CN105243641A - 一种基于双树复小波变换的低光照图像增强方法 - Google Patents

Abstract

本发明公开了一种基于双树复小波变换的低光照图像增强方法，属于图像处理领域。所述发明包括将待处理图像的颜色空间进行转换，得到转换后的第一图像，将第一图像进行亮度补偿处理，得到处理后的亮度补偿图像；对亮度补偿图像进行双树复小波变换，得到处理后图像，根据处理后图像中的亮度分量与待处理图像中亮度分量的比值，获取输出图像。本发明通过在处理过程中利用双树复小波变换在小波域进行对比度增强和图像降噪，由于其平移不变性、良好的选择性和重构特性等为低光照图像降噪提供了保障，还由于对小波系数进行分类，并用非线性增强函数对分类后的系数进行处理，使得在增强图像对比度的同时降低噪声，提升了低光照图像的可读性。

Description

一种基于双树复小波变换的低光照图像增强方法

技术领域

本发明属于图像处理领域，特别涉及一种基于双树复小波变换的低光照图像增强方法。

背景技术

对比度增强一直以来都是热门研究课题，在外界环境光不足条件下拍摄的图像往往包含大量的暗像素区域，在这些区域图像细节的可视性降低。在暗环境下获得的图像通常具有灰度级低且分布集中的特性，使得图像的对比度低、动态范围窄。因此，图像处理的首要任务就是改善原始图像的对比度，使人眼感知到的视觉效果更好，可以获得更多的视觉信息。近年来，为克服传统对比度增强方法处理低光照图像的不足，学者提出了一些针对低光照图像特性的图像增强方法，并将其推广到视频处理中。

2010年ArturLoza,DavidR.Bull,PaulR.Hill和AlinM.Achim在201017thInternationalConferenceonImageProcessing(ICIP)上名为“Automaticcontrastenhancementoflow-lightimagesbasedonlocalstatisticsofwaveletcoefficients”的论文中提出了一种基于小波系数局部统计信息的低光照图像自动对比度增强方法。该方法基于小波系数的局部散布建模双变量柯西分布，依据此构造非线性函数在小波域上对图像进行增强和降噪处理，增强暗图像对比度的同时抑制噪声的产生。

2013年Shih-ChiaHuang,Fan-ChiehCheng和Yi-ShengChiu在IEEETrans.ImageProcessing上名为“Efficientcontrastenhancementusingadaptivegammacorrectionwithweightingdistribution”的论文中提出了一种基于自适应伽马校正的低光照图像增强方法。该方法第一步计算图像的统计直方图，得到图像概率分布信息。第二步，利用权重分布函数调整图像的统计直方图，并得到相应的累积分布函数，从而根据累积分布函数得到伽马校正中的伽马算子，实现伽马校正的自适应调整以提高低光照图像的对比度。

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：

前者使用的数学理论相对较复杂，且对噪声的抑制效果不是很理想，而后者主要依赖于图像概率的分布，低光照图像概率分布的不均匀使图像增强过程动态范围分配不合理，大大降低了增强后图像的质量，并导致颜色失真。

发明内容

为了解决现有技术的问题，一种基于双树复小波变换的低光照图像增强方法，所述基于双树复小波变换的低光照图像增强方法，包括：

将待处理图像的颜色空间进行转换，得到转换后的第一图像；

将所述第一图像进行亮度补偿处理，得到处理后的亮度补偿图像；

对所述亮度补偿图像进行双树复小波变换，获取所述亮度补偿图像中亮度分量的低通子带和高通子带，对所述低通子带和所述高通子带进行处理，得到处理后图像；

提取所述处理后图像中的处理后亮度分量以及所述待处理图像中的原始亮度分量，根据处理后亮度分量与所述原始亮度分量的比值，结合所述待处理图像中的彩色分量，获取输出图像。

可选的，所述将所述第一图像进行亮度补偿处理，得到处理后的亮度补偿图像，包括：

提取所述第一图像中的亮度分量，通过双边滤波器将所述亮度分量分为基层分量和细节层分量，基于所述基层分量和所述细节层分量，获取增强后的细节层分量；

根据所述基层分量与所述增强后的细节层分量，确定细节信息增强的亮度分量；

根据所述细节信息增强的亮度分量的取值范围，对所述第一图像的动态分为进行处理，得到处理后的亮度补偿图像。

可选的，对所述亮度补偿图像进行双树复小波变换，获取所述亮度补偿图像中亮度分量的低通子带和高通子带，对所述低通子带和所述高通子带进行处理，得到处理后图像，包括：

提取所述亮度补偿图像中的细节信息增强的亮度分量，对所述细节信息增强的亮度分量进行双树复小波变换，得到低通子带和高通子带；

根据预设阈值对所述高通子带中的小波系数进行分类调整，得到调整后的高通子带系数，通过对比度受限自适应直方图均衡方法对所述低通子带中的系数进行调整，得到调整后的低通子带系数；

根据所述调整后的高通子带系数和所述调整后的低通子带系数，通过双树复小波反变换对所述亮度补偿图像中的亮度分量进行重构，基于重构后的亮度分量对所述亮度补偿图像进行处理，得到处理后图像。

可选的，所述根据预设阈值对所述高通子带中的小波系数进行分类调整，得到调整后的高通子带系数，包括：

根据所述高通子带中的小波系数取值，将所述高频子带分为强边缘、弱边缘和噪声；

保留所述强边缘的小波系数，对所述弱边缘的小波系数进行加强处理，将所述噪声的小波系数置为零。

可选的，提取所述处理后图像中的处理后亮度分量以及所述待处理图像中的原始亮度分量，根据处理后亮度分量与所述原始亮度分量的比值，结合所述待处理图像中的彩色分量，获取输出图像，包括：

提取所述处理后图像中的处理后亮度分量和所述待处理图像中的原始亮度分量；

基于所述处理后亮度分量和所述原始亮度分量构建转换矩阵；

根据所述转换矩阵，结合所述待处理图像中的彩色分量，获取输出彩色分量；

根据所述输出彩色分量，确定输出图像。本发明提供的技术方案带来的有益效果是：

通过在处理过程中利用双树复小波变换在小波域进行对比度增强和图像降噪，由于其平移不变性、良好的选择性和重构特性等为低光照图像降噪提供了保障，还由于对小波系数进行分类，并用非线性增强函数对分类后的系数进行处理，使得在增强图像对比度的同时降低噪声，提升了低光照图像的可读性。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种基于双树复小波变换的低光照图像增强方法的流程示意图；

图2是本发明提供的一种基于双树复小波变换的低光照图像增强方法中双树复小波变换分解过程的示意图；

图3是本发明提供的一种基于双树复小波变换的低光照图像增强方法的对亮度图像经双树复小波变换后所得到高通子带方向信息的描述的示意图；

图4(a)是本发明提供的一种基于双树复小波变换的低光照图像增强方法的仿真实验样本a的示意图；

图4(b)是本发明提供的一种基于双树复小波变换的低光照图像增强方法的仿真实验样本(b)的示意图；

图4(c)是本发明提供的一种基于双树复小波变换的低光照图像增强方法的仿真实验样本(c)的示意图；

图4是(d)本发明提供的一种基于双树复小波变换的低光照图像增强方法的仿真实验样本(d)的示意图；

图4(e)是本发明提供的一种基于双树复小波变换的低光照图像增强方法的仿真实验样本(e)的示意图；

图4(f)是本发明提供的一种基于双树复小波变换的低光照图像增强方法的仿真实验样本(f)的示意图；

图5(a)是本发明提供的一种基于双树复小波变换的低光照图像增强方法中对样本图4(a)仿真的结果示意图一；

图5(b)是本发明提供的一种基于双树复小波变换的低光照图像增强方法中对样本图4(a)仿真的结果示意图二；

图5(c)是本发明提供的一种基于双树复小波变换的低光照图像增强方法中对样本图4(a)仿真的结果示意图三；

图6(a)是本发明提供的一种基于双树复小波变换的低光照图像增强方法中对样本图4(c)仿真的结果示意图一；

图6(b)是本发明提供的一种基于双树复小波变换的低光照图像增强方法中对样本图4(c)仿真的结果示意图二；

图6(c)是本发明提供的一种基于双树复小波变换的低光照图像增强方法中对样本图4(c)仿真的结果示意图三；

图7(a)是本发明提供的一种基于双树复小波变换的低光照图像增强方法中对样本图4(e)仿真的结果示意图一；

图7(b)是本发明提供的一种基于双树复小波变换的低光照图像增强方法中对样本图4(e)仿真的结果示意图二；

图7(c)是本发明提供的一种基于双树复小波变换的低光照图像增强方法中对样本图4(e)仿真的结果示意图三。

具体实施方式

为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。

实施例一

本申请提供了一种基于双树复小波变换的低光照图像增强方法，如图1所示，所述基于双树复小波变换的低光照图像增强方法，包括：

11、将待处理图像的颜色空间进行转换，得到转换后的第一图像；

12、将所述第一图像进行亮度补偿处理，得到处理后的亮度补偿图像；

13、对所述亮度补偿图像进行双树复小波变换，获取所述亮度补偿图像中亮度分量的低通子带和高通子带，对所述低通子带和所述高通子带进行处理，得到处理后图像；

14、提取所述处理后图像中的处理后亮度分量以及所述待处理图像中的原始亮度分量，根据处理后亮度分量与所述原始亮度分量的比值，结合所述待处理图像中的彩色分量，获取输出图像。

在实施中，为了解决现有技术中存在的对低光照图像进行对比度增强后存在图像质量下降严重的问题，本申请提出了一种基于双树复小波变换的图像增强方法，通过对待处理图像进行基于双树复小波变换的处理，使得处理后的图像在保证图像质量基础上，能够显著的提高图像的亮度或对比度，该方案的具体内容如下：

首先，将需要进行亮度/对比度增强的待处理图片进行颜色空间转换，得到色彩空间转换后的第一图像。即从原始的RGB色彩空间转换至YUV色彩空间，由于后者是以亮度和亮度色差信号进行图像保存以及传输的，便于单独对图像的亮度分量单独进行调节。彩色图像由红(R)、绿(G)、蓝(B)三个颜色通道构成的，但是在图像处理中如果分别对这三个通道进行处理通常导致颜色失真，使输出图像的颜色看起来不自然。因此本发明提出的图像处理方法的大部分步骤均在YUV色彩空间内进行。具体的，将原始的RGB图像转换到YUV颜色空间，并仅处理其亮度分量Y。YUV和RGB空间是线性关系，相应的变换公式如下：

Y＝0.299*R+0.587*G+0.114*B

众所周知，低光照图像具有低分辨率和低信噪比特性。因此在图像增强过程中很容易引入噪声。也就是说，在图像质量评价中降噪也是需要考虑的重要因素之一，而YUV颜色空间为图像降噪为图像降噪提供了最佳的平台。然而，提升图像亮度和对比度的过程中不可避免的会造成颜色失真。针对这一问题，在后续过程中通过颜色校正克服增强引起的颜色失真，使输出图像具有更好的可读性和颜色保真度。

其次，基于双边滤波器确定第一图像的基层分量和细节层分量，根据上述两种分量得到细节信息增强的亮度分量，从而根据该亮度分量对第一图像进行亮度补偿；接着根据细节信息增强的亮度分量的取值范围结合正则化算子对第一图像的动态范围进行处理，以便得到亮度补偿图像。

接着，将前一步得到的亮度补偿图像中的细节增强的亮度分量基于双树复小波变换进行分解，得到分解后的低通子带和高通子带，进而根据上述低通子带和高通子带对亮度补偿图像进行对比度增强和图像降噪处理，从而得到同时具有高对比度和低噪声的处理后图像。

最终，根据前一步得到的处理后图像中亮度分量与待处理图像中亮度分量的比例关系构成的变换矩阵，确定用于输出的图像的彩色分量的具体数值，从而根据该数值确定处理最终的输出图像。

本申请提出一种基于双树复小波变换的低光照图像增强方法，包括将待处理图像的颜色空间进行转换，得到转换后的第一图像，将第一图像进行亮度补偿处理，得到处理后的亮度补偿图像；对亮度补偿图像进行双树复小波变换，得到处理后图像，根据处理后图像中的亮度分量与待处理图像中亮度分量的比值，获取输出图像。通过在处理过程中利用双树复小波变换在小波域进行对比度增强和图像降噪，由于其平移不变性、良好的选择性和重构特性等为低光照图像降噪提供了保障，还由于对小波系数进行分类，并用非线性增强函数对分类后的系数进行处理，使得在增强图像对比度的同时降低噪声，提升了低光照图像的可读性。

可选的，所述将所述第一图像进行亮度补偿处理，得到处理后的亮度补偿图像，包括：

提取所述第一图像中的亮度分量，通过双边滤波器将所述亮度分量分为基层分量和细节层分量，基于所述基层分量和所述细节层分量，获取增强后的细节层分量；

根据所述基层分量与所述增强后的细节层分量，确定细节信息增强的亮度分量；

根据所述细节信息增强的亮度分量的取值范围，对所述第一图像的动态分为进行处理，得到处理后的亮度补偿图像。

在实施中，从第一图像中提取亮度分量Y，利用双边滤波器将图像的亮度分量Y分为基层和细节层。将提取到的亮度分量Y作为双边滤波器的输入，则双边滤波器的输出极为亮度分量Y的基层分量Y_b，而亮度分量Y与基层分量Y_b的差值则为细节层分量Y_d，在确定基层分量和细节层分量后，容易通过下式得到增强后的细节层分量：

Y'_d＝(1+Y_d)log(Y+1)-log(log(Y_b+1)+1)

在上述公式中，Y表示原始图像的亮度分量，其取值范围为[0,1]，将增强后的细节层分量与基层分量进行叠加，即得到细节信息增强的亮度分量Y'。

在实际处理过程中，为了充分利用显示设备的动态范围，还可以利用正则化算子对第一图像的动态范围拉伸：

$Y_p=\frac{Y^{\′}-{Y^{\′}}_{\min }}{{Y^{\′}}_{\max }-{Y^{\′}}_{\min }}\×255,$

在公式中，Y'_max和Y'_min是细节增强后的亮度分量的最大值和最小值。这里之所以对第一图像的动态范围进行拉伸处理，是由于待处理图像即原始暗图像的动态范围非常狭窄，且灰度级主要分布在0～100左右。而利用正则化算子拉伸图像的动态范围是为了充分利用图像的动态范围，使灰度级分布在0～255之间。

经过本步骤处理，得到了经过亮度补偿和动态范围调整后的第一图像，根据第一图像进行后续处理，能够在处理过程中更好的保留图像细节。

可选的，对所述亮度补偿图像进行双树复小波变换，获取所述亮度补偿图像中亮度分量的低通子带和高通子带，对所述低通子带和所述高通子带进行处理，得到处理后图像，包括：

提取所述亮度补偿图像中的细节信息增强的亮度分量，对所述细节信息增强的亮度分量进行双树复小波变换，得到低通子带和高通子带；

根据预设阈值对所述高通子带中的小波系数进行分类调整，得到调整后的高通子带系数，通过对比度受限自适应直方图均衡方法对所述低通子带中的系数进行调整，得到调整后的低通子带系数；

根据所述调整后的高通子带系数和所述调整后的低通子带系数，通过双树复小波反变换对所述亮度补偿图像中的亮度分量进行重构，基于重构后的亮度分量对所述亮度补偿图像进行处理，得到处理后图像。

在实施中，双树复小波变换(Dual-TreeComplexWaveletTransfer，DTCWT)是为了克服离散小波变换的缺陷而提出的，当对应小波基(近似)满足Hillbert变换关系时，双树复小波变换能够极大的减少通常的实小波变换中的平移敏感性，改善方向选择性。这些优点使得双树复小波变换成为有效的图像配准融合工具，能够显著提高配准融合质量。

基于上述理论基础，首先获取前一步得到的亮度补偿图像中的细节信息增强的亮度分量，结合双树复小波变换，将代表亮度分量的复小波中的实部数据和虚部数据进行区分，具体的通过两组并行的实数滤波器来获取实部数据和虚部数据中的小波系数。这样通过实数的小波变换实现了复小波变换，解决了复小波变换不能完全重构的缺陷；同时和离散小波变换相比，双树复小波变换具有的平移不变性和方向选择性等优良特性也有利于本申请图像处理过程中图像质量的维持。

双树复小波将复小波的实部和虚部分别进行处理，通过两组并行的实数滤波器组来获取实部和虚部的小波系数，上述过程中得到的复小波可以表示为：

ψ(t)＝ψ_r(t)+jψ_i(t)

公式中的ψ_r(t)和ψ_i(t)分别表示复小波的实部数据和虚部数据，ψ_r(t)和ψ_i(t)都是实函数，因此，双数复小波变换可以表示为两个独立的实小波变换。

根据上述实部数据和虚部数据的小波系数可以得到一维双树复小波，具体的，一维双树复小波变换分解过程如图2所示，在图2中双树复小波变换包含两个相互平行的分解树：树A和树B。树A、树B分别表示双树复小波变换的实部和虚部。具体分解公式如下：

树A: ${\mathrm{\ψ}}_r\left(t\right)=\sqrt{2}\underset{n}{\Σ}{h}_0\left(n\right){\mathrm{\ψ}}_r(2t-n)$

${\mathrm{\ψ}}_r\left(t\right)=\sqrt{2}\underset{n}{\Σ}{h}_1\left(n\right){\mathrm{\ψ}}_r(2t-n)$

树B: ${\mathrm{\ψ}}_i\left(t\right)=\sqrt{2}\underset{n}{\Σ}{g}_0\left(n\right){\mathrm{\ψ}}_i(2t-n)$

${\mathrm{\ψ}}_i\left(t\right)=\sqrt{2}\underset{n}{\Σ}{g}_1\left(n\right){\mathrm{\ψ}}_i(2t-n)$

在树A和树B的内容中，h₀(n)和h₁(n)分别为树A的低通和高通滤波器，g₀(n)和g₁(n)分别为树B的低高通滤波器。

进一步的由于图像是一种二维数据信号，因此需要将上述一维双数复小波变换延伸为二维双数复小波变换。二维双树复小波变换可以通过对一维双数复小波求张量积得到：

ψ(x,y)＝ψ(x)ψ(y)，其中ψ(x)＝ψ_r(x)+jψ_i(x)，

将ψ(x)，ψ(y)代入得到上述表达式中，可以得到：

ψ(x,y)＝[ψ_r(x)+jψ_i(x)][ψ_r(y)+jψ_i(y)

＝ψ_r(x)ψ_r(y)-ψ_i(x)ψ_i(y)+j[ψ_i(x)ψ_r(y)+ψ_r(x)ψ_i(y)]

这里获取到的二维双数复小波变换利用可分离的滤波器先沿着列再沿着行实现分解，其中行和列滤波器强调正频、抑制负频。最终得到两个低通子带和六个方向上的高频子带：±15°，±45°，±75°，仅保留了二维信号谱的第一象限(正频)。为了完整地表示一个二维信号，还需要相邻的第二象限(负频)，因此还需利用行和列滤波器的复共轭来滤波，这样在第一、第二象限各产生了三个子带，对应于空间中的六个方向：±15°，±45°，±75°。详细内容如附图3所示。图3是对亮度图像经双树复小波变换后所得到高通子带方向信息的描述。与离散小波相比，经双树复小波变换后可得到六个方向的高通子带。图3第一行和第二行分别描述了高通子带的实部和虚部信息。每一行从左到右依次对应-15°、-45°、-75°、+75°、+45°、+15°方向的高通子带。

前一步得到的亮度补偿图像中的亮度分量，在经过上述内容代表的双树复小波变换后，得到高通子带和低通子带，与其对应的分别有高通子带系数和低通子带系数，这里还需要通过分别对高通子带系数和低通子带系数进行调整的方式完成对亮度补偿图像在对比度和降噪这两方面的处理过程。其中对低通子带系数的调整是通过对比度受限自适应直方图均衡方法(CLAHE)进行处理，简要来说，是通过约束每个灰度级上像素数目的最大值来调整直方图的分布以限制图像的局部对比度，实现改善图像的对比度同时避免增强噪声。而针对高通子带系数的调整则在下文中进行详细描述。

可选的，所述根据预设阈值对所述高通子带中的小波系数进行分类调整，得到调整后的高通子带系数，包括：

根据所述高通子带中的小波系数取值，将所述高频子带分为强边缘、弱边缘和噪声；

保留所述强边缘的小波系数，对所述弱边缘的小波系数进行加强处理，将所述噪声的小波系数置为零。

在实施中，为了便于进行更为精细的处理，本申请根据小波系数取值不同，将高通子带的系数可分为三类：强边缘、弱边缘和噪声。其中，强边缘的系数值在各个方向子带都较大，弱边缘的小波系数仅在部分方向子带中的值较大，而在其他的方向子带中的系数较小，而噪声在所有子带中的系数都很小。根据强边缘、弱边缘和噪声小波系数的特点，对小波系数进行分类。具体分类公式如下所示：

其中，mean(w_i,j)表示小波系数w_i,j在各子带中的局部平均值，max是各个子带中系数的最大值。k和σ分别表示用于调节的参数和标准差。σ可以通过计算各高频系数的MedianAbsoluteDeviation(MAD)值得到：

$\mathrm{\σ}=\frac{MAD\left(\right|w_{i,j}\left|\right)}{0.6745}$

接着，为了同时进行图像对比度增强和图像降噪，本申请根据小波域中信号与噪声的特性利用非线性增强函数对分类后的系数进行处理，提升图像的可读性。相对而言，强边缘受噪声的干扰程度较弱，因此对其系数进行保留；而弱边缘易受噪声的影响，使图像变得模糊，因此需要对弱边缘的小波系数进行加强处理。对于噪声，由于其小波系数值很小，将其设置为0.根据小波系数特性，用于对高频系数处理的非线性增强函数如下所示：

在上述公式中，参数p的取值范围为[0，1]。分类后的系数经非线性函数变换后，使强边缘系数被保留，弱边缘点的系数得到了放大，而噪声点的系数被置为0。这样对系数进行处理后，实现了增强图像的同时也抑制了噪声，并且达到了边缘得到较好保留的目的。

可选的，提取所述处理后图像中的处理后亮度分量以及所述待处理图像中的原始亮度分量，根据处理后亮度分量与所述原始亮度分量的比值，结合所述待处理图像中的彩色分量，获取输出图像，包括：

提取所述处理后图像中的处理后亮度分量和所述待处理图像中的原始亮度分量；

基于所述处理后亮度分量和所述原始亮度分量构建转换矩阵；

根据所述转换矩阵，结合所述待处理图像中的彩色分量，获取输出彩色分量；

根据所述输出彩色分量，确定输出图像。

在实施中，在前一步的对比度增强和图像噪声降噪后，本步骤通过构建转换矩阵，使得待处理图像根据该转换矩阵可以直接得到处理后的输入图像。具体的，矩阵的构建以及基于矩阵得到输出图像的步骤为：

首先，提取所述处理后图像中的处理后亮度分量Y_e和所述待处理图像中的原始亮度分量Y；

其次，基于所述处理后亮度分量和所述原始亮度分量构建转换矩阵，该矩阵的具体内容为：

$\left[\begin{array}{ccc}{Y}_e/Y& 0& 0\\ 0& Y_e/Y& 0\\ 0& 0& Y_e/Y\end{array}\right];$

接着，根据所述转换矩阵，结合所述待处理图像中的彩色分量，获取输出彩色分量；

基于上述矩阵，构建运算关系式：

$\left[\begin{array}{c}{R}^{\′}\\ G^{\′}\\ G^{\′}\end{array}\right]\left[\begin{array}{ccc}{Y}_e/Y& 0& 0\\ 0& Y_e/Y& 0\\ 0& 0& Y_e/Y\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right];$

其中，R'、G'、B'和R、G、B分别表示输出图像的三个颜色通道数值和待处理图像的三个颜色通道数值。将待处理图像中每个像素的三个颜色通道数值带入上述运算关系式，即可以得到输出图像中对应位置像素的三个颜色通道数值。

最后，根据所述输出彩色分量，确定输出图像。

此时就可以根据得到的每个像素的三个颜色通道数值构建出经过亮度补偿和对比度调整后的图像，该图像即为输出图像。

本申请提出一种基于双树复小波变换的低光照图像增强方法，包括将待处理图像的颜色空间进行转换，得到转换后的第一图像，将第一图像进行亮度补偿处理，得到处理后的亮度补偿图像；对亮度补偿图像进行双树复小波变换，得到处理后图像，根据处理后图像中的亮度分量与待处理图像中亮度分量的比值，获取输出图像。通过在处理过程中利用双树复小波变换在小波域进行对比度增强和图像降噪，由于其平移不变性、良好的选择性和重构特性等为低光照图像降噪提供了保障，还由于对小波系数进行分类，并用非线性增强函数对分类后的系数进行处理，使得在增强图像对比度的同时降低噪声，提升了低光照图像的可读性。

本发明的效果可以通过以下仿真实验进一步说明：

1.仿真条件：

在CPU为Intel(R)Core^TMi5核处理器4460：主频3.20GHZ，内存4G，操作系统：WINDOWS7，仿真平台：MATLAB。

仿真选择图4所示测试图像中的三幅原始暗图像，(a)Landrover，(c)car和(e)Ditch作为测试图像，它们的分辨率分别为：720×576,720×480和1404×936。参数K和p的值分别设置为5和0.5。

2.仿真内容：

仿真实验中，利用本发明方法与现有的Huang和Loza’sMethod在测试图像上进行低光照图像增强仿真。

Huang’sMethod参见文献：S.-C.Huang,F.-C.Cheng,andY.-S.Chiu,“Efficientcontrastenhancementusingadaptivegammacorrectionwithweightingdistribution,”IEEETrans.ImageProcessing,vol.22,no.3,pp.1032-1041,Mar.2013.

Loza’sMethod参见文献：A.Loza，D.BullandA.Achim,“Automaticcontrastenhancementoflow-lightimagesbasedonlocalstatisticsofwaveletcoefficients,”201017^thInternationalConferenceonImageProcessing(ICIP),pp.3553-3556,Sep.2010.

具体仿真内容如下：

仿真1，利用本发明方法和Huang及Loza方法分别对六个测试图像进行仿真，得到的离散熵(DA)、绝对平均亮度误差(AMBE)和颜色评价标准(colorfulnessmetric)如表1所示：

表1利用Huang和Loza的方法和本发明方法得到的DA，AMBE和Colorful.的指标对比

上述表1是利用Huang和Loza的方法和本发明方法在Landrover、Square、Car、Tree、Ditch和Lamp六个测试图像上得到的DA、AMBE和Clorful.指标对比，如表1所示，本发明大幅度提高了DA、AMBE和Clorful.指标。

仿真2，利用本发明方法与现有的Huang和Loza’sMethod对图4(a)所示的Landrover图像进行仿真，图5(a)是Huang方法得到的图4(a)增强后的图像，图5(b)是利用Loza’sMethod得到的图4(a)处理后的图像，图5(c)是利用本发明得到的图4(a)处理后的低光照图像。

由图5(a)、图5(b)、图5(c)可见，本发明得到细节信息清晰，噪声低，对比度高的感知质量良好的图像；而Huang得到的图像对比度增强程度不够，导致图像整体亮度偏暗，细节信息不清晰，且颜色失真严重，图像整体效果不理想；Loza’sMethod对图像对比度和颜色的处理效果可以，但是对降噪的处理不彻底，处理后图像中的噪声明显，且部分细节信息丢失，从而降低了图像整体视觉效果。

仿真3，利用本发明方法与现有的Huang和Loza’sMethod对图4(c)所示的Car图像进行仿真，图6(a)是Huang方法得到的图4(c)增强后的图像，图6(b)是利用Loza’sMethod得到的图4(c)处理后的图像，图6(c)是利用本发明得到的图4(c)处理后的暗图像。

由图6(a)、图6(b)、图6(c)可见，本发明得到细节信息清晰，噪声低，对比度高的感知质量良好的图像；而Huang得到的图像对比度增强程度不够，导致图像整体亮度偏暗，细节信息不清晰，且颜色失真严重，图像整体效果不理想；Loza’sMethod对图像对比度和颜色的处理效果可以，但是对降噪的处理不彻底，处理后图像中的噪声明显，且部分细节信息丢失，从而降低了图像整体视觉效果。

仿真4，利用本发明方法与现有的Huang和Loza’sMethod对图4(e)所示的Ditch图像进行仿真，图7(a)是Huang方法得到的图4(e)增强后的图像，图7(b)是利用Loza’sMethod得到的图4(e)处理后的图像，图7(c)是利用本发明得到的图4(e)处理后的暗图像。

由图7(a)、图7(b)、图7(c)可见，本发明得到细节信息清晰，噪声低，对比度高的感知质量良好的图像；而Huang得到的图像对比度增强程度不够，导致图像整体亮度偏暗，细节信息不清晰，且颜色失真严重，图像整体效果不理想；Loza’sMethod对图像对比度和颜色的处理效果可以，但是对降噪的处理不彻底，处理后图像中的噪声明显，且部分细节信息丢失，从而降低了图像整体视觉效果。

需要说明的是：上述实施例提供的基于双树复小波变换的低光照图像增强方法进行图像亮度补偿的实施例，仅作为该图像增强方法在实际应用中的说明，还可以根据实际需要而将上述图像增强方法在其他应用场景中使用，其具体实现过程类似于上述实施例，这里不再赘述。

上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中得先后顺序。

以上所述仅为本发明的实施例，并不用以限制本发明，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 (5)

1.一种基于双树复小波变换的低光照图像增强方法，其特征在于，所述基于双树复小波变换的低光照图像增强方法，包括：

将待处理图像的颜色空间进行转换，得到转换后的第一图像；

将所述第一图像进行亮度补偿处理，得到处理后的亮度补偿图像；

对所述亮度补偿图像进行双树复小波变换，获取所述亮度补偿图像中亮度分量的低通子带和高通子带，对所述低通子带和所述高通子带进行处理，得到处理后图像；

提取所述处理后图像中的处理后亮度分量以及所述待处理图像中的原始亮度分量，根据处理后亮度分量与所述原始亮度分量的比值，结合所述待处理图像中的彩色分量，获取输出图像。

2.根据权利要求1所述的基于双树复小波变换的低光照图像增强方法，其特征在于，所述将所述第一图像进行亮度补偿处理，得到处理后的亮度补偿图像，包括：

提取所述第一图像中的亮度分量，通过双边滤波器将所述亮度分量分为基层分量和细节层分量，基于所述基层分量和所述细节层分量，获取增强后的细节层分量；

根据所述基层分量与所述增强后的细节层分量，确定细节信息增强的亮度分量；

根据所述细节信息增强的亮度分量的取值范围，对所述第一图像的动态分为进行处理，得到处理后的亮度补偿图像。

3.根据权利要求1所述的基于双树复小波变换的低光照图像增强方法，其特征在于，对所述亮度补偿图像进行双树复小波变换，获取所述亮度补偿图像中亮度分量的低通子带和高通子带，对所述低通子带和所述高通子带进行处理，得到处理后图像，包括：

提取所述亮度补偿图像中的细节信息增强的亮度分量，对所述细节信息增强的亮度分量进行双树复小波变换，得到低通子带和高通子带；

根据预设阈值对所述高通子带中的小波系数进行分类调整，得到调整后的高通子带系数，通过对比度受限自适应直方图均衡方法对所述低通子带中的系数进行调整，得到调整后的低通子带系数；

根据所述调整后的高通子带系数和所述调整后的低通子带系数，通过双树复小波反变换对所述亮度补偿图像中的亮度分量进行重构，基于重构后的亮度分量对所述亮度补偿图像进行处理，得到处理后图像。

4.根据权利要求3所述的基于双树复小波变换的低光照图像增强方法，其特征在于，所述根据预设阈值对所述高通子带中的小波系数进行分类调整，得到调整后的高通子带系数，包括：

根据所述高通子带中的小波系数取值，将所述高频子带分为强边缘、弱边缘和噪声；

保留所述强边缘的小波系数，对所述弱边缘的小波系数进行加强处理，将所述噪声的小波系数置为零。

5.根据权利要求1所述的基于双树复小波变换的低光照图像增强方法，其特征在于，提取所述处理后图像中的处理后亮度分量以及所述待处理图像中的原始亮度分量，根据处理后亮度分量与所述原始亮度分量的比值，结合所述待处理图像中的彩色分量，获取输出图像，包括：

提取所述处理后图像中的处理后亮度分量和所述待处理图像中的原始亮度分量；

基于所述处理后亮度分量和所述原始亮度分量构建转换矩阵；

根据所述转换矩阵，结合所述待处理图像中的彩色分量，获取输出彩色分量；

根据所述输出彩色分量，确定输出图像。