CN103440635B - 一种基于学习的对比度受限自适应直方图均衡方法 - Google Patents
一种基于学习的对比度受限自适应直方图均衡方法 Download PDFInfo
- Publication number
- CN103440635B CN103440635B CN201310422968.9A CN201310422968A CN103440635B CN 103440635 B CN103440635 B CN 103440635B CN 201310422968 A CN201310422968 A CN 201310422968A CN 103440635 B CN103440635 B CN 103440635B
- Authority
- CN
- China
- Prior art keywords
- sub
- block
- average
- image
- input picture
- 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.)
- Active
Links
Landscapes
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
- Picture Signal Circuits (AREA)
Abstract
本发明涉及一种基于学习的对比度受限自适应直方图均衡方法,其在进行参数的学习训练的基础上,通过对大量训练图像进行统计和分类,从而得到预设的最优经验参数,在接收到输入图像时,根据类似的方法对输入图像进行统计和分类,并自动选取预设的最优经验参数,且不管是训练图像还是输入图像均以其子块为单位进行统计,并设置子块各自的裁剪幅度范围,从而能够很好的处理亮度不同的子块之间的对比度使其达到全局均衡,防止过度放大细节导致图像失真,是一种处理快速并且效果显著的图像增强处理方法。
Description
技术领域
本发明涉及一种图像增强处理方法,特别是一种基于学习的对比度受限自适应直方图均衡方法。
背景技术
图像增强是图像增强领域中最常用、最重要的技术之一,其将原来不清晰的图像变得清晰或强调某些关注的特征,抑制非关注的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果的图像处理方法,是图像处理的最基本的方法,它往往是各种图像在进行分析与处理时必须的预处理操作;图像增强的目的是通过对图像进行调整,来改善图像视觉效果。
图像对比度增强的方法可以分成两类:一类是直接对比度增强方法,另一类是间接对比度增强方法。直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法:直方图拉伸是通过对比度拉伸对直方图进行调整,从而“扩大”前景和背景灰度的差别,以达到增强对比度的目的,这种方法可以利用线性或非线性的方法来实现;直方图均衡化则通过使用累积函数对灰度值进行调整以实现对比度的增强。
直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法,这种方法通常用来增加许多图像的局部对比度,尤其是当图像的有用数据的对比度相当接近的时候,通过这种方法,亮度可以更好地在直方图上分布,这样就可以用于增强局部的对比度而不影响整体的对比度,直方图均衡化通过有效地扩展常用的亮度来实现这种功能。
累积直方图均衡化(CDF):通过原始图像灰度值分布直方图的累积分布函数计算累积分布直方图。累积的计算公式如下:
其中,s′表示处理后图像的灰度值,pr(w)表示原始图像灰度级的概率密度函数;由于CDF是针对整个图像进行处理,将占灰度级比较少的纹理细节像素点合并到一个灰度级,并且将背景噪声放大。
自适应直方图均衡化(AHE):其通过将图像划分为多个子区域,对每个子区域进行CDF灰度拉伸,并且针对区域效应进行权重线性插值,解决了CDF的问题,但是它也同样会放大噪声。
对比度受限的自适应直方图均衡化(CLAHE):在AHE的基础上CLAHE限制对比度的范围,可以有效地控制放大噪声,但是它是对所有区域都采用同样的对比度限制范围,当原始图像存在很亮和很暗的区域时,如果让暗区域和亮区域的对比度和亮度被提高到合理的值,就会造成亮区域被过分处理,而且对细节的保留也不好,会造成失真。
发明内容
本发明为解决上述问题,提供了一种处理快速并且效果显著的基于学习的对比度受限自适应直方图均衡方法,可防止过度放大细节丢失的过暗部分带来的失真,使得在图像美化过程中又不失其真实感。
为实现上述目的,本发明采用的技术方案为:
一种基于学习的对比度受限自适应直方图均衡方法,其特征在于,包括以下步骤:
步骤1.进行参数的学习训练:
1.1.收集多张训练图像,将每张训练图像分割为若干子块,以子块的灰度均值为特征统计整个训练图像灰度值的均值和方差,以均值和方差作为该训练图像的特征参数采用聚类算法将训练图像进行自动分类,得到分类模型,每一类训练图像的灰度值具有相似的均值和方差;
1.2.根据训练图像类别为每一类图像预设最优经验参数,包括水平和竖直网格数,直方图裁剪幅度和直方图数量;
步骤2.接收输入图像,将输入图像分割为若干子块,以子块的灰度均值为单位统计整个输入图像灰度值的均值和方差,并根据步骤1.1所述的聚类算法得到的分类模型自动对输入图像进行分类,并对各输入图像类别选取步骤1.2所述的预设最优经验参数;
步骤3.根据选取的最优水平和竖直网格数、最优直方图裁剪幅度、最优直方图数量,为每个子块设置自适应的参数值:
3.1.计算每个子块灰度值的均值、最大值、最小值,并以子块的灰度均值为特征统计整个输入图像的灰度值的均值;
3.2.依据所述子块的均值与所述整个输入图像的均值的差异幅度设置子块自适应的裁剪幅度范围;
步骤4.为每一个所述直方图依据所述的裁剪幅度范围进行裁剪,对高于裁剪尺寸的灰度值平均分配给所有的灰度区间得到新的灰度直方图;
步骤5.将计算得到的新的灰度直方图通过映射表映射回原输入图像;
步骤6.对输入图像的相邻子块进行插值处理;
步骤7.输出结果图像。
优选的,所述步骤1或步骤2中训练图像或输入图像的预设最优经验参数的选取原则为;图像灰度值的方差较大,即图像的明暗差别较明显,给予较高的网格数量;图像灰度值的均值较大,即亮度图像较亮,给予较小裁剪幅度。
优选的,所述步骤1.1中子块的均值和整个训练图像的均值及方差的计算公式如下:
整个训练图像均值公式:
子块的均值公式:
整个训练图像方差公式:
其中,colorj i为第i块第j个像素点的颜色值;count为一个图像块中像素个数;avgColor_i为第i个子块的计算后的灰度均值;avgColor为训练图像以子块为单位的图像灰度均值;varianceColor为整个训练图像的方差;patch为子块的个数,avgColor和varianceColor将作为聚类算法的输入特征值。
优选的,所述步骤1.1中的聚类算法采用的是K-means聚类算法。
优选的,所述步骤3.1中每个子块灰度值的均值、最大值、最小值的计算公式如下:
均值公式:
最大值公式:maxColor=max(color,maxColor)
最小值公式:minColor=min(color,minColor)
其中,avgColor为训练图像以子块为单位的图像灰度均值;colorj i为第i块第j个像素点的颜色值;count为一个图像块中像素个数;patch为子块的个数;color为输入图像的像素点的颜色值;patchColori为每个子块灰度值的均值;maxColor为计算后每个子块的灰度最大值,其初始值为0;minColor为计算后的每个子块的灰度最小值,其初始值为255。
优选的,所述步骤3.2中设置子块各自的裁剪幅度范围,为高于整个输入图像灰度均值的子块设定较小的裁剪幅度,而为低于整个图像灰度均值的子块设定较大的裁剪幅度,按照灰度级别将裁剪幅度依次分配给每个子块;
计算公式如下:
ratiomax=(maxColor-avgColor)/bins
ratiomin=(avgColor-minColor)/bins
maxclip=clip+(clip-1)*ratiomax
minclip=clip-(clip-1)*ratiomin
cliplevel=(maxclip-minclip)/level
colorlevel=(maxColor-minColor)/level
cliplimiti=maxclip-(patchColori-minColor)/colorlevel*cliplevel,i∈1,…,patch
其中,cliplimiti为第i个图像块的裁剪尺寸;clip为每个子块的裁剪尺寸;cliplevel为所述裁剪尺寸的裁剪等级;colorlevel为灰度等级;patchColori为每个子块灰度值的均值;bins为直方图的数量;level为参数变化的等级,一般设为5;maxclip为最大裁剪幅度,minclip为最小裁剪幅度,若子块的灰度值较整个输入图像平均灰度值高,则最大裁剪幅度较大,反之亦然,其由ratiomax和ratiomin控制;maxColor为计算后每个子块的灰度最大值,minColor为计算后的每个子块的灰度最小值;并且,裁剪尺寸clip和直方图的数量bins是在所述步骤2中被自动选取的最优经验参数。
优选的,所述步骤6中对输入图像的相邻子块的边界像素采取线性插值,对各子块的中间部分的像素采取双线性插值,从而获得最终输出的结果图像。
本发明的有益效果是:
本发明在进行参数的学习训练的基础上,通过对多张训练图像进行统计和分类,从而得到预设的最优经验参数,在接收到输入图像时,根据类似的方法对输入图像进行统计和分类,并自动选取预设的最优经验参数,且不管是训练图像还是输入图像均以其子块为单位进行统计,并设置子块各自的裁剪幅度范围,从而能够很好的处理亮度不同的子块之间的对比度使其达到全局均衡,以防止过度放大细节导致图像失真,是一种处理快速并且效果显著的图像增强处理方法。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明基于学习的对比度受限自适应直方图均衡方法的流程简图;
图2为用于说明本发明效果的原始图像;
图3为用于说明本发明效果的采用背景技术处理方法的处理后图像;
图4为采用本发明基于学习的对比度受限自适应直方图均衡方法的处理后图像。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图及实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明的一种基于学习的对比度受限自适应直方图均衡方法,其包括以下步骤:
步骤1.进行参数的学习训练:
1.1.收集多张训练图像,将每张训练图像分割为若干子块,以子块的灰度均值为特征统计整个训练图像灰度值的均值和方差,以均值和方差作为该训练图像的特征参数采用聚类算法将训练图像进行自动分类,得到分类模型,每一类训练图像的灰度值具有相似的均值和方差;
1.2.根据训练图像类别为每一类图像预设最优经验参数,包括水平和竖直网格数,直方图裁剪幅度和直方图数量;
步骤2.接收输入图像,将输入图像分割为若干子块,以子块的灰度均值为单位统计整个输入图像灰度值的均值和方差,并根据步骤1.1所述的聚类算法得到的分类模型自动对输入图像进行分类,并对各输入图像类别选取步骤1.2所述的预设最优经验参数;
步骤3.根据选取的最优水平和竖直网格数、最优直方图裁剪幅度、最优直方图数量,为每个子块设置自适应的参数值:
3.1.计算每个子块灰度值的均值、最大值、最小值,并以子块的灰度均值为特征统计整个输入图像的灰度值的均值;
3.2.依据所述子块的均值与所述整个输入图像的均值的差异幅度设置子块自适应的裁剪幅度范围;
步骤4.为每一个所述直方图依据所述的裁剪幅度范围进行裁剪,对高于裁剪尺寸的灰度值平均分配给所有的灰度区间得到新的灰度直方图;
步骤5.将计算得到的新的灰度直方图通过映射表映射回原输入图像;
步骤6.对输入图像的相邻子块进行插值处理,以消除因为分块处理带来的不均匀网格线;
步骤7.输出结果图像。
作为本发明的一种实施例,所述步骤1或步骤2中训练图像或输入图像的预设最优经验参数的选取原则为;图像灰度值的方差较大,即图像的明暗差别较明显,给予较高的网格数量,这样在每个局部块中明暗差异较小,具有相对相似的灰度值;图像灰度值的均值较大,即亮度图像较亮,给予较小裁剪幅度,防止过度裁剪造成图片失真;
所述步骤1.1中的聚类算法采用的是K-means聚类算法,或者也可以采用其他聚类算法;k-means聚类算法是一种得到最广泛使用的基于划分的聚类算法,把n个对象分为k个簇,以使簇内具有较高的相似度。相似度的计算根据一个簇中对象的平均值来进行。它与处理混合正态分布的最大期望算法很相似,因为他们都试图找到数据中自然聚类的中心。该算法首先随机地选择k个对象,每个对象初始地代表了一个簇的平均值或中心。对剩余的每个对象根据其与各个簇中心的距离,将它赋给最近的簇,然后重新计算每个簇的平均值。这个过程不断重复,直到准则函数收敛。
它假设对象属性来自于空间向量,并且目标是使各个群组内部的均方误差总和最小。假设有k个群组Si,i=1,2,...,k。μi是群组Si内所有元素xj的重心,或叫中心点。
为了加快计算速度,所述步骤6中对输入图像的相邻子块的边界像素采取线性插值,对各子块的中间部分的像素采取双线性插值,从而获得最终输出的结果图像;如何进行线性插值:
假设我们已知坐标(x0,y0)与(x1,y1),要得到[x0,x1]区间内某一位置x在直线上的值。根据下图所示,我们得到
由于x值已知,所以可以从公式得到y的值
已知y求x的过程与以上过程相同,只是x与y要进行交换。
而双线性插值,又称为双线性内插。在数学上,双线性插值是有两个变量的插值函数的线性插值扩展,其核心思想是在两个方向分别进行一次线性插值。假如我们想得到未知函数f在点P=(x,y)的值,假设我们已知函数f在Q11=(x1,y1)、Q12=(x1,y2),Q21=(x2,y1)以及Q22=(x2,y2)四个点的值。首先在x方向进行线性插值,然后在y方向进行线性插值。与这种插值方法名称不同的是,这种插值方法并不是线性的,而是是两个线性函数的乘积。线性插值的结果与插值的顺序无关。首先进行y方向的插值,然后进行x方向的插值,所得到的结果是一样的。
所述步骤1.1中子块的均值和整个训练图像的均值及方差的计算公式如下:
整个训练图像均值公式:
子块的均值公式:
整个训练图像方差公式:
其中,colorj i为第i块第j个像素点的颜色值;count为一个图像块中像素个数;avgColor_i为第i个子块的计算后的灰度均值;avgColor为训练图像以子块为单位的图像灰度均值;varianceColor为整个训练图像的方差;patch为子块的个数,avgColor和varianceColor将作为聚类算法的输入特征值。
所述步骤3.1中每个子块灰度值的均值、最大值、最小值的计算公式如下:
均值公式:
最大值公式:maxColor=max(color,maxColor)
最小值公式:minColor=min(color,minColor)
其中,avgColor为训练图像以子块为单位的图像灰度均值;colorj i为第i块第j个像素点的颜色值;count为一个图像块中像素个数;patch为子块的个数;color为输入图像的像素点的颜色值;patchColori为每个子块灰度值的均值;maxColor为计算后每个子块的灰度最大值,其初始值为0;minColor为计算后的每个子块的灰度最小值,其初始值为255。
所述步骤3.2中设置子块各自的裁剪幅度范围,为高于整个输入图像灰度均值的子块设定较小的裁剪幅度,而为低于整个图像灰度均值的子块设定较大的裁剪幅度,按照灰度级别将裁剪幅度依次分配给每个子块;计算公式如下:
ratiomax=(maxColor-avgColor)/bins
ratiomin=(avgColor-minColor)/bins
maxclip=clip+(clip-1)*ratiomax
minclip=clip-(clip-1)*ratiomin
cliplevel=(maxclip-minclip)/level
colorlevel=(maxColor-minColor)/level
cliplimiti=maxclip-(patchColori-minColor)/colorlevel*cliplevel,i∈1,…,patch
其中,cliplimiti为第i个图像块的裁剪尺寸;clip为每个子块的裁剪尺寸;cliplevel为所述裁剪尺寸的裁剪等级;colorlevel为灰度等级;patchColori为每个子块灰度值的均值;bins为直方图的数量;level为参数变化的等级,一般设为5;maxclip为最大裁剪幅度,minclip为最小裁剪幅度,若子块的灰度值较整个输入图像平均灰度值高,则最大裁剪幅度较大,反之亦然,其由ratiomax和ratiomin控制;maxColor为计算后每个子块的灰度最大值,minColor为计算后的每个子块的灰度最小值;并且,裁剪尺寸clip和直方图的数量bins是在所述步骤2中被自动选取的最优经验参数。
图2为未经过处理的原始图像,图3为采用背景技术处理后的效果图,由于原始图片的天空部分较亮而地面部分较暗,明暗差别较为明显,导致背景技术处理后的图像在较亮部分被过度处理而导致图像失真,图4为采用本发明技术处理后的效果图,由于采用本发明的基于参数学习的对比度受限自适应直方图均衡方法,从而能够很好的处理亮度不同的子块之间的对比度使其达到全局均衡,防止过度放大细节导致图像失真,是一种处理快速并且效果显著的图像增强处理方法。
上述说明示出并描述了本发明的优选实施例,如前,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种基于学习的对比度受限自适应直方图均衡方法,其特征在于,包括以下步骤:
步骤1.进行参数的学习训练:
1.1.收集多张训练图像,将每张训练图像分割为若干子块,以子块的灰度均值为特征统计整个训练图像灰度值的均值和方差,以均值和方差作为该训练图像的特征参数采用聚类算法将训练图像进行自动分类,得到分类模型,每一类训练图像的灰度值具有相似的均值和方差;
1.2.根据训练图像类别为每一类图像预设最优经验参数,包括水平和竖直网格数,直方图裁剪幅度和直方图数量;
步骤2.接收输入图像,将输入图像分割为若干子块,以子块的灰度均值为单位统计整个输入图像灰度值的均值和方差,并根据步骤1.1所述的聚类算法得到的分类模型自动对输入图像进行分类,并对各输入图像类别选取步骤1.2所述的预设最优经验参数;
步骤3.根据选取的最优水平和竖直网格数、最优直方图裁剪幅度、最优直方图数量,为每个子块设置自适应的参数值:
3.1.计算每个子块灰度值的均值、最大值、最小值,并以子块的灰度均值为特征统计整个输入图像的灰度值的均值;
3.2.依据所述子块的均值、最大值、最小值,与所述整个输入图像的均值的差异幅度设置子块自适应的裁剪幅度范围;
步骤4.为每一个子块的所述直方图依据所述的裁剪幅度范围进行裁剪,对高于裁剪尺寸的灰度值平均分配给所有的灰度区间得到新的灰度直方图;
步骤5.将计算得到的新的灰度直方图通过映射表映射回原输入图像;
步骤6.对输入图像的相邻子块进行插值处理;
步骤7.输出结果图像。
2.根据权利要求1所述的一种基于学习的对比度受限自适应直方图均衡方法,其特征在于:所述步骤1或步骤2中训练图像或输入图像的预设最优经验参数的选取原则为;图像灰度值的方差较大,即图像的明暗差别较明显,给予较高的网格数量;图像灰度值的均值较大,即亮度图像较亮,给予较小裁剪幅度。
3.根据权利要求1所述的一种基于学习的对比度受限自适应直方图均衡方法,其特征在于:所述步骤1.1中子块的均值和整个训练图像的均值及方差的计算公式如下:
整个训练图像均值公式:
子块的均值公式:
整个训练图像方差公式:
其中,colorj i为第i块第j个像素点的颜色值;count为一个图像块中像素个数;avgColor_i为第i个子块的计算后的灰度均值;avgColor为训练图像以子块为单位的图像灰度均值;varianceColor为整个训练图像的方差;patch为子块的个数,avgColor和varianceColor将作为聚类算法的输入特征值。
4.根据权利要求1所述的一种基于学习的对比度受限自适应直方图均衡方法,其特征在于:所述步骤1.1中的聚类算法采用的是K-means聚类算法。
5.根据权利要求1所述的一种基于学习的对比度受限自适应直方图均衡方法,其特征在于:所述步骤3.1中每个子块灰度值的均值、最大值、最小值的计算公式如下:
均值公式:
最大值公式:maxColor=max(color,maxColor)
最小值公式:minColor=min(color,minColor)
其中,avgColor为训练图像以子块为单位的图像灰度均值;colorj i为第i块第j个像素点的颜色值;count为一个图像块中像素个数;patch为子块的个数;color为输入图像的像素点的颜色值;patchColori为每个子块灰度值的均值;maxColor为计算后每个子块的灰度最大值,其初始值为0;minColor为计算后的每个子块的灰度最小值,其初始值为255。
6.根据权利要求1所述的一种基于学习的对比度受限自适应直方图均衡方法,其特征在于:所述步骤3.2中设置子块各自的裁剪幅度范围,为高于整个输入图像灰度均值的子块设定较小的裁剪幅度,而为低于整个图像灰度均值的子块设定较大的裁剪幅度,按照灰度级别将裁剪幅度依次分配给每个子块;计算公式如下:
ratiomax=(maxColor-avgColor)/bins
ratiomin=(avgColor-minColor)/bins
maxclip=clip+(clip-1)*ratiomax
minclip=clip-(clip-1)*ratiomin
cliplevel=(maxclip-minclip)/level
colorlevel=(maxColor-minColor)/level
cliplimiti=maxclip-(patchColori-minColor)/colorlevel*cliplevel,i∈1,…,patch
其中,cliplimiti为第i个图像块的裁剪尺寸;clip为每个子块的裁剪尺寸;cliplevel为所述裁剪尺寸的裁剪等级;colorlevel为灰度等级;patchColori为每个子块灰度值的均值;bins为直方图的数量;level为参数变化的等级,一般设为5;maxclip为最大裁剪幅度,minclip为最小裁剪幅度,若子块的灰度值较整个输入图像平均灰度值高,则最大裁剪幅度较大,反之亦然,其由ratiomax和ratiomin控制;maxColor为计算后每个子块的灰度最大值,minColor为计算后的每个子块的灰度最小值;并且,裁剪尺寸clip和直方图的数量bins是在所述步骤2中被自动选取的最优经验参数。
7.根据权利要求1所述的一种基于学习的对比度受限自适应直方图均衡方法,其特征在于:所述步骤6中对输入图像的相邻子块的边界像素采取线性插值,对各子块的中间部分的像素采取双线性插值,从而获得最终输出的结果图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310422968.9A CN103440635B (zh) | 2013-09-17 | 2013-09-17 | 一种基于学习的对比度受限自适应直方图均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310422968.9A CN103440635B (zh) | 2013-09-17 | 2013-09-17 | 一种基于学习的对比度受限自适应直方图均衡方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103440635A CN103440635A (zh) | 2013-12-11 |
CN103440635B true CN103440635B (zh) | 2016-06-22 |
Family
ID=49694327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310422968.9A Active CN103440635B (zh) | 2013-09-17 | 2013-09-17 | 一种基于学习的对比度受限自适应直方图均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103440635B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715465B (zh) * | 2013-12-13 | 2018-03-27 | 厦门美图移动科技有限公司 | 一种自动调整对比度的图像增强方法 |
CN104484864B (zh) * | 2014-12-31 | 2017-06-23 | 苏州科达科技股份有限公司 | 获取图像伽马曲线、增强图像对比度的方法及系统 |
CN105825485B (zh) * | 2016-03-30 | 2018-12-21 | 努比亚技术有限公司 | 一种图像处理系统和方法 |
CN106485687B (zh) * | 2016-09-20 | 2019-05-07 | 深圳市华星光电技术有限公司 | 一种直方图的影像对比增强方法及显示装置 |
CN107833189A (zh) * | 2017-10-30 | 2018-03-23 | 常州工学院 | 对比受限自适应直方图均衡的水下目标探测图像增强方法 |
CN108470329A (zh) * | 2018-02-12 | 2018-08-31 | 深圳市华星光电半导体显示技术有限公司 | 一种图像处理方法及系统 |
WO2019222936A1 (zh) * | 2018-05-23 | 2019-11-28 | 富士通株式会社 | 用于语义分割的分类神经网络的训练方法及装置、电子设备 |
CN110852955B (zh) * | 2018-08-21 | 2022-05-10 | 中南大学 | 一种基于图像强度阈值和自适应切割的图像增强方法 |
CN109271941A (zh) * | 2018-09-26 | 2019-01-25 | 福州大学 | 一种基于防屏摄攻击的活体检测方法 |
CN109448014B (zh) * | 2018-10-19 | 2021-04-30 | 福建师范大学 | 一种基于子图的图像信息细化方法 |
CN111200699B (zh) * | 2018-11-19 | 2022-04-26 | 瑞昱半导体股份有限公司 | 影像调整方法 |
CN110009583A (zh) * | 2019-03-28 | 2019-07-12 | 上海交通大学 | 基于灰度均衡和nsct分解的红外图像预处理方法 |
CN110751603A (zh) * | 2019-09-26 | 2020-02-04 | 中国科学院长春光学精密机械与物理研究所 | 一种图像对比度的增强方法、系统及终端设备 |
CN110766682A (zh) * | 2019-10-29 | 2020-02-07 | 慧影医疗科技(北京)有限公司 | 肺结核定位筛查装置及计算机设备 |
CN110913263B (zh) * | 2019-11-29 | 2021-05-18 | 联想(北京)有限公司 | 视频处理方法、装置及电子设备 |
CN111062884B (zh) * | 2019-12-05 | 2023-05-16 | Oppo广东移动通信有限公司 | 一种图像增强方法、装置、存储介质和终端设备 |
CN111709898B (zh) * | 2020-06-20 | 2023-05-23 | 昆明物理研究所 | 基于优化clahe的红外图像增强方法与系统 |
CN112365424B (zh) * | 2020-11-17 | 2023-06-06 | 昆明物理研究所 | 基于局部自适应clahe的红外图像去噪增强方法、装置、系统与计算机可读存储介质 |
CN113077404B (zh) * | 2021-05-27 | 2022-09-23 | 杭州微帧信息科技有限公司 | 一种图像对比度提升的方法 |
CN113176270B (zh) * | 2021-06-29 | 2021-11-09 | 中移(上海)信息通信科技有限公司 | 一种调光方法、装置及设备 |
CN114092361B (zh) * | 2022-01-20 | 2022-06-07 | 浙江芯昇电子技术有限公司 | 一种优化clahe的图像局部对比度增强方法 |
CN114431005A (zh) * | 2022-02-11 | 2022-05-06 | 苏州书农科技有限公司 | 智能化农业果实采摘识别与定位方法、系统及装置 |
CN114972218B (zh) * | 2022-05-12 | 2023-03-24 | 中海油信息科技有限公司 | 指针表读数识别方法和系统 |
CN116416166B (zh) * | 2023-06-12 | 2023-08-04 | 贵州省人民医院 | 一种肝活检数据分析方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719989A (zh) * | 2009-11-30 | 2010-06-02 | 北京中星微电子有限公司 | 一种背光补偿的方法及系统 |
CN101739672A (zh) * | 2009-12-02 | 2010-06-16 | 北京中星微电子有限公司 | 一种基于分区域插值的直方图均衡方法和装置 |
CN102722876A (zh) * | 2012-05-29 | 2012-10-10 | 杭州电子科技大学 | 一种基于残差的图像超分辨率重建方法 |
-
2013
- 2013-09-17 CN CN201310422968.9A patent/CN103440635B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719989A (zh) * | 2009-11-30 | 2010-06-02 | 北京中星微电子有限公司 | 一种背光补偿的方法及系统 |
CN101739672A (zh) * | 2009-12-02 | 2010-06-16 | 北京中星微电子有限公司 | 一种基于分区域插值的直方图均衡方法和装置 |
CN102722876A (zh) * | 2012-05-29 | 2012-10-10 | 杭州电子科技大学 | 一种基于残差的图像超分辨率重建方法 |
Non-Patent Citations (4)
Title |
---|
Contrast Limited Adaptive Histogram Equalization Image Processing to Improve the Detection of Simulated Spiculations in Dense Mammograms;Etta D.Pisano等;《Journal of Digital Imaging》;19981130;第11卷(第4期);第193-200页 * |
Underwater Image Segmentation using CLAHE Enhancement and Thresholding;Rajesh kumar Rai等;《International Journal of Emerging Technology and Advanced Engineering》;20120131;第2卷(第1期);第118-123页 * |
基于对比度受限自适应直方图均衡的乳腺图像增强;刘轩等;《计算机工程与应用》;20081231;第44卷(第10期);第173-175页 * |
复杂背景下的车辆牌照定位算法研究及实现;罗键;《中国优秀硕士学位论文全文数据库信息科技辑(月刊)》;20120115(第01期);第21-44页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103440635A (zh) | 2013-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103440635B (zh) | 一种基于学习的对比度受限自适应直方图均衡方法 | |
CN107403422B (zh) | 用以增强图像对比度的方法及其系统 | |
Singh et al. | Image enhancement via median-mean based sub-image-clipped histogram equalization | |
CN113313657B (zh) | 一种用于低光照图像增强的非监督学习方法和系统 | |
Shanmugavadivu et al. | Particle swarm optimized multi-objective histogram equalization for image enhancement | |
Kandhway et al. | An optimal adaptive thresholding based sub-histogram equalization for brightness preserving image contrast enhancement | |
CN102314673B (zh) | 一种自适应图像增强方法 | |
CN104063848A (zh) | 一种低照度图像增强方法和装置 | |
CN102789635A (zh) | 一种图像增强方法和装置 | |
CN104700371A (zh) | 一种蒙版的生成方法和系统 | |
CN107945122A (zh) | 基于自适应直方图分段的红外图像增强方法及系统 | |
CN104282004B (zh) | 一种基于可扩展分段直方图自适应均衡化方法 | |
CN103489168A (zh) | 一种红外图像自适应转伪彩增强方法及系统 | |
Verma et al. | Modified sigmoid function based gray scale image contrast enhancement using particle swarm optimization | |
CN108648160A (zh) | 一种水下海参图像去雾增强方法及系统 | |
CN114066757A (zh) | 基于引导滤波的数字细节增强正则化参数自适应选取方法 | |
CN106033600B (zh) | 基于函数曲线变换的动态对比度增强方法 | |
CN117611501A (zh) | 一种低照度图像增强方法、装置、设备及可读存储介质 | |
Wilkinson | Generalized pattern spectra sensitive to spatial information | |
CN106127694B (zh) | 照度不均图像增强的自适应双向保带宽对数变换方法 | |
CN106651864B (zh) | 一种面向高分辨率遥感图像的分割方法 | |
CN113012079B (zh) | 低亮度车底图像增强方法、装置及存储介质 | |
Jin et al. | 23‐2: An Adaptive Contrast Enhancement of Image Using Multi‐Scale Histogram Representation | |
Xu et al. | Multiplicative decomposition based image contrast enhancement method using PCNN factoring model | |
Tian et al. | Local histogram modification based contrast enhancement |
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 |