『红外图像数据增强』DDE（Digital Detail Enhancement）算法

DDE处理的细节

分离背景层和细节层：使用特殊的滤波器，将图像分成背景层和细节层。背景层通常包含低频信息，而细节层包含高频信息。
对背景层进行灰度增强：通过对背景层应用适当的灰度增强算法，提高背景层的对比度和视觉感知。
对细节层进行细节增强和噪声抑制：细节层中包含着图像的细节信息，可以利用非线性处理方法，例如增强锐化或边缘增强算法来增强细节，并抑制噪声。
动态范围调整：根据图像的整体动态范围，对背景层和细节层进行动态范围的调整和压缩，以便将原本动态范围较高的图像信息映射到8位输出图像的范围内。
合成输出图像：将增强后的背景层和细节层重新合成为一幅8位输出图像，以显示大动态温差和目标局部细节信息。

如上，DDE技术通过滤波器分离、背景层和细节层的处理、动态范围调整等步骤，能够提取和突出图像的细节，并将其限制在8位输出图像中，以保留大动态温差和目标局部的细节信息。

分离背景层和细节层:

对背景层进行灰度增强:

两种方法的效果

对细节层进行细节增强

结果比对:

直接对输入图像应用自适应直方图均衡化

深度学习学习到图像的哪些特征：

边缘特征：边缘，即灰度或颜色变化的地方

纹理特征：即图像中重复的局部结构

形状特征：包括物体的轮廓，形状的几何特征

颜色特征：不同颜色空间的颜色特征，包括颜色分布、颜色直方图

空间结构特征：不同物体之间的空间结构关系，包括物体的相对位置、大小、方向等特征

层次结构特征：从低层次的局部特征到高层次的语义特征

个人总结:

我是为了做红外目标检测才做的DDE数据增强

个人感觉DDE算法将背景和前景区分度加大,提高图像对比度，同时边缘特征、性状特征很清楚

而直方图均衡化有点曝光太强的感觉,边缘特征、性状特征不太清楚

自适应直方图均衡化后，边缘特征、性状特征也比较清楚

DDE算法处理后的比自适应直方图肉眼上看上去更舒服，但是还是需要结合模型训练才能看出DDE算法是否比自适应直方图要好！

代码：

#include <opencv2/opencv.hpp>using namespace cv;int main()
{// 读取输入图像Mat inputImage = imread("/home/jason/work/01-img/infrared.png",IMREAD_GRAYSCALE);imshow("input", inputImage);// -------------------// 执行DDE细节增强// -----------------// 第一步：滤波器分离低频和高频信息Mat blurImg, detailImg;GaussianBlur(inputImage, blurImg, Size(0, 0), 10);detailImg = inputImage - blurImg;imshow("blur", blurImg);imshow("detai", detailImg);// 第二步,对低频信息应用合适的灰度增强算法Mat enhancedBlurImg, enhancedDetailImg;//    double min_val, max_val;// 拉伸对比度
//    cv::minMaxLoc(blurImg, &min_val, &max_val);
//    cv::convertScaleAbs(blurImg, enhancedBlurImg, 255.0/ (max_val - min_val), -255.0 * min_val/ (max_val - min_val));cv::Ptr<cv::CLAHE> clahe = cv::createCLAHE(2.0, cv::Size(8,8)); // 自适应直方图均衡化,用于灰度增强clahe->apply(blurImg, enhancedBlurImg);imshow("enhancedBlurImg", enhancedBlurImg);Mat enhancedBlurImg_blur;cv::bilateralFilter(enhancedBlurImg, enhancedBlurImg_blur, 9, 75, 75); // 双边滤波,用于去除噪声imshow("enhancedBlurImg-blur", enhancedBlurImg_blur);// 第三步，对高频信息应用合适的细节增强和噪声抑制算法cv::Ptr<cv::CLAHE> clahe_ = cv::createCLAHE(); // 自适应直方图均衡化(局部对比度增强),可增强细节clahe_->setClipLimit(4.0);clahe_->apply(detailImg, enhancedDetailImg);imshow("enhancedDetailImg", enhancedDetailImg);//     Mat enhancedDetailImg_blur;
//     cv::fastNlMeansDenoising(enhancedDetailImg, enhancedDetailImg_blur, 10, 10, 7); // NL-Means非局部均值去噪,可抑制噪音
//     imshow("enhancedDetailImg_blur", enhancedDetailImg_blur);// 第四步// 合成最终的输出图像Mat output;cv::addWeighted(enhancedBlurImg, 0.3, enhancedDetailImg, 0.7, 0,output);imshow("output", output);// -------------// 自适应直方图均衡化、直方图均衡化来对比DDE算法效果// -----------Mat out2;cv::Ptr<cv::CLAHE> clahe2 = cv::createCLAHE(2.0, cv::Size(8,8)); // 自适应直方图均衡化,用于灰度增强clahe2->apply(inputImage, out2);imshow("自适应直方图均衡化", out2);Mat out3;cv::equalizeHist(inputImage, out3);imshow("直方图均衡化", out3);// 等待按键退出waitKey(0);return 0;
}

2023.07.19 更新

感觉

『红外图像数据增强』DDE（Digital Detail Enhancement）算法相关推荐

机器学习隐私研究新进展：数据增强风险被低估，新算法“降服”维数依赖
编者按:如今,数据是推动人工智能创新的核心要素.但数据的安全和隐私问题限制了数据充分释放其潜能.一直以来,微软都倡导打造负责任的人工智能,并正在开发和利用多种技术以提供更强大的隐私保护.确保数据安全. ...
从 CV 到 NLP，深度学习领域的数据增强有哪些？
2019-12-09 04:31:10 作者 | 张宁(哈工大SCIR) 编辑 | 唐里本文转载自公众号哈工大SCIR 数据增强(Data Augmentation)是一种通过让有限的数据产生更多 ...
大杀器！攻克目标检测难点秘籍四，数据增强大法
点击上方"AI算法修炼营",选择加星标或"置顶" 标题以下,全是干货前面的话在前面的秘籍一:模型加速之轻量化网络.秘籍二:非极大抑制算法和回归损失优化之路. ...
c语言程序乔奎,『C 基础入门』C语言的数据序列化
新推波形开秤才子惹眼,捕鱼球节频度驿亭翘板.封神崴瑞侧室佩带盘存寺里!契刻嘟囔笑窝明智发泡画策『C 基础入门』C语言的数据序列化?浓度满袋伴娘冷烫拿放杀戮行者酷爱,『C 基础入门』C语言的数据序列化伴 ...
系列 | 漫谈数仓第四篇NO.4 『数据应用』（BIOLAP）
点击上方蓝色字体,置顶/星标哦目前10000+人已关注加入我们本文目录CONTENTS ☞ 01.可视化BI工具 [ 开源BI,商业BI,传统BI ] ☞ 02.OLAP科普 [ ROLAP M ...
『Oracle数据复制容灾案例系列』兴业证券Oracle容灾案例
『Oracle数据复制容灾案例系列』兴业证券Oracle数据库复制容灾案例使用产品:DDS 上线时间:2006 系统环境:Oracle 10g RAC IBM AIX5L 应用系统:恒生证 ...
手把手教你爬取PC端『某酷视频』个人历史播放数据，并可视化展示
大家好,我是阿辰,今天手把手教你爬取PC端『某酷视频』个人历史播放数据,并可视化展示上次有粉丝说,那个是ios手机,安卓手机现在需要root权限才可以安装证书,那么今天就不以手机为例,以电脑PC端为 ...
『Oracle数据复制容灾案例系列』中银国际证券Oracle容灾案例
『Oracle数据复制容灾案例系列』中银国际证券Oracle数据库容灾案例使用产品:DDS 上线时间:2007 系统环境:Oracle 10g RAC 惠普安腾 IA 64 HPUX 11. ...
『云原生·Docker』Docker容器数据卷
系列文章目录本系列主要分为以下六大部分,正在更新中,尽请期待! 『云原生·生之门』『云原生·前置知识』『云原生·Docker』『云原生·Kubernetes』『云原生·KubeSp ...

『红外图像数据增强』DDE（Digital Detail Enhancement）算法

DDE处理的细节

分离背景层和细节层:

对背景层进行灰度增强:

对细节层进行细节增强

结果比对:

深度学习学习到图像的哪些特征：

个人总结:

代码：

『红外图像数据增强』DDE（Digital Detail Enhancement）算法相关推荐

最新文章

热门文章

『红外图像 数据增强』DDE（Digital Detail Enhancement）算法

DDE处理的细节

分离背景层和细节层:

对背景层进行灰度增强:

对细节层进行细节增强

结果比对:

深度学习学习到图像的哪些特征：

个人总结:

代码：

『红外图像 数据增强』DDE（Digital Detail Enhancement）算法相关推荐

最新文章

热门文章

『红外图像数据增强』DDE（Digital Detail Enhancement）算法

『红外图像数据增强』DDE（Digital Detail Enhancement）算法相关推荐