CN107203979A - 一种低照度图像增强的方法 - Google Patents

一种低照度图像增强的方法 Download PDF

Info

Publication number
CN107203979A
CN107203979A CN201710391893.0A CN201710391893A CN107203979A CN 107203979 A CN107203979 A CN 107203979A CN 201710391893 A CN201710391893 A CN 201710391893A CN 107203979 A CN107203979 A CN 107203979A
Authority
CN
China
Prior art keywords
mrow
image
pixel
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.)
Granted
Application number
CN201710391893.0A
Other languages
English (en)
Other versions
CN107203979B (zh
Inventor
冯华君
王烨茹
徐之海
李奇
陈跃庭
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201710391893.0A priority Critical patent/CN107203979B/zh
Publication of CN107203979A publication Critical patent/CN107203979A/zh
Application granted granted Critical
Publication of CN107203979B publication Critical patent/CN107203979B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种低照度图像增强的方法，将基于熵率的超像素分割算法用于暗通道先验模型中，得到更加符合人眼视觉效果的增强图。该方法首先将低照度图像进行超像素分割，再将低照度图像反转，根据超像素分割得到的同源块区域利用暗通道先验模型得到更准确的传输透过率图，根据大气散射物理模型对图像进行增强，最后将图像再次反转得到增强效果图。能够自适应地处理低照度图像，使增强后的图像具有更加理想的对比度和视觉效果，整体增强效果较现有的增强算法有大幅度提升。全过程可实现自动化与自能化，无需人工干预。

Description

一种低照度图像增强的方法
技术领域
本发明涉及图像处理领域，尤其涉及一种低照度图像增强的方法。
背景技术
随着数字图像和多媒体技术的快速发展，各种类型的光学成像系统也越来越多，人们对成像系统的画面质量要求也越来越高，如各类监控系统，目标识别及目标跟踪系统，由于其场景不可控的特殊性，画面质量往往很难达到要求，尤其是在雾天、阴雨天、夜晚等光照条件比较弱的条件下所拍摄的影像，整体图像质量很差，对比度很低，图像细节严重丢失，可视性很难令人满意，给很多工作带来布标，从很大程度上限制了此类系统的应用。特别是在夜间，犯罪率升高，然而，通过监控系统很难看清犯罪现场，增加了警方破案的难度。因此低照度图像的增强是十分有意义的。
常见的图像增强算法主要分三大类：空域法、变换域法和融合法。空域法主要包括亮度变换法、直方图法和Retinex增强法等。现有的图像增强算法很难达到令人满意的效果，以直方图均衡化为例，虽然能够增强结果图对比度，同时亮度分布较为均匀，但是很容易产生过增强的现象，产生严重的色偏和细节丢失。因此，找到能够更加符合人眼视觉效果的图像增强算法至关重要。本发明提出一种基于超像素分割算法和暗通道原理的图像增强方法，先将图像反转形成伪雾图，再利用超像素分割得到的图像内容相关的同源块，更准确地估计大气传输模型中的透过率，从而使增强效果图更加符合人眼的视觉特性。
发明内容
本发明的目的在于提出一种自适应的，易于实现，鲁棒性强，更符合人眼视觉特性的低照度图像增强方法，从而解决现有图像增强方法中存在的过增强或增强偏色的问题。
本发明的目的是通过以下技术方案实现的：一种低照度图像增强的方法，该方法包括以下步骤：
(1)对低照度图像L进行基于熵率的超像素分割，得到若干超像素同源区域；
(2)将低照度图像L进行反转，得到反转图I；反转图I中像素x处颜色通道c的亮度信息Ic(x)为：
Ic(x)＝255-Lc(x) (1)
其中，c代表图像R、G、B三个通道中的任意一通道，Lc(x)代表像素x处某一颜色通道的亮度信息；
(3)利用步骤1得到的超像素同源区域代替暗通道先验模型中的矩形区域，从而求取传输透过率图t；
t(x)为传输透过率图中像素x的透过率，Ω(x)是像素x所在的超像素同源区域；Ac是颜色通道c的大气天光值；
(4)根据上述大气散射物理模型所得到的透过率图t，恢复出反转图I的复原图J；其中复原图J中像素x的亮度信息J(x)为：
A是大气天光值；
(5)对获得的复原图J按照步骤2的方法再次进行反转，得到最终的增强图。
本发明的有益效果在于：将图像反转形成伪雾图，通过超像素分割将图像分为若干同源区域，在利用暗原色通道估计透过率图时根据图像内容而达到自适应的效果，避免了由于传统矩形区域块分割引入的图像边缘信息的影响。进一步地结合暗原色通道去雾的原理得到复原图，再将复原图反转得到最终的增强效果图。
附图说明
图1为发明方法的流程框图。
图2为任意低照度图像L。
图3为低照度图像进行超像素分割得到的分割图。
图4为对低照度图像进行反转得到的反转图I。
图5为最终增强效果图。
图6为按照现有技术，利用不同窗口大小的暗通道先验对图像进行增强的效果图，其中窗口大小分别为3(a)、9(b)和21(c)。(d)、(e)、(f)分别为(a)、(b)、(c)的放大图；
图7为利用本发明的方法分别采用不同超像素分割个数对图像进行增强的效果比较，其中超像素分割的个数分别为200(a)、300(b)和500(c)；(d)、(e)、(f)分别为超像素分割的个数分别200、300和500的增强效果图，(g)、(h)、(i)分别为(d)、(e)、(f)的放大图。
具体实施方式
暗通道先验是指在绝大多数非天空的局部区域里，某些像素总会有至少一个颜色通道具有很低的值。换言之，该区域光强度的最小值是个很小的数。而在暗通道先验模型中，这一区域是在算法中自动确定的，且通常选取一个固定大小的矩形窗口，因此，本领域技术人员通常认为没有必要进入对图像进行分割的步骤，但是由于原有的矩形窗口没有考虑图像内容以及边缘信息对暗通道先验估计透过率图得影响，同时不同矩形区域的大小会对经过造成不同的影响，难以实现自适应。
本发明一种对低照度图像增强的方法，先将低照度图像反转获得伪雾图，结合基于熵率的超像素分割方法考虑了图像内容，避免了边缘对暗通道先验的影响，从而更加准确地估计透过率图。根据大气散射物理模型对图像进行增强，最后将图像再次反转得到增强效果图。能够自适应地处理低照度图像，使增强后的图像具有更加理想的对比度和视觉效果，整体增强效果较现有的增强算法有大幅度提升。
下面结合附图和实例进行详细说明：
图1为本发明方法的简易流程框图。下面结合实施例对本发明作进一步说明。
(1)获取低照度图像L，如图2所示；
(2)对图像进行基于熵率的超像素分割，得到若干超像素同源区域，超像素分割的块数设定为200块，如图3所示；
(3)将低照度图像L进行反转，得到反转图I；
Ic(x)＝255-Lc(x) (1)
c代表图像R、G、B三个通道中的任意一通道，Lc(x)代表像素x处某一颜色通道的亮度信息，反转图I如图4所示；
(4)根据大气传输模型及暗通道原理同时利用得到的超像素同源区域代替暗通道中的矩形块，从而求取传输透过率图t；
I(x)＝J(x)t(x)+A(1-t(x)) (2)
J是所需恢复出的复原图，A是大气天光值，Ω(x)是像素x所在的超像素同源区域；
(5)根据上述大气散射物理模型所得到的透过率图t，恢复出反转图I的复原图J；
(6)对获得的复原图J再次进行反转，得到最终的增强图，如图5所示。
本发明一种低照度图像增强的方法，先将低照度图像反转获得伪雾图，结合基于熵率的超像素分割方法考虑了图像内容，避免了边缘对暗通道先验的影响，从而更加准确地估计透过率图。根据大气散射物理模型对图像进行增强，最后将图像再次反转得到增强效果图。通过图6可以看出直接使用暗通道先验对图像进行增强，其增强效果很大程度受到了窗口大小的影响，同时由于矩形窗口没有考虑到图像内容与边缘信息的影响，同时存在很明显的光晕现象，通过下方的放大图可以看出其增强效果丢失很多细节信息，而通过图7可以看出利用超像素同源区域代替原有的矩形窗口区域后，增强效果基本不受同源区域个数的限制，并且避免了光晕现象，通过放大图可以看出较好地保留了图像的纹理信息，增强图像更加符合人眼视觉效果。能够自适应地处理低照度图像，使增强后的图像具有更加理想的对比度和视觉效果，整体增强效果较现有的增强算法有大幅度提升。全过程可实现自动化与自能化，无需人工干预。

Claims (1)

1.一种低照度图像增强的方法，其特征在于，该方法包括以下步骤：
(1)对低照度图像L进行基于熵率的超像素分割，得到若干超像素同源区域；
(2)将低照度图像L进行反转，得到反转图I；反转图I中像素x处颜色通道c的亮度信息Ic(x)为：
Ic(x)＝255-Lc(x) (1)
其中，c代表图像R、G、B三个通道中的任意一通道，Lc(x)代表像素x处某一颜色通道的亮度信息。
(3)利用步骤1得到的超像素同源区域代替暗通道先验模型中的矩形区域，从而求取传输透过率图t；
<mrow> <mi>t</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> <mo>-</mo> <munder> <mi>min</mi> <mrow> <mi>c</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mi>r</mi> <mi>g</mi> <mi>b</mi> <mo>}</mo> </mrow> </munder> <mrow> <mo>(</mo> <munder> <mi>min</mi> <mrow> <mi>c</mi> <mo>&amp;Element;</mo> <mi>&amp;Omega;</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> </munder> <mo>(</mo> <mfrac> <mrow> <msup> <mi>I</mi> <mi>c</mi> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> <msup> <mi>A</mi> <mi>c</mi> </msup> </mfrac> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
t(x)为传输透过率图中像素x的透过率，Ω(x)是像素x所在的超像素同源区域；Ac是颜色通道c的大气天光值。
(4)根据上述大气散射物理模型所得到的透过率图t，恢复出反转图I的复原图J；其中复原图J中像素x的亮度信息J(x)为：
<mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>I</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>A</mi> </mrow> <mrow> <mi>t</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>+</mo> <mi>A</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
A是大气天光值。
(5)对获得的复原图J按照步骤2的方法再次进行反转，得到最终的增强图。
CN201710391893.0A 2017-05-27 2017-05-27 一种低照度图像增强的方法 Expired - Fee Related CN107203979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710391893.0A CN107203979B (zh) 2017-05-27 2017-05-27 一种低照度图像增强的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710391893.0A CN107203979B (zh) 2017-05-27 2017-05-27 一种低照度图像增强的方法

Publications (2)

Publication Number Publication Date
CN107203979A true CN107203979A (zh) 2017-09-26
CN107203979B CN107203979B (zh) 2020-04-24

Family

ID=59906832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710391893.0A Expired - Fee Related CN107203979B (zh) 2017-05-27 2017-05-27 一种低照度图像增强的方法

Country Status (1)

Country Link
CN (1) CN107203979B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175962A (zh) * 2019-05-22 2019-08-27 南京信息职业技术学院 一种基于区域显著性识别的红外图像增强方法
CN111179200A (zh) * 2019-12-31 2020-05-19 昆明理工大学 一种宽动态范围图像的增强算法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020051566A1 (en) * 2000-09-28 2002-05-02 Kabushiki Kaisha Toshiba Defect inspection apparatus and method
US20090219403A1 (en) * 2008-02-29 2009-09-03 Sionyx, Inc. Compact passive low-light imaging apparatus
CN103020920A (zh) * 2013-01-10 2013-04-03 厦门大学 一种低照度图像增强方法
CN104700369A (zh) * 2015-03-09 2015-06-10 哈尔滨工业大学 夜幕数字图像的快速滤除增强方法
CN106251301A (zh) * 2016-07-26 2016-12-21 北京工业大学 一种基于暗原色先验的单幅图像去雾方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020051566A1 (en) * 2000-09-28 2002-05-02 Kabushiki Kaisha Toshiba Defect inspection apparatus and method
US20090219403A1 (en) * 2008-02-29 2009-09-03 Sionyx, Inc. Compact passive low-light imaging apparatus
CN103020920A (zh) * 2013-01-10 2013-04-03 厦门大学 一种低照度图像增强方法
CN104700369A (zh) * 2015-03-09 2015-06-10 哈尔滨工业大学 夜幕数字图像的快速滤除增强方法
CN106251301A (zh) * 2016-07-26 2016-12-21 北京工业大学 一种基于暗原色先验的单幅图像去雾方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175962A (zh) * 2019-05-22 2019-08-27 南京信息职业技术学院 一种基于区域显著性识别的红外图像增强方法
CN110175962B (zh) * 2019-05-22 2023-02-10 南京信息职业技术学院 一种基于区域显著性识别的红外图像增强方法
CN111179200A (zh) * 2019-12-31 2020-05-19 昆明理工大学 一种宽动态范围图像的增强算法

Also Published As

Publication number Publication date
CN107203979B (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN110148095B (zh) 一种水下图像增强方法及增强装置
CN106886985B (zh) 一种减小色偏的自适应低照度图像增强方法
CN105761227B (zh) 基于暗通道先验与白平衡的水下图像增强方法
CN106780368B (zh) 一种基于前景模型的水下图像增强方法
CN105631829B (zh) 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法
Zheng et al. Infrared traffic image enhancement algorithm based on dark channel prior and gamma correction
CN110570360B (zh) 一种基于Retinex的鲁棒和全面的低质量光照图像增强方法
Wang et al. Variational single nighttime image haze removal with a gray haze-line prior
CN111292258A (zh) 一种基于暗通道和亮通道先验的图像去雾方法
CN102750674A (zh) 基于自适应容差的视频图像去雾方法
CN107360344B (zh) 监控视频快速去雾方法
CN107895357B (zh) 一种基于fpga的实时水面浓雾场景图像增强方法
CN106570838A (zh) 一种图像亮度优化方法及装置
CN109801233B (zh) 一种适用于真彩色遥感图像的增强方法
CN107527325A (zh) 一种基于暗通道优先的单目水下视觉增强方法
CN106846258A (zh) 一种基于加权最小平方滤波的单幅图像去雾方法
CN111598814B (zh) 基于极端散射通道的单图像去雾方法
Cheng et al. Visibility enhancement of single hazy images using hybrid dark channel prior
CN109639994A (zh) 嵌入式车载相机曝光时间动态调整方法
CN105989583B (zh) 一种图像去雾方法
CN107203979A (zh) 一种低照度图像增强的方法
CN108307245B (zh) 一种基于背景感知技术的字幕字体颜色获取方法、显示器
Jin et al. Image Enhancement Based on Selective-Retinex Fusion Algorithm.
Qian et al. Effective contrast enhancement method for color night vision
CN112598777B (zh) 一种基于暗通道先验的雾霾融合方法

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200424

Termination date: 20210527