CN104318524A - 一种基于YCbCr色彩空间的图像增强方法、装置及系统 - Google Patents
一种基于YCbCr色彩空间的图像增强方法、装置及系统 Download PDFInfo
- Publication number
- CN104318524A CN104318524A CN201410546876.6A CN201410546876A CN104318524A CN 104318524 A CN104318524 A CN 104318524A CN 201410546876 A CN201410546876 A CN 201410546876A CN 104318524 A CN104318524 A CN 104318524A
- Authority
- CN
- China
- Prior art keywords
- image
- formula
- normalized
- msr
- luminance component
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明属于图像增强技术领域,尤其涉及一种基于YCbCr色彩空间的图像增强方法、装置及系统,包括:根据输入的原始图像,提取原始图像中的亮度分量Y;对得到的亮度分量Y采取中值滤波,再经过归一化处理得到归一化图像Ym;根据Ym计算出归一化图像的均值avgYm,并根据avgYm的范围判断原始图像雾浓度的度量;对原始图像分别采取MSR处理与DCP处理,得到对应处理后图像Y1与Y2;将Y1、Y2代入公式X=aY1+bY2计算融合处理后的图像X,式中a、b为融合系数;对融合处理后图像X进行自动对比度调节优化,得到优化处理图像。本发明有效的消除了光晕和过增强现象,从而提高了输出图像的稳定性与质量。
Description
技术领域
本发明属于图像增强技术领域,尤其涉及一种基于YCbCr色彩空间的自适应图像增强方法。
背景技术
图像增强处理技术在安防监控等诸多领域有非常重要的应用,图像增强的主要目的在于使人眼获得更好的视觉效果,或更方便计算机系统识别以满足系统对图像信息的需求。图像特征增强主要包括对比度、亮度、颜色等多方面的处理,目前并没有统一的衡量图像的质量的客观标准,评价算法的有效性主要依靠人眼的客观感受,随着计算机及信号处理技术的不断发展,对清晰丰富的图像要求也不断增高。
然而,现有图像增强方法主要都是基于Retinex算法的图像增强方法、Retinex算法的思想就是降低入射图像的影响,从而保留物体本质的反射属性图像。即估计图像中亮度的变化并将其去除,以达到图像增强的目的。在Retinex理论的发展过程中,根据亮度图像的估计方法的不同,演化出不同的Retinex算法,基于中心环绕的Retinex算法应用较为广泛,一般采用高斯滤波器来估计入射分量,根据滤波器的尺度不同又分为单尺度Retinex(SingleScale Retinex,SSR)及多尺度Retinex(Multi Scale Retinex,MSR)算法。SSR算法采用一个固定尺度的高斯滤波函数作为滤波函数,由于SSR算法会出现颜色失真现象,因此,在此基础上产生了MSR算法,它具备了SSR高、中、低三个尺度的特点。MSR对多个尺度的处理结果进行加权平均,这样可以进一步改善SSR单尺度处理带来的局限性,提高处理的视觉效果。但是,MSR算法对R、G、B三色分别处理并合成,容易发生错误而造成失真;同时该算法容易产生光晕现象;并且对于雾天图像的处理虽然在一定程度上起到增强的目的,而且整体清晰度不佳。
一般现有的基于Retinex图像增强算法,主要存在以下缺点:
(1)一种基于双边滤波的单尺度Retinex图像增强算法,采用双边滤波器代替高斯滤波器。虽然在一定程度上抑制了过增强现象,但是仍存在光晕现象,尤其在图像边缘出容易失真。
(2)一种滤波器可变的Retinex雾天图像增强算法,采取DCP(暗原色先验Dark Channel Prior)原理模型,根据雾天图像雾化程度的分布特征得到滤波参数的阈值;然后将原图中每一子块的局部信息与阈值信息做差运算得到相应的滤波器,计算入射分量的估计。这中方法根据雾的浓度实现了MSR算法尺度的改变,但是计算量大,耗时长、实时性差。
(3)一种图像引导滤波的局部多尺度Retinex算法,基于小波变换的基础上,采用两次图像引导滤波克服图像噪声。该算法能够实现有效的消除光晕现象,同时实现细节及颜色保真的平衡,但是对于雾天图像处理清晰度不佳,仍存在Retinex算法的适应性不强的问题。
(4)一种基于暗原色先验模型的Retinex算法,根据局部区域暗原色值设计一种尺度可变滤波器,针对不同景深和雾化区域采用不同尺度的滤波器估算雾天图像的照度分量,实现对雾天图像的增强。这种方法与滤波器可变类似,利用DCP理论设计滤波器的尺度,优化Retinex算法,同样计算量大,耗时长、实时性差。
发明内容
本发明的目的在于提供一种基于YCbCr色彩空间的自适应图像增强方法,旨在解决现有的基于MSR算法在处理效率及实时性等方面都存在一定的困难,而且处理后的图像容易产生光晕现象;和基于DCP理论的算法耗时长,实时困难的问题。
本发明是这样实现的,一种基于YCbCr色彩空间的图像增强方法,包括:
步骤1:根据输入的原始图像,提取原始图像中的亮度分量Y;
步骤2:对得到的亮度分量Y采取中值滤波,再经过归一化处理得到归一化图像Ym;
步骤3:根据Ym计算出归一化图像的均值avgYm,并根据avgYm的范围判断原始图像雾浓度的度量;
步骤4:对原始图像分别采取MSR处理与DCP处理,得到对应处理后图像Y1与Y2;
步骤5:将Y1、Y2代入公式X=aY1+bY2计算融合处理后的图像X,式中a、b为融合系数;
步骤6:对融合处理后图像X进行自动对比度调节优化,得到优化处理图像。
进一步,所述步骤1:根据输入的原始图像,提取原始图像中的亮度分量Y,具体实现如下:
将原始图像由RGB彩色空间转换为YCbCr色彩空间,转换后的图像为S,其中,Y为亮度分量,Cb蓝色色度分量,Cr为红色色度分量;提取图像S中的亮度分量Y进行处理。
进一步,所述步骤2,对得到的亮度分量Y采取中值滤波,再经过归一化处理得到归一化图像Ym;具体实现如下:
对处理后的亮度分量Y采用中值滤波法去除孤点噪声,得到图像S1,再将图像S1进行归一化处理,得到归一化图像Ym。
进一步,所述步骤3,根据Ym计算出归一化图像的均值avgYm,并根据avgYm的范围判断原始图像雾浓度的度量,具体实现如下:
首先,根据归一化图像Ym计算该图像矩阵元素中的平均数,算出其均值avgYm;其次,根据avgYm的范围判断雾浓度的度量,所述雾浓度的度量包括选择尺度与融合系数;其中,所述选择尺度为MSR的尺寸(r1、r2、r3),所述融合系数为MSR的融合系数(a,b)。
进一步,所述步骤4中MSR处理,具体包括:采用基于引导滤波器的MSR算法对亮度分量Y进行处理,首先,选取三组不同半径尺寸的(R1、R2、R3)的引导滤波对图像的亮度信息进行估计,算出核函数Wij;
式中ωk为第k个核函数窗口,ω为权重,Ii为第i个引导图像,Ij为第j个引导图像,μk与分别为引导图像I在窗口内的均值和方差,ε表示平滑因子;
输出图像中第i个像素而言,代入核函数Wij,根据引导滤波的过程下公式:
式中ωij为核函数,I为引导图像,pj为输入图像,qi为输出图像;
根据亮度分量Y作为输入,经MSR算法处理后得到的反射图像为:
式中qk为第k个输出图像,Y(x,y)为原始图像的分量,ωk为第k个核函数窗口,r(x,y)为反射图像。
进一步,所述步骤4中DCP处理,具体包括:首先,根据大气散射模型公式,计算透射率公式如下:
t=1-min(min(pf·avgYm,MaxA)·Ym,Y)/L
其中:MaxA为大气光辐射强度A的最大值,L为灰度级,pf为雾的浓度系数,其值越小表示雾浓度也越小,亮度分量Y,亮度分量的归一化值Ym以及均值avgYm,计算出透射率t;
大气光辐射强度A的计算公式如下:
A=(max(Y)+max(Ym))/2
其中,max(Y)为原始图像亮度分量的最大值,max(Ym)为归一化图像的最大值;
根据上述公式,则恢复后的清晰无雾图像为:
其中:透射率设定下限值t0,I(x)是有雾图像强度,J(x)为场景反照率,t(x)=e-βd(x)表示介质透射率,β为大气散射系数,d(x)为场景深度。
进一步,将Y1、Y2代入公式X=aY1+bY2计算融合处理后的图像X,式中a、b为融合系数,具体实现如下:
根据avgYm的范围选择不同的MSR尺寸(r1、r2、r3)以及融合系数(a、b),其中,avgYm的范围包含如下:
第一、无雾(avgYm<=50)
a=0,b=1;
r1=16,r2=32,r3=48;
第二、薄雾(50<avgYm<=120)
a=0.5,b=0.5;
r1=16,r2=32,r3=48;
第三、中雾(120<avgYm<160)
a=0.75,b=0.25;
r1=16,r2=48,r3=96;
第四、大雾(avgYm>=160)
a=0.85,b=0.15;
r1=16,r2=64,r3=128;
代入DCP及MSR算法融合的公式X=aY1+bY2,计算出融合处理后图像X。
本发明的另一目的在于提供一种基于YCbCr色彩空间的图像增强装置,包括:图像获取单元,用于根据输入的原始图像,提取原始图像中的亮度分量Y;
图像滤波单元,用于对得到的亮度分量Y采取中值滤波,再经过归一化处理得到归一化图像Ym;
图像判断单元,用于根据Ym计算出归一化图像的均值avgYm,并根据avgYm的范围判断原始图像雾浓度的度量;
图像处理单元,用于对原始图像分别采取MSR处理与DCP处理,得到对应处理后图像Y1与Y2;
图像融合单元,用于将Y1、Y2代入公式X=aY1+bY2计算融合处理后的图像X,式中a、b为融合系数;
图像优化单元,用于对融合处理后图像X进行自动对比度调节优化,得到优化处理图像。
进一步,所述图像处理单元包括MSR处理子单元与DCP处理子单元;
所述MSR处理子单元,用于基于MSR算法对归一化图像Ym滤波,增强图像的像素细节;
所述DCP处理子单元,用于基于DCP算法对归一化图像Ym滤波,完成图像的去雾效果。
本发明的另一目的在于提供一种基于YCbCr色彩空间的图像增强系统,所述系统包括装置内所有的图像单元。
在本发明中,通过针对图像的亮度分量Y做处理,得到较好的颜色保真性,处理后的图像能有效的消除了光晕和过增强现象,并且保持了图像亮度部分的细节信息,增强后的图像整体观感协调自然,该图像增强方法,对晴朗天气下的图像、雾天图像、低对比度图像等实现自适应增强,并获得清晰丰富的图像,可通过FPGA、DSP等硬件处理器实现对图像的实时处理,从而提高了输出图像的稳定性与质量。
附图说明
图1是本发明提供的一种基于YCbCr色彩空间的图像增强方法的实现流程图;
图2是本发明提供的一种基于YCbCr色彩空间的图像增强装置的结构示意图;
图3是本发明提供的一种图像处理单元的结构示意图;
图4是本发明提供的晴朗天气下低对比度的原始图像;
图5是本发明提供的基于引导滤波器MSR处理后的晴朗天气下低对比度图像;
图6是本发明提供的经过YCbCr色彩空间的自适应图像增强方法处理后的晴朗天气下低对比度图像;
图7是本发明提供的在雾天下原始图像;
图8是本发明提供的经过DCP理论处理后的雾天下原始图像;
图9是本发明提供的经过原始MSR处理后的雾天下原始图像;
图10是本发明提供的DCP与MSR融合后优化的原始图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,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仅用以解释本发明,并不用于限定本发明。
YCbCr颜色模型是视频中常用的色彩编码方案,其中Y是指亮度分量,Cb指蓝色色度分量,而Cr指红色色度分量。人的肉眼对视频的Y分量更敏感,因此YCbCr是DVD、摄像机、数字电视等视频产品中常用的色彩编码方案。而DCP理论:对于大部分非天空的局部区域里总是存在一些特殊的像素,在至少一个颜色通道的值很小接近于零,大气散射模型描述了雾天图像的退化过程。
如图1所示,是本发明提供的一种基于YCbCr色彩空间的图像增强方法的实现流程图,包括:
步骤1:根据输入的原始图像,提取原始图像中的亮度分量Y;
在本实例中,将原始图像由RGB彩色空间转换为YCbCr色彩空间,转换后的图像为S,其中,Y为亮度分量,Cb蓝色色度分量,Cr为红色色度分量;提取图像S中的亮度分量Y进行处理。
其中,提取亮度分量Y可优先采取位移法,对提取的亮度分量进行下一步操作。
步骤2:对得到的亮度分量Y采取中值滤波,再经过归一化处理得到归一化图像Ym;
在本实例中,对处理后的亮度分量Y采用中值滤波法去除孤点噪声,得到图像S1,再将图像S1进行归一化处理,得到归一化值图像Ym。其中,中值滤波的基本思想是,把局部区域的像素按灰度等级进行排序,取该领域中灰度的中值作为当前像素的灰度值。
中值滤波的步骤为:
1、将滤波模板(含有若干个点的滑动窗口)在图像中漫游,并将模板中心与图中某个像素位置重合;
2、读取模板中各对应像素的灰度值;
3、将这些灰度值从小到大排列;
4、取这一列数据的中间数据,将其赋给对应模板中心位置的像素。如果窗口中有奇数个元素,中值取元素按灰度值大小排序后的中间元素灰度值。如果窗口中有偶数个元素,中值取元素按灰度值大小排序后,中间两个元素灰度的平均值。因为图像为二维信号,中值滤波的窗口形状和尺寸对滤波器效果影响很大,不同图像内容和不同应用要求往往选用不同的窗口形状和尺寸。
由以上步骤,可以看出,中值滤波对孤立的噪声像素即椒盐噪声、脉冲噪声具有良好的滤波效果。由于其并不是简单的取均值,所以,它产生的模糊也就相对比较少。
I=im2double(imread('E:/0.jpg'));
I=rgb2gray(I);
I1=imnoise(I,'salt&pepper');
I2=medfilt2(I1);
I3=imnoise(I,'gaussian');
I4=medfilt2(I3);
subplot(2,2,1),imshow(I1);
subplot(2,2,2),imshow(I2);
subplot(2,2,3),imshow(I3);
subplot(2,2,4),imshow(I4);
步骤3:根据Ym计算出归一化图像的均值avgYm,并根据avgYm的范围判断原始图像雾浓度的度量;
在本实例中,首先,根据归一化图像Ym计算该图像矩阵元素中的平均数,算出其均值avgYm;其次,根据avgYm的范围判断雾浓度的度量,所述雾浓度的度量包括选择尺度与融合系数;其中,所述选择尺度为MSR的尺寸(r1、r2、r3),所述融合系数为MSR的融合系数(a,b)。
如图4与图7所示,分别为的晴朗天气下低对比度的原始图像与本发明提供的在雾天下原始图像,为未经过任何处理的原始图像。
步骤4::对原始图像分别采取MSR处理与DCP处理,得到对应处理后图像Y1与Y2;
在本实例中,DCP处理,首先,根据大气散射模型公式,计算透射率公式如下:
t=1-min(min(pf·avgYm,MaxA)·Ym,Y)/L
其中:MaxA为大气光辐射强度A的最大值,L为灰度级,pf为雾的浓度系数,其值越小表示雾浓度也越小,亮度分量Y,亮度分量的归一化值Ym以及均值avgYm,计算出透射率t;
大气光辐射强度A的计算公式如下:
A=(max(Y)+max(Ym))/2
其中,max(Y)为原始图像亮度分量的最大值,max(Ym)为归一化图像的最大值;
根据上述公式,则恢复后的清晰无雾图像为:
其中,对于大部分非天空的局部区域里总是存在一些特殊的像素,在至少一个颜色通道的值很小接近于零。大气散射模型描述了雾天图像的退化过程,该模型描述如下:
I(x)=J(x)t(x)+A(1-t(x))变换为
其中:透射率设定下限值t0,I(x)是有雾图像强度,J(x)为场景反照率,t(x)=e-βd(x)表示介质透射率,β为大气散射系数,d(x)为场景深度。去雾的目的就是从I(x)中恢复出J(x),式(2)右边的第一项称为直接衰减项,第二项称为大气光成分。通过上述公式计算可以得出经过优化的DCP算法算出的Y2。
同时,图7经过DCP算法,可以得到图8,为本发明提供的经过DCP理论处理后的雾天下原始图像。基于上述的DCP算法设计了一种快速去除单幅图像雾霾算法。我们首先运用DCP先验知识计算出整体大气光;然后估算大气散射光;最后通过整体大气光和大气散射光求解出传输率,该传输率无需优化,可直接通过大气衰减模型得到复原结果。该算法集合了DCP估算整体大气光较为精确的优点和大气散射光计算速度快的优点于一体,从而使得算法速度相比运用DCP去除单幅图像雾霾算法提高了十倍之多,并且复原效果与其相近甚至有时更好。
进一步,所述步骤4中MSR处理,具体包括:采用基于引导滤波器的MSR算法对亮度分量Y进行处理,首先,首先,选取三组不同半径尺寸的(R1、R2、R3)的引导滤波对图像的亮度信息进行估计,算出核函数Wij;
式中ωk为第k个核函数窗口,ω为权重,Ii为第i个引导图像,Ij为第j个引导图像,μk与分别为引导图像I在窗口内的均值和方差,ε表示平滑因子;
输出图像中第i个像素而言,代入核函数Wij,根据引导滤波的过程下公式:
式中ωij为核函数,I为引导图像,pj为输入图像,qi为输出图像;
根据亮度分量Y作为输入,经MSR算法处理后得到的反射图像为:
式中qk为第k个输出图像,Y(x,y)为原始图像的分量,ωk为第k个核函数窗口,r(x,y)为反射图像。
其中,基于引导滤波器的MSR算法,利用三组不同半径(R1、R2、R3)的引导滤波对图像的亮度信息进行估计,图像引导滤波核函数具有良好的边缘保持性能,其使用了邻域内像素均值与方差作为局部估计,同时具有细节增强的特性。经过MSR算法可以算出处理后图像Y1。
同时,图4与图7经过MSR算法,可以得到图5与图9,图5为本发明提供的基于引导滤波器MSR处理后的晴朗天气下低对比度图像;图9为本发明提供的经过原始MSR处理后的雾天下原始图像。MSR处理后的图像具有良好的边缘保持性能,其使用了邻域内像素均值与方差作为局部估计,同时具有细节增强的特性,可以到达去雾效果。
步骤5:将Y1、Y2代入公式X=aY1+bY2计算融合处理后的图像X,式中a、b为融合系数;
在本实例中,具体实现如下:
根据avgYm的范围选择不同的MSR尺寸(r1、r2、r3)以及融合系数(a、b),其中,avgYm的范围包含如下:
第一、无雾(avgYm<=50)
a=0,b=1;
r1=16,r2=32,r3=48;
第二、薄雾(50<avgYm<=120)
a=0.5,b=0.5;
r1=16,r2=32,r3=48;
第三、中雾(120<avgYm<160)
a=0.75,b=0.25;
r1=16,r2=48,r3=96;
第四、大雾(avgYm>=160)
a=0.85,b=0.15;
r1=16,r2=64,r3=128;
代入DCP及MSR算法融合的公式X=aY1+bY2,计算出融合处理后图像X。
步骤6:对融合处理后图像X进行自动对比度调节优化,得到优化处理图像。
在本实例中,如图6所示,为本发明提供的经过YCbCr色彩空间的自适应图像增强方法处理后的晴朗天气下低对比度图像;如图10所示,为本发明提供的DCP与MSR融合后优化的原始图像。两张图像经处理优化后,有效的消除了光晕和过增强现象,并且保持了图像亮度部分的细节信息,增强后的图像整体观感协调自然,该图像增强方法,对晴朗天气下的图像、雾天图像、低对比度图像等实现自适应增强,并获得清晰丰富的图像,可通过FPGA、DSP等硬件处理器实现对图像的实时处理,从而提高了输出图像的稳定性与质量。
如图2所示,是本发明提供的一种基于YCbCr色彩空间的图像增强装置的结构示意图,包括:
图像获取单元,用于根据输入的原始图像,提取原始图像中的亮度分量Y;
图像滤波单元,用于对得到的亮度分量Y采取中值滤波,再经过归一化处理得到归一化图像Ym;
图像判断单元,用于根据Ym计算出归一化图像的均值avgYm,并根据avgYm的范围判断原始图像雾浓度的度量;
图像处理单元,用于对原始图像分别采取MSR处理与DCP处理,得到对应处理后图像Y1与Y2;
图像融合单元,用于将Y1、Y2代入公式X=aY1+bY2计算融合处理后的图像X,式中a、b为融合系数;
图像优化单元,用于对融合处理后图像X进行自动对比度调节优化,得到优化处理图像。
如图3所示,为本发明提供的一种图像处理单元的结构示意图;所述图像处理单元包括MSR处理子单元与DCP处理子单元;
所述MSR处理子单元,用于基于MSR算法对归一化图像Ym滤波,增强图像的像素细节;
所述DCP处理子单元,用于基于DCP算法对归一化图像Ym滤波,完成图像的去雾效果。
进一步,所述一种基于YCbCr色彩空间的图像增强的系统包括装置内所有的图像单元。
本发明实施例提供的装置可以应用在前述对应的方法实施例中,详情参见上述实施例的描述,在此不再赘述。
在本发明中,通过针对图像的亮度分量Y做处理,得到较好的颜色保真性,处理后的图像能有效的消除了光晕和过增强现象,并且保持了图像亮度部分的细节信息,增强后的图像整体观感协调自然,该图像增强方法,对晴朗天气下的图像、雾天图像、低对比度图像等实现自适应增强,并获得清晰丰富的图像,可通过FPGA、DSP等硬件处理器实现对图像的实时处理,从而提高了输出图像的稳定性与质量。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于YCbCr色彩空间的图像增强方法,其特征在于,包括:
步骤1:根据输入的原始图像,提取原始图像中的亮度分量Y;
步骤2:对得到的亮度分量Y采取中值滤波,再经过归一化处理得到归一化图像Ym;
步骤3:根据Ym计算出归一化图像的均值avgYm,并根据avgYm的范围判断原始图像雾浓度的度量;
步骤4:对原始图像分别采取MSR处理与DCP处理,得到对应处理后图像Y1与Y2;
步骤5:将Y1、Y2代入公式X=aY1+bY2计算融合处理后的图像X,式中a、b为融合系数;
步骤6:对融合处理后图像X进行自动对比度调节优化,得到优化处理图像。
2.根据权利要求1所述的一种基于YCbCr色彩空间的图像增强方法,其特征在于,所述步骤1具体实现如下:
将原始图像由RGB彩色空间转换为YCbCr色彩空间,转换后的图像为S,其中,Y为亮度分量,Cb蓝色色度分量,Cr为红色色度分量;提取图像S中的亮度分量Y进行处理。
3.根据权利要求1所述的一种基于YCbCr色彩空间的图像增强方法,其特征在于,所述步骤2,对得到的亮度分量Y采取中值滤波,再经过归一化处理得到归一化图像Ym;具体实现如下:
对处理后的亮度分量Y采用中值滤波法去除孤点噪声,得到图像S1,再将图像S1进行归一化处理,得到归一化图像Ym。
4.根据权利要求1所述的一种基于YCbCr色彩空间的图像增强方法,其特征在于,所述步骤3,根据Ym计算出归一化图像的均值avgYm,并根据avgYm的范围判断原始图像雾浓度的度量,具体实现如下:
首先,根据归一化图像Ym计算该图像矩阵元素中的平均数,算出其均值avgYm;其次,根据avgYm的范围判断雾浓度的度量,所述雾浓度的度量包括选择尺度与融合系数;其中,所述选择尺度为MSR的尺寸(r1、r2、r3),所述融合系数为MSR的融合系数(a,b)。
5.根据权利要求1所述的一种基于YCbCr色彩空间的图像增强方法,其特征在于,所述步骤4中MSR处理,具体包括:采用基于引导滤波器的MSR算法对亮度分量Y进行处理,首先,选取三组不同半径尺寸的(R1、R2、R3)的引导滤波对图像的亮度信息进行估计,算出核函数Wij;
式中ωk为第k个核函数窗口,ω为权重,Ii为第i个引导图像,Ij为第j个引导图像,μk与分别为引导图像I在窗口内的均值和方差,ε表示平滑因子;
输出图像中第i个像素而言,代入核函数Wij,根据引导滤波的过程下公式:
式中ωij为核函数,I为引导图像,pj为输入图像,qi为输出图像;
根据亮度分量Y作为输入,经MSR算法处理后得到的反射图像为:
式中qk为第k个输出图像,Y(x,y)为原始图像的分量,ωk为第k个核函数窗口,r(x,y)为反射图像。
6.根据权利要求1所述的一种基于YCbCr色彩空间的图像增强方法,其特征在于,所述步骤4中DCP处理,具体包括:首先,根据大气散射模型公式,计算透射率公式如下:
t=1-min(min(pf·avgYm,MaxA)·Ym,Y)/L
其中:MaxA为大气光辐射强度A的最大值,L为灰度级,pf为雾的浓度系数,其值越小表示雾浓度也越小,亮度分量Y,亮度分量的归一化值Ym以及均值avgYm,计算出透射率t;
大气光辐射强度A的计算公式如下:
A=(max(Y)+max(Ym))/2
其中,max(Y)为原始图像亮度分量的最大值,max(Ym)为归一化图像的最大值;
根据上述公式,则恢复后的清晰无雾图像为:
其中:透射率设定下限值t0,I(x)是有雾图像强度,J(x)为场景反照率,t(x)=e-βd(x)表示介质透射率,β为大气散射系数,d(x)为场景深度。
7.根据权利要求1所述的一种基于YCbCr色彩空间的图像增强方法,其特征在于,所述步骤5:将Y1、Y2代入公式X=aY1+bY2计算融合处理后的图像X,式中a、b为融合系数,具体实现如下:
根据avgYm的范围选择不同的MSR尺寸(r1、r2、r3)以及融合系数(a、b),其中,avgYm的范围包含如下:
第一、无雾(avgYm<=50)
a=0,b=1;
r1=16,r2=32,r3=48;
第二、薄雾(50<avgYm<=120)
a=0.5,b=0.5;
r1=16,r2=32,r3=48;
第三、中雾(120<avgYm<160)
a=0.75,b=0.25;
r1=16,r2=48,r3=96;
第四、大雾(avgYm>=160)
a=0.85,b=0.15;
r1=16,r2=64,r3=128;
代入DCP及MSR算法融合的公式X=aY1+bY2,计算出融合处理后图像X。
8.一种基于YCbCr色彩空间的图像增强装置,其特征在于,包括:
图像获取单元,用于根据输入的原始图像,提取原始图像中的亮度分量Y;
图像滤波单元,用于对得到的亮度分量Y采取中值滤波,再经过归一化处理得到归一化图像Ym;
图像判断单元,用于根据Ym计算出归一化图像的均值avgYm,并根据avgYm的范围判断原始图像雾浓度的度量;
图像处理单元,用于对原始图像分别采取MSR处理与DCP处理,得到对应处理后图像Y1与Y2;
图像融合单元,用于将Y1、Y2代入公式X=aY1+bY2计算融合处理后的图像X,式中a、b为融合系数;
图像优化单元,用于对融合处理后图像X进行自动对比度调节优化,得到优化处理图像。
9.根据权利要求8所述的一种基于YCbCr色彩空间的图像增强装置,其特征在于,所述图像处理单元包括MSR处理子单元与DCP处理子单元;
所述MSR处理子单元,用于基于MSR算法对归一化图像Ym滤波,增强图像的像素细节;
所述DCP处理子单元,用于基于DCP算法对归一化图像Ym滤波,完成图像的去雾效果。
10.一种基于YCbCr色彩空间的图像增强系统,其特征在于,包括权利要求8至9中任意所述装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410546876.6A CN104318524A (zh) | 2014-10-15 | 2014-10-15 | 一种基于YCbCr色彩空间的图像增强方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410546876.6A CN104318524A (zh) | 2014-10-15 | 2014-10-15 | 一种基于YCbCr色彩空间的图像增强方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104318524A true CN104318524A (zh) | 2015-01-28 |
Family
ID=52373750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410546876.6A Pending CN104318524A (zh) | 2014-10-15 | 2014-10-15 | 一种基于YCbCr色彩空间的图像增强方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318524A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279739A (zh) * | 2015-09-08 | 2016-01-27 | 哈尔滨工程大学 | 一种自适应含雾数字图像去雾方法 |
CN105405108A (zh) * | 2015-10-28 | 2016-03-16 | 努比亚技术有限公司 | 图像锐化方法及移动终端 |
CN105894480A (zh) * | 2016-05-03 | 2016-08-24 | 成都索贝数码科技股份有限公司 | 一种高效且易于并行实现的美颜装置 |
CN105913400A (zh) * | 2016-05-03 | 2016-08-31 | 成都索贝数码科技股份有限公司 | 一种获得高质量且实时的美颜的装置 |
CN105976405A (zh) * | 2016-05-06 | 2016-09-28 | 深圳Tcl新技术有限公司 | Rgb图像处理方法及系统 |
CN107451962A (zh) * | 2017-07-03 | 2017-12-08 | 山东财经大学 | 一种图像去雾方法及装置 |
CN107705263A (zh) * | 2017-10-10 | 2018-02-16 | 福州图森仪器有限公司 | 一种基于rgb‑ir传感器的自适应透雾方法和终端 |
CN108154492A (zh) * | 2017-12-25 | 2018-06-12 | 北京航空航天大学 | 一种基于非局部均值滤波的图像去雾霾方法 |
CN108205804A (zh) * | 2016-12-16 | 2018-06-26 | 阿里巴巴集团控股有限公司 | 图像处理方法、装置及电子设备 |
CN108428218A (zh) * | 2018-02-28 | 2018-08-21 | 广州布伦南信息科技有限公司 | 一种去除牛顿光晕的图片处理方法 |
CN108648160A (zh) * | 2018-05-14 | 2018-10-12 | 中国农业大学 | 一种水下海参图像去雾增强方法及系统 |
CN109325918A (zh) * | 2018-07-26 | 2019-02-12 | 京东方科技集团股份有限公司 | 一种图像处理的方法、装置及计算机存储介质 |
CN110111280A (zh) * | 2019-05-06 | 2019-08-09 | 平顶山学院 | 一种多尺度梯度域引导滤波的低照度图像增强算法 |
CN110400270A (zh) * | 2019-07-05 | 2019-11-01 | 常州大学 | 一种利用图像分解和多重校正融合的车牌去雾方法 |
CN110427883A (zh) * | 2019-08-01 | 2019-11-08 | 甘肃梦农物联网科技有限公司 | 一种智慧停车场的车辆身份识别方法 |
CN110930311A (zh) * | 2018-09-19 | 2020-03-27 | 杭州萤石软件有限公司 | 一种提高红外图像与可见光图像融合的信噪比方法与装置 |
WO2021233315A1 (zh) * | 2020-05-18 | 2021-11-25 | 上海联影医疗科技股份有限公司 | 一种图像质量优化的方法及系统 |
CN114494098A (zh) * | 2022-04-01 | 2022-05-13 | 武汉工程大学 | 一种锂电池x射线图像增强方法、装置以及存储介质 |
CN114708621A (zh) * | 2022-05-31 | 2022-07-05 | 广东海洋大学 | 水下海胆图像识别模型的训练方法、识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060232823A1 (en) * | 2005-04-13 | 2006-10-19 | Hooper David S | Image contrast enhancement |
CN102609704A (zh) * | 2012-03-23 | 2012-07-25 | 上海海事大学 | 雾天条件下视频监控图像运动目标的检测装置和方法 |
CN103955905A (zh) * | 2014-05-13 | 2014-07-30 | 北京邮电大学 | 基于快速小波变换和加权图像融合的单幅图像去雾方法 |
CN104036464A (zh) * | 2014-06-16 | 2014-09-10 | 北方工业大学 | 基于CbCr角度特征与模型分层的图像增强方法及系统 |
-
2014
- 2014-10-15 CN CN201410546876.6A patent/CN104318524A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060232823A1 (en) * | 2005-04-13 | 2006-10-19 | Hooper David S | Image contrast enhancement |
CN102609704A (zh) * | 2012-03-23 | 2012-07-25 | 上海海事大学 | 雾天条件下视频监控图像运动目标的检测装置和方法 |
CN103955905A (zh) * | 2014-05-13 | 2014-07-30 | 北京邮电大学 | 基于快速小波变换和加权图像融合的单幅图像去雾方法 |
CN104036464A (zh) * | 2014-06-16 | 2014-09-10 | 北方工业大学 | 基于CbCr角度特征与模型分层的图像增强方法及系统 |
Non-Patent Citations (2)
Title |
---|
方帅等: "图像引导滤波的局部多尺度 Retinex 算法", 《中国图象图形学报》 * |
郭璠: "单幅图像自动去雾新算法", 《中国图象图形学报》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279739A (zh) * | 2015-09-08 | 2016-01-27 | 哈尔滨工程大学 | 一种自适应含雾数字图像去雾方法 |
CN105405108B (zh) * | 2015-10-28 | 2019-01-25 | 努比亚技术有限公司 | 图像锐化方法及移动终端 |
CN105405108A (zh) * | 2015-10-28 | 2016-03-16 | 努比亚技术有限公司 | 图像锐化方法及移动终端 |
CN105894480A (zh) * | 2016-05-03 | 2016-08-24 | 成都索贝数码科技股份有限公司 | 一种高效且易于并行实现的美颜装置 |
CN105913400A (zh) * | 2016-05-03 | 2016-08-31 | 成都索贝数码科技股份有限公司 | 一种获得高质量且实时的美颜的装置 |
CN105976405A (zh) * | 2016-05-06 | 2016-09-28 | 深圳Tcl新技术有限公司 | Rgb图像处理方法及系统 |
CN108205804B (zh) * | 2016-12-16 | 2022-05-31 | 斑马智行网络(香港)有限公司 | 图像处理方法、装置及电子设备 |
CN108205804A (zh) * | 2016-12-16 | 2018-06-26 | 阿里巴巴集团控股有限公司 | 图像处理方法、装置及电子设备 |
CN107451962A (zh) * | 2017-07-03 | 2017-12-08 | 山东财经大学 | 一种图像去雾方法及装置 |
CN107451962B (zh) * | 2017-07-03 | 2020-05-05 | 山东财经大学 | 一种图像去雾方法及装置 |
CN107705263A (zh) * | 2017-10-10 | 2018-02-16 | 福州图森仪器有限公司 | 一种基于rgb‑ir传感器的自适应透雾方法和终端 |
CN108154492B (zh) * | 2017-12-25 | 2019-02-15 | 北京航空航天大学 | 一种基于非局部均值滤波的图像去雾霾方法 |
CN108154492A (zh) * | 2017-12-25 | 2018-06-12 | 北京航空航天大学 | 一种基于非局部均值滤波的图像去雾霾方法 |
CN108428218A (zh) * | 2018-02-28 | 2018-08-21 | 广州布伦南信息科技有限公司 | 一种去除牛顿光晕的图片处理方法 |
CN108648160A (zh) * | 2018-05-14 | 2018-10-12 | 中国农业大学 | 一种水下海参图像去雾增强方法及系统 |
US11257187B2 (en) | 2018-07-26 | 2022-02-22 | Boe Technology Group Co., Ltd. | Image processing method, image processing device and computer storage medium |
CN109325918A (zh) * | 2018-07-26 | 2019-02-12 | 京东方科技集团股份有限公司 | 一种图像处理的方法、装置及计算机存储介质 |
CN110930311A (zh) * | 2018-09-19 | 2020-03-27 | 杭州萤石软件有限公司 | 一种提高红外图像与可见光图像融合的信噪比方法与装置 |
CN110111280A (zh) * | 2019-05-06 | 2019-08-09 | 平顶山学院 | 一种多尺度梯度域引导滤波的低照度图像增强算法 |
CN110111280B (zh) * | 2019-05-06 | 2023-04-07 | 平顶山学院 | 一种多尺度梯度域引导滤波的低照度图像增强方法 |
CN110400270A (zh) * | 2019-07-05 | 2019-11-01 | 常州大学 | 一种利用图像分解和多重校正融合的车牌去雾方法 |
CN110427883A (zh) * | 2019-08-01 | 2019-11-08 | 甘肃梦农物联网科技有限公司 | 一种智慧停车场的车辆身份识别方法 |
WO2021232195A1 (en) * | 2020-05-18 | 2021-11-25 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image optimization |
WO2021233315A1 (zh) * | 2020-05-18 | 2021-11-25 | 上海联影医疗科技股份有限公司 | 一种图像质量优化的方法及系统 |
CN114494098A (zh) * | 2022-04-01 | 2022-05-13 | 武汉工程大学 | 一种锂电池x射线图像增强方法、装置以及存储介质 |
CN114708621A (zh) * | 2022-05-31 | 2022-07-05 | 广东海洋大学 | 水下海胆图像识别模型的训练方法、识别方法及装置 |
CN114708621B (zh) * | 2022-05-31 | 2022-08-19 | 广东海洋大学 | 水下海胆图像识别模型的训练方法、识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318524A (zh) | 一种基于YCbCr色彩空间的图像增强方法、装置及系统 | |
CN102750674B (zh) | 基于自适应容差的视频图像去雾方法 | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
CN103218778B (zh) | 一种图像和视频的处理方法及装置 | |
CN104794697B (zh) | 一种基于暗原色先验的图像去雾方法 | |
CN107301624B (zh) | 基于区域划分及浓雾预处理的卷积神经网络去雾方法 | |
CN103985091A (zh) | 基于亮度暗先验与双边滤波的单幅图像去雾方法 | |
CN101783012A (zh) | 一种基于暗原色的自动图像去雾方法 | |
CN103955905A (zh) | 基于快速小波变换和加权图像融合的单幅图像去雾方法 | |
CN105976337B (zh) | 一种基于中值引导滤波的图像去雾方法 | |
CN103020917A (zh) | 一种基于显著性检测的中国古代书法绘画图像复原方法 | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
CN108022225A (zh) | 基于快速导向滤波改进的暗通道先验图像去雾算法 | |
CN110211067A (zh) | 一种用于uuv近海面可见光图像去雾方法 | |
CN107798670A (zh) | 一种利用图像引导滤波器的暗原色先验图像去雾方法 | |
CN105023246B (zh) | 一种基于对比度和结构相似度的图像增强方法 | |
CN105447825A (zh) | 图像去雾方法及其系统 | |
CN106327450A (zh) | 一种基于时空累积和图像退化模型的低照度视频图像增强方法 | |
CN108711160A (zh) | 一种基于hsi增强性模型的目标分割方法 | |
Lu et al. | Underwater scene enhancement using weighted guided median filter | |
CN103337054A (zh) | 基于单图像的二阶段图像去雾方法 | |
Ding et al. | Restoration of single sand-dust image based on style transformation and unsupervised adversarial learning | |
Raigonda et al. | Haze Removal Of Underwater Images Using Fusion Technique | |
CN105303529A (zh) | 一种基于直方图均衡化的数字图像去雾方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150128 |
|
RJ01 | Rejection of invention patent application after publication |