占子威,鄧長(zhǎng)征,付 添,夏鵬雨,丁虹宇,黃曉宇

1(三峽大學(xué) 電氣與新能源學(xué)院,宜昌 443002)

2(湖北南邦創(chuàng)電科技有限公司,宜昌 443002)

紅外成像因其具有無(wú)源性、持續(xù)監(jiān)測(cè)等特點(diǎn),已成為電力設(shè)備狀態(tài)檢測(cè)的主要手段[1]. 運(yùn)用紅外成像技術(shù)被動(dòng)和非接觸式工作的特點(diǎn)進(jìn)行電力設(shè)備狀態(tài)檢測(cè),能有效避免主動(dòng)檢測(cè)或接觸式檢測(cè)方式對(duì)電力設(shè)備工作狀態(tài)造成干擾,對(duì)電力設(shè)備運(yùn)行安全保障至關(guān)重要.但是,紅外成像技術(shù)也存在許多問(wèn)題,如自身分辨率較低、易受外界干擾、通訊易受電磁干擾,這些問(wèn)題會(huì)導(dǎo)致紅外成像儀輸出的紅外圖像含有噪聲、細(xì)節(jié)紋理不清晰、圖像整體模糊等問(wèn)題,不利于人眼觀察和后續(xù)計(jì)算機(jī)分析處理[2]. 因此,紅外圖像增強(qiáng)技術(shù)對(duì)于研究低成本、便攜式的紅外成像設(shè)備至關(guān)重要.

對(duì)于圖像的研究,主要是有空間域方法即直接對(duì)像素進(jìn)行操作和頻域方法將圖像像素矩陣轉(zhuǎn)換到頻域進(jìn)行處理好再反變換回空間域[3]. 直方圖均衡的方法是常用的空域增強(qiáng)方法,通過(guò)改變輸入圖像的灰度分布來(lái)提升圖像的灰度動(dòng)態(tài)范圍,改善人眼視覺(jué)效果,但是會(huì)導(dǎo)致圖像灰度級(jí)減少、細(xì)節(jié)消失、過(guò)增強(qiáng)等問(wèn)題[4,5]. 小波變換是一種經(jīng)典頻域變換方法,其基本原理是傅里葉變換,通過(guò)改變頻率系數(shù)來(lái)處理圖像,但容易出現(xiàn)系數(shù)選取問(wèn)題,導(dǎo)致圖像失真[6,7]. 因此,基于神經(jīng)網(wǎng)絡(luò)的紅外圖像增強(qiáng)算法受到廣泛關(guān)注. 其中,運(yùn)用較為廣泛的是基于視覺(jué)皮層的神經(jīng)網(wǎng)絡(luò),稱為脈沖耦合神經(jīng)網(wǎng)絡(luò)(pulse coupled neural network,PCNN),源于其對(duì)視覺(jué)皮層特性的研究,PCNN 已成為圖像處理的一種通用而且強(qiáng)大的工具[8–10]. 但是,PCNN 模型也有許多弊端,其中之一就是需要設(shè)定大量的參數(shù),并且依賴于設(shè)置人員經(jīng)驗(yàn). 對(duì)于紅外圖像這種對(duì)比度低、目標(biāo)輪廓不清晰的特點(diǎn),已有的PCNN 算法不能在抑制噪聲的同時(shí)增強(qiáng)圖像[11].

針對(duì)上述不足,本文受到圖像分割和融合思想的啟發(fā),提出一種基于不可分離小波多尺度方向分析(non-separable wavelet based multiscale directional analysis,NSWMDA)和連接突觸計(jì)算網(wǎng)絡(luò)(linking synaptic computation network,LSCN)的紅外增強(qiáng)方法,通過(guò)冗余提升的不可分離小波(non-separable wavelet transform,NSWT)分離圖像高低頻分量,對(duì)高頻先采用方向?yàn)V波抑制噪聲后,再對(duì)近似子圖和細(xì)節(jié)子圖分別采用LSCN 增強(qiáng),最后進(jìn)行融合重構(gòu)得到增強(qiáng)的紅外圖像.

1 連接突觸計(jì)算網(wǎng)絡(luò)原理

連接突觸計(jì)算網(wǎng)絡(luò)是由Zhan 等[12]于2017 年提出的一種模擬人的神經(jīng)連接突觸機(jī)制的圖像增強(qiáng)模型,屬于第3 代人工神經(jīng)網(wǎng)絡(luò). 該網(wǎng)絡(luò)模仿生物視覺(jué)皮層在受到外部刺激時(shí),會(huì)產(chǎn)生生物電脈沖,從而影響周?chē)纳窠?jīng)元的行為,將反饋輸入作為外激勵(lì),用內(nèi)部活動(dòng)作神經(jīng)元狀態(tài)的衰減項(xiàng). LSCN 是在PCNN 的基礎(chǔ)上改進(jìn)的模型,針對(duì)PCNN 參數(shù)多、資源占用率高、人工依賴性強(qiáng)的不足,LSCN 在輸入機(jī)制上做了大量簡(jiǎn)化,待參量也大大減少. PCNN 模型中采用3 個(gè)漏積分器,并進(jìn)行兩次卷積運(yùn)算[13]. LSCN 中保持了3 個(gè)漏積分器,但是減少了一次卷積運(yùn)算,大大降低了計(jì)算復(fù)雜度,并且使得外激勵(lì)和內(nèi)部活動(dòng)的關(guān)系更加直接. LSCN相比傳統(tǒng)PCNN,最大的優(yōu)勢(shì)就是其迭代過(guò)程自動(dòng)停止,無(wú)需手動(dòng)設(shè)置. LSCN 的神經(jīng)元結(jié)構(gòu)如圖1.

圖1 單個(gè)LSCN 神經(jīng)元結(jié)構(gòu)

在LSCN 神經(jīng)元中,采用漏積分器來(lái)描述神經(jīng)振蕩器的動(dòng)電勢(shì)u(t),可離散簡(jiǎn)化為:

其中,s為輸入信號(hào),U(n)為離散動(dòng)電勢(shì),n為離散時(shí)間,lr為漏積分衰減常數(shù).

連接突觸計(jì)算網(wǎng)絡(luò)由連接突觸C、膜電位M、神經(jīng)閾值D組成,均被實(shí)例化為漏積分器. 其模型表達(dá)式如下:

其中,像素神經(jīng)元用(i,j)表示,相鄰的像素神經(jīng)元用(p,q)表示,n為離散時(shí)間,h是連接常數(shù),Wijpq是連接權(quán)重,Ppq(n–1)是突觸后動(dòng)作電位.

其中,a為膜電位衰減常數(shù),Sij為外刺激信號(hào),α為連接強(qiáng)度系數(shù).

其中,g是閾值衰減常數(shù),β為幅度調(diào)整系數(shù).

突觸后動(dòng)作電位產(chǎn)生代表著神經(jīng)元點(diǎn)火成功. 點(diǎn)火成功后,神經(jīng)元的閾值Dij會(huì)因?yàn)榉答佇盘?hào)而快速上升,由式(5)可知,閾值大于膜電位時(shí),神經(jīng)元會(huì)終止發(fā)射尖峰脈沖. 神經(jīng)元停止發(fā)射脈沖后,閾值會(huì)再次因?yàn)榉答佇盘?hào)而降低,神經(jīng)元再次點(diǎn)火發(fā)射,如此反復(fù). 當(dāng)網(wǎng)絡(luò)中所有的神經(jīng)元全部點(diǎn)火成功后,迭代停止.

2 改進(jìn)的LSCN 算法

2.1 本文算法框架

傳統(tǒng)的LSCN 解決了PCNN 中參數(shù)設(shè)置的問(wèn)題,但是存在一些潛在的問(wèn)題. 根據(jù)LSCN 的原理可知,神經(jīng)元之間通過(guò)互相影響來(lái)使細(xì)節(jié)得到增強(qiáng),對(duì)于圖像中的一些高頻噪聲也會(huì)被識(shí)別為圖像細(xì)節(jié)進(jìn)行增強(qiáng).對(duì)于紅外圖像而已,噪聲遠(yuǎn)多于一般可見(jiàn)光圖像,這就會(huì)導(dǎo)致增強(qiáng)效果不理想,信噪比低. 針對(duì)傳統(tǒng)的LSCN算法存在的放大噪聲和細(xì)節(jié)邊緣不夠突出的問(wèn)題,本文提出一種改進(jìn)的基于NSWMDA 的LSCN 算法. 算法框架如圖2 所示.

圖2 不可分離小波多尺度變換的紅外圖像增強(qiáng)算法

非下采樣輪廓波變換(non-subsampled contourlet transform,NSCT)是一種圖像二維表示方法,其采用多尺度分解捕獲奇異點(diǎn)將圖像進(jìn)行拆分[14]. NSCT 不僅可以保持contourlet 變換的多分辨率、局部化和多向性等優(yōu)良特性,具備平移不變的特點(diǎn),還能消除Gibbs現(xiàn)象. NSCT 采用的是非下采樣金字塔(non-subsampled pyramid,NSP)對(duì)圖像進(jìn)行處理,但是NSP 變換對(duì)細(xì)節(jié)的捕捉能力較弱[15],而紅外圖像本身的細(xì)節(jié)紋理不夠明顯,所以傳統(tǒng)的NSCT 變換對(duì)紅外圖像,特別是興趣區(qū)域不明顯的紅外圖像并不友好. 基于不可分離小波的多尺度方向分析方法(NSWMDA)采用冗余提升的不可分離小波來(lái)替代NSCT 中的NSP 分解以提高對(duì)細(xì)微細(xì)節(jié)信息的捕捉能力. NSWMDA 首先對(duì)圖像進(jìn)行不可分離小波變換,生成低頻輪廓子帶和高頻細(xì)節(jié)子帶,然后對(duì)高頻細(xì)節(jié)子帶進(jìn)行方向分解,以增強(qiáng)細(xì)節(jié)子帶的方向分辨率. 不可分離小波變換具有多分辨率和局部化時(shí)間和頻率的特性,還具有高度的方向性和各向異性. 其能對(duì)圖像進(jìn)行多尺度細(xì)化分析,符合人眼觀察特性. LSCN 對(duì)高頻信息和低頻信息的敏感度不同,對(duì)源圖像直接進(jìn)行LSCN 增強(qiáng)會(huì)導(dǎo)致噪聲被放大. 因此,本算法利用NSWMDA 的多尺度多方向分析特性對(duì)源圖像進(jìn)行預(yù)處理,將源圖像分解成低頻近似子帶和高頻細(xì)節(jié)子帶,再結(jié)合LSCN 對(duì)分離后的圖像進(jìn)行處理,增強(qiáng)圖像對(duì)比度和細(xì)節(jié)紋理,最后進(jìn)行融合疊加得到完整的紅外增強(qiáng)圖像.

Step 1. 原始紅外圖像進(jìn)行NSWT 變換,得到低頻近似子帶和高頻細(xì)節(jié)子帶;

Step 2. 對(duì)高頻子帶,首先進(jìn)行NSDFB 多方向?yàn)V波,減少噪聲干擾,然后,利用LSCN 增強(qiáng),得到濾波以后的增強(qiáng)的細(xì)節(jié)子圖;

Step 3. 對(duì)低頻子帶,采用LSCN 進(jìn)行增強(qiáng),得到增強(qiáng)后的模糊子圖;

Step 4. 將增強(qiáng)后的細(xì)節(jié)子圖和模糊子圖進(jìn)行NSWT反變換重構(gòu),得到增強(qiáng)后的紅外圖像.

2.2 冗余提升的不可分離小波變換

NSWT 由于存在下采樣環(huán)節(jié),會(huì)導(dǎo)致平移可變,在處理圖像中的奇異信息時(shí),會(huì)產(chǎn)生Gibbs 現(xiàn)象,不利于圖像的處理. 為解決這一問(wèn)題,本文采用基于冗余提升的NSWT 變換將原始紅外圖像分解成高頻子帶和低頻子帶.

傳統(tǒng)的小波變換算法中,分裂方法采用的是將數(shù)據(jù)分成兩個(gè)集合,這樣產(chǎn)生的子帶數(shù)據(jù)就變?yōu)樵瓉?lái)的一半. 數(shù)據(jù)量的減少雖然加快了運(yùn)行速度,但也意味著帶來(lái)了平移可變,不利于圖像處理. 基于冗余提升的NSWT 采用復(fù)制的方式來(lái)處理數(shù)據(jù),每次變換產(chǎn)生的子帶與原數(shù)據(jù)量相同,并在濾波器中進(jìn)行插值運(yùn)算就可實(shí)現(xiàn)多分辨率分解. 冗余提升的NSWT 變換實(shí)現(xiàn)過(guò)程如圖3 所示.

圖3 冗余提升的NSWT 過(guò)程圖

設(shè)原始圖像的輸入信號(hào)為Im,則冗余提升NSWT可分為以下步驟:

Step 1. 復(fù)制

將原始信號(hào)Im復(fù)制到Lm和Hm,其中,Lm是原始圖像的低頻子帶,Hm是原始圖像的高頻子帶.

Step 2. 預(yù)測(cè)

根據(jù)低頻信息Lm的4 鄰域中的最大值來(lái)預(yù)測(cè)高頻信息Hm.

Step 2.1. 水平/垂直方向預(yù)測(cè)

其中,imod 2 ≠jmod 2.

Step 2.2. 對(duì)角方向預(yù)測(cè)

其中,imod 2=jmod 2=1.

Step 3. 更新

根據(jù)高頻信息Hm的4 鄰域中大于零的值來(lái)更新高頻信息Lm.

Step 3.1. 水平/垂直方向更新

其中,imod 2 ≠jmod 2.

Step 3.2. 對(duì)角方向更新

其 中,imod 2=jmod 2=1.

2.3 高頻增強(qiáng)

原始紅外圖像通過(guò)NSWT 變換后得到高頻子帶和低頻子帶,高頻子帶包含了噪聲和圖像邊緣紋理細(xì)節(jié). 在傳統(tǒng)的LSCN 算法中,噪聲會(huì)引起周?chē)I(lǐng)域像素點(diǎn)火,從而增大噪聲像素范圍. 為了避免噪聲對(duì)紋理增強(qiáng)產(chǎn)生干擾,本算法采用的是改進(jìn)的非子采樣方向?yàn)V波器對(duì)高頻子帶進(jìn)行方向?yàn)V波,可以得到對(duì)角線方向、水平方向、垂直方向分量.

改進(jìn)的非子采樣方向?yàn)V波器NSDFB (non-subsampled directional filter bank)是一個(gè)雙通道的濾波器,其省去了二維方向?yàn)V波器組(directional filter bank,DFB)的下采樣步驟,并對(duì)濾波器進(jìn)行相應(yīng)的上采樣便可得到NSDFB. NSDFB 與嚴(yán)格采用方向?yàn)V波器組的濾波器類(lèi)似,都是由單個(gè)的扇形濾波器得到,且計(jì)算復(fù)雜度不變[16]. 如圖4 所示,為一個(gè)4 通道NSDFB 分解圖.

圖4 NSDFB 濾波結(jié)構(gòu)

在NSDFB 中加入上采樣(supq(d)為采樣階數(shù)上界限)是為了在不增加計(jì)算量的前提下,消除吉布斯效應(yīng). 對(duì)于采樣矩陣S和二維濾波器D(m),則濾波輸出y[n]采用卷積公式:

經(jīng)過(guò)方向?yàn)V波以后的各方向高頻分量會(huì)抑制噪聲,減少噪聲干擾. 在高頻分量中細(xì)節(jié)紋理由于像素與周?chē)袼氐倪B接強(qiáng)度Wijpq小,會(huì)對(duì)周?chē)姆羌y理細(xì)節(jié)部分的像素產(chǎn)生抑制,減少其點(diǎn)火行為,增強(qiáng)自身的點(diǎn)火次數(shù),迭代結(jié)束以后,紋理細(xì)節(jié)更加突出而背景和噪聲則被抑制. 對(duì)增強(qiáng)后的各方向高頻分量采用加權(quán)平均融合的規(guī)則得到增強(qiáng)后的細(xì)節(jié)子圖.

2.4 低頻增強(qiáng)

低頻子帶主要包含的是圖像的整體模糊信息,沒(méi)有清晰的邊界,具有較為集中的灰度. 根據(jù)LSCN 模擬視覺(jué)神經(jīng)的工作方式的特點(diǎn),當(dāng)某像素與周?chē)南袼氐幕叶冉咏鼤r(shí),會(huì)刺激該像素(i,j)與其周?chē)南袼?p,q)同時(shí)點(diǎn)火,產(chǎn)生脈沖輸出Pij(n)=1,該信號(hào)會(huì)影響周?chē)袼氐狞c(diǎn)火狀態(tài),依次產(chǎn)生迭代,直到所有的像素都參與點(diǎn)火,終止迭代. 低頻增強(qiáng)通過(guò)模糊子圖各相鄰像素之間相互影響從而平滑灰度,使圖像更加平滑,灰度分布更均勻. 經(jīng)過(guò)處理后得到的高頻子圖和低頻子圖,進(jìn)行融合疊加后進(jìn)行NSWT反變換得到紅外增強(qiáng)圖像Om.

3 實(shí)驗(yàn)與分析

為驗(yàn)證基于不可分離小波多尺度變換的LSCN 圖像增強(qiáng)算法的可行性和有效性,本文選取了普通場(chǎng)景紅外圖像(“吉普車(chē)”)和電力應(yīng)用場(chǎng)景(“變壓器”)紅外圖像進(jìn)行實(shí)驗(yàn)分析. 分別對(duì)這兩幅紅外圖像采用直方圖均衡增強(qiáng)算法(histogram equalization,HE)、PCNN、LSCN、多尺度Retinex 增強(qiáng)算法(multi-scale Retinex,MSR)、本文算法進(jìn)行紅外圖像增強(qiáng),并對(duì)增強(qiáng)結(jié)果進(jìn)行主觀和客觀分析來(lái)驗(yàn)證本算法的優(yōu)越性. 實(shí)驗(yàn)軟件環(huán)境: Matlab R2020a; 硬件環(huán)境: AMD R7-4800H 2.9 GHz 處理器,16 GB 運(yùn)行內(nèi)存,Nvidia GTX1650 4 GB顯卡. 實(shí)驗(yàn)結(jié)果如圖5 和圖6 所示,不同方法平均運(yùn)行時(shí)間如表1 所示.

圖5 “吉普車(chē)”增強(qiáng)結(jié)果

圖6 “變壓器”增強(qiáng)結(jié)果

表1 各種方法的平均運(yùn)行時(shí)間(s)

3.1 主觀分析

圖像背景的亮度和對(duì)比度對(duì)人眼視覺(jué)的感受影響較大,并且人眼對(duì)低頻中的噪聲敏感度大于高頻區(qū)域.從圖5 和圖6 的實(shí)驗(yàn)結(jié)果可以看出,HE 算法和MSR算法在一定程度上提升了圖像細(xì)節(jié)紋理,但同時(shí)使局部位置的灰度過(guò)大或過(guò)小,亮度失衡,圖像出現(xiàn)部分失真; PCNN 算法增強(qiáng)效果并不顯著,圖像清晰度不高,并且對(duì)比度和細(xì)節(jié)處理有待提高; LSCN 算法突出了原圖的細(xì)節(jié)紋理,但整體對(duì)比度并無(wú)明顯增強(qiáng); 本文算法相比上述4 種算法,處理后的圖片不僅整體清晰度增強(qiáng),對(duì)比度有較大提高,細(xì)節(jié)紋理也更加豐富. 從主觀角度,本文所提出的算法整體人眼視覺(jué)效果較好,具有亮度均衡、對(duì)比度明顯、細(xì)節(jié)較為豐富、噪聲小、目標(biāo)容易識(shí)別等特點(diǎn).

3.2 客觀分析

通過(guò)多次運(yùn)算得到表1,結(jié)果表明,最簡(jiǎn)單的HE算法運(yùn)算速度最快且基本不受圖像復(fù)雜度影響,相比而言基于神經(jīng)網(wǎng)絡(luò)的算法(LSCN、PCNN 和本文)計(jì)算速度較慢,這是因?yàn)檫@幾種方法都需要進(jìn)行迭代,計(jì)算復(fù)雜度更高,并且還會(huì)受到圖像復(fù)雜度的影響,PCNN 算法每進(jìn)行一次迭代,就要對(duì)滿足條件的像素點(diǎn)的3×3 鄰域進(jìn)行局部中值濾波,即對(duì)每個(gè)像素的鄰域元素求中值,并且每次都要進(jìn)行2 次卷積計(jì)算,大大增加了計(jì)算量,因此計(jì)算速度最慢. 本文在LSCN 每次迭代只需進(jìn)行一次卷積計(jì)算基礎(chǔ)上,通過(guò)引入冗余提升不可分離小波,雖然提升了算法復(fù)雜度,但是由于高低頻分離后的圖像,在進(jìn)行LSCN 處理時(shí),迭代次數(shù)變少,總的運(yùn)行時(shí)間與改進(jìn)前的方法增長(zhǎng)較小,并且通過(guò)進(jìn)一步改進(jìn)小波分離方法和參數(shù),可進(jìn)一步縮短運(yùn)行時(shí)間.

為深入分析上述5 種算法的增強(qiáng)質(zhì)量,本文選取邊緣強(qiáng)度(edge intensity,EI)、信息熵(information entropy,IE)、峰值信噪比(peak signal-to-noise ratio,PSNR)、結(jié)構(gòu)相似度(structural similarity index measure,SSIM)、平均梯度(average gradient,AG)5 種常用客觀評(píng)價(jià)指標(biāo)對(duì)增強(qiáng)圖像進(jìn)行評(píng)價(jià). 上述5 種評(píng)價(jià)指標(biāo)值越大,增強(qiáng)效果越好. 評(píng)價(jià)結(jié)果如表2、表3所示.

表2 “吉普車(chē)”客觀評(píng)價(jià)指標(biāo)

表3 “變壓器”客觀評(píng)價(jià)指標(biāo)

由表2 中實(shí)驗(yàn)結(jié)果可以得到,本文算法在EI、IE、PSNR、SSIM、AG 五類(lèi)指標(biāo)均高于其他4 種算法,對(duì)比其他算法各指標(biāo)分別至少提高了15.30%、2.40%、4.95%、3.69%、6.86%. 由表3 中實(shí)驗(yàn)結(jié)果可以得到,本文算法在EI、IE、PSNR、SSIM、AG 五類(lèi)指標(biāo)均高于其他4 種算法,對(duì)比其他算法各指標(biāo)分別至少提高了10.86%、14.39%、19.95%、7.06%、6.70%. 從以上數(shù)據(jù)可以看出,對(duì)待不同復(fù)雜程度和不同背景的紅外圖像,本算法的客觀指標(biāo)均較其他算法好,以“變壓器”為例,各項(xiàng)指標(biāo)較其他各算法歸一化增長(zhǎng)幅度如圖7 所示.

圖7 “變壓器”各指標(biāo)歸一化對(duì)比圖

從以上歸一化后的圖7 可以看出,本文算法的各項(xiàng)指標(biāo)均較其他算法更好,HE 算法和MSR 算法的各項(xiàng)指標(biāo)較為均衡,均處在中等水平; PCNN 算法各項(xiàng)指標(biāo)差異較大,這主要是因?yàn)镻CNN 算法需要設(shè)置大量參數(shù),而這些參數(shù)很大一部分需要依靠設(shè)置人員的經(jīng)驗(yàn)來(lái)設(shè)置,一旦經(jīng)驗(yàn)不足,設(shè)置的參數(shù)不好,就會(huì)導(dǎo)致增強(qiáng)效果不理想; 與本文最為接近的是LSCN 算法,本算法在其基礎(chǔ)之上進(jìn)行了NSWMDA 多尺度分析,分離出圖像的不同成分,再利用LSCN 算法進(jìn)行增強(qiáng),很好地發(fā)揚(yáng)了LSCN 算法能自適應(yīng)參數(shù)并自動(dòng)停止迭代的優(yōu)勢(shì),解決了傳統(tǒng)LSCN 算法在增強(qiáng)的同時(shí)放大了噪聲,導(dǎo)致SSIM 指標(biāo)驟降的缺點(diǎn).

4 結(jié)論與展望

針對(duì)紅外圖像對(duì)比度低、細(xì)節(jié)模糊等問(wèn)題進(jìn)行算法改進(jìn)研究,提出一種基于NSWMDA 多尺度分析和LSCN 的紅外圖像增強(qiáng)方法. 目前,大多數(shù)文章采用的是PCNN 的增強(qiáng)方法,該方法參數(shù)設(shè)置過(guò)多,依賴設(shè)置人員的經(jīng)驗(yàn). 本文采用在其基礎(chǔ)上改進(jìn)而來(lái)的LSCN模型,結(jié)合圖像融合的思想,將紅外圖像進(jìn)行NSWMDA多尺度分解,對(duì)細(xì)節(jié)子圖和輪廓子圖進(jìn)行分別處理以后,再將兩幅子圖疊加重構(gòu),得到增強(qiáng)后的紅外圖像.實(shí)驗(yàn)證明,此方法有效的解決了傳統(tǒng)的LSCN 算法對(duì)細(xì)節(jié)加強(qiáng)的同時(shí)也放大噪聲的缺陷,不僅提高了圖像整體清晰度,減少并抑制了大部分噪聲,同時(shí)圖像的紋理細(xì)節(jié)也得到了加強(qiáng),人眼視覺(jué)效果和客觀評(píng)價(jià)指標(biāo)均較目前主流方法更好. 下一步研究將考慮在增強(qiáng)后的灰度圖像上添加偽彩,提升人眼視覺(jué)效果,并進(jìn)一步改善算法的計(jì)算速度,以運(yùn)用在電力設(shè)備紅外在線監(jiān)測(cè)上.