CN102881004A - 一种基于视觉神经网络的数字图像增强方法 - Google Patents

Abstract

本发明提供一种基于视觉神经网络的数字图像增强方法，包括：S1、获取待处理图像的图像强度并对所述图像强度进行动态范围压缩处理，得到压缩后图像； S2、提取所述待处理图像的对比度；以及，S3、根据所述对比度对所述压缩后图像进行调制及合并处理，获得增强后图像；其中，所述S1、S2不分先后。本发明通过结合侧抑制神经网络、描述视网膜锥细胞响应的Weber法则，来完成图像增强的目的，解决了现有技术中提到的颜色恒常性问题和动态范围压缩的问题。

Description

一种基于视觉神经网络的数字图像增强方法

技术领域

本发明涉及图像处理领域，尤其涉及一种基于视觉神经网络的数字图像增强方法。

背景技术

受数字成像设备技术发展的影响，人工成像设备的输出图像普遍和生理视觉系统的真实感知之间，普遍存在而又常常十分严重的差距。这一问题主要是由于下述两个局限性所导致：1.外部光照光谱成分的变化导致成像设备输出的图像出现颜色失真，即所谓颜色恒常性(颜色保真)问题。2.成像设备有限的动态输出范围导致输出图像常常丢失场景光照较暗区域的细节和颜色信息，即所谓动态范围压缩问题。

颜色恒常性问题一般指在成像设备不同光源照明下的输出图像存在明显光谱颜色偏差的现象。对于数字成像设备，目前一般通过采用选择白平衡模式来补偿光谱偏移，但所使用的这些光谱校正手段均不具备动态范围压缩能力，相较人眼视觉观察，对于场景中光照暗区的细节常常无法同时真实显示。

动态范围压缩的问题反映为场景中存在光照强度的巨大差异(常常超过10000:1)和常用的有限的数字图像输出范围(一般是8bit量化，最大256)之间的不匹配。这种不匹配导致输出图像的细节表现力远较人眼视觉感知为弱。

发明内容

本发明主要内容是提供一种基于视觉神经网络的数字图像增强方法，用以解决现有技术的诸多不足，包括：

S1、获取待处理图像的图像强度并对所述图像强度进行动态范围压缩处理，得到压缩后图像；

S2、提取所述待处理图像的对比度；

S3、根据所述对比度对所述压缩后图像进行调制及合并处理，获得增强后图像；其中，所述S1、S2不分先后。

其中，所述S2具体为：对所述待处理图像进行中心窗口和环绕窗口的卷积滤波的计算，并根据计算得到的卷积滤波提取所述待处理图像的对比度。

其中，所述S2在单空间尺度提取所述待处理图像的对比度。

其中，所述S3根据所述对比度对所述压缩后图像进行调制及合并处理时所采用的公式为： ${\mathrm{Out}}_{k,n}(i,j)=\mathrm{Gain}\left\{\right[x_{k,n}(i,j)-{\stackrel{\‾}{x}}_{k,n}(i,j)]\×I^{\′}(i,j)\}+\mathrm{offset}\×I^{\′}(i,j).$

其中，所述S2在多空间尺度，提取所述待处理图像的对比度。

其中，所述S3根据所述对比度对所述压缩后图像进行调制及合并处理时所采用的公式为： ${\mathrm{Out}}_k(i,j)=\mathrm{Gain}\left\{\right[{\mathrm{msx}}_k(i,j)-\stackrel{\‾}{{\mathrm{msx}}_k}(i,j)]\×I^{\′}(i,j)\}+\mathrm{offset}\×I^{\′}(i,j).$

其中，所述S2采用不同大小的环绕Gaussian模板窗口函数对所述待处理图像进行中心窗口和环绕窗口的卷积滤波的计算，在多空间尺度完成对所述待处理图像的对比度的提取。

其中，所述S2在进行中心窗口和环绕窗口的卷积滤波的计算时，每一个尺度上的中心窗口、环绕窗口的窗口函数均唯一使用Gaussian模板窗口函数。

其中，在每一尺度上构建环绕Gaussian模板窗口时，环绕Gaussian窗口模板的标准差常数范围均位于图像长、宽数值中的较大值的1%到这一较大值的75%构成的区间内。

其中，所述待处理图像是为：对景物进行采集并进行A/D转换所获得的光栅化点阵图像。

其中，所述中心窗口的尺寸为一个像素。

本发明的有益效果是：提供一种基于视觉神经网络的数字图像增强方法，通过获取待处理图像的图像强度并对所述图像强度进行动态范围压缩处理，得到压缩后图像；提取所述待处理图像的对比度；以及，根据所述对比度对所述压缩后图像进行调制及合并处理，获得增强后图像，解决现有技术中颜色恒常性问题和动态范围压缩的问题，提高图像的显示质量。

附图说明

图1是一种实施方式中基于视觉神经网络的数字图像增强方法流程图；

图2是另一实施方式中基于视觉神经网络的数字图像增强方法流程图；

图3是上述实施方式中在多空间尺度上对比度提取的流程图；

图4是一种实施方式中基于视觉神经网络的数字图像增强装置的功能模块图。

具体实施方式

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。

本文公式中各个因子所表示的含义正如下表所示。

请参阅图1至图3，本发明提供一种基于视觉神经网络的数字图像增强方法，包括：

S1、获取待处理图像的图像强度并对所述图像强度进行动态范围压缩处理，得到压缩后图像。在本实施方式中，对所述图像强度动态范围压缩处理时采用的公式为：I′_k(i,j)=log[I_k(i,j)]，此公式是根据生理学研究成果中的Weber法则，视网膜锥细胞受光照后的刺激响应与刺激强度的对数近似成正比，经过动态范围压缩处理后的输出信号用以模拟视网膜锥细胞的神经图像输出。

也就是说，S1利用扩展的锥细胞响应函数对输入数字图像的图像强度进行非线性变换，进行动态范围调整。

S2、提取所述待处理图像的对比度。在本实施方式中，S2可在单空间尺度提取所述待处理图像的对比度。在另外的实施方式中，S2可在多空间尺度提取所述待处理图像的对比度。在上述实施方式某些具体的实施例中，所述S2具体为：对所述待处理图像进行中心窗口和环绕窗口的卷积滤波的计算，并根据计算得到的卷积滤波提取所述待处理图像的对比度。

对比度提取可以在单空间尺度上进行，也可以切分成N个彼此独立的空间尺度上的对比度提取操作。对于任意一个空间尺度n(即单空间尺度)，对比度可由侧抑制神经网络(lateral inhibitory shunting neural networks)ON、OFF神经元细胞的响应来描述，其中，侧抑制神经网络ON、OFF神经元细胞的响应由以下微分方程方程描述：

ON细胞响应x_k,n(i,j)

$\frac{d}{\mathrm{dt}}{x}_{k,n}(i,j)=-{\mathrm{Ax}}_{k,n}(i,j)+[1-x_{k,n}(i,j)]C_k(i,j)-[1+x_{k,n}(i,j)]S_{k,n}(i,j)---\left(A\right)$

OFF细胞响应

$\frac{d}{\mathrm{dt}}{\stackrel{\‾}{x}}_{k,n}(i,j)=-A{\stackrel{\‾}{x}}_{k,n}(i,j)+[1-{\stackrel{\‾}{x}}_{k,n}(i,j)]S_{k,n}(i,j)-[1+{\stackrel{\‾}{x}}_{k,n}(i,j)]C_k(i,j)---\left(B\right)$

S2使用Gaussian模板窗口函数实现中心窗口和环绕窗口的卷积滤波的计算。其中，所述Gaussian模板窗口函数的公式为：

$w(i,j)=\frac{1}{{2\mathrm{\π\σ}}^2}\exp (-\frac{i^2+j^2}{{2\mathrm{\σ}}^2}),$

得到的中心窗口和环绕窗口的卷积滤波分别为：

C_k(i,j)=I_k(i,j)*w_c(i,j)        ——中心窗口，

S_k,n(i,j)=I_k(i,j)*w_s,n(i,j)——环绕窗口。

然后本发明利用上述方程(A)(B)在达到平衡态时的解作为图像的对比度信息：

ON细胞：

$x_{k,n}(i,j)={\left[\frac{C_k(i,j)-S_{k,n}(i,j)}{A+C_k(i,j)+S_{k,n}(i,j)}\right]}^{+}$

OFF细胞

${\stackrel{\‾}{x}}_{k,n}(i,j)={\left[\frac{S_{k,n}(i,j)-C_k(i,j)}{A+C_k(i,j)+S_{k,n}(i,j)}\right]}^{+}$

可以看出，ON、OFF细胞输出相当于分别提取了图像在尺度n上的正负对比度信息。

图3中，当在切分成N个彼此独立的空间尺度(多空间尺度)上进行对比度提取操作时，多空间尺度处理用以模拟视网膜神经节细胞对于不同尺度的光刺激具有不同的选择性响应这一生理属性，并可提供更好的视觉处理效果，其实现通过求不同尺度下的对比度信息加权和得到：

$\left\{\begin{array}{c}{\mathrm{msx}}_k(i,j)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_n{x}_{k,n}(i,j)\\ \stackrel{\‾}{{\mathrm{nsx}}_k}(i,j)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_n{\stackrel{\‾}{x}}_{k,n}(i,j)\end{array}\right.,$

上式中，权重因子满足

${\mathrm{\Σ}}_{n=1}^N{\mathrm{\ξ}}_n=1,$

多空间尺度和单空间尺度的区别在于使用相同大小的中心窗口模板，而使用不同大小的σ_s,n来确定不同尺度下环绕窗口的尺寸。尺度总数以及每个尺度的权重系数分配可以根据实际需要确定。一般的，对于常规数字图像，采用大、中、小三个尺度并对每个尺度进行等权重分配，就足以获得满意效果。

从上可以看出，S2利用侧抑制神经网络神经元的动力学方程提取模拟视网膜神经节细胞刺激响应的图像对比度。对图像对比度的提取可在不同大小的空间分辨率，也就是空间尺度上进行。

在上述另外的某些实施方式中，单尺度或多尺度对比度提取的结果，可以独立输出以满足特殊需要。对尺度n上的对比度图像的输出进行显示的特殊实现如下式：

$d_{k,n}(i,j)=\mathrm{Gain}[x_{k,n}(i,j)-{\stackrel{\‾}{x}}_{k,n}(i,j)]+\mathrm{offset}---\left(C\right)$

对于多尺度，则

$d_k(i,j)=\mathrm{Gain}[{\mathrm{msx}}_k(i,j)-\stackrel{\‾}{{\mathrm{msx}}_k}(i,j)]+\mathrm{offset}---\left(D\right)$

上式(C)、(D)中的常数直流偏移量和常数增益因子对于每个颜色通道保持一致。

S3、根据所述对比度对所述压缩后图像进行调制及合并处理，获得增强后图像。在上述一实施方式中，当S2可在单空间尺度提取所述待处理图像的对比度时，S3将不同尺度的对比度信息进行合并，以便合理包含不同尺度下的图像信息，所述S3根据所述对比度对所述压缩后图像进行调制及合并处理时所采用的

${\mathrm{Out}}_{k,n}(i,j)=\mathrm{Gain}\left\{\right[x_{k,n}(i,j)-{\stackrel{\‾}{x}}_{k,n}(i,j)]\×I^{\′}(i,j)\}+\mathrm{offset}\×I^{\′}(i,j)$

公式为：

在上述的另外一实施方式中，当S2在多空间尺度提取所述待处理图像的对比度时，S2是通过采用不同大小的环绕Gaussian模板窗口函数对所述待处理图像进行中心窗口和环绕窗口的卷积滤波的计算的。所述S3根据所述对比度对所述压缩后图像进行调制及合并处理时所采用的公式为：

${\mathrm{Out}}_k(i,j)=\mathrm{Gain}\left\{\right[{\mathrm{msx}}_k(i,j)-\stackrel{\‾}{{\mathrm{msx}}_k}(i,j)]\×I^{\′}(i,j)\}+\mathrm{offset}\×I^{\′}(i,j).$

在上述实施例中，在每一尺度上构建环绕Gaussian模板窗口时，环绕Gaussian窗口模板的标准差常数范围均位于图像长、宽数值中的较大值的1%到这一较大值的75%构成的区间内。

上述S2神经网络单独输出的对比度图像并不能完全提供逼近真实视觉感知的图像，因为视觉系统并非完全仅仅对图像中的对比度信息产生响应刺激，图像中的直流成分同样影响视觉成像。因此本方法通过采用对对比度图像进行调制和合并的特殊实现将数字图像的直流成分和对比度信息有机结合，用以提供逼近真实视觉感知的图像处理结果。经过大量的试验证明，这一处理方法是广泛而且有效的，能提供非常理想的图像处理结果。进一步的，当对比度提取操作在多空间尺度上进行时，S3将不同尺度的对比度信息进行合并，以便合理包含不同尺度下的图像信息，可提供更好的视觉处理效果。

由上可以看出，本发明核心思想是根据视觉生理物理学的研究成果来实现数字图像增强，提高图像的显示质量。侧抑制神经网络是一种对视网膜神经节细胞的光刺激响应进行电生理模拟的生理物理学理论模型，本发明通过结合侧抑制神经网络、描述视网膜锥细胞响应的Weber法则，来完成图像增强的目的，解决了现有技术中提到的颜色恒常性问题和动态范围压缩的问题。

在上述某些实施例中，每一个尺度上的中心窗口、环绕窗口的窗口函数均唯一使用Gaussian模板窗口函数。而在具体的实施例中，每一尺度上的中心窗口的尺寸均为一个像素。

在本发明中，所述S1、S2不分先后，即在一种实施方式中，S1、S2可同时进行；在另一实施方式中S1也可在S2之后进行；在其他的实施方式中，S1也可在S2之前进行。

在上述的实施方式中，所述待处理图像为：对景物进行采集并进行A/D转换所获得的光栅化点阵图像。

请参阅图2至图4，本实施方式提供一种基于视觉神经网络的数字图像增强装置，包括：

动态范围压缩模块，用于获取待处理图像的图像强度并对所述图像强度进行动态范围压缩处理，得到压缩后图像；

对比度提取模块，用于提取所述待处理图像的对比度；以及，

调制及合并模块，用于根据所述对比度对所述压缩后图像进行调制及合并处理，获得增强后图像。

在上述实施方式中，景物经过图像采集和A/D转换后变成黑白或彩色数字图像，数字图像(待处理图像)分别输入动态范围压缩模块和对比度提取模块进行处理。动态范围压缩模块根据生理学研究成果中的Weber法则，视网膜锥细胞受光照后的刺激响应与刺激强度的对数近似成正比，即经过动态范围压缩模块后的图像强度值为：I′_k(i,j)=log[I_k(i,j)]，上述公式的输出信号用以模拟视网膜锥细胞的神经图像输出。对比度提取模块具体是对所述待处理图像进行中心窗口和环绕窗口的卷积滤波的计算，并根据计算得到的卷积滤波提取所述待处理图像的对比度。

在上述具体的实施方式中，对比度提取模块可以在单空间尺度上进行对比度提取操作，也可以切分成N个彼此独立的空间尺度上的对比度提取操作。对于任意一个空间尺度n(即单空间尺度)，对比度可由侧抑制神经网络ON、OFF神经元细胞的响应来描述，其中，侧抑制神经网络ON、OFF神经元细胞的响应由以下微分方程方程描述：

ON细胞响应x_k,n(i,j)

$\frac{d}{\mathrm{dt}}{x}_{k,n}(i,j)=-{\mathrm{Ax}}_{k,n}(i,j)+[1-x_{k,n}(i,j)]C_k(i,j)-[1+x_{k,n}(i,j)]S_{k,n}(i,j)---\left(A\right)$

OFF细胞响应

$\frac{d}{\mathrm{dt}}{\stackrel{\‾}{x}}_{k,n}(i,j)=-A{\stackrel{\‾}{x}}_{k,n}(i,j)+[1-{\stackrel{\‾}{x}}_{k,n}(i,j)]S_{k,n}(i,j)-[1+{\stackrel{\‾}{x}}_{k,n}(i,j)]C_k(i,j)---\left(B\right)$

对比度提取模块使用Gaussian模板窗口函数实现中心窗口和环绕窗口的卷积滤波的计算。其中，所述Gaussian模板窗口函数的公式为：

$w(i,j)=\frac{1}{{2\mathrm{\π\σ}}^2}\exp (-\frac{i^2+j^2}{{2\mathrm{\σ}}^2}),$

得到的中心窗口和环绕窗口的卷积滤波分别为：

C_k(i,j)=I_k(i,j)*w_c(i,j)       ——中心窗口，

S_k,n(i,j)=I_k(i,j)*w_s,n(i,j)   ——环绕窗口。

然后本发明利用上述方程(A)(B)在达到平衡态时的解作为图像的对比度信息：

ON细胞：

$x_{k,n}(i,j)={\left[\frac{C_k(i,j)-S_{k,n}(i,j)}{A+C_k(i,j)+S_{k,n}(i,j)}\right]}^{+}$

OFF细胞：

${\stackrel{\‾}{x}}_{k,n}(i,j)={\left[\frac{S_{k,n}(i,j)-C_k(i,j)}{A+C_k(i,j)+S_{k,n}(i,j)}\right]}^{+}$

可以看出，ON、OFF细胞输出相当于分别提取了图像在尺度n上的正负对比度信息。

图3中，当在切分成N个彼此独立的空间尺度(多空间尺度)上进行对比度提取操作时，多空间尺度处理用以模拟视网膜神经节细胞对于不同尺度的光刺激具有不同的选择性响应这一生理属性，并可提供更好的视觉处理效果，其实现通过求不同尺度下的对比度信息加权和得到：

$\left\{\begin{array}{c}{\mathrm{msx}}_k(i,j)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_n{x}_{k,n}(i,j)\\ \stackrel{\‾}{{\mathrm{nsx}}_k}(i,j)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_n{\stackrel{\‾}{x}}_{k,n}(i,j)\end{array}\right.,$

上式中，权重因子满足

${\mathrm{\Σ}}_{n=1}^N{\mathrm{\ξ}}_n=1,$

多空间尺度和单空间尺度的区别在于使用相同大小的中心窗口模板，而使用不同大小的σ_s，n来确定不同尺度下环绕窗口的尺寸。尺度总数以及每个尺度的权重系数分配可以根据实际需要确定。一般的，对于常规数字图像，采用大、中、小三个尺度并对每个尺度进行等权重分配，就足以获得满意效果。

从上可以看出，对比度提取模块利用侧抑制神经网络神经元的动力学方程提取模拟视网膜神经节细胞刺激响应的图像对比度。对图像对比度的提取可在不同大小的空间分辨率，也就是空间尺度上进行。

在上述另外的某些实施方式中，所述装置还包括对比度图像输出模块，用以输出对比度的提取结果。单尺度或多尺度对比度提取的结果，可以独立输出以满足特殊需要。对尺度n上的对比度图像的输出进行显示的特殊实现如下式：

$d_{k,n}(i,j)=\mathrm{Gain}[x_{k,n}(i,j)-{\stackrel{\‾}{x}}_{k,n}(i,j)]+\mathrm{offset}---\left(C\right)$

对于多尺度，则

$d_k(i,j)=\mathrm{Gain}[{\mathrm{msx}}_k(i,j)-\stackrel{\‾}{{\mathrm{msx}}_k}(i,j)]+\mathrm{offset}---\left(D\right)$

上式(C)、(D)中的常数直流偏移量和常数增益因子对于每个颜色通道保持一致。

在上述一实施方式中，当对比度提取模块可在单空间尺度提取所述待处理图像的对比度时，调制及合并模块将不同尺度的对比度信息进行合并，以便合理包含不同尺度下的图像信息，其中，所述调制及合并模块根据所述对比度对所述压缩后图像进行调制及合并处理时所采用的公式为：

${\mathrm{Out}}_{k,n}(i,j)=\mathrm{Gain}\left\{\right[x_{k,n}(i,j)-{\stackrel{\‾}{x}}_{k,n}(i,j)]\×I^{\′}(i,j)\}+\mathrm{offset}\×I^{\′}(i,j).$

在上述的另外一实施方式中，当对比度提取模块在多空间尺度提取所述待处理图像的对比度时，对比度提取模块是通过采用不同大小的环绕Gaussian模板窗口函数对所述待处理图像进行中心窗口和环绕窗口的卷积滤波的计算的。所述调制及合并模块根据所述对比度对所述压缩后图像进行调制及合并处理时所采用的公式为：

${\mathrm{Out}}_k(i,j)=\mathrm{Gain}\left\{\right[{\mathrm{msx}}_k(i,j)-\stackrel{\‾}{{\mathrm{msx}}_k}(i,j)]\×I^{\′}(i,j)\}+\mathrm{offset}\×I^{\′}(i,j).$

上述单尺度和多尺度对比度提取模块的单独输出并不能完全提供逼近真实视觉感知的图像，因为视觉系统并非完全仅仅对图像中的对比度信息产生响应刺激，图像中的直流成分同样影响视觉成像。因此本方法通过采用对对比度图像进行调制和合并的特殊实现将数字图像的直流成分和对比度信息有机结合，用以提供逼近真实视觉感知的图像处理结果。大量的试验证明，这一处理方法是广泛而且有效的，能提供非常理想的图像处理结果。进一步的，当对比度提取操作在多空间尺度上进行时，调制及合并模块将不同尺度的对比度信息进行合并，以便合理包含不同尺度下的图像信息，可提供更好的视觉处理效果。

在上述某些实施例中，每一个尺度上的中心窗口、环绕窗口的窗口函数均唯一使用Gaussian模板窗口函数。而在具体的实施例中，每一尺度上的中心窗口的尺寸均为一个像素。

综上所述，本发明核心思想是根据视觉生理物理学的研究成果来实现数字图像增强，提高图像的显示质量。侧抑制神经网络是一种对视网膜神经节细胞的光刺激响应进行电生理模拟的生理物理学理论模型，本发明通过结合侧抑制神经网络、描述视网膜锥细胞响应的Wber法则，来完成图像增强的目的，解决了现有技术中提到的颜色恒常性问题和动态范围压缩的问题。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于视觉神经网络的数字图像增强方法，其特征在于，包括：

S1、获取待处理图像的图像强度并对所述图像强度进行动态范围压缩处理，得到压缩后图像；

S2、提取所述待处理图像的对比度；以及，

S3、根据所述对比度对所述压缩后图像进行调制及合并处理，获得增强后图像；其中，所述S1、S2不分先后。

2.根据权利要求1所述的基于视觉神经网络的数字图像增强方法，其特征在于，所述S2具体为：对所述待处理图像进行中心窗口和环绕窗口的卷积滤波的计算，并根据计算得到的卷积滤波提取所述待处理图像的对比度。

3.根据权利要求1或2所述的基于视觉神经网络的数字图像增强方法，其特征在于：所述S2在单空间尺度提取所述待处理图像的对比度。

4.根据权利要求3所述的基于视觉神经网络的数字图像增强方法，其特征在于，所述S3根据所述对比度对所述压缩后图像进行调制及合并处理时所采用的公式为： ${\mathrm{Out}}_{k,n}(i,j)=\mathrm{Gain}\left\{\right[x_{k,n}(i,j)-{\stackrel{\‾}{x}}_{k,n}(i,j)]\×I^{\′}(i,j)\}+\mathrm{offset}\×I^{\′}(i,j)$ 。

5.根据权利要求1或2所述的基于视觉神经网络的数字图像增强方法，其特征在于：所述S2在多空间尺度提取所述待处理图像的对比度。

6.根据权利要求5所述的基于视觉神经网络的数字图像增强方法，其特征在于，所述S3根据所述对比度对所述压缩后图像进行调制及合并处理时所采用的公式为： ${\mathrm{Out}}_k(i,j)=\mathrm{Gain}\left\{\right[{\mathrm{msx}}_k(i,j)-{\stackrel{\‾}{\mathrm{msx}}}_k(i,j)]\×I^{\′}(i,j)\}+\mathrm{offset}\×I^{\′}(i,j)$ 。

7.根据权利要求5所述的基于视觉神经网络的数字图像增强方法，其特征在于：所述S2采用不同大小的环绕Gaussian模板窗口函数对所述待处理图像进行中心窗口和环绕窗口的卷积滤波的计算，在多空间尺度完成对所述待处理图像的对比度的提取。

8.根据权利要求7所述的基于视觉神经网络的数字图像增强方法，其特征在于：所述S2在进行中心窗口和环绕窗口的卷积滤波的计算时，每一个尺度上的中心窗口、环绕窗口的窗口函数均唯一使用Gaussian模板窗口函数。

9.根据权利要求7所述的基于视觉神经网络的数字图像增强方法，其特征在于：在每一尺度上构建环绕Gaussian模板窗口时，环绕Gaussian窗口模板的标准差常数范围均位于图像长、宽数值中的较大值的1%到这一较大值的75%构成的区间内。

10.根据权利要求2所述的基于视觉神经网络的数字图像增强方法，其特征在于：所述中心窗口的尺寸为一个像素。

Images