CN106780375A - 一种低照度环境下的图像增强方法 - Google Patents

一种低照度环境下的图像增强方法 Download PDF

Info

Publication number
CN106780375A
CN106780375A CN201611100207.1A CN201611100207A CN106780375A CN 106780375 A CN106780375 A CN 106780375A CN 201611100207 A CN201611100207 A CN 201611100207A CN 106780375 A CN106780375 A CN 106780375A
Authority
CN
China
Prior art keywords
image
gray value
level
light
low
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.)
Pending
Application number
CN201611100207.1A
Other languages
English (en)
Inventor
潘甦
王东宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201611100207.1A priority Critical patent/CN106780375A/zh
Publication of CN106780375A publication Critical patent/CN106780375A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06T2207/10024—Color image

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

本发明公开了一种低照度环境下的图像增强方法，采用基于灰度级搬移和像素点灰度值校正的改进型图像增强算法，将低照度图像中的像素点灰度值根据直方图按照其直方图均衡理论，将集中在较窄的低亮度范围内的原始低照度图像中像素点的灰度值调整均衡，并将其搬移到一个相对较亮的范围内。按照Retinex理论，滤除调整过灰度值图像的照射光分量，保留反射光分量，并且根据反射光分量中灰度值的相对明暗关系找到图像中各像素点之间的真实明暗关系，再经过线性拉伸得到最终调整后的图像像素点灰度值。本发明对低照度图像的亮度和对比度有一定的提高，同时能够实现一定的色彩增强，突出低照度图像中局部细节，对低照度图像的直观视觉质量有着明显的改善。

Description

一种低照度环境下的图像增强方法
技术领域
本发明涉及数字图像处理技术领域，特别是一种低照度环境下的图像增强方法。
背景技术
近年来，随着数字图像处理方法和处理技术的不断发展，涌现出了大量的新方法，新理论以及新算法，使得该领域受到了广泛的关注。而图像增强作为数字图像处理中重要的一环，能够有效的提升图像的视觉效果，改善图像的清晰度，调整图像的对比度，以及较好的突出图像边缘细节部分，从而提升一幅图像的整体质量。因而图像增强技术应用广泛，具有较好的发展前景和研究价值。
在某些特定的场合以及一定的条件限制下，在低照度(0.0001Lux～0.01Lux)环境中观看视频图像难以避免。其图像，画面较黑暗，对比度较低，这不仅影响了图像在视觉上的直观感受，还对图像的后续处理带来了一定的难度。而低照度图像增强是改善这一影响的一个重要方法。该方法不仅能够有效的改善图像的清晰度，调整图像的对比度，突出图像边缘细节部分，还能够方便在计算机中进行更进一步的处理操作。
常见的图像增强方法包括图像的灰度变化、图像的直方图处理、空间滤波器、低通滤波器、高通滤波器以及同态滤波器等。虽然图像增强的方法多种多样，但是由于图像的本质特征和观察者对图像的需求，以及处理目的的不同，使得对于图像的增强具有一定的目的性和针对性。所以图像增强算法在应用上也是有一定的目的性和针对性的，截至目前，还没有一种通用的，能够增强各种场合的图像增强算法。从而，产生了各种针对不同处理目的的图像增强算法。这些图像增强算法根据处理的方式不同，可以分为空域的图像增强算法和频域的图像增强算法。空域增强算法是针对图像像素点灰度值进行处理从而达到增强的目的，而频域增强算法是从图像的傅里叶变换入手通过对频谱的增强或削弱来达到图像增强的目的。常见的空域增强算法和频域增强算法如图1所示：
低照度图像的灰度值较低，且往往分布在一个灰度级仅差几十级的较窄范围内，因而目前常见的图像增强算法还不能达到既能提升图像清晰度，又能突出图像局部细节的要求。
目前对低照度图像增强的算法主要是直方图均衡化的图像增强方法，该方法通过对图像灰度概率密度分布的调整，使图像不仅具有相对均衡的灰度概率密度分布，还调整了像素点灰度值的动态范围，扩大了图像灰度级差，提高了图像的灰度值，将图像较低的灰度值搬移到较高的分布范围。这在一定程度上增强了图像的整体对比度，提升了低照度图像的直接视觉感受。
使用直方图均衡方法对一些图像进行处理时，其增强效果有时并不理想，从而出现输出图像的灰度分布直方图经过均衡后仍不是理想的最佳值，这就需要对低照度图像增强方法做进一步的研究处理，以求改进出一个相对理想的低照度图像处理方法。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种低照度环境下的图像增强方法，该图像增强方法对低照度图像的亮度和对比度有一定的提高，同时能够实现一定的色彩增强，突出低照度图像中局部细节，对低照度图像的直观视觉质量有着明显的改善。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种低照度环境下的图像增强方法，包括以下步骤：
步骤1、将原始低照度图像按RGB三通道，分解成在这三个通道上的灰度图像；
步骤2、在R、G、B三个通道中，分别将通道中灰度图像的像素点灰度值做直方图均衡调整灰度分布，得到新灰度值图像。
步骤3、根据Retinex理论，在对数域中，分别在R、G、B通道内采用步骤2中得到的新灰度值图像减去该新灰度值图像与高斯模板做卷积后的图像后，分别在R、G、B通道中得到反应图像真实本质的反射光分量；
步骤4、分别在R、G、B通道中，对步骤3中得到的反射光分量中像素点灰度值转到对数域进行初始化调整，得到初始化后的灰度值；
步骤5、在R、G、B通道中的水平和垂直方向上分别计算步骤3得到的反射光分量中各像素点之间的相对明暗关系，根据这些像素点之间的相对明暗关系以及步骤4中得到的初始化后的灰度值校正每个像素点的灰度值；
步骤6、分别在R、G、B通道中对经步骤5校正后的像素点的灰度值进行线性拉伸；
步骤7、将线性拉伸后的RGB三个通道中的图像按R、G、B顺序依次写入一个24位的彩色图像中。
作为本发明所述的一种低照度环境下的图像增强方法进一步优化方案，所述步骤4中，将反射光分量中像素点灰度值转到对数域进行初始化调整，具体实现方法如下步骤：
步骤4-1、分别读取R、G、B通道中反射光分量图像的尺寸，该尺寸记为m╳n；
步骤4-2、分别在R、G、B三通道中初始化步骤3中得到反射光分量中像素点灰度值，该灰度值分别设置为每个反射光分量像素点灰度值的均值，并对该均值取对数形式，得到初始化后的灰度值r(i,j)即：
r(i,j)＝log(1+meanvalue),1≤i≤m,1≤j≤n
其中，meanvalue为反射光分量像素点灰度值的均值，i,j分别表示该像素点的横纵坐标。
作为本发明所述的一种低照度环境下的图像增强方法进一步优化方案，所述步骤5具体如下：
步骤5-1、分别在R、G、B三通道中计算反射光分量图像G(i,j)在水平方向上任意两个相距为的像素点之间的相对明暗关系LRelation(i,j)，即：
LRelation(i,j)＝G(i,j+h)-G(i,j),1≤i≤m,1≤j≤n，j+h≤n
其中，G(i,j+h)为反射光分量图像中在水平方向上和G(i,j)相距h的像素点灰度值，[*]为向下取整；
步骤5-2、分别在R、G、B三通道中根据步骤5-1中得到的相对明暗关系在水平方向上校正恢复出真实灰度值，即：
r′(i,j)＝r(i,j)-log(1+h)×LRelation(i,j)
r′(i,j+h)＝r(i,j+h)+log(1+h)×LRelation(i,j)
其中，r′(i,j)为水平方向上坐标(i,j)上所对应的校正恢复后的灰度值，r′(i,j+h)为水平方向上坐标(i,j+h)上所对应的校正恢复后的灰度值；
步骤5-3、分别在R、G、B三通道中计算反射光分量图像G(i,j)在垂直方向上任意两个相距的像素点之间的相对明暗关系VRelation(i,j)，即：
VRelation(i,j)＝G(i+l,j)-G(i,j),1≤i≤m,1≤j≤n,i+l≤m
其中，G(i+l,j)为反射光分量图像中在垂直方向上和G(i,j)相距l的像素点灰度值；
步骤5-4、分别在R、G、B三通道中根据步骤5-3中得到的相对明暗关系在垂直方向上校正恢复出真实灰度值，即：
r″(i,j)＝r′(i,j)-log(1+l)×VRelation(i,j)
r″(i+l,j)＝r′(i+l,j)+log(1+l)×VRelation(i,j)
其中，r″(i,j)为垂直方向上坐标(i,j)上所对应的校正恢复后的灰度值，r″(i+l,j)为垂直方向上坐标(i+l,j)上所对应的校正恢复后的灰度值；
步骤5-5、分别在R、G、B三通道中将水平方向上的距离变换为垂直方向上的距离变换为后,重复步骤5-1至步骤5-4，直至水平方向上的距离h和垂直方向上的距离l都为1后终止重复，得到最终校正后的结果。
作为本发明所述的一种低照度环境下的图像增强方法进一步优化方案，log(1+h)是在水平方向上自变化的对比度调整函数，h为对比度调整函数的自变量。
作为本发明所述的一种低照度环境下的图像增强方法进一步优化方案，log(1+l)是在垂直方向上自变化的对比度调整函数，l为对比度调整函数的自变量。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)经直方图均衡调整后，得到的新像素点灰度值范围中的灰度级差值变大，并且灰度值取值范围从低值区整体搬移到高值区；
(2)在直方图均衡后，采用Retinex理论滤除照射光分量后，原始低照度图像的亮度明显提升；
(3)在校正恢复灰度值时，采用的对比度调整函数使低照度图像的对比度有着显著的改善，局部细节也得到了一定的突出，对原始低照度图像有着直观的改善；
(4)采用SSR或MSR理论处理会带来一定的色彩失真，而用MSRCR理论来处理则会带来一定的色彩补偿，降低色彩失真，本算法可以针对不同的处理需求灵活运用SSR，MSR和MSRCR理论，来达到更好的提升低照度图像增强效果的目的。
附图说明
图1为常见的图像增强算法归纳图。
图2为本发明低照度环境下图像增强算法实现的流程示意图。
图3为具体实施方式例中原始低照度图像的直方图。
图4为具体实施方式例中低照度图像经直方图处理后的直方图。
图5为具体实施方式例中低照度图像的原始图像。
图6为具体实施方式例中在SSR理论处理下系统最终增强后的结果图。
图7为具体实施方式例中在MSR理论处理下系统最终增强后的结果图。
图8为具体实施方式例中在MSRCR理论处理下系统最终增强后的结果图。
具体实施方式
为了进一步详细说明本发明的低照度环境下图像的增强技术，特举具体实施例并配合说明书附图的图式做如下说明。
综合来看，本发明是一种低照度环境下图像增强算法，是对图1中几种常见的图像增强方法的融合改进。该低照度图像增强算法是采用基于灰度级搬移和像素点灰度值校正的改进型图像增强算法，将低照度图像中的像素点灰度值根据直方图按照其直方图均衡理论，将集中在较窄的低亮度范围内的原始低照度图像中像素点的灰度值调整均衡，并将其搬移到一个相对较亮的分布范围内处理。接着按照Retinex理论，滤除调整过灰度值图像的照射光分量，保留真实反应图像本质的反射光分量，并且根据反射光分量中灰度值的相对明暗关系校正图像中各像素点之间的真实明暗关系，最后再经过线性拉伸得到最终调整后的图像像素点灰度值。利用该图像增强算法对低照度图像的亮度和对比度有一定的提高，同时能够实现一定的色彩增强，突出低照度图像中局部细节，对低照度图像的直观视觉质量有着明显的改善。
图2所示为本发明的一种低照度环境下图像增强算法的实现流程，该低照度环境下图像的增强算法包括以下步骤1—步骤7，下面将详细介绍步骤1—步骤7的具体实现。
步骤1、将原始低照度图像按RGB三通道，分解成在这三个通道上的灰度图像。
本实施例中，读入的原始低照度图像如附图5所示，将其按RGB三通道分解成在这三个通道上的灰度图像。
步骤2、在R、G、B三个通道中，分别将通道中灰度图像的像素点灰度值做直方图均衡调整灰度分布，得到新灰度值图像，分别得到三个通道上的新灰度值记为：nr、ng、nb。
本实施例中，直方图处理前后的图像直方图分别如附图3、图4所示，从两幅直方图的对比中，可以很明显的看到直方图均衡以及灰度值搬移的效果：原始图像的灰度值较低，且分布的灰度级差较小即灰度分布较窄，0灰度值出现概率达到了0.5，这是低照度图像最为明显的特征，因为环境照度低，全黑画面占比相对较大，从而导致图像不清晰，对比度不高，从图5中看也符合这一特征。而调整后的直方图图中可以明显看出图像灰度值得到了一定的均衡，灰度级差值变大，且灰度值整体从低值区被搬移到高值区。
步骤3、根据Retinex理论，在对数域中，分别在R、G、B通道内采用步骤2中得到的新灰度值图像减去该新灰度值图像与高斯模板做卷积后的图像后，分别在R、G、B通道中得到反应图像真实本质的反射光分量。
本实施例中，为增强对比性该步骤中分别用了仅构造了一个高斯函数的单尺度Retinex(SSR)理论，在SSR理论的基础上进行改进提出的多尺度Retinex(MSR)理论，以及在多尺度Retinex理论的基础上继续改进提出的带色彩恢复的多尺度Retinex(MSRCR)理论来进行照射光分量的滤除。其中SSR理论的具体计算公式为：
G＝log(1+IM)-log[1+(IM*b)]
式中，G为反射光分量，IM为nr、ng、nb的double类型，b为构造的高斯函数，“*”为卷积运算。MSR理论是构造K个尺度的高斯函数，以及K个高斯函数之间的权重系数来进行照射光分量的滤除，其计算公式如下：
式中，Gv为第v个颜色通道反射光分量，v∈{R,G,B}，IMv为第v个颜色通道中新灰度值nr、ng、nb的double类型，bk为构造的第k个高斯函数，K为构造的高斯函数个数，Wk表示第k个高斯函数的相关权重，“*”为卷积运算。且本实施例中多尺度Retinex算法取高、中、低三个尺度的合并且假定三个尺度权重相等，即：而MSRCR理论是在多尺度Retinex算法的理论上增加了一个色彩恢复因子C，在本实施例中其表达式为：
式中，为参数，Cv为第v个颜色通道的色彩恢复系数，v∈{R,G,B}，N为图像中颜色通道的个数，IMv(i,j)为第v个颜色通道中新灰度值nr、ng、nb的double类型，本实施例中Iv(i,j)为第v个颜色通道在步骤2中经直方图均衡处理后图像像素点灰度值。则MSRCR的计算公式为：G＝C·GMSR，即：
其中，IMv为第v个颜色通道中新灰度值nr、ng、nb的double类型，Iv为第v个颜色通道在步骤2中经直方图均衡处理后图像像素点灰度值。
步骤4、分别在R、G、B通道中，对步骤3中得到的反射光分量中像素点灰度值转到对数域进行初始化调整，得到初始化后的灰度值。其实现包括以下步骤：
步骤4-1、分别读取R、G、B通道中反射光分量图像的尺寸，该尺寸记为m╳n；
步骤4-2、分别在R、G、B三通道中初始化步骤3中得到反射光分量中像素点灰度值，该灰度值分别设置为每个反射光分量像素点灰度值的均值，并对该均值取对数形式，得到初始化后的灰度值r(i,j)即：
r(i,j)＝log(1+meanvalue),1≤i≤m,1≤j≤n
其中，meanvalue为反射光分量像素点灰度值的均值，i,j分别表示该像素点的横纵坐标。
步骤5、在R、G、B通道中的水平和垂直方向上分别计算步骤3得到的反射光分量中各像素点之间的相对明暗关系，根据这些像素点之间的相对明暗关系以及步骤4中得到的初始化后的灰度值校正每个像素点的灰度值，具体如下：
步骤5-1、分别在R、G、B三通道中计算反射光分量图像G(i,j)在水平方向上任意两个相距为的像素点之间的相对明暗关系LRelation(i,j)，即：
LRelation(i,j)＝G(i,j+h)-G(i,j),1≤i≤m,1≤j≤n,j+h≤n
其中，G(i,j+h)为反射光分量图像中在水平方向上和G(i,j)相距h的像素点灰度值，[*]为向下取整；
步骤5-2、分别在R、G、B三通道中根据步骤5-1中得到的相对明暗关系在水平方向上校正恢复出真实灰度值，即：
r′(i,j)＝r(i,j)-log(1+h)×LRelation(i,j)
r′(i,j+h)＝r(i,j+h)+log(1+h)×LRelation(i,j)
其中，r′(i,j)为水平方向上坐标(i,j)上所对应的校正恢复后的灰度值，r′(i,j+h)为水平方向上坐标(i,j+h)上所对应的校正恢复后的灰度值；
步骤5-3、分别在R、G、B三通道中计算反射光分量图像G(i,j)在垂直方向上任意两个相距的像素点之间的相对明暗关系VRelation(i,j)，即：
VRelation(i,j)＝G(i+l,j)-G(i,j),1≤i≤m,1≤j≤n,i+l≤m
其中，G(i+l,j)为反射光分量图像中在垂直方向上和G(i,j)相距l的像素点灰度值；
步骤5-4、分别在R、G、B三通道中根据步骤5-3中得到的相对明暗关系在垂直方向上校正恢复出真实灰度值，即：
r″(i,j)＝r′(i,j)-log(1+l)×VRelation(i,j)
r″(i+l,j)＝r′(i+l,j)+log(1+l)×VRelation(i,j)
其中，r″(i,j)为垂直方向上坐标(i,j)上所对应的校正恢复后的灰度值，r″(i+l,j)为垂直方向上坐标(i+l,j)上所对应的校正恢复后的灰度值；
步骤5-5、分别在R、G、B三通道中将水平方向上的距离变换为垂直方向上的距离变换为后,重复步骤5-1至步骤5-4，直至水平方向上的距离h和垂直方向上的距离l都为1后终止重复，得到最终校正后的结果。
本实施例中，前述步骤3—步骤5中，选择在对数域进行处理是因为人眼对亮度的感知能力不是线性的而是呈指数型的，并且摄像机采集的图像亮度也是满足指数型的，所以对数形式接近人眼和摄像机对亮度的感知能力，同时也是为了将复杂的乘积形式简化为加减形式。另为了保证灰度值处理后为正数，本发明用log(1+X)来进行计算处理。
步骤6、分别在R、G、B通道中对校正后的像素点灰度值进行线性拉伸。其具体拉伸计算公式为：
其中，L(i,j)表示线性拉伸后像素点的灰度值，min表示校正后图像中所有像素点灰度值中的最小值，max表示校正后图像中所有像素点灰度值中的最大值，即：
min＝min[r″(i,j)]
max＝max[r″(i,j)]
步骤7、将线性拉伸后的RGB三个通道中的图像按R、G、B顺序依次写入一个24位的彩色图像中输出。
在本实施例中，经过上述步骤1—步骤7的处理后，可得读入的低照度图像的增强结果图，其中附图6是步骤3中根据SSR理论处理后的最终结果图，附图7是步骤3中根据MSR理论处理后的最终结果图，附图8是步骤3中根据MSRCR理论处理后的最终结果图。对比图5的原始低照度图像，可以很直观的看到图像增强的效果，原始低照度图像的亮度明显提升，对比度也有显著的改善，局部细节也得到了一定的突出。对原始低照度图像有着直观的改善。从图6到图8，图像的对比度的提升的效果逐个递增。而从图7和图8中可以看出，用MSR理论滤除照射光分量会带来一定的色彩失真，而用MSRCR理论来处理则会带来一定的色彩补偿，降低色彩失真，提升低照度图像增强的效果。图6、图7、图8说明了本发明的低照度图像增强算法的可行性及可靠性。
原始图像如说明书附图5所示，其直方图如图3所示，从图3中可以明显看出，原始图像的灰度值较低，且分布的灰度级差较小即灰度分布较窄，0灰度值出现概率达到了0.5，这是低照度图像最为明显的特征，因为环境照度低，全黑画面占比相对较大，从而导致图像不清晰，对比度不高，从图5中看也符合这一特征。
直方图均衡调整后的结果图如说明书附图4所示，从调整后的直方图图中可以明显看出灰度值动态范围的变化：1)灰度级差值变大，2)灰度值整体从低值区被搬移到高值区。虽然灰度值分布相比原始直方图灰度分布较均衡，但仍没有达到理想的均衡效果。
当步骤3中采用基于单尺度Retinex(SSR)理论处理时，经整个算法增强后的结果图如说明书附图6所示，当步骤3中采用基于多尺度Retinex(MSR)理论处理时，经整个算法增强后的结果图如说明书附图图7所示，当步骤3中采用基于带色彩恢复的多尺度Retinex(MSRCR)理论处理时，经整个算法增强后的结果图如说明书附图8所示，对比图5的原始低照度图像，可以很直观的看到图像增强的效果，原始低照度图像的亮度明显提升，对比度也有显著的改善，局部细节也得到了一定的突出。对原始低照度图像有着直观的改善。从图6到图8，图像的对比度的提升的效果逐个递增。而从图7和图8中可以看出，用MSR理论滤除照射光分量会带来一定的色彩失真，而用MSRCR理论来处理则会带来一定的色彩补偿，降低色彩失真，提升低照度图像增强的效果。增强后的结果图图6、图7、图8说明了本发明的低照度图像增强算法的可行性及可靠性。
综上所述本发明的图像增强算法对低照度图像的亮度和对比度有一定的提高，同时能够实现一定的色彩增强，突出低照度图像中局部细节，对低照度图像的直观视觉质量有着明显的改善。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的改进与完善。

Claims (5)

1.一种低照度环境下的图像增强方法，其特征在于，包括以下步骤：
步骤1、将原始低照度图像按RGB三通道，分解成在这三个通道上的灰度图像；
步骤2、在R、G、B三个通道中，分别将通道中灰度图像的像素点灰度值做直方图均衡调整灰度分布，得到新灰度值图像。
步骤3、根据Retinex理论，在对数域中，分别在R、G、B通道内采用步骤2中得到的新灰度值图像减去该新灰度值图像与高斯模板做卷积后的图像后，分别在R、G、B通道中得到反应图像真实本质的反射光分量；
步骤4、分别在R、G、B通道中，对步骤3中得到的反射光分量中像素点灰度值转到对数域进行初始化调整，得到初始化后的灰度值；
步骤5、在R、G、B通道中的水平和垂直方向上分别计算步骤3得到的反射光分量中各像素点之间的相对明暗关系，根据这些像素点之间的相对明暗关系以及步骤4中得到的初始化后的灰度值校正每个像素点的灰度值；
步骤6、分别在R、G、B通道中对经步骤5校正后的像素点的灰度值进行线性拉伸；
步骤7、将线性拉伸后的RGB三个通道中的图像按R、G、B顺序依次写入一个24位的彩色图像中。
2.根据权利要求1所述的一种低照度环境下的图像增强方法，其特征在于，所述步骤4中，将反射光分量中像素点灰度值转到对数域进行初始化调整，具体实现方法如下步骤：
步骤4-1、分别读取R、G、B通道中反射光分量图像的尺寸，该尺寸记为m╳n；
步骤4-2、分别在R、G、B三通道中初始化步骤3中得到反射光分量中像素点灰度值，该灰度值分别设置为每个反射光分量像素点灰度值的均值，并对该均值取对数形式，得到初始化后的灰度值r(i,j)即：
r(i,j)＝log(1+meanvalue),1≤i≤m,1≤j≤n
其中，meanvalue为反射光分量像素点灰度值的均值，i,j分别表示该像素点的横纵坐标。
3.根据权利要求2所述的一种低照度环境下的图像增强方法，其特征在于，所述步骤5具体如下：
步骤5-1、分别在R、G、B三通道中计算反射光分量图像G(i,j)在水平方向上任意两个相距为的像素点之间的相对明暗关系LRelation(i,j)，即：
LRelation(i,j)＝G(i,j+h)-G(i,j),1≤i≤m,1≤j≤n，j+h≤n
其中，G(i,j+h)为反射光分量图像中在水平方向上和G(i,j)相距h的像素点灰度值，[*]为向下取整；
步骤5-2、分别在R、G、B三通道中根据步骤5-1中得到的相对明暗关系在水平方向上校正恢复出真实灰度值，即：
r′(i,j)＝r(i,j)-log(1+h)×LRelation(i,j)
r′(i,j+h)＝r(i,j+h)+log(1+h)×LRelation(i,j)
其中，r′(i,j)为水平方向上坐标(i,j)上所对应的校正恢复后的灰度值，r′(i,j+h)为水平方向上坐标(i,j+h)上所对应的校正恢复后的灰度值；
步骤5-3、分别在R、G、B三通道中计算反射光分量图像G(i,j)在垂直方向上任意两个相距的像素点之间的相对明暗关系VRelation(i,j)，即：
VRelation(i,j)＝G(i+l,j)-G(i,j),1≤i≤m,1≤j≤n,i+l≤m
其中，G(i+l,j)为反射光分量图像中在垂直方向上和G(i,j)相距l的像素点灰度值；
步骤5-4、分别在R、G、B三通道中根据步骤5-3中得到的相对明暗关系在垂直方向上校正恢复出真实灰度值，即：
r″(i,j)＝r′(i,j)-log(1+l)×VRelation(i,j)
r″(i+l,j)＝r′(i+l,j)+log(1+l)×VRelation(i,j)
其中，r″(i,j)为垂直方向上坐标(i,j)上所对应的校正恢复后的灰度值，r″(i+l,j)为垂直方向上坐标(i+l,j)上所对应的校正恢复后的灰度值；
步骤5-5、分别在R、G、B三通道中将水平方向上的距离变换为垂直方向上的距离变换为后,重复步骤5-1至步骤5-4，直至水平方向上的距离h和垂直方向上的距离l都为1后终止重复，得到最终校正后的结果。
4.根据权利要求1所述的一种低照度环境下的图像增强方法，其特征在于，log(1+h)是在水平方向上自变化的对比度调整函数，h为对比度调整函数的自变量。
5.根据权利要求1所述的一种低照度环境下的图像增强方法，其特征在于，log(1+l)是在垂直方向上自变化的对比度调整函数，l为对比度调整函数的自变量。
CN201611100207.1A 2016-12-02 2016-12-02 一种低照度环境下的图像增强方法 Pending CN106780375A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611100207.1A CN106780375A (zh) 2016-12-02 2016-12-02 一种低照度环境下的图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611100207.1A CN106780375A (zh) 2016-12-02 2016-12-02 一种低照度环境下的图像增强方法

Publications (1)

Publication Number Publication Date
CN106780375A true CN106780375A (zh) 2017-05-31

Family

ID=58883912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611100207.1A Pending CN106780375A (zh) 2016-12-02 2016-12-02 一种低照度环境下的图像增强方法

Country Status (1)

Country Link
CN (1) CN106780375A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107945128A (zh) * 2017-11-27 2018-04-20 成都医学院 一种基于Retinex的彩色图像增强方法
WO2019028700A1 (zh) * 2017-08-09 2019-02-14 深圳市大疆创新科技有限公司 图像处理方法、设备及计算机可读存储介质
CN109919846A (zh) * 2017-12-12 2019-06-21 腾讯科技（深圳）有限公司 一种图像增强方法、装置及计算设备
CN110148188A (zh) * 2019-05-27 2019-08-20 平顶山学院 一种基于最大差值图像估计低照度图像光照分布的新方法
CN110211074A (zh) * 2019-05-31 2019-09-06 天津大学 低照度电子散斑干涉条纹图像增强方法
CN110246097A (zh) * 2019-05-30 2019-09-17 电子科技大学 一种基于l0梯度最小化的彩色图像增强方法
CN110298796A (zh) * 2019-05-22 2019-10-01 中山大学 基于改进Retinex与对数图像处理的低照度图像增强方法
CN110672180A (zh) * 2019-10-09 2020-01-10 安徽建筑大学 一种基于图像处理的下穿立交道路积水自动检测预警系统
CN111028200A (zh) * 2019-11-13 2020-04-17 南京信息工程大学 基于无参考图像质量评价和msr的图像优化方法
CN111127340A (zh) * 2019-12-05 2020-05-08 南京工程学院 一种图像去雾方法
CN111626949A (zh) * 2020-05-15 2020-09-04 上海幕革科技有限公司 一种提升图像画质的方法
CN111833274A (zh) * 2020-07-17 2020-10-27 中国电子技术标准化研究院 一种图像增强方法及计算设备
CN112184581A (zh) * 2020-09-27 2021-01-05 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备及介质
CN113628137A (zh) * 2021-08-03 2021-11-09 武汉三江中电科技有限责任公司 一种光线不足环境下的图像增强算法及装置
CN114418890A (zh) * 2022-01-20 2022-04-29 中国人民解放军国防科技大学 光照不均文本图像处理方法
CN116823677A (zh) * 2023-08-28 2023-09-29 创新奇智(南京)科技有限公司 一种图像增强的方法、装置、存储介质及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914820A (zh) * 2014-03-31 2014-07-09 华中科技大学 一种基于图像分层增强的图像去雾方法及系统
CN104809697A (zh) * 2015-03-13 2015-07-29 哈尔滨工程大学 一种改进的高提升滤波快速海雾图像增强方法
CN105469373A (zh) * 2014-09-04 2016-04-06 南京理工大学 一种Retinex图像增强方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914820A (zh) * 2014-03-31 2014-07-09 华中科技大学 一种基于图像分层增强的图像去雾方法及系统
CN105469373A (zh) * 2014-09-04 2016-04-06 南京理工大学 一种Retinex图像增强方法及系统
CN104809697A (zh) * 2015-03-13 2015-07-29 哈尔滨工程大学 一种改进的高提升滤波快速海雾图像增强方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈雾: "基于Retinex理论的图像增强算法研究", 《中国优秀博硕士学位论文全文数据库 (硕士)信息科技辑》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019028700A1 (zh) * 2017-08-09 2019-02-14 深圳市大疆创新科技有限公司 图像处理方法、设备及计算机可读存储介质
CN107945128B (zh) * 2017-11-27 2021-01-12 成都医学院 一种基于Retinex的彩色图像增强方法
CN107945128A (zh) * 2017-11-27 2018-04-20 成都医学院 一种基于Retinex的彩色图像增强方法
CN109919846A (zh) * 2017-12-12 2019-06-21 腾讯科技（深圳）有限公司 一种图像增强方法、装置及计算设备
CN109919846B (zh) * 2017-12-12 2022-09-23 腾讯科技（深圳）有限公司 一种图像增强方法、装置及计算设备
CN110298796A (zh) * 2019-05-22 2019-10-01 中山大学 基于改进Retinex与对数图像处理的低照度图像增强方法
CN110148188A (zh) * 2019-05-27 2019-08-20 平顶山学院 一种基于最大差值图像估计低照度图像光照分布的新方法
CN110148188B (zh) * 2019-05-27 2023-03-10 平顶山学院 一种基于最大差值图像估计低照度图像光照分布的方法
CN110246097A (zh) * 2019-05-30 2019-09-17 电子科技大学 一种基于l0梯度最小化的彩色图像增强方法
CN110211074A (zh) * 2019-05-31 2019-09-06 天津大学 低照度电子散斑干涉条纹图像增强方法
CN110672180A (zh) * 2019-10-09 2020-01-10 安徽建筑大学 一种基于图像处理的下穿立交道路积水自动检测预警系统
CN111028200B (zh) * 2019-11-13 2023-05-23 南京信息工程大学 基于无参考图像质量评价和msr的图像优化方法
CN111028200A (zh) * 2019-11-13 2020-04-17 南京信息工程大学 基于无参考图像质量评价和msr的图像优化方法
CN111127340A (zh) * 2019-12-05 2020-05-08 南京工程学院 一种图像去雾方法
CN111626949A (zh) * 2020-05-15 2020-09-04 上海幕革科技有限公司 一种提升图像画质的方法
CN111833274B (zh) * 2020-07-17 2023-12-08 中国电子技术标准化研究院 一种图像增强方法及计算设备
CN111833274A (zh) * 2020-07-17 2020-10-27 中国电子技术标准化研究院 一种图像增强方法及计算设备
CN112184581A (zh) * 2020-09-27 2021-01-05 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备及介质
CN112184581B (zh) * 2020-09-27 2023-09-05 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备及介质
CN113628137A (zh) * 2021-08-03 2021-11-09 武汉三江中电科技有限责任公司 一种光线不足环境下的图像增强算法及装置
CN113628137B (zh) * 2021-08-03 2024-04-16 武汉三江中电科技有限责任公司 一种光线不足环境下的图像增强算法及装置
CN114418890A (zh) * 2022-01-20 2022-04-29 中国人民解放军国防科技大学 光照不均文本图像处理方法
CN114418890B (zh) * 2022-01-20 2024-01-23 中国人民解放军国防科技大学 光照不均文本图像处理方法
CN116823677B (zh) * 2023-08-28 2023-11-10 创新奇智(南京)科技有限公司 一种图像增强的方法、装置、存储介质及电子设备
CN116823677A (zh) * 2023-08-28 2023-09-29 创新奇智(南京)科技有限公司 一种图像增强的方法、装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN106780375A (zh) 一种低照度环境下的图像增强方法
CN102789635B (zh) 一种图像增强方法和装置
CN102682436B (zh) 一种改进的多尺度Retinex理论的图像增强方法
CN106056559B (zh) 基于暗通道先验的非均匀光场水下目标探测图像增强方法
CN106897972A (zh) 一种白平衡与暗原色的自适应直方图水下图像增强方法
CN110175964A (zh) 一种基于拉普拉斯金字塔的Retinex图像增强方法
CN106886985B (zh) 一种减小色偏的自适应低照度图像增强方法
CN103530848A (zh) 一种非均匀光照图像二次曝光的实现方法
CN106504212A (zh) 一种改进的hsi空间信息低照度彩色图像增强算法
CN107798661B (zh) 一种自适应的图像增强方法
CN111292258A (zh) 一种基于暗通道和亮通道先验的图像去雾方法
CN107945125A (zh) 一种融合频谱估计法和卷积神经网络的模糊图像处理方法
CN105844601A (zh) 一种基于双边滤波和多尺度Retinex算法的矿井图像增强方法
CN104182947A (zh) 一种低照度图像增强方法和系统
CN109359681A (zh) 一种基于改进全卷积神经网络的大田作物病虫害识别方法
CN109087254B (zh) 无人机航拍图像雾霾天空和白色区域自适应处理方法
CN111968041A (zh) 一种自适应图像增强方法
CN106780417A (zh) 一种光照不均图像的增强方法及系统
CN104809709A (zh) 基于域变换与带权四叉树分解的单幅图像自适应去雾方法
CN108257099A (zh) 一种基于视觉对比度分辨率的自适应红外图像增强方法
CN106296744A (zh) 一种结合自适应模型和多阴影属性的运动目标检测方法
CN112508814B (zh) 一种基于无人机低空视角下的图像色调修复型去雾增强方法
CN105809643A (zh) 一种基于自适应块通道拉伸的图像增强方法
CN107895357A (zh) 一种基于fpga的实时水面浓雾场景图像增强方法
CN105354801A (zh) 一种基于hsv色彩空间的图像增强方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170531

RJ01 Rejection of invention patent application after publication