CN103679657A - 一种图像对比度增强的方法和装置 - Google Patents
一种图像对比度增强的方法和装置 Download PDFInfo
- Publication number
- CN103679657A CN103679657A CN201310669478.9A CN201310669478A CN103679657A CN 103679657 A CN103679657 A CN 103679657A CN 201310669478 A CN201310669478 A CN 201310669478A CN 103679657 A CN103679657 A CN 103679657A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- pending image
- igniting
- threshold value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000002708 enhancing effect Effects 0.000 title abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 abstract description 4
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000012804 iterative process Methods 0.000 description 4
- 238000005728 strengthening Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012938 design process Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像对比度增强的方法和装置,属于数字图像处理领域。所述方法包括:利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,获取分解图像,所述分解图像是指包含所述待处理图像中亮度信息的图像;将所述待处理图像和所述分解图像相除,得到对比度增强图像。本发明通过利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,使用得到的分解图像进行对比度增强,使得增强后的图像具有丰富清晰的细节纹理信息,避免了过增强现象的发生。
Description
技术领域
本发明涉及数字图像处理领域,特别涉及一种图像对比度增强的方法和装置。
背景技术
数字图像处理(Digital Image Processing,DIP)又称为计算机图像处理,它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。通过数字图像处理技术对图像进行处理,可以最大限度地获取有用信息。在图像采集的过程中,由于光照、采集设备、环境等因素的影响,获取的图像容易出现对比度低的现象,不利于人眼的观察和分析,因此,针对对比度低的图像进行图像增强尤为重要。
在现有技术中,常采用直方图均衡化对图像进行对比度增强,该方法通过对图像亮度的概率分布进行调整,使图像的亮度概率尽量实现均匀分布,拉开亮度的层次,从而增强图像的对比度。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
现有技术中,直方图均衡化虽然可以增强图像的对比度,但是,该方法缺乏对于图像的细节边缘信息的考虑,增强后的图像细节信息模糊,而且通过该方法获取的图像容易出现过增强现象。
发明内容
为了解决图像增强中的细节信息模糊和过增强等问题,本发明实施例提供了一种图像对比度增强的方法和装置。所述技术方案如下:
一方面,提供了一种图像对比度增强的方法,所述方法包括:
利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,获取分解图像,所述分解图像是指包含所述待处理图像中亮度信息的图像;
将所述待处理图像和所述分解图像相除,得到对比度增强图像。
优选地,利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,获取分解图像,包括:
利用脉冲耦合神经网络模型中的反曲连接模型对待处理图像进行点火,获取所述待处理图像中的点火像素点,所述点火像素点是指所述待处理图像中的像素点的内部状态值大于当前阈值的像素点;
根据所述点火像素点的亮度值、当前阈值和归一化方法,对所述点火像素点信息进行分解,获取所述点火像素点的亮度信息;
根据所述待处理图像的点火像素点的亮度信息,获取分解图像。
优选地,根据所述点火像素点的亮度值、当前阈值和归一化方法,对所述点火像素点信息进行分解,获取所述点火像素点的亮度信息之后,包括:
对所述当前阈值进行线性衰减处理,并且所述点火像素点对应的当前阈值叠加一个常量,获取处理后的各个像素点的阈值;
判断所述待处理图像的像素点是否全部点火;
如果所述待处理图像的像素点未全部点火,将所述处理后的各个像素点的阈值作为所述待处理图像中的像素点的当前阈值。
优选地,将所述待处理图像和所述分解图像相除,得到对比度增强图像,包括:
将所述待处理图像的像素点的亮度值和对应的所述分解图像的像素点的亮度值相除,得到各个像素点的比值,将所述各个像素点的比值作为对比度增强图像的各个像素点的亮度值,得到对比度增强图像。
另一方面,提供了一种图像对比度增强的装置,所述装置包括:
分解模块,用于利用脉冲耦合神经网络模型中的反曲连接模型和归一化装置对待处理图像进行分解,获取分解图像,所述分解图像是指包含所述待处理图像中亮度信息的图像;
图像对比度增强模块,用于将所述待处理图像和所述分解图像相除,得到对比度增强图像。
优选地,所述分解模块,包括:
点火单元,用于利用脉冲耦合神经网络模型中的反曲连接模型对待处理图像进行点火,获取所述待处理图像中的点火像素点,所述点火像素点是指所述待处理图像中的像素点的内部状态值大于当前阈值的像素点;
信息分解单元,用于根据所述点火像素点的亮度值、当前阈值和归一化装置,对所述点火像素点信息进行分解,获取所述点火像素点的亮度信息;
分解图像获取单元,用于根据所述待处理图像的点火像素点的亮度信息,获取分解图像。
优选地,所述装置还包括:
阈值模块,用于对所述当前阈值进行线性衰减处理,并且所述点火像素点对应的当前阈值叠加一个常量,获取处理后的各个像素点的阈值;
判断模块,用于判断所述待处理图像的像素点是否全部点火;
阈值更新模块,用于如果所述待处理图像的像素点未全部点火,将所述处理后的各个像素点的阈值作为所述待处理图像中的像素点的当前阈值。
优选地,所述图像对比度增强模块用于将所述待处理图像的像素点的亮度值和对应的所述分解图像的像素点的亮度值相除,得到各个像素点的比值,将所述各个像素点的比值作为对比度增强图像的各个像素点的亮度值,得到对比度增强图像。
本发明实施例提供的技术方案带来的有益效果是:
本发明实施例提供的图像对比度增强的方法和装置,通过利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,获取分解图像,所述分解图像是指包含所述待处理图像中亮度信息的图像;将所述待处理图像和所述分解图像相除,得到对比度增强图像。采用本发明实施例中提供的技术方案,通过利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,使用得到的分解图像进行对比度增强,使得增强后的图像具有丰富清晰的细节纹理信息,避免了过增强现象的发生。
附图说明
图1是本发明实施例中提供的一种对比度增强的方法流程图;
图2a是本发明实施例中提供的一种对比度增强的方法流程图;
图2b是本发明实施例中提供的图像增强示意图;
图3是本发明实施例中提供的一种对比度增强的装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
图1是本发明实施例中提供的一种对比度增强的方法流程图,参见图1,该方法包括:
101:利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,获取分解图像,所述分解图像是指包含所述待处理图像中亮度信息的图像;
其中,待处理图像为具有低对比度的数字图像。本领域技术人员可以获知,数字图像的基本组成单位是像素(或像元,Pixel),在模拟图像数字化时对连续空间进行离散化采样得到。
数字图像包括多种表示模式,如单通道的亮度模式,多通道的CMY模式,YIQ模式和RGB模式等。在本发明实施例中,当待处理图像为单通道的亮度图像时,根据待处理图像的像素点的空间信息和亮度信息,对像素点信息进行分解。待处理图像的空间信息是指像素点的在图像中的相对位置坐标,对于二维图像,像素点的位置坐标需要两个方向向量表示,如x和y向量,对于三维图像,像素点的位置坐标则至少需要三个方向向量表示,如x、y和z向量。每个像素点的亮度信息由亮度值的大小来表示,通常亮度量化为256个亮度级,即亮度的范围为0-255,该0-255的变化表示了亮度的从深到浅,对应图像中的颜色为从黑到白。图像的亮度值还可以表示为0-1,0表示黑色,1表示白色,0-1之间的数值表示从深到浅的灰色。
其中,脉冲耦合神经网络模型是由Eckhorn等人根据猫的视皮层神经元脉冲同步振荡和神经元脉冲发放现象提出的。在图像处理中,神经元与像素点对应,神经元的输入也就与该像素点的灰度值对应,由于像素点是离散的,因此,该脉冲耦合神经网络模型的输入信号也是离散的。在迭代过程中,神经元将自身的亮度和周围神经元的亮度进行耦合,作为神经元的输入,使得部分神经元提前点火,产生相似神经元集群性点火,即脉冲同步发放现象。反曲连接模型是脉冲耦合神经网络的演化模型,保持了脉冲耦合神经网络模型的基本数学原理,加快了迭代速度和范围。
通过反曲连接模型对该待处理图像进行迭代,具有亮度相似性以及空间连续性的像素点产生相似性集群点火,通过相似性集群点火将图像分解为不同的点火区域,对于各个点火区域,采用归一化方法进行归一化处理,归一化后的取值范围为[0,1]。具体地,将每次迭代的点火像素点的灰度值和对应的当前阈值做比值处理,获取归一化后的点火像素点的亮度信息,将该亮度信息作为分解图像的亮度信息。
当待处理图像为除单通道以外的多通道图像时,可以对多通道图像的各个通道的像素点的亮度信息分别进行分解,也可以对多通道图像的某个通道图像的像素点的亮度信息分解,获取分解图像。优选地,为了保证在图像增强过程中保持图像的色彩不失真,将HIS模式以外的其他多通道模式转化成HIS模式,对HIS模式下的I通道图像进行分解,获取待处理图像的亮度信息图像。由于HIS模式将图像的色调、饱和度、亮度信息分开表示,在增强过程中,只对亮度信息进行处理,而不对色调和饱和度信息进行处理,就可以实现对图像亮度信息进行增强的同时,较好地保证图像的色彩信息不失真。
102:将所述待处理图像和所述分解图像相除,得到对比度增强图像。
该分解图像通过反曲连接模型和归一化方法获取,因而,该分解图像包含了待处理图像各个像素点的亮度信息,反映了待处理图像在迭代过程中产生的相似性集群中各个像素点间的亮度的强弱,对于各个相似性集群,亮度强的则不需要增强,而亮度弱的则需要增强。
将该待处理图像和该分解图像的各个像素点的亮度值相除,使得在迭代过程中产生的相似性集群的各个像素点得到不同程度的增强,亮度弱的增强程度高,而亮度强的则增强程度弱。通过对各个相似性集群进行增强,实现了待处理图像的全局和局部的增强,局部增强较好地保留了图像的细节信息,而全局增强避免了待处理图像过增强现象的发生。
本发明实施例提供的图像对比度增强的方法,通过利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,获取分解图像,所述分解图像是指包含所述待处理图像中亮度信息的图像;将所述待处理图像和所述分解图像相除,得到对比度增强图像。采用本发明实施例中提供的技术方案,通过利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,使用得到的分解图像进行对比度增强,使得增强后的图像具有丰富清晰的细节纹理信息,避免了过增强现象的发生。
图2a是本发明实施例中提供的一种对比度增强的方法流程图,该实施例的执行主体为具有图像处理能力的电子设备,如个人计算机、平板电脑、摄像设备或服务器等,参见图2a,该方法包括:
201:利用脉冲耦合神经网络模型中的反曲连接模型对待处理图像进行点火,获取所述待处理图像中的点火像素点,所述点火像素点是指所述待处理图像中的像素点的内部状态值大于当前阈值的像素点;
其中,反曲连接模型是脉冲耦合神经网络模型的演化模型中的一种,反曲连接模型的计算公式如(1-4)所示:
Fij[n]=Sij (1)
Lij[n]=step(work,B),work=conv(K,Y) (2)
Uij[n]=Fij[n]{1+βLij[n]} (3)
其中,公式(1)为馈入单元,Fij的输入值等于像素点ij的亮度值Sij。公式(2)为连接单元,Lij为阶跃函数,当work大于B时,Lij为1,否则,Lij为0;K为自定义的矩阵,K的大小和数值可由技术人员在设计过程中进行设置,也可由用户在使用过程中进行设置,对此,本发明实施例不作具体限定,优选地,K设置为大小为3*3,值为1的矩阵,B为与待处理图像大小相同的矩阵,值为1;Y为神经元迭代过程中上一次输出,初始化为0矩阵,work为矩阵K与Y的卷积结果。公式(3)为内部状态,Uij由Fij和Lij通过乘性耦合的方式得到,β为Fij和Lij的调制强度,β通常在0到1之间取值,β的大小决定了该像素点对周围像素点的信息耦合性的强弱,优选地,β取值为0.8。公式(4)为输出项,Yij为神经元输出,由内部状态Uij和阈值θij通过比较产生,当Uij大于θij时,像素点ij点火,Yij为1,反之,Yij为0,θij初始化为1。
通过反曲连接模型产生相似性集群点火,即具有相似灰度以及空间连续的像素点点火。反曲连接模型对待处理图像进行处理,内部状态值大于当前阈值的像素点点火,即输出为1,内部状态值小于等于当前阈值的像素点不点火,即输出为0,获取输出为1的像素点,即点火像素点。
需要说明的是,本发明实施例中的待处理图像在使用反曲连接模型处理之前,需要进行归一化处理,使得像素点的范围为(0,1],优选地,像素点的范围为[0.2,1]。
202:根据所述点火像素点的亮度值、当前阈值和归一化方法,对所述点火像素点信息进行分解,获取所述点火像素点的亮度信息;
其中,像素点信息通过包括纹理、亮度、边缘等信息。
通过归一化方法,即将点火像素点的亮度值和当前阈值进行比值运算,对点火像素点信息进行分解,获取点火像素点的亮度信息。该亮度信息反映了相似性集群内像素点的亮度的强弱。
203:对所述当前阈值进行线性衰减处理,并且所述点火像素点对应的当前阈值叠加一个常量,获取处理后的各个像素点的阈值;
对当前阈值进行线性衰减,以使未点火像素点可以点火,线性衰减公式如(5)所示:
θij[n]=θij[n]-dθ (5)
其中,θij为当前阈值,dθ为衰减因子,dθ的大小由技术人员在设计过程中进行设置,对此,本发明实施例不作具体限定。
在对当前阈值进行线性衰减后,点火像素点的当前阈值叠加一个常量的计算公式如(6)所示:
θij[n]=θij[n]+Vt*Y (6)
其中,θij为当前阈值,Vt为常量,Y为输出值,为了使点火像素点不重复进行点火,Vt的值通常选取较大,如100、200、300等,对此,本发明实施例不作具体限定。
通过使用公式(5)对当前阈值进行线性衰减,而公式(6)增大点火像素点的当前阈值,有利于加快未点火像素点点火以及抑制点火像素点的再次点火。
204:判断所述待处理图像的像素点是否全部点火,如果是,执行步骤206,如果否,执行步骤205;
通过判断该待处理图像的所有像素点的当前阈值是否全部大于1,进而获知该待处理图像的像素点是否全部点火。如果该待处理图像的所有像素点的当前阈值全部大于1,则该待处理图像的像素点全部点火;如果该待处理图像的所有像素点的当前阈值不全部大于1,则该待处理图像的像素点未全部点火。
205:如果所述待处理图像的像素点未全部点火,将所述处理后的各个像素点的阈值作为所述待处理图像中的像素点的当前阈值,执行步骤201;
如果该待处理图像的像素点未全部点火,需要进一步对未点火像素点进行点火,以获取未点火像素点的亮度信息。将该处理后的各个像素点的阈值作为该待处理图像的像素点的当前阈值,通过反曲连接模型对该待处理图像进行迭代处理,直到该待处理图像的所有像素点全部点火。
206:根据所述待处理图像的点火像素点的亮度信息,获取分解图像;
其中,该分解图像是指包含该待处理图像中亮度信息的图像。
将该待处理图像的点火像素点的亮度信息作为分解图像的像素点的亮度信息,获取分解图像。该分解图像用于对待处理图像进行对比度增强,由于该分解图像的像素点的亮度信息反映了该待处理图像中各个相似性集群的亮度强弱的信息,因此,利用该分解图像对该待处理图像进行增强具有较好的局部和全局优势。
步骤201-206是利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,获取分解图像的过程。
207:将所述待处理图像的像素点的亮度值和对应的所述分解图像的像素点的亮度值相除,得到各个像素点的比值,将所述各个像素点的比值作为对比度增强图像的各个像素点的亮度值,得到对比度增强图像。
将该待处理图像的像素点的亮度值和对应的该分解图像的像素点的亮度值相除,使得各个像素点的亮度得到了不同程度的提升。
对于该待处理图像中的亮度较低的像素点,对应的分解图像的像素点的亮度值较低,则该处理图像中亮度较低的像素点和对应的该分解图像的像素点相除,就可以得到一个较大的比值,将该比值作为对比度增强图像对应的像素点的亮度值,则该对比度增强图像的亮度值较该待处理图像中的对应的亮度较低的像素点的亮度有了较大的提升;而该待处理图像中的亮度较高的像素点,对应的分解图像的像素点的亮度值较高,则该处理图像中亮度较高的像素点和对应的该分解图像的像素点相除,就可以得到一个较小的比值,将该比值作为对比度增强图像对应的像素点的亮度值,则该对比度增强图像的亮度值较该待处理图像中的对应的亮度较低的像素点的亮度有了较小的提升。
通过对待处理图像中的不同像素点进行不同程度的对比度提升,提高了该待处理图像的对比度,使得对比度增强图像具有较多的细节信息。
该步骤207是将所述待处理图像和所述分解图像相除,得到对比度增强图像的过程。
图2b是本发明实施例中提供的图像增强示意图,图(a)为待处理图像,该待处理图像的对比度较低,不容易看到较暗区域的信息;图(b)为分解图像,该分解图像通过使用脉冲耦合神经网络模型中的反曲连接模型和归一化方法获取,该分解图像是待处理图像的亮度信息的体现,具有较少的边缘和纹理信息,有利于图像整体对比度的增强;图(c)为对比度增强图像,该对比度增强图像通过待处理图像和分解图像进行比值获取,具有丰富的细节纹理信息,较好地克服了过增强现象的发生。
本发明实施例提供的图像对比度增强的方法,通过利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,获取分解图像,所述分解图像是指包含所述待处理图像中亮度信息的图像;将所述待处理图像和所述分解图像相除,得到对比度增强图像。采用本发明实施例中提供的技术方案,通过利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,使用得到的分解图像进行对比度增强,使得增强后的图像具有丰富清晰的细节纹理信息,避免了过增强现象的发生。
图3是本发明实施例中提供的一种对比度增强的装置结构示意图,参见图3,该装置包括:
分解模块301,用于利用脉冲耦合神经网络模型中的反曲连接模型和归一化装置对待处理图像进行分解,获取分解图像,所述分解图像是指包含所述待处理图像中亮度信息的图像;
图像对比度增强模块302,用于将所述待处理图像和所述分解图像相除,得到对比度增强图像。
所述分解模块301,包括:
点火单元,用于利用脉冲耦合神经网络模型中的反曲连接模型对待处理图像进行点火,获取所述待处理图像中的点火像素点,所述点火像素点是指所述待处理图像中的像素点的内部状态值大于当前阈值的像素点;
信息分解单元,用于根据所述点火像素点的亮度值、当前阈值和归一化装置,对所述点火像素点信息进行分解,获取所述点火像素点的亮度信息;
分解图像获取单元,用于根据所述待处理图像的点火像素点的亮度信息,获取分解图像。
所述装置还包括:
阈值模块,用于对所述当前阈值进行线性衰减处理,并且所述点火像素点对应的当前阈值叠加一个常量,获取处理后的各个像素点的阈值;
判断模块,用于判断所述待处理图像的像素点是否全部点火;
阈值更新模块,用于如果所述待处理图像的像素点未全部点火,将所述处理后的各个像素点的阈值作为所述待处理图像中的像素点的当前阈值。
所述图像对比度增强模块302用于将所述待处理图像的像素点的亮度值和对应的所述分解图像的像素点的亮度值相除,得到各个像素点的比值,将所述各个像素点的比值作为对比度增强图像的各个像素点的亮度值,得到对比度增强图像。
本发明实施例提供的图像对比度增强的装置,通过利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,获取分解图像,所述分解图像是指包含所述待处理图像中亮度信息的图像;将所述待处理图像和所述分解图像相除,得到对比度增强图像。采用本发明实施例中提供的技术方案,通过利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,使用得到的分解图像进行对比度增强,使得增强后的图像具有丰富清晰的细节纹理信息,避免了过增强现象的发生。
需要说明的是:上述实施例提供的图像对比度增强的装置在图像对比度增强时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的图像对比度增强的装置与图像对比度增强的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
Claims (8)
1.一种图像对比度增强的方法,其特征在于,包括:
利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,获取分解图像,所述分解图像是指包含所述待处理图像中亮度信息的图像;
将所述待处理图像和所述分解图像相除,得到对比度增强图像。
2.根据权利要求1所述一种图像对比度增强的方法,其特征在于,利用脉冲耦合神经网络模型中的反曲连接模型和归一化方法对待处理图像进行分解,获取分解图像,
包括:利用脉冲耦合神经网络模型中的反曲连接模型对待处理图像进行点火,获取所述待处理图像中的点火像素点,所述点火像素点是指所述待处理图像中的像素点的内部状态值大于当前阈值的像素点;
根据所述点火像素点的亮度值、当前阈值和归一化方法,对所述点火像素点信息进行分解,获取所述点火像素点的亮度信息;
根据所述待处理图像的点火像素点的亮度信息,获取分解图像。
3.根据权利要求2所述一种图像对比度增强的方法,其特征在于,根据所述点火像素点的亮度值、当前阈值和归一化方法,对所述点火像素点信息进行分解,获取所述点火像素点的亮度信息之后,包括:
对所述当前阈值进行线性衰减处理,并且所述点火像素点对应的当前阈值叠加一个常量,获取处理后的各个像素点的阈值;
判断所述待处理图像的像素点是否全部点火;
如果所述待处理图像的像素点未全部点火,将所述处理后的各个像素点的阈值作为所述待处理图像中的像素点的当前阈值。
4.根据权利要求1所述一种图像对比度增强的方法,其特征在于,将所述待处理图像和所述分解图像相除,得到对比度增强图像,
包括:将所述待处理图像的像素点的亮度值和对应的所述分解图像的像素点的亮度值相除,得到各个像素点的比值,将所述各个像素点的比值作为对比度增强图像的各个像素点的亮度值,得到对比度增强图像。
5.一种图像对比度增强的装置,其特征在于,包括:
分解模块,用于利用脉冲耦合神经网络模型中的反曲连接模型和归一化装置对待处理图像进行分解,获取分解图像,所述分解图像是指包含所述待处理图像中亮度信息的图像;
图像对比度增强模块,用于将所述待处理图像和所述分解图像相除,得到对比度增强图像。
6.根据权利要求5所述一种图像对比度增强的装置,其特征在于,所述分解模块包括:
点火单元,用于利用脉冲耦合神经网络模型中的反曲连接模型对待处理图像进行点火,获取所述待处理图像中的点火像素点,所述点火像素点是指所述待处理图像中的像素点的内部状态值大于当前阈值的像素点;
信息分解单元,用于根据所述点火像素点的亮度值、当前阈值和归一化装置,对所述点火像素点信息进行分解,获取所述点火像素点的亮度信息;
分解图像获取单元,用于根据所述待处理图像的点火像素点的亮度信息,获取分解图像。
7.根据权利要求6所述一种图像对比度增强的装置,其特征在于,包括:
阈值模块,用于对所述当前阈值进行线性衰减处理,并且所述点火像素点对应的当前阈值叠加一个常量,获取处理后的各个像素点的阈值;
判断模块,用于判断所述待处理图像的像素点是否全部点火;
阈值更新模块,用于如果所述待处理图像的像素点未全部点火,将所述处理后的各个像素点的阈值作为所述待处理图像中的像素点的当前阈值。
8.根据权利要求5所述一种图像对比度增强的装置,其特征在于,所述图像对比度增强模块用于将所述待处理图像的像素点的亮度值和对应的所述分解图像的像素点的亮度值相除,得到各个像素点的比值,将所述各个像素点的比值作为对比度增强图像的各个像素点的亮度值,得到对比度增强图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310669478.9A CN103679657B (zh) | 2013-12-10 | 2013-12-10 | 一种图像对比度增强的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310669478.9A CN103679657B (zh) | 2013-12-10 | 2013-12-10 | 一种图像对比度增强的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679657A true CN103679657A (zh) | 2014-03-26 |
CN103679657B CN103679657B (zh) | 2017-04-12 |
Family
ID=50317112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310669478.9A Active CN103679657B (zh) | 2013-12-10 | 2013-12-10 | 一种图像对比度增强的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679657B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833256A (zh) * | 2016-09-15 | 2018-03-23 | 安讯士有限公司 | 用于数字图像的伪着色的方法以及装置 |
US10282830B2 (en) | 2014-01-08 | 2019-05-07 | Fujitsu Limited | Apparatus for image contrast enhancement and method, electronic equipment |
CN113066019A (zh) * | 2021-02-27 | 2021-07-02 | 华为技术有限公司 | 一种图像增强方法及相关装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383912A (zh) * | 2008-10-23 | 2009-03-11 | 上海交通大学 | 电视摄像色彩智能化自动调节方法 |
US20100260436A1 (en) * | 2002-02-12 | 2010-10-14 | Tatsumi Watanabe | Image processing apparatus and image processing method |
-
2013
- 2013-12-10 CN CN201310669478.9A patent/CN103679657B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100260436A1 (en) * | 2002-02-12 | 2010-10-14 | Tatsumi Watanabe | Image processing apparatus and image processing method |
CN101383912A (zh) * | 2008-10-23 | 2009-03-11 | 上海交通大学 | 电视摄像色彩智能化自动调节方法 |
Non-Patent Citations (4)
Title |
---|
YIDE等: "A Novel Algorithm of Image Enhancement Based on Pluse Coupled Neural Network Time Matrix and Rough Set", 《FOURTH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY》, 27 August 2007 (2007-08-27), pages 24 - 27 * |
何胜宗: "基于改进的PCNN图像因子分解的医学图像增强算法", 《中国优秀硕士论文全文数据库》, no. 10, 15 October 2010 (2010-10-15), pages 19 - 43 * |
何胜宗等: "基于PCNN图像因子分解的X线医学图像增强", 《中国图象图形学报》, vol. 16, no. 1, 16 January 2011 (2011-01-16), pages 21 - 26 * |
朱昊等: "基于PCNN与LR的低对比度图像增强方法", 《计算机工程与应用》, vol. 44, no. 17, 11 June 2008 (2008-06-11), pages 162 - 165 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10282830B2 (en) | 2014-01-08 | 2019-05-07 | Fujitsu Limited | Apparatus for image contrast enhancement and method, electronic equipment |
CN105900138B (zh) * | 2014-01-08 | 2021-02-09 | 富士通株式会社 | 增强图像对比度的装置、电子设备及方法 |
CN107833256A (zh) * | 2016-09-15 | 2018-03-23 | 安讯士有限公司 | 用于数字图像的伪着色的方法以及装置 |
CN107833256B (zh) * | 2016-09-15 | 2019-03-12 | 安讯士有限公司 | 用于数字图像的伪着色的方法以及装置 |
CN113066019A (zh) * | 2021-02-27 | 2021-07-02 | 华为技术有限公司 | 一种图像增强方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103679657B (zh) | 2017-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875935B (zh) | 基于生成对抗网络的自然图像目标材质视觉特征映射方法 | |
Shyu et al. | A genetic algorithm approach to color image enhancement | |
Zhang et al. | A retinal mechanism inspired color constancy model | |
CN106504212A (zh) | 一种改进的hsi空间信息低照度彩色图像增强算法 | |
CN109685742A (zh) | 一种暗光环境下的图像增强方法 | |
CN106296620B (zh) | 一种基于直方图平移的色彩还原方法 | |
CN112116536A (zh) | 一种低光照图像增强方法及系统 | |
CN112686800B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN103065282A (zh) | 一种基于稀疏线性系统的图像融合方法 | |
CN112837251B (zh) | 图像处理方法及装置 | |
CN103839245B (zh) | 基于统计规律的Retinex夜间彩色图像增强方法 | |
CN103679657A (zh) | 一种图像对比度增强的方法和装置 | |
CN115526803A (zh) | 非均匀光照图像增强方法、系统、存储介质及设备 | |
Murray | A model of lightness perception guided by probabilistic assumptions about lighting and reflectance | |
Lei et al. | A novel intelligent underwater image enhancement method via color correction and contrast stretching✰ | |
Qian et al. | An adaptive enhancement algorithm based on visual saliency for low illumination images | |
CN115908602A (zh) | 一种将风景照片转换为中国山水画的风格迁移方法 | |
Feng et al. | Low-light color image enhancement based on Retinex | |
CN113643202B (zh) | 一种基于噪声注意力图指导的微光图像增强方法 | |
CN112907570B (zh) | 一种轻量级无监督暗光图像增强方法及装置 | |
Zhuang et al. | Image enhancement by deep learning network based on derived image and retinex | |
Zhang et al. | Improved colour‐to‐grey method using image segmentation and colour difference model for colour vision deficiency | |
CN114429426B (zh) | 一种基于Retinex模型的低照度图像质量改善方法 | |
CN108805097A (zh) | 一种基于色彩空间转换的人脸识别与实时跟踪方法 | |
Li et al. | Multi-scale fusion framework via retinex and transmittance optimization for underwater image enhancement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231109 Address after: No. 57-5 Development Avenue, No. 6015, Yichang Area, China (Hubei) Free Trade Zone, Yichang City, Hubei Province, 443005 Patentee after: Hubei Jiugan Technology Co.,Ltd. Address before: 443002 No. 8, University Road, Yichang, Hubei Patentee before: CHINA THREE GORGES University |