[发明专利]基于循环卷积和多聚类空间的红外图像增强方法

权利要求书

1.一种基于循环卷积和多聚类空间的红外图像增强方法，其特征在于，包括如下步骤：

S1，建立多尺度循环卷积模块，以若干半径不同的高斯卷积核建立多尺度卷积模块，并采用密集连接的方式将多层多尺度卷积模块连接起来处理图像细节；

S2，采用K-means算法对图像灰度值进行聚类分析，采用最大贡献率法选取初始聚类中心；

S3，采用二维高斯函数和旋转矩阵γ_i构建第i个角度的核函数作为模板核函数提取图像不同角度的轮廓信息。

2.根据权利要求1所述的基于循环卷积和多聚类空间的红外图像增强方法，其特征在于，S1中所述卷积层为n层，前一层采用自适应直方图均衡化(Adaptive histogramequalization，AHE)作为后面所有层的输入求解出较高质量的图像。

3.根据权利要求1所述的基于循环卷积和多聚类空间的红外图像增强方法，其特征在于，S1中所述卷积层为2层，原始图像I与第一层卷积层提取的特征F1进行融合并作为第二层卷积层的输入I₁，第二层卷积层采用自适应直方图均衡化(Adaptive histogramequalization，AHE)对第一层卷积提取的特征F₁进行对比度拉伸获得F₂，F₂与原始图像I和F₁进行融合求解出较高质量的图像I₂。

4.根据权利要求1所述的基于循环卷积和多聚类空间的红外图像增强方法，其特征在于，S2中所述初始聚类中心计算为，假设图像P中灰度点p_i与其他灰度p_j之间的余弦距离为

图像P中灰度值p_i与图像中其它灰度p_j距离的最小值定义为d_i，即

图像P中灰度值p_i与其他灰度值距离为d_i的累计数定义ρ_i为，即

那么，图像P中灰度值p_i的贡献率为

按照从大到小的顺序依次排列，即，

选取贡献率最大的前K个灰度值，即对应的图像P的灰度值作为初始聚类中心。

5.根据权利要求1所述的基于循环卷积和多聚类空间的红外图像增强方法，其特征在于，S3中，第i个角度的旋转矩阵γ_i为

若P(x,y)为X-Y坐标系下核函数上一点，经旋转处理后第i个角度U-V坐标系下点为：

为了对图像背景进行均匀滤除同时提取图像的细节信息，即经过模板滤波后背景区域(非轮廓和细节信息)的响应为0，定义第i个角度的滤波器核函数为

其中，属于邻域N为邻域中灰度值的个数，表示取整，Lap为拉普拉斯算子，用于提取图像各个角度的细节信息。