CN106570831A - 一种灰度图像对比度均衡增强的方法 - Google Patents

Abstract

本发明涉及一种属于图像处理技术领域，涉及一种灰度图像对比度均衡增强的方法，解决图像对比度不均的问题，提高成像质量。本发明通过使用高斯/拉普拉斯金字塔分解技术将原始灰度图像细分成不同频带，然后在各个频带上分别使用伽玛校正实现对比度均衡化，最后将均衡化结果再利用高斯/拉普拉斯金字塔重构技术进行恢复，即可得到最终处理图像。由于充分考虑到图像各个频带对对比度强弱分布的影响，因此均衡化后的结果能够很好地改善图像局部区域特定尺度的对比度大小。与一般的对比度均衡化方法相比更具针对性，并且处理后图像的信息量也更大。

Description

一种灰度图像对比度均衡增强的方法

技术领域

本发明属于图像处理技术领域，涉及一种灰度图像对比度均衡增强的方法，解决图像对比度不均的问题，提高成像质量。

背景技术

在可见光或者红外成像过程中，由于受到光照、环境温度、光电转化效能等的影响，常出现图像对比度不均衡的情况，具体表现在图像部分区域由于过曝光而亮度很高，部分区域由于欠曝光而亮度很低。为改善这类图像的质量,一般采用对比度变换技术，其主要原理是通过修改输入图像的像素值，改善图像灰度的分布情况，拉伸灰度值低的区域的动态范围，抑制灰度值高的区域的动态范围，维持图像的整体视觉均衡。该类技术的典型方法有：分段线性拉伸法、直方图均衡化法、伽玛校正法等等，其中，改进的伽玛校正公式已作为ITU-709HDTV的产品标准使用。这类方法针对整幅图像进行处理，即能够提高图像整体对比度，但并不能很好地解决局部区域对比度低的问题。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种灰度图像对比度均衡增强的方法，有针对性地提高图像局部区域的对比度，避免整体对比度提高而导致的部分细节丢失的问题。

技术方案

一种灰度图像对比度均衡增强的方法，其特征在于步骤如下：

步骤1：将原始图像灰度值归一化到[0,1]区间：

I′＝I/(2^N-1) (1)

其中，I表示原始图像，N表示原始图像的位数，I′表示归一化后的图像；

步骤2：对归一化图像进行高斯/拉普拉斯金字塔分解：设G_k(k＝0,…,K)表示一个K+1层的高斯金字塔，K取值2-4；L_k(k＝0,…,K-1)表示相对应的拉普拉斯金字塔；

高斯金字塔通过循环迭代滤波和下采样过程实现：

G_k＝[w*G_k-1]_↓2 (2)

其中，G₀＝I′，符号*表示卷积运算，符号↓2表示方括号里的图像使用步长2进行下采样，w是低通滤波器系数：

所述

拉普拉斯金字塔通过对应的高斯金字塔带通滤波得到：

L_k＝G_k-w*G_k (4)

步骤3：使用伽玛校正分别对拉普拉斯金字塔的每一层做对比度均衡化处理：

L_k′＝(abs(L_k))^γ×sign(L_k) (5)

其中，k＝0,…,K-1，abs(·)表示取绝对值操作，sign(·)表示取符号操作，γ是校正系数；

步骤4：使用伽玛校正对高斯金字塔的第K层图像做对比度均衡化处理：

G′_K＝(abs(G_K))^γ×sign(G_K) (6)

步骤5：调节均衡化后高斯金字塔的第K层图像亮度：

其中，表示高斯图像G′_K的均值，α和β分别为乘性和加性调节因子；

步骤6高斯/拉普拉斯金字塔重构：首先从高斯金字塔最低分辨率的G′_K开始，通过拉普拉斯金字塔的每层迭代计算出较高分辨率的高斯图像，最终恢复出原始图像；

迭代过程如下：

G_k′＝(1+w)*L_k′+4w*[G_k′₊₁]_↑2 (8)

其中，k＝K-1,…,0，符号↑2表示步长为2的上采样；

步骤7：将重构出的图像G₀′做去归一化处理：

I″＝bound(G₀′×(2^N-1)) (9)

其中，I″表示对比度均衡化后的图像，bound()是一个截断函数，保证输出结果在范围[0,2^N-1]内。

所述校正系数γ取值为0.6-0.8。

所述乘性调节因子α取值为：0.9-1.1。

所述加性调节因子β取值为：0.4-0.6。

有益效果

本发明提出的一种灰度图像对比度均衡增强的方法，通过使用高斯/拉普拉斯金字塔分解技术将原始灰度图像细分成不同频带，然后在各个频带上分别使用伽玛校正实现对比度均衡化，最后将均衡化结果再利用高斯/拉普拉斯金字塔重构技术进行恢复，即可得到最终处理图像。由于充分考虑到图像各个频带对对比度强弱分布的影响，因此均衡化后的结果能够很好地改善图像局部区域特定尺度的对比度大小。与一般的对比度均衡化方法相比更具针对性，并且处理后图像的信息量也更大。

本发明在对图像做对比度均衡化时，并不是对整幅图像进行处理，而是首先将图像金字塔分解，然后分别在不同尺度空间(频带)进行对比度均衡化，最后通过金字塔重构得出最终结果。由于充分考虑到图像各个频带对对比度强弱分布的影响，因此均衡化后的结果能够很好地改善图像局部区域特定尺度的对比度大小。与一般的对比度均衡化方法相比更具针对性，并且处理后图像的信息量也更大。

附图说明

图1是本发明的算法流程示意图

图2是本发明实施例的效果图，其中，(a)图是原始图像，(b)图是(a)图经过对比度均衡增强后的结果。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

该发明的具体算法流程见附图1。

具体实施步骤如下：

1)利用(1)式将原始图像灰度值归一化到[0,1]区间；

2)利用(2)式和(4)式对归一化后图像进行高斯/拉普拉斯金字塔分解；

3)使用使用(5)式，伽玛校正分别对拉普拉斯金字塔的0～3层和高斯金字塔第4层做对比度均衡化处理；

4)使用(6)式伽玛校正对高斯金字塔的最顶层(分辨率最低层)图像做对比度均衡化处理；

5)使用(7)式调节均衡化处理后高斯金字塔第4层图像的亮度；

6)使用(8)式对均衡化后的结果进行金字塔重构原始图像；

7)使用(9)式将重构图像的灰度值去归一化并且限定到原始动态范围。

实施例

针对本发明提出的灰度图像对比度均衡方法，以下举例说明该方法的应用。

实验图像是大小为1024×640(像素)，8位位深(即256个灰度级)的灰度图像，如附图2中的(a)图所示。

步骤1：将原始图像灰度值归一化到[0,1]区间，其中N＝8：

I′＝I/(2^N-1) (1)

其中，I表示原始图像，N表示原始图像的位数，I′表示归一化后的图像；

步骤2：对归一化图像进行高斯/拉普拉斯金字塔分解：设G_k(k＝0,…,K)表示一个K+1层的高斯金字塔，K取值4。L_k(k＝0,…,K-1)表示相对应的拉普拉斯金字塔；

高斯金字塔通过循环迭代滤波和下采样过程实现：

G_k＝[w*G_k-1]_↓2 (2)

其中，G₀＝I′，符号*表示卷积运算，符号↓2表示方括号里的图像使用步长2进行下采样，w是低通滤波器系数：

所述

拉普拉斯金字塔通过对应的高斯金字塔带通滤波得到：

L_k＝G_k-w*G_k (4)

步骤3：使用伽玛校正分别对拉普拉斯金字塔的每一层做对比度均衡化处理：

L_k′＝(abs(L_k))^γ×sign(L_k) (5)

其中，k＝0,…,K-1，abs(·)表示取绝对值操作，sign(·)表示取符号操作，γ＝0.8是校正系数；

步骤4：使用伽玛校正对高斯金字塔的第K层图像做对比度均衡化处理：

G′_K＝(abs(G_K))^γ×sign(G_K) (6)

步骤5：调节均衡化后高斯金字塔的第K层图像亮度：

其中，表示高斯图像G′_K的均值，α和β分别为乘性和加性调节因子，α取值为1，β取值0.5。

步骤6高斯/拉普拉斯金字塔重构：首先从高斯金字塔最低分辨率的G′_K开始，通过拉普拉斯金字塔的每层迭代计算出较高分辨率的高斯图像，最终恢复出原始图像；

迭代过程如下：

G_k′＝(1+w)*L_k′+4w*[G_k′₊₁]_↑2 (8)

其中，k＝K-1,…,0，符号↑2表示步长为2的上采样；

步骤7：将重构出的图像G₀′做去归一化处理：

I″＝bound(G₀′×(2^N-1)) (9)

其中，I″表示对比度均衡化后的图像，bound()是一个截断函数，保证输出结果在范围[0,2^N-1]内。

附图2中的(b)图是(a)图的最终处理效果，与原始图像相比，不但过曝光区域(如街灯等)得到了有效抑制，而且欠曝光区域(如远处的房顶、近处的窗台等)也得到了恢复和增强。整幅图像信息量变大，清晰度显著提高。

Claims (4)

1.一种灰度图像对比度均衡增强的方法，其特征在于步骤如下：

步骤1：将原始图像灰度值归一化到[0,1]区间：

I′＝I/(2^N-1) (1)

其中，I表示原始图像，N表示原始图像的位数，I′表示归一化后的图像；

步骤2：对归一化图像进行高斯/拉普拉斯金字塔分解：设G_k(k＝0,…,K)表示一个K+1层的高斯金字塔，K取值2-4；L_k(k＝0,…,K-1)表示相对应的拉普拉斯金字塔；

高斯金字塔通过循环迭代滤波和下采样过程实现：

G_k＝[w*G_k-1]_↓2 (2)

其中，G₀＝I′，符号*表示卷积运算，符号↓2表示方括号里的图像使用步长2进行下采样，w是低通滤波器系数：

所述

拉普拉斯金字塔通过对应的高斯金字塔带通滤波得到：

L_k＝G_k-w*G_k (4)

步骤3：使用伽玛校正分别对拉普拉斯金字塔的每一层做对比度均衡化处理：

L′_k＝(abs(L_k))^γ×sign(L_k) (5)

其中，k＝0,…,K-1，abs(·)表示取绝对值操作，sign(·)表示取符号操作，γ是校正系数；

步骤4：使用伽玛校正对高斯金字塔的第K层图像做对比度均衡化处理：

G′_K＝(abs(G_K))^γ×sign(G_K) (6)

步骤5：调节均衡化后高斯金字塔的第K层图像亮度：

$G_K^{\′\′}=\mathrm{\α}(G_K^{\′}-\stackrel{\‾}{G_K^{\′}})+\mathrm{\β}---\left(7\right)$

其中，表示高斯图像G′_K的均值，α和β分别为乘性和加性调节因子；

步骤6高斯/拉普拉斯金字塔重构：首先从高斯金字塔最低分辨率的G′_K开始，通过拉普拉斯金字塔的每层迭代计算出较高分辨率的高斯图像，最终恢复出原始图像；

迭代过程如下：

G′_k＝(1+w)*L′_k+4w*[G′_k+1]_↑2 (8)

其中，k＝K-1,…,0，符号↑2表示步长为2的上采样；

步骤7：将重构出的图像G′₀做去归一化处理：

I″＝bound(G′₀×(2^N-1)) (9)

其中，I″表示对比度均衡化后的图像，bound()是一个截断函数，保证输出结果在范围[0,2^N-1]内。

2.根据权利要求1所述灰度图像对比度均衡增强的方法，其特征在于：所述校正系数γ取值为0.6-0.8。

3.根据权利要求1所述灰度图像对比度均衡增强的方法，其特征在于：所述乘性调节因子α取值为：0.9-1.1。

4.根据权利要求1所述灰度图像对比度均衡增强的方法，其特征在于：所述加性调节因子β取值为：0.4-0.6。