CN106530244B - 一种图像增强方法 - Google Patents
一种图像增强方法 Download PDFInfo
- Publication number
- CN106530244B CN106530244B CN201610949239.2A CN201610949239A CN106530244B CN 106530244 B CN106530244 B CN 106530244B CN 201610949239 A CN201610949239 A CN 201610949239A CN 106530244 B CN106530244 B CN 106530244B
- Authority
- CN
- China
- Prior art keywords
- image
- formula
- wavelet
- dual
- follows
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000009977 dual effect Effects 0.000 claims abstract description 20
- 230000002708 enhancing effect Effects 0.000 claims abstract description 11
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G06T5/90—
Abstract
本发明公开了一种图像增强方法,包括如下步骤:步骤一:获取待增强的图像I;步骤二:对图像I进行双密度双树复小波变换,得到4幅低频图像Ia,Ib,Ic,Id和32幅高频图像I1,I2,…Ii,其中i=1,2…32;步骤三:利用改进MSR算法对4幅低频图像进行处理得到I’a,I’b,I’c,I’d;步骤四:利用贝叶斯阈值去噪法对32幅高频图像进行处理得到I’1,I’2,I’3…I’i,其中i=1,2…32;步骤五:对结果图片进行逆小波变换得到增强图像R。本发明提供一种能够增强图像有用信息对比度,并且能够较好的保留图像的细节特征的图像增强方法。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种图像增强方法。
背景技术
人类视觉系统(human visual system,HVS)在复杂光照的情况下依然可以通过一系列自适应调节机制正确的反应实物本身的颜色和细节。然而在环境光照不足或不均匀的情况下,相机等图像采集设备容易丢失图像细节特征,产生低对比度图像,难以满足人眼感知或后续图像处理的需要。传统的图像增强方法主要有包括对数变换、直方图均衡化、伽马变换等,这些方法在提高有用信息对比度的同时,也增强了无效信息的对比度,甚至丢失了部分细节。
SSR(Retinex)图像增强的主要目的是在保留原图像重要和有效信息的前提下降低或消除复杂光照的影响,从而产生高质量图像。但传统SSR(Retinex)理论假定图像像素点的入射分量是相同的,即光照平缓变化,但实际中,入射光分量是有差异的,因此SSR方法易在入射光变化强烈的地方产生“光晕”现象,模糊了图像的细节部分。由于小波变换具有低熵性、去相关性、多分辨率性和小波基选择多样性等其他工具难以比拟的优势,所以小波理论在图像增强中得到了广泛的使用。
尽管离散小波变换具有强大的功能,但仍存在以下缺点:(1)对数据敏感,(2)方向性差,(3)没有相空间信息。1998年Kingsbury提出了双树复小波变换(Dual-tree ComplexWavelet Transform,DTCWT),该方法可以提供±15°,±45°,±75°六个信息描述方向。尽管如此,但仍存在方向不足的缺陷。2001年Selesnick提出了双密度小波变换(DoubleDensity Discrete Wavelet Transform,DDDWT),此方法具有近似平移不变性,完全重构性和有限冗余性等特点。与传统小波变换相比,双密度小波利用一个尺度函数和两个偏移0.5个单位的小波函数,每个方向有两个小波描述,增加了信息量,降低了对信号频移的敏感性。Selesnick又于2004综合了DTCWT和DDDWT的优点,提出了双密度双树复小波变换(Double Density Dual-Tree Complex Wavelet Transform,DD-DTCWT),该算法具有抗混叠性、近似平移不变性和更多的方向选择性,成为广泛使用的多尺度分析工具。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种能够增强图像有用信息对比度,而且较好的保留图像的细节特征的图像增强方法。
本发明的目的是通过以下技术方案来实现的:
这种图像增强方法,包括如下步骤:
步骤一:获取待增强的图像I;
步骤二:对图像I进行双密度双树复小波变换,得到4幅低频图像Ia,Ib,Ic,Id和32幅高频图像I1,I2,…Ii,其中i=1,2…32;
步骤三:利用MSR算法对4幅低频图像进行处理得到I’a,I’b,I’c,I’d;
步骤四:利用贝叶斯阈值去噪法对32幅高频图像进行处理得到I’1,I’2,I’3…I’i,其中i=1,2…32;
步骤五:对结果图片进行逆小波变换得到增强图像R。
进一步的,上述步骤二中双密度双树复小波变换的过程具体为:
步骤1):通过过采样技术得到两个尺度函数记为{φh(t),φg(t)}和四个小波函数{ψh,i(t),ψg,i(t)},其中i=1,2;t为时域内的时刻值;
同组的两个小波函数间相互偏离0.5个单位,得到函数:
ψh,1(t)=ψh,2(t-0.5),ψg,1(t)=ψg,2(t-0.5) (1)
不同组对应的小波函数之间形成近似希尔伯特变换对得到:
步骤2):利用步骤1)中的两个尺度函数和四个小波函数得到一个复尺度函数和二个复小波函数,
φ(t)=φh(t)+j(φg(t)) (3);
ψi(t)=ψh,i(t)+jψg,i(t) (4)
其中i=1,2;
步骤3):采用双树结构实现双密度双树复小波变换,得到4个低通子带图像和32个高通子带图像。
进一步的,上述步骤三中的MSR算法计算过程具体为:
步骤1):将图像分为N块,其中图像第i个子块的局部图像熵为Hi,定义平均局部熵Q为:
定义图像局部对比度P为:
其中mi为图像第i个子块的平均灰度值,为整个为图像平均灰度值;
步骤2):定义权值w1,w2,w3,为:
w1=(P+Q+1)/3,w2=(1-w1)*2/3,w3=(1-w1)/3 (7);
将公式(5)和公式(6)代入公式(7)得到权值w1,w2,w3,;
步骤3):定义SSR的输出结果为:Rj(x,y)=lg[I(x,y)-lg[Fj(x,y)×I(x,y)] (8)
其中:Rj(x,y)为SSR的输出结果;利用公式(8)对原图像进行三次不同尺度的单尺度SSR变换,得到R1,R2,R3;
三次变换的具体取值,其中,标准差σ即为尺度参数;
步骤4):定义MSR算法公式:
其中j=1,…N,w为权值,RMSR(x,y)表示MSR算法的输出结果,K=3,K为尺度函数σ的总个数;将公式(7)和(8)代入公式(9)得到改进的MSR变换结果。
进一步,上述尺度参数σ取值为20,120,200。
进一步的,上述步骤四中贝叶斯阈值去噪法利用广义高斯分布的去建立模型,广义高斯分布的标准差估计公式为:
其中δx为标准差,Nj为小波系数中所有高频系数的个数,为相应子带小波系数的值;
为噪声方差,如果不能预先知道图像的噪声,选择采用中位估计式(11)来估计噪声的方法。
其中x(i,j)为高频子带HHj中的通带系数。
定义δβ为源图像标准差估计,其计算公式如(12)
贝叶斯阈值的计算公式为:
其中T就为计算得到的贝叶斯阈值。
相对于现有技术,本发明的优点及效果为:
本发明提出一种图像增强方法,它结合了双密度双树复小波变换的近似平移不变性、良好的多分辨率性及更好的方向选择性,将图像分为4个低频图像和32个高频图像。然后应用MSR算法对低频图像进行处理,有效的增强图像的整体对比度并优化图像的视觉效果;应用贝叶斯滤波对32个高频图像进行处理,增强图像的边缘并抑制噪声。本发明提出的图像增强方法能够有效的提高低照度图像的对比度、信息熵,改善了图像的显示效果,并且能够较好的保留图像的细节特征的图像,为后续准确的进行图像处理奠定了基础。
附图说明
图1为本发明一级二维DDDTCWT变换示意图;
图2为低照度汽车图像的5种增强方法比较图;
图3为低照度下森林图像的5种增强方法比较图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1所示,本发明公开了一种图像增强方法,包括如下步骤:
步骤一:获取待增强的图像I;
步骤二:对图像I进行双密度双树复小波变换,得到4幅低频图像Ia,Ib,Ic,Id和32幅高频图像I1,I2,…Ii,其中i=1,2…32;步骤二中双密度双树复小波变换的过程具体为:
步骤1):通过过采样技术得到两个尺度函数{φh(t),φg(t)}和四个小波函数{ψh,i(t),ψg,i(t)},其中i=1,2;t为时域内的时刻值;
同组的两个小波函数间相互偏离0.5个单位,得到函数:
ψh,1(t)=ψh,2(t-0.5),ψg,1(t)=ψg,2(t-0.5) (1)
不同组对应的小波函数之间形成近似希尔伯特变换对得到:
步骤2):利用步骤1)中的两个尺度函数和四个小波函数得到一个复尺度函数和二个复小波函数,
φ(t)=φh(t)+j(φg(t)) (3);
ψi(t)=ψh,i(t)+jψg,i(t) (4)
其中i=1,2;
步骤3):采用双树结构实现双密度双树复小波变换,得到4个低通子带图像和32个高通子带图像。
步骤三:利用改进MSR算法对4幅低频图像进行处理得到I’a,I’b,I’c,I’d;步骤三中的改进MSR算法计算过程具体为:
步骤1):将图像分为N块,其中图像第i个子块的局部图像熵为Hi,定义平均局部熵Q为:
定义图像局部对比度P为:
其中mi为图像第i个子块的平均灰度值,为整个为图像平均灰度值;
步骤2):定义权值w1,w2,w3,为:
w1=(P+Q+1)/3,w2=(1-w1)*2/3,w3=(1-w1)/3 (7);
将公式(5)和公式(6)代入公式(7)得到权值w1,w2,w3,;
步骤3):定义SSR的输出结果为:Rj(x,y)=lg[I(x,y)-lg[Fj(x,y)×I(x,y)] (8)其中:Rj(x,y)为SSR的输出结果;利用公式(8)对原图像进行三次不同尺度的单尺度SSR变换,得到R1,R2,R3;
三次变换的具体取值,其中,标准差σ即为尺度参数,σ的大小对入射分量的估计有直接影响。当σ取值较小时,高斯模版较小,能够很好的实现动态范围压缩,影像偏暗的区域的边缘细节能够得到较好的增强,但是会出现颜色失真现象;当σ取值较大时。高斯模版较大,颜色保真效果较好,但是动态压缩能力和细节增强较差。单尺度Retinex算法无法在保证细节增强的同时实现颜色保真。
步骤4):定义MSR算法公式:其中j=1,…N,w为权值,RMSR(x,y)表示MSR算法的输出结果,K=3,K为尺度函数σ的总个数;将公式(7)和(8)代入公式(9)得到改进的MSR变换结果。
步骤四:利用贝叶斯阈值去噪法对32幅高频图像进行处理得到I1',I2',I3'…I'i,其中i=1,2…32;贝叶斯阈值去噪法利用广义高斯分布的去建立模型,广义高斯分布的标准差估计公式为:
其中δx为标准差,Nj为小波系数中所有高频系数的个数,为相应子带小波系数的值;
为噪声方差,如果不能预先知道图像的噪声,选择采用中位估计式(11)来估计噪声的方法。
其中x(i,j)为高频子带HHj中的通带系数。
定义δβ为源图像标准差估计,其计算公式如(12)
贝叶斯阈值的计算公式为:
其中T就为计算得到的贝叶斯阈值。
由公式(12)得到噪声的阈值,然后遍历图像,当图像某点的灰度值大于T时,认为该点为噪声,将该点的灰度值置为0;
步骤五:对结果图片进行逆小波变换得到增强图像R。
本发明针对Retinex算法的特点及不足,结合小波变换的优点,提出一种基于双密度双树复小波变换的Retinex图像增强算法。将该算法与当前典型的Retinex图像增强算法相比,实验分析结果表明,经该算法增强后的图像,其性能指标均有不同程度的改善,不仅增强了有用信息对比度,而且较好的保留了图像的细节特征。
1.本发明中双密度双树复小波变换利用两个不同的尺度函数{φh(t),φg(t)}和四个不同的小波函数{ψh,i(t),ψg,i(t)}(i=1,2),通过过采样技术实现。同组的两个小波函数间相互偏离0.5个单位,即
ψh,1(t)=ψh,2(t-0.5),ψg,1(t)=ψg,2(t-0.5) (1)
不同组的对应小波函数之间形成近似希尔伯特(Hilbert)变换对,即
双密度双树复小波变换满足双密度小波变换和双树复小波变换的条件,利用上述两个尺度函数和四个小波函数构成了一个复尺度函数和二个复小波函数,即
φ(t)=φh(t)+j(φg(t)) (3);
ψi(t)=ψh,i(t)+jψg,i(t) (4)
采用双树结构(树A和树B)实现双密度双树复小波变换。在实际应用中,通过对图像并行使用4个二维DDDWT(双密度小波变换)来实现二维DDDTCWT(双密度双树复小波变换),且对图像的行和列采用不同的滤波器组。不同方向子带系数进行和、差运算得到32个小波系数(分为16个实部和16个虚部)。如图1所示,为二维DDDTCWT(双密度双树复小波变换)的变换示意图。分别对应为4个低通子带图像和32个高通子带图像。
2.本发明的图像低频分量的Retinex增强法,对于得到的4个低通子带图像,提出一种改进的多尺度Retinex变换方法。该方法同基本多尺度Retinex算法类似,通过高斯滤波估计入射光分量,比起单尺度Retinex变换,具有大范围动态压缩与颜色恒常的特性,比起传统多尺度Retinex变换,具有更好的颜色保真性。该算法力图在细节增强和颜色保真之间寻找平衡点,在保留有效信息的同时,尽可能避免颜色失真。传统MSR算法就相当于将多个单尺度SSR(Retinex)算法进行线性加权组合。即
Rj(x,y)=lg[I(x,y)-lg[Fj(x,y)×I(x,y)] (8)
在上式中,W为权值,RMSR(x,y)表示MSR算法的输出结果;Rj(x,y)为SSR的输出结果,K为尺度函数σ的总个数,常取K=3。Wj为第j个环绕函数相关权重因子,传统Retinex满足常取本发明提出一种新的自适应的权值计算方法,其原理如下:
设图像被分为N块,Hi为图像第i个子块的局部图像熵,则定义平均局部熵Q
设mi为图像第i个子块的平均灰度值,整个为图像平均灰度值,则定义局部对比度为P
其中,N为图像的分块总数量,ml是第l个子分块的平均亮度值,为图像的全局平均亮度值。
最后定义权值w1,w2,w3,为
w1=(P+Q+1)/3,w2=(1-w1)*2/3,w3=(1-w1)/3 (7)
因此改进的Retinex算法计算过程如下:
1)利用公式5,计算图像平均局部熵Q
2)利用公式6,计算图像局部对比度P
3)利用公式7,计算自适应权值系数
4)利用公式8对原图像进行三次不同尺度的单尺度Retinex变换。变换结果分别记为R1,R2,R3
5)利用公式9,计算出改进的Retinex变换结果
3.本发明的图像高频分量的贝叶斯阈值去噪法,贝叶斯阈值法是一种利用先验分布等信息来求最佳阈值的一种方法,这种方法假设不同尺度和不同子带的小波系数都服从广义高斯分布,设小波系数为则其系数矩阵可以通过广义高斯分布来表示,其广义分布的标准差为:
广义高斯分布的标准差估计公式为:
其中δx为标准差,Nj为小波系数中所有高频系数的个数,为相应子带小波系数的值;
由此,各小波系数依据其子带特性被自适应的阈值化。
定义为噪声方差,如果不能预先知道图像的噪声,选择采用中位估计式(11)来估计噪声的方法。
其中x(i,j)为高频子带HHj中的通带系数。
定义δβ为源图像标准差估计,其计算公式如(12)
贝叶斯阈值的计算公式为:
其中T就为计算得到的贝叶斯阈值。
4.融合DDDTCWT与Retinex图像增强算法的实现
采用1级DDDTCWT对原始图像进行小波分析,对得到的低频分量采用多尺度的Retinex,高频分量采用高斯滤波综合上面的内容。
5.实验结果与对比分析
主观评价结果与对比,如图2,图3所示,其中图2和图3中图a表示原始图片、图b表示直方图均衡化、图c表示用SSR算法得到的图片、图d表示用MSR算法的到的图片、图e表示同态滤波的到的图片、图f表示通过本文方法得到的图片,采用上述提出的融合DDDTCWT与Retinex的图像增强方法对大量低照度的图像进行了增强处理实验,对得到的增强图像依据对比度、信息熵两个个方面进行定量评价。为了进行比较和分析,同时给出了直方图均衡化方法、同态滤波法、SSR方法和MSR方法的增强结果和定量评价结果。实验的结果表明,本文提出的增强方法能很好的提高图像的对比度,增强视觉效果,渐少光晕的产生并保留了图像的细节。
客观评价结果与对比,表1和表2为图像增强前后的图像信息熵、峰值信噪比的实验结果。
从表1可以看出各种增强算法的不同信息熵对比。直方图均衡化的信息熵低于原图。SSR方法和MSR方法略高于原图。同态滤波方法与原图像相比,有了一定的提升,但易受原图像影响,在不同原图像时变化较大。而本文算法所得图像信息熵均优于前述四种方法,本方法在图像偏暗时对信息熵提高了12.1%,在图像亮暗分明时提高了7%。
表1不同增强方法的图像信息熵对比
从表2可以看出各种增强方法在图像峰值信噪比方面的对比。直方图均衡化方法略优于SSR和MSR方法。同态滤波方法在图像提供了较大的峰值信噪比,但牺牲了对比度。而本发明提供的算法,在提高图像峰值信噪比的同时,提高了图像的对比度,对于后续图像的识别提供了良好的铺垫。
表2不同增强方法的图像峰值信噪比对比
本发明提出的图像增强方法融合了双密度双树复小波变换和Retinex变换。它结合了双密度双树复小波变换的近似平移不变性、良好的多分辨率性及更好的方向选择性,将图像分为4个低频图像和32个高频图像。然后应用MSR算法对低频图像进行处理,有效的增强图像的整体对比度并优化图像的视觉效果;应用高斯滤波对32个高频图像进行处理,增强图像的边缘并抑制噪声。利用大量低对比度的自然进行实验,并与直方图均衡化法、同态滤波法、SSR方法和MSR方法进行了比较。结果表明:提出的增强方法能够有效的提高低照度图像的对比度、信息熵,改善了图像的显示效果,为后续准确的进行图像处理奠定了基础。
Claims (4)
1.一种图像增强方法,其特征在于,包括如下步骤:
步骤一:获取待增强的图像I;
步骤二:对图像I进行双密度双树复小波变换,得到4幅低频图像Ia,Ib,Ic,Id和32幅高频图像I1,I2,…Ii,其中i=1,2…32;
步骤三:利用MSR算法对4幅低频图像进行处理得到I’a,I’b,I’c,I’d:
具体的,步骤1):将图像分为N块,其中图像第i个子块的局部图像熵为Hi,定义平均局部熵Q为:
定义图像局部对比度P为:
其中mi为图像第i个子块的平均灰度值,为整个图像平均灰度值;
步骤2):定义权值w1,w2,w3,为:
w1=(P+Q+1)/3,w2=(1-w1)*2/3,w3=(1-w1)/3(7);
将公式(5)和公式(6)代入公式(7)得到权值w1,w2,w3,;
步骤3):定义SSR的输出结果为:Rj(x,y)=lg[I(x,y)-lg[Fj(x,y)×I(x,y)](8)
其中:Rj(x,y)为SSR的输出结果;利用公式(8)对原图像进行三次不同尺度的单尺度SSR变换,得到R1,R2,R3;
三次变换的具体取值,其中,标准差σ即为尺度参数;
步骤4):定义MSR算法公式:
其中j=1,…N,w为权值,RMSR(x,y)表示MSR算法的输出结果,K=3,K为尺度函数σ的总个数;将公式(7)和(8)代入公式(9)得到改进的MSR变换结果;
步骤四:利用贝叶斯阈值去噪法对32幅高频图像进行处理得到I’1,I’2,I’3…I’i,其中i=1,2…32;
步骤五:对结果图片进行逆小波变换得到增强图像R。
2.如权利要求1所述的图像增强方法,其特征在于,步骤二中双密度双树复小波变换的过程具体为:
步骤1):通过过采样技术得到两个尺度函数记为{φh(t),φg(t)}和四个小波函数{ψh,i(t),ψg,i(t)},其中i=1,2;t为时域内的时刻值;
同组的两个小波函数间相互偏离0.5个单位,得到函数:
ψh,1(t)=ψh,2(t-0.5),ψg,1(t)=ψg,2(t-0.5) (1)
不同组对应的小波函数之间形成近似希尔伯特变换对得到:
ψg,1(t)H{ψh,1(t)},ψg,2(t)H{ψh,2(t)} (2);
步骤2):利用步骤1)中的两个尺度函数和四个小波函数得到一个复尺度函数和二个复小波函数,
φ(t)=φh(t)+j(φg(t)) (3);
ψi(t)=ψh,i(t)+jψg,i(t) (4)
其中i=1,2;
步骤3):采用双树结构实现双密度双树复小波变换,得到4个低通子带图像和32个高通子带图像。
3.如权利要求1所述的图像增强方法,其特征在于,所述尺度参数σ取值为20,120,200。
4.如权利要求1所述的图像增强方法,其特征在于,步骤四中贝叶斯阈值去噪法利用广义高斯分布的去建立模型,广义高斯分布的标准差估计公式为:
其中δx为标准差,Nj为小波系数中所有高频系数的个数,为相应子带小波系数的值;
为噪声方差,如果不能预先知道图像的噪声,选择采用中位估计式(11)来估计噪声的方法;
其中x(i,j)为高频子带HHj中的通带系数;
定义δβ为源图像标准差估计,其计算公式如(12)
贝叶斯阈值的计算公式为:
其中T就为计算得到的贝叶斯阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610949239.2A CN106530244B (zh) | 2016-10-26 | 2016-10-26 | 一种图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610949239.2A CN106530244B (zh) | 2016-10-26 | 2016-10-26 | 一种图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106530244A CN106530244A (zh) | 2017-03-22 |
CN106530244B true CN106530244B (zh) | 2019-03-19 |
Family
ID=58325131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610949239.2A Active CN106530244B (zh) | 2016-10-26 | 2016-10-26 | 一种图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530244B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961179B (zh) * | 2018-06-19 | 2022-10-18 | 上海中和软件有限公司 | 一种医学图像后处理系统及其使用方法 |
WO2020124355A1 (zh) * | 2018-12-18 | 2020-06-25 | 深圳市大疆创新科技有限公司 | 图像处理方法、图像处理装置和无人机 |
CN110276729B (zh) * | 2019-06-10 | 2021-12-17 | 浙江工业大学 | 一种低照度彩色图像的增强方法 |
CN111539894A (zh) * | 2020-04-28 | 2020-08-14 | 深圳市京湾量子遥感科技有限公司 | 一种新型图像增强方法 |
CN112862716A (zh) * | 2021-02-07 | 2021-05-28 | 江苏科技大学 | 基于双树复数小波和模糊理论的声呐图像目标增强方法 |
CN113034400A (zh) * | 2021-04-07 | 2021-06-25 | 深圳鱼亮科技有限公司 | 一种基于无线图像传感器阵列的图像降噪方法 |
CN115409872B (zh) * | 2022-08-04 | 2023-08-01 | 湖南国天电子科技有限公司 | 一种水下摄像机图像优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495343A (zh) * | 2011-12-30 | 2012-06-13 | 重庆大学 | 基于超声与紫外信息融合的局部放电检测识别方法及系统 |
CN102800056A (zh) * | 2012-06-30 | 2012-11-28 | 浙江大学 | 双树复小波域的邻域自适应贝叶斯收缩图像去噪方法 |
-
2016
- 2016-10-26 CN CN201610949239.2A patent/CN106530244B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495343A (zh) * | 2011-12-30 | 2012-06-13 | 重庆大学 | 基于超声与紫外信息融合的局部放电检测识别方法及系统 |
CN102800056A (zh) * | 2012-06-30 | 2012-11-28 | 浙江大学 | 双树复小波域的邻域自适应贝叶斯收缩图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
双密度双树复小波变换的局域自适应图像去噪;龚卫国 等;《光学精密工程》;20090531;第17卷(第5期);正文第2.2节、第3-4节 |
基于平稳小波变换和Retinex的红外图像增强方法;占必超 等;《光学学报》;20101031;第30卷(第10期);摘要、正文第2.2节 |
Also Published As
Publication number | Publication date |
---|---|
CN106530244A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530244B (zh) | 一种图像增强方法 | |
CN109035166B (zh) | 基于非下采样剪切波变换的电气设备红外图像增强方法 | |
Rajkumar et al. | A comparative analysis on image quality assessment for real time satellite images | |
Li et al. | No-reference image blur assessment based on discrete orthogonal moments | |
CN106846289B (zh) | 一种红外光强与偏振图像融合方法 | |
Yu et al. | Image denoising using trivariate shrinkage filter in the wavelet domain and joint bilateral filter in the spatial domain | |
CN103295191B (zh) | 多尺度视觉自适应图像增强方法及评价方法 | |
Kandhway et al. | An optimal adaptive thresholding based sub-histogram equalization for brightness preserving image contrast enhancement | |
CN103200421B (zh) | 一种基于Curvelet变换和相位一致的无参考图像质量评价方法 | |
Khan et al. | Localization of radiance transformation for image dehazing in wavelet domain | |
Zheng et al. | No-reference quality assessment for screen content images based on hybrid region features fusion | |
CN109636766A (zh) | 基于边缘信息增强的偏振差分与光强图像多尺度融合方法 | |
Yin et al. | Image denoising using trivariate prior model in nonsubsampled dual-tree complex contourlet transform domain and non-local means filter in spatial domain | |
CN110232670B (zh) | 一种基于高低频分离的图像视觉效果增强的方法 | |
Wu et al. | A weighting mean-separated sub-histogram equalization for contrast enhancement | |
CN106651817A (zh) | 一种基于非抽样Contourlet的图像增强方法 | |
Bansal et al. | A review of image restoration based image defogging algorithms | |
Jeon et al. | Low-light image enhancement using inverted image normalized by atmospheric light | |
Zhou et al. | Low-Light Enhancement Method Based on a Retinex Model for Structure Preservation | |
Hmue et al. | Image enhancement and quality assessment methods in turbid water: A review article | |
Ahmed et al. | RECENT APPROACHES ON NO-REFERENCE IMAGE QUALITY ASSESSMENT FOR CONTRAST DISTORTION IMAGES WITH MULTISCALE GEOMETRIC ANALYSIS TRANSFORMS: A SURVEY. | |
Ouyang et al. | Research on DENOISINg of cryo-em images based on deep learning | |
Parihar | Histogram modification and DCT based contrast enhancement | |
Pal et al. | Visibility enhancement of fog degraded images using adaptive defogging function | |
Cao et al. | A License Plate Image Enhancement Method in Low Illumination Using BEMD. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |