CN107358586A - 一种图像增强方法、装置及设备 - Google Patents
一种图像增强方法、装置及设备 Download PDFInfo
- Publication number
- CN107358586A CN107358586A CN201710545556.2A CN201710545556A CN107358586A CN 107358586 A CN107358586 A CN 107358586A CN 201710545556 A CN201710545556 A CN 201710545556A CN 107358586 A CN107358586 A CN 107358586A
- Authority
- CN
- China
- Prior art keywords
- image
- calculating
- processing
- segmentation
- target class
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 230000002146 bilateral effect Effects 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 8
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 22
- 235000013350 formula milk Nutrition 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 20
- 230000002708 enhancing effect Effects 0.000 claims description 14
- 241000894007 species Species 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G06T5/90—
-
- 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 by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/70—
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本发明公开了一种图像增强方法，包括：对原图像进行二值化处理，将原图像分割背景类图像和目标类图像；根据分割后的图像的种类，对分割后的图像采用相应尺度的retinex算法计算处理；对计算处理后的图像中包括的亮度图像进行双边滤波处理，对计算处理后的图像中包括的反射图像进行小波去噪处理；对双边滤波处理后的图像和小波去噪处理后的图像合成并进行伽马校正，得到增强后的图像。通过对两个尺度进行变换，有利于减少卷积计算量，对亮度图像进行双边滤波，以及对反射图像进行小波去噪，有利于去除图像的噪声且较少的损失图像细节，通过对合成的图像进行伽马校正，有利于增强图像全局。
Description
技术领域
本发明属于图像处理技术领域，尤其涉及一种图像增强方法、装置及设备。
背景技术
图像增强是针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。它可以突出某些感兴趣的区域，降低一些无用的信息影响，改善图像的视觉效果，提高图像使用价值。在医学诊断、人脸识别、遥感图像等领域，图像识别得到了广泛应用。经典的图像增强算法主要有:直方图均衡法、小波变换法、同态滤波法和Retinex算法等。
Retinex是Land等提出的一个关于人类视觉系统如何调节感知到物体的颜色和亮度的模型，它表示同样的物体在不同的光源或光线底下颜色恒定的。它将图像I(x,y)分为两部分,即亮度图像(低频部分)和反射图像(高频部分),分别用L(x,y)和R(x,y)表示。通过改变亮度图像和反射图像在原图像中的比例来达到增强图像的目的。但是，现有的多尺度Retinex图像增强算法由于需要多次卷积运算，导致运算量较大，而且假定初始光照图像是缓慢变化的，当实际情况的图像边缘存在光照变化较大时，容易产生图像边缘模糊，图像细节增强不足。
发明内容
有鉴于此，本发明实施例提供了一种图像增强方法、装置及设备，以解决现有技术中的图像增强算法运算量较大，容易产生图像边缘模糊和图像细节增强不足的问题。
本发明实施例的第一方面提供了一种图像增强方法，所述图像增强方法包括：
对原图像进行二值化处理，将原图像分割背景类图像和目标类图像；
根据分割后的图像的种类，对分割后的图像采用相应尺度的retinex算法计算处理；
对计算处理后的图像中包括的亮度图像进行双边滤波处理，对计算处理后的图像中包括的反射图像进行小波去噪处理；
对双边滤波处理后的图像和小波去噪处理后的图像合成并进行伽马校正，得到增强后的图像。
结合第一方面，在第一方面的第一种可能实现方式中，所述对原图像进行二值化处理，将原始图像分割背景类图像和目标类图像的步骤包括：
根据灰度阈值计算公式：计算原图像按灰度分割为背景类图像和目标类图像的灰度阈值，其中：pm是背景类图像所占的比例，pn是目标类所占的比例，ωm是背景类图像的灰度均值，ωn是目标类灰度均值，ω0是整个图像灰度均值。
结合第一方面，在第一方面的第二种可能实现方式中，所述根据分割后的图像的种类，对分割后的图像采用相应尺度的retinex算法计算处理的步骤包括：
对背景类图像采用小尺度的retinex算法计算处理，对目标类图像采用大尺度的retinex算法计算处理，计算公式为：
ri(x,y)＝log[Ri(x,y)]＝log[Ii(x,y)]-log[Ii(x,y)*Fi(x,y)]
其中：R(x,y)表示反射分量，r(x,y)是R(x,y)取对数后的结果，wi为对应每一个尺度的权值，Ii(x,y)为分割后的图像，Fi(x,y)为中心环绕函数，且λ为归一化因子，C为尺度参数，且对于小尺度的尺度参数C<20，大尺度的尺度参数>200。
结合第一方面，在第一方面的第三种可能实现方式中，所述对计算处理后的图像中包括的亮度图像进行双边滤波处理的步骤包括：
对图像中的亮度图像，基于快速高斯变换的双边滤波器
y∈Rn进行双边滤波处理，其中：I(x)表示原始图像邻域中心点的亮度值；I(y)表示原始图像领域点的亮度值；g1、g2分别表示空间域和值域的高斯核函数；
所述对计算处理后的图像中包括的反射图像进行小波去噪处理的步骤包括：
通过采用硬阈值法的非性线小波变换阈值计算公式：对反射图像进行小波去噪处理，其中：t为阈值；X是恢复后的原始信号小波系数，|Y|＞t被认为主要是信号所对应的小波系数，|Y|≤t被认为主要是由噪声引起。
结合第一方面，在第一方面的第四种可能实现方式中，所述对双边滤波处理后的图像和小波去噪处理后的图像合成并进行伽马校正，得到增强后的图像的步骤包括：
根据图像中的目标类图像的灰度级，选择对应的伽马γ值，采用变换公式：对合成的图像进行伽马校正，其中c、γ为变换参数，R(x,y)为变换前的图像。
本发明实施例的第二方面提供了一种图像增强装置，所述图像增强装置包括：
图像分割单元，用于对原图像进行二值化处理，将原图像分割背景类图像和目标类图像；
计算单元，用于根据分割后的图像的种类，对分割后的图像采用相应尺度的retinex算法计算处理；
去噪单元，用于对计算处理后的图像中包括的亮度图像进行双边滤波处理，对计算处理后的图像中包括的反射图像进行小波去噪处理；
合并校正单元，用于对双边滤波处理后的图像和小波去噪处理后的图像合成并进行伽马校正，得到增强后的图像。
结合第二方面，在第二方面的第一种可能实现方式中，所述图像分割单元用于：
根据灰度阈值计算公式：计算原图像按灰度分割为背景类图像和目标类图像的灰度阈值，其中：pm是背景类图像所占的比例，pn是目标类所占的比例，ωm是背景类图像的灰度均值，ωn是目标类灰度均值，ω0是整个图像灰度均值。
结合第二方面，在第二方面的第二种可能实现方式中，所述计算单元具体用于：
对背景类图像采用小尺度的retinex算法计算处理，对目标类图像采用大尺度的retinex算法计算处理，计算公式为：
ri(x,y)＝log[Ri(x,y)]＝log[Ii(x,y)]-log[Ii(x,y)*Fi(x,y)]
其中：R(x,y)表示反射分量，r(x,y)是R(x,y)取对数后的结果，wi为对应每一个尺度的权值，Ii(x,y)为分割后的图像，Fi(x,y)为中心环绕函数，且λ为归一化因子，C为尺度参数，且对于小尺度的尺度参数C<20，大尺度的尺度参数>200。
本发明实施例的第三方面提供了一种图像增强设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述图像增强方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述图像增强方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：通过将原图像划分为背景类图像和目标类图像，对划分后的图像分别采用对应的尺度进行retinex算法计算处理，采用两个对应尺度的retinex变换，减少了卷积的计算量，并且兼顾了图像的细节及整体效果。对亮度图像进行双边滤波，以及对反射图像进行小波去噪，有利于去除图像的噪声且较少的损失图像细节，通过对合成的图像进行伽马校正，有利于增强图像全局。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的图像增强方法的实现流程示意图；
图2是本发明实施例提供的图像增强装置的结构示意图；
图3是本发明实施例提供的图像增强设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
如图1所示，本发明实施例所述图像增强方法，包括：
在步骤S101中，对原图像进行二值化处理，将原图像分割背景类图像和目标类图像。
具体的，本发明实施例中所述原图像，即需要进行图像增强处理的原始的图像。所述原图像可以为医学图像、遥感图像或者人脸识别图像等。
在对原图像进行二值化处理时，可以根据图像的灰度值的大小进行分割。可以具体为：获取图像包括的灰度级L(L可能为255，也可能小于255)，按图像的灰度值分为背景类图像m(0～t)和目标类图像n(t+1～L-1)，那么：
背景类图像所占比例为：
目标类图像所占比例为：
因此，背景类图像的灰度值均值为：
目标类图像的灰度值均值为：
整个图像的灰度值均值为：
根据灰度阈值计算公式：当整幅图像的灰度均方差最大时，即：σ2＝pm(ωm-ω0)2+pn(ωn-ω0)2最大时，可以相应的计算得到对应的灰度阈值。
在步骤S102中，根据分割后的图像的种类，对分割后的图像采用相应尺度的retinex算法计算处理。
其中，retinex算法是一种常用的建立在科学实验和科学分析基础上的图像增强方法，其理论基础理论是物体的颜色是由物体对长波(红色)、中波(绿色)、短波(蓝色)光线的反射能力来决定的，而不是由反射光强度的绝对值来决定的，物体的色彩不受光照非均匀性的影响，具有一致性，即retinex是以色感一致性(颜色恒常性)为基础的。Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面打到平衡，因此可以对各种不同类型的图像进行自适应的增强。
对于分割后的两部分图像，选择对应的尺度进行retinex算法计算处理。具体为：对背景类图像，采用小尺度进行retinex算法计算处理，对于目标类图像，采用大尺度进行retinex算法计算处理。具体的计算处理可以为：
采用公式：ri(x,y)＝log[Ri(x,y)]＝log[Ii(x,y)]-log[Ii(x,y)*Fi(x,y)]进行相应尺度的retinex算法计算处理。
其中，R(x,y)表示反射分量，r(x,y)是反射分量R(x,y)取对数后的结果，N为尺度个数，在本发明选择2个尺度(大尺度和小尺度)，wi为对应每一个尺度的权值，Fi(x,y)为中心环绕函数，且：
其中：C为尺度参数，其取值决定了图像的效果。λ表示规一化因子，使得∫∫F(x,y)dxdy＝1成立。大小尺度的区别在于C值的大小不同，小尺度用于划分背景类图像，可选的实施方式中，一般C取<20；大尺度用于划分目标类图像，可选的实施方式中，一般C取>200。
本文中仅采用两个尺度，对于背景类图像采用小尺度，对于目标类采用大尺度。既减少了计算量，同时又对不同部位图像采用不同尺度兼顾了图像的细节及整体效果。相比于现有的计算方式是采大中小三个尺度进行计算，卷积计算的计算量较大，本文改进后的算法采用的是两个尺度，既减少了计算量，同时又对不同图片采用不同尺度兼顾了图像的细节及整体效果。
在步骤S103中，对计算处理后的图像中包括的亮度图像进行双边滤波处理，对计算处理后的图像中包括的反射图像进行小波去噪处理。
双边滤波具有良好的边缘保持特性，主要是通过在卷积的过程中组合空域函数和值域核函数来实现。
本步骤所用的基于快速高斯变换的双边滤波器，其表达式为：
其中：I(x)表示原始图像邻域中心点的亮度值，Inew(x)表示新的图像邻域中心点的亮度值；I(y)表示原始图像邻域点的亮度值；g1、g2分别表示空间域和值域的高斯核函数；
G(x)＝g1(x)g2(x)＝exp(-||x/σ||2)
x＝{x1，x2，…，xn+1}σ＝{σ1，σ2，…，σn+1}
在Rn+1维定义两个点集，targets{t1,t2,...,tN}sources{s1,s2,...,sM}。αj表示sj的权重系数，α＝{α1,α2,...,αM}。从而进行离散高斯变换Gauss transform(GT)公式如下：
因此，可以得到双边滤波计算公式为：
其中：qj代表I(yj)，q＝{q1,q2,...,qM}；u＝(x,I(x))；v＝(y,I(y))，M为点集个数。
所述对计算处理后的图像中包括的反射图像进行小波去噪处理的步骤包括：
通过采用硬阈值法的非性线小波变换阈值计算公式：对反射图像进行小波去噪处理，其中：t为阈值；X是恢复后的原始信号小波系数，|Y|＞t被认为主要是信号所对应的小波系数，|Y|≤t被认为主要是由噪声引起。
在步骤S104中，对双边滤波处理后的图像和小波去噪处理后的图像合成并进行伽马校正，得到增强后的图像。
对双边滤波处理后的图像和小波去噪处理后的图像进行合并，并对合并后的图像进行伽马变换，变换公式可以为：
其中c、γ为变换参数，R(x,y)为变换前的图像。
γ值小于1时，会拉伸图像中灰度级较低的区域，同时会压缩灰度级较高的部分。
γ值大于1时，会拉伸图像中灰度级较高的区域，同时会压缩灰度级较低的部分。
通过将原图像划分为背景类图像和目标类图像，对划分后的图像分别采用对应的尺度进行retinex算法计算处理，采用两个对应尺度的retinex变换，减少了卷积的计算量，并且兼顾了图像的细节及整体效果。对亮度图像进行双边滤波，以及对反射图像进行小波去噪，有利于去除图像的噪声且较少的损失图像细节，通过对合成的图像进行伽马校正，有利于增强图像全局。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图2示出了本发明实施例提供的图像增强装置的结构示意图，详述如下：
本发明实施例所述图像增强装置，包括：
图像分割单元201，用于对原图像进行二值化处理，将原图像分割背景类图像和目标类图像；
计算单元202，用于根据分割后的图像的种类，对分割后的图像采用相应尺度的retinex算法计算处理；
去噪单元203，用于对计算处理后的图像中包括的亮度图像进行双边滤波处理，对计算处理后的图像中包括的反射图像进行小波去噪处理；
合并校正单元204，用于对双边滤波处理后的图像和小波去噪处理后的图像合成并进行伽马校正，得到增强后的图像。
优选的，所述图像分割单元用于：
根据灰度阈值计算公式：计算原图像按灰度分割为背景类图像和目标类图像的灰度阈值，其中：pm是背景类图像所占的比例，pn是目标类所占的比例，ωm是背景类图像的灰度均值，ωn是目标类灰度均值，ω0是整个图像灰度均值。
优选的，所述计算单元具体用于：
对背景类图像采用小尺度的retinex算法计算处理，对目标类图像采用大尺度的retinex算法计算处理，计算公式为：
ri(x,y)＝log[Ri(x,y)]＝log[Ii(x,y)]-log[Ii(x,y)*Fi(x,y)]
其中：R(x,y)表示反射分量，r(x,y)是R(x,y)取对数后的结果，wi为对应每一个尺度的权值，Ii(x,y)为分割后的图像，Fi(x,y)为中心环绕函数，且λ为归一化因子，C为尺度参数，且对于小尺度的尺度参数C<20，大尺度的尺度参数>200。
本发明实施例所述图像增强装置，与图1所述图像增强方法对应。
图3是本发明一实施例提供的图像增强设备的示意图。如图3所示，该实施例的图像增强设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32，例如图像增强程序。所述处理器30执行所述计算机程序32时实现上述各个图像增强方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块201至204的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述图像增强设备3中的执行过程。例如，所述计算机程序32可以被分割成图像分割单元、计算单元、去噪单元、合并校正单元，各模块具体功能如下：
图像分割单元，用于对原图像进行二值化处理，将原图像分割背景类图像和目标类图像；
计算单元，用于根据分割后的图像的种类，对分割后的图像采用相应尺度的retinex算法计算处理；
去噪单元，用于对计算处理后的图像中包括的亮度图像进行双边滤波处理，对计算处理后的图像中包括的反射图像进行小波去噪处理；
合并校正单元，用于对双边滤波处理后的图像和小波去噪处理后的图像合成并进行伽马校正，得到增强后的图像。
所述图像增强设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述图像增强设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是图像增强设备3的示例，并不构成对图像增强设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述图像增强设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述图像增强设备3的内部存储单元，例如图像增强设备3的硬盘或内存。所述存储器31也可以是所述图像增强设备3的外部存储设备，例如所述图像增强设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述图像增强设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述图像增强设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像增强方法，其特征在于，所述图像增强方法包括：
对原图像进行二值化处理，将原图像分割背景类图像和目标类图像；
根据分割后的图像的种类，对分割后的图像采用相应尺度的retinex算法计算处理；
对计算处理后的图像中包括的亮度图像进行双边滤波处理，对计算处理后的图像中包括的反射图像进行小波去噪处理；
对双边滤波处理后的图像和小波去噪处理后的图像合成并进行伽马校正，得到增强后的图像。
2.根据权利要求1所述的图像增强方法，其特征在于，所述对原图像进行二值化处理，将原始图像分割背景类图像和目标类图像的步骤包括：
根据灰度阈值计算公式：计算原图像按灰度分割为背景类图像和目标类图像的灰度阈值，其中：pm是背景类图像所占的比例，pn是目标类所占的比例，ωm是背景类图像的灰度均值，ωn是目标类灰度均值，ω0是整个图像灰度均值。
3.根据权利要求1所述的图像增强方法，其特征在于，所述根据分割后的图像的种类，对分割后的图像采用相应尺度的retinex算法计算处理的步骤包括：
对背景类图像采用小尺度的retinex算法计算处理，对目标类图像采用大尺度的retinex算法计算处理，计算公式为：
ri(x,y)＝log[Ri(x,y)]＝log[Ii(x,y)]-log[Ii(x,y)*Fi(x,y)]
其中：R(x,y)表示反射分量，r(x,y)是R(x,y)取对数后的结果，wi为对应每一个尺度的权值，Ii(x,y)为分割后的图像，Fi(x,y)为中心环绕函数，且λ为归一化因子，C为尺度参数，且对于小尺度的尺度参数C<20，大尺度的尺度参数>200。
4.根据权利要求1所述的图像增强方法，其特征在于，所述对计算处理后的图像中包括的亮度图像进行双边滤波处理的步骤包括：
对图像中的亮度图像，基于快速高斯变换的双边滤波器
进行双边滤波处理，其中：I(x)表示原始图像邻域中心点的亮度值；I(y)表示原始图像领域点的亮度值；g1、g2分别表示空间域和值域的高斯核函数；
所述对计算处理后的图像中包括的反射图像进行小波去噪处理的步骤包括：
通过采用硬阈值法的非性线小波变换阈值计算公式：对反射图像进行小波去噪处理，其中：t为阈值；X是恢复后的原始信号小波系数，|Y|＞t被认为主要是信号所对应的小波系数，|Y|≤t被认为主要是由噪声引起。
5.根据权利要求1所述的图像增强方法，其特征在于，所述对双边滤波处理后的图像和小波去噪处理后的图像合成并进行伽马校正，得到增强后的图像的步骤包括：
根据图像中的目标类图像的灰度级，选择对应的伽马γ值，采用变换公式：对合成的图像进行伽马校正，其中c、γ为变换参数，R(x,y)为变换前的图像。
6.一种图像增强装置，其特征在于，所述图像增强装置包括：
图像分割单元，用于对原图像进行二值化处理，将原图像分割背景类图像和目标类图像；
计算单元，用于根据分割后的图像的种类，对分割后的图像采用相应尺度的retinex算法计算处理；
去噪单元，用于对计算处理后的图像中包括的亮度图像进行双边滤波处理，对计算处理后的图像中包括的反射图像进行小波去噪处理；
合并校正单元，用于对双边滤波处理后的图像和小波去噪处理后的图像合成并进行伽马校正，得到增强后的图像。
7.根据权利要求6所述的图像增强装置，其特征在于，所述图像分割单元用于：
根据灰度阈值计算公式：计算原图像按灰度分割为背景类图像和目标类图像的灰度阈值，其中：pm是背景类图像所占的比例，pn是目标类所占的比例，ωm是背景类图像的灰度均值，ωn是目标类灰度均值，ω0是整个图像灰度均值。
8.根据权利要求6所述的图像增强装置，其特征在于，所述计算单元具体用于：
对背景类图像采用小尺度的retinex算法计算处理，对目标类图像采用大尺度的retinex算法计算处理，计算公式为：
ri(x,y)＝log[Ri(x,y)]＝log[Ii(x,y)]-log[Ii(x,y)*Fi(x,y)]
其中：R(x,y)表示反射分量，r(x,y)是R(x,y)取对数后的结果，wi为对应每一个尺度的权值，Ii(x,y)为分割后的图像，Fi(x,y)为中心环绕函数，且λ为归一化因子，C为尺度参数，且对于小尺度的尺度参数C<20，大尺度的尺度参数>200。
9.一种图像增强设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述图像增强方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述图像增强方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710545556.2A CN107358586B (zh) | 2017-07-06 | 2017-07-06 | 一种图像增强方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710545556.2A CN107358586B (zh) | 2017-07-06 | 2017-07-06 | 一种图像增强方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107358586A true CN107358586A (zh) | 2017-11-17 |
| CN107358586B CN107358586B (zh) | 2020-07-14 |
Family
ID=60292765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710545556.2A Active CN107358586B (zh) | 2017-07-06 | 2017-07-06 | 一种图像增强方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107358586B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107861367A (zh) * | 2017-12-26 | 2018-03-30 | 南通尚力机电工程设备有限公司 | 一种钟表性能在线诊断系统 |
| CN108122213A (zh) * | 2017-12-25 | 2018-06-05 | 北京航空航天大学 | 一种基于YCrCb的低对比度图像增强方法 |
| CN108986052A (zh) * | 2018-08-01 | 2018-12-11 | 电子科技大学 | 一种自适应的图像去光照方法和系统 |
| CN109191432A (zh) * | 2018-07-27 | 2019-01-11 | 西安电子科技大学 | 基于域变换滤波多尺度分解的遥感图像云检测方法 |
| CN109358063A (zh) * | 2018-04-22 | 2019-02-19 | 杨娟 | 跨栏完整度的检测方法 |
| CN109712094A (zh) * | 2018-12-26 | 2019-05-03 | 新疆大学 | 图像处理方法及装置 |
| CN109919861A (zh) * | 2019-01-29 | 2019-06-21 | 浙江数链科技有限公司 | 红外图像增强方法、装置、计算机设备和存储介质 |
| CN110133735A (zh) * | 2019-05-16 | 2019-08-16 | 山东大学 | 深部异常体边界识别与分步增强方法、系统、介质及设备 |
| CN110211049A (zh) * | 2018-06-28 | 2019-09-06 | 京东方科技集团股份有限公司 | 基于Retinex理论的图像增强方法、装置和设备 |
| CN110288546A (zh) * | 2019-06-27 | 2019-09-27 | 华侨大学 | 一种采用双向伽马变换的低照度图像增强方法 |
| CN110458749A (zh) * | 2018-05-08 | 2019-11-15 | 华为技术有限公司 | 图像处理方法、装置及终端设备 |
| CN110766637A (zh) * | 2019-10-30 | 2020-02-07 | 北京金山云网络技术有限公司 | 一种视频处理方法、处理装置、电子设备及存储介质 |
| CN110988663A (zh) * | 2019-11-25 | 2020-04-10 | 广东电网有限责任公司 | 一种气体绝缘开关设备的故障定位方法、装置及设备 |
| CN111192212A (zh) * | 2019-12-25 | 2020-05-22 | 北京东宇宏达科技有限公司 | 一种自适应红外数字图像细节增强方法 |
| WO2020124873A1 (zh) * | 2018-12-19 | 2020-06-25 | 深圳市华星光电半导体显示技术有限公司 | 图像处理方法 |
| WO2020168706A1 (zh) * | 2019-02-22 | 2020-08-27 | 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 |
| CN112580672A (zh) * | 2020-12-28 | 2021-03-30 | 安徽创世科技股份有限公司 | 一种适用于暗环境的车牌识别预处理方法、装置及存储介质 |
| CN112949663A (zh) * | 2021-01-28 | 2021-06-11 | 贵州省烟草科学研究院 | 基于图像识别的烟叶烘烤控制系统和方法 |
| CN113658302A (zh) * | 2021-08-23 | 2021-11-16 | 李帮音 | 一种三维动画数据处理方法及装置 |
| CN116309258A (zh) * | 2022-09-13 | 2023-06-23 | 瀚湄信息科技(上海)有限公司 | 一种基于cmos成像的内窥镜图像处理方法、装置和电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030138161A1 (en) * | 2002-01-23 | 2003-07-24 | Rising Hawley K. | Method and apparatus for enhancing an image using a wavelet-based retinex algorithm |
| CN103839245A (zh) * | 2014-02-28 | 2014-06-04 | 北京工业大学 | 基于统计规律的Retinex夜间彩色图像增强方法 |
| CN104036278A (zh) * | 2014-06-11 | 2014-09-10 | 杭州巨峰科技有限公司 | 人脸算法标准脸部图像的提取方法 |
| CN105741244A (zh) * | 2016-01-28 | 2016-07-06 | 山东鲁能智能技术有限公司 | 一种室内巡检机器人弱光下去除阴影和光晕的方法 |
| CN105844601A (zh) * | 2016-05-20 | 2016-08-10 | 中国矿业大学(北京) | 一种基于双边滤波和多尺度Retinex算法的矿井图像增强方法 |
-
2017
- 2017-07-06 CN CN201710545556.2A patent/CN107358586B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030138161A1 (en) * | 2002-01-23 | 2003-07-24 | Rising Hawley K. | Method and apparatus for enhancing an image using a wavelet-based retinex algorithm |
| CN103839245A (zh) * | 2014-02-28 | 2014-06-04 | 北京工业大学 | 基于统计规律的Retinex夜间彩色图像增强方法 |
| CN104036278A (zh) * | 2014-06-11 | 2014-09-10 | 杭州巨峰科技有限公司 | 人脸算法标准脸部图像的提取方法 |
| CN105741244A (zh) * | 2016-01-28 | 2016-07-06 | 山东鲁能智能技术有限公司 | 一种室内巡检机器人弱光下去除阴影和光晕的方法 |
| CN105844601A (zh) * | 2016-05-20 | 2016-08-10 | 中国矿业大学(北京) | 一种基于双边滤波和多尺度Retinex算法的矿井图像增强方法 |
Non-Patent Citations (1)
| Title |
|---|
| 汪荣贵 等: "基于照度分割的局部多尺度Retinex算法", 《电子学报》 * |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108122213B (zh) * | 2017-12-25 | 2019-02-12 | 北京航空航天大学 | 一种基于YCrCb的低对比度图像增强方法 |
| CN108122213A (zh) * | 2017-12-25 | 2018-06-05 | 北京航空航天大学 | 一种基于YCrCb的低对比度图像增强方法 |
| CN107861367A (zh) * | 2017-12-26 | 2018-03-30 | 南通尚力机电工程设备有限公司 | 一种钟表性能在线诊断系统 |
| CN109358063B (zh) * | 2018-04-22 | 2019-10-01 | 河北金特力斯体育设施有限公司 | 跨栏完整度的检测方法 |
| CN109358063A (zh) * | 2018-04-22 | 2019-02-19 | 杨娟 | 跨栏完整度的检测方法 |
| CN110458749B (zh) * | 2018-05-08 | 2021-12-28 | 华为技术有限公司 | 图像处理方法、装置及终端设备 |
| CN110458749A (zh) * | 2018-05-08 | 2019-11-15 | 华为技术有限公司 | 图像处理方法、装置及终端设备 |
| CN110211049A (zh) * | 2018-06-28 | 2019-09-06 | 京东方科技集团股份有限公司 | 基于Retinex理论的图像增强方法、装置和设备 |
| CN109191432A (zh) * | 2018-07-27 | 2019-01-11 | 西安电子科技大学 | 基于域变换滤波多尺度分解的遥感图像云检测方法 |
| CN109191432B (zh) * | 2018-07-27 | 2021-11-30 | 西安电子科技大学 | 基于域变换滤波多尺度分解的遥感图像云检测方法 |
| CN108986052B (zh) * | 2018-08-01 | 2021-02-19 | 电子科技大学 | 一种自适应的图像去光照方法和系统 |
| CN108986052A (zh) * | 2018-08-01 | 2018-12-11 | 电子科技大学 | 一种自适应的图像去光照方法和系统 |
| WO2020124873A1 (zh) * | 2018-12-19 | 2020-06-25 | 深圳市华星光电半导体显示技术有限公司 | 图像处理方法 |
| CN109712094A (zh) * | 2018-12-26 | 2019-05-03 | 新疆大学 | 图像处理方法及装置 |
| CN109712094B (zh) * | 2018-12-26 | 2022-07-08 | 新疆大学 | 图像处理方法及装置 |
| CN109919861A (zh) * | 2019-01-29 | 2019-06-21 | 浙江数链科技有限公司 | 红外图像增强方法、装置、计算机设备和存储介质 |
| TWI777112B (zh) * | 2019-02-22 | 2022-09-11 | 大陸商上海商湯智能科技有限公司 | 圖像處理方法、電子設備和儲存介質 |
| WO2020168706A1 (zh) * | 2019-02-22 | 2020-08-27 | 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 |
| CN110133735A (zh) * | 2019-05-16 | 2019-08-16 | 山东大学 | 深部异常体边界识别与分步增强方法、系统、介质及设备 |
| CN110288546A (zh) * | 2019-06-27 | 2019-09-27 | 华侨大学 | 一种采用双向伽马变换的低照度图像增强方法 |
| CN110288546B (zh) * | 2019-06-27 | 2022-11-01 | 华侨大学 | 一种采用双向伽马变换的低照度图像增强方法 |
| CN110766637A (zh) * | 2019-10-30 | 2020-02-07 | 北京金山云网络技术有限公司 | 一种视频处理方法、处理装置、电子设备及存储介质 |
| CN110766637B (zh) * | 2019-10-30 | 2022-10-04 | 北京金山云网络技术有限公司 | 一种视频处理方法、处理装置、电子设备及存储介质 |
| CN110988663A (zh) * | 2019-11-25 | 2020-04-10 | 广东电网有限责任公司 | 一种气体绝缘开关设备的故障定位方法、装置及设备 |
| CN111192212A (zh) * | 2019-12-25 | 2020-05-22 | 北京东宇宏达科技有限公司 | 一种自适应红外数字图像细节增强方法 |
| CN111192212B (zh) * | 2019-12-25 | 2022-05-17 | 北京东宇宏达科技有限公司 | 一种自适应红外数字图像细节增强方法 |
| CN112580672A (zh) * | 2020-12-28 | 2021-03-30 | 安徽创世科技股份有限公司 | 一种适用于暗环境的车牌识别预处理方法、装置及存储介质 |
| CN112949663A (zh) * | 2021-01-28 | 2021-06-11 | 贵州省烟草科学研究院 | 基于图像识别的烟叶烘烤控制系统和方法 |
| CN112949663B (zh) * | 2021-01-28 | 2024-01-23 | 贵州省烟草科学研究院 | 基于图像识别的烟叶烘烤控制系统和方法 |
| CN113658302A (zh) * | 2021-08-23 | 2021-11-16 | 李帮音 | 一种三维动画数据处理方法及装置 |
| CN113658302B (zh) * | 2021-08-23 | 2024-04-12 | 麦应俊 | 一种三维动画数据处理方法及装置 |
| CN116309258A (zh) * | 2022-09-13 | 2023-06-23 | 瀚湄信息科技(上海)有限公司 | 一种基于cmos成像的内窥镜图像处理方法、装置和电子设备 |
| CN116309258B (zh) * | 2022-09-13 | 2023-11-24 | 瀚湄信息科技(上海)有限公司 | 一种基于cmos成像的内窥镜图像处理方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107358586B (zh) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358586A (zh) | 一种图像增强方法、装置及设备 | |
| Gao et al. | Naturalness preserved nonuniform illumination estimation for image enhancement based on retinex | |
| Lee et al. | Contrast enhancement based on layered difference representation of 2D histograms | |
| Zhou et al. | Retinex-based laplacian pyramid method for image defogging | |
| Shin et al. | Efficient naturalness restoration for non‐uniform illumination images | |
| WO2022199583A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
| Tiwari et al. | Brightness preserving contrast enhancement of medical images using adaptive gamma correction and homomorphic filtering | |
| WO2021164725A1 (zh) | 去除摩尔纹的方法与装置 | |
| CN108230256A (zh) | 图像处理方法、装置、计算机装置及计算机可读存储介质 | |
| CN110675334A (zh) | 一种图像增强方法及装置 | |
| Deng | A generalized logarithmic image processing model based on the gigavision sensor model | |
| CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
| CN115578284A (zh) | 一种多场景图像增强方法及系统 | |
| CN111325728B (zh) | 产品缺陷检测方法、装置、设备及存储介质 | |
| CN110956632A (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
| Parihar et al. | A comprehensive analysis of fusion-based image enhancement techniques | |
| Wang et al. | A nonlocal total variation model for image decomposition: illumination and reflectance | |
| Wu et al. | Reflectance-guided histogram equalization and comparametric approximation | |
| Liu et al. | Facial image inpainting using multi-level generative network | |
| Vijayalakshmi et al. | A strategic approach towards contrast enhancement by two-dimensional histogram equalization based on total variational decomposition | |
| Luo et al. | A fast denoising fusion network using internal and external priors | |
| CN111383299B (zh) | 图像的处理方法、装置及计算机可读存储介质 | |
| CN111192204A (zh) | 一种图像增强方法、系统和计算机可读存储介质 | |
| CN111951171A (zh) | Hdr图像生成方法、装置、可读存储介质及终端设备 |
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 |