CN108022226B - 基于生物视觉机理的高动态图像显示方法 - Google Patents

基于生物视觉机理的高动态图像显示方法 Download PDF

Info

Publication number
CN108022226B
CN108022226B CN201711454859.XA CN201711454859A CN108022226B CN 108022226 B CN108022226 B CN 108022226B CN 201711454859 A CN201711454859 A CN 201711454859A CN 108022226 B CN108022226 B CN 108022226B
Authority
CN
China
Prior art keywords
component
cell
horizontal
input
horizontal cell
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
CN201711454859.XA
Other languages
English (en)
Other versions
CN108022226A (zh
Inventor
张显石
杨开富
李永杰
李朝义
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201711454859.XA priority Critical patent/CN108022226B/zh
Publication of CN108022226A publication Critical patent/CN108022226A/zh
Application granted granted Critical
Publication of CN108022226B publication Critical patent/CN108022226B/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
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20208—High dynamic range [HDR] image processing

Landscapes

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

Abstract

本发明公开一种基于生物视觉机理的高动态图像显示方法，应用于图像显示技术；通过在高动态图像亮度范围压缩中引入了水平细胞动态感受野和双极细胞高斯差感受野，在保持颜色和全局对比度的同时，有效增强高光和阴影区域细节；并且本发明通过基于本地亮度自适应适应调整的水平细胞感受野大小，更符合生理特性；且能实现与视觉系统在不同自然光照环境下快速获得稳定感知的能力一致。

Description

基于生物视觉机理的高动态图像显示方法
技术领域
本发明属于图像显示技术领域，特别涉及基于视网膜视觉机制的高动态图像增强技术。
背景技术
真实世界自然场景的亮度动态范围极大，明暗对比高达1014。采用高动态范围图像获取技术采集的高动态范围图像，能够完整包含原始场景中每个点的真实光强信息。然而，常见的显示媒介，如显示器，其动态范围一般不超过102。常见显示媒介有限的动态范围，严重影响了安防监控、远程医疗、影视动画等领域对保持有完整场景信息的高动态范围图像的利用。因此，如何在低动态显示媒介上尽可能完整地显示高动态范围图像的亮暗区域、纹理细节以及颜色特征，具有十分重要的现实意义。
目前，高动态范围图像显示技术主要有全局处理和局部处理两条基本思路。全局处理的方法用统一的算子对整幅图像进行操作，其优点在于计算简单，不容易引入伪影，缺点是整体效果差强人意，往往无法同时显示最亮和最暗的区域。局部处理的方法对图像不同亮度的区域做区别处理，解决了全局处理方法面对的问题，但是却面临着亮度反转，颜色失真，场景对比度损失等一系列问题。其中，在不同局部处理方法显示结果中最普遍的问题是，在明暗交界的边界处，总是会出现或暗或亮的光晕。
发明内容
为了解决上述技术问题，本发明提出了一种基于生物视觉机理的高动态图像显示方法，通过在高动态图像亮度范围压缩中引入了水平细胞动态感受野和双极细胞高斯差感受野，在保持颜色和全局对比度的同时，有效增强高光和阴影区域细节。
本发明采用的技术方案为：基于生物视觉机理的高动态图像显示方法，包括：
S1、设定水平细胞最大耦合强度、外周高斯分布参数；
S2、对输入的高动态范围图像每一个像素点分别提取红色分量、绿色分量、蓝色分量，计算出平均亮度分量；
S3、根据步骤S1设定的水平细胞最大耦合强度，基于本地亮度自适应调整水平细胞感受野的大小；
S4、根据水平细胞感受野的大小以及步骤S2的红色分量、绿色分量、蓝色分量以及平均亮度分量；得到水平细胞调整信号；
S5、根据步骤S4的水平细胞调整信号，计算双极细胞输入；
S6、根据双极细胞输入计算双极细胞输出；
S7、以双极细胞的输出分别作为红色分量、绿色分量、蓝色分量来合成适合低动态显示媒介的彩色图像。
进一步地，步骤S3计算式为：
Figure BDA0001529093620000021
其中，σn(x,y)为感受野高斯标准差，sigma为水平细胞最大耦合强度，m为亮度分量f(x,y)的均值，s为亮度分量f(x,y)的标准差，HCinn(x,y)为水平细胞收集到的某个颜色分量的信号，HCinn(x,y)-m为像素点(x,y)处的相对强度。
进一步地，步骤S4计算式为：HCadjn(x,y)＝HCinn*g(x,y；σn(x,y))。
其中，HCadjn(x,y)为水平细胞调整信号，*表示卷积；g(x,y；σn(x,y))为二维高斯滤波器。
进一步地，步骤S5计算式为：
Figure BDA0001529093620000031
Figure BDA0001529093620000032
Figure BDA0001529093620000033
其中，BCinputR(x,y)为红色分量对应的双极细胞输入，BCinputG(x,y)为绿色分量对应的双极细胞输入，BCinputB(x,y)为蓝色分量对应的双极细胞输入，l是图像的特定参数，fR(x,y)表示输入的红色图像、fG(x,y)表示输入的绿色图像、fB(x,y)表示输入的蓝色图像，HCadj1(x,y)为红色分量对应的水平细胞调整信号，HCadj2(x,y)为绿色分量对应的水平细胞调整信号，HCadj3(x,y)为蓝色分量对应的水平细胞调整信号，HCadj4(x,y)为平均亮度分量对应的水平细胞调整信号。
进一步地，步骤S6计算式为：
BCoutputR(x,y)＝MAX[0,BCinputR(x,y)*(g(x,y；σcen)-k·g(x,y；σsur)]
BCoutputG(x,y)＝MAX[0,BCinputG(x,y)*(g(x,y；σcen)-k·g(x,y；σsur)]
BCoutputB(x,y)＝MAX[0,BCinputB(x,y)*(g(x,y；σcen)-k·g(x,y；σsur)]
其中，k为兴奋抑制比，σcen为双极细胞中心高斯分布参数，σsur为外周高斯分布参数。
本发明的有益效果：本发明的基于生物视觉机理的高动态图像显示方法，通过在高动态图像亮度范围压缩中引入了水平细胞动态感受野和双极细胞高斯差感受野，在保持颜色和全局对比度的同时，有效增强高光和阴影区域细节；并且本发明通过基于本地亮度自适应适应调整的水平细胞感受野大小，更符合生理特性；且能实现与视觉系统在不同自然光照环境下快速获得稳定感知的能力一致。
附图说明
图1为本发明的方案流程图；
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
如图1所示为本发明的方案流程图，本发明的基于生物视觉机理的高动态图像显示方法，包括：
S1、设定模型参数；包括：设定水平细胞最大耦合强度、外周高斯分布参数等。
S2、对输入的高动态范围图像每一个像素点分别提取红色分量fR(x,y)、绿色分量fG(x,y)、蓝色分量fB(x,y)，计算出平均亮度分量f(x,y)。
f(x,y)＝(fR(x,y)+fG(x,y)+fB(x,y))/3
S3、根据步骤S1设定的水平细胞最大耦合强度，基于本地亮度自适应调整水平细胞感受野的大小；基于本地亮度自适应适应调整的水平细胞感受野大小，具体计算式为：
Figure BDA0001529093620000041
其中，σn(x,y)为感受野高斯标准差，sigma为水平细胞最大耦合强度，m为亮度分量f(x,y)的均值，s为亮度分量f(x,y)的标准差，HCinn(x,y)为水平细胞收集到的某个颜色分量的信号，HCinn(x,y)-m为像素点(x,y)处的相对强度。
S4、根据水平细胞感受野的大小以及步骤S2的红色分量fR(x,y)、绿色分量fG(x,y)、蓝色分量fB(x,y)以及平均亮度分量f(x,y)；得到水平细胞调整信号；
HCin1(x,y)＝fR(x,y)
HCin2(x,y)＝fG(x,y)
HCin3(x,y)＝fB(x,y)
HCin4(x,y)＝f(x,y)
HCadjn(x,y)＝HCinn*g(x,y；σn(x,y))
其中，*表示卷积，n＝1～4，n＝1对应红色，n＝2对应绿色，n＝3对应蓝色，n＝4对应平均亮度；HCadjn(x,y)为水平细胞调整信号，g(x,y；σn(x,y))为二维高斯滤波器；
g(x,y；σn(x,y))计算式为：
Figure BDA0001529093620000051
S5、根据水平细胞调整信号，计算双极细胞输入。
Figure BDA0001529093620000052
Figure BDA0001529093620000053
Figure BDA0001529093620000054
其中，BCinputR(x,y)为红色分量对应的双极细胞输入，BCinputG(x,y)为绿色分量对应的双极细胞输入，BCinputB(x,y)为蓝色分量对应的双极细胞输入，l是图像的特定参数，fR(x,y)表示输入的红色图像、fG(x,y)表示输入的绿色图像、fB(x,y)表示输入的蓝色图像，HCadj1(x,y)为红色分量对应的水平细胞调整信号，HCadj2(x,y)为绿色分量对应的水平细胞调整信号，HCadj3(x,y)为蓝色分量对应的水平细胞调整信号，HCadj4(x,y)为平均亮度分量对应的水平细胞调整信号。
l是图像的特定参数，根据亮度分量f(x,y)的标准差s自适应计算得到：
Figure BDA0001529093620000061
S6、设定K为0.3。根据双极细胞输入，计算双极细胞输出
BCoutputR(x,y)＝MAX[0,BCinputR(x,y)*(g(x,y；σcen)-k·g(x,y；σsur)]
BCoutputG(x,y)＝MAX[0,BCinputG(x,y)*(g(x,y；σcen)-k·g(x,y；σsur)]
BCoutputB(x,y)＝MAX[0,BCinputB(x,y)*(g(x,y；σcen)-k·g(x,y；σsur)]
其中，兴奋抑制比k，双极细胞中心高斯分布参数σcen，外周高斯分布参数σsur由步骤1设定。
S7、以双极细胞的输出BCoutputR为红色分量，BCoutputR为绿色分量，BCoutputR为蓝色分量合成适合低动态显示媒介的彩色图像。
本发明的方法能够在保持细节特征的同时，最大限度地在低动态显示媒介上再现原图信息。无需先验地对单幅图像实现快速去雾增强。在视觉系统中，单个视觉神经元对视野中某个特定区域内的刺激起反应，该区域被称为神经元的感受野。本方法的主要创新在于，通过模仿水平细胞根据亮度动态变化的感受野，有效地避免了在处理高光区域时容易出现的光晕现象，同时利用双极细胞中心外周拮抗的感受野对局部对比度进行了增强。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (4)

1.基于生物视觉机理的高动态图像显示方法，其特征在于，包括：
S1、设定水平细胞最大耦合强度、外周高斯分布参数；
S2、对输入的高动态范围图像每一个像素点分别提取红色分量、绿色分量、蓝色分量，计算出平均亮度分量；
S3、根据步骤S1设定的水平细胞最大耦合强度，基于本地亮度自适应调整水平细胞感受野的大小；步骤S3计算式为：
Figure FDA0002402499110000011
其中，σn(x,y)为感受野高斯标准差，sigma为水平细胞最大耦合强度，m为亮度分量f(x,y)的均值，s为亮度分量f(x,y)的标准差，HCinn(x,y)为水平细胞收集到的某个颜色分量的信号，HCinn(x,y)-m为像素点(x,y)处的相对强度，n＝1～4，n＝1对应红色，n＝2对应绿色，n＝3对应蓝色，n＝4对应平均亮度；
S4、根据水平细胞感受野的大小以及步骤S2的红色分量、绿色分量、蓝色分量以及平均亮度分量；得到水平细胞调整信号；
S5、根据步骤S4的水平细胞调整信号，计算双极细胞输入；
S6、根据双极细胞输入计算双极细胞输出；
S7、以双极细胞的输出分别作为红色分量、绿色分量、蓝色分量来合成适合低动态显示媒介的彩色图像。
2.根据权利要求1所述的基于生物视觉机理的高动态图像显示方法，其特征在于，步骤S4计算式为：HCadjn(x,y)＝HCinn*g(x,y；σn(x,y))
其中，HCadjn(x,y)为水平细胞调整信号，*表示卷积；g(x,y；σn(x,y))为二维高斯滤波器。
3.根据权利要求1所述的基于生物视觉机理的高动态图像显示方法，其特征在于，步骤S5计算式为：
Figure FDA0002402499110000021
Figure FDA0002402499110000022
Figure FDA0002402499110000023
其中，BCinputR(x,y)为红色分量对应的双极细胞输入，BCinputG(x,y)为绿色分量对应的双极细胞输入，BCinputB(x,y)为蓝色分量对应的双极细胞输入，l是图像的特定参数，fR(x,y)表示输入的红色图像、fG(x,y)表示输入的绿色图像、fB(x,y)表示输入的蓝色图像，HCadj1(x,y)为红色分量对应的水平细胞调整信号，HCadj2(x,y)为绿色分量对应的水平细胞调整信号，HCadj3(x,y)为蓝色分量对应的水平细胞调整信号，HCadj4(x,y)为平均亮度分量对应的水平细胞调整信号。
4.根据权利要求3所述的基于生物视觉机理的高动态图像显示方法，其特征在于，步骤S6计算式为：
BCoutputR(x,y)＝MAX[0,BCinputR(x,y)*(g(x,y；σcen)-k·g(x,y；σsur)]
BCoutputG(x,y)＝MAX[0,BCinputG(x,y)*(g(x,y；σcen)-k·g(x,y；σsur)]
BCoutputB(x,y)＝MAX[0,BCinputB(x,y)*(g(x,y；σcen)-k·g(x,y；σsur)]
其中，k为兴奋抑制比，σcen为双极细胞中心高斯分布参数，σsur为外周高斯分布参数。
CN201711454859.XA 2017-12-28 2017-12-28 基于生物视觉机理的高动态图像显示方法 Active CN108022226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711454859.XA CN108022226B (zh) 2017-12-28 2017-12-28 基于生物视觉机理的高动态图像显示方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711454859.XA CN108022226B (zh) 2017-12-28 2017-12-28 基于生物视觉机理的高动态图像显示方法

Publications (2)

Publication Number Publication Date
CN108022226A CN108022226A (zh) 2018-05-11
CN108022226B true CN108022226B (zh) 2020-07-07

Family

ID=62072064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711454859.XA Active CN108022226B (zh) 2017-12-28 2017-12-28 基于生物视觉机理的高动态图像显示方法

Country Status (1)

Country Link
CN (1) CN108022226B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830806B (zh) * 2018-05-29 2020-12-18 河南科技大学 一种感受野模型的敏感度及模型参数动态调控方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103905738A (zh) * 2012-12-31 2014-07-02 博世汽车部件(苏州)有限公司 高动态范围图像生成系统及方法
CN103955900A (zh) * 2014-05-07 2014-07-30 电子科技大学 基于生物视觉机理的图像去雾方法
CN104299213A (zh) * 2014-09-30 2015-01-21 西安邮电大学 一种基于低动态图像的细节特征合成高动态图像的方法
CN106097279A (zh) * 2016-06-24 2016-11-09 电子科技大学 一种高动态图像增强方法
CN106886386A (zh) * 2017-01-23 2017-06-23 苏州科达科技股份有限公司 从低动态图像生成高动态图像的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103905738A (zh) * 2012-12-31 2014-07-02 博世汽车部件(苏州)有限公司 高动态范围图像生成系统及方法
CN103955900A (zh) * 2014-05-07 2014-07-30 电子科技大学 基于生物视觉机理的图像去雾方法
CN104299213A (zh) * 2014-09-30 2015-01-21 西安邮电大学 一种基于低动态图像的细节特征合成高动态图像的方法
CN106097279A (zh) * 2016-06-24 2016-11-09 电子科技大学 一种高动态图像增强方法
CN106886386A (zh) * 2017-01-23 2017-06-23 苏州科达科技股份有限公司 从低动态图像生成高动态图像的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《A Retina Inspired Model for Rendering High Dynamic Range Images》;XianShi Zhang等;《BICS 2016：Advances in Brain Inspired Cognitive Systems》;20161113;第68-72页 *

Also Published As

Publication number Publication date
CN108022226A (zh) 2018-05-11

Similar Documents

Publication Publication Date Title
Shi et al. Let you see in sand dust weather: A method based on halo-reduced dark channel prior dehazing for sand-dust image enhancement
CN105578165B (zh) 一种图像白平衡处理方法、装置及摄像机
CN108022223B (zh) 一种基于对数映射函数分块处理融合的色调映射方法
CN104268843B (zh) 基于直方图修正的图像自适应增强方法
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
CN106897981A (zh) 一种基于引导滤波的低照度图像增强方法
CN107820069B (zh) 一种视频监控设备isp调试方法
CN105513019B (zh) 一种提升图像质量的方法和装置
CN101082992A (zh) 实时高动态范围图像的绘制和显示方法
CN106997584A (zh) 一种雾霾天气图像增强方法
CN105046663A (zh) 一种模拟人类视觉感知的自适应低照度图像增强方法
CN110473152B (zh) 基于改进Retinex算法的图像增强方法
CN107862672B (zh) 图像去雾的方法及装置
CN108305232B (zh) 一种单帧高动态范围图像生成方法
CN110175969B (zh) 图像处理方法及图像处理装置
CN104935902A (zh) 图像色彩增强方法、装置及电子设备
CN110570384A (zh) 一种对场景图像进行光照均衡处理的方法、装置、计算机设备以及计算机存储介质
CN107481696A (zh) 一种基于gamma相关自适应图像处理方法
CN106023110B (zh) 一种高保真度的图像去雾方法
CN109215614A (zh) 一种画面质量调节方法、调节装置及终端设备
CN103295205B (zh) 一种基于Retinex的微光图像快速增强方法和装置
CN103795991A (zh) 一种基于单张图片的高动态范围图像生成方法
CN106686320B (zh) 一种基于数密度均衡的色调映射方法
CN108022226B (zh) 基于生物视觉机理的高动态图像显示方法
CN105208362B (zh) 基于灰度平衡原理的图像色偏自动校正方法

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