基于Retinex理论的红外热成像增强算法研究

论文摘要

红外成像由于作用距离远,抗干扰能力强,不产生辐射,隐蔽性好,被广泛应用于军事、工业及农业等方面。但红外波段的辐射波长比无线电波短、比可见光长,因而红外图像的空间分辨力比雷达高、比可见光低,由于受成像器材及各种环境因素限制,造成红外成像效果不是很理想,所以,需要对红外图像进行增强处理,以得到适合人眼观察或者机器识别的图像,从而正确地识别和检测出目标。传统的图像增强算法比较多,主要分为两大类：空域类算法和频域类算法。这些算法虽然简单,但阐明了图像增强的基本原理,为图像增强理论的发展奠定了丰富的理论基础。有了传统算法理论的支撑,从目标红外成像的特征分析入手,为了便于人眼观察和机器识别,通过分析人眼的视觉特性和色彩恒常性,选择了基于Retinex理论的TV-Retinex算法。该算法以全变分理论为基础建立了一个能量模型,通过求解该模型的全局最优解,达到对原图像增强目的。由于使用了切分Bregman迭代算法进行了优化和处理,大大减少了算法的计算量,提高了运算速度。通过一系列的仿真实验证明,改进的算法不但加快了图像处理的速度,而且还能克服随机噪声和去除光晕效应,提高图像的对比度和清晰度,图像增强效果比较好。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 本论文的主要工作
• 第二章 红外热成像特征分析
• 2.1 红外热成像系统介绍
• 2.2 红外热成像直方图
• 2.2.1 直方图定义
• 2.2.2 热成像直方图特点
• 2.3 热成像图的对比度及分辨率分析
• 2.3.1 热成像图的对比度
• 2.3.2 热成像图的分辨率
• 2.4 红外热成像图的噪声分析
• 2.5 本章小结
• 第三章 图像增强基本算法
• 3.1 概述
• 3.2 空间域增强算法
• 3.2.1 灰度变换
• 3.2.2 直方图修正
• 3.2.3 图像的平滑降噪处理
• 3.2.4 图像空间域锐化
• 3.3 频率域增强算法
• 3.3.1 频率域平滑
• 3.3.2 频率域锐化
• 3.4 彩色增强技术
• 3.4.1 灰度分层法
• 3.4.2 灰度变换彩色法
• 3.4.3 频率滤波增强
• 3.5 其他的图像增强算法
• 3.6 图像增强算法分析
• 3.7 本章小结
• 第四章 基于RETINEX理论的红外热成像增强算法
• 4.1 人眼视觉特性和颜色视觉理论
• 4.1.1 人眼视觉特性
• 4.1.2 颜色视觉理论
• 4.1.3 色彩恒常性
• 4.2 RETINEX理论的基本思想
• 4.2.1 Retinex理论介绍
• 4.2.2 Retinex算法模型
• 4.3 传统RETINEX算法分类
• 4.3.1 单尺度Retinex算法
• 4.3.2 多尺度加权平均Retinex算法
• 4.3.3 McCann’s Retinex算法
• 4.4 基于RETINEX可变框架图像增强改进模型
• 4.4.1 基于Retinex理论可变框架图像增强模型介绍
• 4.4.2 改进的Retinex可变框架图像增强模型
• 4.5 基于RETINEX理论的TV-RETINEX算法
• 4.5.1 TV-Retinex模型介绍
• 4.5.2 切分Bregman迭代
• 4.5.3 模型计算
• 4.5.4 实验及结果分析
• 4.6 本章小结
• 第五章 结论与展望
• 5.1 本文工作总结
• 5.2 未来展望
• 参考文献
• 致谢