CN108389163A - 一种基于暗光彩色图像的自适应增强方法 - Google Patents

Abstract

本发明公开了一种基于暗光彩色图像的自适应增强方法，具体包括如下步骤：将暗光彩色图像进行HSV颜色空间变换，得到包含亮度信息的V通道图像，对V通道图像进行二次小波分解，得到一个低频子图像W_u和六个高频子图像和对分解得到的高频子带图像 和

Description

一种基于暗光彩色图像的自适应增强方法

技术领域

本发明属于图像处理技术领域，涉及一种基于暗光彩色图像的自适应增强方法。

背景技术

图像增强的目的是突出图像中的有用信息，扩大图像中不同物体特征之间的差别，从而改善图像的视觉效果突出图像的特征。彩色图像增强被广泛应用于农业、医学、视频及模式识别等领域。由于各方面制约或条件限制，得到的彩色图像颜色暗、对比度低、局部特征不突出，无论是对识别的准确率还是图像的直观感受，都产生巨大的影响。现阶段对于彩色图像增强算法都是将彩色图像转换到相应的彩色空间，取其灰度图像做直方图均衡化增强处理，再还原成彩色图像。这些算法无法很好地消除图像的高斯白噪声，大多对噪声敏感，易造成欠增强或过增强，缺少自适应调整功能，无法同时对图像明亮度、清晰度、细节纹理进行增强从而达到更高的图像要求。

图像的高斯白噪声存在于图像高频信息当中，而小波变换可将图像分解为高频子带和低频子带，分离高频噪声信息并加以抑制。针对较暗彩色图像，我们采用改进的CLAHE算法对图像的亮度和细节有很好的增强效果。本专利涉及的增强方法针对暗光彩色图像，增强处理后可有效地去除噪声，并提高图像的清晰度、亮度、对比度，从而达到理想的增强效果。

发明内容

本发明的目的是提供一种基于暗光彩色图像的自适应增强方法，采用小波变换的方法对噪声部分阈值，对非噪声高频系数进行增强，解决了现有暗光彩色图像的去噪问题。

本发明所采用的技术方案是，一种基于暗光彩色图像的自适应增强方法，具体包括如下步骤：

步骤1，将暗光彩色图像进行HSV颜色空间变换，得到包含亮度信息的V通道图像，对V通道图像进行二次小波分解，得到一个低频子图像W_u和六个高频子图像和

步骤2，对步骤1分解得到的高频子带图像和用半软阈值进行处理；

步骤3，对步骤1分解得到的低频子带图像进行图像增强；

步骤4，将经步骤2处理后的高频子带图像和经步骤3处理后的低频子带图像进行图像重构，对重构后的图像进行HSV反变换得到增强后的彩色图像。

本发明的特点还在于，

其中步骤1的具体过程如下：

步骤1.1，将暗光彩色图像分解到RGB颜色空间，RGB颜色空间在某一点的R，G，B的值通过如下公式(1)～(3)转换到HSV空间对应H，S，V的值，在HSV空间内，所有点的H值的集合即为H通道图像，所有点的S值的集合即为S通道图像，所有点的V值集合即为V通道图像；

步骤1.2，对步骤1.1得到的V通道图像进行二次小波分解，将V通道图像分解为一个系数为W_u的低频子图像和六个系数分别为 高频子图像。

其中步骤1.2的具体过程如下：

步骤1.2.1，设β为缩放尺度，m、n分别为V通道图像在水平和垂直两个方向上的平移参数；

步骤1.2.2，通过如下公式(4)定义缩放函数u_β,m,n(x,y)：

u_β,m,n(x,y)＝2^β／2u(2^βx-m,2^βy-n) (4)；

通过如下公式(5)定义平移基函数：

上式中，I用于指代H、V、D三个方向，表示对H、V、D方向敏感的小波函数；

步骤1.2.3，设V通道图像尺寸为M×N，设V通道图像函数为f(x,y)，将公式(4)通过离散小波变换得到如下公式(6)：

将公式(5)通过离散小波变换得到如下公式(7)：

步骤1.2.4，令M＝N＝2^Q，Q为常数，对步骤1.2.3中的公式(6)和(7)进行离散小波反变换得到如下公式(8)，根据如下公式(8)即得经一次小波变换后的1个系数为W_u的低频子带图像和3个系数为和的较高频子带图像，将一次小波变换后得到的低频子带图像再进行一次小波变换得到1个系数为W_u′的低频子带图像和3个系数为和最高频子带图像；

其中，β＝0，1，2，…，Q-1，m，n，＝0，1，2，…，2^β-1。

步骤2的具体过程如下：

步骤2.1，计算高频子带图像中的两个最佳阈值T₁和T₂；

步骤2.2，通过如下公式(17)所示的半软阈值函数以及步骤2.1所得的两个最佳阈值T₁、T₂对高频子带图像进行阈值处理；

其中，ω_j,k为包含噪声的小波系数，为阈值处理后的小波系数，T为算法所设定的阈值，T₁、T₂为半软阈值的上阈值和下阈值。

其中步骤2.1的具体过程如下：

步骤2.1.1，建立Bayes风险函数，具体为：

通过如下公式(9)建立高频子带图像模型：

Y_ie＝X_ie+E (9)；

其中，Y_ie为图像信息，X_ie为噪声，E为有效信息；

设噪声X_ie服从高斯分布Bayes风险函数γ(T)为：

步骤2.1.2，通过如下公式(11)设定Bayes风险函数的收缩阈值T_B(σ_z)；

T_B(σ_z)＝βσ²/σ_z (11)；

计算V通道高频子带图像的方差σ²和标准差σ_X，具体为：

对最高频子带的噪声方差σ²采用Donoho公式估计：

含噪的各高频子带图像方差为：

标准差σ_X：

步骤2.1.3，确定自适应阈值函数，设V通道图像大小为S_k，尺度参数将V通道图像经小波分解两次，即J＝2，自适应阈值则为：

步骤2.1.4，确定最终阈值T₁、T₂，设高频子带图像的调节系数为Cρ，设计阈值公式：

其中，σ依旧用Donoho公式估计，最终取两个阈值T₁＝min{T_B,T_G}和T₂＝max{T_B,T_G}。

步骤3的具体过程为：

步骤3.1，分割分块，统计直方图，具体为：

将V通道的低频子带图像分成大小相等的图像块，子块大小为b×g，

并统计像素块直方图，即h(t)，灰度级为t∈[0,K-1]，K代表灰度级数；

步骤3.2，通过如下公式(18)计算剪切阈值c，像素块内包含的像素数用ξ表示(ξ＝b×g)，L为直方图总灰度级数，设定一个预先设定的对比度受限阈值ct；

步骤3.3，重新分配像素点，将直方图中高于ct的部分剪切，并将剪切的部分根据概率密度函数分配到较为集中的灰度级，设第t级灰度像素数为n_t，总像素数为R，概率密度函数表示为：

定义b_r为需要分配中间色调动态范围，b_min、b_max分别为动态范围的最小值和最大值，则有：

b_r＝d_max-d_min(22)；

设G为被剪切下来的总像素数，需要分配动态范围内平均每个灰度级需要增加的像素数

分配后直方图函数

步骤3.4，直方图均衡化，根据步骤3.3得到的直方图函数，计算图像块的变换函数，对h′(t)进行映射变换，得到变换后的图像F(x,y)；

步骤3.5，双线性插值，在第一块子像素快中，设其中一个像素点灰度为s，临近的四个子块中灰度同为s的变换函数分别为g₁(s)、g₂(s)、g₃(s)、g₄(s)。四个边角区域由一个顶角变换函数代替如下公式：

s'＝g₁(s)(24)；除四角区域的四边区域采用线性插值计算，某一点(x，y)的灰度为s，经过变换后上边，下边，左边，右边该点的灰度分别为公式(25)～(27)所示：

s'＝(1-x)×g₁(s)+x×g₂(s) (25)；

s'＝(1-x)×g₃(s)+x×g₄(s) (26)；

s'＝(1-y)×g₁(s)+x×g₃(s) (27)；

s'＝(1-y)×g₂(s)+x×g₄(s) (28)；

除以上区域的中间区域采用双线性插值计算公式如(29)所示：

s'＝(1-y)×((1-x)×g₁(s)+x×g₂(s))+y×((1-x)×g₃(s)+x×g₄(s)) (29)；

步骤3.5，重构像素值，得到每个图像块的s'后，根据图像块的位置对各图像块进行相应处理得到各像素点的新像素值。

本发明的有益效果是，与现有的方法相比，本发明采用小波变换及Bayes估计对V通道高频图像进行理，估计暗光彩色图像噪声，对高频信息做半软阈值处理，并对细节信息加以增强，去除了原图像噪声对图像效果的影响，抑制了其它增强算法放大图像噪声的问题，提高了图像的清晰度。本发明使用改进的CLAHE算法对图像低频信息做增强处理，再合成彩色图像V通道，颜色空间反变换，能够快速、较好地处理图像对比度异常的问题，最终使图像呈现清晰细致，准确识别结果。

具体实施方式

下面结合具体实施方式对本发明进行详细说明。

本发明一种基于暗光彩色图像的自适应增强方法，其特征在于：具体包括如下步骤：

步骤1，将暗光彩色图像进行HSV颜色空间变换，得到包含亮度信息的V通道图像，对V通道图像进行二次小波分解，得到一个低频子图像W_u和六个高频子图像和

步骤1的具体过程如下：

步骤1.1，将暗光彩色图像分解到RGB颜色空间，RGB颜色空间在某一点的R，G，B的值通过如下公式(1)～(3)转换到HSV空间对应H，S，V的值，在HSV空间内，所有点的H值的集合即为H通道图像，所有点的S值的集合即为S通道图像，所有点的V值集合即为V通道图像；

RGB颜色空间模型是面向硬设备的彩色模型，本发明中需要对亮度信息着重处理和增强，所以再转换到HSV彩色空间，即可对表示明亮程度的V通道进行处理。HSV模型的三维表示是从RGB模型演化而来的，与其它颜色空间模型更接近人类对颜色的感知。

步骤1.2，对步骤1.1得到的V通道图像进行二次小波分解，将V通道图像分解为一个系数为W_u的低频子图像和六个系数为 的高频子图像。

步骤1.2的具体过程如下：

步骤1.2.1，设β为缩放尺度，m、n分别为V通道图像在水平和垂直两个方向上的平移参数；

步骤1.2.2，通过如下公式(4)定义缩放函数u_β,m,n(x,y)：

u_β,m,n(x,y)＝2^β／2u(2^βx-m,2^βy-n) (4)；

通过如下公式(5)定义平移基函数：

上式中，I用于指代H、V、D三个方向，表示对H、V、D方向敏感的小波函数；

步骤1.2.3，设V通道图像尺寸为M×N，设V通道图像函数为f(x,y)，将公式(4)通过离散小波变换得到如下公式(6)：

将公式(5)通过离散小波变换得到如下公式(7)：

步骤1.2.4，令M＝N＝2^Q，Q为常数，对步骤1.2.3中的公式(6)

和(7)进行离散小波反变换得到如下公式(8)，根据如下公式(8)即得经一次小波变换后的1个系数为W_u的低频子带图像和3个系数为 和的高频子带图像，将一次小波变换后得到的1个低频子带图像W_u再进行一次小波变换得到1个系数为W_u′的低频子带图像和3个系数为的最高频子带图像；

其中，β＝0，1，2，…，Q-1，m，n，＝0，1，2，…，2^β-1。

公式(8)中将图像f(x,y)分为两部分，第一部分是高频子带，第二部分是三个方向上的低频子带。对图像的二次小波分解，是从高尺度向低尺度进行分解，先从尺度β+1到β，再到β-1。经过一级变换，图像被分解成4个子带图像W_u、和W_u为一个低频子图像， 和分别代表三个高频子图像。然后W_u将继续被分解为一个低频子图像W_u′和三个较高频子图像和一级分解产生的低频子图像不变，系数不变，即W_u′＝W_u。

步骤2，对步骤1分解得到的系数分别为和的高频子带图像用半软阈值进行处理；

步骤2的具体过程如下：

步骤2.1，计算高频子带图像中的两个最佳阈值T₁和T₂；

步骤2.1的具体过程如下：

步骤2.1.1，建立Bayes风险函数，具体为：

通过如下公式(9)建立高频子带图像模型：

Y_ie＝X_ie+E (9)；

其中，Y_ie为图像信息，X_ie为噪声，E为有效信息；

设噪声X_ie服从高斯分布Bayes风险函数γ(T)为：

步骤2.1.2，通过如下公式(11)设定Bayes风险函数的收缩阈值T_B(σ_z)；

T_B(σ_z)＝βσ²/σ_z (11)；

计算高频子带图像的方差σ²和标准差σ_z，具体为：

因为线性变换的性质，小波变换的噪声，去噪图像和原始图像的方差也存在一定的线性关系噪声部分σ_X，根据不同的子带，值也有所不同。小波变换后得到一个低频子带和多个高频子带，对最高频子带的噪声方差σ²采用Donoho公式估计：

含噪的高频子带图像方差为：

标准差σ_X：

步骤2.1.3，确定自适应阈值函数，设V通道图像大小为S_k，尺度参数将V通道图像经小波分解两次，即J＝2，自适应阈值则为：

步骤2.1.4，确定最终阈值T₁、T₂，设高频子带图像的调节系数为Cρ，设计阈值公式：

其中，σ依旧用Donoho公式估计，最终取两个阈值T₁＝min{T_B,T_G}和T₂＝max{T_B,T_G}。

步骤2.2，通过如下公式(17)所示的半软阈值函数以及步骤2.1所得的两个最佳阈值T₁、T₂对高频子带图像进行阈值处理；

其中，ω_j,k为包含噪声的小波系数，为阈值处理后的小波系数，T为算法所设定的阈值，T₁、T₂为半软阈值的上阈值和下阈值。

步骤3，对步骤1分解得到的低频子带图像(采用改进后的CLAHE算法)进行图像增强；传统的CLAHE算法可以限制噪声放大和局部对比度增强，本发明采用改进的增强方法则在c步骤中做了调整，将剪切下来的像素数分配到中间色调的灰度级，并由概率密度函数决定这一动态范围。这样一来不仅提高了图像的整体亮度，而且根据图像本身的灰度级分配，可以自适应增大其对比度。

步骤3的具体过程为：

步骤3.1，分割分块，统计直方图，具体为：

将V通道的低频子带图像分成大小相等的图像块，子块大小为b×g，并统计像素块直方图，即h(t)，灰度级为t∈[0,K-1]，K代表灰度级数；

步骤3.2，通过如下公式(18)计算剪切阈值c，像素块内包含的像素数用ξ表示(ξ＝b×g)，L为直方图总灰度级数，设定一个预先设定的对比度受限阈值c′；

步骤3.3，重新分配像素点，将直方图中高于c′的部分剪切，并将剪切的部分根据概率密度函数分配到较为集中的灰度级，设第t级灰度像素数为n_t，总像素数为N，概率密度函数表示为：

定义b_r为需要分配中间色调动态范围，b_min、b_max分别为动态范围的最小值和最大值，则有：

b_r＝d_max-d_min (22)；

设G为被剪切下来的总像素数，需要分配动态范围内平均每个灰度级需要增加的像素数

分配后直方图函数

步骤3.4，直方图均衡化，根据步骤3.3得到的直方图函数，计算图像块的变换函数，对h′(t)进行映射变换，得到变换后的图像F(x,y)；

步骤3.5，双线性插值，在第一块子像素快中，设其中一个像素点灰度为s，临近的四个子块中灰度同为s的变换函数分别为g₁(s)、g₂(s)、g₃(s)、g₄(s)。四个边角区域由一个顶角变换函数代替如下公式：

s'＝g₁(s) (24)；

除四角区域的四边区域采用线性插值计算，某一点(x，y)的灰度为s，经过变换后上边，下边，左边，右边该点的灰度分别为公式(25)～(27)所示：

s'＝(1-x)×g₁(s)+x×g₂(s) (25)；

s'＝(1-x)×g₃(s)+x×g₄(s) (26)；

s'＝(1-y)×g₁(s)+x×g₃(s) (27)；

s'＝(1-y)×g₂(s)+x×g₄(s) (28)；

除以上区域的中间区域采用双线性插值计算公式如(29)所示：

s'＝(1-y)×((1-x)×g₁(s)+x×g₂(s))+y×((1-x)×g₃(s)+x×g₄(s)) (29)；

步骤3.5，重构像素值，得到每个图像块的s'后，根据图像块的位置对各图像块进行相应处理得到各像素点的新像素值。

步骤4，将经步骤2处理后的高频子带图像和经步骤3处理后的低频子带图像进行图像重构，对重构后的图像进行HSV反变换得到增强后的彩色图像。

实验验证

如下表1为噪声处理结果比较

表1

	半软阈值	本发明阈值算法
			信噪比	11.532	12.357
均方误差	83.376	80.126

由表1可知，本发明所用算法局部调节相关系数，有效的减小暗光彩色图像均方误差，提高信噪比，遏制噪声污染，还原图像清晰度。

如下表2为算法运行时间比较

表2

由表2可得，与传统的算法相比改进的CLAHE算法运行速度更快，并且根据均方根对比度数据比较，本专利的算法对暗光彩色图像对比度有明显的提升，该方法是一种不仅可以改善图像质量而且有效提高识别率的增强方法。

Claims (6)

1.一种基于暗光彩色图像的自适应增强方法，其特征在于：具体包括如下步骤：

步骤1，将暗光彩色图像进行HSV颜色空间变换，得到包含亮度信息的V通道图像，对V通道图像进行二次小波分解，得到一个低频子图像W_u和六个高频子图像和

步骤2，对步骤1分解得到的高频子带图像 和用半软阈值进行处理；

步骤3，对步骤1分解得到的低频子带图像进行图像增强；

步骤4，将经步骤2处理后的高频子带图像和经步骤3处理后的低频子带图像进行图像重构，对重构后的图像进行HSV反变换得到增强后的彩色图像。

2.根据权利要求1所述的一种基于暗光彩色图像的自适应增强方法，其特征在于：所述步骤1的具体过程如下：

步骤1.1，将暗光彩色图像分解到RGB颜色空间，RGB颜色空间在某一点的R，G，B的值通过如下公式(1)～(3)转换到HSV空间对应H，S，V的值，在HSV空间内，所有点的H值的集合即为H通道图像，所有点的S值的集合即为S通道图像，所有点的V值集合即为V通道图像；

步骤1.2，对步骤1.1得到的V通道图像进行二次小波分解，将V通道图像分解为一个低频子图像W_u和六个高频子图像 和

3.根据权利要求2所述的一种基于暗光彩色图像的自适应增强方法，其特征在于：所述步骤1.2的具体过程如下：

步骤1.2.1，设j为缩放尺度，m、n分别为V通道图像在水平和垂直两个方向上的平移参数；

步骤1.2.2，通过如下公式(4)定义缩放函数u_β,m,n(x,y)：

u_β,m,n(x,y)＝2^β/2u(2^βx-m,2^βy-n) (4)；

通过如下公式(5)定义平移基函数：

上式中，I用于指代H、V、D三个方向，表示对H、V、D方向敏感的小波函数；

步骤1.2.3，设V通道图像尺寸为M×N，设V通道图像函数为f(x,y)，将公式(4)通过离散小波变换得到如下公式(6)：

将公式(5)通过离散小波变换得到如下公式(7)：

步骤1.2.4，令M＝N＝2^Q，Q为常数，对步骤1.2.3中的公式(6)和(7)进行离散小波反变换得到如下公式(8)，根据如下公式(8)即得经一次小波变换后的1个低频子带图像W_u和3个高频子带图像和将一次小波变换后得到的1个低频子带图像W_u再进行一次小波变换得到1个低频子带图像W_u′和3个高频子带图像和

其中，β＝0，1，2，…，Q-1，m，n，＝0，1，2，…，2^β-1。

4.根据权利要求1所述的一种基于暗光彩色图像的自适应增强方法，其特征在于：所述步骤2的具体过程如下：

步骤2.1，计算高频子带图像中的两个最佳阈值T₁和T₂；

步骤2.2，通过如下公式(17)所示的半软阈值函数以及步骤2.1所得的两个最佳阈值T₁、T₂对高频子带图像进行阈值处理；

其中，ω_j,k为包含噪声的小波系数，为阈值处理后的小波系数，T为算法所设定的阈值，T₁、T₂为半软阈值的上阈值和下阈值。

5.根据权利要求4所述的一种基于暗光彩色图像的自适应增强方法，其特征在于：所述步骤2.1的具体过程如下：

步骤2.1.1，建立Bayes风险函数，具体为：

通过如下公式(9)建立高频子带图像模型：

Y_ie＝X_ie+E (9)；

其中，Y_ie为图像信息，X_ie为噪声，E为有效信息；

设噪声X_ie服从高斯分布Bayes风险函数γ(T)为：

步骤2.1.2，通过如下公式(11)设定Bayes风险函数的收缩阈值T_B(σ_z)；

T_B(σ_z)＝βσ²/σ_z (11)；

计算高频子带图像的方差σ²和标准差σ_X，具体为：

对最高频子带的噪声方差σ²采用Donoho公式估计：

含噪的各高频子带图像方差为：

标准差σ_X：

步骤2.1.3，确定自适应阈值函数，设V通道图像大小为S_k，尺度参数将V通道图像经小波分解两次，即J＝2，自适应阈值则为：

步骤2.1.4，确定最终阈值T₁、T₂，设高频子带图像的调节系数为Cρ，设计阈值公式：

其中，σ依旧用Donoho公式估计，最终取两个阈值T₁＝min{T_B,T_G}和T₂＝max{T_B,T_G}。

6.根据权利要求4所述的一种基于暗光彩色图像的自适应增强方法，其特征在于：所述步骤3的具体过程为：

步骤3.1，分割分块，统计直方图，具体为：

将V通道的低频子带图像分成大小相等的图像块，子块大小为b×g，并统计像素块直方图，即h(t)，灰度级为t∈[0,K-1]，K代表灰度级数；

步骤3.2，通过如下公式(18)计算剪切阈值c，像素块内包含的像素数用ξ表示，ξ＝b×g，L为直方图总灰度级数，设定一个预先设定的对比度受限阈值c^t；

步骤3.3，重新分配像素点，将直方图中高于c^t的部分剪切，并将剪切的部分根据概率密度函数分配到较为集中的灰度级，设第t级灰度像素数为n_t，总像素数为R，概率密度函数表示为：

定义b_r为需要分配中间色调动态范围，b_min、b_max分别为动态范围的最小值和最大值，则有：

b_r＝d_max-d_min (22)；

设G为被剪切下来的总像素数，需要分配动态范围内平均每个灰度级需要增加的像素数

分配后直方图函数

步骤3.4，直方图均衡化，根据步骤3.3得到的直方图函数，

计算图像块的变换函数，对h′(t)进行映射变换，得到变换后的图像F(x,y)；

步骤3.5，双线性插值，在第一块子像素快中，设其中一个像素点灰度为s，临近的四个子块中灰度同为s的变换函数分别为g₁(s)、g₂(s)、g₃(s)、g₄(s)；

四个边角区域由一个顶角变换函数代替如下公式：

s'＝g₁(s) (24)；

除四角区域的四边区域采用线性插值计算，某一点(x，y)的灰度为s，经过变换后上边，下边，左边，右边该点的灰度分别为公式(25)～(27)所示：

s'＝(1-x)×g₁(s)+x×g₂(s) (25)；

s'＝(1-x)×g₃(s)+x×g₄(s) (26)；

s'＝(1-y)×g₁(s)+x×g₃(s) (27)；

s'＝(1-y)×g₂(s)+x×g₄(s) (28)；

除以上区域的中间区域采用双线性插值计算公式如(29)所示：

s'＝(1-y)×((1-x)×g₁(s)+x×g₂(s))+y×((1-x)×g₃(s)+x×g₄(s)) (29)；

步骤3.5，重构像素值，得到每个图像块的s'后，根据图像块的位置对各图像块进行相应处理得到各像素点的新像素值。