CN102110289B - 基于变分框架的彩色图像对比度增强方法 - Google Patents
基于变分框架的彩色图像对比度增强方法 Download PDFInfo
- Publication number
- CN102110289B CN102110289B CN201110077327A CN201110077327A CN102110289B CN 102110289 B CN102110289 B CN 102110289B CN 201110077327 A CN201110077327 A CN 201110077327A CN 201110077327 A CN201110077327 A CN 201110077327A CN 102110289 B CN102110289 B CN 102110289B
- Authority
- CN
- China
- Prior art keywords
- image
- delta
- domain
- log
- obtains
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
一种基于变分框架的彩色图像对比度增强方法,其主要步骤:第一步,初始化读入图像,将输入的RGB图像转换到YCbCr颜色空间;第二步,对YCbCr空间中彩色图像的Y分量进行降采样;第三步,建立图像的成像模型,并将其变换到对数域;第四步,利用变分框架模型对亮度图像进行计算;第五步,用输入图像减去亮度图像得到图像的反射信息;第六步,将反射图像取指数;第七步,采用插值算法将反射图像还原到原始图像大小;第八步,将得到的反射图像与Cb和Cr分量结合,并反变换到RGB空间,作为输出结果。本发明采用变分框架模型对低能见度天气下的彩色图像进行处理,使得图像质量显著提高,相对于以往的图像增强方法,处理速度快、算法稳定性高、使用范围广、图像增强效果好。
Description
技术领域
本发明属于数字图像增强技术领域,具体涉及到一种基于变分框架的彩色图像增强方法。
背景技术
图像增强的主要目的在于使人眼获得更好的视觉效果,或更方便计算机系统识别以满足系统对图像信息的需求。图像特征增强主要包括对比度、亮度、颜色等多方面的处理,目前并没有统一的衡量图像的质量的客观标准,评价算法的有效性主要依靠人眼的客观感受。图像增强的方法基本上可以分为空域处理和频域处理两大类。空域处理是直接对原图像进行数据运算,频域处理是指先将原图像变换到特定的变换域,然后在该变换域上进行相关处理以增强有用的频率分量,最后再对处理后的结果作反变换,便得到增强后的图像。
传统的图像增强算法主要有:线性变换、直方图均衡化等。其中线性变换即比例变换,即因变量和自变量之间存在固定的比例系数,通常情况下线性变换是将图像中较小的灰度范围拉伸到较大的灰度范围,因此常称为灰度拉伸;直方图均衡化算法的基本思想是把原始图像的直方图变换为均匀分布的形式,这样能够增加像素灰度值的动态范围,从而达到增强图像整体对比度的效果。
近年来,基于人眼视觉系统模型的图像增强成为研究热点,在该理论的基础上提出了很多具有现实意义和应用价值的方法,而变分框架模型用于图像增强是一种新的尝试。
发明内容
本发明是一种基于变分框架的彩色图像增强方法,利用变分框架对低能见度环境中的彩色图像进行处理,提高图像质量使之能够用于其它用途,为了实现上述目标,本发明主要采取如下技术方案:
一种基于变分框架的彩色图像对比度增强方法,按照以下步骤进行:
步骤1:初始化,读入一帧大小为M1×M2×3的低能见度天气下彩色图像Sin,其中M1和M2为正整数,分别表示图像矩阵的行数和列数,然后将输入的彩色图像从RGB彩色空间转换到YCbCr彩色空间,转换后的图像记为ST,大小为M1×M2×3,取ST中Y分量图像,记为SY,大小为M1×M2,并将SY按照行排成大小为M1M2×1的列向量,重排后的图像记为
步骤2:对重排后的图像先进行降采样得到大小为N1N2×1的列向量的降采样图像SDown,然后再按照行排列成N1×N2的图像矩阵S,降采样图像SDown与的关系式为*其中表示矩阵向量乘积,D表示大小为N1N2×M1M2的降采样矩阵,其具体表达式为
对于i=1,2,...,N1N2,
其中,p为降采样因子且为正整数,p=1~4,i、j为降采样矩阵的坐标,Di,j为降采样矩阵中坐标为i、j的点,N1和N2为正整数且分别为重采样的每帧低分辨率图像矩阵的行数和列数,
步骤3:建立图像成像模型,图像成像由亮度信息和反射信息两部分来表示,其成像过程表示为
S=L·R (2)
其中S是上步中降采样后得到的图像矩阵S,L表示图像中的亮度信息,R表示图像中的反射信息,将(2)式等号两边同时取自然对数,得到对数域中的图像成像模型:
s=l+r (3)
其中,s=logS,s是对数域中的图像矩阵,l=logL,l是对数域中的亮度信息,r=log R,r是对数域中的反射信息,
根据对数域中的图像成像模型,将对数域成像模型中的亮度信息l进行变分优化:
-Δl+α(l-s)-βΔ(l-s)=0 (5)
其中,Δ表示拉普拉斯算子,利用梯度下降流求解该欧拉-拉格朗日方程(5),其对应的梯度下降流为
其中x、y表示图像的坐标,t表示时间,采用半点格式的中心差分来离散化上式,选择中心像素点(i,j),为了利用像素周围更多的信息,选择中心像素点的八个相邻点(i-1,j-1)、(i-1,j)、(i-1,j+1)、(i,j-1)、(i,j+1)、(i+1,j-1)、(i+1,j)和(i+1,j+1),设h为x,y方向上两像素间的网格步长,δt为时间步长,记亮度图像采样值原始图像采样值中心像素点的一阶导数对应的有限差分格式为:
二阶导数对应的有限差分格式:
故上述梯度下降流(6)的离散迭代格式为
即
迭代中止条件为:
其中ε是预置的迭代终止系数,取0.0001,
步骤8:将作为Y分量,并与ST中Cb分量和Cr分量重新组合得到YCbCr空间的彩色图像,再将其转换到RGB空间。
与现有的技术相比,本发明的特点在于:
1、本发明对彩色图像进行变换,选取其中的一个分量进行处理,并且在处理过程中进行降采样和对数变换,使得算法的复杂度降低,提高了算法的运行速度,使之能够用于实时系统,
2、本发明对图像的对比度要求不高,能够有效地增强图像中暗区的信息并且抑制噪声,使得处理后的输出图像的动态范围大,图像细节部分对比度提高,图像质量得到明显改善,
3、本发明中提出的模型对于其各项参数具有良好的鲁棒性,当参数在较大范围内变化时,输出图像基本保持一致,并且对给定的参数能够快速收敛达到稳态,算法稳定性很好。
附图说明
图1是整个程序的流程图;
图2是处理前的沙尘天气下的图像;
图3是处理后的沙尘天气下的图像;
图4是处理前的夜晚环境下的图像;
图5是处理后的夜晚环境下的图像;
图6是处理前的雾天天气下的图像;
图7是处理后的雾天天气下的图像;
图8是处理前的逆光拍摄图像;
图9是处理后的逆光拍摄图像。
具体实施方式
在具体的实施方式中,将结合附图,清楚完整地描述基于变分框架模型的图像增强算法的详细过程,
一种基于变分框架的彩色图像对比度增强方法,按照以下步骤进行:
步骤1:初始化,读入一帧大小为M1×M2×3的低能见度天气下彩色图像Sin,其中M1和M2为正整数,分别表示图像矩阵的行数和列数,然后将输入的彩色图像从RGB彩色空间转换到YCbCr彩色空间,转换后的图像记为ST,大小为M1×M2×3,取ST中Y分量图像,记为SY,大小为M1×M2,并将SY按照行排成大小为M1M2×1的列向量,重排后的图像记为从RGB彩色空间转换到YCbCr彩色空间的具体过程为:
步骤2:对重排后的图像先进行降采样得到大小为N1N2×1的列向量的降采样图像SDown,然后再按照行排列成N1×N2的图像矩阵S,降采样图像SDown与的关系式为*其中表示矩阵向量乘积,D表示大小为N1N2×M1M2的降采样矩阵,其具体表达式为
对于i=1,2,...,N1N2,
其中,p为降采样因子且为正整数,在应用实例中选择p=3,i、j为降采样矩阵的坐标,Di,j为降采样矩阵中坐标为i、j的点,N1和N2为正整数且分别为重采样的每帧低分辨率图像矩阵的行数和列数,
步骤3:建立图像成像模型,图像成像由亮度信息和反射信息两部分来表示,其成像过程表示为
S=L·R (3)
其中S是上步中降采样后得到的图像矩阵S,L表示图像中的亮度信息,R表示图像中的反射信息,将(3)式等号两边同时取自然对数,得到对数域中的图像成像模型:
s=l+r (4)
其中,s=log S,s是对数域中的图像矩阵,l=log L,l是对数域中的亮度信息,r=log R,r是对数域中的反射信息,
根据对数域中的图像成像模型,将对数域成像模型中的亮度信息l进行变分优化:
-Δl+α(l-s)-βΔ(l-s)=0 (6)
其中,Δ表示拉普拉斯算子,利用梯度下降流求解该欧拉-拉格朗日方程(6),其对应的梯度下降流为
其中x、y表示图像的坐标,t表示时间,采用半点格式的中心差分来离散化上式,选择中心像素点(i,j),为了利用像素周围更多的信息,选择中心像素点的八个相邻点(i-1,j-1)、(i-1,j)、(i-1,j+1)、(i,j-1)、(i,j+1)、(i+1,j-1)、(i+1,j)和(i+1,j+1),设h为x,y方向上两像素间的网格步长,δt为时间步长,记亮度图像采样值原始图像采样值中心像素点的一阶导数对应的有限差分格式为:
中心像素点的二阶导数对应的有限差分格式:
故上述梯度下降流(7)的离散迭代格式为
即
迭代中止条件为:
其中ε是预置的迭代终止系数,在应用实例中选取ε=0.0001,
变分框架模型的低能见度图像增强算法的应用试验
在应用试验中,采用了沙尘、夜晚、雾天和逆光拍摄等四种情况下的四幅图像进行处理,选取α=0.0001,β=0.1,ε=0.0001,降采样因子p=3,图2是处理前的沙尘天气下的图像,图3是处理后的沙尘天气下的图像,图4是处理前的夜晚环境下的图像,图5是处理后的夜晚环境下的图像,图6是处理前的雾天天气下的图像,图7是处理后的雾天天气下的图像,图8是处理前的逆光拍摄图像,图9是处理后的逆光拍摄图像,从前后对比中可以看出处理后的图像变得更加清晰、细节部分更加明显,经本发明处理后的图像取得了较好的直观效果。
Claims (1)
1.一种基于变分框架模型的低能见度天气下彩色图像对比度增强方法,其特征在于按照以下步骤进行:
步骤1:初始化,读入一帧大小为M1×M2×3的低能见度天气下彩色图像Sin,其中M1和M2为正整数,分别表示图像矩阵的行数和列数,然后将输入的彩色图像从RGB彩色空间转换到YCbCr彩色空间,转换后的图像记为ST,大小为M1×M2×3,取ST中Y分量图像,记为SY,大小为M1×M2,并将SY按照行排成大小为M1M2×1的列向量,重排后的图像记为
步骤2:对重排后的图像先进行降采样得到大小为N1N2×1的列向量的降采样图像SDown,然后再按照行排列成N1×N2的图像矩阵S,降采样图像SDown与的关系式为*其中表示矩阵向量乘积,D表示大小为N1N2×M1M2的降采样矩阵,其具体表达式为
对于i=1,2,...,N1N2,
其中,p为降采样因子且为正整数,并选择p=3,i、j为降采样矩阵的坐标,Di,j为降采样矩阵中坐标为i、j的点,N1和N2为正整数且分别为重采样的每帧低分辨率图像矩阵的行数和列数,
步骤3:建立图像成像模型,图像成像由亮度信息和反射信息两部分来表示,其成像过程表示为
S=L·R (2)
其中S是上步中降采样后得到的图像矩阵S,L表示图像中的亮度信息,R表示图像中的反射信息,将(2)式等号两边同时取自然对数,得到对数域中的图像成像模型:
s=l+r (3)
其中,s=logS,s是对数域中的图像矩阵,l=logL,l是对数域中的亮度信息,r=logR,r是对数域中的反射信息,
其中,α=0.0001,β=0.1,Ω为图像区域,为梯度算子,(4)式对应的欧拉拉格朗日方程为
-Δl+α(l-s)-βΔ(l-s)=0 (5)
其中,Δ表示拉普拉斯算子,利用梯度下降流求解该欧拉拉格朗日方程(5),其对应的梯度下降流为
其中x、y表示图像像素点的坐标,t表示时间,采用半点格式的中心差分来离散化上式,选择中心像素点(i,j),为了利用像素周围更多的信息,选择中心像素点的八个相邻点(i-1,j-1)、(i-1,j)、(i-1,j+1)、(i,j-1)、(i,j+1)、(i+1,j-1)、(i+1,j)和(i+1,j+1),设h为x,y方向上两像素间的网格步长,δt为时间步长,记亮度图像采样值原始图像采样值中心像素点的一阶导数对应的有限差分格式为:
二阶导数对应的有限差分格式:
故上述梯度下降流(6)的离散迭代格式为
即
迭代中止条件为:
其中ε是预置的迭代终止系数,ε取值越小效果越好,一般取0.0001,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110077327A CN102110289B (zh) | 2011-03-29 | 2011-03-29 | 基于变分框架的彩色图像对比度增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110077327A CN102110289B (zh) | 2011-03-29 | 2011-03-29 | 基于变分框架的彩色图像对比度增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102110289A CN102110289A (zh) | 2011-06-29 |
CN102110289B true CN102110289B (zh) | 2012-09-19 |
Family
ID=44174437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110077327A Expired - Fee Related CN102110289B (zh) | 2011-03-29 | 2011-03-29 | 基于变分框架的彩色图像对比度增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102110289B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201503057A (zh) * | 2013-07-08 | 2015-01-16 | Lei Wang | 直方圖局部影像對比增強的方法與裝置 |
CN103559693B (zh) * | 2013-11-18 | 2016-05-25 | 东南大学 | 一种基于非连续性指示符的图像局部结构自适应复原方法 |
CN104112290A (zh) * | 2014-06-19 | 2014-10-22 | 中国科学院深圳先进技术研究院 | Rgb彩色图像处理方法和系统 |
CN104299200A (zh) * | 2014-10-22 | 2015-01-21 | 中国科学院深圳先进技术研究院 | 一种彩色增强的单幅图像去雨处理方法 |
CN106447616B (zh) * | 2015-08-12 | 2021-10-08 | 中兴通讯股份有限公司 | 一种实现小波去噪的方法和装置 |
CN105976405A (zh) * | 2016-05-06 | 2016-09-28 | 深圳Tcl新技术有限公司 | Rgb图像处理方法及系统 |
CN108428215A (zh) * | 2017-02-15 | 2018-08-21 | 阿里巴巴集团控股有限公司 | 一种图像处理方法、装置和设备 |
CN109658341B (zh) * | 2018-10-26 | 2021-01-01 | 深圳市华星光电技术有限公司 | 增强图像对比度的方法及其装置 |
CN111145128B (zh) * | 2020-03-02 | 2023-05-26 | Oppo广东移动通信有限公司 | 色彩增强方法及相关装置 |
CN113112604B (zh) * | 2020-11-25 | 2023-10-13 | 江南大学 | 一种网格化rgb颜色空间的网格点阵列模型构建方法及应用 |
CN112818782B (zh) * | 2021-01-22 | 2021-09-21 | 电子科技大学 | 一种基于媒介感知的泛化性静默活体检测方法 |
CN114241534B (zh) * | 2021-12-01 | 2022-10-18 | 佛山市红狐物联网科技有限公司 | 一种全掌脉络数据的快速匹配方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1741068A (zh) * | 2005-09-22 | 2006-03-01 | 上海广电(集团)有限公司中央研究院 | 一种基于边界的直方图均衡方法 |
CN2838184Y (zh) * | 2005-10-19 | 2006-11-15 | 上海广电(集团)有限公司中央研究院 | 一种基于边界的直方图均衡装置 |
CN101102399A (zh) * | 2007-07-26 | 2008-01-09 | 上海交通大学 | 带有去噪功能的实时数字图像处理增强方法 |
CN101102398A (zh) * | 2007-07-26 | 2008-01-09 | 上海交通大学 | 全自动的实时数字图像处理增强系统 |
CN101303766A (zh) * | 2008-07-09 | 2008-11-12 | 北京航空航天大学 | 一种基于Retinex理论的快速彩色图像增强方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6873741B2 (en) * | 2002-01-10 | 2005-03-29 | Sharp Laboratories Of America | Nonlinear edge-enhancement filter |
-
2011
- 2011-03-29 CN CN201110077327A patent/CN102110289B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1741068A (zh) * | 2005-09-22 | 2006-03-01 | 上海广电(集团)有限公司中央研究院 | 一种基于边界的直方图均衡方法 |
CN2838184Y (zh) * | 2005-10-19 | 2006-11-15 | 上海广电(集团)有限公司中央研究院 | 一种基于边界的直方图均衡装置 |
CN101102399A (zh) * | 2007-07-26 | 2008-01-09 | 上海交通大学 | 带有去噪功能的实时数字图像处理增强方法 |
CN101102398A (zh) * | 2007-07-26 | 2008-01-09 | 上海交通大学 | 全自动的实时数字图像处理增强系统 |
CN101303766A (zh) * | 2008-07-09 | 2008-11-12 | 北京航空航天大学 | 一种基于Retinex理论的快速彩色图像增强方法 |
Non-Patent Citations (2)
Title |
---|
何静,等.基于全变分模型的并行图像增强研究.《微计算机信息》.2008,第24卷(第01-03期), * |
王超,等.红外图像的变分增强算法.《红外与毫米波学报》.2006,第25卷(第04期), * |
Also Published As
Publication number | Publication date |
---|---|
CN102110289A (zh) | 2011-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102110289B (zh) | 基于变分框架的彩色图像对比度增强方法 | |
CN101882304B (zh) | 一种sar图像自适应去噪和特征增强方法 | |
CN103455988B (zh) | 基于结构自相似性与稀疏表示的超分辨率图像重构方法 | |
CN103871041B (zh) | 基于认知正则化参数构建的图像超分辨率重构方法 | |
CN102779351A (zh) | 基于局部线性模型优化的交互式灰度图像彩色化方法 | |
CN110717868B (zh) | 视频高动态范围反色调映射模型构建、映射方法及装置 | |
US8913135B2 (en) | Method and apparatus for measuring response curve of an image sensor | |
CN109447930B (zh) | 小波域光场全聚焦图像生成算法 | |
CN104685538A (zh) | 用于降低视频流中的噪声的系统和方法 | |
CN102333233A (zh) | 一种基于视觉感知的立体图像质量客观评价方法 | |
CN103150713A (zh) | 利用图像块分类稀疏表示与自适应聚合的图像超分辨方法 | |
CN111882489A (zh) | 用于水下图像同时增强的超分辨率图形恢复方法 | |
CN101491080A (zh) | 用于图像去噪和可控去模糊的保曲率滤波器 | |
CN105825479A (zh) | 一种环境光下的图像增强方法 | |
WO2019090580A1 (en) | System and method for image dynamic range adjusting | |
CN111145102A (zh) | 一种基于卷积神经网络的合成孔径雷达图像去噪方法 | |
WO2019228450A1 (zh) | 一种图像处理方法、装置及设备、可读介质 | |
CN110111347A (zh) | 图像标志提取方法、装置及存储介质 | |
CN103996179A (zh) | 一种基于单尺度Retinex的快速实时图像增强方法 | |
CN106470293B (zh) | 图像处理装置及图像处理方法 | |
CN102811353A (zh) | 提升视频图像清晰度的方法及系统 | |
US8873884B2 (en) | Method and system for resizing an image | |
CN113822816A (zh) | 气雾散射模型优化的单张遥感图像去霾方法 | |
CN102183244A (zh) | 一种航空遥感影像的比值匀光方法 | |
CN102769745B (zh) | 插值依赖的图像自适应下采样方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120919 Termination date: 20150329 |
|
EXPY | Termination of patent right or utility model |