separation Longer running time of the algorithm
    Weighted least squares Better detail retention Longer processing time
    下载: 导出CSV
  • [1] 王海菊, 谭常玉, 王坤林, 等. 自适应高斯滤波图像去噪算法[J]. 福建电脑, 2017, 33(11): 5-6. https://www.cnki.com.cn/Article/CJFDTOTAL-FJDN201711002.htm

    WANG Haiju, TAN Changyu, WANG Kunlin, et al. Image denoising algorithm based on adaptive Gauss filter[J]. Fujian Computer, 2017, 33(11): 5-6. https://www.cnki.com.cn/Article/CJFDTOTAL-FJDN201711002.htm

    [2]

    LUO X, WANG S, LI B, et al. A mixed noise filter acceleration algorithm based on mean value and variance similarity[C]//2011 Second International Conference on Digital Manufacturing & Automation, 2011: 55-58(doi: 10.1109/ICDMA.2011.22).

    [3]

    HSIEH M H, CHENG F C, SHIE M C, et al. Fast and efficient median filter for removing 1%~99% levels of salt-and-pepper noise in images[J]. Engineering Applications of Artificial Intelligence, 2013, 26(4): 1333-1338. DOI: 10.1016/j.engappai.2012.10.012

    [4] 刘杰, 张建勋, 代煜. 基于多引导滤波的图像增强算法[J]. 物理学报, 2018, 67(23): 293-302. https://www.cnki.com.cn/Article/CJFDTOTAL-WLXB201823030.htm

    LIU Jie, ZHANG Jianxun, DAI Yu. Image enhancement based on multi -guided filtering[J]. Acta Physica Sinica, 2018, 67(23): 293-302. https://www.cnki.com.cn/Article/CJFDTOTAL-WLXB201823030.htm

    [5]

    ZUO C, CHEN Q, LIU N. Display and detail enhancement for high-dynamic-range infrared images[J]. Opt. Eng., 2011, 50(12): 127401. DOI: 10.1117/1.3659698

    [6]

    Farbman Z, Fattal R, Lischinski D, et al. Edge-preserving decompositions for multi-scale tone and detail manipulation[J/OL]. ACM Transactions on Graphics, 2008, 27(3): https: //doi.org/10.1145/1360612.1360666.

    [7]

    Ismael S H, Mustafa F M, Okümüs I T. A new approach of image denoising based on discrete wavelet transform[C]//Computer Applications & Research of IEEE, 2016: doi: 10.1109/WSCAR.2016.30

    [8]

    DoM N, Vetterli M. Contourlets: directional multi⁃resolution Image representation[C]//International Conference on Image Processing, 2002(1): 357-360.

    [9]

    Dabov K, Foi A, Katkovnik V, et al. Image denoising by sparse 3-D transform-domain collaborative filtering[J]. IEEE Transactions on Image Processing, 2007, 16(8): 2080-2095. DOI: 10.1109/TIP.2007.901238

    [10] 李健, 丁小奇, 陈光, 等. 基于改进高斯滤波算法的叶片图像去噪方法[J]. 南方农业学报, 2019, 50(6): 1385-1391. DOI: 10.3969/j.issn.2095-1191.2019.06.31

    LI Jian, DING Xiaoqi, CHEN Guang. et al. Blade image denoising method based on improved Gauss filtering algorithm[J]. Journal of Southern Agriculture, 2019, 50(6): 1385-1391. DOI: 10.3969/j.issn.2095-1191.2019.06.31

    [11] 魏松涛, 何文思. 一种基于均值滤波和梯度影响因子的滤波算法[J]. 机械制造与自动化, 2020, 49(1): 20-22. https://www.cnki.com.cn/Article/CJFDTOTAL-ZZHD202001006.htm

    WEI Songtao, HE Wensi. Filtering algorithm based on mean filter and gradient influencing factor[J]. Machine Building & Automation, 2020, 49(1): 20-22. https://www.cnki.com.cn/Article/CJFDTOTAL-ZZHD202001006.htm

    [12] 刘智嘉, 夏寅辉, 杨德振, 等. 基于中值滤波器的红外图像噪声处理的改进方法[J]. 激光与红外, 2019, 49(3): 376-380. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW201903019.htm

    LIU Zhijia, XIA Yinhui, YANG Dezhen, et al. An improved method for infrared image noise processing based on median filter[J]. Laser & Infrared, 2019, 49(3): 376-380. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW201903019.htm

    [13] 葛朋, 杨波, 洪闻青, 等. 一种结合PE的高动态范围红外图像压缩及细节增强算法[J]. 红外技术, 2020, 42(3): 279-285. http://hwjs.nvir.cn/article/id/hwjs202003011

    GE Peng, YANG Bo, HONG Wenqing, et al. Dynamic range compression and detail enhancement algorithm combined with PE for high dynamic range infrared images[J]. Infrared Technology, 2020, 42(3): 279-285. http://hwjs.nvir.cn/article/id/hwjs202003011

    [14] 朱才高. 红外图像增强算法研究及其DSP实现[D]. 南京: 南京理工大学, 2014.

    ZHU Caigao. Research on infrared image enhancement algorithm and Its DSP Implementation[D]. Nanjing: Nanjing University of Science And Technology, 2014.

    [15]

    LIU Ning, ZHAO Dongxue. Detail enhancement for high dynamic range infrared images based on guided image filter[J]. Infrared Physics and Technology, 2014, 67(7): 138-147

    [16] 谢岱伟. 一种基于双边滤波的高动态红外图像压缩与细节增强算法[J]. 舰船电子对抗, 2019, 42(2): 96-98, 117. https://www.cnki.com.cn/Article/CJFDTOTAL-JCDZ201902021.htm

    XIE Daiwei. Analgorithm of high dynamic infrared image compression and detail strengthen based in bilateral filtering[J]. Shipboard Electronic Counter- Measure, 2019, 42(2): 96-98, 117. https://www.cnki.com.cn/Article/CJFDTOTAL-JCDZ201902021.htm

    [17] 朱道广, 隋修宝, 朱才高, 等. 基于多尺度的高动态红外图像增强算法[J]. 红外技术, 2013, 35(8): 476-481, 486. http://hwjs.nvir.cn/article/id/hwjs201308005

    ZHU Daoguang, SUI Xiubao, ZHU Caigao, et al. Enhancement algorithm for high dynamic range infrared image based on multi-scale processing[J]. Infrared Technology, 2013, 35(8): 476-481, 486. http://hwjs.nvir.cn/article/id/hwjs201308005

    [18] 周永康, 朱尤攀, 曾邦泽, 等. 宽动态红外图像增强算法综述[J]. 激光技术, 2018, 42(5): 718-726. https://www.cnki.com.cn/Article/CJFDTOTAL-JGJS201805025.htm

    ZHOU Yongkang, ZHU Youpan, ZENG Bangze, et al. A review for high dynamic range infrared image enhancement algorithms[J]. Laser Technology, 2018, 42(5): 718-726. https://www.cnki.com.cn/Article/CJFDTOTAL-JGJS201805025.htm

    [19] 秦乾坤, 杨慧, 岳威, 等. 基于改进小波阈值的红外热波无损检测图像噪声抑制方法的研究[J]. 计算机时代, 2019(1): 75-78, 82. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJS201901022.htm

    QIN Qiankun, YANG Hui, YUE Wei, et al. Research on improved wavelet threshold based image noise suppression method for infrared thermal wave nondestructive testing[J]. Computer Era, 2019(1): 75-78, 82. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJS201901022.htm

    [20] 王宝坤. 基于非下采样Contourlet变换的图像降噪研究[D]. 哈尔滨: 东北林业大学, 2018.

    WANG Baokun. Image Denoising Research Based on Nonsubsampled Contourlet Transform[D]. Harbin: Northeast Forestry University, 2018.

    [21] 黄丽姝, 马铭志. 改进的基于BM3D的图像去噪算法[J]. 现代计算机(专业版), 2019(6): 60-63, 71. https://www.cnki.com.cn/Article/CJFDTOTAL-XDJS201906015.htm

    HUANG Lishu, MA Mingzhi. Improved image denoising algorithm based on BM3D[J]. Modern Computer (Pro), 2019(6): 60-63, 71. https://www.cnki.com.cn/Article/CJFDTOTAL-XDJS201906015.htm

  • 期刊类型引用(17)

    1. 刘志海,刘飞熠,刘东阳,韩文钰,刘磊. 基于HSV色彩空间及改进二维伽马函数的井下图像增强算法. 煤炭技术. 2024(01): 203-206 . 百度学术
    2. 牛振华,邢延超,林英超,王晨轩. 基于NSCT结合显著图与区域能量的红外与可见光图像融合. 红外技术. 2024(01): 84-93 . 本站查看
    3. 王振,刘磊. 融合彩色模型空间的电力设备红外图像增强. 红外技术. 2024(02): 225-232 . 本站查看
    4. 李建康,韩帅,陈没,廖思卓,王道累,赵文彬. 基于深度学习的输电通道入侵物体识别方法研究. 电力信息与通信技术. 2024(02): 34-39 . 百度学术
    5. 高敏钦. 基于Retinex和HSV颜色空间的低照度图像增强算法. 广东轻工职业技术学院学报. 2024(01): 9-13 . 百度学术
    6. 陈鑫,钱旭,周佳加,武杨. 基于水下场景先验的水下图像增强方法研究. 应用科技. 2024(02): 56-65 . 百度学术
    7. 周辉奎,章立,胡素娟. 改进直方图匹配和自适应均衡的水下图像增强. 红外技术. 2024(05): 532-538 . 本站查看
    8. 董良振,田建艳,杨胜强,陈海滨. 基于光照校正和图像融合的零件表面图像增强. 计算机工程. 2024(06): 245-254 . 百度学术
    9. 陈从平,张力,江高勇,凌阳,戴国洪. 改进零参考深度曲线低照度图像增强算法. 计算机测量与控制. 2023(01): 209-214+221 . 百度学术
    10. 龚勇,张海民. 低照度环境下小尺度人脸图像增强方法. 青岛理工大学学报. 2023(01): 141-146+160 . 百度学术
    11. 田源. 视觉感知下的无人机拍摄图像最邻近帧质量增强. 现代电子技术. 2023(15): 67-70 . 百度学术
    12. 彭大鑫,甄彤,李智慧. 低光照图像增强研究方法综述. 计算机工程与应用. 2023(18): 14-27 . 百度学术
    13. 张平,孙林,解斐斐,田亚楠,赵旭东. 改进Retinex的低照度图像增强研究. 激光杂志. 2023(09): 91-97 . 百度学术
    14. 张勇,周斌,王建斌. 多尺度Retinex低照度图像增强的ZYNQ实现. 火力与指挥控制. 2023(07): 156-162 . 百度学术
    15. 钟小莉,谢旻旻. 模糊图像固定跟踪点特征自适应增强算法仿真. 计算机仿真. 2023(12): 316-320 . 百度学术
    16. 王克广,岳乔,缪伟,邬冠华. 发动机小直径管X射线底片数字化图像增强技术. 失效分析与预防. 2022(02): 86-95 . 百度学术
    17. 汤浩,朱泓宇,谢超. 低照度图像增强方法综述. 林业机械与木工设备. 2022(07): 4-10 . 百度学术

    其他类型引用(24)

图(6)  /  表(1)
计量
  • 文章访问数:  1139
  • HTML全文浏览量:  200
  • PDF下载量:  397
  • 被引次数: 41
出版历程
  • 收稿日期:  2020-06-21
  • 修回日期:  2020-07-27
  • 刊出日期:  2021-06-19

目录

/

返回文章
返回