CN104574337A - 基于双边伽马校正和多尺度图像融合的图像增强方法 - Google Patents

Abstract

本发明属于图像增强技术领域，具体公开了一种基于双边伽马校正和多尺度图像融合的图像增强方法，该方法采用图像空频域结合处理模式，在空间域设计了双边伽马校正模块，利用上边和下边两条伽马校正曲线的特征改善灰度图像中过暗区域和过亮区域的视觉效果；在频率域设计了多尺度图像融合模块，对双边伽马校正后的两幅图像进行多尺度分解、融合和重构，其中，在低频子带图像中采用加权平均融合规则保持原始图像亮度，在高频子带图像中采用平均选择融合规则突出原始图像细节。本发明方法能够在保持图像真实感的前提下提高图像的视觉质量，使得图像更容易被人或机器所理解，避免了基于直方图均衡化的方法容易出现的图像“过增强”现象。

Description

基于双边伽马校正和多尺度图像融合的图像增强方法

技术领域

本发明属于图像增强技术领域，具体涉及一种基于双边伽马校正和多尺度图像融合的图像增强方法。

背景技术

图像增强是为了改善图像的视觉效果、或便于人或机器对图像进行分析，根据图像的特点以及应用目的所采取地改善图像质量的方法或加强图像某些特征的措施。图像增强技术应用于电视、数码相机等消费类电子产品时，使输出图像能够保持原始图像的亮度是非常重要的，例如，黄昏时拍摄的照片其平均亮度较低，而晴天时拍摄雪景的照片其平均亮度较高，如果在增强图像时过多地改变输入图像的亮度特征，则会产生难以接受的加工痕迹，影响图像的真实感。对于灰度图像在保持亮度的基础上进行图像增强的做法，目前比较常用的一类方法是基于直方图均衡化的思想，通过寻找某种约束下一个或多个直方图分隔点来实现图像的亮度保持，并借助直方图均衡化方法固有的对比度拉伸特性来提高图像对比度。

这类方法有其固有的局限性，因为根据整幅图像、或局部图像的灰度统计特性来调整图像亮度时，输出图像的平均亮度总是位于其灰度范围的中间值附近，而与输入图像的亮度无关，并且忽视了中心像素点与其邻域像素点的空间相关性，容易导致在增强图像的同时，过多地改变图像亮度，出现“过增强”现象。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种基于双边伽马校正和多尺度图像融合的图像增强方法，该方法能够在保持原始图像亮度不变的基础上有效突出图像细节。

为了实现上述目的，本发明采用如下技术方案：

基于双边伽马校正和多尺度图像融合的图像增强方法，包括如下步骤：

s1、双边伽马校正

根据伽马校正算法设计两条校正曲线，分别是伽马取值范围为(0,1)的上边伽马校正曲线和伽马取值范围为(1,+∞)的下边伽马校正曲线；

两条伽马校正曲线中都包含斜率大于1和斜率小于1的两段曲线段；

利用上边伽马校正曲线中斜率大于1的曲线段校正原始图像，生成一幅改善了过暗区域视觉效果的图像；

利用下边伽马校正曲线中斜率大于1的曲线段校正原始图像，生成一幅改善了过亮区域视觉效果的图像；

s2、多尺度图像融合

利用拉普拉斯金子塔分解算法分别对双边伽马校正后的两幅图像进行多尺度拉普拉斯金子塔图像分解，分解成两个N层的多尺度图像序列，每层包含低频子带图像和高频子带图像；

将两个图像序列中每层的低频子带图像采用加权平均融合规则进行图像融合，生成一个N层的多尺度图像序列；

将两个图像序列中每层的高频子带图像采用平均选择融合规则进行图像融合，生成一个N层的多尺度图像序列；

将生成的两个N层的多尺度图像序列采用拉普拉斯逆金子塔变换重构成一幅输出图像。

进一步，上述步骤s1中伽马值的确定方法如下：

设点A和点C分别是上边伽马校正曲线和下边伽马校正曲线中斜率等于1的点，通过A点的位置确定上边伽马校正曲线，通过C点的位置确定下边伽马校正曲线；

伽马校正算法的表达式为：g(u)＝u^γ   (1)

其中，γ是参数伽马，取值为大于零的实数；

u是校正前图像中像素点的灰度值，采用256级灰度，取值范围为[0,255]；g(u)是校正后图像中的像素点的灰度值，采用256级灰度，取值范围为[0,255]；

根据公式(1)求导可得：dg(u)/du＝γu^γ-1   (2)

令 $\mathrm{dg}\left(u\right)/\mathrm{du}{|}_{u=u_A}=\mathrm{dg}\left(u_A\right)/d{u}_A=1,$ 则可导出u_A关于γ的函数为：

$u_A={\mathrm{\γ}}^{\left(\frac{1}{1-\mathrm{\γ}}\right)},\mathrm{\γ}\∈\left(\mathrm{0,1}\right)---\left(3\right)$

令 $\mathrm{dg}\left(u\right)/\mathrm{du}{|}_{u=u_C}=\mathrm{dg}\left(u_C\right)/d{u}_C=1,$ 则可导出u_C关于γ的函数为：

$u_C={\mathrm{\γ}}^{\left(\frac{1}{1-\mathrm{\γ}}\right)},\mathrm{\γ}\∈(1,+\∞)---\left(4\right)$

由公式(3)和公式(4)可知，在已知u_A的情况下求出上边伽马校正曲线的γ，在已知u_C的情况下求出下边伽马校正曲线的γ。

进一步，根据灰度图像的灰度统计直方图，找出过暗区域的灰度值分界点来确定参数值u_A，找出过亮区域的灰度值分界点来确定参数值u_C。

进一步，上述步骤s2包括：

s21、多尺度图像分解

设f_A表示输入的灰度图像；f_B和f_C分别表示经上边伽马校正曲线和下边伽马校正曲线校正后的两幅灰度图像，采用拉普拉斯金子塔分解算法将f_B和f_C分解成具有N层的两个多尺度图像序列和每一层包含两个子带图像，和分别表示为：

$f_B^N=\{f_B^{k,L},f_B^{k,H}\},k=\mathrm{1,2},...N---\left(5\right)$

$f_C^N=\{f_C^{k,L},f_C^{k,H}\},k=\mathrm{1,2},...N---\left(6\right)$

其中，和分别为和的第k层上的低频子带图像，和分别为和的第k层上的高频子带图像；

s22、低频子带图像融合

采用加权平均融合规则融合每层的两个低频子带图像和计算融合后的每层低频子带图像的过程如下：

设m_A为输入图像的灰度均值，m_B和m_C分别是经上边和下边伽马校正后生成的两幅图像的灰度均值，融合后每层的低频子带图像为：

$f_F^{k,L}=0.5\·\left(\frac{m_A}{m_B}\right)\·f_B^{k,L}+0.5\·\left(\frac{m_A}{m_C}\right)\·f_C^{k,L}---\left(7\right)$

s23、高频子带图像融合

采用平均选择融合规则融合每层的两个高频子带图像和计算融合后的每层高频子带图像的过程如下：

a分别计算和在像素p处的局部区域能量和表达式为：

$E_B^{k,H}\left(p\right)=\underset{q\∈Q_p}{\mathrm{\Σ}}w\left(q\right){\left[f_B^{k,H}\left(q\right)\right]}^2---\left(8\right)$

$E_C^{k,H}\left(p\right)=\underset{q\∈Q_p}{\mathrm{\Σ}}w\left(q\right){\left[f_C^{k,H}\left(q\right)\right]}^2---\left(9\right)$

其中，和分别表示图像f_B和f_C中的第k层上，以p为中心的区域Q_p内的局部区域能量；w(q)为权值，且满足

b计算高频子带图像和对应区域的匹配度表达式为：

$M_{\mathrm{BC}}^{k,H}\left(p\right)=\frac{2\underset{q\∈Q_p}{\mathrm{\Σ}}w\left(q\right)f_B^{k,H}\left(q\right)f_C^{k,H}\left(q\right)}{E_B^{k,H}\left(p\right)+E_C^{k,H}\left(p\right)}---\left(10\right)$

c确定融合算子

给定匹配度阈值T，并满足0.5≤T≤1的条件，若则：

$\left\{\begin{array}{cc}{f}_F^{k,H}\left(p\right)=f_B^{k,H}\left(p\right),& E_B^{k,H}\left(p\right)\&GreaterEqual;E_C^{k,H}\left(p\right)\\ f_F^{k,H}\left(p\right)=f_C^{k,H}\left(p\right),& E_B^{k,H}\left(p\right)<E_C^{k,H}\left(p\right)\end{array}\right.---\left(11\right)$

若 $M_{\mathrm{BC}}^{k,H}\&GreaterEqual;T,$ 则：

$\left\{\begin{array}{cc}{f}_F^{k,H}\left(p\right)=W_{\max }\left(p\right)f_B^{k,H}\left(p\right)+W_{\min }\left(p\right)f_C^{k,H}\left(p\right),& E_B^{k,H}\left(p\right)\&GreaterEqual;E_C^{k,H}\left(p\right)\\ f_F^{k,H}\left(p\right)=W_{\min }\left(p\right)f_B^{k,H}\left(p\right)+W_{\max }\left(p\right)f_C^{k,H}\left(p\right),& E_B^{k,H}\left(p\right)<E_C^{k,H}\left(p\right)\end{array}\right.---\left(12\right)$

其中， $W_{\min }\left(p\right)=\frac{1}{2}-\frac{1}{2}\left(\frac{1-M_{\mathrm{BC}}^{k,H}\left(p\right)}{1-T}\right),W_{\max }\left(p\right)=1-W_{\min }\left(p\right);$

s24、多尺度图像重构

经过两种规则在低频和高频进行图像融合后得到了N层图像序列每层包含融合后的低频子带图像和高频子带图像其表达式为：

$f_F^N=\{f_F^{k,L},f_F^{k,H}\},k=\mathrm{1,2},...N---\left(13\right)$

最后，采用拉普拉斯逆金字塔变换，对融合后的图像序列进行重构，生成输出图像。

本发明具有如下优点：

本发明方法采用图像空频域结合处理模式，在空间域设计了双边伽马校正模块，利用上边和下边两条伽马校正曲线的特征改善灰度图像中过暗区域和过亮区域的视觉效果；在频率域设计了多尺度图像融合模块，对双边伽马校正后的两幅图像进行多尺度分解、融合和重构，其中，在低频子带图像中采用加权平均融合规则保持原始图像亮度，在高频子带图像中采用平均选择融合规则突出原始图像细节。本发明方法能够在保持图像真实感的前提下提高图像的视觉质量，使得图像更容易被人或机器所理解，避免了基于直方图均衡化的方法容易出现的图像“过增强”现象。

附图说明

图1为本发明中基于双边伽马校正和多尺度图像融合的图像增强方法的原理框图；

图2为本发明中上边伽马校正曲线的示意图；

图3为本发明中下边伽马校正曲线的示意图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明:

结合图1所示，基于双边伽马校正和多尺度图像融合的图像增强方法，包括两个部分：1、双边伽马校正、2、多尺度图像融合。

1、双边伽马校正

1.1根据伽马校正算法原理设计双边伽马校正模块，伽马校正算法的表达式为：

g(u)＝u^γ   (1)

其中，γ是参数伽马，取值为大于零的实数；

u是校正前图像中像素点的灰度值，采用256级灰度，取值范围为[0,255]；g(u)是校正后图像中的像素点的灰度值，采用256级灰度，取值范围为[0,255]。

根据伽马校正算法设计的双边伽马校正模块包括两条伽马校正曲线，分别是0＜γ＜1的上边伽马校正曲线，如图2所示，以及γ＞1的下边伽马校正曲线，如图3所示。

在图2中，点O是坐标原点，其坐标为(0，0)，点A是伽马曲线斜率等于1的点，其坐标为(u_A,g(u_A))，点B是图像校正前后灰度值相同且数值最大的点，其坐标为(255,255)。曲线段OA的斜率大于1，曲线段AB的斜率小于1。

由图2可知，灰度图像经过伽马曲线校正后，除了O点和B点外，像素点全部提高了灰度值，由于在灰度图像中亮度等同于灰度，因此这些像素点经过伽马曲线校正后提高了亮度。该校正曲线可用于提高图像中过暗区域的亮度。

在图2中，由于曲线段OA的斜率大于1，灰度图像经过曲线段OA校正后灰度值范围相比于校正前扩大，即对比度增加，视觉效果增强；由于曲线段AB的斜率小于1，灰度图像经过曲线段AB校正后灰度值范围相比于校正前缩减，即对比度下降，视觉效果恶化。

在图3中，点O是坐标原点，其坐标为(0，0)，点C是伽马曲线斜率等于1的点，其坐标为(u_C,g(u_C))，点D是图像校正前后灰度值相同且数值最大的点，其坐标为(255,255)。曲线段OC的斜率小于1，曲线段CD的斜率大于1。

由图3可知，灰度图像经过伽马曲线校正后，除了O点和D点外，像素点全部降低了灰度值，由于在灰度图像中亮度等同于灰度，因此这些像素点经过伽马曲线校正后降低了亮度。该校正曲线可用于降低图像中过亮区域的亮度。

在图3中，由于曲线段OC的斜率小于1，灰度图像经过曲线段OC校正后灰度值范围相比于校正前缩减，即对比度下降，视觉效果恶化；由于曲线段CD的斜率大于1，灰度图像经过曲线段CD校正后灰度值范围相比于校正前扩大，即对比度增加，视觉效果增强。

双边伽马校正曲线对不同亮度区域的图像校正效果如下表1所示：

表1 双边伽马校正曲线对不同亮度区域的图像校正效果

根据双边伽马校正曲线的特征，在双边伽马校正模块中，输入的灰度图像中过暗区域，即灰度值在[u_O,u_A]范围内的像素点，将被上边伽马校正曲线中的曲线段OA校正，使得这些像素点的亮度增大，对比度增强，可改善过暗区域的视觉效果；输入的灰度图像中过亮区域，即灰度值在[u_C,u_D]范围内的像素点，将被下边伽马校正曲线中的曲线段CD校正，使得这些像素点的亮度减弱，对比度增强，可改善过亮区域的视觉效果。

换句话说，利用上边伽马校正曲线中斜率大于1的曲线段校正原始图像，能够提高原始图像中过暗区域的亮度，增加对比度，生成一幅改善了过暗区域视觉效果的图像；利用下边伽马校正曲线中斜率大于1的曲线段校正原始图像，能够降低原始图像中过亮区域的亮度，增加对比度，生成一幅改善了过亮区域视觉效果的图像。

1.2确定双边校正曲线的γ值

由图2和图3可知，点A和点C分别是上边伽马校正曲线和下边伽马校正曲线中斜率等于1的点，不同的伽马校正曲线对应不同且唯一的A点和C点位置，通过A点的位置可确定上边伽马校正曲线，通过C点的位置可确定下边伽马校正曲线。

根据公式(1)求导可得：dg(u)/du＝γu^γ-1   (2)

令 $\mathrm{dg}\left(u\right)/\mathrm{du}{|}_{u=u_A}=\mathrm{dg}\left(u_A\right)/d{u}_A=1,$ 则可导出u_A关于γ的函数为：

$u_A={\mathrm{\&gamma;}}^{\left(\frac{1}{1-\mathrm{\&gamma;}}\right)},\mathrm{\&gamma;}\&Element;\left(\mathrm{0,1}\right)---\left(3\right)$

令 $\mathrm{dg}\left(u\right)/\mathrm{du}{|}_{u=u_C}=\mathrm{dg}\left(u_C\right)/d{u}_C=1,$ 则可导出u_C关于γ的函数为：

$u_C={\mathrm{\&gamma;}}^{\left(\frac{1}{1-\mathrm{\&gamma;}}\right)},\mathrm{\&gamma;}\&Element;(1,+\&infin;)---\left(4\right)$

由公式(3)和公式(4)可知，在已知u_A的情况下求出上边伽马校正曲线的γ，在已知u_C的情况下求出下边伽马校正曲线的γ。

1.3确定参数u_A和u_C的值

参数值u_A的确定是通过估计过暗区域的灰度值分布范围实现，参数值u_C的确定是通过估计过亮区域的灰度值分布范围实现。在上边伽马校正曲线中，理想的u_A使得斜率大于1的曲线段尽可能地覆盖过暗区域的灰度值范围，且其取值尽可能得小；在下边伽马校正曲线中，理想的u_C使得斜率大于1的曲线段尽可能地覆盖过亮区域的灰度值范围，且其取值尽可能得大。在本发明中，根据灰度图像的灰度统计直方图，找出过暗区域的灰度值分界点来确定参数值u_A，找出过亮区域的灰度值分界点来确定参数值u_C。

2、多尺度图像融合

多尺度图像融合的优势在于可将图像分解到不同的频率域，在不同的频率域运用不同的融合规则，使得融合图像保留了原始图像在不同频率域的显著特征。

在图像的多尺度分析中，低频分量决定图像亮度，高频分量决定图像细节。

在本发明中，利用拉普拉斯金子塔分解实现双边伽马校正后图像的亮度和细节相分离，然后根据亮度和细节的优化目标设计不同的融合规则进行融合，最后利用拉普拉斯逆金字塔变换将融合好的多尺度图像进行重构得到输出图像。

具体的，多尺度图像融合模块的处理过程包括以下步骤：

2.1多尺度图像分解

设f_A表示输入的灰度图像；f_B和f_C分别表示经上边伽马校正曲线和下边伽马校正曲线校正后的两幅灰度图像，采用拉普拉斯金子塔分解算法将f_B和f_C分解成具有N层的两个多尺度图像序列和每一层包含两个子带图像，和分别表示为：

$f_B^N=\{f_B^{k,L},f_B^{k,H}\},k=\mathrm{1,2},...N---\left(5\right)$

$f_C^N=\{f_C^{k,L},f_C^{k,H}\},k=\mathrm{1,2},...N---\left(6\right)$

其中，和分别为和的第k层上的低频子带图像，和分别为和的第k层上的高频子带图像。

2.2低频子带图像融合

为了保持原始图像的亮度，本发明采用加权平均融合规则融合每层的两个低频子带图像和计算融合后的每层低频子带图像的过程如下：

设m_A为输入图像的灰度均值，m_B和m_C分别是经上边和下边伽马校正后生成的两幅图像的灰度均值，融合后每层的低频子带图像为：

$f_F^{k,L}=0.5\&CenterDot;\left(\frac{m_A}{m_B}\right)\&CenterDot;f_B^{k,L}+0.5\&CenterDot;\left(\frac{m_A}{m_C}\right)\&CenterDot;f_C^{k,L}---\left(7\right)$

2.3高频子带图像融合

为了突出原始图像的细节，在本发明中采用平均选择融合规则融合每层的两个高频子带图像和计算融合后的每层高频子带图像的过程如下：

a分别计算和在像素p处的局部区域能量和表达式为：

$E_B^{k,H}\left(p\right)=\underset{q\&Element;Q_p}{\mathrm{\&Sigma;}}w\left(q\right){\left[f_B^{k,H}\left(q\right)\right]}^2---\left(8\right)$

$E_C^{k,H}\left(p\right)=\underset{q\&Element;Q_p}{\mathrm{\&Sigma;}}w\left(q\right){\left[f_C^{k,H}\left(q\right)\right]}^2---\left(9\right)$

其中，和分别表示图像f_B和f_C中的第k层上，以p为中心的区域Q_p内的局部区域能量；w(q)为权值，且满足

b计算高频子带图像和对应区域的匹配度表达式为：

$M_{\mathrm{BC}}^{k,H}\left(p\right)=\frac{2\underset{q\&Element;Q_p}{\mathrm{\&Sigma;}}w\left(q\right)f_B^{k,H}\left(q\right)f_C^{k,H}\left(q\right)}{E_B^{k,H}\left(p\right)+E_C^{k,H}\left(p\right)}---\left(10\right)$

c确定融合算子

给定匹配度阈值T，并满足0.5≤T≤1的条件，若则：

$\left\{\begin{array}{cc}{f}_F^{k,H}\left(p\right)=f_B^{k,H}\left(p\right),& E_B^{k,H}\left(p\right)\&GreaterEqual;E_C^{k,H}\left(p\right)\\ f_F^{k,H}\left(p\right)=f_C^{k,H}\left(p\right),& E_B^{k,H}\left(p\right)<E_C^{k,H}\left(p\right)\end{array}\right.---\left(11\right)$

若 $M_{\mathrm{BC}}^{k,H}\&GreaterEqual;T,$ 则：

$\left\{\begin{array}{cc}{f}_F^{k,H}\left(p\right)=W_{\max }\left(p\right)f_B^{k,H}\left(p\right)+W_{\min }\left(p\right)f_C^{k,H}\left(p\right),& E_B^{k,H}\left(p\right)\&GreaterEqual;E_C^{k,H}\left(p\right)\\ f_F^{k,H}\left(p\right)=W_{\min }\left(p\right)f_B^{k,H}\left(p\right)+W_{\max }\left(p\right)f_C^{k,H}\left(p\right),& E_B^{k,H}\left(p\right)<E_C^{k,H}\left(p\right)\end{array}\right.---\left(12\right)$

其中， $W_{\min }\left(p\right)=\frac{1}{2}-\frac{1}{2}\left(\frac{1-M_{\mathrm{BC}}^{k,H}\left(p\right)}{1-T}\right),W_{\max }\left(p\right)=1-W_{\min }\left(p\right).$

2.4多尺度图像重构

经过两种规则在低频和高频进行图像融合后得到了N层图像序列每层包含融合后的低频子带图像和高频子带图像其表达式为：

$f_F^N=\{f_F^{k,L},f_F^{k,H}\},k=\mathrm{1,2},...N---\left(13\right)$

最后，采用拉普拉斯逆金子塔变换，对融合后的图像序列进行重构，生成输出图像。

当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (4)

1.基于双边伽马校正和多尺度图像融合的图像增强方法，其特征在于，包括如下步骤：

s1、双边伽马校正

根据伽马校正算法设计两条校正曲线，分别是伽马取值范围为(0,1)的上边伽马校正曲线和伽马取值范围为(1,+∞)的下边伽马校正曲线；

两条伽马校正曲线中都包含斜率大于1和斜率小于1的两段曲线段；

利用上边伽马校正曲线中斜率大于1的曲线段校正原始图像，生成一幅改善了过暗区域视觉效果的图像；

利用下边伽马校正曲线中斜率大于1的曲线段校正原始图像，生成一幅改善了过亮区域视觉效果的图像；

s2、多尺度图像融合

利用拉普拉斯金字塔分解算法分别对双边伽马校正后的两幅图像进行多尺度拉普拉斯金子塔图像分解，分解成两个N层的多尺度图像序列，每层包含低频子带图像和高频子带图像；

将两个图像序列中每层的低频子带图像采用加权平均融合规则进行图像融合，生成一个N层的多尺度图像序列；

将两个图像序列中每层的高频子带图像采用平均选择融合规则进行图像融合，生成一个N层的多尺度图像序列；

将生成的两个N层的多尺度图像序列采用拉普拉斯逆金子塔变换重构成一幅输出图像。

2.根据权利要求1所述基于双边伽马校正和多尺度图像融合的图像增强方法，其特征在于，所述步骤s1中伽马值的确定方法如下：

设点A和点C分别是上边伽马校正曲线和下边伽马校正曲线中斜率等于1的点，通过A点的位置确定上边伽马校正曲线，通过C点的位置确定下边伽马校正曲线；

伽马校正算法的表达式为：g(u)＝u^γ  (1)

其中，γ是参数伽马，取值为大于零的实数；

u是校正前图像中像素点的灰度值，采用256级灰度，取值范围为[0,255]；g(u)是校正后图像中像素点的灰度值，采用256级灰度，取值范围为[0,255]；

根据公式(1)求导可得：dg(u)/du＝γu^γ-1  (2)

令 $\mathrm{dg}\left(u\right)/\mathrm{du}{|}_{u=u_A}=\mathrm{dg}\left(u_A\right)/{\mathrm{du}}_A=1,$ 则可导出u_A关于γ的函数为：

$u_A={\mathrm{\&gamma;}}^{\left(\frac{1}{1-\mathrm{\&gamma;}}\right)},\mathrm{\&gamma;}\&Element;\left(\mathrm{0,1}\right)---\left(3\right)$

令 $\mathrm{dg}\left(u\right)/\mathrm{du}{|}_{u=u_C}=\mathrm{dg}\left(u_C\right)/{\mathrm{du}}_C=1,$ 则可导出u_C关于γ的函数为：

$u_C={\mathrm{\&gamma;}}^{\left(\frac{1}{1-\mathrm{\&gamma;}}\right)},\mathrm{\&gamma;}\&Element;(1,+\&infin;)---\left(4\right)$

由公式(3)和公式(4)可知，在已知u_A的情况下求出上边伽马校正曲线的γ，在已知u_C的情况下求出下边伽马校正曲线的γ。

3.根据权利要求2所述基于双边伽马校正和多尺度图像融合的图像增强方法，其特征在于，根据灰度图像的灰度统计直方图，找出过暗区域的灰度值分界点来确定参数值u_A，找出过亮区域的灰度值分界点来确定参数值u_C。

4.根据权利要求1所述基于双边伽马校正和多尺度图像融合的图像增强方法，其特征在于，所述步骤s2进一步包括：

s21、多尺度图像分解

设f_A表示输入的灰度图像；f_B和f_C分别表示经上边伽马校正曲线和下边伽马校正曲线校正后的两幅灰度图像，采用拉普拉斯金字塔分解算法将f_B和f_C分解成具有N层的两个多尺度图像序列和每一层包含两个子带图像，和分别表示为：

$f_B^N=\{f_B^{k,L},f_B^{k,H}\},k=\mathrm{1,2},...N---\left(5\right)$

$f_C^N=\{f_C^{k,L},f_C^{k,H}\},k=\mathrm{1,2},...N---\left(6\right)$

其中，和分别为和的第k层上的低频子带图像，和分别为和的第k层上的高频子带图像；

s22、低频子带图像融合

采用加权平均融合规则融合每层的两个低频子带图像和计算融合后的每层低频子带图像的过程如下：

设m_A为输入图像的灰度均值，m_B和m_C分别是经上边和下边伽马校正后生成的两幅图像的灰度均值，融合后每层的低频子带图像为：

$f_F^{k,L}=0.5\&CenterDot;\left(\frac{m_A}{m_B}\right)\&CenterDot;f_B^{k,L}+0.5\&CenterDot;\left(\frac{m_A}{m_C}\right)\&CenterDot;f_C^{k,L}---\left(7\right)$

s23、高频子带图像融合

采用平均选择融合规则融合每层的两个高频子带图像和计算融合后的每层高频子带图像的过程如下：

a分别计算和在像素p处的局部区域能量和表达式为：

$E_B^{k,H}\left(p\right)=\underset{{q\&Element;Q}_p}{\mathrm{\&Sigma;}}w\left(q\right){\left[f_B^{k,H}\left(q\right)\right]}^2---\left(8\right)$

$E_C^{k,H}\left(p\right)=\underset{{q\&Element;Q}_p}{\mathrm{\&Sigma;}}w\left(q\right){\left[f_C^{k,H}\left(q\right)\right]}^2---\left(9\right)$

其中，和分别表示图像f_B和f_C中的第k层上，以p为中心的区域Q_p内的局部区域能量；w(q)为权值，且满足

b计算高频子带图像和对应区域的匹配度表达式为：

c确定融合算子

给定匹配度阈值T，并满足0.5≤T≤1的条件，若则：

$\left\{\begin{array}{cc}{f}_F^{k,H}\left(p\right)=f_B^{k,H}\left(p\right),& E_B^{k,H}\left(p\right)\&GreaterEqual;E_C^{k,H}\left(p\right)\\ f_F^{k,H}\left(p\right)=f_C^{k,H}\left(p\right),& E_B^{k,H}\left(p\right)<E_C^{k,H}\left(p\right)\end{array}\right.---\left(11\right)$

若 $M_{\mathrm{BC}}^{k,H}\&GreaterEqual;T,$ 则：

$\left\{\begin{array}{cc}{f}_F^{k,H}\left(p\right)=W_{\max }\left(p\right)f_B^{k,H}\left(p\right)+W_{\min }\left(p\right)f_C^{k,H}\left(p\right),& E_B^{k,H}\left(p\right)\&GreaterEqual;E_C^{k,H}\left(p\right)\\ f_F^{k,H}\left(p\right)=W_{\min }\left(p\right)f_B^{k,H}\left(p\right)+W_{\max }\left(p\right)f_C^{k,H}\left(p\right),& E_B^{k,H}\left(p\right)<E_C^{k,H}\left(p\right)\end{array}\right.---\left(12\right)$

其中， $W_{\min }\left(p\right)=\frac{1}{2}-\frac{1}{2}\left(\frac{1-M_{\mathrm{BC}}^{k,H}\left(p\right)}{1-T}\right),W_{\max }\left(p\right)=1-W_{\min }\left(p\right);$

s24、多尺度图像重构

经过两种规则在低频和高频进行图像融合后得到了N层图像序列每层包含融合后的低频子带图像和高频子带图像其表达式为：

$f_F^N=\{f_F^{k,L},f_F^{k,H}\},k=\mathrm{1,2},...N---\left(13\right)$

最后，采用拉普拉斯逆金子塔变换，对融合后的图像序列进行重构，生成输出图像。