CN106780417B - 一种光照不均图像的增强方法及系统 - Google Patents
一种光照不均图像的增强方法及系统 Download PDFInfo
- Publication number
- CN106780417B CN106780417B CN201611048369.5A CN201611048369A CN106780417B CN 106780417 B CN106780417 B CN 106780417B CN 201611048369 A CN201611048369 A CN 201611048369A CN 106780417 B CN106780417 B CN 106780417B
- Authority
- CN
- China
- Prior art keywords
- image
- filtering
- mean
- uneven
- illumination
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 122
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 6
- 241000023320 Luma <angiosperm> Species 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 8
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000717 retained 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种光照不均图像的增强方法及系统，该方法包括：S1、将光照不均图像从RGB转换到HSV颜色空间，并提取明度分量图像；S2、对明度分量图像进行空间多尺寸同态滤波，得到初步滤波图像；S3、对初步滤波图像进行基于局部熵的引导滤波，得到最终滤波图像；S4、将最终滤波图像作为增强后的明度分量图像与原色调分量图像和原饱和度分量图像组合并从HSV转换到RGB颜色空间，得到增强后的图像。本发明可对光照不均图像进行增强，使其光照均匀、细节丰富、颜色自然。
Description
技术领域
本发明涉及图像处理技术领域。更具体地，涉及一种光照不均图像的增强方法及系统。
背景技术
由于摄像机成像时存在较多不确定因素，通常使获得的图像达不到人们预期的要求。因此，但处理一幅图像时，减少图像的退化和增强图像的质量是非常有必要的。图像退化的原因有很多，例如：不均匀的光照，太高或太低的对比度，低分辨率或者运动模糊等。采用减少图像的退化的方式处理由上述原因引起的图像退化时往往处理性能较低，具体表现在较低的识别率和可能存在错误的输出结果等。因此，图像增强在图像处理过程中占据很重要的地位。
在数字图像增强过程中，光照不均图像是最为普遍的一类降质图像光照不均图像中包含难以分别的高光区域或者较模糊的低光区域，甚至可能既包含高光区域又包含低光区域。为了满足人眼的观测特性和后续的处理过程，需要采取图像增强方法通过压缩光照不均图像的动态范围来提高光照不均图像的质量。现有的图像增强方法大致分为两类：空域方法和频域方法。空域方法是针对图像像素处理，通过对像素的重新映射来达到预期的增强效果。频域方法是将图像变换到频率域，在变换域上进行一系列操作，最终通过反变换得到增强图像。
在现有的具体的图像增强处理方法中，比较经典的有伽马校正、直方图均衡化和限制对比度自适应直方图均衡化等。在利用这些现有方法进行图像增强时，往往得不到预期的增强效果甚至会损失一定的内容信息，更有甚者，图像的颜色信息产生了严重的畸变。
近年提出的同态滤波图像增强方法是把频率过滤和灰度变换结合起来的一种方法，这种方法是把图像的照射、反射模型作为频域处理的基础，利用压缩亮度范围和增强对比度来改善图像的一种处理方法，当处理一幅由于光照不均导致的降质图像时，这种处理方法是有一定效果的，但同时这种处理方法会带来过增强效应。
因此，需要提供一种消除同态滤波图像增强方法中过增强效应的光照不均图像的增强方法及系统。
发明内容
本发明的目的在于提供一种光照不均图像的增强方法及系统，以解决现有技术中的同态滤波图像增强方法带来过增强效应的问题。
为达到上述目的，本发明采用下述技术方案：
一种光照不均图像的增强方法，包括如下步骤：
S1、将光照不均图像从RGB颜色空间转换到HSV颜色空间，并从光照不均图像的HSV颜色空间中提取出光照不均图像的明度分量图像；
S2、设定对明度分量图像进行空间多尺度划分的尺度个数K、尺度值nk，k＝1,2,…,K，进行K次同态滤波，并将明度分量图像中每一个像素点在各次同态滤波中的结果值进行线性加权，得到初步滤波图像；
S3、分别计算得到引导图像和初步滤波图像的均值矩阵，分别计算引导图像的方差矩阵和引导图像与初步滤波图像的协方差矩阵，计算局部线性模型中基于局部熵定义的系数，根据局部线性模型计算得到最终滤波图像；
S4、将最终滤波图像作为增强后的明度分量图像与光照不均图像的HSV颜色空间中的色调分量图像和饱和度分量图像组合，将该组合从HSV颜色空间转换到RGB颜色空间，得到增强后的图像。
优选地，步骤S2进一步包括如下子步骤：
S2.1、设定对明度分量图像进行空间多尺度划分的尺度个数K、尺度值nk，k＝1,2,…,K；
S2.2、设k＝1；
S2.3、根据尺度值nk将明度分量图像分成nk*nk个子图像，分别在各子图像内进行同态滤波，得到第k次同态滤波后明度分量图像中每一个像素点的结果值；
S2.4、若k<K则令k＝k+1后转入步骤S2.2，若k＝K则转入步骤S2.5；
S2.5、将明度分量图像中每一个像素点在各次同态滤波中的结果值进行线性加权，得到明度分量图像中每一个像素点的初步滤波结果值，进而得到初步滤波图像，其中，线性加权的函数为：
其中，i(x,y)为像素点的初步滤波结果值，Wk为第k次同态滤波的权重系数，ik(x,y)为像素点在第k次同态滤波后的结果值。
优选地，所述尺度个数K的取值为3。
优选地，所述尺度值nk的取值原则是所述尺度值nk可被光照不均图像的像素点行数和列数整除。
优选地，步骤S3进一步包括如下子步骤：
S3.1、计算得到引导图像的均值矩阵meanI＝fmean(I)、初步滤波图像的均值矩阵meanP＝fmean(P)、引导图像的自相关矩阵corrI＝fmean(I.*I)、引导图像与初步滤波图像的互相关矩阵corrIP＝fmean(I.*P)；
S3.2、计算得到引导图像的方差矩阵varI＝corrI-meanI.*meanI，其中，.*代表点积运算；
S3.3、计算得到引导图像与初步滤波图像的协方差矩阵：
covIP＝corrIP-meanI.*meanP；
S3.4、计算局部线性模型中的系数meana：
其中，∈为规整化因子；为基于局部熵的自适应边缘感知权重；./代表点除运算；
S3.5、计算局部线性模型中的系数meanb：
meanb＝fmean(b)＝fmean(meanP-a.*meanI)；
S3.6、根据局部线性模型计算得到基于局部熵的引导滤波图像，作为最终滤波图像，局部线性模型如下：
Q＝meana.*I+meanb。
优选地，所述基于局部熵的自适应边缘感知权重的取值函数为：
其中，对图像中每一个待处理像素点p′给定一个局部窗口，则p′为该局部窗口的中心像素点，E(p′)为定义在该窗口下的局部熵算子，N为图像像素点的总数，E(p)为窗口中心取像素点p时的局部熵算子，γ取(0.001×L)2，L为图像的灰度值范围。
一种光照不均图像的增强系统，包括：
明度分量图像提取模块，将光照不均图像从RGB颜色空间转换到HSV颜色空间，并从光照不均图像的HSV颜色空间中提取出光照不均图像的明度分量图像；
空间多尺度同态滤波模块，对明度分量图像进行空间多尺寸同态滤波：设定对明度分量图像进行空间多尺度划分的尺度个数K、尺度值nk，k＝1,2,…,K，进行K次同态滤波，并将明度分量图像中每一个像素点在各次同态滤波中的结果值进行线性加权，得到初步滤波图像；
基于局部熵的引导滤波模块，对初步滤波图像进行基于局部熵的引导滤波：分别计算得到引导图像和初步滤波图像的均值矩阵，分别计算引导图像的方差矩阵和引导图像与初步滤波图像的协方差矩阵，计算局部线性模型中基于局部熵定义的系数，根据局部线性模型计算得到最终滤波图像；
分量合并及颜色空间转换模块，将最终滤波图像作为增强后的明度分量图像与光照不均图像的HSV颜色空间中的色调分量图像和饱和度分量图像组合，将该组合从HSV颜色空间转换到RGB颜色空间，得到增强后的图像。
优选地，该系统进一步包括：
显示模块，显示系统在图像增强过程中出现的图像或数据；
存储模块，存储系统在图像增强过程中出现的图像或数据。
本发明的有益效果如下：
本发明所述技术方案利用基于空间多尺度同态滤波方法消除现有技术中的同态滤波图像增强方法带来的过增强效应，同时，利用基于局部熵的引导滤波方法消除基于空间多尺度同态滤波方法带来的块效应，最终在最大程度上保留图像的细节信息，使得光照不均图像在增强后光照均匀，细节丰富，颜色自然。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明；
图1示出光照不均图像的增强方法的流程图。
图2示出光照不均图像的增强系统的示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
本发明公开的光照不均图像的增强方法及系统，利用基于空间多尺度同态滤波方法消除现有技术中的同态滤波图像增强方法带来的过增强效应，同时，利用基于局部熵的引导滤波方法消除基于空间多尺度同态滤波方法带来的块效应，最终在最大程度上保留图像的细节信息。
如图1所示，本发明公开了一种光照不均图像的增强方法，包括如下步骤：
S1、将光照不均图像从RGB颜色空间转换到HSV颜色空间，并从光照不均图像的HSV颜色空间中提取出光照不均图像的明度分量图像；
S2、对明度分量图像进行空间多尺寸同态滤波：设定对明度分量图像进行空间多尺度划分的尺度个数K、尺度值nk，k＝1,2,…,K，进行K次同态滤波，并将明度分量图像中每一个像素点在各次同态滤波中的结果值进行线性加权，得到初步滤波图像；
S3、对初步滤波图像进行基于局部熵的引导滤波：分别计算得到引导图像和初步滤波图像的均值矩阵，分别计算引导图像的方差矩阵和引导图像与初步滤波图像的协方差矩阵，计算局部线性模型中基于局部熵定义的系数meana和meanb，根据局部线性模型计算得到最终滤波图像；
S4、将最终滤波图像作为增强后的明度分量图像与光照不均图像的HSV颜色空间中的色调分量图像和饱和度分量图像组合，将该组合从HSV颜色空间转换到RGB颜色空间，得到增强后的图像。
本方案中，步骤S1的具体过程为：
S1.1、为了获得照不均图像的边缘轮廓，对光照不均图像进行颜色空间的转换，将光照不均图像从RGB颜色空间转换到HSV颜色空间，转换公式如下：
V＝max
公式中，max＝max(R,G,B)，min＝min(R,G,B)；
S1.2、因为本实施例只通过对光照不均图像的明度分量图像进行滤波实现对光照不均图像的增强，所以只从光照不均图像的HSV颜色空间中提取出光照不均图像的明度分量图像(V通道)。而光照不均图像的色调分量图像(H通道)和饱和度分量图像(S通道)保持不变，在步骤S4中将增强后的明度分量图像与在光照不均图像的HSV颜色空间中保持不变的色调分量图像和饱和度分量图像组合，再将该从组合HSV颜色空间转换到RGB颜色空间，就能得到增强后的图像，所以此步骤中不必提取光照不均图像的色调分量图像和饱和度分量图像。
本方案中，步骤S2进一步包括如下子步骤：
S2.1、设定对明度分量图像进行空间多尺度划分的尺度个数K、尺度值nk，k＝1,2,…,K，其中，尺度个数K代表要进行同态滤波的次数，或者说同态滤波的循环次数，尺度个数K为大于1的整数，通常尺度个数K的取值为3，即进行3次同态滤波即可；尺度值nk，k＝1,2,…,K，的下角标k表明了在每一次同态滤波时利用不同的尺度值，第1次同步滤波利用尺度值n1，第k次同步滤波利用尺度值nk；而关于尺度值具体如何选取，则与光照不均图像有关：尺度值nk的取值原则是可以被光照不均图像的像素点行数和列数整除，例如光照不均图像大小为M*N，尺度值nk，k＝1,2,…,K的取值需满足：N＝αnk且M＝βnk，其中，α,β≥1为整数；
S2.2、设k＝1；
S2.3、根据尺度值nk将明度分量图像分成nk*nk个子图像，分别在各子图像内进行同态滤波，得到第k次同态滤波后明度分量图像中每一个像素点的结果值；
S2.4、若k<K则令k＝k+1后转入步骤S2.2，若k＝K则转入步骤S2.5；
S2.5、将明度分量图像中每一个像素点在各次同态滤波中的结果值进行线性加权，得到明度分量图像中每一个像素点的初步滤波结果值，进而得到初步滤波图像，其中，线性加权的函数为：
其中，i(x,y)为像素点的初步滤波结果值，Wk为第k次同态滤波的权重系数，ik(x,y)为像素点在第k次同态滤波后的结果值。每一个像素点的初步滤波结果值由该像素点自身在各次同态滤波中的结果值进行线性加权得到。
本方案中，步骤S2.2中的“分别在各子图像内进行同态滤波”中的同态滤波的步骤包括：
1)根据光照-反射模型将一幅图像看成为光照分量和反射分量的乘积，其中，光照分量代表被观测到的入射光，反射分量代表物体反射的光；
2)利用对数函数处理光照-反射模型；
3)两端同时进行傅里叶变换处理；
4)利用滤波器函数同时乘以等式两端，以达到压缩高频，扩大低频分量的目的；
5)等式两端进行傅里叶反变换；
6)对上述结果进行指数运算。
本方案中，步骤S3进一步包括如下子步骤：
S3.1、计算得到引导图像的均值矩阵meanI＝fmean(I)、初步滤波图像的均值矩阵meanP＝fmean(P)、引导图像的自相关矩阵corrI＝fmean(I.*I)、引导图像与初步滤波图像的互相关矩阵corrIP＝fmean(I.*P)，其中，fmean(*)代表利用均值滤波器求出的图像的均值，均值滤波器的具体实现如下：在待滤波图像上，对待处理的像素点给定一个模板，该模板包括了该像素点周围的邻近像素，用模板中的全体像素点的像素均值来代替该像素点原来的像素值；
S3.2、计算得到引导图像的方差矩阵varI＝corrI-meanI.*meanI，其中，.*代表点积运算；
S3.3、计算得到引导图像与初步滤波图像的协方差矩阵：
covIP＝corrIP-meanI.*meanP；
S3.4、计算局部线性模型中的系数meana：
其中，∈为规整化因子，一般为较小的常数；为基于局部熵的自适应边缘感知权重；./代表点除运算；
S3.5、计算局部线性模型中的系数meanb：
meanb＝fmean(b)＝fmean(meanP-a.*meanI)；
S3.6、根据局部线性模型计算得到基于局部熵的引导滤波图像，作为最终滤波图像，局部线性模型如下：
Q＝meana.*I+meanb。
本方案中，基于局部熵的自适应边缘感知权重的取值函数为：
其中，对图像中每一个待处理像素点p′给定一个局部窗口，则p′为该局部窗口的中心像素点，E(p′)为定义在该窗口下的局部熵算子，N为图像像素点的总数，E(p)为窗口中心取像素点p时的局部熵算子，γ取(0.001×L)2，L为图像的灰度值范围。
本方案中，步骤S4中将该组合从HSV颜色空间转换到RGB颜色空间的转换公式如下：
公式中，p＝V×(1-S)，q＝V×(1-f×S)，t＝V×(1-(1-f)×S)，其中
如图2所示，本发明进一步公开了一种执行上述增强方法的光照不均图像的增强系统，包括：
明度分量图像提取模块，将光照不均图像从RGB颜色空间转换到HSV颜色空间，并从光照不均图像的HSV颜色空间中提取出光照不均图像的明度分量图像；
空间多尺度同态滤波模块，对明度分量图像进行空间多尺寸同态滤波：设定对明度分量图像进行空间多尺度划分的尺度个数K、尺度值nk，k＝1,2,…,K，进行K次同态滤波，并将明度分量图像中每一个像素点在各次同态滤波中的结果值进行线性加权，得到初步滤波图像；
基于局部熵的引导滤波模块，对初步滤波图像进行基于局部熵的引导滤波：分别计算得到引导图像和初步滤波图像的均值矩阵，分别计算引导图像的方差矩阵和引导图像与初步滤波图像的协方差矩阵，计算局部线性模型中基于局部熵定义的系数meana和meanb，根据局部线性模型计算得到最终滤波图像；
分量合并及颜色空间转换模块，将最终滤波图像作为增强后的明度分量图像与光照不均图像的HSV颜色空间中的色调分量图像和饱和度分量图像组合，将该组合从HSV颜色空间转换到RGB颜色空间，得到增强后的图像。
本方案中，为了方便使用者了解系统的增强过程，该系统进一步包括：
显示模块，显示系统在图像增强过程中出现的图像或数据；
存储模块，存储系统在图像增强过程中出现的图像或数据。
综上所述，本发明公开的光照不均图像的增强处理方法及系统，对光照不均图像中不良光照条件产生的影响能够稳定地消除。相较于现有技术中的其他图像增强方法，本发明公开的光照不均图像的增强处理方法及系统能够得到质量更高的增强图像。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (8)
1.一种光照不均图像的增强方法，其特征在于，该方法包括如下步骤：
S1、将光照不均图像从RGB颜色空间转换到HSV颜色空间，并从光照不均图像的HSV颜色空间中提取出光照不均图像的明度分量图像；
S2、设定对明度分量图像进行空间多尺度划分的尺度个数K、尺度值nk，k＝1，2，...，K，进行K次同态滤波，并将明度分量图像中每一个像素点在各次同态滤波中的结果值进行线性加权，得到初步滤波图像；
S3、分别计算得到引导图像和初步滤波图像的均值矩阵，分别计算引导图像的方差矩阵和引导图像与初步滤波图像的协方差矩阵，计算局部线性模型中基于局部熵定义的系数，根据局部线性模型计算得到最终滤波图像；
S4、将最终滤波图像作为增强后的明度分量图像与光照不均图像的HSV颜色空间中的色调分量图像和饱和度分量图像组合，将该组合从HSV颜色空间转换到RGB颜色空间，得到增强后的图像。
2.根据权利要求1所述的光照不均图像的增强方法，其特征在于，步骤S2进一步包括如下子步骤：
S2.1、设定对明度分量图像进行空间多尺度划分的尺度个数K、尺度值nk，k＝1，2，...，K；
S2.2、设k＝1；
S2.3、根据尺度值nk将明度分量图像分成nk*nk个子图像，分别在各子图像内进行同态滤波，得到第k次同态滤波后明度分量图像中每一个像素点的结果值；
S2.4、若k＜K则令k＝k+1后转入步骤S2.2，若k＝K则转入步骤S2.5；
S2.5、将明度分量图像中每一个像素点在各次同态滤波中的结果值进行线性加权，得到明度分量图像中每一个像素点的初步滤波结果值，进而得到初步滤波图像，其中，线性加权的函数为：
其中，i(x，y)为像素点的初步滤波结果值，Wk为第k次同态滤波的权重系数，ik(x，y)为像素点在第k次同态滤波后的结果值。
3.根据权利要求2所述的光照不均图像的增强方法，其特征在于，所述尺度个数K的取值为3。
4.根据权利要求2所述的光照不均图像的增强方法，其特征在于，所述尺度值nk的取值原则是所述尺度值nk可被光照不均图像的像素点行数和列数整除。
5.根据权利要求1所述的光照不均图像的增强方法，其特征在于，步骤S3进一步包括如下子步骤：
S3.1、计算得到引导图像的均值矩阵meanI＝fmean(I)、初步滤波图像的均值矩阵meanP＝fmean(P)、引导图像的自相关矩阵corrI＝fmean(I.*I)、引导图像与初步滤波图像的互相关矩阵corrIP＝fmean(I.*P)；
S3.2、计算得到引导图像的方差矩阵varI＝corrI-meanI.*meanI，其中，.*代表点积运算；
S3.3、计算得到引导图像与初步滤波图像的协方差矩阵：
covIP＝corrIP-meanI.*meanP；
S3.4、计算局部线性模型中的系数meana；
其中，∈为规整化因子；为基于局部熵的自适应边缘感知权重；./代表点除运算；
S3.5、计算局部线性模型中的系数meanb：
meanb＝fmean(b)＝fmean(meanP-a.*meanI)；
S3.6、根据局部线性模型计算得到基于局部熵的引导滤波图像，作为最终滤波图像，局部线性模型如下：
Q＝meana.*I+meanb
其中，I为引导图像。
6.根据权利要求5所述的光照不均图像的增强方法，其特征在于，所述基于局部熵的自适应边缘感知权重的取值函数为：
其中，对图像中每一个待处理像素点p′给定一个局部窗口，则p′为该局部窗口的中心像素点，E(p′)为定义在该窗口下的局部熵算子，N为图像像素点的总数，E(p)为窗口中心取像素点p时的局部熵算子，γ取(0.001×L)2，L为图像的灰度值范围。
7.一种光照不均图像的增强系统，其特征在于，该系统包括：
明度分量图像提取模块，将光照不均图像从RGB颜色空间转换到HSV颜色空间，并从光照不均图像的HSV颜色空间中提取出光照不均图像的明度分量图像；
空间多尺度同态滤波模块，对明度分量图像进行空间多尺寸同态滤波：设定对明度分量图像进行空间多尺度划分的尺度个数K、尺度值nk，k＝1，2，…，K，进行K次同态滤波，并将明度分量图像中每一个像素点在各次同态滤波中的结果值进行线性加权，得到初步滤波图像；
基于局部熵的引导滤波模块，对初步滤波图像进行基于局部熵的引导滤波：分别计算得到引导图像和初步滤波图像的均值矩阵，分别计算引导图像的方差矩阵和引导图像与初步滤波图像的协方差矩阵，计算局部线性模型中基于局部熵定义的系数，根据局部线性模型计算得到最终滤波图像；
分量合并及颜色空间转换模块，将最终滤波图像作为增强后的明度分量图像与光照不均图像的HSV颜色空间中的色调分量图像和饱和度分量图像组合，将该组合从HSV颜色空间转换到RGB颜色空间，得到增强后的图像。
8.根据权利要求7所述的光照不均图像的增强系统，其特征在于，该系统进一步包括：
显示模块，显示系统在图像增强过程中出现的图像或数据；
存储模块，存储系统在图像增强过程中出现的图像或数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611048369.5A CN106780417B (zh) | 2016-11-22 | 2016-11-22 | 一种光照不均图像的增强方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611048369.5A CN106780417B (zh) | 2016-11-22 | 2016-11-22 | 一种光照不均图像的增强方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106780417A CN106780417A (zh) | 2017-05-31 |
| CN106780417B true CN106780417B (zh) | 2019-12-13 |
Family
ID=58975548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611048369.5A Active CN106780417B (zh) | 2016-11-22 | 2016-11-22 | 一种光照不均图像的增强方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106780417B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392854B (zh) * | 2017-07-18 | 2020-07-28 | 西安交通大学 | 一种基于局部自适应增益因子的联合上采样方法 |
| CN107680068A (zh) * | 2017-08-31 | 2018-02-09 | 田其冲 | 一种考虑图像自然度的数字图像增强方法 |
| 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 |
| CN109242809B (zh) * | 2018-10-31 | 2023-06-13 | 安徽中科智链信息科技有限公司 | 一种基于rgb-d信息的点云滤波系统及滤波方法 |
| CN109785257B (zh) * | 2019-01-09 | 2021-09-21 | 山东数字人科技股份有限公司 | 一种光照不均匀图像的处理方法及系统 |
| CN110310485B (zh) * | 2019-04-11 | 2020-09-01 | 安徽极玩云科技有限公司 | 周围信息采集显示系统 |
| CN110427883A (zh) * | 2019-08-01 | 2019-11-08 | 甘肃梦农物联网科技有限公司 | 一种智慧停车场的车辆身份识别方法 |
| CN111696188B (zh) * | 2020-04-26 | 2023-10-03 | 杭州群核信息技术有限公司 | 渲染图快速光照编辑方法和装置、渲染方法 |
| CN112308793A (zh) * | 2020-10-21 | 2021-02-02 | 淮阴工学院 | 一种新型的非均匀光照图像对比度和细节增强方法 |
| CN113139947B (zh) * | 2021-04-28 | 2024-06-07 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN113160096B (zh) * | 2021-05-27 | 2023-12-08 | 山东中医药大学 | 一种基于视网膜模型的低光图像增强方法 |
| CN113808048A (zh) * | 2021-09-23 | 2021-12-17 | 安徽理工大学 | 一种采掘模拟场图像增强系统 |
| CN115578660B (zh) * | 2022-11-09 | 2023-04-07 | 牧马人(山东)勘察测绘集团有限公司 | 基于遥感图像的土地地块分割方法 |
| CN116258653B (zh) * | 2023-05-16 | 2023-07-14 | 深圳市夜行人科技有限公司 | 一种基于深度学习的微光图像增强方法和系统 |
-
2016
- 2016-11-22 CN CN201611048369.5A patent/CN106780417B/zh active Active
Non-Patent Citations (3)
| Title |
|---|
| "一种新的非均匀照度图像增强方法";赵京东;《计算机工程与应用》;20110811;第47卷(第23期);第204-207页 * |
| "低照度图像增强算法";王闻博等;《计算机与现代化》;20140211(第1期);第27-31页 * |
| "光照不均图像增强方法综述";梁琳等;《计算机应用研究》;20100531;第27卷(第5期);第1625-1628页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106780417A (zh) | 2017-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106780417B (zh) | 一种光照不均图像的增强方法及系统 | |
| Liang et al. | A hybrid l1-l0 layer decomposition model for tone mapping | |
| CN109872285B (zh) | 一种基于变分约束的Retinex低照度彩色图像增强方法 | |
| EP3087730B1 (en) | Method for inverse tone mapping of an image | |
| US7433514B2 (en) | Tone mapping of high dynamic range images | |
| CN105303532B (zh) | 一种小波域Retinex图像去雾方法 | |
| CN107680056B (zh) | 一种图像处理方法及装置 | |
| CN109325922B (zh) | 一种图像自适应增强方法、装置及图像处理设备 | |
| KR101007101B1 (ko) | 적응형 톤 매핑 장치 및 방법, 그리고 이를 이용한 영상 처리 시스템 | |
| CN106846276B (zh) | 一种图像增强方法及装置 | |
| CN105096278B (zh) | 基于光照调整的图像增强方法和设备 | |
| CN110298792B (zh) | 低光照图像增强与去噪方法、系统及计算机设备 | |
| CN112435184B (zh) | 一种基于Retinex和四元数的雾霾天图像识别方法 | |
| Peng et al. | Multi-algorithm fusion of RGB and HSV color spaces for image enhancement | |
| CN107292316A (zh) | 一种基于稀疏表示的提升图像清晰度的方法 | |
| Yang et al. | Low-light image enhancement based on Retinex theory and dual-tree complex wavelet transform | |
| Zhang et al. | Colorful image enhancement algorithm based on guided filter and Retinex | |
| KR101668829B1 (ko) | 공간 주파수 상에서 인간 시각 특성이 반영된 텍스처 향상 방법 및 장치 | |
| CN112308785B (zh) | 图像去噪方法、存储介质及终端设备 | |
| CN107358592B (zh) | 一种迭代式全局自适应图像增强方法 | |
| Wen et al. | A survey of image dehazing algorithm based on retinex theory | |
| CN110545414B (zh) | 一种图像锐化方法 | |
| CN113129300A (zh) | 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质 | |
| CN112308793A (zh) | 一种新型的非均匀光照图像对比度和细节增强方法 | |
| US11915392B2 (en) | Image enhancement method and apparatus |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210628 Address after: 100044 room 413, 4th floor, Zhixing building, Jiaotong University, 3 Shangyuan village, Haidian District, Beijing Patentee after: Beijiao smart rail (Beijing) Technology Co.,Ltd. Address before: 100044 Beijing city Haidian District Shangyuan Village No. 3 Patentee before: Beijing Jiaotong University |