CN104036464A - 基于CbCr角度特征与模型分层的图像增强方法及系统 - Google Patents

Abstract

本发明涉及一种基于CbCr角度特征与模型分层的图像增强方法及系统。首先在图像的YCbCr色彩空间分别计算Y分量归一化直方图与CbCr角度归一化直方图；然后根据CbCr角度分布直方图的特征数据进行图像分类；如果图像被判定为I类图像，根据Y分量归一化直方图特征数据再次进行Ⅰ类图像的情况区分，并根据不同情况分别进行I类图像Y分量增强；如果图像被判定为II类图像，根据Y分量归一化直方图特征数据再次进行II类图像的情况区分，并根据不同情况分别进行II类图像Y分量增强；对于II类图像，再进行基于YCbCr空间模型分层的饱和度调节；最后显示输出增强后的图像。本发明能够满足不同图像情况下的不同图像增强需求。

Description

基于CbCr角度特征与模型分层的图像增强方法及系统

技术领域

本发明属于图像数字化增强技术领域，具体涉及一种根据图像YCbCr空间CbCr角度归一化直方图特征与Y分量归一化直方图对图像进行分类，并根据分类进行亮度增强，以及根据对图像YCbCr空间进行的模型分层，对图像饱和度进行增强的方法及系统。

背景技术

视障者阅读辅具可以通过摄像头拍摄外界的图像，然后在显示屏上放大给弱视者观看。由于摄像头本身图像采集性能、被拍摄对象本身的图像质量、拍摄环境的光照等原因，有时视障者阅读辅具输出的图像质量并不理想，如果对拍摄的图像进行图像增强处理，会给弱视者一个比较好的视觉效果。

YCbCr颜色空间是便携式视频设备、电视会议DVD、数字电视、HDTV以及其它消费类视频设备、高质量视频应用、演播室以及专业视频产品的常用格式。例如一些摄像头从底层传上的数据通常就是YCbCr格式数据。

目前比较常用的图像增强方法有对数变换、指数变换、或γ变换等，但这些均是针对特定场合下运用的常规手段。若不分具体运用场合，即不对图像的种类、图像具体的质量弱点进行分类，直接运用，有时无法取得比较好的图像增强效果。

目前比较常用的图像饱和度增强方法是把图像先从YCbCr颜色空间转换到RGB颜色空间，再从RGB颜色空间转换到HSI颜色空间，然后再进行图像饱和度增强。

本发明着眼于，通过对图像特征的提取，对图像进行分类，根据图像类别的不同，使用不同亮度增强方法，并通过对图像YCbCr空间进行模型分层，然后直接在YCbCr空间进行图像饱和度增强，最终取得一个比较好的图像增强效果，而无需像通常的饱和度增强方法那样先转换到RGB空间再转换到HSI空间进行处理。

本发明的方法可以运用于视障者阅读辅具，但不仅限于视障者阅读辅具，对于其它图像增强的应用范围也可运用。

发明内容

本发明的目的在于提高图像增强的效果，提出一种基于自动分类判别的图像增强方法及系统。该方案着眼对图像YCbCr空间CbCr角度归一化直方图的特征分析，找到了一些有效的特征数据。根据这些特征数据，把图像分为Ⅰ类图像与II类图像，并寻找了一些Y分量的特征数据，根据这些特征数据对每类图像再根据光照情况使用不同的图像增强处理方法，进行不同的分类增强，最终取得一个比较好的图像Y分量增强效果。

对于图像的颜色饱和度增强，提出了一种基于YCbCr空间模型分层的饱和度调节方法。对于RGB模型空间的有效像素点，即R、G、B各颜色通道的值均在0至255间的点，按式(1)对应于YCbCr空间的颜色模型为一空间六面体，Y分量的取值范围为[0，255]，Cb、Cr的取值范围为[-128，128]，这里Y分量即为亮度分量，Cb、Cr为色差信号。不同的Y平面会与六面体的不同边界线段相交。

$\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]=\left[\begin{array}{ccc}0.2990& 0.5870& 0.1140\\ -0.1687& -0.3313& 0.5000\\ 0.5000& -0.4187& -0.0813\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(1\right)$

为了在YCbCr空间直接进行饱和度调节，可以在Y分量所在平面上，对色差信号Cb、Cr进行等比例缩放完成，其潜在的问题是调节后的色差信号Cb、Cr值不能超出YCbCr空间颜色模型的六面体的范围，否则会引起因过饱和而带来的颜色失真现象，由于在不同的Y平面上，六面体的范围可能会是3边形、4边形、5边形等多种情况，故此，本发明在YCbCr空间直接进行饱和度调节时采用基于模型分层的的技术方案。

具体来说，本发明采用如下技术方案：

一种基于CbCr角度特征与模型分层的图像增强方法，其步骤包括：

1)在图像的YCbCr颜色空间，分别计算Y分量归一化直方图与CbCr角度归一化直方图；

2)根据CbCr角度分布直方图的特征数据进行图像分类，分为Ⅰ类图像与Ⅱ类图像，其中Ⅰ类图像是文本图像或大部分为文本的图像，Ⅱ类图像是非文本的场景图像(或称为画面图像)或者大部分为场景的图像；如果是Ⅰ类图像，则进入步骤3)，如果是Ⅱ类图像，则进入步骤4)；

3)如果图像被判定为I类图像，根据Y分量归一化直方图特征数据再次进行Ⅰ类图像的情况区分，并根据不同情况分别进行Y分量增强；

4)如果图像被判定为Ⅱ类图像，根据Y分量归一化直方图特征数据再次进行Ⅱ类图像的情况区分，并根据不同情况分别进行Y分量增强；

5)如果图像被判定为Ⅱ类图像，再进行基于YCbCr颜色空间模型分层的图像饱和度增强；

6)显示输出增强后的图像。

一种基于CbCr角度特征与模型分层的图像增强系统，其包括：

归一化直方图计算模块，用于在图像的YCbCr颜色空间，分别计算Y分量归一化直方图与CbCr角度归一化直方图；

图像分类模块，连接所述归一化直方图计算模块，用于根据CbCr角度分布直方图的特征数据进行图像分类，分为Ⅰ类图像与Ⅱ类图像，其中Ⅰ类图像是文本图像或大部分为文本的图像，Ⅱ类图像是非文本的场景图像(或称为画面图像)或者大部分为场景的图像；

I类图像Y分量增强模块，连接所述图像分类模块，用于根据Y分量归一化直方图特征数据再次进行Ⅰ类图像的情况区分，并根据不同情况分别进行图像Y分量增强；

Ⅱ类图像Y分量增强模块，连接所述图像分类模块，用于根据Y分量归一化直方图特征数据再次进行Ⅱ类图像的情况区分，并根据不同情况分别进行图像Y分量增强；

Ⅱ类图像饱和度增强模块，连接所述Ⅱ类图像Y分量增强模块，根据YCbCr颜色空间的模型分层，进行图像饱和度增强；

显示输出模块，连接所述I类图像Y分量增强模块和Ⅱ类图像饱和度增强模块，用于显示输出增强后的图像。

本发明根据采集图像的特征，将图像分为Ⅰ类图像与II类图像，然后针对I类图像与II类图像的不同增强目标采用不同的图像增强方法进行增强，最终达到一个比较好的图像增强效果。图像的种类、光照条件的区分是通过提取待处理图像YCbCr颜色空间的CbCr角度归一化直方图与Y分量归一化直方图的特征数据完成的。所提取的CbCr角度归一化直方图的特征数据包括：所统计像素点个数与原图像像素总量的比值、概率大于1/360的角度个数和、最大概率值，以及最大概率角度所在窗口内的概率和；所提取的Y分量归一化直方图的特征数据包括：概率大于1/256的亮度的等级数、左半部的概率和，以及右半部的概率和。通过这些特征数据，实现了对采集到的图像的智能判断，根据判别的不同情况，采用不同的图像增强策略，使图像增强策略更具针对性，提高了图像增强的有效性，从而满足不同图像情况下的不同图像增强需求。对于II类图像的饱和度增强，采用在YCbCr空间进行模型分层的方法，对Cb、Cr信号在不超过边界的情况下，进行等比例扩大完成。

本发明可以运用于视障者阅读辅具，但不仅限于视障者阅读辅具，对于其它图像增强的应用范围也可运用。

附图说明

图1为本发明的总体步骤的流程图。

图2为本发明步骤1)的流程图。

图3为本发明步骤2)的流程图。

图4为本发明步骤3)的流程图。

图5为本发明步骤4)的流程图。

图6为本发明的Ⅰ类图的图像示例。

图7为本发明的Ⅱ类图的图像示例。

图8为本发明的累计窗口在CbCr角度归一化直方图中的三种位置。

图9为一幅本发明特征值UpRateMeanCount小于阈值40的例图。

图10为本发明S型变换的变换曲线。

图11为本发明空间滤波前后一幅例图的情况对比。

图12为本发明凸曲线变换的变换曲线。

图13为本发明凹曲线变换的变换曲线。

图14为RGB空间映射到YCbCr空间的空间模型。

图15为本发明一示例点V_sample所在的CbCr平面。

图16为图6的增强结果。

图17为图7的增强结果。

具体实施方式

下面通过实施例和附图，对本发明作详细的说明。

本发明的基于CbCr角度特征与模型分层的图像增强方法，其总体步骤如图1所示，具体说明如下：

步骤1：在图像的YCbCr颜色空间，分别计算Y分量归一化直方图与CbCr角度归一化直方图。其方法如图2所示，具体实施过程如下：

1-1)如果摄像装置采集的图像是YCbCr格式的，则直接进入步骤1-2，如果图像是RGB格式的，则把图像依式(1)从RGB颜色空间转换到YCbCr颜色空间。

1-2)计算Y分量归一化直方图

Y分量直方图用来统计Y分量取值概率，概率均值为1/256，直方图的统计公式为：

$p\left(i\right)=\frac{m_i}{M},i=\mathrm{0,1,2,3},...255---\left(2\right)$

这里，M为图像像素点的个数，m_i是亮度为i的像素点个数。

Y分量归一化直方图的横轴为各个亮度：0,1,2,3……255。纵轴为各亮度像素的出现概率，范围为[0，1]。

1-3)计算CbCr角度归一化直方图

CbCr角度归一化直方图是统计|Cb|≥ThresholdCbCrCollect或者|Cr|≥ThresholdCbCrCollect的像素点，并将CbCr角度作为直方图横轴，范围为[0,359]，统计级数为360，含有CbCr角度的像素点的概率作为纵轴的直方图。阈值ThresholdCbCrCollect的范围可为[8,10]，为9时效果较佳。本实施例采用阈值ThresholdCbCrCollect＝9。CbCr角度的计算公式为：

这里“∧”为“并且”，“∨”为“或者”。

CbCr角度归一化直方图是统计各像素Cb、Cr分量在二维平面角度分布的统计直方图，平均概率为1/360。归一化直方图的统计公式为：

$p\left(k\right)=\frac{n_k}{N},k=\mathrm{0,1,2,3},...359---\left(4\right)$

这里，N为统计像素点个数，指图像像素中符合统计条件像素点的个数，n_k是CbCr角度为k的像素点个数。

CbCr角度归一化直方图的横轴为各个角度，0,1,2,3……359。纵轴为各角度像素的出现概率，范围为[0，1]。

步骤2：根据CbCr角度分布直方图的特征数据进行图像分类，分为Ⅰ类图像与Ⅱ类图像，其方法如图3所示。如果是Ⅰ类图像，则进入步骤3)，如果是Ⅱ类图像，则进入步骤4)；

Ⅰ类图像主要是文本图像，或页面上大部分为文本的图像，如图6所示。Ⅱ类图像主要是非文本的场景图像(即画面图像)，或者大部分为场景的图像，如图7所示。步骤2)的具体实施过程如下：

2-1)如果图中所统计像素点个数与原图像像素总量的比值小于阈值ThresholdTotalRatio，则原图像被判定为Ⅰ类图像，进入步骤3)；否则进入步骤2-2)。阈值ThresholdTotalRatio的范围可为[5％，10％]，为7％时效果较佳。本实施例采用阈值ThresholdTotalRatio＝7％。

此种条件下，一般图像色彩饱和度低，彩色像素点过少，近似灰度图像，例如大部分白纸黑纸的文本图像，在此步判定为Ⅰ类图。例如图6，所统计像素点个数与原图像像素总量的比值为1.71％，小于阈值ThresholdTotalRatio，被判定为I类图像。

2-2)如果图中概率大于1/360的角度个数和大于阈值ThresholdCountCbCr，则原图像被判定为Ⅱ类图像，进入步骤4)；否则进入步骤2-3)。阈值ThresholdCountCbCr的范围可为[60，75]，为70时效果较佳。本实施例采用阈值ThresholdCountCbCr＝70。

此种条件下，如果概率大于1/360的角度个数和大于阈值ThresholdCountCbCr，色调分布的呈多样性，直方图一般呈现多峰状态，说明主要色调丰富，判定为Ⅱ类图，例如图7,概率大于1/360的角度个数和为89。

2-3)如果图中最大概率值大于阈值ThreasholdMaxRatio，则原图像判定为Ⅰ类图像，进入步骤3)；否则进入步骤2-4)。阈值ThreasholdMaxRatio的范围可为[45％，55％]，为50％时效果较佳。本实施例采用阈值ThreasholdMaxRatio＝50％。

此种条件下，CbCr角度归一化直方图的分布集中在少数角度上，主要色调单一，呈现以单种色调为主的特性，判定为Ⅰ类图像。

2-4)如果图中最大概率角度L_max所在窗口内的概率和大于ThresholdWindTRatio，则原图像被判定为Ⅰ类图像，进入步骤3)；否则原图像判定为Ⅱ类图像，进入步骤4)。窗口宽度为31，窗口的位置可以从以L_max为右边界移到到以L_max为左边界。阈值ThresholdWindTRatio的范围可为[65％，75％]，为70％时效果较佳。本实施例采用阈值ThresholdWindTRatio＝70％。

此种条件下，色调较为集中，CbCr角度归一化直方图中，在范围为31的窗口内，至少集中了ThresholdWindTRatio的CbCr角度，则色调分布集中，此时原图像判定为Ⅰ类图像。

图8给出了滑动窗口的三种位置情况：

(1)L_max在窗口最左边，如图8中(a)所示；

(2)L_max在窗口正中间，如图8中(b)所示；

(3)L_max在窗口最右边，如图8中(c)所示。

步骤3：如果图像被判定为I类图像，根据Y分量归一化直方图特征数据再次进行Ⅰ类图像的情况区分，并根据不同情况分别进行Y分量增强，其方法如图4所示，其增强方法如下：

3-1)如果图中概率大于1/256的亮度的等级数小于阈值ThreasholdLumCount，则不进行图像增强，图像处理过程结束，进入步骤6)。否则，进行步骤3-2)。阈值ThreasholdLumCount的范围可为[35，45]，为40时效果较佳。本实施例采用阈值ThreasholdLumCount＝40。

此种条件下，主要灰度级分布集中，多为光照均匀的色调简单的文本图像，例如，如图9所示，其中左图(a)为一幅被判定为I类图的文本图像，右图(b)为此图像的Y分量归一化直方图，Y分量归一化直方图中概率大于1/256的亮度的等级数为30。

3-2)如果图中左半部的概率和与右半部的概率和之差的绝对值小于阈值ThresholdLum，则先进行动态范围调整(步骤3-2-1)，再进行基于正弦函数的S型曲线变换(步骤3-2-2)，图像增强处理过程结束，进入步骤6)。否则，进入步骤3-3)。阈值ThresholdLum的范围可为[0.1，0.2]，为0.15时效果较佳。本实施例采用阈值ThresholdLum＝0.15。

此种条件下，图像的整体明暗度适中。

3-2-1)进行动态范围调整时，统计图中从低位向高位的第一个概率值大于1/256的Y分量值downFirstMoreMeanPos以及从高位向低位的第一个概率值大于1/256的Y分量值upFirstMoreMeanPos，横坐标为x，纵坐标为y的像素点(x,y)的Y分量值h(x,y)，依式(5)调整后为h^*(x,y)：

$h^{*}(x,y)=\left\{\begin{array}{cc}0& h(x,y)\&le;\mathrm{downFirstMoreMeanPos}\\ \frac{255(h(x,y)-\mathrm{downFirstMoreMeanPos})}{\mathrm{upFirstMoreMeanPos}-\mathrm{downFirstMoreMeanPos}}& \mathrm{downFirstMoreMeanPos}<h(x,y)<\mathrm{upFirstMoreMeanPos}\\ 255& h(x,y)\&GreaterEqual;\mathrm{upFirstMoreMeanPos}\end{array}\right.---\left(5\right)$

对于图像整体明暗度适中的图像，可先对图像进行线性动态范围调整，把downFirstMoreMeanPos和upFirstMoreMeanPos作为原灰度级的下限和上限，目标灰度级下限和上限分别为0和255，初步调节对比度。

3-2-2)基于正弦函数的S型曲线变换，依式(6)调整Y分量值h^*(x,y)为g₁(x,y)：

$g_1(x,y)=\left\{\begin{array}{cc}2h*(x,y)-127\sin \frac{\mathrm{\&pi;h}*(x,y)}{254}& 0\&le;h^{*}(x,y)<128\\ 128+127\sin \frac{\mathrm{\&pi;}(h*(x,y)-128)}{254}& 128\&le;h^{*}(x,y)\&le;255\end{array}\right.---\left(6\right)$

在进行动态范围调整后，再进行S型曲线变换，压缩Y分量的两端，拉伸Y分量的中间部分。S型变换曲线的形状如图10所示。

3-3)如果图中左半部的概率和与右半部的概率和之差的绝对值大于阈值ThresholdLum，则图像偏暗或偏亮，进行空间滤波处理(步骤3-3-1)，重新统计Y分量归一化直方图(步骤3-3-2)，进行动态范围调整(步骤3-3-3)，线性拉伸灰度级，然后进入步骤6。

3-3-1)空间滤波处理

对于I类图偏暗或偏亮的情况可以使用下述空间滤波的方法进行处理，空间滤波依式(7)计算滤波后的Y分量值：

$s^{\&prime;}(x,y)=\left\{\begin{array}{cc}\exp [\ln 80+\ln h(x,y)-\mathrm{LPF}(\ln h(x,y)]& \exp [\ln 80+\ln h(x,y)-\mathrm{LPF}(\ln h(x,y)]\&le;255\\ 255& \exp [\ln 80+\ln h(x,y)-\mathrm{LPF}(\ln h(x,y)]>255\end{array}\right.---\left(7\right)$

其中，exp为指数运算，LPF为滤波器，滤波的过程为：首先把方形的滤波模板的中心与某像素对齐，然后滤波模板上各系数与图像对应像素相乘，这样可以得到乘积的和，最后让乘积的和除以模板上各系数的和作为与模板对齐的中心像素的滤波结果。模板上各系数依式(8)确定：

$T(\mathrm{tx},\mathrm{ty})=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}{e}^{-({\mathrm{tx}}^2+{\mathrm{ty}}^2)/\left(2{\mathrm{\&sigma;}}^2\right)}---\left(8\right)$

这里，tx与ty为模板上系数的坐标，模板中心坐标为(0,0)，模板大小为53*53，正态函数方差σ²＝80。某图像空间滤波处理前后的对比情况如图11所示。其中，(a)为原图，(b)为处理后的图，(c)为原图的局部，(d)为局部处理后的图。

3-3-2)统计变换后Y分量归一化直方图的方法，与步骤1-2)同。

3-3-3)进行线性动态范围调整，线性动态范围调整的方法与步骤3-2-1)同。

步骤4：如果图像被判定为Ⅱ类图像，根据Y分量归一化直方图特征数据再次进行Ⅱ类图像的情况区分，并根据不同情况分别进行Y分量增强。其方法如图5所示，其增强方法如下：

4-1)如果图中左半部的概率和与右半部的概率和之差的绝对值小于阈值ThresholdLum，此种条件下，图像的整体明暗度适中。对图像Y分量进行直方图均衡，处理结束后，进入步骤5。否则，进入步骤4-2。直方图均衡依次依式(9)、(10)处理：

$u_k=\underset{i=0}{\overset{k}{\mathrm{\&Sigma;}}}\frac{m_i}{M},i=\mathrm{1,2},......,255---\left(9\right)$

z(k)＝255×u_k (10)

其中u_k为图中亮度0到k的累计概率。z(k)是原先为k的Y分量在均衡后的值。

4-2)如果图中左半部的概率和与右半部的概率和之差大于阈值ThresholdLum，图像亮度偏暗，对图像Y分量依式(11)进行基于正弦函数的凸曲线变换，处理结束后，进入步骤5。否则，进入步骤4-3。变换后的Y分量值g₂(x,y)为：

$g_2(x,y)=255\sin \frac{\mathrm{\&pi;h}(x,y)}{510}---\left(11\right)$

基于正弦函数的凸曲线变换可以有效增强图像亮度，凸曲线变换的变换曲线如图12所示。

4-3)如果图中右半部的概率和与左半部的概率和之差大于阈值ThresholdLum，图像亮度偏亮，对图像Y分量依式(12)进行基于正弦函数的凹曲线变换，处理结束后，进入步骤5。变换后的Y分量值g₃(x,y)为：

$g_3(x,y)=2h(x,y)-255\sin \frac{\mathrm{\&pi;h}(x,y)}{510}---\left(12\right)$

基于正弦函数的凹型曲线变换能较好地抑制图像亮度。凹曲线变换的变换曲线如图13所示。

步骤5：如果图像被判定为Ⅱ类图像，再进行基于YCbCr颜色空间模型分层的图像饱和度增强。图像某像素点(x,y)的色差信号Cb(x,y)、Cr(x,y)可以同时乘以一个调节系数，而不会改变Cb(x,y)、Cr(x,y)的比例，从而在保持色调不变的同时，可以调节像素的颜色饱和度。其潜在的问题是不能超出YCbCr空间颜色模型的边界。YCbCr空间颜色模型如图14所示。对于某像素点，在其Y分量增强后，其YCbCr颜色空间的值为(Y₁,Cb₁,Cr₁)，一种基于YCbCr颜色空间模型分层的图像饱和度增强方法，其步骤包括：

5-1)对于某颜色值，若其亮度值Y₁大于128，则将其对称到亮度值小于128的空间进行处理，若其亮度值小于或等于128，则直接进入步骤5-2)。由于RGB模型映射到YCbCr空间的空间模型的对称性，依式(13)计算(Y₂,Cb₂,Cr₂)：

$\left\{\begin{array}{cc}{\mathrm{Cb}}_2={\mathrm{Cb}}_1,{\mathrm{Cr}}_2={\mathrm{Cr}}_1,Y_2=Y_1& Y_1\&le;128\\ {\mathrm{Cb}}_2=-{\mathrm{Cb}}_1,{\mathrm{Cr}}_2=-{\mathrm{Cr}}_1,Y_2=255-Y_1& Y_1>128\end{array}\right.---\left(13\right)$

例如，一个示例点V_sample的(Y₁,Cb₁,Cr₁)为(195,-25,-10)，通过式(13)调整得到(Y₂,Cb₂,Cr₂)为(60,25,10)。

5-2)计算颜色值所对应的CbCr角度。并且如果亮度值在(0,29]进入步骤5-3；如果亮度值在(29,76]进入步骤5-4；如果亮度值在(76,105]进入步骤5-5；如果亮度值在(105,128]进入步骤5-6。其具体步骤为：

若 $\left\{\begin{array}{c}{\mathrm{Cb}}_2=0\\ {\mathrm{Cr}}_2=0\end{array}\right.,$ 不做任何饱和度增强处理，进入步骤6。

否则，取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_2\\ \mathrm{Cr}={\mathrm{Cr}}_2\end{array}\right.,$ 依式(14)计算角度θ，

$\left\{\begin{array}{cc}\mathrm{\&theta;}=\frac{180}{\mathrm{\&pi;}}\arctan \frac{\mathrm{Cr}}{\mathrm{Cb}}& (\mathrm{Cb}>0)^(\mathrm{Cr}\&GreaterEqual;0)\\ \mathrm{\&theta;}=180+\frac{180}{\mathrm{\&pi;}}\arctan \frac{\mathrm{Cr}}{\mathrm{Cb}}& (\mathrm{Cb}<0)^(\mathrm{Cr}>0)\\ \mathrm{\&theta;}=180+\frac{180}{\mathrm{\&pi;}}\arctan \frac{\mathrm{Cr}}{\mathrm{Cb}}& (\mathrm{Cb}<0)^(\mathrm{Cr}\&le;0)\\ \mathrm{\&theta;}=360+\frac{180}{\mathrm{\&pi;}}\arctan \frac{\mathrm{Cr}}{\mathrm{Cb}}& (\mathrm{Cb}>0)^(\mathrm{Cr}<0)\\ \mathrm{\&theta;}=90& (\mathrm{Cb}=0)^(\mathrm{Cr}>0)\\ \mathrm{\&theta;}=270& (\mathrm{Cb}=0)^(\mathrm{Cr}<0)\end{array}\right.---\left(14\right)$

取θ₂＝θ。如果Y₂∈(0,29]进入步骤5-3；如果Y₂∈(29,76]进入步骤5-4；如果Y₂∈(76,105]进入步骤5-5；如果Y₂∈(105,128]进入步骤5-6。

例如，示例点V_sample依式(14)计算角度为θ＝22度，并因Y₂＝60进入步骤5-4。

5-3)计算所在亮度平面的三边形边界，并计算颜色值所对边界的端点。具体步骤如下：

5-3-1)依式(15)、(16)、(17)计算图14中Y＝Y₂平面在线段GC、GA、GE上的截点(Y₂,Cb_GC,Cr_GC)、(Y₂,Cb_GA,Cr_GA)、(Y₂,Cb_GE,Cr_GE)：

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{GC}}=4.41\&times;Y_2\\ {\mathrm{Cr}}_{\mathrm{GC}}=-0.72\&times;Y_2\end{array}\right.---\left(15\right)$

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{GA}}=-0.57\&times;Y_2\\ {\mathrm{Cr}}_{\mathrm{GA}}=1.68\&times;Y_2\end{array}\right.---\left(16\right)$

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{GE}}=-0.56\&times;Y_2\\ {\mathrm{Cr}}_{\mathrm{GE}}=-0.71\&times;Y_2\end{array}\right.---\left(17\right)$

在实际程序运行时，可存储每次不同Y₂值的计算结果，供后续相同Y2值像素点计算使用，以提高程序执行效率。

5-3-2)计算(Y₂,Cb_GC,Cr_GC)、(Y₂,Cb_GA,Cr_GA)、(Y₂,Cb_GE,Cr_GE)所对应的角度θ_GC、θ_GA、θ_GE：

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{GC}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{GC}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_GC＝θ。

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{GA}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{GA}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_GA＝θ。

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{GE}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{GE}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_GE＝θ。

在实际程序运行时，可存储每次不同截点的计算结果，供后续面临相同截点的像素点计算使用，以提高程序执行效率。

5-3-3)依式(18)计算颜色点(Y₂,Cb₂,Cr₂)所对应的CbCr平面上边界线的2个端点的坐标值Cb₃,Cr₃,Cb₄,Cr₄，然后进入步骤5-7。

5-4)计算所在亮度平面的四边形边界，并计算颜色值所对边界的端点。具体步骤如下：

5-4-1)依式(19)、(16)、(17)、(20)计算图14中Y＝Y₂平面在线段CB、GA、GE、CD上的截点(Y₂,Cb_CB,Cr_CB)、(Y₂,Cb_GA,Cr_GA)、(Y₂,Cb_GE,Cr_GE)、(Y₂,Cb_CD,Cr_CD)：

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{CB}}=-0.58\&times;Y_2+144.79\\ {\mathrm{Cr}}_{\mathrm{CB}}=1.68\&times;Y_2-69.84\end{array}\right.---\left(19\right)$

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{CD}}=-0.57\&times;Y_2+144.43\\ {\mathrm{Cr}}_{\mathrm{CD}}=-0.71\&times;Y_2-0.31\end{array}\right.---\left(20\right)$

例如，对示例点V_sample的计算，图14中Y＝60平面在线段CB、GA、GE、CD上的截点(Y₂,Cb_CB,Cr_CB)、(Y₂,Cb_GA,Cr_GA)、(Y₂,Cb_GE,Cr_GE)、(Y₂,Cb_CD,Cr_CD)为(60,110,31)、(60,-34,101)、(60,-34,-43)、(60,110,-43)。

在实际程序运行时，可存储每次不同Y₂值的计算结果，供后续相同Y₂值像素点计算使用，以提高程序执行效率。

5-4-2)计算(Y₂,Cb_CB,Cr_CB)、(Y₂,Cb_GA,Cr_GA)、(Y₂,Cb_GE,Cr_GE)、(Y₂,Cb_CD,Cr_CD)所对应的角度θ_CB、θ_GA、θ_GE、θ_CD：

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{CB}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{CB}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_CB＝θ。

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{GA}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{GA}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_GA＝θ。

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{GE}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{GE}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_GE＝θ。

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{CD}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{CD}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_CD＝θ。

例如，对示例点V_sample的计算，(Y₂,Cb_CB,Cr_CB)、(Y₂,Cb_GA,Cr_GA)、(Y₂,Cb_GE,Cr_GE)、(Y₂,Cb_CD,Cr_CD)，即(60,110,31)、(60,-34,101)、(60,-34,-43)、(60,110,-43)所对应的角度θ_CB＝16、θ_GA＝109、θ_GE＝132、θ_CD＝339。

在实际程序运行时，可存储每次不同截点的计算结果，供后续面临相同截点的像素点计算使用，以提高程序执行效率。

5-4-3)依式(21)计算颜色点(Y₂,Cb₂,Cr₂)所对应的CbCr平面上边界线的2个端点的坐标值Cb₃,Cr₃,Cb₄,Cr₄，然后进入步骤5-7。

例如，对示例点V_sample的计算，如图15所示，Cb₃＝110,Cr₃＝31,Cb₄＝-34,Cr₄＝101。图中(Cb₃,Cr₃)为V_CB,即Y＝60平面在线段CB上的截点(Y₂,Cb_CB,Cr_CB)，图中(Cb₄,Cr₄)为V_GA,即Y＝60平面在线段GA上的截点(Y₂,Cb_GA,Cr_GA)。V_P为V_sample的最远调节点，即可被调节的最饱和值。

5-5)计算所在亮度平面的五边形边界，并计算颜色值所对边界的端点。具体步骤如下：

5-5-1)依式(19)、(22)、(23)、(17)、(20)计算图14中Y＝Y₂平面在线段CB、BA、AF、GE、CD上的截点(Y₂,Cb_CB,Cr_CB)、(Y₂,Cb_BA,Cr_BA)、(Y₂,Cb_AF,Cr_AF)、(Y₂,Cb_GE,Cr_GE)、(Y₂,Cb_CD,Cr_CD)：

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{BA}}=4.38\&times;Y_2-375.83\\ {\mathrm{Cr}}_{\mathrm{BA}}=-0.72\&times;Y_2+183.03\end{array}\right.---\left(22\right)$

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{AF}}=-0.57\&times;Y_2+0.07\\ {\mathrm{Cr}}_{\mathrm{AF}}=-0.71\&times;Y_2+182.21\end{array}\right.---\left(23\right)$

在实际程序运行时，可存储每次不同Y₂值的计算结果，供后续相同Y₂值像素点计算使用，以提高程序执行效率。

5-5-2)计算(Y₂,Cb_CB,Cr_CB)、(Y₂,Cb_BA,Cr_BA)、(Y₂,Cb_AF,Cr_AF)、(Y₂,Cb_GE,Cr_GE)、(Y₂,Cb_CD,Cr_CD)所对应的角度θ_CB、θ_BA、θ_AF、θ_GE、θ_CD：

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{CB}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{CB}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_CB＝θ。

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{BA}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{BA}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_BA＝θ。

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{AF}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{AF}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_AF＝θ。

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{GE}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{GE}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_GE＝θ。

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{CD}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{CD}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_CD＝θ。

在实际程序运行时，可存储每次不同截点的计算结果，供后续面临相同截点的像素点计算使用，以提高程序执行效率。

5-5-3)依式(24)计算颜色点(Y₂,Cb₂,Cr₂)所对应的CbCr平面上边界线的2个端点的坐标值Cb₃,Cr₃,Cb₄,Cr₄，然后进入步骤5-7。

5-6)计算所在亮度平面的四边形边界，并计算颜色值所对边界的端点。具体步骤如下：

5-6-1)依式(25)、(23)、(17)、(20)计算图14中Y＝Y₂平面在线段BH、AF、GE、CD上的截点(Y₂,Cb_BH,Cr_BH)、(Y₂,Cb_AF,Cr_AF)、(Y₂,Cb_GE,Cr_GE)、(Y₂,Cb_CD,Cr_CD)：

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{BH}}=-0.56\&times;Y_2+142.8\\ {\mathrm{Cr}}_{\mathrm{BH}}=-0.71\&times;Y_2+181.9\end{array}\right.---\left(25\right)$

在实际程序运行时，可存储每次不同Y₂值的计算结果，供后续相同Y₂值像素点计算使用，以提高程序执行效率。

5-6-2)计算(Y₂,Cb_BH,Cr_BH)、(Y₂,Cb_AF,Cr_AF)、(Y₂,Cb_GE,Cr_GE)、(Y₂,Cb_CD,Cr_CD)所对应的角度θ_BH、θ_AF、θ_GE、θ_CD：

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{BH}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{BH}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_BH＝θ。

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{AF}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{AF}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_AF＝θ。

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{GE}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{GE}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_GE＝θ。

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{CD}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{CD}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_CD＝θ。

在实际程序运行时，可存储每次不同截点的计算结果，供后续面临相同截点的像素点计算使用，以提高程序执行效率。

5-6-3)依式(26)计算颜色点(Y₂,Cb₂,Cr₂)所对应的CbCr平面上边界线的2个端点的坐标值Cb₃,Cr₃,Cb₄,Cr₄，然后进入步骤5-7。

5-7)计算所在亮度平面上，Cb或Cr可被调节的最饱和值，即依式(27)计算像素点饱和度调节的最饱和色差值Cb_max或Cr_max：

$\left\{\begin{array}{cc}{\mathrm{Cb}}_{\max }=\frac{{\mathrm{Cb}}_2{\mathrm{Cr}}_3{\mathrm{Cb}}_4-{\mathrm{Cb}}_2{\mathrm{Cb}}_3{\mathrm{Cr}}_4}{{\mathrm{Cr}}_2{\mathrm{Cb}}_4+{\mathrm{Cb}}_2{\mathrm{Cr}}_3-{\mathrm{Cr}}_2{\mathrm{Cb}}_3-{\mathrm{Cb}}_2{\mathrm{Cr}}_4}& {\mathrm{Cb}}_2\&NotEqual;0\\ {\mathrm{Cr}}_{\max }=\frac{{\mathrm{Cr}}_3{\mathrm{Cb}}_4-{\mathrm{Cb}}_3{\mathrm{Cr}}_4}{{\mathrm{Cb}}_4-{\mathrm{Cb}}_3}& {\mathrm{Cb}}_2=0\end{array}\right.---\left(27\right)$

例如，对示例点V_sample的计算，依式(27)，Cb_max＝95，如图15的V_P所示。

5-8)据设定的目标饱和度系数与Cb或Cr可被调节的最饱和值计算饱和度调节后的颜色值，即依式(28)计算饱和度调整结果(Y₅,Cb₅,Cr₅)：

$\left\{\begin{array}{cc}{\mathrm{Cb}}_5=\frac{{\mathrm{\&alpha;}}_T{\mathrm{Cb}}_{\max }}{{\mathrm{Cb}}_2}{\mathrm{Cb}}_1& {\mathrm{Cb}}_2\&NotEqual;0\\ {\mathrm{Cr}}_5=\frac{{\mathrm{\&alpha;}}_T{\mathrm{Cb}}_{\max }}{{\mathrm{Cb}}_2}{\mathrm{Cr}}_1& {\mathrm{Cb}}_2\&NotEqual;0\\ {\mathrm{Cb}}_5=\frac{{\mathrm{\&alpha;}}_T{\mathrm{Cr}}_{\max }}{{\mathrm{Cr}}_2}{\mathrm{Cb}}_1& {\mathrm{Cb}}_2=0\\ {\mathrm{Cr}}_5=\frac{{\mathrm{\&alpha;}}_T{\mathrm{Cr}}_{\max }}{{\mathrm{Cr}}_2}{\mathrm{Cr}}_1& {\mathrm{Cb}}_2=0\\ Y_5=Y_1& \end{array}\right.---\left(28\right)$

其中α_T为目标饱和度系数，范围[0％，100％]，值越大，颜色越发饱和，用户可根据实际需要设定。

例如，对示例点V_sample的计算，取α_T＝100％，饱和度调整结果(Y₅,Cb₅,Cr₅)为(195,-95,-38)。

步骤6：显示输出增强后的图像，依下述方法进行：

把图像增强后的各像素点的 $\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]$ 值依式(29)计算出 $\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$ 并向下取整，若R、G、B取整后的值小于0，则取其值为0；若R、G、B取整后的值大于255，则取其值为255，输出增强后的图像，整个处理流程结束。

$\left[\begin{array}{c}R\\ G\\ B\end{array}\right]=\left[\begin{array}{ccc}1& 0& 1.403\\ 1& -0.344& -0.714\\ 1& 1.773& 0\end{array}\right]\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]---\left(29\right)$

图16为图6的整体处理结果，图17为α_T＝100％时图7的整体处理结果。

上述实施例及附图仅用以说明本发明的技术原理，并不用以限制本发明。本领域的技术人员可以对本发明的技术方案做同等变化与修改，本发明的保护范围应以权利要求书的限定为准。

Claims (12)

1.一种基于CbCr角度特征与模型分层的图像增强方法，其特征在于，包括以下步骤：

1)在图像的YCbCr颜色空间，分别计算Y分量归一化直方图与CbCr角度归一化直方图；

2)根据CbCr角度分布直方图的特征数据进行图像分类，分为Ⅰ类图像与Ⅱ类图像，其中Ⅰ类图像是文本图像或大部分为文本的图像，Ⅱ类图像是非文本的场景图像或者大部分为场景的图像；如果是Ⅰ类图像，则进入步骤3)，如果是Ⅱ类图像，则进入步骤4)；

3)如果图像被判定为I类图像，根据Y分量归一化直方图特征数据再次进行Ⅰ类图像的情况区分，并根据不同情况分别进行Y分量增强；

4)如果图像被判定为Ⅱ类图像，根据Y分量归一化直方图特征数据再次进行Ⅱ类图像的情况区分，并根据不同情况分别进行Y分量增强；

5)如果图像被判定为Ⅱ类图像，再进行基于YCbCr颜色空间模型分层的图像饱和度增强；

6)显示输出增强后的图像。

2.如权利要求1所述的方法，其特征在于，所述图像的YCbCr颜色空间是指从RGB颜色空间依式(1)转换到YCbCr空间的颜色值，R、G、B的取值范围为[0，255]，Y的取值范围为[0，255]，Cb、Cr的取值范围为[-128，128]，这里Y分量即为亮度分量，Cb、Cr为色差信号；RGB空间的颜色模型为一立方体，转换后，YCbCr空间的颜色模型为一空间六面体；不同的Y平面会与六面体的不同边界线段相交；

$\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]=\left[\begin{array}{ccc}0.2990& 0.5870& 0.1140\\ -0.1687& -0.3313& 0.5000\\ 0.5000& -0.4187& -0.0813\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(1\right).$

3.如权利要求2所述的方法，其特征在于，步骤1)所述Y分量归一化直方图是统计各亮度值即Y分量值的分布概率的直方图，横轴为各个亮度，取值范围是[0,255]，纵轴为各亮度像素的出现概率，范围为[0，1]；该直方图的统计公式为：

$p\left(i\right)=\frac{m_i}{M},i=\mathrm{0,1,2,3},...255---\left(2\right),$

其中，M为图像像素点的个数，m_i是亮度为i的像素点个数。

4.如权利要求2所述的方法，其特征在于，步骤1)所述CbCr角度归一化直方图是统计|Cb|≥ThresholdCbCrCollect或者|Cr|≥ThresholdCbCrCollect的像素点的Cb、Cr分量在二维平面角度分布的归一化直方图，ThresholdCbCrCollect为一设定的阈值，将CbCr角度作为直方图横轴，将含有CbCr角度的像素点的概率作为纵轴，范围为[0，1]；CbCr角度的计算公式为：

这里“∧”为“并且”，“∨”为“或者”；

CbCr角度归一化直方图的平均概率为1/360，归一化直方图的统计公式为：

$p\left(k\right)=\frac{n_k}{N},k=\mathrm{0,1,2,3},...359---\left(4\right)$

这里，N为统计像素点个数，指图像像素中符合统计条件像素点的个数，n_k是CbCr角度为k的像素点个数。

5.如权利要求4所述的方法，其特征在于，步骤2)所述根据CbCr角度分布直方图的特征数据进行图像分类，其步骤为：

2-1)如果图中所统计像素点个数与原图像像素总量的比值小于阈值ThresholdTotalRatio，则原图像被判定为Ⅰ类图像，进入步骤3)；否则进入步骤2-2)；

2-2)如果图中概率大于1/360的角度个数和大于阈值ThresholdCountCbCr，则原图像被判定为Ⅱ类图像，进入步骤4)；否则进入步骤2-3)；

2-3)如果图中最大概率值大于阈值ThreasholdMaxRatio，则原图像判定为Ⅰ类图像，进入步骤3)；否则进入步骤2-4)；

2-4)如果图中最大概率角度L_max所在窗口内的概率和大于阈值ThresholdWindTRatio，则原图像被判定为Ⅰ类图像，进入步骤3)；否则原图像判定为Ⅱ类图像，进入步骤4)。

6.如权利要求3所述的方法，其特征在于，步骤3)的具体步骤为：

3-1)如果图中概率大于1/256的亮度的等级数小于阈值ThreasholdLumCount，则不进行图像增强，图像处理过程结束，进入步骤6)，否则，进行步骤3-2)；

3-2)如果图中左半部的概率和与右半部的概率和之差的绝对值小于阈值ThresholdLum，则先进行动态范围调整，再进行基于正弦函数的S型曲线变换，图像增强处理过程结束，进入步骤6)，否则，进入步骤3-3)；

3-3)如果图中左半部的概率和与右半部的概率和之差的绝对值大于阈值ThresholdLum，则图像偏暗或偏亮，进行空间滤波处理，重新统计Y分量归一化直方图，进行动态范围调整，然后进入步骤6)。

7.如权利要求6所述的方法，其特征在于，步骤3-2)和步骤3-3)进行所述动态范围调整时，统计图中从低位向高位的第一个概率值大于1/256的Y分量值downFirstMoreMeanPos以及从高位向低位的第一个概率值大于1/256的Y分量值upFirstMoreMeanPos；横坐标为x，纵坐标为y的像素点(x,y)的Y分量值h(x,y)调整后为h^*(x,y)：

$h^{*}(x,y)=\left\{\begin{array}{cc}0& h(x,y)\&le;\mathrm{downFirstMoreMeanPos}\\ \frac{255(h(x,y)-\mathrm{downFirstMoreMeanPos})}{\mathrm{upFirstMoreMeanPos}-\mathrm{downFirstMoreMeanPos}}& \mathrm{downFirstMoreMeanPos}<h(x,y)<\mathrm{upFirstMoreMeanPos}\\ 255& h(x,y)\&GreaterEqual;\mathrm{upFirstMoreMeanPos}\end{array}\right.---\left(5\right)$

所述基于正弦函数的S型曲线变换，调整Y分量值h^*(x,y)为g₁(x,y)：

$g_1(x,y)=\left\{\begin{array}{cc}2h*(x,y)-127\sin \frac{\mathrm{\&pi;h}*(x,y)}{254}& 0\&le;h^{*}(x,y)<128\\ 128+127\sin \frac{\mathrm{\&pi;}(h*(x,y)-128)}{254}& 128\&le;h^{*}(x,y)\&le;255\end{array}\right.---\left(6\right).$

8.如权利要求6所述的方法，其特征在于，步骤3-3)所述空间滤波按下式对于横坐标为x，纵坐标为y的像素点(x,y)的Y分量初始值h(x,y)计算调整后的Y分量值s'(x,y)：

$s^{\&prime;}(x,y)=\left\{\begin{array}{cc}\exp [\ln 80+\ln h(x,y)-\mathrm{LPF}(\ln h(x,y)]& \exp [\ln 80+\ln h(x,y)-\mathrm{LPF}(\ln h(x,y)]\&le;255\\ 255& \exp [\ln 80+\ln h(x,y)-\mathrm{LPF}(\ln h(x,y)]>255\end{array}\right.---\left(7\right)$

其中，exp为指数运算，LPF为滤波器，滤波的过程为：首先把方形的滤波模板的中心与某像素对齐，然后滤波模板上各系数与图像对应像素相乘，得到乘积的和，最后让乘积的和除以模板上各系数的和作为与模板对齐的中心像素的滤波结果；模板上各系数由下式确定：

$T(\mathrm{tx},\mathrm{ty})=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}{e}^{-({\mathrm{tx}}^2+{\mathrm{ty}}^2)/\left(2{\mathrm{\&sigma;}}^2\right)}---\left(8\right)$

这里，tx与ty为模板上系数的坐标，模板中心坐标为(0,0)，模板的大小为正态函数方差σ²的范围为[70，90]。

9.如权利要求3所述的方法，其特征在于，对于横坐标为x，纵坐标为y的像素点(x,y)的Y分量初始值h(x,y)，步骤4)的具体步骤为：

4-1)如果图中左半部的概率和与右半部的概率和之差的绝对值小于阈值ThresholdLum，对图像Y分量进行直方图均衡，处理结束后，进入步骤5)，否则，进入步骤4-2)；直方图均衡依次依下式处理：

$u_k=\underset{i=0}{\overset{k}{\mathrm{\&Sigma;}}}\frac{m_i}{M},i=\mathrm{1,2},......,255---\left(9\right)$

z(k)＝255×u_k (10)

其中u_k为图中亮度0到k的累计概率，z(k)是原先为k的Y分量在均衡后的值；

4-2)如果图中左半部的概率和与右半部的概率和之差大于阈值ThresholdLum，对图像Y分量进行基于正弦函数的凸曲线变换，处理结束后，进入步骤5)，否则，进入步骤4-3)，变换后的Y分量值g₂(x,y)为：

$g_2(x,y)=255\sin \frac{\mathrm{\&pi;h}(x,y)}{510}---\left(11\right)$

4-3)如果图中右半部的概率和与左半部的概率和之差大于阈值ThresholdLum，对图像Y分量进行基于正弦函数的凹曲线变换，处理结束后，进入步骤5)，变换后的Y分量值g₃(x,y)为：

$g_3(x,y)=2h(x,y)-255\sin \frac{\mathrm{\&pi;h}(x,y)}{510}---\left(12\right).$

10.如权利要求2所述的方法，其特征在于，对于某像素点，在其Y分量增强后，其YCbCr颜色空间的值为(Y₁,Cb₁,Cr₁)，步骤5)的具体步骤为：

5-1)对于某颜色值，若其亮度值Y1大于128，则将其对称到亮度值小于128的空间进行处理，若其亮度值小于或等于128，则直接进入步骤5-2)；由于RGB模型映射到YCbCr空间的空间模型的对称性，依式(13)计算(Y₂,Cb₂,Cr₂)：

$\left\{\begin{array}{cc}{\mathrm{Cb}}_2={\mathrm{Cb}}_1,{\mathrm{Cr}}_2={\mathrm{Cr}}_1,Y_2=Y_1& Y_1\&le;128\\ {\mathrm{Cb}}_2=-{\mathrm{Cb}}_1,{\mathrm{Cr}}_2=-{\mathrm{Cr}}_1,Y_2=255-Y_1& Y_1>128\end{array}\right.---\left(13\right)$

5-2)计算颜色值所对应的CbCr角度，并且如果亮度值在(0,29]进入步骤5-3)；如果亮度值在(29,76]进入步骤5-4)；如果亮度值在(76,105]进入步骤5-5)；如果亮度值在(105,128]进入步骤5-6)，其具体步骤为：

若 $\left\{\begin{array}{c}{\mathrm{Cb}}_2=0\\ {\mathrm{Cr}}_2=0\end{array}\right.,$ 不做任何饱和度增强处理，进入步骤6)，

否则，取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_2\\ \mathrm{Cr}={\mathrm{Cr}}_2\end{array}\right.,$ 依式(14)计算角度θ，

$\left\{\begin{array}{cc}\mathrm{\&theta;}=\frac{180}{\mathrm{\&pi;}}\arctan \frac{\mathrm{Cr}}{\mathrm{Cb}}& (\mathrm{Cb}>0)^(\mathrm{Cr}\&GreaterEqual;0)\\ \mathrm{\&theta;}=180+\frac{180}{\mathrm{\&pi;}}\arctan \frac{\mathrm{Cr}}{\mathrm{Cb}}& (\mathrm{Cb}<0)^(\mathrm{Cr}>0)\\ \mathrm{\&theta;}=180+\frac{180}{\mathrm{\&pi;}}\arctan \frac{\mathrm{Cr}}{\mathrm{Cb}}& (\mathrm{Cb}<0)^(\mathrm{Cr}\&le;0)\\ \mathrm{\&theta;}=360+\frac{180}{\mathrm{\&pi;}}\arctan \frac{\mathrm{Cr}}{\mathrm{Cb}}& (\mathrm{Cb}>0)^(\mathrm{Cr}<0)\\ \mathrm{\&theta;}=90& (\mathrm{Cb}=0)^(\mathrm{Cr}>0)\\ \mathrm{\&theta;}=270& (\mathrm{Cb}=0)^(\mathrm{Cr}<0)\end{array}\right.---\left(14\right)$

取θ₂＝θ，如果Y₂∈(0,29]进入步骤5-3；如果Y₂∈(29,76]进入步骤5-4)；如果Y₂∈(76,105]进入步骤5-5)；如果Y₂∈(105,128]进入步骤5-6)；

5-3)计算所在亮度平面的三边形边界，并计算颜色值所对边界的端点，具体步骤如下：

5-3-1)Y＝Y₂平面会与YCbCr空间模型相交于三条边界线段：GC、GA、GE，依式(15)、(16)、(17)计算线段GC、GA、GE上的截点(Y₂,Cb_GC,Cr_GC)、(Y₂,Cb_GA,Cr_GA)、(Y₂,Cb_GE,Cr_GE)：

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{GC}}=4.41\&times;Y_2\\ {\mathrm{Cr}}_{\mathrm{GC}}=-0.72\&times;Y_2\end{array}\right.---\left(15\right)$

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{GA}}=-0.57\&times;Y_2\\ {\mathrm{Cr}}_{\mathrm{GA}}=1.68\&times;Y_2\end{array}\right.---\left(16\right)$

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{GE}}=-0.56\&times;Y_2\\ {\mathrm{Cr}}_{\mathrm{GE}}=-0.71\&times;Y_2\end{array}\right.---\left(17\right)$

5-3-2)计算(Y₂,Cb_GC,Cr_GC)、(Y₂,Cb_GA,Cr_GA)、(Y₂,Cb_GE,Cr_GE)所对应的角度θ_GC、θ_GA、θ_GE：

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{GC}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{GC}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_GC＝θ，

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{GA}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{GA}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_GA＝θ，

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{GE}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{GE}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_GE＝θ；

5-3-3)依式(18)计算颜色点(Y₂,Cb₂,Cr₂)所对应的CbCr平面上边界线的2个端点的坐标值Cb₃,Cr₃,Cb₄,Cr₄，然后进入步骤5-7)，

5-4)计算所在亮度平面的四边形边界，并计算颜色值所对边界的端点，具体步骤如下：

5-4-1)Y＝Y₂平面会与YCbCr空间模型相交于四条边界线段：CB、GA、GE、CD，依式(19)、(16)、(17)、(20)计算CB、GA、GE、CD上的截点(Y₂,Cb_CB,Cr_CB)、(Y₂,Cb_GA,Cr_GA)、(Y₂,Cb_GE,Cr_GE)、(Y₂,Cb_CD,Cr_CD)：

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{CB}}=-0.58\&times;Y_2+144.79\\ {\mathrm{Cr}}_{\mathrm{CB}}=1.68\&times;Y_2-69.84\end{array}\right.---\left(19\right)$

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{CD}}=-0.57\&times;Y_2+144.43\\ {\mathrm{Cr}}_{\mathrm{CD}}=-0.71\&times;Y_2-0.31\end{array}\right.---\left(20\right)$

5-4-2)计算(Y₂,Cb_CB,Cr_CB)、(Y₂,Cb_GA,Cr_GA)、(Y₂,Cb_GE,Cr_GE)、(Y₂,Cb_CD,Cr_CD)所对应的角度θ_CB、θ_GA、θ_GE、θ_CD：

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{CB}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{CB}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_CB＝θ，

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{GA}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{GA}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_GA＝θ，

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{GE}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{GE}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_GE＝θ，

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{CD}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{CD}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_CD＝θ；

5-4-3)依式(21)计算颜色点(Y₂,Cb₂,Cr₂)所对应的CbCr平面上边界线的2个端点的坐标值Cb₃,Cr₃,Cb₄,Cr₄，然后进入步骤5-7)

5-5)计算所在亮度平面的五边形边界，并计算颜色值所对边界的端点，具体步骤如下：

5-5-1)Y＝Y₂平面会与YCbCr空间模型相交于五条边界线段：CB、BA、AF、GE、CD，依式(19)、(22)、(23)、(17)、(20)计算线段CB、BA、AF、GE、CD上的截点(Y₂,Cb_CB,Cr_CB)、(Y₂,Cb_BA,Cr_BA)、(Y₂,Cb_AF,Cr_AF)、(Y₂,Cb_GE,Cr_GE)、(Y₂,Cb_CD,Cr_CD)：

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{BA}}=4.38\&times;Y_2-375.83\\ {\mathrm{Cr}}_{\mathrm{BA}}=-0.72\&times;Y_2+183.03\end{array}\right.---\left(22\right)$

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{AF}}=-0.57\&times;Y_2+0.07\\ {\mathrm{Cr}}_{\mathrm{AF}}=-0.71\&times;Y_2+182.21\end{array}\right.---\left(23\right)$

5-5-2)计算(Y₂,Cb_CB,Cr_CB)、(Y₂,Cb_BA,Cr_BA)、(Y₂,Cb_AF,Cr_AF)、(Y₂,Cb_GE,Cr_GE)、(Y₂,Cb_CD,Cr_CD)所对应的角度θ_CB、θ_BA、θ_AF、θ_GE、θ_CD：

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{CB}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{CB}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_CB＝θ，

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{BA}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{BA}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_BA＝θ，

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{AF}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{AF}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_AF＝θ，

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{GE}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{GE}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_GE＝θ，

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{CD}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{CD}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_CD＝θ；

5-5-3)依式(24)计算颜色点(Y₂,Cb₂,Cr₂)所对应的CbCr平面上边界线的2个端点的坐标值Cb₃,Cr₃,Cb₄,Cr₄，然后进入步骤5-7；

5-6)计算所在亮度平面的四边形边界，并计算颜色值所对边界的端点，具体步骤如下：

5-6-1)Y＝Y₂平面会与YCbCr空间模型相交于四条边界线段：BH、AF、GE、CD，依式(25)、(23)、(17)、(20)计算线段BH、AF、GE、CD上的截点(Y₂,Cb_BH,Cr_BH)、(Y₂,Cb_AF,Cr_AF)、(Y₂,Cb_GE,Cr_GE)、(Y₂,Cb_CD,Cr_CD)：

$\left\{\begin{array}{c}{\mathrm{Cb}}_{\mathrm{BH}}=-0.56\&times;Y_2+142.8\\ {\mathrm{Cr}}_{\mathrm{BH}}=-0.71\&times;Y_2+181.9\end{array}\right.---\left(25\right);$

5-6-2)计算(Y₂,Cb_BH,Cr_BH)、(Y₂,Cb_AF,Cr_AF)、(Y₂,Cb_GE,Cr_GE)、(Y₂,Cb_CD,Cr_CD)所对应的角度θ_BH、θ_AF、θ_GE、θ_CD：

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{BH}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{BH}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_BH＝θ，

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{AF}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{AF}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_AF＝θ，

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{GE}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{GE}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_GE＝θ，

取 $\left\{\begin{array}{c}\mathrm{Cb}={\mathrm{Cb}}_{\mathrm{CD}}\\ \mathrm{Cr}={\mathrm{Cr}}_{\mathrm{CD}}\end{array}\right.,$ 依式(14)计算角度θ，取θ_CD＝θ；

5-6-3)依式(26)计算颜色点(Y₂,Cb₂,Cr₂)所对应的CbCr平面上边界线的2个端点的坐标值Cb₃,Cr₃,Cb₄,Cr₄，然后进入步骤5-7)

5-7)计算所在亮度平面上，Cb或Cr可被调节的最饱和值，即依式(27)计算像素点饱和度调节的最饱和色差值Cb_max或Cr_max：

$\left\{\begin{array}{cc}{\mathrm{Cb}}_{\max }=\frac{{\mathrm{Cb}}_2{\mathrm{Cr}}_3{\mathrm{Cb}}_4-{\mathrm{Cb}}_2{\mathrm{Cb}}_3{\mathrm{Cr}}_4}{{\mathrm{Cr}}_2{\mathrm{Cb}}_4+{\mathrm{Cb}}_2{\mathrm{Cr}}_3-{\mathrm{Cr}}_2{\mathrm{Cb}}_3-{\mathrm{Cb}}_2{\mathrm{Cr}}_4}& {\mathrm{Cb}}_2\&NotEqual;0\\ {\mathrm{Cr}}_{\max }=\frac{{\mathrm{Cr}}_3{\mathrm{Cb}}_4-{\mathrm{Cb}}_3{\mathrm{Cr}}_4}{{\mathrm{Cb}}_4-{\mathrm{Cb}}_3}& {\mathrm{Cb}}_2=0\end{array}\right.---\left(27\right)$

5-8)据设定的目标饱和度系数与Cb或Cr可被调节的最饱和值计算饱和度调节后的颜色值，即依式(28)计算饱和度调整结果(Y₅,Cb₅,Cr₅)：

$\left\{\begin{array}{cc}{\mathrm{Cb}}_5=\frac{{\mathrm{\&alpha;}}_T{\mathrm{Cb}}_{\max }}{{\mathrm{Cb}}_2}{\mathrm{Cb}}_1& {\mathrm{Cb}}_2\&NotEqual;0\\ {\mathrm{Cr}}_5=\frac{{\mathrm{\&alpha;}}_T{\mathrm{Cb}}_{\max }}{{\mathrm{Cb}}_2}{\mathrm{Cr}}_1& {\mathrm{Cb}}_2\&NotEqual;0\\ {\mathrm{Cb}}_5=\frac{{\mathrm{\&alpha;}}_T{\mathrm{Cr}}_{\max }}{{\mathrm{Cr}}_2}{\mathrm{Cb}}_1& {\mathrm{Cb}}_2=0\\ {\mathrm{Cr}}_5=\frac{{\mathrm{\&alpha;}}_T{\mathrm{Cr}}_{\max }}{{\mathrm{Cr}}_2}{\mathrm{Cr}}_1& {\mathrm{Cb}}_2=0\\ Y_5=Y_1& \end{array}\right.---\left(28\right)$

其中α_T为目标饱和度系数，范围[0％，100％]，值越大，颜色越发饱和，用户可根据实际需要设定。

11.如权利要求7～10中任一项所述的方法，其特征在于，步骤6)所述显示输出增强后的图像，其方法为：

把图像增强后的各像素点的 $\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]$ 值依式(29)计算出 $\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$ 并向下取整，若R、G、B取整后的值小于0，则取其值为0；若R、G、B取整后的值大于255，则取其值为255，输出增强后的图像，整个处理流程结束，

$\left[\begin{array}{c}R\\ G\\ B\end{array}\right]=\left[\begin{array}{ccc}1& 0& 1.403\\ 1& -0.344& -0.714\\ 1& 1.773& 0\end{array}\right]\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]---\left(29\right).$

12.一种采用权利要求1所述方法的图像增强系统，其特征在于，包括：

归一化直方图计算模块，用于在图像的YCbCr颜色空间，分别计算Y分量归一化直方图与CbCr角度归一化直方图；

图像分类模块，连接所述归一化直方图计算模块，用于根据CbCr角度分布直方图的特征数据进行图像分类，分为Ⅰ类图像与Ⅱ类图像，其中Ⅰ类图像是文本图像或大部分为文本的图像，Ⅱ类图像是非文本的场景图像或者大部分为场景的图像；

I类图像Y分量增强模块，连接所述图像分类模块，用于根据Y分量归一化直方图特征数据再次进行Ⅰ类图像的情况区分，并根据不同情况分别进行Y分量增强；

Ⅱ类图像Y分量增强模块，连接所述图像分类模块，用于根据Y分量归一化直方图特征数据再次进行Ⅱ类图像的情况区分，并根据不同情况分别进行Y分量增强；

Ⅱ类图像饱和度增强模块，连接所述Ⅱ类图像Y分量增强模块，根据YCbCr颜色空间的模型分层，进行图像饱和度增强；

显示输出模块，连接所述I类图像Y分量增强模块和Ⅱ类图像饱和度增强模块，用于显示输出增强后的图像。