CN101937562A - 灰度级信息量直方图构造方法 - Google Patents
灰度级信息量直方图构造方法 Download PDFInfo
- Publication number
- CN101937562A CN101937562A CN 201010264322 CN201010264322A CN101937562A CN 101937562 A CN101937562 A CN 101937562A CN 201010264322 CN201010264322 CN 201010264322 CN 201010264322 A CN201010264322 A CN 201010264322A CN 101937562 A CN101937562 A CN 101937562A
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- scale
- statistical weight
- information amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
一种灰度级信息量直方图构造方法,有如下步骤:获得输入图像在不同尺度下的尺度空间表示,将输入图像与不同尺度因子的高斯核卷积,得到图像的多尺度空间表示,即高斯金字塔图像;获得输入图像DoG金字塔多尺度表示,在此基础上检测尺度空间极值点,并保存相应的尺度信息;修正各像素的统计权重,将尺度空间检测到的局部高信息区内的统计权重增量赋1,区域外的统计权重增量赋0,采用逐行扫描方式修正所有局部高信息区内各像素的统计权重;分别累加各像素灰度级的统计权重,得到每个灰度级所承载的信息量的测算结果,即灰度级信息量直方图。本发明综合考虑了灰度级数量和空间位置分布,使得其统计结果能较好地反映各灰度级对刻画信息所起的作用。
Description
技术领域
本发明涉及一种图像灰度级信息量处理方法。特别是涉及一种对灰度图像中的各灰度级(或彩色图像中某一色彩分量图的各颜色级)信息量进行准确度量的灰度级信息量直方图构造方法。
背景技术
随着高速计算机和大规模集成电路的发展,数字图像处理技术取得了一系列可喜的突破和进展,其成果被广泛应用于生物医学工程、工业制造、空间探索、公共安全、文化艺术等众多领域。然而,在推广应用过程中有些问题也逐渐暴露出来。由于图像是通过像素阵列形式来记录场景信息,数据量大是显而易见,庞大的数据量给存储、传输和处理都带来巨大困难。因此,“大数据量处理问题”一直是数字图像处理面临的主要难题之一,至今仍未得到圆满解决。
为了解决“大数据量处理问题”研究人员进行了大量尝试,并提出多种有益的解决方案,如图像压缩方法、线性投影方法、直方图描述法及最新的压缩感知法等。其中,直方图描述法由于数据形式简单、易于编程实现、操作简便等优点被广泛应用于图像增强、图像分割、图像检索等各类图像分析算法,是图像的一种重要的简约表达形式。
但传统直方图的数据表达方式也存在严重缺陷:直方图数据仅反映该图像中不同灰度级或颜色级出现的次数(或频数),在统计过程中完全丢失了其所在位置的信息,使得其统计结果无法客观反映各灰度级对刻画图像信息所起的作用,即出现灰度级数量统计量与信息量不一致问题,这必然会影响一些图像分析算法的性能。拿图像增强举例,目前已报道的基于直方图的图像增强算法中最具代表性的有全局直方图均衡算法(Global Histogram Equalization,GHE)和自适应直方图均衡算法(Adaptive HistogramEqualization,AHE),这两种算法的衍生算法多达十几种,这类算法的基本思想是依据灰度级数量统计结果,调整灰度级的动态范围,以达到图像增强的目的。但由于灰度级数量统计量与信息量存在不一致问题,因此难以保证对主要刻画信息的灰度级进行有限拉伸,极大地影响基于直方图的图像增强算法的性能和鲁棒性。
并且,传统直方图各像素的统计权重相同(均为1),即默认各像素位置的重要性相同,这显然是不合理的。
发明内容
本发明所要解决的技术问题是,提供一种在灰度级统计过程中注重保留重要信息区的灰度级统计量,同时消弱平滑区或背景区的统计量,即采用基于局部位置的重要性进行加权统计的策略(位置越重要其统计权重越大),使得其统计结果可较好地反映各灰度级对刻画信息所起的作用的灰度级信息量直方图构造方法。
本发明所采用的技术方案是:一种灰度级信息量直方图构造方法,包括有如下步骤:
1)获得输入图像在不同尺度下的尺度空间表示,将输入图像与不同尺度因子的高斯核卷积,得到图像的多尺度空间表示,即高斯金字塔图像;
2)获得输入图像DoG金字塔多尺度表示,在此基础上检测尺度空间极值点,并保存相应的尺度信息;
3)修正各像素的统计权重,将尺度空间检测到的局部高信息区内的统计权重增量赋1,区域外的统计权重增量赋0,采用逐行扫描方式修正所有局部高信息区内各像素的统计权重;
4)分别累加各像素灰度级的统计权重,得到每个灰度级所承载的信息量的测算结果,即灰度级信息量直方图。
步骤1所述的输入图像与不同尺度因子的高斯核卷积计算如下:
L(x,y,σ)=G(x,y,σ)*I(x,y)
式中L(x,y,σ)表示高斯滤波图像,G(x,y,σ)为高斯卷积核,I(x,y)是原始图像,(x,y)表示图像的像素位置,σ为尺度因子。
步骤2所述的获得输入图像DoG金字塔多尺度表示,是将相邻尺度的高斯滤波图像相减,得到DoG金字塔多尺度表示。
步骤2所述的检测尺度空间极值点,是将待检的DoG图像中的每一个点都和它同尺度的8邻域像素以及同一组DoG金字塔中的上下相邻尺度两幅图像对应位置的9邻域像素进行比较,确定尺度空间极值点位置和对应的尺度信息。
步骤3所述的修正各像素的统计权重方法具体如下:
首先,初始化图像所有像素的统计权重(初值设为0);然后,对图像进行逐行扫描,确定局部高信息区范围,将区域内的各像素位置的统计权重增加1,区域外的统计权重不做调整保留原值,扫描结束后即可获得各像素参与直方图生成的统计权重,统计权重越大表明该像素位置越重要。
步骤4所述灰度级信息量直方图的生成,是将相同灰度级的不同像素位置的统计权重累加,获得各灰度级信息量的测算结果,即生成灰度级信息量直方图。
本发明的灰度级信息量直方图构造方法,综合考虑了灰度级数量和空间位置分布,即依据像素灰度级的重要性进行加权统计,使得其统计结果能较好地反映各灰度级对刻画信息所起的作用。具有如下特点:
1)本发明方法提供了一种新的图像简约表达,原理简单、明确,易于实现;
2)本发明方法提出的依据像素灰度级的重要性进行加权统计的策略,较好地克服了传统直方图数据描述的不足,即数量统计量与信息量不一致问题;
3)本发明方法适用性强,可广泛应用于图像增强、图像检索等各类图像分析算法。
附图说明
图1是本发明的灰度级信息量直方图构造方法流程图;
图2是本发明生成DoG金字塔图像示意图;
图3本发明尺度空间极值点判定示意图;
图4是本实施例的原始图像效果图,其中,左图是双手X光影像原图,右图是乳腺X光影像原图;
图5是图4所示实施例的尺度空间极值点及对应的尺度信息检测结果图,其中,左图是双手X光影像图的尺度空间极值点及尺度信息检测结果,右图是乳腺X光影像图的尺度空间极值点及尺度信息检测结果;
图6是图4所示实施例的各像素灰度级的统计权重分布图的效果图,其中,左图是双手X光影像图中不同像素位置的统计权重分布图,右图是乳腺X光影像图中不同像素位置的统计权重分布图;
图7是图4所示实施例的传统直方图的测算结果,其中,左图是双手X光影像图的传统直方图测算结果,右图是乳腺X光影像图的传统直方图测算结果;
图8是图4所示实施例的灰度级信息量直方图的测算结果,其中,双手X光影像图的信息量直方图测算结果,右图是乳腺X光影像图的信息量直方图测算结果;
图9是本发明信息量直方图与传统直方图在图像增强中的应用效果比较,其中,左图是原始图像效果图,中间图是基于传统直方图的GHE算法的效果图,右图是基于信息量直方图的GHE算法的效果图。
具体实施方式
下面结合实施例和附图对本发明的灰度级信息量直方图构造方法做出详细说明。
本发明的灰度级信息量直方图在构造过程中一方面考虑了灰度级数量上的多少(类似传统直方图),另一方面还考虑了每一个像素灰度级所处位置的重要性,即依据像素灰度级的重要性加权统计的结果。显然,局部位置的重要性度量是新型直方图构造的关键环节,它直接影响到灰度级信息量测算的准确性和可靠性。本发明首先利用尺度空间极值点位置和尺度信息对图像局部区域的重要性进行估计;然后,依据估计结果修正各像素位置的统计权重(传统直方图各像素位置的统计权重相同,均为1);最后,分别累加各像素灰度级的统计权重得到灰度级信息量直方图。
如图1所示,本发明的灰度级信息量直方图构造方法,包括有如下步骤:
1)获得输入图像在不同尺度下的尺度空间表示,图像的多尺度表达要求大尺度下的图像结构是小尺度下图像结构的简化。Koendetink证明高斯卷积核是实现尺度变换的唯一变换核,而Lindeberg则进一步证明高斯核是唯一的线性核。因此,一幅二维图像在不同尺度下的尺度空间表示可由图像与高斯核卷积得到,即将输入图像与不同尺度因子的高斯核卷积,得到图像的多尺度空间表示,即高斯金字塔图像;
L(x,y,σ)=G(x,y,σ)*I(x,y)
式中L(x,y,σ)表示高斯滤波图像,G(x,y,σ)为高斯卷积核,I(x,y)是原始图像,(x,y)表示图像的像素位置,σ为尺度因子。
输入图像经过不同尺度的高斯核卷积滤波和下采样后形成高斯金字塔图像。本发明实施例中的初始尺度因子σ=1.6,后续尺度因子依次递增倍。高斯金字塔图像分为不同尺寸大小3组图像(经下采样处理后,每一组图像大小变为上一组图像的1/4),每一组又分为6层,总共18幅。
2)获得输入图像DoG金字塔多尺度表示,在此基础上检测尺度空间极值点,并保存相应的尺度信息;
所述的获得输入图像DoG金字塔多尺度表示,是将相邻尺度的高斯滤波图像相减,得到DoG(Difference of Gaussian)金字塔多尺度表示。
所述的检测尺度空间极值点,是将待检的DoG图像中的每一个点都和它同尺度的8邻域像素以及同一组DoG金字塔中的上下相邻尺度两幅图像对应位置的9邻域像素(总共26个像素)进行比较,确定尺度空间极值点位置和对应的尺度信息。
图2给出了其中一组高斯图像生成相应的DoG图像的示意图。图中,A表示高斯金字塔层数,B表示高斯金字塔图像,C表示DOG金字塔图像,D表示DOG金字塔层数。由于一组有6幅高斯图像,将相邻尺度的两个高斯滤波图像相减,得到5幅DoG图像,由于要做上下层比对,取中间的3幅DoG图像进行局部极值点检测。待检DoG图像中的每一个点都和它同尺度8邻域像素以及同一组DoG金字塔中的上下相邻尺度两幅图像对应位置的9邻域像素总共26个像素进行比较,确定尺度空间极值点位置和对应的尺度信息,极值点判断方法如图3所示。
3)修正各像素的统计权重,将尺度空间检测到的局部高信息区内的统计权重增量赋1,区域外的统计权重增量赋0,采用逐行扫描方式修正所有局部高信息区内各像素的统计权重;
依据尺度空间极值点定义可知,每一个极值点局部邻域必然存在一个表征该图像内容的重要信息区(如图5所示),极值点位置为局部高信息区的中心,对应的尺度信息可确定该信息区所覆盖的范围。为了客观反映各像素位置对图像信息刻画的重要性,本发明提出了修正各像素的统计权重方法。
所述的修正各像素的统计权重方法具体如下:
首先,初始化图像所有像素的统计权重(初值设为0);然后,对图像进行逐行扫描,如某一像素位置检测到尺度空间极值点,利用其尺度信息确定局部高信息区范围,将区域内的各像素位置的统计权重增加1,区域外的统计权重不做调整保留原值,扫描结束后即可获得各像素参与直方图生成的统计权重,统计权重越大表明该像素位置越重要。图4为本发明的实施例原始图像,图6显示了本发明的实施例图像中各像素位置统计权重大小的测算结果,图中越亮的区域表明该区域像素的统计权重越大。
4)分别累加各像素灰度级的统计权重,得到每个灰度级所承载的信息量的测算结果,即灰度级信息量直方图。
图7为图4所示实施例图像的传统直方图测算结果,图8为图4所示实施例图像的信息量直方图测算结果。比较图7和图8结果可以看出信息量直方图能更准确地测算出各灰度级对图像内容刻画所起的作用。
为了进一步展示采用本发明的灰度级信息量直方图构造方法进行图像灰度级信息量处理得到的新型直方图的优越性能,图9给出了两种直方图(传统直方图和信息量直方图)在图像增强算法中的应用比较,图像增强算法选用应用最广的GHE(Global HistogramEqualization)算法。测试结果表明,应用本发明的灰度级信息量直方图构造方法得到的直方图的增强效果明显优于传统直方图。由于信息量直方图的统计结果可较好地反映各灰度级对刻画信息所起的作用,因此依据该直方图结果可优化配置灰度级的动态空间,有效地凸显图像中的目标或感兴趣的信息,同时抑制或消除一些无用信息(如背景、噪声等),使图像视觉效果得到明显改善。除图像增强应用外,作为图像的一种新的简约表达本发明提出的灰度级信息量直方图构造方法还可用于图像检索、图像识别、图像分割等各类图像分析算法,具有广阔的应用前景。
Claims (6)
1.一种灰度级信息量直方图构造方法,其特征在于,包括有如下步骤:
1)获得输入图像在不同尺度下的尺度空间表示,将输入图像与不同尺度因子的高斯核卷积,得到图像的多尺度空间表示,即高斯金字塔图像;
2)获得输入图像DoG金字塔多尺度表示,在此基础上检测尺度空间极值点,并保存相应的尺度信息;
3)修正各像素的统计权重,将尺度空间检测到的局部高信息区内的统计权重增量赋1,区域外的统计权重增量赋0,采用逐行扫描方式修正所有局部高信息区内各像素的统计权重;
4)分别累加各像素灰度级的统计权重,得到每个灰度级所承载的信息量的测算结果,即灰度级信息量直方图。
2.根据权利要求1所述的灰度级信息量直方图构造方法,其特征在于,步骤1所述的输入图像与不同尺度因子的高斯核卷积计算如下:
L(x,y,σ)=G(x,y,σ)*I(x,y)
式中L(x,y,σ)表示高斯滤波图像,G(x,y,σ)为高斯卷积核,I(x,y)是原始图像,(x,y)表示图像的像素位置,σ为尺度因子。
3.根据权利要求1所述的灰度级信息量直方图构造方法,其特征在于,步骤2所述的获得输入图像DoG金字塔多尺度表示,是将相邻尺度的高斯滤波图像相减,得到DoG金字塔多尺度表示。
4.根据权利要求1所述的灰度级信息量直方图构造方法,其特征在于,步骤2所述的检测尺度空间极值点,是将待检的DoG图像中的每一个点都和它同尺度的8邻域像素以及同一组DoG金字塔中的上下相邻尺度两幅图像对应位置的9邻域像素进行比较,确定尺度空间极值点位置和对应的尺度信息。
5.根据权利要求1所述的灰度级信息量直方图构造方法,其特征在于,步骤3所述的修正各像素的统计权重方法具体如下:
首先,初始化图像所有像素的统计权重(初值设为0);然后,对图像进行逐行扫描,确定局部高信息区范围,将区域内的各像素位置的统计权重增加1,区域外的统计权重不做调整保留原值,扫描结束后即可获得各像素参与直方图生成的统计权重,统计权重越大表明该像素位置越重要。
6.根据权利要求1所述的灰度级信息量直方图构造方法,其特征在于,步骤4所述灰度级信息量直方图的生成,是将相同灰度级的不同像素位置的统计权重累加,获得各灰度级信息量的测算结果,即生成灰度级信息量直方图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010264322 CN101937562A (zh) | 2010-08-27 | 2010-08-27 | 灰度级信息量直方图构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010264322 CN101937562A (zh) | 2010-08-27 | 2010-08-27 | 灰度级信息量直方图构造方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101937562A true CN101937562A (zh) | 2011-01-05 |
Family
ID=43390876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010264322 Pending CN101937562A (zh) | 2010-08-27 | 2010-08-27 | 灰度级信息量直方图构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101937562A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890286A (zh) * | 2011-07-18 | 2013-01-23 | 成都理工大学 | 一种放射性能谱平滑方法 |
CN103680145A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种基于局部图像特征的人车自动识别方法 |
CN103795943A (zh) * | 2012-11-01 | 2014-05-14 | 富士通株式会社 | 图像处理装置和图像处理方法 |
CN104574326A (zh) * | 2013-10-15 | 2015-04-29 | 无锡华润矽科微电子有限公司 | 对图像进行直方图均衡处理的方法和装置 |
CN105828057A (zh) * | 2016-03-23 | 2016-08-03 | 武汉鸿瑞达信息技术有限公司 | 一种优化图像辨识度的hdr自适应颜色映射方法 |
CN111325685A (zh) * | 2020-02-04 | 2020-06-23 | 北京锐影医疗技术有限公司 | 一种基于多尺度相对梯度直方图均衡化的图像增强算法 |
CN113538424A (zh) * | 2021-09-15 | 2021-10-22 | 江苏景瑞农业科技发展有限公司 | 基于人工智能的木板节子分类数据识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101521740A (zh) * | 2009-04-01 | 2009-09-02 | 北京航空航天大学 | 基于多尺度不变特征的实时运动估计方法 |
CN101620727A (zh) * | 2009-08-10 | 2010-01-06 | 电子科技大学 | 红外图像加权直方图自适应增强算法 |
-
2010
- 2010-08-27 CN CN 201010264322 patent/CN101937562A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101521740A (zh) * | 2009-04-01 | 2009-09-02 | 北京航空航天大学 | 基于多尺度不变特征的实时运动估计方法 |
CN101620727A (zh) * | 2009-08-10 | 2010-01-06 | 电子科技大学 | 红外图像加权直方图自适应增强算法 |
Non-Patent Citations (3)
Title |
---|
《光子学报》 20090531 曾明等 视觉注意机制在图像增强中的应用研究 1283-1287 1-6 第38卷, 第05期 2 * |
《深圳信息职业技术学院学报》 20070630 柳伟等 一种基于金字塔结构的图像增强方法 6-9 1-6 第5卷, 第02期 2 * |
《计算机工程》 20080331 牛和明等 基于小波信息量分段调整的图像增强 199-201 1-6 第34卷, 第06期 2 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890286A (zh) * | 2011-07-18 | 2013-01-23 | 成都理工大学 | 一种放射性能谱平滑方法 |
CN102890286B (zh) * | 2011-07-18 | 2014-08-13 | 成都理工大学 | 一种放射性能谱平滑方法 |
CN103795943A (zh) * | 2012-11-01 | 2014-05-14 | 富士通株式会社 | 图像处理装置和图像处理方法 |
CN104574326A (zh) * | 2013-10-15 | 2015-04-29 | 无锡华润矽科微电子有限公司 | 对图像进行直方图均衡处理的方法和装置 |
CN104574326B (zh) * | 2013-10-15 | 2017-07-18 | 无锡华润矽科微电子有限公司 | 对图像进行直方图均衡处理的方法和装置 |
CN103680145A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种基于局部图像特征的人车自动识别方法 |
CN103680145B (zh) * | 2013-12-06 | 2016-01-20 | 河海大学 | 一种基于局部图像特征的人车自动识别方法 |
CN105828057A (zh) * | 2016-03-23 | 2016-08-03 | 武汉鸿瑞达信息技术有限公司 | 一种优化图像辨识度的hdr自适应颜色映射方法 |
CN111325685A (zh) * | 2020-02-04 | 2020-06-23 | 北京锐影医疗技术有限公司 | 一种基于多尺度相对梯度直方图均衡化的图像增强算法 |
CN113538424A (zh) * | 2021-09-15 | 2021-10-22 | 江苏景瑞农业科技发展有限公司 | 基于人工智能的木板节子分类数据识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179229B (zh) | 一种基于深度学习的工业ct缺陷检测方法 | |
CN112446327B (zh) | 一种基于无锚框的遥感图像目标检测方法 | |
WO2023077404A1 (zh) | 缺陷检测方法、装置和系统 | |
CN111179217A (zh) | 一种基于注意力机制的遥感图像多尺度目标检测方法 | |
CN110189255B (zh) | 基于两级检测的人脸检测方法 | |
CN101937562A (zh) | 灰度级信息量直方图构造方法 | |
CN105787901B (zh) | 一种用于太阳高分辨图像序列中相邻两帧间的多尺度速度场测量方法 | |
CN108961229A (zh) | 基于深度学习的心血管oct影像易损失斑块检测方法及系统 | |
CN109410192B (zh) | 一种多纹理分级融合的织物缺陷检测方法及其装置 | |
CN111476159A (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
CN110765865B (zh) | 基于改进的yolo算法的水下目标检测方法 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN101976436A (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN109801208B (zh) | 基于多gpu任务优化的sar图像变化检测方法 | |
CN113628180B (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN117036348B (zh) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 | |
CN109978859B (zh) | 一种基于可见失真池化的图像显示适应质量评估方法 | |
US20230386023A1 (en) | Method for detecting medical images, electronic device, and storage medium | |
CN106846366B (zh) | 使用gpu硬件的tld视频运动目标跟踪方法 | |
CN115345859A (zh) | 隧道渗漏水图像的智能检测方法、装置、设备及存储介质 | |
CN115619678A (zh) | 一种图像变形的矫正方法、装置、计算机设备及存储介质 | |
CN110910332B (zh) | 一种视觉slam系统动态模糊处理方法 | |
CN112818833B (zh) | 基于深度学习的人脸多任务检测方法、系统、装置及介质 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110105 |