CN107358592A - 一种迭代式全局自适应图像增强方法 - Google Patents

一种迭代式全局自适应图像增强方法 Download PDF

Info

Publication number
CN107358592A
CN107358592A CN201710806854.2A CN201710806854A CN107358592A CN 107358592 A CN107358592 A CN 107358592A CN 201710806854 A CN201710806854 A CN 201710806854A CN 107358592 A CN107358592 A CN 107358592A
Authority
CN
China
Prior art keywords
mrow
msup
iteration
mfrac
iterative
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
CN201710806854.2A
Other languages
English (en)
Other versions
CN107358592B (zh
Inventor
赵蓝飞
王爱丽
王博
吕鑫淼
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN201710806854.2A priority Critical patent/CN107358592B/zh
Publication of CN107358592A publication Critical patent/CN107358592A/zh
Application granted granted Critical
Publication of CN107358592B publication Critical patent/CN107358592B/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
    • G06T5/90—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
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20008—Globally adaptive

Landscapes

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

Abstract

本发明涉及一种迭代式全局自适应图像增强方法。本发明为了解决现有的图像增强方法需要手动设置合理的参数，非常难于实现的缺点，而提出一种迭代式全局自适应图像增强方法，包括：输入RGB彩色图像。将RGB彩色图像转换为HSV数据。将HSV数据的V通道数据进行反gamma变换，得到校正后的图像数据。将校正后的数据作为迭代的初始值，进行低照度灰度拉伸，再进行高照度灰度拉伸。判断本次迭代与上一次迭代的迭代参数之差的绝对值是否小于等于预设的阈值，若是，则对迭代得到的结果进行gamma校正，若否，则返回上一步骤继续迭代。对gamma校正后的结果做RGB变化，并在显示器中进行显示。本发明适用于图像增强工具。

Description

一种迭代式全局自适应图像增强方法
技术领域
本发明涉及一种图像增强方法，具体涉及一种迭代式全局自适应图像增强方法。
背景技术
图像增强对于改善图像质量，提高图像的视觉效果有着非常关键的作用。作为一种高效的图像增强方法，全局图像增强能够在复杂度较小、便于实现的前提下，增强图像的对比度并提高图像的图像质量。但是传统的全局图像增强方法的性能很大程度上取决于自由参数的选取。合理的参数有助于提高图像的视觉效果。不合理的参数通常导致图像对比度下降，细节模糊不清，图像视觉效果变差等效果。合理的参数需要根据光线、前景、背景、相机的配置等客观因素的共同决定的，因此手动设置合理的参数是非常难于实现的。
本专利设计了一个全局自适应图像增强方法。通过RGB转HSV变换提取出与色度无关的V通道数据。利用逆gamma变换克服由显示器的非线性响应对于图像的影响。通过多次迭代同时对低照度灰度和高照度灰度进行拉伸，并用本次迭代的灰度均值作为下次迭代的输入参数。经过多次迭代之后，迭代过程收敛，此时的迭代结果即为增强后的V通道数据。最后，V通道数据经过gamma校正和HSV转RGB变换得到可以直接显示的增强图像。实验结果验证了本专利的有效性。
发明内容
本发明的目的是为了解决现有的图像增强方法需要手动设置合理的参数，非常难于实现的缺点，而提出一种迭代式全局自适应图像增强方法，包括：
步骤一、输入RGB彩色图像。
步骤二、将所述RGB彩色图像转换为HSV数据。
步骤三、将所述HSV数据的V通道数据进行反gamma变换，得到校正后的图像数据。
步骤四、将所述校正后的数据作为迭代的初始值，进行低照度灰度拉伸，再进行高照度灰度拉伸。
步骤五、判断本次迭代与上一次迭代的迭代参数之差的绝对值是否小于等于预设的阈值，若是，则对迭代得到的结果进行gamma校正，若否，则返回步骤四继续迭代。
步骤六；对gamma校正后的结果做RGB变化，并在显示器中进行显示。
优选地，步骤三中，通过公式(1)将所述HSV的V通道数据进行反gamma变换：
其中，I(x,y)为所述HSV数据的V通道数据，α是gamma校正的校正参数，函数max和min分别表示图像数据的最大值和最小值；为校正后的数据。
优选地，步骤四具体为：
步骤四一、将第i次迭代对应的迭代结果设为L(i)(x,y)，将所述校正后的数据作为迭代的初始值L(0)(x,y)；即
步骤四二、根据公式(3)进行低照度灰度拉伸：
其中第i次迭代过程的中间变量，β(i)为第i次迭代过程的迭代参数，β(i)的计算由公式(4)确定：
其中N是像素总数；
步骤四三、对第i次迭代过程的中间变量进行公式(5)的高照度变换：
其中L(i+1)(x,y)表示第i+1次迭代的迭代初值。
优选地，步骤五具体为：
步骤五一、计算第i+1次迭代与第i次迭代的迭代参数之间差的绝对值其中
步骤五二、判断是否满足ε为预设的正实数值；若不满足，则返回执行步骤四；若满足，则停止迭代，并根据公式(7)对迭代结果进行校正：
其中V(x,y)表示gamma校正后的图像数据。
本发明的有益效果为：1、不需要手动设置合理的参数，易于实现；2、在提高对比度以及保证饱和度方面取得更好的效果；3、使用本发明的方法增强的图像色彩鲜艳，图像细节清晰，对比度适于人眼观察；4、本发明的增强图像方法的一个实施例中，对应的信息熵为0.718，CSFNRS数值为0.911，明显高于其他方法。
附图说明
图1为本发明的迭代式全局自适应图像增强方法的流程图；
图2为本发明的整体数据流图；
图3为步骤四中迭代部分的流程图；
图4为低照度灰度拉伸曲线图；
图5为高照度灰度拉伸曲线图；
图6为图像“girl”的仿真结果图；其中图6a为原始girl图像；图6b为经过gamma校正后的图像；图6c为分段线性变换图像；图6d为使用本发明的方法增强后的图像；
图7为迭代参数β(i)随迭代次数变化的曲线图；
图8为迭代收敛条件随迭代次数变化的曲线图。
具体实施方式
本实施方式的迭代式全局自适应图像增强方法，如图1所示，包括：
步骤一、输入RGB彩色图像。
步骤二、将所述RGB彩色图像转换为HSV数据。
步骤三、将所述HSV数据的V通道数据进行反gamma变换，得到校正后的图像数据。
步骤四、将所述校正后的数据作为迭代的初始值，进行低照度灰度拉伸，再进行高照度灰度拉伸。
步骤五、判断本次迭代与上一次迭代的迭代参数之差的绝对值是否小于等于预设的阈值，若是，则对迭代得到的结果进行gamma校正。
步骤六、对gamma校正后的结果做RGB变化，并在显示器中进行显示。
本发明提供了一个全局自适应图像增强方法。通过RGB转HSV变换提取出与色度无关的V通道数据。利用逆gamma变换克服由显示器的非线性响应对于图像的影响。通过多次迭代同时对低照度灰度和高照度灰度进行拉伸，并用本次迭代的灰度均值作为下次迭代的输入参数。经过多次迭代之后，迭代过程收敛，此时的迭代结果即为增强后的V通道数据。最后，V通道数据经过gamma校正和HSV转RGB变换得到可以直接显示的增强图像。
本发明的整体数据流图如图2所示。
系统的输入和输出均为RGB三通道彩色图像。RGB转HSV模块将原始数据转换为色调(hue,H)，饱和度(saturation,S)，明度(value,V)通道数据。再单独对V通道数据进行反gamma变换，从而恢复图像传感器(CCD或CMOS)对输入光子的线性响应。迭代部分分别通过低照度灰度拉伸和高照度灰度拉伸两部分对明度通道数据进行整体图像增强。迭代部分的流程图如图3所示。
为了提高迭代收敛速度，迭代过程将反gamma校正后的图像数据作为迭代的输入，将反gamma校正图像的灰度均值作为迭代的输入参数。下次迭代的输入数据及参数均为前次迭代的输出的图像数据及其灰度均值。低照度灰度拉伸和高照度灰度拉伸分别如图4、5所示。
迭代收敛后输出增强后的V通道数据通过gamma校正从而匹配数字显示器的非线性响应特性。校正后的V通道数据和原始H，S通道数据还需经过HSV转RGB变换，进而输出可以直接显示的RGB增强图像。
令I为由原始三通道彩色图像经过RGB转HSV转换后的V通道数据，(x,y)是像素的二维平面坐标，函数max和min分别表示找出图像数据的最大值和最小值。V通道数据的逆gamma变换如式1所示：
其中α是gamma校正的校正参数。对于现代数字显示设备来说，α的值一般设置为2.2或者1.8。是逆gamma校正之后的图像数据。令L(i)表示第i次迭代对应的迭代结果，将作为第一次迭代的初始值如式2所示。
低照度灰度拉伸函数如式3所示：
其中第i次迭代过程的中间变量，β(i)为第i次迭代过程的迭代参数，β(i)的计算方法如式4所示：
其中N是像素总数，∑x,y表示对图像全部像素进行累计运算。高照度灰度拉伸函数如式5所示：
其中L(i+1)表示第i+1次迭代的迭代初值。将第i+1次迭代与第i次迭代之间差的绝对值作为迭代是否收敛的判断条件，如式6所示：
当时则认为迭代过程收敛，ε是一个非常小的正实数值。假设第n次后，方法达到收敛，则gamma校正公式如式7所示：
其中V表示gamma校正后的图像数据。图像数据V通过HSV转RGB变换即能输出可以直接在显示器上显示的增强图像。
<实施例>
本专利采用的硬件仿真平台为CPU是Intel公司推出的i5-7400，金士顿公司推出的主频为2400MHz的8G-DDR4内存，NVIDIA公司推出的GTX 1060显卡，三星公司推出的S24D360HL数字显示器。软件仿真平台是Win7和Matlab 2010b。仿真过程对标准数字图像girl进行图像增强，程序的输入和输出均为后缀为bmp的无损位图文件。由于S24D360HL的gamma校正系数约为2.2，因此仿真过程将参数α设置为2.2。
仿真结果如图6所示。
从图6可以看出原始图像的对比度非常低，如图6a左侧部分的亮度非常低，此部分的图像内容不易被人眼分辨。Gamma校正增强了低照度区域的可读性，整体提高了对比度，但是gamma曲线降低了增强图像的清晰度，而且图像的饱和度非常冷淡，如图6b所示。分段线性变换对应的增强图像的饱和度与原始图像比较接近，但是自由参数的选择决定了图像的整体效果。由于不合理的gamma参数导致如图6c所示增强图像的整体对比度偏低，图像质量提高幅度较小。比较而言，本专利提出的方法在提高对比度以及保证饱和度这两方面均取得不错的效果。如图6d所示的增强图像色彩鲜艳，图像细节清晰，对比度适于人眼观察。
图7和图8分别是对于图像girl进行仿真实验，每次迭代对应的参数β(i)以及迭代收敛条件的变化情况。
由图7、8可知随着迭代次数的增加，β(i)的值逐渐接近0.5，并且的值逐渐减小，直到迭代次数达到15次后，β(i)和的值基本保持在0.5和0.001不产生变化，此时迭代过程达到收敛。
本文采用两种无参考图像的图像客观评价指标，即信息熵以及无参考图像清晰度评价方法(CSFNRS)对不同图像增强方法进行客观评价。增强图像girl的客观评价指标如表1所示：
表1 增强图像girl的客观评价指标
由表1可知本专利方法对应的增强图像的信息熵均高于其他方法，说明本专利方法的能够提高增强图像所含有的信息量，丰富景物的细节、纹理特征。另外，本专利方法对应的增强图像的CSFNRS数值也高于其他方法，说明本专利方法在提高图像的视觉清晰度方面的性能优于其他方法。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (4)

1.一种迭代式全局自适应图像增强方法，其特征在于，包括：
步骤一、输入RGB彩色图像；
步骤二、将所述RGB彩色图像转换为HSV数据；
步骤三、将所述HSV数据的V通道数据进行反gamma变换，得到校正后的图像数据；
步骤四、将所述校正后的数据作为迭代的初始值，进行低照度灰度拉伸，再进行高照度灰度拉伸；
步骤五、判断本次迭代与上一次迭代的迭代参数之差的绝对值是否小于等于预设的阈值，若是，则对迭代得到的结果进行gamma校正；若否，则返回步骤四继续迭代；
步骤六、对gamma校正后的结果做RGB变换。
2.根据权利要求1所述的迭代式全局自适应图像增强方法，其特征在于，步骤三中，通过公式(1)将所述HSV的V通道数据进行反gamma变换：
<mrow> <mover> <mi>I</mi> <mo>~</mo> </mover> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>min</mi> <mrow> <mo>(</mo> <mi>I</mi> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <mi>max</mi> <mo>(</mo> <mi>I</mi> <mo>)</mo> <mo>-</mo> <mi>min</mi> <mo>(</mo> <mi>I</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>I</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>min</mi> <mrow> <mo>(</mo> <mi>I</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>max</mi> <mrow> <mo>(</mo> <mi>I</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>min</mi> <mrow> <mo>(</mo> <mi>I</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mi>&amp;alpha;</mi> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中，I(x,y)为所述HSV数据的V通道数据，x,y分别为图像像素的横、纵坐标，α是gamma校正的校正参数，函数max和min分别表示图像数据的最大值和最小值；为校正后的数据。
3.根据权利要求2所述的迭代式全局自适应图像增强方法，其特征在于，步骤四具体为：
步骤四一、将第i次迭代对应的迭代结果设为L(i)(x,y)，将所述校正后的数据作为迭代的初始值L(0)(x,y)；即
<mrow> <msup> <mi>L</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mover> <mi>I</mi> <mo>~</mo> </mover> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
步骤四二、根据公式(3)进行低照度灰度拉伸：
<mrow> <msup> <mover> <mi>L</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <msup> <mi>&amp;beta;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mfrac> <mrow> <msup> <mi>L</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msup> <mi>L</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>+</mo> <msup> <mi>&amp;beta;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中第i次迭代过程的中间变量，β(i)为第i次迭代过程的迭代参数，β(i)的计算由公式(4)确定：
<mrow> <msup> <mi>&amp;beta;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mfrac> <mrow> <msub> <mi>&amp;Sigma;</mi> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> </msub> <msup> <mi>L</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> <mi>N</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
其中N是像素总数，∑x,y表示对图像全部像素进行累计运算；
步骤四三、对第i次迭代过程的中间变量进行公式(5)的高照度灰度拉伸：
<mrow> <msup> <mi>L</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>&amp;beta;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mfrac> <mrow> <msup> <mover> <mi>L</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mn>1</mn> <mo>+</mo> <msup> <mi>&amp;beta;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>-</mo> <msup> <mover> <mi>L</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
其中L(i+1)(x,y)表示第i+1次迭代的迭代初值。
4.根据权利要求3所述的迭代式全局自适应图像增强方法，其特征在于，步骤五具体为：
步骤五一、计算第i+1次迭代与第i次迭代的迭代参数之间差的绝对值其中
步骤五二、判断是否满足ε为预设的正实数值；若不满足，则返回执行步骤四；若满足，则停止迭代，并根据公式(7)对迭代结果进行校正：
<mrow> <mi>V</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>min</mi> <mrow> <mo>(</mo> <mi>I</mi> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <mi>max</mi> <mo>(</mo> <mi>I</mi> <mo>)</mo> <mo>-</mo> <mi>min</mi> <mo>(</mo> <mi>I</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msup> <mi>L</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>min</mi> <mrow> <mo>(</mo> <msup> <mi>L</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> </mrow> <mrow> <mi>max</mi> <mrow> <mo>(</mo> <msup> <mi>L</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>-</mo> <mi>min</mi> <mrow> <mo>(</mo> <msup> <mi>L</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mfrac> <mn>1</mn> <mi>&amp;alpha;</mi> </mfrac> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
其中V(x,y)表示gamma校正后的图像数据，n为迭代收敛时的迭代次数。
CN201710806854.2A 2017-09-08 2017-09-08 一种迭代式全局自适应图像增强方法 Expired - Fee Related CN107358592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710806854.2A CN107358592B (zh) 2017-09-08 2017-09-08 一种迭代式全局自适应图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710806854.2A CN107358592B (zh) 2017-09-08 2017-09-08 一种迭代式全局自适应图像增强方法

Publications (2)

Publication Number Publication Date
CN107358592A true CN107358592A (zh) 2017-11-17
CN107358592B CN107358592B (zh) 2020-06-30

Family

ID=60290911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710806854.2A Expired - Fee Related CN107358592B (zh) 2017-09-08 2017-09-08 一种迭代式全局自适应图像增强方法

Country Status (1)

Country Link
CN (1) CN107358592B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109493291A (zh) * 2018-10-29 2019-03-19 南京邮电大学 一种自适应伽马校正的彩色图像对比度增强方法
CN110009588A (zh) * 2019-04-09 2019-07-12 成都品果科技有限公司 一种人像图像色彩增强方法及装置
CN112037144A (zh) * 2020-08-31 2020-12-04 哈尔滨理工大学 一种基于局部对比度拉伸的低照度图像增强方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1875392A (zh) * 2003-10-30 2006-12-06 松下电器产业株式会社 彩色图像处理装置、彩色图像处理方法、程序以及记录媒体
US20070041636A1 (en) * 2005-08-17 2007-02-22 Samsung Electronics Co., Ltd. Apparatus and method for image contrast enhancement using RGB value
US20080019608A1 (en) * 2006-07-20 2008-01-24 Gregory Zuro Image dynamic range control for visual display
CN103985097A (zh) * 2014-05-26 2014-08-13 中国科学院长春光学精密机械与物理研究所 一种非均匀照度的图像增强方法
CN105046663A (zh) * 2015-07-10 2015-11-11 西南科技大学 一种模拟人类视觉感知的自适应低照度图像增强方法
CN105096273A (zh) * 2015-08-20 2015-11-25 北京邮电大学 一种彩色图像亮度的自动调整方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1875392A (zh) * 2003-10-30 2006-12-06 松下电器产业株式会社 彩色图像处理装置、彩色图像处理方法、程序以及记录媒体
US20070041636A1 (en) * 2005-08-17 2007-02-22 Samsung Electronics Co., Ltd. Apparatus and method for image contrast enhancement using RGB value
US20080019608A1 (en) * 2006-07-20 2008-01-24 Gregory Zuro Image dynamic range control for visual display
CN103985097A (zh) * 2014-05-26 2014-08-13 中国科学院长春光学精密机械与物理研究所 一种非均匀照度的图像增强方法
CN105046663A (zh) * 2015-07-10 2015-11-11 西南科技大学 一种模拟人类视觉感知的自适应低照度图像增强方法
CN105096273A (zh) * 2015-08-20 2015-11-25 北京邮电大学 一种彩色图像亮度的自动调整方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHENGHUA HUANG 等: "Adaptive gamma correction based on cumulative histogram for enhancing near-infrared images", 《INFRARED PHYSICS & TECHNOLOGY》 *
朱婧雅 等: "基于相似场景的低照度监控图像增强", 《计算机应用与软件》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109493291A (zh) * 2018-10-29 2019-03-19 南京邮电大学 一种自适应伽马校正的彩色图像对比度增强方法
CN110009588A (zh) * 2019-04-09 2019-07-12 成都品果科技有限公司 一种人像图像色彩增强方法及装置
CN110009588B (zh) * 2019-04-09 2022-12-27 成都品果科技有限公司 一种人像图像色彩增强方法及装置
CN112037144A (zh) * 2020-08-31 2020-12-04 哈尔滨理工大学 一种基于局部对比度拉伸的低照度图像增强方法

Also Published As

Publication number Publication date
CN107358592B (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN103593830B (zh) 一种低照度视频图像增强方法
CN103353982B (zh) 一种基于直方图均衡化的色调映射方法
CN102509272B (zh) 一种基于颜色恒常性的彩色图像增强方法
CN103714520B (zh) 基于fpga实现数字视频图像增强系统及其方法
CN104618700B (zh) 一种彩色高动态范围图像增强显示的方法
WO2018119909A1 (zh) 一种rgbw像素渲染装置及方法
CN106504212A (zh) 一种改进的hsi空间信息低照度彩色图像增强算法
CN106097279B (zh) 一种高动态图像增强方法
CN105184754B (zh) 图像对比度增强方法
CN108665857B (zh) 一种显示装置的驱动方法、其驱动装置及相关装置
CN106056559A (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
CN110706172B (zh) 基于自适应混沌粒子群优化的低照度彩色图像增强方法
CN105809643B (zh) 一种基于自适应块通道拉伸的图像增强方法
CN107895350B (zh) 一种基于自适应双伽玛变换的hdr图像生成方法
CN108022223A (zh) 一种基于对数映射函数分块处理融合的色调映射方法
CN107358592A (zh) 一种迭代式全局自适应图像增强方法
CN109218716A (zh) 基于色彩统计和信息熵无参考色调映射图像质量评价方法
CN103839245B (zh) 基于统计规律的Retinex夜间彩色图像增强方法
CN107481206A (zh) 显微镜图像背景均衡处理算法
CN104766276B (zh) 一种基于颜色空间的偏色校正方法
CN107256539B (zh) 一种基于局部对比度的图像锐化方法
CN110969584B (zh) 一种低照度图像增强方法
CN103996179B (zh) 一种基于单尺度Retinex的快速实时图像增强方法
CN105426847A (zh) 低质量自然光虹膜图像非线性增强方法
CN113222859B (zh) 基于对数图像处理模型的低照度图像增强系统及方法

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

Granted publication date: 20200630