『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