CN109255756A - 低光照图像的增强方法及装置 - Google Patents
低光照图像的增强方法及装置 Download PDFInfo
- Publication number
- CN109255756A CN109255756A CN201710576592.5A CN201710576592A CN109255756A CN 109255756 A CN109255756 A CN 109255756A CN 201710576592 A CN201710576592 A CN 201710576592A CN 109255756 A CN109255756 A CN 109255756A
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- gradient
- enhanced
- enhancing
- 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 59
- 230000002708 enhancing effect Effects 0.000 claims abstract description 64
- 230000006870 function Effects 0.000 claims description 46
- 230000003416 augmentation Effects 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000002401 inhibitory effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种低光照图像的增强方法及装置,该方法包括:计算原图像至少一个通道图像的增强梯度;建立关于至少一个通道图像的求解亮度分量和反射分量的目标函数;对至少一个通道图像的目标函数进行求解,以获得至少一个通道图像的亮度分量和反射分量;根据至少一个通道图像的亮度分量和反射分量计算至少一个通道增强后的图像;将各通道增强后的图像进行合成,或将某一通道增强后的图像与其他通道的原图像进行合成,以形成增强后的低光照图像。由于在目标函数中不在对数域上求解反射分量和亮度分量,所以有效抑制了图像中的噪声,并且在约束亮度分量的梯度时进行了1范数的约束,所以能够有效避免在图像增强的结果中产生光晕的现象。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种低光照图像的增强方法及装置。
背景技术
低光照图像是指低光照情况下拍摄到的图像,其通常会包含不同的降质现象。比如可见性较差、对比度较低,以及噪声较大。尽管专业的设备以及高级的摄影技巧可以从一定程度上减弱这些降质现象,但是低光照条件下产生噪音是不可避免的,并且目前无法从硬件层面来解决。因此对于普通消费者来说,通过软件手段来对低光照图像进行增强的同时具有去噪的效果是非常关键及实用的。
现有技术中对低光照图像进行增强的方法效果比较好的为基于视网膜技术的方法。它假设图像可以被分为反射和亮度两个分量。单视网膜模型及多尺度视网膜模型将反射分量直接作为图像增强的输出结果。Wang等人提出采用Bright-pass滤波器来将图像分解为反射图和亮度图,并在增强图像细节的同时保持其自然性。基于Wang的工作,Fu等人融合亮度分量的多个衍生图,试图把各个衍生图的优点组合在一起。Guo等人通过引入一个图像结构先验来提高亮度分量的质量。
然而,现有技术中的基于视网膜技术的图像增强方法由于在对数域上求解反射分量和亮度分量,因此会增大潜在的噪声,并且图像增强的结果会产生光晕。
发明内容
本发明实施例提供一种低光照图像的增强方法及装置,解决了现有技术中基于视网膜技术的图像增强方法会增大潜在的噪声并且图像增强的结果会产生光晕的技术问题。
本发明实施例提供一种低光照图像的增强方法,包括:
计算原图像至少一个通道图像的增强梯度;
建立关于至少一个通道图像的求解亮度分量和反射分量的目标函数,所述目标函数为:其中,所述I为某一通道图像;所述R为该通道图像的反射分量,所述L为该通道图像的亮度分量,所述G为该通道图像的增强梯度,所述α、所述β、所述ω分别为对应项的权重系数;
对所述至少一个通道图像的目标函数进行求解,以获得至少一个通道图像的亮度分量和反射分量;
根据至少一个通道图像的亮度分量和反射分量计算至少一个通道增强后的图像;
将各通道增强后的图像进行合成,或将某一通道增强后的图像与其他通道的原图像进行合成,以形成增强后的低光照图像。
本发明实施例提供一种低光照图像的增强装置,包括:
增强梯度计算模块,用于计算原图像至少一个通道图像的增强梯度;
目标函数建立模块,用于建立关于至少一个通道图像的求解亮度分量和反射分量的目标函数,所述目标函数为:其中,所述I为某一通道图像;所述R为该通道图像的反射分量,所述L为该通道图像的亮度分量,所述G为该通道图像的增强梯度,所述α、所述β、所述ω分别为对应项的权重系数;
目标函数求解模块,用于对所述至少一个通道图像的目标函数进行求解,以获得至少一个通道图像的亮度分量和反射分量;
通道增强图像计算模块,用于根据至少一个通道图像的亮度分量和反射分量计算至少一个通道增强后的图像;
增强图像合成模块,用于将各通道增强后的图像进行合成,或将某一通道增强后的图像与其他通道的原图像进行合成,以形成增强后的低光照图像。
本发明实施例提供一种低光照图像的增强方法及装置,通过计算原图像至少一个通道图像的增强梯度;建立关于至少一个通道图像的求解亮度分量和反射分量的目标函数,目标函数为:对至少一个通道图像的目标函数进行求解,以获得至少一个通道图像的亮度分量和反射分量;根据至少一个通道图像的亮度分量和反射分量计算至少一个通道增强后的图像;将各通道增强后的图像进行合成,或将某一通道增强后的图像与其他通道的原图像进行合成,以形成增强后的低光照图像。由于在目标函数中不在对数域上求解反射分量和亮度分量,所以有效抑制了图像中的噪声,并且在约束亮度分量的梯度时进行了1范数的约束,所以能够有效避免在图像增强的结果中产生光晕的现象。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明低光照图像的增强方法实施例一的流程图;
图2为本发明低光照图像的增强方法实施例二的流程图;
图3为本发明低光照图像的增强装置实施例一的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
图1为本发明低光照图像的增强方法实施例一的流程图,如图1所示,本实施例的执行主体为低光照图像的增强装置,该低光照图像的增强装置可以集成在计算机或服务器中,则本实施例提供的低光照图像的增强方法包括以下几个步骤。
步骤101,计算原图像至少一个通道图像的增强梯度。
其中,原图像为未经过处理的低光照图像。原图像的格式可以为RGB格式,也可以为HSV格式,还可以为其他格式,本实施例中不做限定。
若原图像的格式为RGB格式,则原图像的通道图像包括R通道图像,G通道图像和B通道图像,若原图像的格式为HSV格式,则原图像的通道图像包括H通道图像,S通道图像和V通道图像。
本实施例中,通道图像的增强梯度可以为通道图像的梯度和梯度的增强系数点乘后的梯度。也可以为将通道图像的梯度进行阈值处理后与梯度的增强系数点乘后的梯度,本实施例中对此不做限定。
其中,梯度的增强系数可以为一个常数或者为一个用函数表示的系数,本实施例中不做限定。
本实施例中,计算原图像至少一个通道图像的增强梯度,具体包括:若原图像为RGB格式的图像,则计算原图像的R通道图像、G通道图像及B通道图像的增强梯度。或者,若原图像为RGB格式的图像,则将原图像转换为HSV格式,并计算HSV格式的原图像的V通道图像的增强梯度。若原图像为HSV格式的图像,则计算原图像的V通道图像的增强梯度。
步骤102,建立关于至少一个通道图像的求解亮度分量和反射分量的目标函数。
其中,目标函数表示为式(1)所示:
其中,I为某一通道图像;R为该通道图像的反射分量,L为该通道图像的亮度分量,G为该通道图像的增强梯度,α、β、ω分别为对应项的权重系数。0<α<1、0<β<1、0<ω<1。
在式(1)中,表示2范数,“||||1”表示1范数,表示梯度,“ο”表示点乘。
本实施例中,目标函数表示使得原图像的通道图像在保真的同时,使亮度分量分段光滑,并尽量去除通道图像中的噪声。在约束亮度分量的梯度时,采用了1范数,能够避免在增强结果中产生光晕效果。
步骤103,对至少一个通道图像的目标函数进行求解,以获得至少一个通道图像的亮度分量和反射分量。
具体地,本实施例中,对目标函数的求解方法可以为将至少一个通道图像的目标函数转化为增广拉个朗日方程;通过迭代增广拉个朗日方程中的某一变量并固定其他变量的方法对增广拉个朗日方程进行求解,以获得至少一个通道图像的亮度分量和反射分量,还可以为其他求解方法,本实施例中对此不做限定。
步骤104,根据至少一个通道图像的亮度分量和反射分量计算至少一个通道增强后的图像。
具体地,本实施例中,通过对至少一个通道的亮度分量进行调整,并与反射分量进行点乘,获得至少一个通道增强后的图像。
步骤105,将各通道增强后的图像进行合成,或将某一通道增强后的图像与其他通道的原图像进行合成,以形成增强后的低光照图像。
本实施例提供的低光照图像的增强方法,通过计算原图像至少一个通道图像的增强梯度;建立关于至少一个通道图像的求解亮度分量和反射分量的目标函数,目标函数为:对至少一个通道图像的目标函数进行求解,以获得至少一个通道图像的亮度分量和反射分量;根据至少一个通道图像的亮度分量和反射分量计算至少一个通道增强后的图像;将各通道增强后的图像进行合成,或将某一通道增强后的图像与其他通道的原图像进行合成,以形成增强后的低光照图像。由于在目标函数中不在对数域上求解反射分量和亮度分量,所以有效抑制了图像中的噪声,并且在约束亮度分量的梯度时进行了1范数的约束,所以能够有效避免在图像增强的结果中产生光晕的现象。
进一步地,本实施例中,在步骤101,计算原图像至少一个通道图像的增强梯度,具体包括:
若原图像为RGB格式的图像,则计算原图像的R通道图像、G通道图像及B通道图像的增强梯度;若原图像为HSV格式的图像,则计算原图像的V通道图像的增强梯度。
相应地,本实施例中,在步骤105,将各通道增强后的图像进行合成,或将某一通道增强后的图像与其他通道的原图像进行合成,以形成增强后的低光照图像,具体包括:
若原图像为RGB格式的图像,则将R通道增强后的图像、G通道增强后的图像及B通道增强后的图像进行合成,以形成增强后的低光照图像。若原图像为HSV格式的图像,则将V通道增强后的图像与H通道的原图像和S通道的原图像进行合成,以形成增强后的低光照图像。
图2为本发明低光照图像的增强方法实施例二的流程图,如图2所示,本实施例提供的低光照图像的增强方法,是在本发明低光照图像的增强方法实施例一的基础上,对步骤101、步骤103-步骤105的进一步细化,需要说明的是,本实施例中,至少一个通道图像为V通道图像。则本实施例提供的低光照图像的增强方法包括以下步骤。
步骤201,判断原图像是否为HSV格式的图像,若否,则执行步骤202,否则,执行步骤203。
步骤202,将原图像转换为HSV格式的图像。
步骤203,计算原图像至少一个通道图像的增强梯度。
进一步地,本实施例中,为了减少计算量,则判断原图像是否为HSV格式的图像,若否,则将原图像转换为HSV格式的图像,以只计算V通道图像的增强梯度。
进一步地,本实施例中,计算原图像至少一个通道图像的增强梯度,具体包括:
首先,计算原图像至少一个通道图像的梯度。
其中,原图像的V通道图像的梯度表示为
其次,对至少一个通道图像的梯度进行阈值处理,以获得对应的阈值处理后的梯度。
其中,阈值处理后的梯度表示为其可表示为式(2)所示。
其中,ε为一个大于零的数,其取值可进行多次试验后寻优确定,本实施例中对该数值不做限定。
再次,计算至少一个通道图像的梯度的增强系数。
其中,V通道图像的梯度的增强系数可表示为K,其计算公式可表示为式(3)所示。
其中,λ和σ取值为大于零的数,如λ=10,σ=10,λ和σ的取值本实施例中不做限定。
最后,将至少一个通道图像的梯度的增强系数和对应的阈值处理后的梯度进行点乘运算,以获得原图像至少一个通道图像的增强梯度。
具体地,V通道图像的增强梯度表示为G,其计算公式可表示为式(4)所示。
步骤204,建立关于至少一个通道图像的求解亮度分量和反射分量的目标函数。
其中,目标函数表示为式(1)所示。
本实施例中,步骤204的实现方式与本发明低光照图像的增强方法实施例一中的步骤102的实现方式相同,在此不再一一赘述。
步骤205,对至少一个通道图像的目标函数进行求解,以获得至少一个通道图像的亮度分量和反射分量。
进一步地,本实施例中,步骤205,对至少一个通道图像的目标函数进行求解,以获得至少一个通道图像的亮度分量和反射分量,具体包括:
首先,将至少一个通道图像的目标函数转化为增广拉个朗日方程。
其中,增广拉个朗日方程可表示为式(5)所示。
其中,T为引入的辅助变量,Z为拉格朗日乘子,μ为拉格朗日权重系数。“<>”表示矩阵的内积运算。
其次,通过迭代增广拉个朗日方程中的某一变量并固定其他变量的方法对增广拉个朗日方程进行求解,以获得至少一个通道图像的亮度分量和反射分量。
其中,增广拉个朗日方程中的变量包括:亮度分量、反射分量、辅助变量、拉格朗日乘子及拉格朗日权重系数。
具体地,本实施例中,通过迭代反射分量R,并固定其他变量获得的关于R的子问题可通过求解式(6)的优化问题得到。
其中,通过最小二乘法求得的R的闭式解可表示为式(7)所示。
其中,k表示第k次的迭代。迭代的次数预先设定,或者根据前一次和后一次迭代后的变量之间的差值绝对值是否小于预设阈值来确定。
本实施例中,通过迭代反射分量L,并固定其他变量获得的关于L的子问题可通过求解式(8)的优化问题得到。
其中,通过最小二乘法求得的L的闭式解可表示为式(9)所示。
本实施例中,通过迭代反射分量T,并固定其他变量获得的关于T的子问题可通过求解式(10)的优化问题得到。
其中,通过阈值收敛法求得的T的闭式解可表示为式(11)所示。
其中,Sε(x)=sign(x)max(|x|-ε,0)。
本实施例中,通过式(12)和式(13)更新拉格朗日乘子Z和拉格朗日权重系数μ。
μ(k+1)=μ(k)ρ (13)
其中,ρ是大于1的常数。
步骤206,根据至少一个通道图像的亮度分量和反射分量计算至少一个通道增强后的图像。
进一步地,本实施例中,根据至少一个通道图像的亮度分量和反射分量计算至少一个通道增强后的图像,具体包括:
首先,对至少一个通道图像的亮度分量进行伽马校验,得到对应的伽马校验后的亮度分量。
具体地,V通道图像的亮度分量进行伽马校验可表示为式(14)所示。
其中,γ为大于零的数,其取值不做限定,如可以为2.2或其他数值。
其次,将至少一个通道图像的反射分量和对应的伽马校验后的亮度分量进行点乘运算,得到至少一个通道增强后的图像。
具体地,本实施例中,V通道增强后的图像可以表示为其计算公式可表示为式(15)所示:
步骤207,将V通道增强后的图像与H通道的原图像和S通道的原图像进行合成,以形成增强后的低光照图像。
本实施例中,将各通道图像合成为HSV格式的低光照图像的方法为现有技术,本实施例中不再赘述。
本实施例提供的低光照图像的增强方法,通过判断原图像是否为HSV格式的图像,若否,则将原图像转换为HSV格式的图像,计算原图像至少一个通道图像的增强梯度,其中的至少一个通道的图像为V通道的图像,建立关于至少一个通道图像的求解亮度分量和反射分量的目标函数,对至少一个通道图像的目标函数进行求解,以获得至少一个通道图像的亮度分量和反射分量,根据至少一个通道图像的亮度分量和反射分量计算至少一个通道增强后的图像,将V通道增强后的图像与H通道的原图像和S通道的原图像进行合成,以形成增强后的低光照图像,能够只采用增强后的图像与H通道的原图像和S通道的原图像进行合成,以形成增强后的低光照图像,减少了进行图像增强的计算量,并且计算V通道图像的梯度的增强系数时,对V通道图像的梯度进行阈值处理,可进一步减少原图像中的噪声。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图3为本发明低光照图像的增强装置实施例一的结构示意图,如图3所示,本实施例提供的低光照图像的增强装置包括:增强梯度计算模块31,目标函数建立模块32,目标函数求解模块33,通道增强图像计算模块34及增强图像合成模块35
其中,增强梯度计算模块31,用于计算原图像至少一个通道图像的增强梯度。目标函数建立模块32,用于建立关于至少一个通道图像的求解亮度分量和反射分量的目标函数,目标函数为:其中,I为某一通道图像;R为该通道图像的反射分量,L为该通道图像的亮度分量,G为该通道图像的增强梯度,α、β、ω分别为对应项的权重系数。目标函数求解模块33,用于对至少一个通道图像的目标函数进行求解,以获得至少一个通道图像的亮度分量和反射分量。通道增强图像计算模块34,用于根据至少一个通道图像的亮度分量和反射分量计算至少一个通道增强后的图像。增强图像合成模块35,用于将各通道增强后的图像进行合成,或将某一通道增强后的图像与其他通道的原图像进行合成,以形成增强后的低光照图像。
本实施例提供的低光照图像的增强装置可以执行图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
进一步地,本实施例中,增强梯度计算模块31,具体用于:若原图像为RGB格式的图像,则计算原图像的R通道图像、G通道图像及B通道图像的增强梯度;若原图像为HSV格式的图像,则计算原图像的V通道图像的增强梯度。
进一步地,增强图像合成模块35,具体用于:若原图像为RGB格式的图像,则将R通道增强后的图像、G通道增强后的图像及B通道增强后的图像进行合成,以形成增强后的低光照图像;若原图像为HSV格式的图像,则将V通道增强后的图像与H通道的原图像和S通道的原图像进行合成,以形成增强后的低光照图像。
进一步地,目标函数求解模块33,具体用于:将至少一个通道图像的目标函数转化为增广拉个朗日方程;通过迭代增广拉个朗日方程中的某一变量并固定其他变量的方法对增广拉个朗日方程进行求解,以获得至少一个通道图像的亮度分量和反射分量;其中,增广拉个朗日方程中的变量包括:亮度分量、反射分量、辅助变量、拉格朗日乘子及拉格朗日权重系数。
进一步地,通道增强图像计算模块34,具体用于:对至少一个通道图像的亮度分量进行伽马校验,得到对应的伽马校验后的亮度分量;将至少一个通道图像的反射分量和对应的伽马校验后的亮度分量进行点乘运算,得到至少一个通道增强后的图像。
进一步地,增强梯度计算模块31,具体用于:计算原图像至少一个通道图像的梯度;对至少一个通道图像的梯度进行阈值处理,以获得对应的阈值处理后的梯度;计算至少一个通道图像的梯度的增强系数;将至少一个通道图像的梯度的增强系数和对应的阈值处理后的梯度进行点乘运算,以获得原图像至少一个通道图像的增强梯度。
进一步地,本实施例提供的低光照图像的增强装置可以执行图2所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种低光照图像的增强方法,其特征在于,包括:
计算原图像至少一个通道图像的增强梯度;
建立关于至少一个通道图像的求解亮度分量和反射分量的目标函数,所述目标函数为:其中,所述I为某一通道图像;所述R为该通道图像的反射分量,所述L为该通道图像的亮度分量,所述G为该通道图像的增强梯度,所述α、所述β、所述ω分别为对应项的权重系数;
对所述至少一个通道图像的目标函数进行求解,以获得至少一个通道图像的亮度分量和反射分量;
根据至少一个通道图像的亮度分量和反射分量计算至少一个通道增强后的图像;
将各通道增强后的图像进行合成,或将某一通道增强后的图像与其他通道的原图像进行合成,以形成增强后的低光照图像。
2.根据权利要求1所述的方法,其特征在于,所述计算原图像至少一个通道图像的增强梯度,具体包括:
若所述原图像为RGB格式的图像,则计算原图像的R通道图像、G通道图像及B通道图像的增强梯度;
若所述原图像为HSV格式的图像,则计算原图像的V通道图像的增强梯度。
3.根据权利要求2所述的方法,其特征在于,所述将各通道增强后的图像进行合成,或将某一通道增强后的图像与其他通道的原图像进行合成,以形成增强后的低光照图像,具体包括:
若所述原图像为RGB格式的图像,则将R通道增强后的图像、G通道增强后的图像及B通道增强后的图像进行合成,以形成增强后的低光照图像;
若所述原图像为HSV格式的图像,则将V通道增强后的图像与H通道的原图像和S通道的原图像进行合成,以形成增强后的低光照图像。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述对所述至少一个通道图像的目标函数进行求解,以获得至少一个通道图像的亮度分量和反射分量,具体包括:
将所述至少一个通道图像的目标函数转化为增广拉个朗日方程;
通过迭代增广拉个朗日方程中的某一变量并固定其他变量的方法对所述增广拉个朗日方程进行求解,以获得至少一个通道图像的亮度分量和反射分量;
其中,所述增广拉个朗日方程中的变量包括:亮度分量、反射分量、辅助变量、拉格朗日乘子及拉格朗日权重系数。
5.根据权利要求4所述的方法,其特征在于,所述根据至少一个通道图像的亮度分量和反射分量计算至少一个通道增强后的图像,具体包括:
对至少一个通道图像的亮度分量进行伽马校验,得到对应的伽马校验后的亮度分量;
将至少一个通道图像的反射分量和对应的伽马校验后的亮度分量进行点乘运算,得到至少一个通道增强后的图像。
6.根据权利要求5所述的方法,其特征在于,所述计算原图像至少一个通道图像的增强梯度,具体包括:
计算原图像至少一个通道图像的梯度;
对所述至少一个通道图像的梯度进行阈值处理,以获得对应的阈值处理后的梯度;
计算至少一个通道图像的梯度的增强系数;
将所述至少一个通道图像的梯度的增强系数和对应的阈值处理后的梯度进行点乘运算,以获得原图像至少一个通道图像的增强梯度。
7.一种低光照图像的增强装置,其特征在于,包括:
增强梯度计算模块,用于计算原图像至少一个通道图像的增强梯度;
目标函数建立模块,用于建立关于至少一个通道图像的求解亮度分量和反射分量的目标函数,所述目标函数为:其中,所述I为某一通道图像;所述R为该通道图像的反射分量,所述L为该通道图像的亮度分量,所述G为该通道图像的增强梯度,所述α、所述β、所述ω分别为对应项的权重系数;
目标函数求解模块,用于对所述至少一个通道图像的目标函数进行求解,以获得至少一个通道图像的亮度分量和反射分量;
通道增强图像计算模块,用于根据至少一个通道图像的亮度分量和反射分量计算至少一个通道增强后的图像;
增强图像合成模块,用于将各通道增强后的图像进行合成,或将某一通道增强后的图像与其他通道的原图像进行合成,以形成增强后的低光照图像。
8.根据权利要求7所述的装置,其特征在于,所述增强梯度计算模块,具体用于:
若所述原图像为RGB格式的图像,则计算原图像的R通道图像、G通道图像及B通道图像的增强梯度;若所述原图像为HSV格式的图像,则计算原图像的V通道图像的增强梯度。
9.根据权利要求8所述的装置,其特征在于,所述增强图像合成模块,具体用于:
若所述原图像为RGB格式的图像,则将R通道增强后的图像、G通道增强后的图像及B通道增强后的图像进行合成,以形成增强后的低光照图像;若所述原图像为HSV格式的图像,则将V通道增强后的图像与H通道的原图像和S通道的原图像进行合成,以形成增强后的低光照图像。
10.根据权利要求7-9中任一项所述的装置,其特征在于,所述目标函数求解模块,具体用于:
将所述至少一个通道图像的目标函数转化为增广拉个朗日方程;通过迭代增广拉个朗日方程中的某一变量并固定其他变量的方法对所述增广拉个朗日方程进行求解,以获得至少一个通道图像的亮度分量和反射分量;其中,所述增广拉个朗日方程中的变量包括:亮度分量、反射分量、辅助变量、拉格朗日乘子及拉格朗日权重系数。
11.根据权利要求10所述的装置,其特征在于,所述通道增强图像计算模块,具体用于:
对至少一个通道图像的亮度分量进行伽马校验,得到对应的伽马校验后的亮度分量;将至少一个通道图像的反射分量和对应的伽马校验后的亮度分量进行点乘运算,得到至少一个通道增强后的图像。
12.根据权利要求11所述的装置,其特征在于,所述增强梯度计算模块,具体用于:
计算原图像至少一个通道图像的梯度;对所述至少一个通道图像的梯度进行阈值处理,以获得对应的阈值处理后的梯度;计算至少一个通道图像的梯度的增强系数;将所述至少一个通道图像的梯度的增强系数和对应的阈值处理后的梯度进行点乘运算,以获得原图像至少一个通道图像的增强梯度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710576592.5A CN109255756B (zh) | 2017-07-14 | 2017-07-14 | 低光照图像的增强方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710576592.5A CN109255756B (zh) | 2017-07-14 | 2017-07-14 | 低光照图像的增强方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109255756A true CN109255756A (zh) | 2019-01-22 |
CN109255756B CN109255756B (zh) | 2020-12-29 |
Family
ID=65051861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710576592.5A Expired - Fee Related CN109255756B (zh) | 2017-07-14 | 2017-07-14 | 低光照图像的增强方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109255756B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381761A (zh) * | 2020-10-12 | 2021-02-19 | 华南理工大学 | 一种鲁棒的低光照增强图像质量评价方法 |
CN112580672A (zh) * | 2020-12-28 | 2021-03-30 | 安徽创世科技股份有限公司 | 一种适用于暗环境的车牌识别预处理方法、装置及存储介质 |
CN113822826A (zh) * | 2021-11-25 | 2021-12-21 | 江苏游隼微电子有限公司 | 一种低照度图像亮度增强方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101276464A (zh) * | 2007-03-26 | 2008-10-01 | 株式会社东芝 | 图像处理装置及方法 |
US7672507B2 (en) * | 2004-01-30 | 2010-03-02 | Hewlett-Packard Development Company, L.P. | Image processing methods and systems |
CN103593830A (zh) * | 2013-11-29 | 2014-02-19 | 大连理工大学 | 一种低照度视频图像增强方法 |
CN103914863A (zh) * | 2014-03-10 | 2014-07-09 | 西藏民族学院 | 一种彩色图像抽象化绘制方法 |
CN105096278A (zh) * | 2015-09-22 | 2015-11-25 | 南阳理工学院 | 基于光照调整的图像增强方法和设备 |
CN105654437A (zh) * | 2015-12-24 | 2016-06-08 | 广东迅通科技股份有限公司 | 一种对低照度图像的增强方法 |
US20160225125A1 (en) * | 2015-01-30 | 2016-08-04 | Boe Technology Group Co., Ltd. | Image Interpolation Method and Image Interpolation Apparatus |
US20170193637A1 (en) * | 2013-03-13 | 2017-07-06 | Fujitsu Frontech Limited | Image processing apparatus, image processing method, and computer-readable recording medium |
-
2017
- 2017-07-14 CN CN201710576592.5A patent/CN109255756B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7672507B2 (en) * | 2004-01-30 | 2010-03-02 | Hewlett-Packard Development Company, L.P. | Image processing methods and systems |
CN101276464A (zh) * | 2007-03-26 | 2008-10-01 | 株式会社东芝 | 图像处理装置及方法 |
US20170193637A1 (en) * | 2013-03-13 | 2017-07-06 | Fujitsu Frontech Limited | Image processing apparatus, image processing method, and computer-readable recording medium |
CN103593830A (zh) * | 2013-11-29 | 2014-02-19 | 大连理工大学 | 一种低照度视频图像增强方法 |
CN103914863A (zh) * | 2014-03-10 | 2014-07-09 | 西藏民族学院 | 一种彩色图像抽象化绘制方法 |
US20160225125A1 (en) * | 2015-01-30 | 2016-08-04 | Boe Technology Group Co., Ltd. | Image Interpolation Method and Image Interpolation Apparatus |
CN105096278A (zh) * | 2015-09-22 | 2015-11-25 | 南阳理工学院 | 基于光照调整的图像增强方法和设备 |
CN105654437A (zh) * | 2015-12-24 | 2016-06-08 | 广东迅通科技股份有限公司 | 一种对低照度图像的增强方法 |
Non-Patent Citations (3)
Title |
---|
罗咏梅: "低照度图像降噪技术研究", 《中国优秀硕士学位论文全文库信息科技辑》 * |
郭晓婷: "低照度图像增强算法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
韩希珍: "基于偏微分方程的图像增强方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381761A (zh) * | 2020-10-12 | 2021-02-19 | 华南理工大学 | 一种鲁棒的低光照增强图像质量评价方法 |
CN112381761B (zh) * | 2020-10-12 | 2022-09-30 | 华南理工大学 | 一种鲁棒的低光照增强图像质量评价方法 |
CN112580672A (zh) * | 2020-12-28 | 2021-03-30 | 安徽创世科技股份有限公司 | 一种适用于暗环境的车牌识别预处理方法、装置及存储介质 |
CN113822826A (zh) * | 2021-11-25 | 2021-12-21 | 江苏游隼微电子有限公司 | 一种低照度图像亮度增强方法 |
CN113822826B (zh) * | 2021-11-25 | 2022-02-11 | 江苏游隼微电子有限公司 | 一种低照度图像亮度增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109255756B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10977530B2 (en) | ThunderNet: a turbo unified network for real-time semantic segmentation | |
WO2018166438A1 (zh) | 图像处理方法、装置及电子设备 | |
KR102053202B1 (ko) | 머신 러닝의 학습성능 강화장치 및 방법 | |
CN109509248B (zh) | 一种基于神经网络的光子映射渲染方法和系统 | |
CN109255756A (zh) | 低光照图像的增强方法及装置 | |
CN111832745A (zh) | 数据增广的方法、装置及电子设备 | |
CN114187624B (zh) | 图像生成方法、装置、电子设备及存储介质 | |
US10169908B2 (en) | Method, apparatus, storage medium and device for controlled synthesis of inhomogeneous textures | |
CN113379877B (zh) | 人脸视频生成方法、装置、电子设备及存储介质 | |
Xu et al. | Deep retinex decomposition network for underwater image enhancement | |
CN111739037B (zh) | 一种针对室内场景rgb-d图像的语义分割方法 | |
CN104835177A (zh) | 一种月光干扰下星点分割方法及其fpga实现装置 | |
US20230245396A1 (en) | System and method for three-dimensional scene reconstruction and understanding in extended reality (xr) applications | |
CN109086690A (zh) | 图像特征提取方法、目标识别方法及对应装置 | |
CN116757986A (zh) | 一种红外与可见光图像融合方法及装置 | |
US10521918B2 (en) | Method and device for filtering texture, using patch shift | |
US10268881B2 (en) | Pattern classifying apparatus, information processing apparatus, pattern classifying method, and non-transitory computer readable storage medium | |
Singh et al. | Lightweight network for video motion magnification | |
JP6647475B2 (ja) | 言語処理装置、言語処理システムおよび言語処理方法 | |
US9514722B1 (en) | Automatic detection of dense ornamentation in music | |
Hou et al. | Efficient L 1-based nonlocal total variational model of Retinex for image restoration | |
Khodary et al. | A new image-sequence haze removal system based on DM6446 Davinci processor | |
CN115311544A (zh) | 一种水下鱼类目标检测方法及装置 | |
US20140112588A1 (en) | Real-Time Image Reconstruction | |
CN117315148B (zh) | 三维物体风格化方法、装置、设备、存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230410 Address after: 100871 No. 5, the Summer Palace Road, Beijing, Haidian District Patentee after: Peking University Address before: 100871 No. 5, the Summer Palace Road, Beijing, Haidian District Patentee before: Peking University Patentee before: PEKING UNIVERSITY FOUNDER GROUP Co.,Ltd. Patentee before: BEIJING FOUNDER ELECTRONICS Co.,Ltd. |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201229 |