本發(fā)明涉及的是一種紅外和可見光成像技術(shù)，尤其是一種圖像增強方法。

背景技術(shù)：

有理數(shù)階偏微分圖像增強算法可以在一定程度上增強圖像的高頻分量和平滑圖像的低頻分量，但是對圖像中、高頻的邊緣紋理細節(jié)增強效果不夠理想。

文獻《基于有理數(shù)階偏微分的圖像增強新模型》(四川大學(xué)學(xué)報(自然科學(xué)版)，2016年1月，第53卷第1期)結(jié)合分數(shù)階與整數(shù)階微積分理論，推導(dǎo)出全新的有理數(shù)階微分，從而在空間域構(gòu)建了基于有理數(shù)階偏微分的圖像增強模型，新模型融合了整數(shù)階微分與分數(shù)階微分各自的優(yōu)點，彌補了各自的不足，利用有理數(shù)階偏微分掩模算子實現(xiàn)增強模型的數(shù)值計算，該方法增強圖像的高頻分量和平滑圖像低頻分量對圖像可以得到連續(xù)變化的增強效果，但對圖像中、高頻邊緣的紋理細節(jié)增強效果不理想。

文獻《小波和分數(shù)階微分聯(lián)合圖像增強算法》(控制工程，2015年9月，第22卷第5期)結(jié)合了小波圖像增強算法的增強圖像中、高頻邊緣信息和分數(shù)階微分圖像增強算法的非線性保留圖像低頻信息的優(yōu)點，但對增強圖像的高頻分量和平滑圖像低頻分量的效果不好，圖像不能得到連續(xù)變化的增強效果。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種能明顯增強紅外圖像和可見光圖像中、高頻邊緣紋理細節(jié)信息的小波和有理數(shù)階偏微分聯(lián)合圖像增強方法。

本發(fā)明的目的是這樣實現(xiàn)的：

1、獲取浪涌環(huán)境下uuv海面的可見光圖像和紅外圖像；

2、利用基于有理數(shù)階偏微分的圖像增強模型得到有理數(shù)階偏微分算子的3個方向的改進模板；

3、對紅外圖像和可見光圖像分別進行小波分解，得到高頻和低頻小波系數(shù)；

4、用有理數(shù)階偏微分算子模板和3個方向的改進模板來處理小波低頻系數(shù)和高頻系數(shù)，用于提取圖像邊緣信息；

5、然后對圖像信息小波逆變換，進行圖像重構(gòu)，得到增強的浪涌環(huán)境下uuv海面的可見光圖像和紅外圖像。

本發(fā)明還可以包括：

1、所述3個方向的改進模板為利用小波算法的時頻特性，設(shè)計的去水平方向、去垂直方向、去對角方向3個方向的改進模板，去水平方向改進模板用于提取圖像水平方向上的垂直方向和對角方向高頻信息；去垂直方向模板用于提取圖像垂直方向上的水平方向和對角方向高頻信息；去對角方向模板用于提取圖像對角方向上的水平方向和垂直方向高頻信息。

2、所述對紅外圖像和可見光圖像分別進行小波分解，得到高頻和低頻小波系數(shù)的步驟包括：

(1)、根據(jù)mallat算法得小波分解公式為：

式為圖像低頻信息的小波分解過程，h[k]是理想低通濾波器，aj+1[k]為第(j+1)級離散低頻分解信息，是由上一級即第j級低頻信息aj[k]與h[k]卷積計算得到；式為圖像高頻信息的小波分解過程，g[k]是高通濾波器，dj+1[k]為第(j+1)級離散高頻分解信息，是由上一級即第j級低頻信息aj[k]與g[k]進行卷積計算得到；

(2)、對圖像f(x,y)進行一層小波分解，得到低頻圖像l的小波系數(shù)da，水平方向高頻圖像hl、垂直方向高頻圖像hv、對角方向高頻圖像hd3個方向高頻圖像的小波系數(shù)dl、dv、dd。

3、所述用有理數(shù)階偏微分算子模板和3個方向的改進模板來處理小波低頻系數(shù)和高頻系數(shù)具體包括：

(1)用有理數(shù)階偏微分算子模板處理低頻圖像小波系數(shù)da，得到

(2)用去水平方向改進模板處理水平方向高頻圖像hl的小波系數(shù)dl，得到

(3)用去垂直方向改進模板處理垂直高頻圖像hv的小波系數(shù)dv，得到

(4)用去對角方向改進模板處理對角高頻圖像hd的小波系數(shù)dd，得到

4、所述對圖像信息小波逆變換，進行圖像重構(gòu)，得到增強的浪涌環(huán)境下uuv海面的可見光圖像和紅外圖像的步驟包括：

(1)信息重構(gòu)公式為：

小波信息重構(gòu)是小波信息分解逆過程，第j級圖像低頻信息aj[k]由第(j+1)級圖像低頻信息aj+1[k+1]和圖像高頻信息dj+1[k]按式重構(gòu)得到；h[k]為了理想低通濾波器，g[k]為理想高通濾波器；

(2)對小波系數(shù)進行小波反變換，即小波信息重構(gòu)，最終得到邊緣細節(jié)信息被增強的新圖像

為了較好地達到中、高頻邊緣紋理信息的增強效果，本發(fā)明提出小波和有理數(shù)階偏微分聯(lián)合圖像增強算法。利用小波算法的時頻特性對圖像邊緣紋理信息進行增強，圖像經(jīng)小波分解后被分解為多個方向的高頻信息和低頻信息，使用有理數(shù)階偏微分算子模板和新改進的模板對分解后的各個分量信息進行邊緣信息的進一步提取，然后圖像信息重構(gòu)，得到增強圖像。增強后的圖像在圖像清晰度和中、高頻邊緣紋理細節(jié)方面達到較好的增強效果。通過實驗仿真，視覺上觀察增強圖像和進行圖像定量指標的分析，可知，本發(fā)明的方法與有理數(shù)階偏微分圖像增強算法相比，本發(fā)明的方法圖像清晰度和中、高頻邊緣紋理細節(jié)方面的增強效果優(yōu)于單一有理數(shù)階偏微分算法。

本發(fā)明的小波和有理數(shù)階偏微分聯(lián)合圖像增強方法不僅保留了有理數(shù)階偏微分算法增強圖像的高頻分量和平滑圖像低頻分量的效果，而且明顯增強了紅外圖像和可見光圖像中、高頻邊緣紋理細節(jié)信息，充分結(jié)合了小波與有理數(shù)階偏微分兩種方法對圖像增強的優(yōu)點，彌補了各自的不足。

附圖說明

圖1為本發(fā)明的流程圖。

圖2a-圖2e為本發(fā)明的方法與有理數(shù)階偏微分圖像增強算法的浪涌環(huán)境下uuv海面的紅外圖像增強效果對比圖。其中圖2a為原圖；圖2b為p＝1.6有理數(shù)階偏微分算法增強圖像；圖2c為p＝1.6本發(fā)明方法增強圖像；圖2d為p＝1.8有理數(shù)階偏微分算法增強圖像；圖2e為p＝1.8本發(fā)明方法增強圖像。

圖3a-圖3e為本發(fā)明的方法與有理數(shù)階偏微分圖像增強算法浪涌環(huán)境下uuv海面的可見光圖像增強效果對比圖。其中圖3a為原圖；圖3b為p＝1.6有理數(shù)階偏微分算法增強圖像；圖3c為p＝1.6本發(fā)明方法增強圖像；圖3d為p＝1.8有理數(shù)階偏微分算法增強圖像；圖3e為p＝1.8本發(fā)明方法增強圖像。

圖4a-圖4f為本發(fā)明的方法在不同階數(shù)下浪涌環(huán)境下uuv海面的紅外圖像增強效果對比圖。其中圖4a為原始圖像；圖4b為p＝1.2；圖4c為p＝1.4；圖4d為p＝1.6；圖4e為p＝1.8；圖4f為p＝2.0。

圖5為本發(fā)明的方法在不同階數(shù)下浪涌環(huán)境下uuv海面的可見光圖像增強效果對比圖。其中圖5a為原始圖像；圖5b為p＝1.2；圖5c為p＝1.4；圖5d為p＝1.6；圖5e為p＝1.8；圖5f為p＝2.0。

具體實施方式

下面結(jié)合附圖舉例對本發(fā)明做更詳細的描述，但本發(fā)明的保護范圍不局限于以下所述。

如圖1所示，一種小波和有理數(shù)階偏微分聯(lián)合圖像增強算法，包括以下步驟：

1、利用基于有理數(shù)階偏微分的圖像增強新模型得到有理數(shù)階偏微分算子的改進模板，根據(jù)小波算法的時頻特性，設(shè)計了3個方向(去水平方向、去垂直方向、去對角方向)的改進模板，去水平方向改進模板是為了進一步提取圖像水平方向上的垂直方向和對角方向高頻信息；去垂直方向模板是為了進一步提取圖像垂直方向上的水平方向和對角方向高頻信息；去對角方向模板是為了進一步提取圖像對角方向上的水平方向和垂直方向高頻信息。有理數(shù)階偏微分算子的模板見表1。有理數(shù)階偏微分算子改進模板：去水平方向模板見表2，去垂直方向模板見表3，去對角方向模板見表4。

表1有理數(shù)階偏微分算子的模板

表2去水平方向模板

表3去垂直方向模板

表4去對角方向模板

2、對紅外圖像和可見光圖像分別進行小波分解，得到高頻和低頻小波系數(shù)。

(1)根據(jù)mallat算法知小波分解公式如下：

(1)式為圖像低頻信息的小波分解過程，h[k]是理想低通濾波器，aj+1[k]為第(j+1)級離散低頻分解信息，是由上一級(第j級)低頻信息aj[k]與h[k]卷積計算得到；(2)式為圖像高頻信息的小波分解過程，g[k]是高通濾波器，dj+1[k]為第(j+1)級離散高頻分解信息，是由上一級(第j級)低頻信息aj[k]與g[k]進行卷積計算得到。

(2)對圖像f(x,y)進行一層小波分解，得到低頻圖像l的小波系數(shù)da，3個方向高頻圖像(水平方向高頻圖像hl、垂直方向高頻圖像hv、對角方向高頻圖像hd)的小波系數(shù)dl、dv、dd。

3、用有理數(shù)階偏微分算子模板和新改進的3個模板來處理小波低頻系數(shù)和高頻系數(shù)，為了提取圖像邊緣信息。

(1)、為較好提取圖像低頻輪廓，用有理數(shù)階偏微分算子模板處理低頻圖像小波系數(shù)da，得到

(2)、為更好提取垂直、對角方向邊緣細節(jié)信息，用去水平方向改進模板處理水平方向高頻圖像hl的小波系數(shù)dl，得到

(3)、為更好提取水平、對角方向邊緣細節(jié)信息，用去垂直方向改進模板處理垂直高頻圖像hv的小波系數(shù)dv，得到

(4)、為更好提取水平、垂直方向邊緣細節(jié)信息，用去對角方向改進模板處理對角高頻圖像hd的小波系數(shù)dd，得到

4、對圖像信息小波逆變換，進行圖像重構(gòu)，得到增強的浪涌環(huán)境下uuv海面的可見光圖像和紅外圖像。

(1)信息重構(gòu)公式為：

小波信息重構(gòu)是小波信息分解逆過程，第j級圖像低頻信息aj[k]由第(j+1)級圖像低頻信息aj+1[k+1]和圖像高頻信息dj+1[k]按(6)式重構(gòu)得到；h[k]為了理想低通濾波器，g[k]為理想高通濾波器。

(2)對小波系數(shù)進行小波反變換，也就是小波信息重構(gòu)，最終得到邊緣細節(jié)信息被增強的新圖像

為了全面的對比本發(fā)明與有理數(shù)階偏微分算法的圖像增強效果，本發(fā)明分別采用浪涌環(huán)境下uuv海面的紅外圖像和可見光圖像進行仿真實驗，圖像增強效果對比圖是使用matlab2014a進行的仿真。在浪涌環(huán)境下拍攝的圖像很模糊，想要得到增強效果好的圖像并不容易，圖2a-圖2e和圖3a-圖3e是本發(fā)明與有理數(shù)階偏微分算法的圖像增強效果對比圖。

于是本發(fā)明也對階數(shù)變化做了仿真實驗，分別采用浪涌環(huán)境下uuv海面的紅外圖像和可見光圖像進行仿真實驗，對本發(fā)明在不同階數(shù)下的圖像增強效果比較見圖4a-圖4f、圖5a-圖5f。