CN108122213A - 一种基于YCrCb的低对比度图像增强方法 - Google Patents
一种基于YCrCb的低对比度图像增强方法 Download PDFInfo
- Publication number
- CN108122213A CN108122213A CN201711419443.4A CN201711419443A CN108122213A CN 108122213 A CN108122213 A CN 108122213A CN 201711419443 A CN201711419443 A CN 201711419443A CN 108122213 A CN108122213 A CN 108122213A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- image
- msub
- ycrcb
- 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 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000006243 chemical reaction Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000003707 image sharpening Methods 0.000 claims abstract description 4
- 238000011426 transformation method Methods 0.000 claims abstract description 4
- 230000002708 enhancing effect Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 210000001525 retina Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- G06T5/73—
-
- G06T5/92—
-
- G06T5/94—
-
- 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
-
- 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
- G06T2207/20192—Edge enhancement; Edge preservation
Abstract
本发明涉及一种基于YCrCb的低对比度图像增强方法，包括以下步骤：(1)对获取的原始图像利用梯形低通滤波器进行图像去噪。(2)将去噪后图像进行RGB颜色空间和YCrCb颜色空间的转换，得到图像亮度分量。(3)采用传统空间域线性变换方法对亮度分量图像进行分段线性变换。(4)将变换后图像进行Gamma校正。(5)利用单尺度Retinex算法对校正后图像进行高斯滤波，估计出照度分量和反射分量图像。(6)针对反射分量图像，利用高斯锐化算法进行图像锐化。(7)将锐化图像进行YCrCb颜色空间和RGB颜色空间的转换。
Description
技术领域
本发明涉及一种基于YCrCb的低对比度图像增强方法，YCrCb是一种彩色图像传输的编码方式，Y表示亮度，Cr和Cb表示色度，适用于在雾天或大气能见度较低情况下时，为交通运输监控、飞行器目标瞄准等系统提供清晰、对比度高的实时图像。
背景技术
随着科学技术的不断发展，图像的应用已经渗透到人类生产、生活的各个领域，而为了满足人类对于不同场景下图像的特定需求，需要针对获取的原始图像进行相应的图像处理，在众多的图像处理算法中，图像增强一直是研究的热点。通常而言，由于不同场景条件下的动态范围、光照强度的不同，以及图像获取设备的差异，会导致拍摄的图像出现模糊、辨识率低的情况。因此针对这种情况，需要对图像进行增强来突出图像内的细节与感兴趣区域，使得人眼获取更好的视觉效果。
目前，传统的图像增强算法主要分为空间域和频率域两种算法，常用的空间域算法有线性变换、直方图修正、图像空域平滑与锐化等，频率域算法有低通滤波、高通滤波和同态滤波等。空间域图像增强是以图像中的像素为直接操作对象，通过改变图像的动态范围、突出图像内部细节进行增强，但空间域增强算法在处理过程中不易控制，且增强效果较低，对于低对比度的图像无法有效改善视觉效果。频率域增强算法是对图像的频率域进行操作，常见的低通滤波算法主要用于平滑图像、高通滤波算法用于突出细节边缘，同态滤波算法用于解决光照不均的问题，，但频率域增强算法也存在着图像处理后较模糊，细节边缘保持性差的特点，仍无法解决低对比度的图像增强问题。
考虑到传统图像增强算法的局限性，近年来，基于人类视觉系统的图像增强算法成为研究热点，Retinex算法就是其中之一。Retinex是由retina(视网膜)和cortex(大脑皮层)组成的合成词，Retinex理论的基础是人类视觉系统的色彩恒常性。Retinex理论的基本思想是将原始图像分解为照射图像和反射图像，通过降低照射图像对反射图像的影响达到图像增强的目的。相对传统图像增强算法，Retinex算法具有提升图像对比度、改善图像的色彩恒常性、以及压缩图像动态范围的优点。
目前为止，国内针对图像增强算法方面的专利主要是将输入的原始图像从RGB颜色空间转换到HSV或HSI颜色空间，然后直接针对转换后空间内的亮度分量进行Retinex算法增强。但该类方法存在两个方面的缺点：(1)将RGB颜色空间图像转换到HSV或HSI颜色空间图像，虽然能够提取图像中的亮度分量，但不适合于硬件的实时操作，目前硬件方面针对颜色空间的转换主要还是将RGB格式转换为YCrCb格式；(2)颜色空间转换后的亮度分量在一定程度上会有对比度下降的特点，故直接将亮度分量图像进行Retinex增强会造成一定程度的对比度丢失现象。
发明内容
本发明的技术解决问题是：克服现有技术不足，针对不同场景条件下图像模糊、对比度低的问题，提供一种基于YCrCb的低对比度图像增强方法，提高图像的清晰度与对比度，突出图像细节边缘，改善图像视觉效果。
本发明的技术解决方案为一种基于YCrCb的低对比度图像增强方法，实现步骤如下：
(1)针对对比度低于60:1的场景下获取的原始图像，利用梯形低通滤波器是进行图像去噪处理，获得噪声去除后平滑的图像；
(2)针对步骤(1)获得的图像，进行RGB颜色空间和YCrCb颜色空间的转换，将R,G,B分量转化为亮度和色度分量；
(3)利用空间域线性变换方法对步骤(2)亮度分量图像进行分段线性变换，得到变换后的图像；
(4)针对步骤(3)获得的图像，进行Gamma校正，获得比分段线性变换后亮度增强的图像；
(5)采用单尺度Retinex算法对步骤(4)获得的增强的图像进行高斯滤波，估计出照度分量，并在Log域中，将估计的照度分量进行去除，得到反射分量图像；
(6)针对步骤(5)所获得反射分量图像，利用高斯锐化算法对其进行图像锐化，得到锐化后的反射分量图像；
(7)将步骤(6)中锐化后的反射分量图像进行RGB颜色空间转换并输出图像。
所述步骤(1)中，对图像进行去噪处理的方法如下：对输入对比度较低的原始图像，采用梯形低通滤波器进行图像去噪，所述梯形低通滤波器的传递函数表达式如下：
其中，u表示频域内频率大小，v表示频率的幅值大小，D(u,v)代表从频率平面的原点到(u,v)点的距离，D0和D1分别代表所设置滤波器的截止频率。
所述步骤(2)中，将输入的原有RGB颜色空间图像进行RGB和YCrCb的空间转换，转换函数如下：
Y＝0.257×R+0.504×G+0.098×B
Cb＝-0.148×R-0.291×G+0.439×B
Cr＝0.439×R-0.368×G-0.071×B
其中R，G，B分别为RGB空间原有像素值，Y，Cb，Cr分别为YCbCr空间像素值。
所述步骤(3)中，将颜色空间转换后的亮度图像进行分段线性变换，采用三段线性变换，如下：
其中，(a,b)为原图像f(x,y)的范围，(c,d)为希望变换后的扩展范围，Mf和Mg为原始图像变换前与变换后的最大像素范围，g(x,y)表示输出图像。
所述步骤(4)中，将线性变换后的图像进行Gamma校正，Gamma校正的数学表达式如下：
Yout＝(Yin/Ymax)0.5×Ymax
其中，Yout为Gamma校正后的亮度，Yin为Gamma校正前的亮度，0.5为Gamma指数，Ymax为Gamma校正的最大亮度值，取值为255。
所述步骤(5)中，高斯滤波，估计出照度分量为：
其中，k是归一化因子，c是高斯函数的尺度参数。所述k取值为0.2，c取值为0.16。
所述的步骤(6)中的高斯锐化算法采用的高斯卷积模板如下：
其中，H代表一个3×3大小的高斯卷积模板。
所述的步骤(7)中，将正处理的YCrCb空间图像进行YCrCb至RGB的空间转换，YCrCb至RGB的空间转换函数如下所示：
R＝1.164×Y+1.596×Cr
G＝1.164×Y-0.392×Cb-0.813×Cr
B＝1.164×Y+2.017×Cb
其中R，G，B分别为RGB空间像素值，Y，Cb，Cr分别为YCbCr空间像素值。
本发明与现有技术相比的优点在于：
(1)本发明采用了将RGB颜色空间与YCrCb颜色空间相互转换的方式，将RGB图像转换为YCrCb图像，得到图像的亮度和色度分量。之后通过简单的分段线性变换方法将得到的YCrCb亮度分量进行对比度扩展，此方式可增加图像像素的动态范围，有效改善颜色空间转换后图像整体偏暗的问题。
(2)本发明采用了将YCrCb颜色空间的亮度分量图像与单尺度Retinex算法相结合的方式，并利用了三段线性变换提高亮度图像对比度的方法。该方法可有效改善图像色彩显著度与图像动态范围，后期通过高斯锐化，可使图像的细节部分变得明显，突出物体的轮廓，并整体提升图像增强的效果。
总之，本发明采用的方法原理简洁，增强效果良好且算法易满足硬件运行要求，可达到对图像实时增强的目的。
附图说明
图1为本发明一种基于YCrCb的低对比度图像增强方法流程图；
图2为本发明输入的原始图像；
图3为采用本发明方法获得的增强后的图像。
具体实施方式
如图1所示，本发明的具体实现步骤如下(以下以飞行器吊舱电视电子图像为例来说明方法的具体实现)：
1、针对对比度低于60:1的场景下获取的原始图像，利用梯形低通滤波器进行图像去噪处理，获得去噪后的图像。其中低通滤波器的数学形式与梯形低通滤波器的数学形式如下所示：
G(u,v)＝H(u,v)F(u,v)
其中，u表示频域内频率大小，v表示频率的幅值大小，F(u,v)是含噪图像的傅里叶变换，G(u,v)为平滑后图像的傅里叶变换，H(u,v)为传递函数，D(u,v)代表从频率平面的原点到(u,v)点的距离，D0和D1分别为所设置滤波器的截止频率。H(u,v)F(u,v)的乘积可有效减少F(u,v)内的高频分量，获得去噪图像，
2、将原有的RGB颜色空间图像进行RGB和YCrCb的空间转换，转换函数如下所示：
Y＝0.257×R+0.504×G+0.098×B
Cb＝-0.148×R-0.291×G+0.439×B
Cr＝0.439×R-0.368×G-0.071×B
其中R，G，B分别为RGB空间原有像素值，Y，Cb，Cr分别为YCbCr空间像素值。
3、利用传统空间域线性变换方法对去噪后图像进行分段线性变换，此处选择分三段进行线性变换，线性变换内的a，b，c，d参数为经验值，针对整体偏暗的图像和反复试验，a，b，c，d可分别取值10，60，20和200。其余情况可根据使用场景进行修改，分段线性函数如下所示：
其中，(a,b)为原图像f(x,y)的范围，(c,d)为希望变换后的扩展范围，Mf和Mg为原始图像变换前与变换后的最大像素范围，g(x,y)表示输出图像。
4、将YCrCb颜色空间内的图像进行Gamma校正，Gamma校正的数学表达式如下：
Yout＝(Yin/Ymax)0.5×Ymax
其中，Yout为Gamma校正后的亮度，Yin为Gamma校正前的亮度，0.5为Gamma指数，Ymax为Gamma校正的最大亮度值，可取值为255。
5、利用单尺度Retinex算法将Gamma校正后的图像分离出亮度分量和反射分量，Retinex算法模型的数学表达式如下：
S(x,y)＝R(x,y)×L(x,y)
其中，x表示图像的水平坐标值，y表示图像的垂直坐标值，S(x,y)表示物体原始图像，R(x,y)表示物体的反射分量，L(x,y)表示物体的亮度分量。
为便于计算，且考虑到模型的对数形式更适合人眼观察，将Retinex算法模型转换到Log域进行化简，在Log域内的Retinex算法模型表达式如下：
r(x,y)＝s(x,y)-l(x,y)
其中，r(x,y)＝log(R(x,y))，s(x,y)＝log(S(x,y))，l(x,y)＝log(L(x,y))。通过以上的分析可以得到图像的Retinex增强模型，该增强模型为：
其中，为高斯函数，k是归一化因子，取值为0.2，c是高斯函数的尺度参数，取值为0.16。且G(x,y)中的参数k需使下式满足：
∫∫G(x,y)dxdy＝1
6、利用高斯锐化算法将经过Retinex增强后的图像进行图像锐化，高斯锐化的数学表达式如下：
其中，g(x,y)为图像的锐化输出，f(m,n)为输入图像，H(x-m+1,y-n+1)为系统单位冲击响应阵列。为便于计算，可利用如下的高斯卷积模板来进行计算：
其中，H代表一个3×3大小的高斯卷积模板。
7、对正处理的YCrCb空间图像进行YCrCb至RGB的空间转换，并最后输出增强图像。YCrCb至RGB的空间转换函数如下所示：
R＝1.164×Y+1.596×Cr
G＝1.164×Y-0.392×Cb-0.813×Cr
B＝1.164×Y+2.017×Cb
其中，Y，Cb，Cr分别为YCbCr空间原有像素值，R，G，B分别为RGB空间像素值。
如图2所示，该图为输入的原始图像，由于天气原因，图2的整体亮度偏暗，且图像较模糊，通过计算该图像矩阵的均值和均方差可得到图2的整体亮度为145.3，对比度为15.13。图3为经过图像增强后的图像，增强之后，图3的整体亮度较有所提升，边缘更加清晰，且对比度增加明显，通过计算该图像矩阵的均值和均方差可得到图3的整体亮度为154.6，对比度为75.23。由此可见，本发明能够针对低对比度图像进行有效增强，提高原图的对比度，改善视觉效果，突出边缘细节。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。
Claims (9)
1.一种基于YCrCb的低对比度图像增强方法，其特征在于包括以下步骤：
(1)针对对比度低于60:1的场景下获取的原始图像，利用梯形低通滤波器进行图像去噪处理，获得噪声去除后平滑的图像；
(2)针对步骤(1)获得的图像，进行RGB颜色空间和YCrCb颜色空间的转换，将R,G,B分量转化为亮度和色度分量；
(3)利用空间域线性变换方法对步骤(2)亮度分量图像进行分段线性变换，得到变换后的图像；
(4)针对步骤(3)获得的图像，进行Gamma校正，获得比分段线性变换后亮度增强的图像；
(5)采用单尺度Retinex算法对步骤(4)获得的增强的图像进行高斯滤波，估计出照度分量，并在Log域中，将估计的照度分量进行去除，得到反射分量图像；
(6)针对步骤(5)所获得反射分量图像，利用高斯锐化算法对其进行图像锐化，得到锐化后的反射分量图像；
(7)将步骤(6)中锐化后的反射分量图像进行RGB颜色空间转换并输出图像。
2.根据权利要求1所述的基于YCrCb的低对比度图像增强方法，其特征在于：所述步骤(1)中，对图像进行去噪处理的方法如下：对输入对比度较低的原始图像，采用梯形低通滤波器进行图像去噪，所述梯形低通滤波器的传递函数表达式如下：
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<msub>
<mi>D</mi>
<mn>0</mn>
</msub>
<mrow>
<msub>
<mi>D</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<mi>D</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<msub>
<mi>D</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mn>0</mn>
</msub>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>0</mn>
</msub>
<mo>&le;</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mi>D</mi>
<mrow>
<mi>D</mi>
<mo>-</mo>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，u表示频域内频率大小，v表示频率的幅值大小，D(u,v)代表从频率平面的原点到(u,v)点的距离，D0和D1分别代表所设置滤波器的截止频率。
3.根据权利要求1所述的基于YCrCb的低对比度图像增强方法，其特征在于：所述步骤(2)中，将输入的原有RGB颜色空间图像进行RGB和YCrCb的空间转换，转换函数如下：
Y＝0.257×R+0.504×G+0.098×B
Cb＝-0.148×R-0.291×G+0.439×B
Cr＝0.439×R-0.368×G-0.071×B
其中R，G，B分别为RGB空间原有像素值，Y，Cb，Cr分别为YCbCr空间像素值。
4.根据权利要求1所述的基于YCrCb的低对比度图像增强方法，其特征在于：所述步骤(3)中，将颜色空间转换后的亮度图像进行分段线性变换，采用三段线性变换，如下：
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<mi>c</mi>
<mo>+</mo>
<mi>a</mi>
</mrow>
<mo>)</mo>
<mo>/</mo>
<mi>a</mi>
<mo>)</mo>
<mi>f</mi>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>-</mo>
<mi>a</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0</mn>
<mo>&le;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>a</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mo>-</mo>
<mi>c</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>-</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>a</mi>
<mo>&rsqb;</mo>
<mo>+</mo>
<mi>c</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>a</mi>
<mo>&le;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>b</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>d</mi>
<mo>-</mo>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>M</mi>
<mi>g</mi>
</msub>
<mo>-</mo>
<mi>d</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>M</mi>
<mi>f</mi>
</msub>
<mo>-</mo>
<mi>b</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>b</mi>
<mo>&le;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>M</mi>
<mi>f</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，(a,b)为原图像f(x,y)的范围，(c,d)为希望变换后的扩展范围，Mf和Mg为原始图像变换前与变换后的最大像素范围，g(x,y)表示输出图像。
5.根据权利要求1所述的基于YCrCb的低对比度图像增强方法，其特征在于：所述步骤(4)中，将线性变换后的图像进行Gamma校正，Gamma校正的数学表达式如下：
Yout＝(Yin/Ymax)0.5×Ymax
其中，Yout为Gamma校正后的亮度，Yin为Gamma校正前的亮度，0.5为Gamma指数，Ymax为Gamma校正的最大亮度值，取值为255。
6.根据权利要求1所述的基于YCrCb的低对比度图像增强方法，其特征在于：所述步骤(5)中，高斯滤波，估计出照度分量为：
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>k</mi>
<mo>&CenterDot;</mo>
<msup>
<mi>e</mi>
<mfrac>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<msup>
<mi>c</mi>
<mn>2</mn>
</msup>
</mfrac>
</msup>
</mrow>
其中，k是归一化因子，c是高斯函数的尺度参数。
7.根据权利要求6所述的基于YCrCb的低对比度图像增强方法，其特征在于：所述k取值为0.2，c取值为0.16。
8.根据权利要求1所述的基于YCrCb的低对比度图像增强方法，其特征在于：所述步骤(6)中的高斯锐化算法采用的高斯卷积模板如下：
<mrow>
<mi>H</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>7</mn>
</mfrac>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>3</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>3</mn>
</mrow>
</mtd>
<mtd>
<mn>19</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>3</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>3</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，H代表一个3×3大小的高斯卷积模板。
9.根据权利要求1所述的基于YCrCb的低对比度图像增强方法，其特征在于：所述步骤(7)中，将正处理的YCrCb空间图像进行YCrCb至RGB的空间转换，YCrCb至RGB的空间转换函数如下所示：
R＝1.164×Y+1.596×Cr
G＝1.164×Y-0.392×Cb-0.813×Cr
B＝1.164×Y+2.017×Cb
其中R，G，B分别为RGB空间像素值，Y，Cb，Cr分别为YCbCr空间像素值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711419443.4A CN108122213B (zh) | 2017-12-25 | 2017-12-25 | 一种基于YCrCb的低对比度图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711419443.4A CN108122213B (zh) | 2017-12-25 | 2017-12-25 | 一种基于YCrCb的低对比度图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108122213A true CN108122213A (zh) | 2018-06-05 |
| CN108122213B CN108122213B (zh) | 2019-02-12 |
Family
ID=62231693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711419443.4A Active CN108122213B (zh) | 2017-12-25 | 2017-12-25 | 一种基于YCrCb的低对比度图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108122213B (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109003238A (zh) * | 2018-06-26 | 2018-12-14 | 西京学院 | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 |
| CN109064413A (zh) * | 2018-07-03 | 2018-12-21 | 赛诺微医疗科技（浙江）有限公司 | 图像对比度增强方法及采用其的图像采集医疗设备 |
| CN109658341A (zh) * | 2018-10-26 | 2019-04-19 | 深圳市华星光电技术有限公司 | 增强图像对比度的方法及其装置 |
| CN109754374A (zh) * | 2018-12-20 | 2019-05-14 | 深圳市资福医疗技术有限公司 | 一种去除图像亮度噪声的方法及装置 |
| CN109816608A (zh) * | 2019-01-22 | 2019-05-28 | 北京理工大学 | 一种基于噪声抑制的低照度图像自适应亮度增强方法 |
| CN110246097A (zh) * | 2019-05-30 | 2019-09-17 | 电子科技大学 | 一种基于l0梯度最小化的彩色图像增强方法 |
| CN110365914A (zh) * | 2019-07-24 | 2019-10-22 | 中国人民解放军国防科技大学 | 一种图像动态范围展宽方法及系统 |
| CN110675343A (zh) * | 2019-09-24 | 2020-01-10 | 西安科技大学 | 一种井下输煤图像的图像增强方法 |
| CN111402145A (zh) * | 2020-02-17 | 2020-07-10 | 哈尔滨工业大学 | 一种基于深度学习的自监督低照度图像增强方法 |
| CN111798658A (zh) * | 2019-11-08 | 2020-10-20 | 方勤 | 行驶车道通行效率检测平台 |
| CN111915528A (zh) * | 2020-08-05 | 2020-11-10 | 广州市百果园信息技术有限公司 | 一种图像增亮方法、装置、移动终端和存储介质 |
| CN111918095A (zh) * | 2020-08-05 | 2020-11-10 | 广州市百果园信息技术有限公司 | 一种暗光增强方法、装置、移动终端和存储介质 |
| CN112561804A (zh) * | 2020-10-09 | 2021-03-26 | 天津大学 | 基于多尺度细节增强的低光照水下图像增强方法 |
| CN112598595A (zh) * | 2020-12-25 | 2021-04-02 | 北京环境特性研究所 | 一种基于gamma校正的高动态数字图像显示增强方法及系统 |
| CN112669239A (zh) * | 2021-01-15 | 2021-04-16 | 华南理工大学 | 一种工业x射线图像对比度增强方法 |
| CN112837249A (zh) * | 2020-12-31 | 2021-05-25 | 泉州装备制造研究所 | 一种焊接机器人低对比度图像增强方法 |
| CN113490833A (zh) * | 2019-02-07 | 2021-10-08 | 应用材料公司 | 使用色彩计量进行的基板的厚度测量 |
| CN114360296A (zh) * | 2021-12-15 | 2022-04-15 | 中国飞行试验研究院 | 基于地基光电设备的全自动飞机进近降落过程监视方法 |
| CN114612655A (zh) * | 2022-05-10 | 2022-06-10 | 北京圣点云信息技术有限公司 | 一种静脉识别算法移植方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8165418B2 (en) * | 2007-03-30 | 2012-04-24 | Brother Kogyo Kabushiki Kaisha | Image processor |
| CN104537615A (zh) * | 2014-12-04 | 2015-04-22 | 大连理工大学 | 一种基于HSV色彩空间的局部Retinex增强算法 |
| CN105303532A (zh) * | 2015-10-21 | 2016-02-03 | 北京工业大学 | 一种小波域Retinex图像去雾方法 |
| CN107358586A (zh) * | 2017-07-06 | 2017-11-17 | 中山大学 | 一种图像增强方法、装置及设备 |
-
2017
- 2017-12-25 CN CN201711419443.4A patent/CN108122213B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8165418B2 (en) * | 2007-03-30 | 2012-04-24 | Brother Kogyo Kabushiki Kaisha | Image processor |
| CN104537615A (zh) * | 2014-12-04 | 2015-04-22 | 大连理工大学 | 一种基于HSV色彩空间的局部Retinex增强算法 |
| CN105303532A (zh) * | 2015-10-21 | 2016-02-03 | 北京工业大学 | 一种小波域Retinex图像去雾方法 |
| CN107358586A (zh) * | 2017-07-06 | 2017-11-17 | 中山大学 | 一种图像增强方法、装置及设备 |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109003238A (zh) * | 2018-06-26 | 2018-12-14 | 西京学院 | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 |
| CN109003238B (zh) * | 2018-06-26 | 2021-06-25 | 西京学院 | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 |
| CN109064413B (zh) * | 2018-07-03 | 2021-05-18 | 赛诺微医疗科技（浙江）有限公司 | 图像对比度增强方法及采用其的图像采集医疗设备 |
| CN109064413A (zh) * | 2018-07-03 | 2018-12-21 | 赛诺微医疗科技（浙江）有限公司 | 图像对比度增强方法及采用其的图像采集医疗设备 |
| CN109658341A (zh) * | 2018-10-26 | 2019-04-19 | 深圳市华星光电技术有限公司 | 增强图像对比度的方法及其装置 |
| CN109754374A (zh) * | 2018-12-20 | 2019-05-14 | 深圳市资福医疗技术有限公司 | 一种去除图像亮度噪声的方法及装置 |
| CN109816608A (zh) * | 2019-01-22 | 2019-05-28 | 北京理工大学 | 一种基于噪声抑制的低照度图像自适应亮度增强方法 |
| CN109816608B (zh) * | 2019-01-22 | 2020-09-18 | 北京理工大学 | 一种基于噪声抑制的低照度图像自适应亮度增强方法 |
| US11776109B2 (en) | 2019-02-07 | 2023-10-03 | Applied Materials, Inc. | Thickness measurement of substrate using color metrology |
| CN113490833A (zh) * | 2019-02-07 | 2021-10-08 | 应用材料公司 | 使用色彩计量进行的基板的厚度测量 |
| CN110246097A (zh) * | 2019-05-30 | 2019-09-17 | 电子科技大学 | 一种基于l0梯度最小化的彩色图像增强方法 |
| CN110365914A (zh) * | 2019-07-24 | 2019-10-22 | 中国人民解放军国防科技大学 | 一种图像动态范围展宽方法及系统 |
| CN110675343A (zh) * | 2019-09-24 | 2020-01-10 | 西安科技大学 | 一种井下输煤图像的图像增强方法 |
| CN110675343B (zh) * | 2019-09-24 | 2023-02-24 | 西安科技大学 | 一种井下输煤图像的图像增强方法 |
| CN111798658A (zh) * | 2019-11-08 | 2020-10-20 | 方勤 | 行驶车道通行效率检测平台 |
| CN111402145B (zh) * | 2020-02-17 | 2022-06-07 | 哈尔滨工业大学 | 一种基于深度学习的自监督低照度图像增强方法 |
| CN111402145A (zh) * | 2020-02-17 | 2020-07-10 | 哈尔滨工业大学 | 一种基于深度学习的自监督低照度图像增强方法 |
| CN111915528A (zh) * | 2020-08-05 | 2020-11-10 | 广州市百果园信息技术有限公司 | 一种图像增亮方法、装置、移动终端和存储介质 |
| CN111918095A (zh) * | 2020-08-05 | 2020-11-10 | 广州市百果园信息技术有限公司 | 一种暗光增强方法、装置、移动终端和存储介质 |
| CN112561804A (zh) * | 2020-10-09 | 2021-03-26 | 天津大学 | 基于多尺度细节增强的低光照水下图像增强方法 |
| CN112598595A (zh) * | 2020-12-25 | 2021-04-02 | 北京环境特性研究所 | 一种基于gamma校正的高动态数字图像显示增强方法及系统 |
| CN112837249A (zh) * | 2020-12-31 | 2021-05-25 | 泉州装备制造研究所 | 一种焊接机器人低对比度图像增强方法 |
| CN112669239A (zh) * | 2021-01-15 | 2021-04-16 | 华南理工大学 | 一种工业x射线图像对比度增强方法 |
| CN112669239B (zh) * | 2021-01-15 | 2023-07-18 | 华南理工大学 | 一种工业x射线图像对比度增强方法 |
| CN114360296A (zh) * | 2021-12-15 | 2022-04-15 | 中国飞行试验研究院 | 基于地基光电设备的全自动飞机进近降落过程监视方法 |
| CN114360296B (zh) * | 2021-12-15 | 2024-04-09 | 中国飞行试验研究院 | 基于地基光电设备的全自动飞机进近降落过程监视方法 |
| CN114612655A (zh) * | 2022-05-10 | 2022-06-10 | 北京圣点云信息技术有限公司 | 一种静脉识别算法移植方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108122213B (zh) | 2019-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108122213B (zh) | 一种基于YCrCb的低对比度图像增强方法 | |
| Wang et al. | An experiment-based review of low-light image enhancement methods | |
| CN104156921B (zh) | 一种低照度或亮度不均图像的自适应图像增强方法 | |
| CN104574293B (zh) | 基于有界运算的多尺度Retinex图像清晰化算法 | |
| CN104240194B (zh) | 一种基于抛物线函数的低照度图像增强算法 | |
| CN109191390A (zh) | 一种基于不同颜色空间多算法融合的图像增强算法 | |
| CN104200437B (zh) | 一种图像去雾处理方法 | |
| CN107358586A (zh) | 一种图像增强方法、装置及设备 | |
| CN110796626B (zh) | 图像锐化方法及装置 | |
| CN104182947A (zh) | 一种低照度图像增强方法和系统 | |
| CN105631823A (zh) | 基于阈值分割优化的暗原色天空区域去雾方法 | |
| CN107330871A (zh) | 恶劣气象条件下运行绝缘子自动识别的图像增强方法 | |
| CN105427257A (zh) | 图像增强方法及装置 | |
| Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
| WO2018166083A1 (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 | |
| CN102096909A (zh) | 基于对数图像处理模型的改进的反锐化掩模图像增强方法 | |
| CN112116536A (zh) | 一种低光照图像增强方法及系统 | |
| CN113724164A (zh) | 一种基于融合重构制导滤波的可见光图像噪声去除方法 | |
| CN102789634B (zh) | 一种获取光照均一化图像的方法 | |
| CN101488218B (zh) | 一种图像自适应空域同态滤波方法 | |
| CN104616259A (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
| Wu et al. | Low-Light image enhancement algorithm based on HSI color space | |
| CN105405110A (zh) | 非均匀光照补偿方法 | |
| CN110545414B (zh) | 一种图像锐化方法 | |
| CN110706180B (zh) | 一种极暗图像视觉质量提升方法、系统、设备及介质 |
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 |