CN103700077B - 一种基于人眼视觉特性的自适应图像增强方法 - Google Patents

Abstract

本发明提出一种基于人眼视觉特性的自适应图像增强方法，解决了中低灰度、中低分辨率图像成像问题。步骤一、计算图像的统计指标；步骤二、灰度值归一补变换；步骤三、计算图像整体灰度调节α和边缘增强系数β；步骤四、求均值图像；步骤五、计算中间图像；步骤六、将步骤五得到的中间图像以e为幂底数进行非对称逆变换；步骤七、对步骤六得到的非对称逆变换图像进行灰度值归一化逆变换，得增强后图像，即此完成自适应图像增强方法。

Description

一种基于人眼视觉特性的自适应图像增强方法

技术领域

本发明属于图像增强技术领域，涉及一种基于人眼视觉特性的自适应图像增强方法。

背景技术

降质或退化的图像通常不同程度地存在边缘模糊、局部或整体对比度差等不足之处，使人观察起来不满意，或者使机器从中提取的信息减少甚至造成错误。因此，必须对降质的图像进行增强处理以提高图像的视觉效果。降质图像中，尤其以中低灰度、中低分辨率图像最为普遍，需要一种鲁棒、易操作的增强算法进行图像质量的改善。

在图像增强领域，人们提出了很多种算法，比较常见的有两种：全局信息增强和局部信息增强。最为通常的全局信息增强方法是直方图均衡化(Histogram Equalization)及其改进型，通过直方图均衡化来实现自动的对比度增强，直方图上灰度分布较密的部分被拉伸，灰度分布稀疏的部分被压缩，从而使一幅图像的对比度在总体上得到增强。但是，在原图像直方图中有一个很大分量或分辨率低的情况下，增强的图像会出现“退色”和“散斑”效应，且不能很好增强图像局部细节对比度，使得增强的图像在视觉效果上较差。而红外图像普遍存在灰度范围低，分辩率低的特点，对于此类图像，直方图均衡化(HistogramEqualization)及其改进型算法效果不太理想。

基于图像局部信息的增强算法能够很好改善这一问题。其中比较有名的是Deng、Cahill等提出的一种基于LIP模型的Lee图像增强新实现方法。由于该方法是基于LIP模型的，并在其中使用了非线性变换，因而较适合图像增强的任务要求，同时也减弱了原始Lee方法对参数的过分依赖性。

但该算法也存在一些不足之处：(1)适用范围有限，并不适合于低灰度范围大的这类图像的增强任务要求，如有时会导致图像的灰度均值和标准差降低，即图像整体灰度和对比度下降。(2)缺乏一定的自适应性，需要人工介入设置参数后算法才能运行，而图像增强的质量与否严重依赖于参数的选择。

发明内容

鉴于此，本发明提出一种基于人眼视觉特性的自适应图像增强方法，解决了中低灰度、中低分辨率图像成像问题。

为了解决上述技术问题，本发明是这样实现的：

一种基于人眼视觉特性的自适应图像增强方法，包括以下步骤：

步骤一、计算图像的统计指标：设待增强的图像为f，求图像的灰度均值μ和平均梯度

步骤二、灰度值归一补变换：对待增强图像进行灰度值归一补变换，得图像

步骤三、计算图像整体灰度调节α和边缘增强系数β，通过实验拟合，得到图像整体灰度调节α和边缘增强系数β与图像的灰度均值μ和平均梯度的关系；

步骤四、求均值图像：对于灰度值归一补变换后的图像计算图像尺寸，选择窗口模板，用模板函数对图像进行以2为底的对数均值滤波；

步骤五、计算中间图像：利用步骤三得到的图像整体灰度调节α和边缘增强系数β，加权计算中间图像g(i，j)；

步骤六、将步骤五得到的中间图像g(i，j)以e为幂底数进行非对称逆变换；

步骤七、时步骤六得到的非对称逆变换图像进行灰度值归一化逆变换，得增强后图像，即此完成自适应图像增强方法。

本发明的有益效果：

本发明将人眼视觉特性和基于LIP模型的Lee图像增强算法相结合，即通过合理地选取最适合人眼观察的灰度区间，并根据图像的统计信息自适应调节图像灰度调节系数α和边缘增强系数β的大小，同时采用非对称逆变换，进一步改善了图像的视觉效果，提高了图像质量。

附图说明

图1为基于人眼视觉特性的自适应增强方法流程图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

根据图像增强算法的特点，本发明具体来说：

(1)选取最适合人眼观察的灰度区间。本发明首先从视觉神经学和视觉心理学的层面进行分析，结合视觉神经学的实验，确定60-100这个灰度区间是最适合人眼观察的灰度区间，这个区间，人眼的灰度分辨率和对比度敏感性最高。后面的增强步骤即是把整个图像的整体灰度调节至整个区间。

(2)调节系数的自适应选取：首先对图像灰度进行归一化，去除光线的影响，然后计算图像的灰度均值μ和平均梯度通过最小二乘法拟合出灰度均值μ与灰度调节系数α，平均梯度与边缘增强系数β的关系，达到自适应调节的目的，其中灰度调节系数α就是把图像的整体灰度调节到最适合人眼观察的这个区间。

(3)非对称逆变换：在图像增强的过程中，需要将图像变换到对数坐标域，因为人眼的主观亮度感觉和客观亮度成对数线性关系，该关系即为韦伯-费克纳法则(Weber-Fechner)。本发明在进行正变换的时候采用较低的对数底数，而进行逆变换时采用较高的指数底数，使得处理后图像的峰值信噪比等指标更高。

如图1所示，基于人眼视觉特性的自适应图像增强算法，包括如下7个具体步骤：(1)计算统计指标(2)灰度值归一补变换(3)计算自适应调节系数α和β(4)求均值图像(5)计算中间图像(6)以e为幂底数进行非对称逆变换(7)灰度值归一化逆变换，得增强后图像。

(1)计算图像的统计指标。设待增强的图像为f，求图像的灰度均值μ和平均梯度

$\mathrm{\μ}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}f(i,j)$ (式1)

$\▿\stackrel{\‾}{G}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{[\mathrm{\Δxf}{(i,j)}^2+\mathrm{\Δyf}{(i,j)}^2]}^{1/2}$ (式2)

其中，M和N分别表示图像的行数和列数；i，j表示图像像素的坐标值，且满足1≤i≤M，1≤j≤N；Δxf(i，j)和Δyt(i，j)分别表示像素(i，j)在x，y方向的一阶微分。

(2)灰度值归一补变换。首先对整幅图像进行灰度值归一补变换，得图像灰度值归一补变换定义如下：

$\tilde{f}=1-(f/M)$ (式3)

灰度函数f定义在[0，M-1]区间，对于8位图像，M＝256。

(3)计算图像整体灰度调节α和边缘增强系数β。通过多次实验拟合，得图像整体灰度调节α和边缘增强系数β，与图像的灰度均值μ和平均梯度的关系为：

$\mathrm{\α}=1.5(1-\frac{\mathrm{\μ}}{255})$ (式4)

$\mathrm{\β}=\frac{|\▿\stackrel{\‾}{G}|}{\frac{1}{2}+{\left(\frac{|\▿\stackrel{\‾}{G}|}{5}\right)}^2}$ (式5)

(4)求均值图像。对于灰度值归一补变换后的图像计算图像尺寸，选择n*n(n一般取3)窗口模板，用模板函数对图像进行以2为底的对数均值滤波，则有

(式6)

其中，表示向下取整，k，l为整数；log₂(·)表示以2为底的对数运算；表示归一补运算。

(5)计算中间图像。利用第(3)步得到的图像整体灰度调节α和边缘增强系数β，加权计算中间图像g(i，j)，则有：

${\log }_2\left(g(i,j)\right)=\mathrm{\α}{\log }_2\left(\stackrel{\‾}{a}(i,j)\right)+\mathrm{\β}({\log }_2\left(\tilde{f}(i,j)\right)-{\log }_2\left(\stackrel{\‾}{a}(i,j)\right))$ (式7)

其中，α、β为权值系数；表示均值图像，表示原图像减去均值图像后的差值图像。

(6)以e为幂底数进行非对称逆变换。

$g(i,j)=e^{{\log }_2\left(g(i,j)\right)}$ (式8)

(7)时图像g(i，j)进行灰度值归一化逆变换，得增强后图像F(i，j)，即

F(i，j)＝(1-g(i，j))×256 (式9)

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于人眼视觉特性的自适应图像增强方法，其特征在于，包括以下步骤：

步骤一、计算图像的统计指标：设待增强的图像为f，求图像的灰度均值μ和平均梯度

步骤二、灰度值归一补变换：对待增强图像进行灰度值归一补变换，得图像

步骤三、计算图像整体灰度调节α和边缘增强系数β，通过实验拟合，得到图像整体灰度调节α和边缘增强系数β与图像的灰度均值μ和平均梯度的关系；

步骤四、求均值图像：对于灰度值归一补变换后的图像计算图像尺寸，选择窗口模板，用模板函数对图像进行以2为底的对数均值滤波；

步骤五、计算中间图像：利用步骤三得到的图像整体灰度调节α和边缘增强系数β，加权计算中间图像g(i，j)；

步骤六、将步骤五得到的中间图像g(i，j)以e为幂底数进行非对称逆变换；

步骤七、对步骤六得到的非对称逆变换图像进行灰度值归一化逆变换，得增强后图像，即此完成自适应图像增强方法。

2.如权利要求1所述的一种基于人眼视觉特性的自适应图像增强方法，其特征在于，步骤四中窗口模板选择n*n，其中n取3。