xmlns="http://www.w3.org/2000/svg"

style="display:

none;">

一、基于暗通道的红外图像增强Infrared

traffic

correction

红外智能交通监控设备采集的红外交通图像对比度低、层次感差、视觉模糊，本文首次将暗通道先验应用于红外图像增强。

将暗通道先验（DCP）与自适应伽马校正结合，解决红外交通图像低对比度、细节模糊、噪声干扰等问题，实现目标清晰化与背景抑制，适配交通监控场景。

论文公式细节较少，重点在红外图像暗通道先验计算

二、红外图像的暗通道先验（DCP）

2.1

可见光DCP

暗通道先验（DCP）原用于可见光去雾，暗通道先验基于可见光RGB图像的统计规律：无雾图像中，局部区域至少一个通道像素值极低（趋近0）。

J

dark

J^{\text{dark}}(x)=\min_{c\in\{r,g,b\}}\left(\min_{y\in\Omega(x)}J^c(y)\right)

style="margin-right:

0.0962em;">J

style="height:

0.05em;">dark(x)=

style="height:

0em;">c∈{

style="margin-right:

0.0278em;">r,

style="margin-right:

0.0359em;">g,b}

style="top:

-3em;">min​

style="height:

0.966em;">

style="top:

0em;">(

style="height:

0.0359em;">y∈Ω(x)

style="top:

-3em;">min​

style="height:

0.966em;">

style="margin-right:

0.0962em;">J

style="height:

0.05em;">c(

style="margin-right:

0.0359em;">y)

style="top:

0em;">)

其中JC是不同色彩通道

2.2

灰度图像DCP

红外图像为单通道数据，将局部最小滤波替代三通道最小，提取暗通道图。

I

dark

I^{\text{dark}}(x)=\min_{y\in\Omega(x)}I(y)

style="margin-right:

0.0785em;">I

style="height:

0.05em;">dark(x)=

style="height:

0.0359em;">y∈Ω(x)

style="top:

-3em;">min​

style="height:

0.966em;">

style="margin-right:

0.0785em;">I(

style="margin-right:

0.0359em;">y)

Ω

\Omega(x)Ω(x)：以x为中心的窗口（论文中选择15×15滑窗）

2.3

论文算法步骤

1、输入原始红外交通图像I(x)。

将原始图像分割为若干块以计算其暗通道图像。

块尺寸为15×15

pix。

2、估计透射率参数，文中没细说

可以用可见光，ω

style="margin-right:

0.0359em;">ω取0.85

t

=

t~(x)=1−ω⋅\frac{I_{dark}(x)}{A}​t(x)=1−

style="margin-right:

0.0359em;">ω⋅

style="height:

-2.314em;">A

style="top:

0.0785em;">I

style="height:

0.05em;">da

style="margin-right:

0.0315em;">k​

style="height:

0.15em;">(x)​

style="height:

0.686em;">​

3、估算全球大气光A，文中没细说

可以参考取暗通道前0.1%

最亮像素

4、计算增强图像

J

=

0.0962em;">J(x)=

style="height:

-2.314em;">max[t(x),t0]

style="top:

0.0785em;">I(x)−A​

style="height:

0.936em;">+A

5、通过gamma校正提升亮度

三、论文效果

/>

/>

我的个人博客主页，欢迎访问

我的CSDN主页，欢迎访问

我的GitHub主页，欢迎访问

我的知乎主页，欢迎访问