CN103065287A - 基于hsl空间和自适应反双曲正切函数的图像增强算法 - Google Patents

Abstract

本发明提供一种基于HSL空间和自适应反双曲正切函数的图像增强算法，其特征在于：所述算法包括以下步骤：(1)对图像进行RGB到HSL的空间变换；(2)针对亮度通道L，使用优化过的自适应反双曲正切函数进行亮度和对比度的增强；(3)对亮度通道进行校正以去除噪音；(4)对增强后的HSL图像进行RGB转换，获得最终的图像结果。本发明的有益效果是该增强算法利用图像增强技术，对图像明暗不均匀区域进行了优化，使得图像具有最佳的视觉效果，抑制了图像的噪音，易于人眼的观测，同时提高了线阵高清采集系统的性能。

Description

基于HSL空间和自适应反双曲正切函数的图像增强算法

技术领域

本发明涉及图像增强技术，属于图像处理技术领域，尤其是涉及一种基于HSL空间和自适应反双曲正切函数的图像增强算法。

背景技术

由于铁路建设施工的局限性和室外环境中光照的不均匀性，在铁路现场采集到的线阵CCD图像，在亮度和对比度上经常出现不均衡，使得图像质量下降，给图像的展示和后续图像处理的操作带来很大的不确定性。

发明内容

本发明要解决的问题是提供一种基于HSL空间和自适应反双曲正切函数的图像增强算法，尤其适合对亮度和对比度不均衡的图片进行效果增强。

为解决上述技术问题，本发明采用的技术方案是：一种基于HSL空间和自适应反双曲正切函数的图像增强算法，其特征在于：所述算法包括以下步骤：

(1)对图像进行RGB到HSL的空间变换，获得H色相、S饱和度、L亮度三个分量子图；

(2)根据得到的L分量子图，利用自适应反双曲正切算法进行增强处理，获得的增强子图像L^enh；

(3)对获得的增强子图像L^enh进行中值滤波去除噪音；

(4)将去除噪音后的增强子图像L^enh，与步骤(1)中的H分量子图、S分量子图进行RGB转换，得到最终图像结果。

其中，所述步骤(1)中的RGB到HSL变换方法包括以下步骤：

(1)对获取到的RGB彩色图像进行归一化，使得R，G，B三个分量子图的值是在0到1之间的实数；

对所述RGB彩色图像中每一个像素的R，G，B值进行归一化，其计算方法如下：

$F\left(C_{x,y}\right)=\frac{C(x,y)}{\max \left(C\right)}(C=R,G,B)$

r＝F(R_x，y)；g＝F(G_x,y)；b＝F(B_x,y)

其中，x，y为该像素的坐标值；F(C_x，y)为归一化后的结果；max(C)为R，G，B的最大值；r、g、b为每一个像素归一化后的R，G，B值。

(2)将RGB图像转换为HSL色彩空间，获得H、S、L三个分量子图；

所述RGB转换HSL的计算方法如下：

$s=\left\{\begin{array}{ccc}0,& \mathrm{if}& \max =0\\ \frac{\max -\min }{\max }=1-\frac{\min }{\max },& & \mathrm{otherwise}\end{array}\right.$

$l=\frac{1}{2}(\max +\min )$

其中，max是该像素r，g，b的最大值；min是该像素r，g，b的最小值。h为转换后该像素的色相值，s为转换后该像素的饱和度值，l为转换后该像素的亮度值。

所述步骤(2)中根据得到的L分量子图，利用自适应反双曲正切算法进行增强处理，获得的增强子图像L^enh的步骤如下：

(1)根据分量子图L大小和所述分量子图L的灰度值计算整幅子图的平均值，计算公式如下：

$\mathrm{Mean}=\frac{1}{M\×N}{\mathrm{\Σ}}_{i=1}^M{\mathrm{\Σ}}_{j=1}^N{X}_{\mathrm{ij}}$

其中，M为分量子图L的长，N为分量子图L的高，X_ij为图像中坐标在(i，j)处的灰度值，子图中的灰度值范围在[0，1]之间；Mean为整幅子图的平均值；

(2)用如下公式计算整幅子图的方差Variance：

$\mathrm{Variance}=\left(\frac{1}{M\×N}{\mathrm{\Σ}}_{i=1}^M{\mathrm{\Σ}}_{j=1}^N(X_{\mathrm{ij}}-\mathrm{Mean})\right)$

(3)用如下公式计算整幅子图的增强量g：

g＝0.1×Variance^0.5

(4)用如下公式计算计算整幅子图的偏移量bia：

bia＝(2×Mean)^0.25

(5)对子图中每一个像素X(i，j)，用如下自适应反双曲正切公式计算增强量Enhance(X_ij)，并替换原灰度值，获得的增强子图像L^enh：

$\mathrm{Enhance}\left(X_{\mathrm{ij}}\right)=(\log \left(\frac{1+{X_{\mathrm{ij}}}^{\mathrm{bia}}}{1-{X_{\mathrm{ij}}}^{\mathrm{bia}}}\right)-1)*g;$

所述步骤(3)中进行中值滤波处理，所述中值滤波公式如下：

f(x，y)＝Med{L(i-k，j-r)，k，r∈W}

其中，f(x，y)为中值滤波处理后的图像，L为增强子图像L^enh，W为滤波窗口，i、j为增强子图像L^enh每一个像素的坐标值，k、r为滤波窗口模板的长和宽。

所述中值滤波的滤波窗口为圆形或正方形。

所述中值滤波的滤波窗口是半径为2-9的圆形二维模板。

所述步骤(4)中的RGB转换方法，包括如下步骤：

(1)根据H分量子图、S分量子图和去除噪音后的增强子图像L^enh，计算出转换后RGB图像的每个颜色向量Color_R、Color_G、Color_B的值，计算方法如下：

当s=0时，Color_R=Color_G=Color_B＝l

当s≠0时，

$q=\left\{\begin{array}{ccc}l\&times;(1+s),& \mathrm{if}& l<\frac{1}{2}\\ l+s-(l\&times;s),& \mathrm{if}& l\&GreaterEqual;\frac{1}{2}\end{array}\right.$

p＝2×l-q

$h_k=\frac{h}{360}$

$t_R=h_k+\frac{1}{3}$

t_G＝h_k

$t_B=h_k-\frac{1}{3}$

if t_C＜0→t_C＝t_C+1.0 for each C∈{R，G，B}

if t_C＞1→t_C＝t_C-1.0 for each C∈{R，G，B}

$\mathrm{Colo}{r}_C=\left\{\begin{array}{ccc}p+((q-p)\&times;6\&times;t_C),& \mathrm{if}& t_C<\frac{1}{6}\\ q,& \mathrm{if}& \frac{1}{6}\&le;t_C<\frac{1}{2}\\ p+((q-p)\&times;6\&times;(\frac{2}{3}-t_C)),& \mathrm{if}& \frac{1}{2}\&le;t_C<\frac{2}{3}\\ p,& & \mathrm{otherwise}\end{array}\right.$

for each C∈{R，G，B}

其中，s为S分量子图的饱和度值，h为H分量子图的色相值，l为去除噪音后的增强子图像L^enh的亮度值，Color_R，Color_G，Color_B分别为转换后RGB图像的红、绿、蓝值；

(2)将转换后RGB图像的每一个Color_R，Color_G，Color_B都恢复到取值区间[0-255]，得到最终的图像。

本发明具有的优点和积极效果是：该增强算法利用图像增强技术，对图像明暗不均匀区域进行了优化，使得图像具有最佳的视觉效果，抑制了图像的噪音，易于人眼的观测，同时提高了线阵高清采集系统的性能。

附图说明

图1是本发明的算法流程示意图

图2是未处理的原始图像

图3是利用本发明算法进行增强后的图像

具体实施方式

实施例1

如图1所示，本发明算法包括以下步骤：

步骤一：对图像进行RGB到HSL的空间变换，获得H(色相)、S(饱和度)、L(亮度)三个分量子图；

(1)对获取到的RGB彩色图像进行归一化，使得R(红)，G(绿)，B(蓝)三个分量子图的值是在0到1之间的实数；

对所述RGB彩色图像中每一个像素的R，G，B值进行归一化，其计算方法如下：

$F\left(C_{x,y}\right)=\frac{C(x,y)}{\max \left(C\right)}(C=R,G,B)$

r＝F(R_x，y)；g＝F(G_x,y)；b＝F(B_x，y)

其中，x，y为该像素的坐标值；F(C_x，y)为归一化后的结果；max(C)为R，G，B的最大值；r、g、b为每一个像素归一化后的R，G，B值。

(2)将RGB图像转换为HSL色彩空间，获得H(色相)、S(饱和度)、L(亮度)三个分量子图；

所述RGB转换HSL的计算方法如下：

$s=\left\{\begin{array}{ccc}0,& \mathrm{if}& \max =0\\ \frac{\max -\min }{\max }=1-\frac{\min }{\max },& & \mathrm{otherwise}\end{array}\right.$

$l=\frac{1}{2}(\max +\min )$

其中，max是该像素r，g，b的最大值；min是该像素r，g，b的最小值。h为转换后该像素的色相值，s为转换后该像素的饱和度值，l为转换后该像素的亮度值。

步骤二：根据得到的L分量子图，利用自适应反双曲正切算法进行增强处理，获得的增强子图像L^enh；

(1)根据分量子图L大小和所述分量子图L的灰度值计算整幅子图的平均值，计算公式如下：

$\mathrm{Mean}=\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{i=1}^M{\mathrm{\&Sigma;}}_{j=1}^N{X}_{\mathrm{ij}}$

其中，M为分量子图L的长，N为分量子图L的高，X_ij为图像中坐标在(i，j)处的灰度值，子图中的灰度值范围在[0，1]之间；Mean为整幅子图的平均值；

(2)用如下公式计算整幅子图的方差Variance：

$\mathrm{Variance}=\left(\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{i=1}^M{\mathrm{\&Sigma;}}_{j=1}^N(X_{\mathrm{ij}}-\mathrm{Mean})\right)$

(3)用如下公式计算整幅子图的增强量g：

g＝0.1×Variance^0.5

(4)用如下公式计算计算整幅子图的偏移量bia：

bia＝(2×Mean)^0.25

(5)对子图中每一个像素X(i，j)，用如下自适应反双曲正切公式计算增强量Enhance(X_ij)，并替换原灰度值，获得的增强子图像L^enh：

$\mathrm{Enhance}\left(X_{\mathrm{ij}}\right)=(\log \left(\frac{1+{X_{\mathrm{ij}}}^{\mathrm{bia}}}{1-{X_{\mathrm{ij}}}^{\mathrm{bia}}}\right)-1)*g;$

步骤三：对获得的增强子图像L^enh进行中值滤波去除噪音，中值滤波公式如下：

f(x，y)＝Med{L(i-k，j-r)，k，r∈W}

其中，f(x，y)为中值滤波处理后的图像，L为增强子图像L^enh，W为滤波窗口，i、j为增强子图像L^enh每一个像素的坐标值，k、r为滤波窗口模板的长和宽。

该实施例中值滤波的滤波窗口是半径为2的圆形二维模板，即k、r均等于2。

步骤四：将去除噪音后的增强子图像L^enh，与步骤(1)中的H分量子图、S分量子图进行RGB转换，得到最终图像结果。

(1)根据H分量子图、S分量子图和去除噪音后的增强子图像L^enh，计算出转换后RGB图像的每个颜色向量Color_R、Color_G、Color_B的值，计算方法如下：

当s=0时，Color_R=Color_G=Color_B＝l

当s≠0时，

$q=\left\{\begin{array}{ccc}l\&times;(1+s),& \mathrm{if}& l<\frac{1}{2}\\ l+s-(l\&times;s),& \mathrm{if}& l\&GreaterEqual;\frac{1}{2}\end{array}\right.$

p＝2×l-q

$h_k=\frac{h}{360}$

$t_R=h_k+\frac{1}{3}$

t_G＝h_k

$t_B=h_k-\frac{1}{3}$

if t_C＜0→t_C＝t_C+1.0 for each C∈{R，G，B}

if t_C＞1→t_C＝t_C-1.0 for each C∈{R，G，B}

$\mathrm{Colo}{r}_C=\left\{\begin{array}{ccc}p+((q-p)\&times;6\&times;t_C),& \mathrm{if}& t_C<\frac{1}{6}\\ q,& \mathrm{if}& \frac{1}{6}\&le;t_C<\frac{1}{2}\\ p+((q-p)\&times;6\&times;(\frac{2}{3}-t_C)),& \mathrm{if}& \frac{1}{2}\&le;t_C<\frac{2}{3}\\ p,& & \mathrm{otherwise}\end{array}\right.$

for each C∈{R，G，B}

其中，s为S分量子图的饱和度值，h为H分量子图的色相值，l为去除噪音后的增强子图像L^enh的亮度值，Color_R，Color_G，Color_B分别为转换后RGB图像的红、绿、蓝值；

(2)将转换后RGB图像的每一个Color_R，Color_G，Color_B都恢复到取值区间[0-255]，得到最终的图，恢复取值区间[0-255]的公式如下：

F(C_x,y)＝C*max(C)

(C＝Color_R，Color_G，Color_B)

R＝F(R_x，y)；G＝F(G_x，y)；B＝F(B_x，y)

x，y为最终图像中像素的坐标值；F(C_x，y)为恢复取值区间[0-255]后的结果；max(C)为Color_R，Color_G，Color_B的最大值；R、G、B为最终图像中像素的R，G，B值。

效果例1：

图2是未处理的原始图像，将其利用实施例1所述算法进行增强后得到的最终图像如图3所示。

由效果图可知，该增强算法利用图像增强技术，对原始图像明暗不均匀区域进行了优化，使得图像具有最佳的视觉效果，抑制了图像的噪音，易于人眼的观测。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (7)

1.一种基于HSL空间和自适应反双曲正切函数的图像增强算法，其特征在于，所述算法包括以下步骤：

(1)对图像进行RGB到HSL的空间变换，获得H色相、S饱和度、L亮度三个分量子图；

(2)根据得到的L分量子图，利用自适应反双曲正切算法进行增强处理，获得的增强子图像L^enh；

(3)对获得的增强子图像L^enh进行中值滤波去除噪音；

(4)将去除噪音后的增强子图像L^enh，与步骤(1)中的H分量子图、S分量子图进行RGB转换，得到最终图像结果。

2.根据权利要求1所述的算法，其特征在于：所述步骤(1)中的RGB到HSL变换方法包括以下步骤：

(1)对获取到的RGB彩色图像进行归一化，使得R，G，B三个分量子图的值是在0到1之间的实数；

对所述RGB彩色图像中每一个像素的R，G，B值进行归一化，其计算方法如下：

r＝F(R_x，y)；g＝F(G_x,y)；b＝F(B_x，y)

其中，x，y为该像素的坐标值；F(C_x，y)为归一化后的结果；max(C)为R，G，B的最大值；r、g、b为每一个像素归一化后的R，G，B值。

(2)将RGB图像转换为HSL色彩空间，获得H、S、L三个分量子图；

所述RGB转换HSL的计算方法如下： 

其中，max是该像素r，g，b的最大值；min是该像素r，g，b的最小值。h为转换后该像素的色相值，s为转换后该像素的饱和度值，l为转换后该像素的亮度值。

3.根据权利要求1所述的算法，其特征在于：所述步骤(2)中根据得到的L分量子图，利用自适应反双曲正切算法进行增强处理，获得的增强子图像L^enh的步骤如下：

(1)根据分量子图L大小和所述分量子图L的灰度值计算整幅子图的平均值，计算公式如下：

其中，M为分量子图L的长，N为分量子图L的高，X_ij为图像中坐标在(i，j)处的灰度值，子图中的灰度值范围在[0，1]之间；Mean为整幅子图的平均值；

(2)用如下公式计算整幅子图的方差Variance：

(3)用如下公式计算整幅子图的增强量g： 

g＝0.1×Variance^0.5

(4)用如下公式计算计算整幅子图的偏移量bia：

bia＝(2×Mean)^0.25

(5)对子图中每一个像素X(i，j)，用如下自适应反双曲正切公式计算增强量Enhance(X_ij)，并替换原灰度值，获得的增强子图像L^enh：

。

4.根据权利要求1所述的算法，其特征在于：所述步骤(3)中进行中值滤波处理，所述中值滤波公式如下：

f(x，y)＝Med{L(i-k，j-r)，k，r∈W}

其中，f(x，y)为中值滤波处理后的图像，L为增强子图像L^enh，W为滤波窗口，i、j为增强子图像L^enh每一个像素的坐标值，k、r为滤波窗口模板的长和宽。

5.根据权利要求4所述的算法，其特征在于：所述中值滤波的滤波窗口为圆形或正方形。

6.根据权利要求4所述的算法，其特征在于：所述中值滤波的滤波窗口是半径为2-9的圆形二维模板。

7.根据权利要求1所述的算法，其特征在于：所述步骤(4)中的RGB转换方法，包括如下步骤：

(1)根据H分量子图、S分量子图和去除噪音后的增强子图像L^enh，计算出转换后RGB图像的每个颜色向量Color_R、Color_G、Color_B的值，计算方法如下：

当s=0时，Color_R=Color_G=Color_B＝l

当s≠0时， 

p＝2×l-q

t_G＝h_k

if t_C＜0→t_C＝t_C+1.0 for each C∈{R，G，B}

if t_C＞1→t_C＝t_C-1.0 for each C∈{R，G，B}

for each C∈{R，G，B}

其中，s为S分量子图的饱和度值，h为H分量子图的色相值，l为去除噪音后的增强子图像L^enh的亮度值，Color_R，Color_G，Color_B分别为转换后RGB图像的红、绿、蓝值；

(2)将转换后RGB图像的每一个Color_R，Color_G，Color_B都恢复到取值区间[0-255]，得到最终的图像。 

Images