CN107292830B - 低照度图像增强及评价方法 - Google Patents

低照度图像增强及评价方法 Download PDF

Info

Publication number
CN107292830B
CN107292830B CN201611235440.0A CN201611235440A CN107292830B CN 107292830 B CN107292830 B CN 107292830B CN 201611235440 A CN201611235440 A CN 201611235440A CN 107292830 B CN107292830 B CN 107292830B
Authority
CN
China
Prior art keywords
image
low
illumination
luminance map
illumination image
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
Application number
CN201611235440.0A
Other languages
English (en)
Other versions
CN107292830A (zh
Inventor
丁辉
尚媛园
赵谭
周修庄
付小雁
邵珠宏
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.)
Wuhu Zhongpu Intelligent Equipment Co ltd
Original Assignee
Capital Normal 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 Capital Normal University filed Critical Capital Normal University
Priority to CN201611235440.0A priority Critical patent/CN107292830B/zh
Publication of CN107292830A publication Critical patent/CN107292830A/zh
Application granted granted Critical
Publication of CN107292830B publication Critical patent/CN107292830B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06T5/50—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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

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

Abstract

本发明提出一种增强后图像的评价方法，包括以下步骤：获取目标场景在多个不同照度下拍摄的图像序列；从所述图像序列中选择用于对所述增强后图像进行评价的模板图像；计算所述模板图像和增强后图像的结构相似度；根据所述结构相似度对所述增强后图像的增强效果进行评价。本发明的增强后图像的评价方法具有对不同的图像增强方法对图像增强效果的评价客观、可靠的优点。

Description

低照度图像增强及评价方法
技术领域
本发明涉及图像处理技术领域，特别涉及一种低照度图像增强及评价方法。
背景技术
计算机视觉在场景监控、城市交通、居民安防等领域都有着重要作用。然而在低照度条件下，由于非自然光源的照度不充分，如夜间、阴雨天、低下等特殊场景，由于大气中环境光降低，所获取的图像存在分辨率较低且细节信息被模糊的问题，导致图像质量下降，致在夜间采集的图像质量退化严重、图像可辨识性很低，且含有大量噪声，以至于难以分辨图像中的细节，对图像和视频的应用产生了极大的限制。低照度图像的质量增强是目前图像质量提升领域的研究热点之一，具有重大应用意义。低照度图像增强一方面是为了提高图像的能见度，适合于人眼观察；另一方面是为了增强图像的某些特性，在后期的处理中更易满足需求。
目前低照度图像增强方法大致分为两类，其中一类是利用图像增强的方法，在不考虑图像降质的情况下，对图像进行处理，这种方法使用范围广，能有效的提高低照度图像的对比度，突出图像的细节，改善图像的视觉效果，但同样也会引入一定的噪声，主要的全局方法是直方图均衡化、同态滤波、梯度法融合和Retinex算法等，主要的局部方法是局部对比度增强，局部直方图均衡以及局部方差法等。另一类则是利用图像复原的方法，通过研究低照度图像的特点，结合雾天退化模型，反演退化过程，补偿退化过程造成的失真，以便获得未经干扰退化的复原图像或复原图像的最优估计值，从而改善低照度图像质量。这种方法针对性强，得到的增强效果自然，一般不会有信息损失，处理的关键点在于模型中有限个数的参数估计。在图像复原类方法中，由于低照度图像反转之后，天空和遥远的背景区域RGB通道亮度都比较高，而非天空区域的RGB至少有一个通道亮度比较低，跟大雾条件下图像有相似的特点，因此将基于大气模型的增强算法应用于低照度图像增强，可以获得较好的增强效果，然而，大气模型中环境光的估计和亮度图的估计是一个重要因素，其准确性影响增强效果，目前，大气模型中环境光的估计和亮度图的估计相对准确性不高，因此，影响了图像增强的效果。
另外，计算机视觉的研究使得计算机逐渐具备同人类一样的视觉能力，被广泛用于图像处理的领域。如人脸识别、行人跟踪和图像增强等。目前大多数领域都有一套完整的评价标准，比如人脸识别通过识别率来测评结果，行人跟踪通过计算质心半径来计算误差。而图像增强尤其是低照度图像增强领域目前还没有一个比较完整的评价方法。
目前的方法大多是通过主观测评和计算峰值信噪比等估算图像质量的方法，但是主观测评随着实验主体的变化，误差很大而图像的客观评价标准只能说明图像受损程度大小，并不能说明其增强的细节效果。
发明内容
本发明旨在至少解决上述技术问题之一。
为此，本发明的第一个目的在于提出一种低照度图像增强方法。
本发明的第二个目的在于提出一种低照度图像增强系统。
本发明的第三个目的在于提出一种增强后图像的评价方法。
本发明的第四个目的在于提出一种增强后图像的评价系统。
为了实现上述目的，本发明的第一方面的实施例公开了一种低照度图像增强方法，包括以下步骤：获取低照度图像，其中，拍摄所述低照度图像时的照度小于第一预定照度；对所述低照度图像进行反转，以得到所述低照度图像的反转图像；根据大气物理模型重构所述低照度图像以得到重构模型；估计初始亮度图，并利用范数约束对所述初始亮度图进行优化以得到优化亮度图；根据四叉树搜索方法估计大气环境光；根据所述优化亮度图和所述大气环境光对所述重构模型求解，以得到增强后图像。
根据本发明实施例的低照度图像增强方法，利用范数约束对初始亮度图进行优化，从而估计出亮度图，并利用四叉树搜索方法估计得到大气环境光，最后根据大气物理模型和估计得到的亮度图和环境光对低照度图像进行增强处理，进而，使得增强后图像更加清晰，色彩失真少，细节可以再现，适用性强、鲁棒性高，可广泛应用于图像处理领域中。
另外，根据本发明上述实施例的低照度图像增强方法还可以具有如下附加的技术特征：
在一些示例中，所述估计初始亮度图，并利用范数约束对所述初始亮度图进行优化以得到优化亮度图的步骤，包括：
根据RBG空间的最大值估计所述初始亮度图
Figure BDA0001195232410000031
其中，
Figure BDA0001195232410000032
利用范数
Figure BDA0001195232410000033
约束，对所述初始亮度图进行优化以得到优化亮度图t，
其中，||·||F为弗罗贝尼乌斯范数，||·||1为l1范数，η为第一项与第二项之间的平衡系数，W为加权矩阵，所述加权矩阵定义为：
Figure BDA0001195232410000041
其中，Gσ(x,y)为具有标准方差的高斯滤波器，其中，t参数采用tγ约束，其中，γ定义为
Figure BDA0001195232410000042
K是一个灰度阈值，取值范围为[0,L]，L是像素值动态范围，K一般按经验选取为80，其中，μ是一个取值大于零小于等于1的常数，根据经验选取为0.8，其中，参数Δ由以下公式计算得出：
Figure BDA0001195232410000043
其中，A为大气环境光。
在一些示例中，所述根据四叉树搜索方法估计大气环境光的步骤，包括：
根据公式
Figure BDA0001195232410000044
求取大气环境光，其中，
Figure BDA0001195232410000045
表示四叉树中分割的子块，子块
Figure BDA0001195232410000046
定义为
Figure BDA0001195232410000047
在一些示例中，所述重构模型为：
Figure BDA0001195232410000048
其中，J(x)为增强后图像，A为所述大气环境光，t(x)为优化亮度图，ε0为常数，所述常数近似为零。
本发明第二方面的实施例公开了一种低照度图像增强系统，包括：获取模块，用于获取低照度图像，其中，拍摄所述低照度图像时的照度小于第一预定照度；反转模块，用于对所述低照度图像进行反转，以得到所述低照度图像的反转图像；重构模块，用于根据大气物理模型重构所述低照度图像以得到重构模型；估计模块，用于估计初始亮度图，并利用范数约束对所述初始亮度图进行优化以得到优化亮度图，以及根据四叉树搜索方法估计大气环境光；增强模块，用于根据所述优化亮度图和所述大气环境光对所述重构模型求解，以得到增强后图像。
根据本发明实施例的低照度图像增强系统，利用范数约束对初始亮度图进行优化，从而估计出亮度图，并利用四叉树搜索方法估计得到大气环境光，最后根据大气物理模型和估计得到的亮度图和环境光对低照度图像进行增强处理，进而，使得增强后图像更加清晰，色彩失真少，细节可以再现，适用性强、鲁棒性高，可广泛应用于图像处理领域中。
本发明的第三方面的实施例公开了一种增强后图像的评价方法，包括以下步骤：获取目标场景在多个不同照度下拍摄的图像序列；从所述图像序列中选择用于对所述增强后图像进行评价的模板图像；计算所述模板图像和增强后图像的结构相似度；根据所述结构相似度对所述增强后图像的增强效果进行评价。
根据本发明实施例的增强后图像的评价方法，具有对不同的图像增强方法对图像增强效果的评价客观、可靠的优点。另外，该方法适用范围广，便于做各种照度条件下的增强效果对比试验使用。
另外，根据本发明上述实施例的增强后图像的评价方法还可以具有如下附加的技术特征：
在一些示例中，通过如下公式计算模板图像和增强后图像的结构相似度，所述公式为：
Figure BDA0001195232410000051
其中，
Figure BDA0001195232410000052
Figure BDA0001195232410000053
Figure BDA0001195232410000054
Figure BDA0001195232410000055
Figure BDA0001195232410000056
其中，x，y分别为模板图像和所述增强后图像，μx、μy、σx、σy、σxy分别表示x、y的均值、方差和协方差，C1＝(K1L)2、C2＝(K2L)2，L是像素值动态范围，一般为255；K1＜＜1，K2＜＜1，是2个尺度系数。
在一些示例中，所述增强后图像为根据权利要求1-4任一项所述的低照度图像增强方法得到的增强后图像，在根据所述结构相似度对所述增强后图像的增强效果进行评价之后，还包括：根据评价结果对所述优化亮度图和所述大气环境光进行动态调整。
本发明的第四方面的实施例公开了一种增强后图像的评价系统，包括：拍摄模块，用于在多个不同照度下拍摄目标场景的图像序列；选择模块，用于从所述图像序列中选择用于对所述增强后图像进行评价的模板图像；相似度计算模块，用于计算所述模板图像和增强后图像的结构相似度；评价模块，用于根据所述结构相似度对所述增强后图像的增强效果进行评价。
根据本发明实施例的增强后图像的评价系统，具有对不同的图像增强方法对图像增强效果的评价客观、可靠的优点。另外，该系统适用范围广，便于做各种照度条件下的增强效果对比试验使用。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述的和/或附加的方面和优点结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一个实施例的低照度图像增强方法的流程图；
图2是本发明一个实施例的低照度图像增强与评价方法结合后的流程图；
图3是应用四叉树搜索的示意图；
图4是不同亮度图像的增强效果示意图；
图5是本发明一个实施例的低照度图像增强系统的结构框图；
图6是本发明一个实施例的增强后图像的评价方法的流程图；
图7是相机采集的不同照度的图像；
图8是为采用不同的图像增强算法(如：Hu、Dong、LIME、Ren、本发明实施例的图像增强方法LieCNE)下的图像的彩色直方图(a)以及直方图分布曲线(b)，(c)是下午14:00获得的图像；
图9是不同算法之间低照度图像增强结果与正常照度图像的结构相似性的比较结果的示意图；
图10是本发明一个实施例的增强后图像的评价系统的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
以下结合附图描述根据本发明实施例的低照度图像增强及评价方法。
图1是根据本发明一个实施例的低照度图像增强方法的流程图。
如图1所示，并结合图2，根据本发明一个实施例的低照度图像增强方法，包括以下步骤：
S101：获取低照度图像，其中，拍摄低照度图像时的照度小于第一预定照度。即：获取待处理的彩色RBG低照度图像。
S102：对低照度图像进行反转，以得到所述低照度图像的反转图像。
具体地，对RGB图像进行反转c，L(x)为输入的RGB图像，I(x)为反转后的图像，即：I(x)为反转图像。
S103：根据大气物理模型重构低照度图像以得到重构模型。
在本发明的一个实施例中，重构模型为：
Figure BDA0001195232410000081
其中，J(x)为增强后图像，A为所述大气环境光，t(x)为优化亮度图，ε0为常数，常数近似为零。
具体地说，基于大气物理模型，重构低照度图像，从而到上述的重构模型。
S104：估计初始亮度图，并利用范数约束对初始亮度图进行优化以得到优化亮度图。具体包括：
根据RBG空间的最大值估计所述初始亮度图
Figure BDA0001195232410000082
其中，
Figure BDA0001195232410000083
利用范数
Figure BDA0001195232410000084
约束，对初始亮度图进行优化以得到优化亮度图t，其中，||·||F为弗罗贝尼乌斯范数，||·||1为l1范数，η为第一项与第二项之间的平衡系数，W为加权矩阵，加权矩阵定义为：
Figure BDA0001195232410000085
其中，Gσ(x,y)为具有标准方差的高斯滤波器。
例如：首先采用RBG空间的最大值估计初始亮度图
Figure BDA0001195232410000086
该亮度图仅包括图像的亮度信息不包含图像的纹理信息；
然而，利用范数
Figure BDA0001195232410000087
约束，进一步优化初始的亮度图，从而获得最优的亮度图t。
采用tγ对其中的t参数进行约束，γ定义为
Figure BDA0001195232410000088
K是一个灰度阈值，取值范围为[0,L]，L是像素值动态范围，一般为255，K一般按经验选取可以取值为80，当图像整体照度很低时可以取为更小值，当图像整体照度相对偏高时可以取值偏大；其中μ是一个取值大于零小于等于1的给定常数，根据经验可以选取为0.8；其中参数Δ可以由以下公式计算得出：
Figure BDA0001195232410000091
其中A为大气环境光，可以由下述步骤得到。
S105：根据四叉树搜索方法估计大气环境光。
例如：根据公式
Figure BDA0001195232410000092
求取大气环境光，其中，
Figure BDA0001195232410000093
表示四叉树中分割的子块，子块
Figure BDA0001195232410000094
定义为
Figure BDA0001195232410000095
具体而言，如图3所示，利用四叉树搜索的方法估计大气环境光A，通过对图像进行分割，并利用上述公式求取。其中，四叉树搜索方法是首先将图像均分为四个矩形区域，计算每个区域内所有像素的平均值减去其标准差的值作为该区域的分数；选择得分最高的区域作为下一次的迭代区域，将其继续均分为四个更小的区域，重复迭代此过程直到所选区域的尺寸小于预先设定的阈值为止。
S106：根据优化亮度图和大气环境光对重构模型求解，以得到增强后图像。即：将优化亮度图和大气环境光带入重构模型中，从而计算得到增强后图像。如图4所示，为不同亮度图像的增强效果示意图。
根据本发明实施例的低照度图像增强方法，利用范数约束对初始亮度图进行优化，从而估计出亮度图，并利用四叉树搜索方法估计得到大气环境光，最后根据大气物理模型和估计得到的亮度图和环境光对低照度图像进行增强处理，进而，使得增强后图像更加清晰，色彩失真少，细节可以再现，适用性强、鲁棒性高，可广泛应用于图像处理领域中。
图5是根据本发明一个实施例的低照度图像增强系统的结构框图。
如图5所示，根据本发明一个实施例的低照度图像增强系统500，包括：获取模块510、反转模块520、重构模块530、估计模块540以及增强模块550。
其中，获取模块510用于获取低照度图像，其中，拍摄所述低照度图像时的照度小于第一预定照度。反转模块520用于对所述低照度图像进行反转，以得到所述低照度图像的反转图像。重构模块530用于根据大气物理模型重构所述低照度图像以得到重构模型。估计模块540用于估计初始亮度图，并利用范数约束对所述初始亮度图进行优化以得到优化亮度图，以及根据四叉树搜索方法估计大气环境光。增强模块550用于根据所述优化亮度图和所述大气环境光对所述重构模型求解，以得到增强后图像。
根据本发明实施例的低照度图像增强系统，利用范数约束对初始亮度图进行优化，从而估计出亮度图，并利用四叉树搜索方法估计得到大气环境光，最后根据大气物理模型和估计得到的亮度图和环境光对低照度图像进行增强处理，进而，使得增强后图像更加清晰，色彩失真少，细节可以再现，适用性强、鲁棒性高，可广泛应用于图像处理领域中。
需要说明的是，本发明实施例的低照度图像增强系统的具体实现方式与本发明实施例的低照度图像增强方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，此处不做赘述。
图6是根据本发明一个实施例的增强后图像的评价方法的流程图。如图6所示，并结合图2，根据本发明一个实施例的增强后图像的评价方法，包括如下步骤：
S601：获取目标场景在多个不同照度下拍摄的图像序列。
由于目前对低照度图像的增强方法进行客观评价，图像增强过程中缺少真值图像对低照度图像的增强效果进行比较，因此，本发明实施例的方法提出一种多时段全天候的真值图像获取手段，即：获取目标场景在多个不同照度下拍摄的图像序列。具体地说，通过对同一场景在不同时间段中采集，可以获得不同照度下的图像序列。
为了实现解决低照度图像增强领域中没有客观评价标准的问题，提高评价结果的说服力和可信度。利用固定位置的相机采集同一场景下一天内不同照度下的图像。如图7所示，为相机采集的不同照度的图像。
S602：从图像序列中选择用于对增强后图像进行评价的模板图像。即：在获得不同照度下的图像序列，可以采取照度条件较好的情况下获得图像作为该场景下的真值图像，从而用于后续对低照度图像增强后的色彩失真以及对比度增强等进行客观评价。
S603：计算模板图像和增强后图像的结构相似度。
其中，可通过如下公式计算模板图像和增强后图像的结构相似度，所述公式为：
Figure BDA0001195232410000111
其中，
Figure BDA0001195232410000112
Figure BDA0001195232410000113
Figure BDA0001195232410000114
Figure BDA0001195232410000115
Figure BDA0001195232410000116
其中，x，y分别为模板图像和所述增强后图像，μx、μy、σx、σy、σxy分别表示x、y的均值、方差和协方差，C1＝(K1L)2、C2＝(K2L)2，L是像素值动态范围，一般为255；K1＜＜1，K2＜＜1，是2个尺度系数。
S604：根据结构相似度对增强后图像的增强效果进行评价。
如图8所示，为采用不同的图像增强算法(如：Hu、Dong、LIME、Ren、本发明实施例的图像增强方法LieCNE)下的图像的彩色直方图(a)以及直方图分布曲线(b)，(c)是下午14:00获得的图像。
如图9所示，为不同算法之间低照度图像增强结果与正常照度图像的结构相似性比较结果示意图。
不同的图像增强算法(如：Hu、Dong、LIME、Ren、本发明实施例的图像增强方法LieCNE)的增强效果的评价结果如表1所示，其中，表1为：
表1，不同照度情况下增强图像结构相似度(SSIM)值
Figure BDA0001195232410000121
从表1中可以看出，应用本发明实施例的低照度图像增强方法，具有增强后图像更加清晰，色彩失真少，细节可以再现，适用性强、鲁棒性高的优点。
在本发明的一个实施例中，增强后图像的评价方法在根据所述结构相似度对所述增强后图像的增强效果进行评价之后，还包括：根据评价结果对所述优化亮度图和所述大气环境光进行动态调整。即：可以根据评价结果的满意程度，对优化亮度图和所述大气环境光进行适当的调整，从而使本发明实施例的低照度图像增强方法更具有增强后图像更加清晰，色彩失真少，细节可以再现，适用性强、鲁棒性高的优点。
根据本发明实施例的增强后图像的评价方法，具有对不同的图像增强方法对图像增强效果的评价客观、可靠的优点。另外，该方法适用范围广，便于做各种照度条件下的增强效果对比试验使用。
图10是根据本发明一个实施例的增强后图像的评价系统的结构框图。如图10所示，根据本发明一个实施例的增强后图像的评价系统1000，包括：拍摄模块1010、选择模块1020、相似度计算模块1030和评价模块1040。
其中，拍摄模块1010用于在多个不同照度下拍摄目标场景的图像序列。选择模块1020用于从所述图像序列中选择用于对所述增强后图像进行评价的模板图像。相似度计算模块1030用于计算所述模板图像和增强后图像的结构相似度。评价模块1040用于根据所述结构相似度对所述增强后图像的增强效果进行评价。
根据本发明实施例的增强后图像的评价系统，具有对不同的图像增强方法对图像增强效果的评价客观、可靠的优点。另外，该系统适用范围广，便于做各种照度条件下的增强效果对比试验使用。
需要说明的是，本发明实施例的增强后图像的评价系统的具体实现方式与本发明实施例的增强后图像的评价方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，此处不做赘述。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims (4)

1.一种低照度图像增强方法，其特征在于，包括以下步骤：
获取低照度图像，其中，拍摄所述低照度图像时的照度小于第一预定照度；
对所述低照度图像进行反转，以得到所述低照度图像的反转图像；
根据大气物理模型重构所述低照度图像以得到重构模型；
估计初始亮度图，并利用范数约束对所述初始亮度图进行优化以得到优化亮度图，包括：
根据RBG空间的最大值估计所述初始亮度图
Figure FDA0002440379550000011
其中，
Figure FDA0002440379550000012
其中，Lc(x)为低照度图像，c是其中的RGB三个颜色通道；
利用范数
Figure FDA0002440379550000013
约束，对所述初始亮度图进行优化以得到优化亮度图t，
其中，||·||F为弗罗贝尼乌斯范数，η为第一项与第二项之间的平衡系数，W为加权矩阵，所述加权矩阵定义为：
Figure FDA0002440379550000014
其中，Gσ(x,y)为具有标准方差的高斯滤波器，其中，t参数采用tγ约束，其中，γ定义为
Figure FDA0002440379550000015
K是一个灰度阈值，取值范围为[0,L]，L是像素值动态范围，其中，μ是一个取值大于零小于等于1的常数，根据经验选取为0.8，其中，参数Δ由以下公式计算得出：
Figure FDA0002440379550000016
其中，A为大气环境光；
根据四叉树搜索方法估计大气环境光；
根据所述优化亮度图和所述大气环境光对所述重构模型求解，以得到增强后图像，
其中，ε0为常数，所述常数近似为零，Ic(x)为Lc(x)的反转图像，c是其中的RGB三个颜色通道。
2.根据权利要求1所述的低照度图像增强方法，其特征在于，所述根据四叉树搜索方法估计大气环境光的步骤，包括：
根据公式
Figure FDA0002440379550000021
求取大气环境光，其中，
Figure FDA0002440379550000022
表示四叉树中分割的子块，子块
Figure FDA0002440379550000023
定义为
Figure FDA0002440379550000024
3.根据权利要求1所述的低照度图像增强方法，其特征在于，所述重构模型为：
Figure FDA0002440379550000025
其中，J(x)为增强后图像，A为所述大气环境光，t(x)为优化亮度图，ε0为常数，所述常数近似为零。
4.一种低照度图像增强系统，其特征在于，包括：
获取模块，用于获取低照度图像，其中，拍摄所述低照度图像时的照度小于第一预定照度；
反转模块，用于对所述低照度图像进行反转，以得到所述低照度图像的反转图像；
重构模块，用于根据大气物理模型重构所述低照度图像以得到重构模型；
估计模块，用于估计初始亮度图，并利用范数约束对所述初始亮度图进行优化以得到优化亮度图，以及根据四叉树搜索方法估计大气环境光，包括：
根据RBG空间的最大值估计所述初始亮度图
Figure FDA0002440379550000031
其中，
Figure FDA0002440379550000032
其中，Lc(x)为低照度图像，c是其中的RGB三个颜色通道；
利用范数
Figure FDA0002440379550000033
约束，对所述初始亮度图进行优化以得到优化亮度图t，
其中，||·||F为弗罗贝尼乌斯范数，η为第一项与第二项之间的平衡系数，W为加权矩阵，所述加权矩阵定义为：
Figure FDA0002440379550000034
其中，Gσ(x,y)为具有标准方差的高斯滤波器，其中，t参数采用tγ约束，其中，γ定义为
Figure FDA0002440379550000035
K是一个灰度阈值，取值范围为[0,L]，L是像素值动态范围，其中，μ是一个取值大于零小于等于1的常数，根据经验选取为0.8，其中，参数Δ由以下公式计算得出：
Figure FDA0002440379550000036
其中，A为大气环境光；
增强模块，用于根据所述优化亮度图和所述大气环境光对所述重构模型求解，以得到增强后图像，
其中，ε0为常数，所述常数近似为零，Ic(x)为Lc(x)的反转图像，c是其中的RGB三个颜色通道。
CN201611235440.0A 2016-12-28 2016-12-28 低照度图像增强及评价方法 Active CN107292830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611235440.0A CN107292830B (zh) 2016-12-28 2016-12-28 低照度图像增强及评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611235440.0A CN107292830B (zh) 2016-12-28 2016-12-28 低照度图像增强及评价方法

Publications (2)

Publication Number Publication Date
CN107292830A CN107292830A (zh) 2017-10-24
CN107292830B true CN107292830B (zh) 2020-09-25

Family

ID=60093400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611235440.0A Active CN107292830B (zh) 2016-12-28 2016-12-28 低照度图像增强及评价方法

Country Status (1)

Country Link
CN (1) CN107292830B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178118B (zh) * 2018-11-13 2023-07-21 浙江宇视科技有限公司 图像采集处理方法、装置及计算机可读存储介质
CN109712134B (zh) * 2018-12-28 2020-11-06 武汉虹识技术有限公司 虹膜图像质量评价方法、装置及电子设备
CN110232671B (zh) * 2019-06-19 2023-05-16 重庆米弘科技有限公司 一种基于图像调性的图像视觉效果增强的方法
CN110570441B (zh) * 2019-09-16 2020-07-24 广州波视信息科技股份有限公司 一种超高清低延时视频控制方法及系统
CN110827241B (zh) * 2019-10-21 2022-08-12 国家广播电视总局广播电视规划院 基于颜色失真和对比度增强的低亮度增强图片全参考方法
CN110807742B (zh) * 2019-11-21 2023-02-24 西安工业大学 一种基于一体式网络的微光图像增强方法
CN111832508B (zh) * 2020-07-21 2022-04-05 桂林电子科技大学 基于die_ga的低照度目标检测方法
CN113870180B (zh) * 2021-08-25 2024-08-27 广东电网有限责任公司广州供电局 图像处理方法、装置、计算机设备和存储介质
CN114219774B (zh) * 2021-11-30 2023-03-28 浙江大华技术股份有限公司 图像质量评估方法、装置、终端及计算机可读存储介质
CN115760609B (zh) * 2022-11-14 2023-07-28 林雅霞 一种图像优化方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046658A (zh) * 2015-06-26 2015-11-11 北京大学深圳研究生院 一种低照度图像处理方法和装置
CN105931208A (zh) * 2015-08-22 2016-09-07 首都师范大学 基于物理模型的低照度图像增强算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046658A (zh) * 2015-06-26 2015-11-11 北京大学深圳研究生院 一种低照度图像处理方法和装置
CN105931208A (zh) * 2015-08-22 2016-09-07 首都师范大学 基于物理模型的低照度图像增强算法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Shuang Niu 等.Improvement of low illumination image enhancement algorithm based on physical mode.《BTAIJ 2014》.2014,第10卷(第22期), *
Xiaojie Guo 等.LIME: Low-light Image Enhancement via Illumination Map Estimation.《IEEE TRANSACTIONS ON IMAGE PROCESSING》.2016,第26卷(第2期), *
Zhou Wang 等.Image Quality Assessment: From Error Visibility to Structural Similarity.《IEEE TRANSACTIONS ON IMAGE PROCESSING》.2004,第13卷(第4期), *
刘黎明.CLAHE算法在不同彩色空间中的图像增强效果评估.《舰船电子对抗》.2016,第39卷(第6期), *
胡茵萌 等.大气模型与亮度传播图相结合的低照度视频增强算法.《中国图象图形学报》.2016,第21卷(第8期), *

Also Published As

Publication number Publication date
CN107292830A (zh) 2017-10-24

Similar Documents

Publication Publication Date Title
CN107292830B (zh) 低照度图像增强及评价方法
Tang et al. Investigating haze-relevant features in a learning framework for image dehazing
US9842382B2 (en) Method and device for removing haze in single image
US8582915B2 (en) Image enhancement for challenging lighting conditions
CN103218778A (zh) 一种图像和视频的处理方法及装置
CN102665034A (zh) 一种针对摄像机采集视频的夜间效果去除方法
CN110163807B (zh) 一种基于期望亮通道的低照度图像增强方法
CN111612725B (zh) 一种基于可见光图像对比度增强的图像融合方法
CN106886985A (zh) 一种减小色偏的自适应低照度图像增强方法
CN107392879B (zh) 一种基于参考帧的低照度监控图像增强方法
KR101917094B1 (ko) 매핑테이블을 이용한 고속 스모그/저조도 영상 개선 방법 및 장치
CN104272347A (zh) 去除包含在静止图像中的雾的图像处理装置及其方法
CN103237168A (zh) 一种基于综合增益的高动态范围图像视频处理方法
CN104867121A (zh) 基于暗原色先验和Retinex理论的图像快速去雾法
Ling et al. Perception oriented transmission estimation for high quality image dehazing
Singh et al. Weighted least squares based detail enhanced exposure fusion
CN104915933A (zh) 一种基于apso-bp耦合算法的雾天图像增强方法
CN102646267A (zh) 退化图像复原方法及系统
CN112070691A (zh) 一种基于U-Net的图像去雾方法
Khan et al. Recent advancement in haze removal approaches
CN109345479B (zh) 一种视频监控数据的实时预处理方法及存储介质
Wang et al. Nighttime image dehazing using color cast removal and dual path multi-scale fusion strategy
CN116630198A (zh) 一种结合自适应伽马校正的多尺度融合水下图像增强方法
Joy et al. RECENT DEVELOPMENTS IN IMAGE QUALITY ASSESSMENT ALGORITHMS: A REVIEW.
Pal Visibility enhancement of fog degraded image sequences on SAMEER TU dataset using dark channel strategy

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: 20240308

Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee after: Shenzhen Wanzhida Technology Co.,Ltd.

Country or region after: China

Address before: 100037 No. 105 West Third Ring Road North, Beijing, Haidian District

Patentee before: Capital Normal University

Country or region before: China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240906

Address after: 241000 No.36 weier'er Road, Wanchun street, Wuhu Economic and Technological Development Zone, Anhui Province

Patentee after: Wuhu Zhongpu Intelligent Equipment Co.,Ltd.

Country or region after: China

Address before: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee before: Shenzhen Wanzhida Technology Co.,Ltd.

Country or region before: China