CN107516302A - 一种基于OpenCV的混合图像增强的方法 - Google Patents

一种基于OpenCV的混合图像增强的方法 Download PDF

Info

Publication number
CN107516302A
CN107516302A CN201710774829.0A CN201710774829A CN107516302A CN 107516302 A CN107516302 A CN 107516302A CN 201710774829 A CN201710774829 A CN 201710774829A CN 107516302 A CN107516302 A CN 107516302A
Authority
CN
China
Prior art keywords
image
described image
influence
factor
mask
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.)
Pending
Application number
CN201710774829.0A
Other languages
English (en)
Inventor
张璐
何巍
温鑫
费鹏
张鹏
郭洧华
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.)
Beijing Institute of Radio Metrology and Measurement
Original Assignee
Beijing Institute of Radio Metrology and Measurement
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 Beijing Institute of Radio Metrology and Measurement filed Critical Beijing Institute of Radio Metrology and Measurement
Priority to CN201710774829.0A priority Critical patent/CN107516302A/zh
Publication of CN107516302A publication Critical patent/CN107516302A/zh
Pending legal-status Critical Current

Links

Classifications

    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration by non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators

Abstract

本发明公开一种基于OpenCV的混合图像增强的方法，包括步骤：S101：将待处理图像A进行非局部均值滤波去噪声形成图像B；S103：将所述图像B进行拉普拉斯算子变换形成图像C；S105：将所述图像C与所述图像B相加形成锐化图像E；S107：将所述图像B进行sobel算子变换形成图像D；S109：将所述图像D经过均值滤波形成图像F；S111：将所述图像F与所述图像E相乘形成掩蔽图像G；S113：引入影响因子k，将所述k与所述掩蔽图像G相乘形成图像H；S115：将所述图像H与所述图像B进行叠加。本发明采用多种互补的图像增强技术，能够有效去除图像噪声、调节图像的亮度和对比度、保持图片纹理，并增强图像的轮廓边界信息。

Description

一种基于OpenCV的混合图像增强的方法
技术领域
本发明涉及图像增强领域。更具体地，涉及一种基于OpenCV的混合图像增强的方法。
背景技术
图像中的每一个像素点都不是孤立存在的，而是与其周围的像素一起组成图像中的几何结构。该像素点包括周围窗口邻域，也就是图像块，能够很好的体现像素点的结构特征，同时图像一般都具有自相似性质，处于图像不同位置处的像素点往往表现出很强的相关性，比如纹理图像，但其中的噪声是不相关的，它主要来源于图像的获取以及传输过程。因为在图像获取过程中，成像传感器的性能会受到诸如外界环境条件、传感器元件自身质量等许多因素的影响。
图像去噪通常是图像处理的第一步，迄今为止已经有许多经典的去噪方法，如线性、非线性滤波的方法、基于谱分析以及多分辨率分析方法等。但如何在去除这些噪声的同时保留图像细节是要努力的方向。而对于复杂图像，单一的手段是无法达到我们处理图像的目的的，通常为了达到令人满意的效果，对给定的任务需要应用多种互补的图像增强技术。
因此需要提出一种能够实现去除噪声的同时保留图像细节的方法，以满足对图像的增强处理。
发明内容
本发明的目的在于提供一种基于OpenCV的混合图像增强的方法，可以有效地滤除噪声，保留原图细节，并且增强图像轮廓，使图像更加清晰。
为达到上述目的，本发明采用下述技术方案：
一种基于OpenCV的混合图像增强的方法，包括步骤：S101：将待处理图像A进行非局部均值滤波去噪声形成图像B；S103：将所述图像B进行拉普拉斯算子变换形成图像C；S105：将所述图像C与所述图像B相加形成锐化图像E；S107：将所述图像B进行sobel算子变换形成图像D；S109：将所述图像D经过均值滤波形成图像F；S111：将所述图像F与所述图像E相乘形成掩蔽图像G；S113：将所述掩蔽图像G与影响因子k相乘形成图像H；S115：将所述图像H与所述图像B进行叠加。
优选地，所述步骤S101具体包括对所述图像A的待去噪像素点使用搜索窗口进行非局部均值滤波，所述搜索窗口优选7×7或9×9。
优选地，所述步骤S103具体包括对所述图像B使用拉普拉斯算子计算用于突出图像细节，所述拉普拉斯算子参数优选为1。
优选地，所述步骤S107具体包括对所述图像B选取sobel算子内核计算用于突出图像边缘，所述sobel算子内核优选为3。
优选地，所述步骤S113具体包括选取所述影响因子k用于控制所述掩蔽图像G的强弱，所述影响因子k优选为0.55。
本发明的有益效果如下：
本发明使用多种互补的图像增强技术，对复杂图像进行处理，能够有效去除图像噪声、调节图像的亮度和对比度、保持图片纹理，并增强图像的轮廓边界信息。
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示出本发明所述图像增强的方法的流程图；
图2示出本发明所述待处理图像；
图3示出本发明所述经非局部均值滤波处理后的图像；
图4示出本发明所述影响因子k＝0.55处理后的图像；
图5示出本发明所述影响因子k＝1.5处理后的图像。
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。
在一个具体的实施例中，图1示出本发明所述图像增强的方法的流程图，图2示出本发明所述待处理图像，一种基于OpenCV的混合图像增强的方法，包括步骤：S101：将待处理图像A进行非局部均值滤波去噪声形成图像B；S103：将所述图像B进行拉普拉斯算子变换形成图像C；S105：将所述图像C与所述图像B相加形成锐化图像E；S107：将所述图像B进行sobel算子变换形成图像D；S109：将所述图像D经过均值滤波形成图像F；S111：将所述图像F与所述图像E相乘形成掩蔽图像G；S113：将所述掩蔽图像G与影响因子k相乘形成图像H；S115：将所述图像H与所述图像B进行叠加。图像增强处理是对图像进行加工，使其结果对于特定的应用比原始图像更适合的一种处理方法，目前有很多图像增强处理算法，例如canny算子、sobel算子、Laplacian算子、scharr滤波器等等。但对于复杂的图像，用一种手段是无法达到理想的效果的，本发明所述混合图像增强方法的实验仿真平台为Visual C++2010、OpenCV 2.4.9，本发明采取多种互补的图像增强技术，对待处理图像A进行非局部均值滤波去除噪声形成图像B，在对每个像素的加权平滑过程中考虑了局部结构的相似性，提高滤噪效果；利用Laplacian算子对图像B进行图像轮廓增强，对非局部均值滤波变换后的灰度图像进行拉普拉斯变换以突出图像中的小细节形成图像C，与图像B相加形成锐化图像E；利用sobel算子对图像B计算图像灰度函数的近似梯度用于边缘检测，并形成图像D，经过均值滤波平滑处理形成图像F；图像E与图像F相乘，即将平滑过的梯度图像F用于掩蔽经拉普拉斯变化并锐化后的图像E，形成掩蔽图像G；引入影响因子k，将k与掩蔽图像G相乘形成图像H，即用影响因子k来控制掩蔽图像G的强弱；最后将图像H叠加到经过非局部均值滤波处理的图像B，形成最终图像。该图像既能够有效地滤除原图像的噪声，保留原图像的细节，并能够实现原图像轮廓的增强，显示更清晰。
在一个优选的实施例中，所述将待处理图像A进行非局部均值滤波去噪声形成图像B具体包括对所述图像A的待去噪像素点使用搜索窗口进行非局部均值滤波，所述搜索窗口优选7×7或9×9。非局部均值滤波算法是在对每个像素的加权平滑过程中考虑了局部结构的相似性，取得了有效的滤噪效果。其基本思想是：当前像素值由图像中所有与它结构相似的像素加权平均得到。对于每个像素的权值，采用它以中心图像子块(n×n)与当前像素为中心子块之间的高斯加权欧氏距离来计算，权值设为此距离的负指数函数值。这样做的好处是在估计当前像素值时，局部结构上与它相似的像素权重较大，而结构相似像素上叠加的噪声是随机的，因而通过加权均值可有效去除噪声。具体处理过程如下：对于一个给定的像素i，图像块N(i)是以i为中心大小为n×n，N(j)是N(i)领域内的图像块，使用图像块N(j)和N(i)之间的高斯加权欧氏距离度量i与j之间的相似性。N(j)和N(i)之间的距离越小，说明像素j和i像素越相似，累加恢复时像素j赋予的权值也越大。假定滤波后图像为噪声图像f＝{f(i)|i∈Ω}，Ω是图像区域，f(i)表示像素i的灰度值，则NLM具体计算如下：
其中，α为高斯核函数的标准差，使用高斯核对图像块卷积处理，能够降低噪声对距离计算的影响并突出图像块中心在像素的作用；d(i,j)表示两图像块之间的加权欧氏距离；h为控制平滑成都的滤波参数；w(i,j)为加权平均时像素j对应的权系数。I表示以像素i为中心的搜索邻域，理论上I为整个图像空间，即I＝Ω，但这种取值方法将使算法复杂度太高，因此，通常会把搜索窗口I减小至一定大小。针对图像的具体信息对每个待去噪的像素点选取不同的加权平均方案，对给定的像素点i，我们对它的邻域信息和周围所有的领域信息进行比较它们的相似度。但是，为了算法的计算量不太大，我们可以得知一般相似的区域在该窗口附近的地方比在图像其他很远的地方更有可能出现。所以一般我们取得搜索窗口不是取整幅图像，而是其中的一个子集。我们在实验中取以待去噪像素点为中心大小的区域为搜索窗口。实验表明，对灰度值噪声图像，相似窗口大小取7×7或9×9比较合适。这样大小的窗口对噪声和保持纹理边缘等细节信息方面都取得较好的效果。图3示出本发明所述经非局部均值滤波处理后的图像，相比于图2示出本发明所述待处理图像，非局部均值滤波有效地滤除噪声、人像上的毛刺，保留了人像细节，但图像轮廓不清晰、对比亮度还是比较暗淡，本发明还采用拉普拉斯和sobel算子联合增强图像轮廓和细节。
在一个优选的实施例中，将所述图像B进行拉普拉斯算子变换形成图像C具体包括对所述图像B使用拉普拉斯算子计算用于突出图像细节，所述拉普拉斯算子参数优选为1。Laplacian算子是n维欧几里德空间中的一个二阶微分算子，定义为梯度grad的散度div。因此如果f是二阶可微的实函数，则f的拉普拉斯算子定义如下：
A.f的拉普拉斯算子也是笛卡尔坐标系中的所有非混合二阶偏导数求和。
B.作为一个二阶微分算子，拉普拉斯把C函数映射到C函数。
根据图像处理的原理可知，二阶导数可以用来进行检测边缘。因为图像是二维的，需要在两个方向上求导。使用Laplacian算子将会使求导过程变得简单。
Laplacian算子的定义：
在实际应用中，对非均值滤波变换后的灰度图像进行拉普拉斯变换来突出图像中的小细节，一般情况下，都是用ksize*ksize来计算导数的，当ksize＝1时，Laplacian()函数采用3*3的孔径：
通过拉普拉斯变换形成图像C。
在一个优选的实施例中，将所述图像B进行sobel算子变换形成图像D具体包括对所述图像B选取sobel算子内核计算用于突出图像边缘，所述sobel算子内核优选为3。Sobel算子是一个主要用于边缘检测的离散微分算子，它结合了高斯平滑和微分求导，用来计算图像灰度函数的近似梯度。在图像的任何一点使用此算子，都将会产生对应的梯度矢量或是其法矢量。具体计算过程如下：
假设被作用图像为I然后进行如下操作：
1、分别在x和y方向求导。
A.水平变化：将I与一个奇数大小的内核进行卷积。比如，当内核大小为3时，Gx的计算结果为：
B.垂直变化：将I与一个奇数大小的内核进行卷积。比如，当内核大小为3时，计算结果为：
2、在图像的每一点，结合以上两个结果求出近似梯度：
也可用下面更简单的公式代替：
G＝|Gx|+|Gy| (9)
在实际计算中，用Sobel梯度算法来突出其图像边缘，其内核大小ksize取优选值3，其中，【xorder＝1,yorder＝0,ksize＝3】来计算图像X方向的导数，此时对应的内核为：
【xorder＝0,yorder＝1,ksize＝3】来计算图像Y方向的导数，此时对应的内核为：
在一个优选的实施例中，将所述掩蔽图像G与影响因子k相乘形成图像H具体包括选取所述影响因子k用于控制所述掩蔽图像G的强弱，所述影响因子k优选为0.55。本发明引入一个影响因子k，通常在1.0附近取值，将k与掩蔽图像G相乘，目的是用k来控制掩蔽图像G的强弱。图4示出本发明所述影响因子k＝0.55处理后的图像，图5示出本发明所述影响因子k＝1.5处理后的图像。当k＝0.55时，人像面部较待处理图像清晰许多，额头脸颊都比较亮，身上和腿部纹理细节也明显多了。当k＝1.5时，掩蔽图像过强，导致人像过度曝光。根据上述对比可以看出，引入影响因子k可以有效的调节图像的亮度、对比度，很好的保持图片纹理，增强图像轮廓边界信息。
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 (5)

1.一种基于OpenCV的混合图像增强的方法，其特征在于，包括步骤：
S101：将待处理图像A进行非局部均值滤波去噪声形成图像B；
S103：将所述图像B进行拉普拉斯算子变换形成图像C；
S105：将所述图像C与所述图像B相加形成锐化图像E；
S107：将所述图像B进行sobel算子变换形成图像D；
S109：将所述图像D经过均值滤波形成图像F；
S111：将所述图像F与所述图像E相乘形成掩蔽图像G；
S113：将所述掩蔽图像G与影响因子k相乘形成图像H；
S115：将所述图像H与所述图像B进行叠加。
2.根据权利要求1所述的方法，其特征在于，所述步骤S101具体包括对所述图像A的待去噪像素点使用搜索窗口进行非局部均值滤波，所述搜索窗口优选7×7或9×9。
3.根据权利要求1所述的方法，其特征在于，所述步骤S103具体包括对所述图像B使用拉普拉斯算子计算用于突出图像细节，所述拉普拉斯算子参数优选为1。
4.根据权利要求1所述的方法，其特征在于，所述步骤S107具体包括对所述图像B选取sobel算子内核计算用于突出图像边缘，所述sobel算子内核优选为3。
5.根据权利要求1所述的方法，其特征在于，所述步骤S113具体包括选取所述影响因子k用于控制所述掩蔽图像G的强弱，所述影响因子k优选为0.55。
CN201710774829.0A 2017-08-31 2017-08-31 一种基于OpenCV的混合图像增强的方法 Pending CN107516302A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710774829.0A CN107516302A (zh) 2017-08-31 2017-08-31 一种基于OpenCV的混合图像增强的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710774829.0A CN107516302A (zh) 2017-08-31 2017-08-31 一种基于OpenCV的混合图像增强的方法

Publications (1)

Publication Number Publication Date
CN107516302A true CN107516302A (zh) 2017-12-26

Family

ID=60725013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710774829.0A Pending CN107516302A (zh) 2017-08-31 2017-08-31 一种基于OpenCV的混合图像增强的方法

Country Status (1)

Country Link
CN (1) CN107516302A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118442A (zh) * 2018-07-20 2019-01-01 湖北工业大学 一种基于Sobel算子滤波的图像增强算法
CN109447935A (zh) * 2018-11-16 2019-03-08 哈工大机器人（山东）智能装备研究院 红外图像处理方法、装置、计算机设备和可读存储介质
CN111369448A (zh) * 2019-12-28 2020-07-03 北京无线电计量测试研究所 一种提升图像质量的方法
CN111627033A (zh) * 2020-05-30 2020-09-04 郑州大学 一种难样本实例分割方法、设备及计算机可读存储介质
CN112465720A (zh) * 2020-11-27 2021-03-09 南京邮电大学 一种基于图像天空分割的图像去雾方法、装置和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778662A (zh) * 2014-12-25 2015-07-15 深圳市一体太赫兹科技有限公司 一种毫米波图像增强方法及系统
CN106875353A (zh) * 2017-01-20 2017-06-20 飞依诺科技(苏州)有限公司 超声图像的处理方法及处理系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778662A (zh) * 2014-12-25 2015-07-15 深圳市一体太赫兹科技有限公司 一种毫米波图像增强方法及系统
CN106875353A (zh) * 2017-01-20 2017-06-20 飞依诺科技(苏州)有限公司 超声图像的处理方法及处理系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
巨刚 等: "多算法融合的自适应图像增强方法", 《光子学报》 *
杨瑞雪 等: "图像增强方法在裂纹骨折判定中的应用", 《中国医学装备》 *
苏明忠: "医学图像分割算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118442A (zh) * 2018-07-20 2019-01-01 湖北工业大学 一种基于Sobel算子滤波的图像增强算法
CN109118442B (zh) * 2018-07-20 2021-08-03 湖北工业大学 一种基于Sobel算子滤波的图像增强方法
CN109447935A (zh) * 2018-11-16 2019-03-08 哈工大机器人（山东）智能装备研究院 红外图像处理方法、装置、计算机设备和可读存储介质
CN111369448A (zh) * 2019-12-28 2020-07-03 北京无线电计量测试研究所 一种提升图像质量的方法
CN111627033A (zh) * 2020-05-30 2020-09-04 郑州大学 一种难样本实例分割方法、设备及计算机可读存储介质
CN111627033B (zh) * 2020-05-30 2023-10-20 郑州大学 一种难样本实例分割方法、设备及计算机可读存储介质
CN112465720A (zh) * 2020-11-27 2021-03-09 南京邮电大学 一种基于图像天空分割的图像去雾方法、装置和存储介质
CN112465720B (zh) * 2020-11-27 2024-02-23 南京邮电大学 一种基于图像天空分割的图像去雾方法、装置和存储介质

Similar Documents

Publication Publication Date Title
CN107516302A (zh) 一种基于OpenCV的混合图像增强的方法
CN108376391A (zh) 一种智能化红外图像场景增强方法
CN104252698B (zh) 一种基于半逆法的快速单幅图像去雾算法
Zhang et al. Exemplar-based image inpainting using color distribution analysis
CN108038833B (zh) 一种梯度相关性检测的图像自适应锐化方法和存储介质
CN108921800A (zh) 基于形状自适应搜索窗口的非局部均值去噪方法
CN104933679B (zh) 一种放大图像的方法及其对应系统
US9892542B2 (en) Creating bump and normal maps from images with multi-scale control
Desai et al. Image filtering-techniques algorithms and applications
CN106971380A (zh) 一种对比度增强和视觉显著度优化方法在高尔夫球场图中的应用
CN104616259B (zh) 一种噪声强度自适应的非局部均值图像去噪方法
Parihar et al. A comprehensive analysis of fusion-based image enhancement techniques
CN112258440A (zh) 图像处理方法、装置、电子设备及存储介质
CN109635809B (zh) 一种面向视觉退化图像的超像素分割方法
CN108596992A (zh) 一种快速实时的唇彩化妆方法
Cheon et al. A modified steering kernel filter for AWGN removal based on kernel similarity
Ali et al. Robust regularization for single image dehazing
Yin et al. Combined window filtering and its applications
Cui et al. A modified Richardson–Lucy algorithm for single image with adaptive reference maps
US20210374916A1 (en) Storage medium storing program, image processing apparatus, and training method of machine learning model
Yao et al. A multi-expose fusion image dehazing based on scene depth information
US20210304487A1 (en) Storage medium storing program, training method of machine learning model, and image generating apparatus
CN113888632A (zh) 结合rgbd图像水池污渍定位方法及系统
CN110827211B (zh) 一种图像细节增强方法
Immerkær Use of blur-space for deblurring and edge-preserving noise smoothing

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171226