CN105809643B - 一种基于自适应块通道拉伸的图像增强方法 - Google Patents
一种基于自适应块通道拉伸的图像增强方法 Download PDFInfo
- Publication number
- CN105809643B CN105809643B CN201610144253.5A CN201610144253A CN105809643B CN 105809643 B CN105809643 B CN 105809643B CN 201610144253 A CN201610144253 A CN 201610144253A CN 105809643 B CN105809643 B CN 105809643B
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- value
- pixel
- block
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 45
- 238000001125 extrusion Methods 0.000 title claims abstract description 23
- 238000000889 atomisation Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 230000002708 enhancing effect Effects 0.000 claims abstract description 9
- 239000006185 dispersion Substances 0.000 claims description 103
- 230000009466 transformation Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 235000013350 formula milk Nutrition 0.000 claims 8
- 230000002452 interceptive effect Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012952 Resampling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000032258 transport Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于自适应块通道拉伸的图像增强方法,该方法主要解决图像增强中图像去雾化与曝光调整两个重要问题。目前已有许多方法针对这两个问题提出了解决方案,但缺点在于需要设定图像调整的多个阈值,使得此类方法需要用户交互操作,并且无法一次性批量处理多张图像。此外,现有方法把雾化图像和暗光图像作为两种图像增强问题分别解决,缺乏统一框架。本发明针对现有方法的缺陷,通过对现实世界中各类图像进行统计学习,获得问题图像调整的自适应阈值,减少用户的手动交互操作,提高处理效率;另外,通过对图像块的高光通道和阴影通道同时进行拉伸变换,本发明可以使得问题图像,包括雾化图像和暗光图像,在同一框架下完成增强处理。
Description
技术领域
本发明属于图像增强领域,尤其涉及从输入图像中选取自适应阈值并对输入图像进行去雾化和曝光调整的方法。
背景技术
图像增强是指将数码相机拍摄的图像按照用户一定的需求进行清晰化处理或曝光调整的过程。由于感光元件能力的限制,数码相机对暗淡光线不敏感,在光线不佳的条件下所摄图片对比度低,局部细节不突出,导致图像的主观视觉效果差。因此,通过软件方法增强图像对比度是不可或缺的数字图像处理技术。增强后的图像,可视性提高,能够更好的实现视频监控、图像识别等基于图像的应用。
近年来,随着软硬件技术的飞速发展,大量图像处理的计算机软件与手机应用为用户提供图像增强的功能,方便用户对拍摄的照片进行后期处理。然而现阶段产品提供图像增强功能的核心方法往往涉及到多个阈值的选取,图像增强的最终结果与所选择的阈值高低有很大的关系,因而良好的图像增强效果通常需要用户交互操作,对用户图像处理的专业性提出了很高的要求。此外,涉及阈值选取的图像增强方法无法对多张照片进行批量处理。从方法角度分析,现有的图像增强方法也存在一定弊端。首先,现有方法把雾化图像和暗光图像作为两种图像增强问题分别解决,缺乏统一框架。其次,现有方法大多在HSV色彩空间下进行增强饱和度操作,容易产生偏色、失真等问题。再次,现有图像去雾化方法大多采用图像暗通道进行处理,由于算法中计算暗通道所采用的像素邻域尺寸为固定值,导致增强后的图像容易产生显著光晕。如需避免光晕问题,则用户必须手动减小邻域尺寸,导致削弱图像增强的效果。因此,迫切需要一种新型的图像增强方法,可以对输入的问题图像进行准确的自动增强处理。
基于自适应块通道拉伸的图像增强方法,是一种基于统计学习的图像自动增强方法。采用统计学习方法,对大量通过互联网搜集的各类图像进行学习,通过分析正常图像和问题图像的相关数据,获得问题图像增强处理的自适应阈值。用户选取需要处理的图像,系统根据输入图像的相关特征和学习所得自适应阈值,对图像像素进行邻域图像块的选择,图像像素的增强调整基于其邻域图像块实施高光通道和阴影通道的拉伸操作,完成对图像的去雾化或曝光调整处理。增强后的图像显示在输出软件中,用户可以对增强后的图像进行进一步的操作。这种方式极大地简化了用户的操作,并为用户节约了宝贵的时间。
发明内容
本发明要克服现有技术的上述缺点,提供一种基于自适应块通道拉伸的图像增强方法,此方法可同时适用于图像的去雾化和曝光调整操作。
为实现上述目的,本发明所述的基于自适应块通道拉伸的图像增强方法包括如下步骤:
1)从互联网上获取训练图像数据集,基于训练图像数据集,统计学习图像块离散度特征的自适应阈值;
2)进入图像选取模式,选择需处理的图像,并进行颜色空间变换和预处理,获得待增强图像;
3)根据所述待增强图像和所述图像块离散度特征的自适应阈值,为待增强图像的每个像素自动选择自适应处理的邻域图像块尺寸阈值;
4)基于所述待增强图像的每个像素对应的邻域图像块尺寸阈值,对待增强图像运行基于通道拉伸的图像增强方法;
5)将增强后的图像进行颜色空间反变换,并将数据传送至输出单元。
进一步地,所述步骤1)中,所述的图像块离散度特征的自适应阈值通过图像数据库训练获得。通过互联网收集两类图像形成图像数据库:第一类是正常图像,无雾化并且正确曝光;第二类是问题图像,包括雾化图像和曝光不足的图像。所有图像转为灰度图像后进行如下统计学习步骤,学习雾化和曝光不足图像数据中图像块离散度特征的自适应阈值σ。
1.1)计算正常图像的图像块离散度特征的统计直方图。该直方图统计图像数据库中所有无雾化和正确曝光的正常图像每个像素对应的邻域图像块内离散度特征值。依据正常图像的直方图分布特点,确定直方图中离散度特征值σw。若图像块离散度特征大于所述离散度特征值σw,则表明图像块内各像素的灰度值分散度高、具有显著对比,否则表明图像块内各像素的灰度值均匀、分散度低、无显著对比。
1.2)计算问题图像的图像块离散度特征的统计直方图。该直方图统计图像数据库中所有雾化或者曝光不足的问题图像每个像素对应的邻域图像块内离散度特征值。
1.3)分别计算正常图像和问题图像的图像块离散度特征的累积直方图。
1.4)在正常图像的图像块离散度特征的累积直方图上获取如1.1)所述离散度特征值σw对应的累积百分比θw。在问题图像的图像块离散度特征的累积直方图获取累积百分比θw对应的离散度特征值σ。离散度特征值σ即图像块离散度特征的自适应阈值。当图像块的离散度特征大于自适应阈值σ,则表明图像块内各像素的灰度值分散度高、具有显著对比,可使用基于图像块通道拉伸的图像增强方法对像素进行增强。
进一步地,所述图像块离散度特征是表征图像块内各像素灰度值对比程度的图像特征,图像块离散度特征值大则表明图像块内各像素灰度值分散度高、具有显著对比,否则表明图像块内各像素灰度值均匀、分散度低、对比不显著。图像块离散度特征的一种计算公式为图像块内像素灰度值的标准差,即图像块离散度特征的另一种计算公式为图像块内像素灰度值的平均差,即其中ω是图像块所在区域,M为图像块包含的像素个数,为图像块内所有像素灰度值的平均值。
进一步地,所述步骤2)中,所述颜色空间变换和预处理具体为:对图像Irgb采集所使用的RGB三原色颜色空间进行变换,获得一个灰度分量Igray以及两个色彩分量Iu和Iv,对灰度分量Igray进行去除噪声的低通滤波预处理,预处理后的灰度分量Igray以及色彩分量Iu和Iv构成待增强图像Iyuv。
进一步地,所述步骤3)具体包括以下步骤:
3.1)构造图像块离散度特征金字塔:针对待增强图像Iyuv的灰度分量Igray构造自下而上的图像块离散度特征金字塔。金字塔各层由当前层对应尺寸的图像块离散度特征值构成,金字塔第1层计算尺寸为1×1的图像块,金字塔第2层计算尺寸为2×2的图像块,金字塔第3层计算尺寸为4×4的图像块,以此类推,金字塔第n层计算尺寸为2n-1×2n-1的图像块。金字塔各层的计算公式为Ln(p)=f(ω(p)),其中f(ω)是计算离散度特征的函数,ω(p)是灰度分量Igray中以像素(px×2n-1+2n-2,py×2n-1+2n-2)为中心、以2n-1为大小的方形区域,n的取值范围是[1,N],N为金字塔的层数。
3.2)构造邻域图像块尺寸阈值图Iwinsize:针对待增强图像的每个像素p,遍历上述离散度特征金字塔,为像素p选择大于图像块离散度特征自适应阈值σ的金字塔层级t,即Lt(px/2n-1,py/2n-1)>σ。根据所得金字塔层级t计算像素p对应的图像块尺寸阈值,公式为Iwinsize(p)=2t-1。
进一步地,所述步骤4)具体包括以下步骤:
4.1)构造阴影通道图像Ilow:根据邻域图像块尺寸阈值图Iwinsize,为每个图像像素p计算邻域图像块阴影值;邻域图像块阴影值的计算是,以像素p为中心,以Iwinsize(p)为图像块尺寸的图像区域内,原图像Irgb所有像素的RGB三通道数值的最小值,公式为其中ω(p)是以像素p为中心以Iwinsize(p)为大小的方形区域;
4.2)构造高光通道图像Ihigh:根据邻域图像块尺寸阈值图Iwinsize,为每个图像像素p计算邻域图像块高光值;邻域图像块高光值的计算是,以像素p为中心,以Iwinsize(p)为图像块尺寸的图像区域内,原图像Irgb所有像素的RGB三通道数值的最大值,公式为其中ω(p)是以像素p为中心以Iwinsize(p)为大小的方形区域;
4.3)对上述所获阴影图像和高光图像进行保边低通滤波,平滑数值,获得平滑后的阴影图像和高光图像
进一步地,所述步骤5)具体为:对上述步骤获得的增强后的三个图像分量和进行颜色空间反变换获得增强后的RGB空间的彩色图像,该彩色图像可作为最终结果单独输出,也可作为其他图像处理过程的先验。
本发明的有益效果如下:
1)通过在亮度-色彩类颜色空间而非传统图像增强方法的亮度-色度-饱和度颜色空间内对输入图像进行处理,避免了图像处理过程中产生偏色,失真等情况;
2)通过图像数据库的统计学习获得自适应阈值,可为待增强图像的每一个像素定制最佳邻域尺寸,从而自动完成图像的最优增强。与传统的任意图像全部像素使用固定阈值的方法相比,本发明在实现图像有效增强的同时避免了光晕等副作用。此外,通过自适应阈值,本发明减少了图像增强过程中的人工交互,在获得更优结果的同时提高了处理效率;
3)使用高光通道和阴影通道的线性组合拉伸对图像进行处理,考虑了照片的暗场和明场,能够对图像进行更强的对比度增强;
4)所述方法能够在统一框架下同时处理雾化图像和暗光图像。
附图说明
图1是本发明的流程示意图;
图2是自适应阈值选择的数据曲线示意图,(a)为正常图像和问题图像的图像块离散度特征直方图,(b)为正常图像和问题图像的图像块离散度特征累积直方图;
图3是选择自适应处理的邻域图像块尺寸阈值过程示意图;
图4是选择自适应处理的邻域图像块尺寸阈值效果示意图,(a)为待处理图像,(b)为每个像素对应的邻域图像块尺寸,颜色越黑图像块尺寸越小,反之越大;
图5是基于通道拉伸的图像增强方法过程示意图;
图6是基于通道拉伸的图像增强方法效果示意图,(a)为待处理图像,(b)为已有方法处理结果,(c)为本发明方法处理结果。
具体实施方式
下面将结合本发明中的附图,对本发明的技术方案进行清晰、完整的解释。
本发明提出了一种基于自适应块通道拉伸的图像增强方法,该方法首先通过互联网搜索引擎获取大量无雾化和正常曝光的图像,并通过对这些图像进行学习训练获得不同环境条件下的自适应阈值。在图像增强过程中,首先将图像转到YUV颜色空间,然后用多层金字塔对转化后的图像进行表示,最后通过自适应阈值的引导,使用图像的亮通道和暗通道进行线性拉伸组合对图像进行相应的增强操作。图1是本发明基于自适应块通道拉伸的图像增强方法流程图。如图1所示,本发明基于自适应块通道拉伸的图像增强方法包括以下步骤:
1)从互联网上获取训练图像数据集,基于训练图像数据集,统计学习图像块离散度特征的自适应阈值;
2)进入图像选取模式,选择需处理的图像,并进行颜色空间变换和预处理,获得待增强图像;
3)根据所述待增强图像和所述图像块离散度特征的自适应阈值,为待增强图像的每个像素自动选择自适应处理的邻域图像块尺寸阈值;
4)基于所述待增强图像的每个像素对应的邻域图像块尺寸阈值,对待增强图像运行基于通道拉伸的图像增强方法;
5)将增强后的图像进行颜色空间反变换,并将数据传送至输出单元。
以下结合实施例详细说明本发明的实现方法:
所述步骤1)中,所述的图像块离散度特征的自适应阈值通过图像数据库训练获得。通过互联网收集两类图像形成图像数据库:第一类是正常图像,无雾化并且正确曝光;第二类是问题图像,包括雾化图像和曝光不足的图像。所有图像转为灰度图像后进行如下统计学习步骤,学习雾化和曝光不足图像数据中图像块离散度特征的自适应阈值σ。
1.1)计算正常图像的图像块离散度特征的统计直方图。该直方图统计图像数据库中所有无雾化和正确曝光的正常图像每个像素对应的邻域图像块内离散度特征值。依据正常图像的直方图分布特点,确定直方图中离散度特征值σw。若图像块离散度特征大于所述离散度特征值σw,则表明图像块内各像素的灰度值分散度高、具有显著对比,否则表明图像块内各像素的灰度值均匀、分散度低、无显著对比。
1.2)计算问题图像的图像块离散度特征的统计直方图。该直方图统计图像数据库中所有雾化或者曝光不足的问题图像每个像素对应的邻域图像块内离散度特征值。
1.3)分别计算正常图像和问题图像的图像块离散度特征的累积直方图。
1.4)如图2所示,在正常图像的图像块离散度特征的累积直方图上获取如1.1)所述离散度特征值σw对应的累积百分比θw。在问题图像的图像块离散度特征的累积直方图获取累积百分比θw对应的离散度特征值σ。离散度特征值σ即图像块离散度特征的自适应阈值。当图像块的离散度特征大于自适应阈值σ,则表明图像块内各像素的灰度值分散度高、具有显著对比,可使用基于图像块通道拉伸的图像增强方法对像素进行增强。
在实施例中,图像数据库中所有的图像通过重采样达到分辨率尺度统一,即图像较长边的像素数为600;统计过程中图像块的尺寸固定为15*15;直方图的横坐标是图像块离散度特征值,共70级,取值1-70,纵坐标是每个图像块离散度特征值级别出现的频率。
所述图像块离散度特征是表征图像块内各像素灰度值对比程度的图像特征,图像块离散度特征值大则表明图像块内各像素灰度值分散度高、具有显著对比,否则表明图像块内各像素灰度值均匀、分散度低、对比不显著。图像块离散度特征的一种计算公式为图像块内像素灰度值的标准差,即图像块离散度特征的另一种计算公式为图像块内像素灰度值的平均差,即其中ω是图像块所在区域,M为图像块包含的像素个数,为图像块内所有像素灰度值的平均值。图像块离散度特征的计算公式不仅限以上两种,所有表征图像块内各像素灰度值对比程度的计算方法均在本发明的保护范围内。
本实施例中使用的图像块离散度特征计算公式为图像块内像素灰度值的标准差σ(ω)。
所述步骤2)中,所述颜色空间变换和预处理具体为:对图像Irgb采集所使用的RGB三原色颜色空间进行变换,获得一个灰度分量Igray以及两个色彩分量Iu和Iv,对灰度分量Igray进行去除噪声的低通滤波预处理,预处理后的灰度分量Igray以及色彩分量Iu和Iv构成待增强图像Iyuv。
本实施例中使用的颜色空间变换是RGB空间到YUV空间的变换。使用的滤波器是导向滤波器,以灰度分量Igray作为导向图。为了和图像数据库的分辨率尺度一致,可将输入图像重采样保证较长边的像素数为600。
如图3所示,所述步骤3)具体包括以下步骤:
3.1)构造图像块离散度特征金字塔:针对待增强图像Iyuv的灰度分量Igray构造自下而上的图像块离散度特征金字塔。金字塔各层由当前层对应尺寸的图像块离散度特征值构成,金字塔第1层计算尺寸为1×1的图像块,金字塔第2层计算尺寸为2×2的图像块,金字塔第3层计算尺寸为4×4的图像块,以此类推,金字塔第n层计算尺寸为2n-1×2n-1的图像块。金字塔各层的计算公式为Ln(p)=f(ω(p)),其中f(ω)是计算离散度特征的函数,ω(p)是灰度分量Igray中以像素(px×2n-1+2n-2,py×2n-1+2n-2)为中心、以2n-1为大小的方形区域,n的取值范围是[1,N],N为金字塔的层数。
本实施例中使用的计算离散度特征的函数f(ω)为图像块内像素灰度值的标准差σ(ω)。
3.2)构造邻域图像块尺寸阈值图Iwinsize:针对待增强图像的每个像素p,遍历上述离散度特征金字塔,为像素p选择大于图像块离散度特征自适应阈值σ的金字塔层级t,即Lt(px/2n-1,py/2n-1)>σ。根据所得金字塔层级t计算像素p对应的图像块尺寸阈值,公式为Iwinsize(p)=2t-1。
如图5所示,所述步骤4)具体包括以下步骤:
4.1)构造阴影通道图像Ilow:根据邻域图像块尺寸阈值图Iwinsize,为每个图像像素p计算邻域图像块阴影值;邻域图像块阴影值的计算是,以像素p为中心,以Iwinsize(p)为图像块尺寸的图像区域内,原图像Irgb所有像素的RGB三通道数值的最小值,公式为其中ω(p)是以像素p为中心以Iwinsize(p)为大小的方形区域;
4.2)构造高光通道图像Ihigh:根据邻域图像块尺寸阈值图Iwinsize,为每个图像像素p计算邻域图像块高光值;邻域图像块高光值的计算是,以像素p为中心,以Iwinsize(p)为图像块尺寸的图像区域内,原图像Irgb所有像素的RGB三通道数值的最大值,公式为其中ω(p)是以像素p为中心以Iwinsize(p)为大小的方形区域;
4.3)对上述所获阴影图像和高光图像进行保边低通滤波,平滑数值,获得平滑后的阴影图像和高光图像本实施例选取的是导向滤波器,灰度图像Igray用作导向图。
对于Ihigh(p)-Ilow(p)等于0的异常情况,本实施例中强制设置为一个极小值0.001。
所述步骤5)具体为:对上述步骤获得的增强后的三个图像分量和进行颜色空间反变换获得增强后的RGB空间的彩色图像,该彩色图像可作为最终结果单独输出,也可作为其他图像处理过程的先验。
本实施例中使用了YUV空间到RGB空间的反变换。
最后,应当指出,以上实施例仅是本发明较有代表性的例子。本领域的普通技术人员可在不脱离本发明的发明思想情况下,对于上述实施做出各种修改或变化,因而本发明的保护范围并不被上述实施例所限,而应该是符合权利要求书提到的创新性特征的最大范围。
Claims (6)
1.一种基于自适应块通道拉伸的图像增强方法,其特征在于,包括如下步骤:
1)从互联网上获取训练图像数据集,基于训练图像数据集,统计学习图像块离散度特征的自适应阈值;所述的图像块离散度特征的自适应阈值通过图像数据库训练获得,通过互联网收集两类图像形成图像数据库:第一类是正常图像,无雾化并且正确曝光;第二类是问题图像,包括雾化图像和曝光不足的图像;所有图像转为灰度图像后进行如下统计学习步骤,学习雾化和曝光不足图像数据中图像块离散度特征的自适应阈值σ:
1.1)计算正常图像的图像块离散度特征的统计直方图;该直方图统计图像数据库中所有无雾化和正确曝光的正常图像每个像素对应的邻域图像块内离散度特征值;依据正常图像的直方图分布特点,确定直方图中离散度特征值σw;若图像块离散度特征大于所述离散度特征值σw,则表明图像块内各像素的灰度值分散度高、具有显著对比,否则表明图像块内各像素的灰度值均匀、分散度低、无显著对比;
1.2)计算问题图像的图像块离散度特征的统计直方图;该直方图统计图像数据库中所有雾化或者曝光不足的问题图像每个像素对应的邻域图像块内离散度特征值;
1.3)分别计算正常图像和问题图像的图像块离散度特征的累积直方图;
1.4)在正常图像的图像块离散度特征的累积直方图上获取如1.1)所述离散度特征值σw对应的累积百分比θw;在问题图像的图像块离散度特征的累积直方图获取累积百分比θw对应的离散度特征值σ;离散度特征值σ即图像块离散度特征的自适应阈值;当图像块的离散度特征大于自适应阈值σ,则表明图像块内各像素的灰度值分散度高、具有显著对比,可使用基于图像块通道拉伸的图像增强方法对像素进行增强;
2)进入图像选取模式,选择需处理的图像,并进行颜色空间变换和预处理,获得待增强图像;
3)根据所述待增强图像和所述图像块离散度特征的自适应阈值,为待增强图像的每个像素自动选择自适应处理的邻域图像块尺寸阈值;
4)基于所述待增强图像的每个像素对应的邻域图像块尺寸阈值,对待增强图像运行基于通道拉伸的图像增强方法;
5)将增强后的图像进行颜色空间反变换,并将数据传送至输出单元。
2.如权利要求1所述基于自适应块通道拉伸的图像增强方法,其特征在于,所述图像块离散度特征是表征图像块内各像素灰度值对比程度的图像特征,图像块离散度特征值大则表明图像块内各像素灰度值分散度高、具有显著对比,否则表明图像块内各像素灰度值均匀、分散度低、对比不显著;图像块离散度特征的一种计算公式为图像块内像素灰度值的标准差,即图像块离散度特征的另一种计算公式为图像块内像素灰度值的平均差,即其中ω是图像块所在区域,M为图像块包含的像素个数,为图像块内所有像素灰度值的平均值。
3.如权利要求1所述基于自适应块通道拉伸的图像增强方法,其特征在于,所述步骤2)中,所述颜色空间变换和预处理具体为:对图像Irgb采集所使用的RGB三原色颜色空间进行变换,获得一个灰度分量Igray以及两个色彩分量Iu和Iv,对灰度分量Igray进行去除噪声的低通滤波预处理,预处理后的灰度分量Igray以及色彩分量Iu和Iv构成待增强图像Iyuv。
4.如权利要求1所述基于自适应块通道拉伸的图像增强方法,其特征在于,所述步骤3)具体包括以下步骤:
3.1)构造图像块离散度特征金字塔:针对待增强图像Iyuv的灰度分量Igray构造自下而上的图像块离散度特征金字塔;金字塔各层由当前层对应尺寸的图像块离散度特征值构成,金字塔第1层计算尺寸为1×1的图像块,金字塔第2层计算尺寸为2×2的图像块,金字塔第3层计算尺寸为4×4的图像块,以此类推,金字塔第n层计算尺寸为2n-1×2n-1的图像块;金字塔各层的计算公式为Ln(p)=f(ω(p)),其中f(ω)是计算离散度特征的函数,ω(p)是灰度分量Igray中以像素(px×2n-1+2n-2,py×2n-1+2n-2)为中心、以2n-1为大小的方形区域,n的取值范围是[1,N],N为金字塔的层数;
3.2)构造邻域图像块尺寸阈值图Iwinsize:针对待增强图像的每个像素p,遍历上述离散度特征金字塔,为像素p选择大于图像块离散度特征自适应阈值σ的金字塔层级t,即Lt(px/2n-1,py/2n-1)>σ;根据所得金字塔层级t计算像素p对应的图像块尺寸阈值,公式为Iwinsize(p)=2t-1。
5.如权利要求1所述基于自适应块通道拉伸的图像增强方法,其特征在于,所述步骤4)具体包括以下步骤:
4.1)构造阴影通道图像Ilow:根据邻域图像块尺寸阈值图Iwinsize,为每个图像像素p计算邻域图像块阴影值;邻域图像块阴影值的计算是,以像素p为中心,以Iwinsize(p)为图像块尺寸的图像区域内,原图像Irgb所有像素的RGB三通道数值的最小值,公式为其中ω(p)是以像素p为中心以Iwinsize(p)为大小的方形区域;
4.2)构造高光通道图像Ihigh:根据邻域图像块尺寸阈值图Iwinsize,为每个图像像素p计算邻域图像块高光值;邻域图像块高光值的计算是,以像素p为中心,以Iwinsize(p)为图像块尺寸的图像区域内,原图像Irgb所有像素的RGB三通道数值的最大值,公式为其中ω(p)是以像素p为中心以Iwinsize(p)为大小的方形区域;
4.3)对上述所获阴影通道图像Ilow和高光通道图像Ihigh进行保边低通滤波,平滑数值,获得平滑后的阴影通道图像和高光通道图像
4.4)使用平滑后的阴影通道图像和高光通道图像对灰度分量Igray的每个像素进行增强变换,改变整个灰度图像的对比度,变换公式为:对两个色彩分量Iu和Iv进行线性变换,提高图像的饱和度,变换公式为:和
6.如权利要求5所述基于自适应块通道拉伸的图像增强方法,其特征在于,所述步骤5)具体为:对上述步骤获得的增强后的三个图像分量和进行颜色空间反变换获得增强后的RGB空间的彩色图像,该彩色图像可作为最终结果单独输出,也可作为其他图像处理过程的先验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610144253.5A CN105809643B (zh) | 2016-03-14 | 2016-03-14 | 一种基于自适应块通道拉伸的图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610144253.5A CN105809643B (zh) | 2016-03-14 | 2016-03-14 | 一种基于自适应块通道拉伸的图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105809643A CN105809643A (zh) | 2016-07-27 |
CN105809643B true CN105809643B (zh) | 2018-07-06 |
Family
ID=56468294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610144253.5A Expired - Fee Related CN105809643B (zh) | 2016-03-14 | 2016-03-14 | 一种基于自适应块通道拉伸的图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105809643B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330871A (zh) * | 2017-06-29 | 2017-11-07 | 西安工程大学 | 恶劣气象条件下运行绝缘子自动识别的图像增强方法 |
CN107492078B (zh) * | 2017-08-14 | 2020-04-07 | 厦门美图之家科技有限公司 | 一种去除图像中黑噪的方法及计算设备 |
CN109949238B (zh) * | 2019-03-07 | 2022-11-25 | 北京麦哲科技有限公司 | 图像的磨白优化方法和装置 |
CN110188680B (zh) * | 2019-05-29 | 2021-08-24 | 南京林业大学 | 基于因子迭代的茶树嫩芽智能识别方法 |
CN112102201B (zh) * | 2020-09-24 | 2024-05-28 | 深圳市赛为智能股份有限公司 | 图像阴影反光消除方法、装置、计算机设备及存储介质 |
CN112288661B (zh) * | 2020-12-28 | 2021-04-09 | 成都索贝数码科技股份有限公司 | 一种图像色彩校正方法 |
CN113642580B (zh) * | 2021-07-22 | 2024-02-02 | 武汉理工大学 | 一种轮胎压印字符的定位与识别方法 |
CN114881896B (zh) * | 2022-07-12 | 2022-10-04 | 广东欧谱曼迪科技有限公司 | 内窥镜图像实时去雾方法、装置、电子设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6072941A (en) * | 1993-11-08 | 2000-06-06 | Canon Kabushiki Kaisha | Image processing apparatus and method which classifies images according to attributes |
CN102147866A (zh) * | 2011-04-20 | 2011-08-10 | 上海交通大学 | 基于训练自适应增强和支持矢量机的目标识别方法 |
CN103778412A (zh) * | 2014-01-16 | 2014-05-07 | 重庆邮电大学 | 一种基于局部三值模式自适应阈值的人脸识别方法 |
CN103886344A (zh) * | 2014-04-14 | 2014-06-25 | 西安科技大学 | 一种图像型火灾火焰识别方法 |
CN104899567A (zh) * | 2015-06-05 | 2015-09-09 | 重庆大学 | 基于稀疏表示的小弱运动目标跟踪方法 |
-
2016
- 2016-03-14 CN CN201610144253.5A patent/CN105809643B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6072941A (en) * | 1993-11-08 | 2000-06-06 | Canon Kabushiki Kaisha | Image processing apparatus and method which classifies images according to attributes |
CN102147866A (zh) * | 2011-04-20 | 2011-08-10 | 上海交通大学 | 基于训练自适应增强和支持矢量机的目标识别方法 |
CN103778412A (zh) * | 2014-01-16 | 2014-05-07 | 重庆邮电大学 | 一种基于局部三值模式自适应阈值的人脸识别方法 |
CN103886344A (zh) * | 2014-04-14 | 2014-06-25 | 西安科技大学 | 一种图像型火灾火焰识别方法 |
CN104899567A (zh) * | 2015-06-05 | 2015-09-09 | 重庆大学 | 基于稀疏表示的小弱运动目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105809643A (zh) | 2016-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105809643B (zh) | 一种基于自适应块通道拉伸的图像增强方法 | |
CN103593830B (zh) | 一种低照度视频图像增强方法 | |
CN105915909B (zh) | 一种高动态范围图像分层压缩方法 | |
Wang et al. | A fast single-image dehazing method based on a physical model and gray projection | |
CN107895350B (zh) | 一种基于自适应双伽玛变换的hdr图像生成方法 | |
CN110428379B (zh) | 一种图像灰度增强方法及系统 | |
CN111292264A (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
CN107798661B (zh) | 一种自适应的图像增强方法 | |
CN103034986A (zh) | 一种基于曝光融合的夜视图像增强方法 | |
CN110706172B (zh) | 基于自适应混沌粒子群优化的低照度彩色图像增强方法 | |
Wang et al. | Enhancement for dust-sand storm images | |
Li et al. | An adaptive enhancement method for low illumination color images | |
CN111105359A (zh) | 一种高动态范围图像的色调映射方法 | |
CN107256539B (zh) | 一种基于局部对比度的图像锐化方法 | |
Yan et al. | MMP-net: a multi-scale feature multiple parallel fusion network for single image haze removal | |
CN113706393A (zh) | 视频增强方法、装置、设备及存储介质 | |
CN107358592B (zh) | 一种迭代式全局自适应图像增强方法 | |
CN114240767A (zh) | 一种基于曝光融合的图像宽动态范围处理方法及装置 | |
CN114037641A (zh) | 一种低照度图像增强方法、装置、设备及介质 | |
CN117391987A (zh) | 基于多阶段联合增强机制的暗光图像处理方法 | |
Li et al. | Multi-exposure image fusion based on improved pyramid algorithm | |
CN116563133A (zh) | 基于模拟曝光和多尺度融合的低照度彩色图像增强方法 | |
CN114663300A (zh) | 基于dce的低照度图像增强方法、系统及相关设备 | |
CN112991236B (zh) | 一种基于模板的图像增强方法及装置 | |
Zini et al. | Shallow camera pipeline for night photography rendering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180706 Termination date: 20210314 |
|
CF01 | Termination of patent right due to non-payment of annual fee |