CN103578084A - 基于亮通道滤波的彩色图像增强方法 - Google Patents
基于亮通道滤波的彩色图像增强方法 Download PDFInfo
- Publication number
- CN103578084A CN103578084A CN201310477467.0A CN201310477467A CN103578084A CN 103578084 A CN103578084 A CN 103578084A CN 201310477467 A CN201310477467 A CN 201310477467A CN 103578084 A CN103578084 A CN 103578084A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- bright channel
- result
- color
- 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.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开一种基于亮通道滤波的彩色图像增强方法,主要解决现有技术存在的增强结果图像中物体缘处的“光晕伪影”和处理耗时的问题。其实现步骤是:对待增强彩色图像的每个像素点的RGB分量取最大值,获得亮通道图像I(x,y);对亮通道图像I(x,y)进行灰度闭运算,将其结果定义为I′(x,y);结合亮通道图像I(x,y),通过快速联合双边滤波器对亮通道图像的灰度闭运算结果滤波,获得光照分量L(x,y);将光照分量L(x,y)代入光照-反射成像模型,求解输入图像的RGB各颜色通道的反射分量,并将各颜色通道的反射分量扩展至区间[0,255],得到的彩色图像即为最终的增强结果。本发明仅需单幅输入图像,即可增强偏暗图像,消除光照不均匀图像的阴影,可用于目标检测、跟踪和识别的预处理。
Description
技术领域
本发明属于图像处理技术领域,特别涉及图像的增强方法,可用于偏暗图像的增强及光照不均匀图像的阴影消除。
背景技术
在图像获取过程中,由于光源的变化、环境光照、物体遮挡等原因,造成了场景中物体接收到的光照强度不足、不均匀,使图像质量严重下降,影响了图像信息的辨识,导致后续图像细节特征的提取、目标的识别、跟踪和理解等处理无法正常进行。一直以来,光照不足、光照不均匀图像的增强问题得到了学术界的广泛关注。Braun等人(Braun,Gustav J.,and Mark D.Fairchild.″Image lightness rescaling using sigmoidalcontrast enhancement functions.″Journal of Electronic Imaging 8.4(1999):380-393.)进行色调映射,并且结合图像均值、方差来确定函数参数,该方法简单快速,但当图像动态范围过高时,局部细节会丢失。Kim等人(Kim,Joung-Youn,Lee-Sup Kim,andSeung-Ho Hwang.″An advanced contrast enhancement using partially overlappedsub-block histogram equalization.″Circuits and Systems for Video Technology,IEEETransactions on 11.4(2001):475-484.)提出了部分重叠子块直方图均衡化,该方法基本消除了子块不重叠方法的块效应,相比子块完全重叠的方法减少了运算量,但仅考虑局部子块中灰度分布,削弱了图像层次感。Rizzi等人(Rizzi,Alessandro,Carlo Gatta,and Daniele Marini.″A new algorithm for unsupervised global and local colorcorrection.″Pattern Recognition Letters 24.11(2003):1663-1677.)提出自动颜色均衡化模型,在考虑了颜色和亮度的空间分布的情况下进行局部自适应滤波,该方法增强了彩色图像的对比度,但对于不满足灰度世界假设的图像,易导致明显的颜色失真。Fattal(Fattal,Raanan,Dani Lischinski,and Michael Werman.″Gradient domain highdynamic range compression.″ACM Transactions on Graphics(TOG).Vol.21.No.3.ACM,2002.)将图像变换到梯度域,抑制较大的梯度,拉伸较小的梯度并且保持梯度的方向不变,虽然增强了原图中暗区域的细节,但也一定程度地削弱了亮处的细节。肖俊,宋寿鹏,丁丽娟提出的空域同态滤波方法研究[J].中国图像图形学报,2008,13(12):2302-2305.),是基于光照-反射成像模型,其将图像取对数后,在空域对图像低通滤波,然后利用滤波结果估计光照分量,该方法压缩了动态范围,速度与性能优于传统的频域同态滤波,但结果的优劣关键在于滤波模板权值的选取。Land(Land,Edwin Herbert.″An alternative technique for the computation of the designator in theretinex theory of color vision.″Proceedings of the National Academy of Sciences 83.10(1986):3078-3080.)将光照-反射成像模型与人类视觉对亮度和颜色的感知特性结合,提出了Retinex理论,并给出随机路径和中心环绕两种求解光照的方法。Jobson等人(Jobson,Daniel J.,Zia-ur Rahman,and Glenn A.Woodell.″A multiscale retinex forbridging the gap between color images and the human observation of scenes.″ImageProcessing,IEEE Transactions on 6.7(1997):965-976.Rahman,Zia-ur,Daniel J.Jobson,and Glenn A.Woodell.″Retinex processing for automatic image enhancement.″Journal ofElectronic Imaging 13.1(2004):100-110.)基于Retinex理论,通过高斯环绕函数计算亮度图像,分别提出了单尺度、多尺度和带颜色恢复的多尺度三个版本的Retinex方法。单尺度Retinex(SSR,Single Scale Retinex)方法效果取决于尺度常数的大小,多尺度Retinex(MSR,Multi-Scale Retinex)方法可能会导致光晕伪影且运算量大,带颜色恢复的多尺度Retinex(MSRCR,Multi Scale Retinex with Color rendetion)方法对违反灰度世界假设的图像进行了颜色恢复,但颜色修正效果并不明显。Kimmel(Kimmel,Ron,et al.″A variational framework for retinex.″International Journal of Computer Vision 52.1(2003):7-23.)将已有的多种Retinex方法规范成统一的变分形式,计算速度快,但易使阴影边界模糊,产生“光晕伪影”。
以上方法中基于Retinex理论的方法在动态范围压缩、颜色再现等方面性能突出,但这些方法都有这样一个共同缺点:在增强结果图像中场景物体边缘处会存在“光晕伪影”,即经过增强的图像,在对比度较高的边缘区域存在着像光晕一样的影子。这是由于在估计光照时主要根据周围像素的位置远近赋予不同的权重,没有充分考虑到如何保持像素亮度突变,从而造成高对比度边缘区域光照估计的失真。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于亮通道滤波的彩色图像增强方法,以消除增强结果图像中的“光晕伪影”,减小场景物体边缘区域光照分量估计的失真,提高彩色图像的清晰度。
实现本发明的目的技术思路是:基于图像的光照-反射成像模型,通过估计光照分量,有效地获取环境光照信息,进一步求解场景物体的反射分量,去除光照对成像过程的影响。其具体步骤包括如下:
(1)通过数字成像设备,获得单幅彩色数字图像P(x,y);
(2)将获取的彩色数字图像转换到红绿蓝RGB颜色空间,并求取每个像素点在该颜色空间下的RGB分量最大值,获得亮通道图像I(x,y),并将亮通道图像作为光照分量的初步估计值,其中(x,y)是图像中任一像素的坐标;
(3)对亮通道图像I(x,y)进行灰度闭运算,得到光照分量的粗估计值I′(x,y);
(4)结合亮通道图像I(x,y),通过快速联合双边滤波器对光照分量的粗估计值I′(x,y)进行细化处理,得到光照分量L(x,y);
(5)将光照分量L(x,y)代入光照-反射成像模型,求解输入彩色图像P(x,y)在RGB颜色空间中RGB各通道的反射分量Rc(x,y),将反射分量Rc(x,y)灰度值扩展至区间[0,255],得到的彩色图像即为最终的增强结果,其中c∈{R,G,B}。
本发明具有如下优点:
1.本发明基于Land等给出的光照-反射成像模型,从全新的角度提出了图像RGB亮通道的概念及物理原理,提出了快速计算光照分量的新方法,从单幅图像出发,求解场景反射分量,无需图像中场景的其他附加信息,不涉及复杂的对数运算及频域处理,仅从时域即可恢复场景物体的色彩及边缘细节;
2.利用亮通道图像,能快速获得光照分量的初步估计值;
3.对光照分量的初步估计值进行灰度闭运算,获得光照分量的粗估计值,去除了场景中的暗色目标对光照分量估计的影响,使光照分量的估计更加准确;
4.结合亮通道图像,通过快速联合双边滤波器对光照分量的粗估计值进行细化处理,更加快速准确地计算光照分量,避免了普通高斯滤波器可能造成的“光晕伪影”,且得到的光照分量在保持局部平滑的同时,具有良好的边缘细节,最终通过求得的光照分量获得准确的反射分量;
5.本发明不需要进行色度分量调整,即可使增强的图像自然逼真,色彩鲜艳,对比度再现良好。
本发明能广泛应用于图像增强及视频分析等领域。
附图说明
图1是本发明的实现流程图;
图2是光照-反射成像模型示意图;
图3是一幅待增强的光照不均彩色图像;
图4是分别通过本发明方法和现有的多尺度Retinex方法对图3进行增强的结果对比图;
图5是通过本发明方法对图3增强过程中产生的光照分量初步估计图像、光照分量粗估计图像、最终细化的光照分量图像以及通过现有的多尺度Retinex方法求得的光照分量图像;
图6是用现有的带颜色恢复的多尺度Retinex算法和本发明方法对‘tower’图像增强后的结果对比图;
图7是用现有的带颜色恢复的多尺度Retinex算法和本发明方法对‘shoe’图像增强后的结果对比图;
图8是用现有的带颜色恢复的多尺度Retinex算法和本发明方法对‘girl’图像增强后的结果对比图。
具体实施方式
以下参照附图对本发明做进一步地详细描述。
参照图1,本发明的实现步骤如下:
步骤一,获取待增强的彩色图像。
从数字成像设备获得一幅如图3所示的待增强的彩色数字图像P(x,y),该图像场景中光照不均匀且强度较低,图像对比度低且颜色失真严重。
步骤二,对待增强的彩色图像进行光照分量的初步估计。
2.1)求取待增强彩色图像的亮通道图像:
①亮通道定义:
由于本发明提出的亮通道概念基于光照-反射成像模型,所以下面对光照反射-反射成像模型进行介绍;
参照图2,光照-反射成像模型,由图像、光照分量和反射分量构成,其表示为:
P(x,y)=L(x,y)×R(x,y) <1>
其中,P(x,y)为从数字图像设备获得的图像;L(x,y)为光照分量,即场景物体接收的光照强度;R(x,y)为场景物体的反射分量,即场景物体的反射率,它是场景物体的固有特性;
由于在户外自然场景中,大多数物体的颜色比较鲜艳,所以获得的彩色图像的大部分像素在RGB三个颜色通道中至少存在一个灰度值较大的颜色通道,这个颜色通道拥有较高的反射分量,根据光照-反射成像模型表达式<1>,当该颜色通道的光照分量趋向于1时,该颜色通道的灰度值接近于该通道所在像素的光照强度,故将该颜色通道定义为亮通道。
②获取亮通道图像
遍历待增强彩色图像的每个像素,求取每个像素点的RGB三通道的最大灰度值,这些具有颜色通道的最大灰度值组成的灰度图像即为亮通道图像I(x,y),如图5(a)所示,其表示公式为:
式中,Pc(x,y)是输入图像P(x,y)某个颜色通道的灰度值。
2.2)由于某像素亮通道的灰度值与该像素的光照强度接近,所以本发明将待增强的彩色图像的亮通道图像I(x,y)作为光照分量的初步估计值。
步骤三,对光照分量的初步估计值进行灰度闭运算,获得光照分量的粗估计值。
由于并非所有场景物体的色彩都非常鲜艳,即存在着部分反射分量较小的暗色物体,所以待增强的彩色图像中并不是每个像素都存在反射分量较大的颜色通道,也即亮通道图像中并非每个像素的灰度值都接近于该像素的光照强度。为了去除部分反射分量较小的物体对光照分量估计的影响,本发明引入灰度闭运算对光照分量初步估计值进一步滤波。
灰度闭运算,是指先进行灰度膨胀,再进行灰度腐蚀的组合运算,它可以削弱图像中突变独立的暗色小区域,而保持明亮区域相对不受影响,其实现步骤如下:
3.1)对亮通道图像I(x,y)进行灰度膨胀运算,即选取碟形结构元素,使该结构元素中心在亮通道图像I(x,y)图像内能逐点滑动,再用亮通道图像I(x,y)中与结构元素重合像素中的最大灰度值替代亮通道图像I(x,y)中与结构元素中心重合的像素灰度值,得到亮通道图像I(x,y)灰度膨胀后的结果It(x,y);
3.2)对灰度膨胀后的结果It(x,y)进行灰度腐蚀运算,即选取蝶形结构元素,使该结构元素中心在灰度膨胀后的结果It(x,y)图像内逐点滑动,再用灰度膨胀后的结果It(x,y)中与结构元素重合像素中的最小灰度值替代It(x,y)中与结构元素中心重合的像素灰度值,得到光照分量的粗估计值I′(x,y)。
光照分量的粗估计值如附图5(b)所示,其符合光照在场景的大部分区域平缓变化的特点。
步骤四,结合亮通道图像,通过快速联合双边滤波器对光照分量的粗估计值进行细化处理。
现实中,场景物体的边缘处一般会存在光照突变,而经灰度闭运算处理后的光照分量粗估计值模糊了物体边缘的光照突变。为了得到既具有平滑性质又能保持边缘细节的光照分量,本实例结合亮通道图像I(x,y),通过快速联合双边滤波器对光照分量的粗估计值I′(x,y)进行细化处理。
双边滤波器是一种边缘保持滤波器,其结果不仅与周围像素的空间位置有关,而且还与它们的灰度差值有关,对于一幅灰度图像M,双边滤波器表示公式为:
其中,f是中心为p点的空域高斯核,g是中心为p点的像素灰度值的值域高斯核,Ω是f的空域范围,Wp是f·g权值之和。由于引入值域高斯核g,若p点在场景物体边缘附近,g的权值正好反映了场景物体边缘的信息,其再与空域高斯核f的权值进行点乘,这样既能保持边缘又能平滑边缘两侧的部分。
所谓联合双边滤波器,是将双边滤波器的值域高斯核g应用于另一幅具有细节信息的图像上。
本实例使用快速联合双边滤波器对光照分量的粗估计值进行细化,其实现过程如下:
4.1)将亮通道图像I(x,y)和光照分量的粗估计值I′(x,y)作为快速联合双边滤波器的输入图像,并对亮通道图像I(x,y)的空间分辨率进行α倍的降采样,对亮通道图像I(x,y)的幅度分辨率进行β倍的降采样,得到网格化的三维空间(xd,yd,Id),其中xd为降采样后的空间横坐标,yd为降采样后的空间纵坐标,Id为降采样后的灰度值,α=16,β=10;
4.2)利用网格化的三维空间构造灰度值三维数组:Idata(xd,yd,Id)和权值三维数组:Iw(xd,yd,Id);
4.3)遍历亮通道图像I(x,y)的每个像素,将光照分量粗估计值I′(x,y)中与亮通道图像I(x,y)中坐标相同像素点的灰度值累加至灰度值三维数组Idata(xd,yd,Id),并对权值三维数组Iw(xd,yd,Id)累加1;
4.4)分别对累加后的灰度值三维数组Idata(xd,yd,Id)和累加后的权值三维数组Iw(xd,yd,Id)进行三维高斯滤波,得到灰度值滤波结果和权值滤波结果,即灰度值滤波结果为Idata′(xd,yd,Id),权值滤波结果为Iw′(xd,yd,Id);再用灰度值滤波结果Idata′(xd,yd,Id)点除权值滤波结果Iw′(xd,yd,Id),得到灰度值归一化结果IG(xd,yd,Id);
4.5)对灰度值归一化结果IG(xd,yd,Id)进行三线性插值运算,得到光照分量L(x,y)。
通过快速联合双边滤波器细化后得到的光照分量L(x,y)如附图5(c)所示,从图5(c)中可以明显看到,光照分量变化平缓且保持了场景物体边缘处的光照突变信息。
步骤五,将光照分量代入光照-反射成像模型求解反射分量,获得增强的图像。
5.1)将光照分量L(x,y)代入光照-反射成像模型,求解输入彩色图像P(x,y)在RGB颜色空间中RGB各颜色通道的反射分量Rc(x,y),并将其截断在区间[0,1]:
其中,c∈{R,G,B};Pc(x,y)为输入图像P(x,y)中坐标为(x,y)的像素的RGB任一颜色通道的灰度值;为了避免光照分量L(x,y)灰度值过小造成的计算误差,本发明在试验后选取0.1作为光照分量的下限值;
5.2)将RGB三个颜色通道的反射分量Rc(x,y)中每个像素的值乘以255,取整并截断至区间[0,255],得到的彩色图像就是最终增强的结果。
本发明的效果可通过以下仿真实验进一步说明:
本发明的实验条件为:Intel(R)Core(TM)i5 CPU6503.20GHz,2.99GB内存。
实验一:
1a)分别通过本发明和现有的多尺度Retinex方法对图3进行增强处理并对比,两种方法的增强结果如图4,其中,图4(a)通过多尺度Retinex方法对图3增强后的结果,图4(b)是通过本发明方法对图3增强后的结果。
从图4(a)和图4(b)可以看出,多尺度Retinex方法处理得到的增强结果的颜色失真严重,且由于该方法使用了普通的高斯滤波器,导致场景中松树的边缘处“光晕伪影”明显;而本发明方法的增强结果在恢复了场景的颜色和细节的同时,消除了物体边缘处的“光晕伪影”。
1b)对两种方法求得的光照分量进行对比,结果如图5,其中,图5(a)是图3的亮通道图像,图5(b)是对图5(a)进行灰度闭运算的结果图像,图5(c)是结合图5(a),通过快速联合双边滤波器对图5(b)进行细化处理后得到的光照分量,图5(d)是多尺度Retinex方法处理得到的光照分量;
从图5(c)和图5(d)可以看出,多尺度Retinex方法处理得到的光照分量较模糊,虽然其具有光照平滑的特点,但是丢失了光照在场景物体边缘处的突变细节;而本发明方法求得的光照分量在保证大部分区域平滑的同时,也保持了场景物体边缘的光照突变细节。
1c)对多尺度Retinex方法在空域和频域下的处理时间和本发明方法对图6(a)、图7(a)、图8(a)的处理时间进行比较,结果如表1所示。
表1 空域、频域多尺度Retinex方法与本发明方法处理时间对比
从表1可知,本发明方法的处理速度比多尺度Retinex方法显著提高。
实验二:
2a)分别用本发明和现有的带颜色恢复的多尺度Retinex方法对三幅不同图像进行增强处理并对比,结果如图6、图7和图8,其中:
图6是用现有的带颜色恢复的多尺度Retinex方法和本发明方法对‘tower’图像增强后的结果对比图,其中:
图6(a)是‘tower’图像,
图6(b)是用带颜色恢复的多尺度Retinex方法对图6(a)增强后的结果图像,图6(c)是用本发明方法对图6(a)增强后的结果图像,
图6(d)是用带颜色恢复的多尺度Retinex方法对图6(a)增强后结果的局部细节图像,
图6(e)是用本发明方法对图6(a)增强后结果的局部细节图像。
图7是用现有的带颜色恢复的多尺度Retinex方法对‘shoe’图像增强后的结果对比图,其中:
图7(a)是‘shoe’图像,
图7(b)是用带颜色恢复的多尺度Retinex方法对图7(a)增强后的结果图像,
图7(c)是用本发明方法对图7(a)增强后的结果图像,
图7(d)是用带颜色恢复的多尺度Retinex方法对图7(a)增强后结果的局部细节图像,
图7(e)是用本发明方法对图7(a)增强后结果的局部细节图像。
图8是用现有的带颜色恢复的多尺度Retinex方法对‘girl’图像增强后的结果对比图,其中:
图8(a)是‘girl’图像,
图8(b)是用带颜色恢复的多尺度Retinex方法对图8(a)增强后的结果图像,
图8(c)是用本发明方法对图8(a)增强后的结果图像,
图8(d)是用带颜色恢复的多尺度Retinex方法对图8(a)增强后结果的局部细节图像,
图8(e)是用本发明方法对图8(a)增强后结果的局部细节图像。
从图6(b)和6(c)可以直观看出,本发明方法相较带颜色恢复的多尺度Retinex方法更好地再现了场景色彩,尤其是蓝天更清澈干净;
从图6(d)和6(e)所示的结果局部细节可以看出,由于带颜色恢复的多尺度Retinex方法采用的高斯滤波按照像素位置关系来赋予高斯核不同权值,无法保留场景物体边缘处的光照突变,所以造成了场景物体边缘处光照分量估计的失真,在白塔边缘处“光晕伪影”明显;而快速联合双边滤波器能根据滤波模板内像素的灰度差值来调整滤波权值,因此本发明的增强结果消除了“光晕伪影”。
从图7(b)和7(c)可以看出,本发明方法的增强结果比带颜色恢复的多尺度Retinex方法的增强结果整体颜色更自然鲜艳;
从图7(d)和7(e)可以看出,对比两个方法结果中鞋底白边的细节,带颜色恢复的多尺度Retinex方法的结果中只保留了小部分鞋边的泥土,鞋的白边增强过度,颜色过于饱和;而本发明方法很好地恢复了原图中鞋的白边的细节。
从图8(b)和8(c)可以看出,两种方法都恢复出原图中光照较暗的车窗中的内容,但是与带颜色恢复的多尺度Retinex方法的增强结果相比,本发明方法再现的颜色更加生动,细节视见度更高;
从图8(d)和图8(e)给出的局部细节可以看出,本发明方法增强结果的车窗玻璃中的景物比带颜色恢复的多尺度Retinex方法的增强结果更清晰。
2b)将带颜色恢复的多尺度Retinex方法和本发明方法对图6(a)、图7(a)、图8(a)的增强结果的标准差和信息熵进行比较,结果如表2所示,表2中:
标准差用来衡量图像的对比度,
信息熵反映了图像中包含信息量的大小。
表2 本发明与现有方法处理结果的标准差和信息熵对比
从表2可以看出:
本发明方法增强结果的标准差接近于带颜色恢复的多尺度Retinex方法,这说明,本发明方法增强结果在图像对比度方面与带颜色恢复的多尺度Retinex方法相近;
本发明方法增强结果的信息熵普遍高于带颜色恢复的多尺度Retinex方法,表明本发明方法增强结果比带颜色恢复的多尺度Retinex方法的信息量大,对场景细节的增强效果更好。
Claims (5)
1.一种基于亮通道滤波的彩色图像增强方法,包括如下步骤:
(1)通过数字成像设备,获得单幅彩色数字图像P(x,y);
(2)将获取的彩色数字图像转换到红绿蓝RGB颜色空间,并求取每个像素点在该颜色空间下的RGB分量最大值,获得亮通道图像I(x,y),并将亮通道图像作为光照分量的初步估计值,其中(x,y)是图像中任一像素的坐标;
(3)对亮通道图像I(x,y)进行灰度闭运算,得到光照分量的粗估计值I′(x,y);
(4)结合亮通道图像I(x,y),通过快速联合双边滤波器对光照分量的粗估计值I′(x,y)进行细化处理,得到光照分量L(x,y);
(5)将光照分量L(x,y)代入光照-反射成像模型,求解输入彩色图像P(x,y)在RGB颜色空间中RGB各通道的反射分量Rc(x,y),将反射分量Rc(x,y)灰度值扩展至区间[0,255],得到的彩色图像即为最终的增强结果,其中c∈{R,G,B}。
2.根据权利要求1所述的基于亮通道滤波的彩色图像增强方法,其特征在于:所述的亮通道图像I(x,y),其表示公式如下:
I(x,y)=max{Pc(x,y)}
其中,Pc(x,y)为输入图像P(x,y)中坐标为(x,y)的像素的RGB任一颜色通道灰度值。
3.根据权利要求1所述的基于亮通道滤波的彩色图像增强方法,其特征在于:步骤(3)所述的对亮通道图像I(x,y)进行灰度闭运算,得到光照分量的粗估计值I′(x,y),按如下步骤进行:
3a)对亮通道图像I(x,y)进行灰度膨胀运算,即选取碟形结构元素,使该结构元素中心在亮通道图像I(x,y)图像内能逐点滑动,再用亮通道图像I(x,y)中与结构元素重合像素中的最大灰度值替代亮通道图像I(x,y)中与结构元素中心重合的像素灰度值,得到亮通道图像I(x,y)灰度膨胀后的结果It(x,y);
3b)对灰度膨胀后的结果It(x,y)进行灰度腐蚀运算,即选取蝶形结构元素,使该结构元素中心在灰度膨胀后的结果It(x,y)图像内逐点滑动,再用灰度膨胀后的结果It(x,y)中与结构元素重合像素中的最小灰度值替代It(x,y)中与结构元素中心重合的像素灰度值,得到光照分量的粗估计值I′(x,y)。
4.根据权利要求1所述的基于亮通道滤波的彩色图像增强方法,其特征在于:所述步骤(4)中结合亮通道I(x,y),通过快速联合双边滤波器对光照分量的粗估计值I′(x,y)进行细化处理,得到光照分量L(x,y),按如下步骤进行:
4a)将亮通道图像I(x,y)和光照分量的粗估计值I′(x,y)作为快速联合双边滤波器的输入图像,并对亮通道图像I(x,y)的空间分辨率进行α倍的降采样,对亮通道图像I(x,y)的幅度分辨率进行β倍的降采样,得到网格化的三维空间(xd,yd,Id),其中xd为降采样后的空间横坐标,yd为降采样后的空间纵坐标,Id为降采样后的灰度值,α=16,β=10;
4b)利用网格化的三维空间构造灰度值三维数组:Idata(xd,yd,Id)和权值三维数组:Iw(xd,yd,Id);
4c)遍历亮通道图像I(x,y)的每个像素,将光照分量粗估计值I′(x,y)中与亮通道图像I(x,y)中坐标相同像素点的灰度值累加至灰度值三维数组Idata(xd,yd,Id),并对权值三维数组Iw(xd,yd,Id)累加1;
4d)分别对累加后的灰度值三维数组Idata(xd,yd,Id)和累加后的权值三维数组Iw(xd,yd,Id)进行三维高斯滤波,得到灰度值滤波结果为Idata′(xd,yd,Id),和权值滤波结果为Iw′(xd,yd,Id),再用灰度值滤波结果Idata′(xd,yd,Id)点除权值滤波结果Iw′(xd,yd,Id),得到灰度值归一化结果IG(xd,yd,Id);
4e)对灰度值归一化结果IG(xd,yd,Id)进行三线性插值运算,得到光照分量L(x,y)。
5.根据权利要求1所述的基于亮通道滤波的彩色图像增强方法,其特征在于:将光照分量L(x,y)代入光照-反射成像模型,求解输入彩色图像P(x,y)在RGB颜色空间中RGB各通道的反射分量Rc(x,y),将反射分量Rc(x,y)灰度值扩展至区间[0,255],得到的彩色图像即为最终的增强结果,按如下步骤进行:
5a)将光照分量L(x,y)代入光照-反射成像模型,求解输入彩色图像P(x,y)在RGB颜色空间中RGB各颜色通道的反射分量Rc(x,y),并将其截断在区间[0,1],用以下公式表示:
其中,c∈{R,G,B};Pc(x,y)为输入图像P(x,y)中坐标为(x,y)的像素的RGB任一颜色通道的灰度值;为了避免光照分量L(x,y)灰度值过小造成的计算误差,本发明在试验后选取0.1作为光照分量的下限值;
5b)将RGB三个颜色通道的反射分量Rc(x,y)中每个像素的值乘以255,取整并截断至区间[0,255],得到的彩色图像就是最终增强的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310477467.0A CN103578084B (zh) | 2013-12-09 | 2013-12-09 | 基于亮通道滤波的彩色图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310477467.0A CN103578084B (zh) | 2013-12-09 | 2013-12-09 | 基于亮通道滤波的彩色图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103578084A true CN103578084A (zh) | 2014-02-12 |
CN103578084B CN103578084B (zh) | 2017-04-19 |
Family
ID=50049810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310477467.0A Active CN103578084B (zh) | 2013-12-09 | 2013-12-09 | 基于亮通道滤波的彩色图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103578084B (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903229A (zh) * | 2014-03-13 | 2014-07-02 | 中安消技术有限公司 | 一种夜晚图像增强方法和装置 |
CN104123553A (zh) * | 2014-06-16 | 2014-10-29 | 孙晓航 | 一种基于级联形态学变换的车牌定位方法及系统 |
CN104809700A (zh) * | 2015-04-16 | 2015-07-29 | 北京工业大学 | 一种基于亮通道的低照度视频实时增强方法 |
CN105303515A (zh) * | 2015-09-22 | 2016-02-03 | 中国科学院上海技术物理研究所 | 一种针对密闭实验箱中特殊光照条件下的色偏校正方法 |
CN105913385A (zh) * | 2016-03-31 | 2016-08-31 | 宇龙计算机通信科技(深圳)有限公司 | 雾霾图像的清晰化方法、系统和图像处理装置 |
CN106210446A (zh) * | 2016-07-18 | 2016-12-07 | 北京小米移动软件有限公司 | 饱和度增强方法及装置 |
CN106558031A (zh) * | 2016-12-02 | 2017-04-05 | 北京理工大学 | 一种基于成像模型的彩色眼底图的图像增强方法 |
CN104063848B (zh) * | 2014-06-19 | 2017-09-19 | 中安消技术有限公司 | 一种低照度图像增强方法和装置 |
CN107561375A (zh) * | 2017-08-15 | 2018-01-09 | 南方电网科学研究院有限责任公司 | 一种液体介质空间电荷分布的计算方法和装置 |
CN108596843A (zh) * | 2018-04-10 | 2018-09-28 | 山东大学 | 一种基于亮通道的水下图像色彩恢复算法 |
CN109118458A (zh) * | 2018-11-06 | 2019-01-01 | 哈尔滨工程大学 | 一种低照度彩色图像增强方法 |
CN109726686A (zh) * | 2018-12-29 | 2019-05-07 | 西安天和防务技术股份有限公司 | 场景识别方法、装置、计算机设备和存储介质 |
CN109859144A (zh) * | 2019-02-22 | 2019-06-07 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110197471A (zh) * | 2019-03-01 | 2019-09-03 | 合肥工业大学 | 一种图像对比度增强方法 |
CN110298796A (zh) * | 2019-05-22 | 2019-10-01 | 中山大学 | 基于改进Retinex与对数图像处理的低照度图像增强方法 |
CN110992287A (zh) * | 2019-12-03 | 2020-04-10 | 中国电子科技集团公司信息科学研究院 | 一种非均匀光照视频的清晰化方法 |
CN111275983A (zh) * | 2020-02-14 | 2020-06-12 | 北京百度网讯科技有限公司 | 车辆追踪方法、装置、电子设备和计算机可读存储介质 |
CN111311514A (zh) * | 2020-02-11 | 2020-06-19 | 上海成运医疗器械股份有限公司 | 用于医用内窥镜的图像处理方法及图像处理装置 |
CN111369383A (zh) * | 2020-03-03 | 2020-07-03 | 春光线缆有限公司 | 一种用于电线电缆生产的智能集成管理系统 |
CN111701118A (zh) * | 2020-06-24 | 2020-09-25 | 郭中华 | 一种玻尿酸注射用血管显影装置 |
CN113132704A (zh) * | 2020-01-15 | 2021-07-16 | 华为技术有限公司 | 一种图像处理的方法、装置、终端以及存储介质 |
CN113191961A (zh) * | 2021-03-19 | 2021-07-30 | 聚融医疗科技(杭州)有限公司 | 一种基于双边滤波和特征识别的超声去噪方法及系统 |
CN113256522A (zh) * | 2021-05-21 | 2021-08-13 | 上海国茂数字技术有限公司 | 低照度图像增强的方法、装置及可读存储介质 |
CN113362244A (zh) * | 2021-06-03 | 2021-09-07 | 淄博职业学院 | 基于优先级和数据使用计划的图像处理方法 |
CN113706393A (zh) * | 2020-05-20 | 2021-11-26 | 武汉Tcl集团工业研究院有限公司 | 视频增强方法、装置、设备及存储介质 |
CN113947535A (zh) * | 2020-07-17 | 2022-01-18 | 四川大学 | 一种基于光照分量优化的低照度图像增强方法 |
CN114418890A (zh) * | 2022-01-20 | 2022-04-29 | 中国人民解放军国防科技大学 | 光照不均文本图像处理方法 |
CN114565563A (zh) * | 2022-01-31 | 2022-05-31 | 扬州江净空调制造有限公司 | 基于人工智能的彩钢板表面异常检测方法 |
CN114723638A (zh) * | 2022-04-29 | 2022-07-08 | 西安理工大学 | 基于Retinex模型的极低照度图像增强方法 |
CN117368122A (zh) * | 2023-12-07 | 2024-01-09 | 津泰(天津)医疗器械有限公司 | 一种基于比色卡的frd宫颈染色实时比对方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930514A (zh) * | 2012-09-27 | 2013-02-13 | 西安电子科技大学 | 基于大气物理散射模型的快速图像去雾方法 |
CN103020920A (zh) * | 2013-01-10 | 2013-04-03 | 厦门大学 | 一种低照度图像增强方法 |
CN103345733A (zh) * | 2013-07-31 | 2013-10-09 | 哈尔滨工业大学 | 基于改进暗通道先验的快速低照度图像增强方法 |
-
2013
- 2013-12-09 CN CN201310477467.0A patent/CN103578084B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930514A (zh) * | 2012-09-27 | 2013-02-13 | 西安电子科技大学 | 基于大气物理散射模型的快速图像去雾方法 |
CN103020920A (zh) * | 2013-01-10 | 2013-04-03 | 厦门大学 | 一种低照度图像增强方法 |
CN103345733A (zh) * | 2013-07-31 | 2013-10-09 | 哈尔滨工业大学 | 基于改进暗通道先验的快速低照度图像增强方法 |
Non-Patent Citations (2)
Title |
---|
孙伟 等: "基于大气散射模型的单幅图像快速去雾", 《光学 精密工程》 * |
陈龙 等: "基于联合双边滤波的单幅图像去雾算法", 《北京邮电大学学报》 * |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903229A (zh) * | 2014-03-13 | 2014-07-02 | 中安消技术有限公司 | 一种夜晚图像增强方法和装置 |
CN104123553A (zh) * | 2014-06-16 | 2014-10-29 | 孙晓航 | 一种基于级联形态学变换的车牌定位方法及系统 |
CN104123553B (zh) * | 2014-06-16 | 2017-10-20 | 孙晓航 | 一种基于级联形态学变换的车牌定位方法及系统 |
CN104063848B (zh) * | 2014-06-19 | 2017-09-19 | 中安消技术有限公司 | 一种低照度图像增强方法和装置 |
CN104809700A (zh) * | 2015-04-16 | 2015-07-29 | 北京工业大学 | 一种基于亮通道的低照度视频实时增强方法 |
CN104809700B (zh) * | 2015-04-16 | 2017-08-25 | 北京工业大学 | 一种基于亮通道的低照度视频实时增强方法 |
CN105303515A (zh) * | 2015-09-22 | 2016-02-03 | 中国科学院上海技术物理研究所 | 一种针对密闭实验箱中特殊光照条件下的色偏校正方法 |
CN105303515B (zh) * | 2015-09-22 | 2018-06-26 | 中国科学院上海技术物理研究所 | 一种针对密闭实验箱中特殊光照条件下的色偏校正方法 |
CN105913385B (zh) * | 2016-03-31 | 2018-12-25 | 宇龙计算机通信科技(深圳)有限公司 | 雾霾图像的清晰化方法、系统和图像处理装置 |
CN105913385A (zh) * | 2016-03-31 | 2016-08-31 | 宇龙计算机通信科技(深圳)有限公司 | 雾霾图像的清晰化方法、系统和图像处理装置 |
CN106210446A (zh) * | 2016-07-18 | 2016-12-07 | 北京小米移动软件有限公司 | 饱和度增强方法及装置 |
CN106210446B (zh) * | 2016-07-18 | 2019-08-30 | 北京小米移动软件有限公司 | 饱和度增强方法及装置 |
CN106558031B (zh) * | 2016-12-02 | 2018-12-28 | 北京理工大学 | 一种基于成像模型的彩色眼底图的图像增强方法 |
CN106558031A (zh) * | 2016-12-02 | 2017-04-05 | 北京理工大学 | 一种基于成像模型的彩色眼底图的图像增强方法 |
CN107561375A (zh) * | 2017-08-15 | 2018-01-09 | 南方电网科学研究院有限责任公司 | 一种液体介质空间电荷分布的计算方法和装置 |
CN108596843B (zh) * | 2018-04-10 | 2020-07-07 | 山东大学 | 一种基于亮通道的水下图像色彩恢复算法 |
CN108596843A (zh) * | 2018-04-10 | 2018-09-28 | 山东大学 | 一种基于亮通道的水下图像色彩恢复算法 |
CN109118458A (zh) * | 2018-11-06 | 2019-01-01 | 哈尔滨工程大学 | 一种低照度彩色图像增强方法 |
CN109726686A (zh) * | 2018-12-29 | 2019-05-07 | 西安天和防务技术股份有限公司 | 场景识别方法、装置、计算机设备和存储介质 |
CN109859144A (zh) * | 2019-02-22 | 2019-06-07 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
WO2020168706A1 (zh) * | 2019-02-22 | 2020-08-27 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
TWI777112B (zh) * | 2019-02-22 | 2022-09-11 | 大陸商上海商湯智能科技有限公司 | 圖像處理方法、電子設備和儲存介質 |
CN110197471B (zh) * | 2019-03-01 | 2023-03-14 | 合肥工业大学 | 一种图像对比度增强方法 |
CN110197471A (zh) * | 2019-03-01 | 2019-09-03 | 合肥工业大学 | 一种图像对比度增强方法 |
CN110298796A (zh) * | 2019-05-22 | 2019-10-01 | 中山大学 | 基于改进Retinex与对数图像处理的低照度图像增强方法 |
CN110992287A (zh) * | 2019-12-03 | 2020-04-10 | 中国电子科技集团公司信息科学研究院 | 一种非均匀光照视频的清晰化方法 |
CN110992287B (zh) * | 2019-12-03 | 2023-02-24 | 中国电子科技集团公司信息科学研究院 | 一种非均匀光照视频的清晰化方法 |
CN113132704B (zh) * | 2020-01-15 | 2022-08-19 | 华为技术有限公司 | 一种图像处理的方法、装置、终端以及存储介质 |
CN113132704A (zh) * | 2020-01-15 | 2021-07-16 | 华为技术有限公司 | 一种图像处理的方法、装置、终端以及存储介质 |
WO2021143284A1 (zh) * | 2020-01-15 | 2021-07-22 | 华为技术有限公司 | 一种图像处理的方法、装置、终端以及存储介质 |
CN111311514A (zh) * | 2020-02-11 | 2020-06-19 | 上海成运医疗器械股份有限公司 | 用于医用内窥镜的图像处理方法及图像处理装置 |
CN111311514B (zh) * | 2020-02-11 | 2023-04-18 | 上海成运医疗器械股份有限公司 | 用于医用内窥镜的图像处理方法及图像处理装置 |
CN111275983A (zh) * | 2020-02-14 | 2020-06-12 | 北京百度网讯科技有限公司 | 车辆追踪方法、装置、电子设备和计算机可读存储介质 |
CN111369383A (zh) * | 2020-03-03 | 2020-07-03 | 春光线缆有限公司 | 一种用于电线电缆生产的智能集成管理系统 |
CN113706393A (zh) * | 2020-05-20 | 2021-11-26 | 武汉Tcl集团工业研究院有限公司 | 视频增强方法、装置、设备及存储介质 |
CN111701118A (zh) * | 2020-06-24 | 2020-09-25 | 郭中华 | 一种玻尿酸注射用血管显影装置 |
CN113947535A (zh) * | 2020-07-17 | 2022-01-18 | 四川大学 | 一种基于光照分量优化的低照度图像增强方法 |
CN113947535B (zh) * | 2020-07-17 | 2023-10-13 | 四川大学 | 一种基于光照分量优化的低照度图像增强方法 |
CN113191961B (zh) * | 2021-03-19 | 2022-10-25 | 聚融医疗科技(杭州)有限公司 | 一种基于双边滤波和特征识别的超声去噪方法及系统 |
CN113191961A (zh) * | 2021-03-19 | 2021-07-30 | 聚融医疗科技(杭州)有限公司 | 一种基于双边滤波和特征识别的超声去噪方法及系统 |
CN113256522A (zh) * | 2021-05-21 | 2021-08-13 | 上海国茂数字技术有限公司 | 低照度图像增强的方法、装置及可读存储介质 |
CN113362244B (zh) * | 2021-06-03 | 2023-02-24 | 淄博职业学院 | 基于优先级和数据使用计划的图像处理方法 |
CN113362244A (zh) * | 2021-06-03 | 2021-09-07 | 淄博职业学院 | 基于优先级和数据使用计划的图像处理方法 |
CN114418890B (zh) * | 2022-01-20 | 2024-01-23 | 中国人民解放军国防科技大学 | 光照不均文本图像处理方法 |
CN114418890A (zh) * | 2022-01-20 | 2022-04-29 | 中国人民解放军国防科技大学 | 光照不均文本图像处理方法 |
CN114565563A (zh) * | 2022-01-31 | 2022-05-31 | 扬州江净空调制造有限公司 | 基于人工智能的彩钢板表面异常检测方法 |
CN114565563B (zh) * | 2022-01-31 | 2022-12-02 | 扬州江净空调制造有限公司 | 基于人工智能的彩钢板表面异常检测方法 |
CN114723638B (zh) * | 2022-04-29 | 2023-03-10 | 西安理工大学 | 基于Retinex模型的极低照度图像增强方法 |
CN114723638A (zh) * | 2022-04-29 | 2022-07-08 | 西安理工大学 | 基于Retinex模型的极低照度图像增强方法 |
CN117368122A (zh) * | 2023-12-07 | 2024-01-09 | 津泰(天津)医疗器械有限公司 | 一种基于比色卡的frd宫颈染色实时比对方法 |
CN117368122B (zh) * | 2023-12-07 | 2024-02-13 | 津泰(天津)医疗器械有限公司 | 一种基于比色卡的frd宫颈染色实时比对方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103578084B (zh) | 2017-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103578084B (zh) | 基于亮通道滤波的彩色图像增强方法 | |
Zhang et al. | Fast haze removal for nighttime image using maximum reflectance prior | |
Tao et al. | Low-light image enhancement using CNN and bright channel prior | |
Hu et al. | Single image defogging based on illumination decomposition for visual maritime surveillance | |
Jiang et al. | Image dehazing using adaptive bi-channel priors on superpixels | |
CN103914813B (zh) | 彩色雾霾图像去雾与光照补偿的复原方法 | |
CN107527332A (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
Khan et al. | Localization of radiance transformation for image dehazing in wavelet domain | |
Sun | A new single-image fog removal algorithm based on physical model | |
Riaz et al. | Single image dehazing via reliability guided fusion | |
Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
Fang et al. | Single image dehazing and denoising with variational method | |
Xu et al. | Colour image enhancement by virtual histogram approach | |
Gao et al. | Single image dehazing via a dual-fusion method | |
Alenezi | Image Dehazing Based on Pixel Guided CNN with PAM via Graph Cut. | |
Parihar et al. | A comprehensive analysis of fusion-based image enhancement techniques | |
Li et al. | Global and adaptive contrast enhancement for low illumination gray images | |
Zhu et al. | Fast single image dehazing through edge-guided interpolated filter | |
Wei et al. | An image fusion dehazing algorithm based on dark channel prior and retinex | |
Othman et al. | Enhanced single image dehazing technique based on HSV color space | |
CN111311503A (zh) | 一种夜晚低亮度图像增强系统 | |
Han et al. | Automatic illumination and color compensation using mean shift and sigma filter | |
Wang et al. | Retinex algorithm on changing scales for haze removal with depth map | |
Gao et al. | Single image haze removal algorithm using pixel-based airlight constraints | |
CN114429426B (zh) | 一种基于Retinex模型的低照度图像质量改善方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |