CN109658341A - 增强图像对比度的方法及其装置 - Google Patents
增强图像对比度的方法及其装置 Download PDFInfo
- Publication number
- CN109658341A CN109658341A CN201811259739.9A CN201811259739A CN109658341A CN 109658341 A CN109658341 A CN 109658341A CN 201811259739 A CN201811259739 A CN 201811259739A CN 109658341 A CN109658341 A CN 109658341A
- Authority
- CN
- China
- Prior art keywords
- pixel
- value
- detail pictures
- luminance component
- image
- 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 23
- 230000002708 enhancing effect Effects 0.000 claims abstract description 62
- 238000012937 correction Methods 0.000 claims abstract description 40
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 108010001267 Protein Subunits Proteins 0.000 claims description 2
- 239000002956 ash Substances 0.000 claims 10
- 235000002918 Fraxinus excelsior Nutrition 0.000 claims 1
- 230000001537 neural effect Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 6
- 238000012546 transfer Methods 0.000 abstract description 3
- 210000002569 neuron Anatomy 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- FBOUIAKEJMZPQG-AWNIVKPZSA-N (1E)-1-(2,4-dichlorophenyl)-4,4-dimethyl-2-(1,2,4-triazol-1-yl)pent-1-en-3-ol Chemical compound C1=NC=NN1/C(C(O)C(C)(C)C)=C/C1=CC=C(Cl)C=C1Cl FBOUIAKEJMZPQG-AWNIVKPZSA-N 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 241000238097 Callinectes sapidus Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000000857 visual cortex Anatomy 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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种增强图像对比度的方法及其装置，通过将源图像从RGB空间转至YCbCr空间以提取亮度分量并使其对应非彩色图像进行伽马曲线校正以获得暗区细节图像和亮区细节图像，利用PCNN模型将暗区细节图像和亮区细节图像融合以得到对比度增强的亮度分量，对比增强的亮度分量及未调整的分量转回至RGB颜色空间，得对比度增强图像，同时，对比度增强的图像的细节部分也得到保护，对比度增强的图像也是噪点现象得到改善的图像。
Description
技术领域
本发明涉及数字图像处理技术领域，尤其涉及一种增强图像对比度的方法及其装置。
技术背景
直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。如图1所示，直方图均衡化通过使原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内地均匀分布，该方法增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。该方法对于整体偏暗或偏亮的图像有明显效果，然而其会导致图像失去部分细节。
因此，有必要提出一种技术方案以解决现有技术在提高图像对比度时会失去图像部分细节的问题。
发明内容
鉴于此，本发明的目的在于提供一种增强图像对比度的方法，以解决现有技术在提高图像对比度时会失去图像部分细节的问题。
为实现上述目的，技术方案如下。
一种增强图像对比度的方法，包括如下步骤：
将源图像从RGB颜色空间转换至YCbCr颜色空间；
获取所述源图像在YCbCr空间的亮度分量Y、蓝色色度分量Cb以及红色色度分量Cr；
调整所述亮度分量Y以获得处理后的图像；
将所述处理后的图像转换至RGB颜色空间，得对比度增强的图像；
其中，所述调整所述亮度分量Y以获得处理后的图像包括如下步骤：
将所述亮度分量Y对应的非彩色图像进行伽马曲线校正以分别拉伸低灰阶和拉伸高灰阶，分别得暗区细节图像和亮区细节图像；
采用脉冲耦合神经网络模型将所述暗区细节图像和所述亮区细节图像进行融合，得对比度增强的亮度分量Y1；
所述对比度增强的亮度分量Y1、所述蓝色色度分量Cb以及所述红色色度分量Cr构成所述处理后的图像。
在上述增强图像对比度的方法中，所述采用脉冲耦合神经网络模型将所述暗区细节图像和所述亮区细节图像进行融合包括如下步骤：
分别计算所述暗区细节图像和所述亮区细节图像中像素(i，j)灰度梯度值的绝对值作为第一刺激值和第二刺激值；
分别计算所述暗区细节图像和所述亮区细节图像中所述像素(i，j)的灰度值与128灰阶的差值的绝对值作为第一强度连接值和第二强度连接值；
将所述第一刺激值和所述第一强度连接值作为所述像素(i，j)在第一通道的输入值并迭代N次，获取所述暗区细节图像对应的第一点火矩阵；
将所述第二刺激值和所述第二强度连接值作为所述像素(i，j)在第二通道的输入值并迭代N次，获取所述亮区细节图像对应的第二点火矩阵；
将所述第一点火矩阵和所述第二点火矩阵中所述像素(i，j)的点火值进行比较，获取所述对比度增强的亮度分量Y1；
其中，所述N为大于0的整数，所述像素(i，j)表示位于第i行第j列的像素，所述i和j均为大于0的正整数；
所述脉冲耦合神经网络模型包括所述第一通道和所述第二通道。
在上述增强图像对比度的方法中，所述将所述第一点火矩阵和所述第二点火矩阵中所述像素(i，j)的点火值进行比较包括如下步骤：
若所述像素(i，j)在所述第一点火矩阵中的点火值大于所述像素(i，j)在所述第二点火矩阵中的点火值，则所述像素(i，j)融合后的灰度值为所述暗区细节图像中所述像素(i，j)的灰度值；
若所述像素(i，j)在所述第一点火矩阵中的点火值小于或等于所述像素(i，j)在所述第二点火矩阵中的点火值，则所述像素(i，j)融合后的灰度值为所述亮区细节图像中所述像素(i，j)的灰度值；
所述像素(i，j)融合后的灰度值构成所述对比度增强的亮度分量Y1。
在上述增强图像对比度的方法中，用拉普拉斯算子、高斯拉普拉斯算子、凯尼(Canny)算子、索贝尔(Sobel)算子中的任意一种以计算所述暗区细节图像和所述亮区细节图像中所述像素(i，j)的灰度梯度值。
在上述增强图像对比度的方法中，所述将所述亮度分量Y对应的非彩色图像进行伽马曲线矫正以分别拉伸低灰阶和拉伸高灰阶包括如下步骤：
将所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸低灰阶，得所述暗区细节图像；
将所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸高灰阶，得所述亮区细节图像；
所述伽马曲线对应的函数为y＝255·(x/255)^(γ/2.2)，所述x为所述亮度分量Y对应的非彩色图像中像素(i，j)的灰度值，所述γ为灰度系数，所述y为拉伸后亮度分量Y中像素(i，j)的灰度值；
所述γ大于0且小于2.2时，所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸低灰阶，所述γ大于2.2时，所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸高灰阶。
本发明的又一目的是提供一种增强图像对比度的装置。
一种增强图像对比度的装置，包括：
第一转换模块，用于将源图像从RGB颜色空间转换至YCbCr颜色空间；
获取模块，用于获取所述源图像在YCbCr空间的亮度分量Y、蓝色色度分量Cb以及红色色度分量Cr；
亮度调整模块，用于调整所述亮度分量Y以获得处理后的图像；
第二转换模块，用于将所述处理后的图像转换至RGB颜色空间，得对比度增强的图像；
其中，所述亮度调整模块包括:
灰阶拉伸单元，用于将所述亮度分量Y对应的非彩色图像进行伽马曲线校正以分别拉伸低灰阶和拉伸高灰阶，分别得暗区细节图像和亮区细节图像；
融合单元，用于采用脉冲耦合神经网络模型将所述暗区细节图像和所述亮区细节图像进行融合，得对比度增强的亮度分量Y1；
所述对比度增强的亮度分量Y1、所述蓝色色度分量Cb以及所述红色色度分量Cr构成所述处理后的图像。
在上述增强图像对比度的装置中，所述融合单元包括：
第一计算子单元，用于分别计算所述暗区细节图像和所述亮区细节图像中像素(i，j)的灰度梯度值的绝对值作为第一刺激值和第二刺激值；
第二计算子单元，用于分别计算所述暗区细节图像和所述亮区细节图像中所述像素(i，j)的灰度值与128灰阶的差值的绝对值作为第一强度连接值和第二强度连接值；
第一点火矩阵获取子单元，用于将所述第一刺激值和所述第一强度连接值作为所述像素(i，j)在第一通道的输入值并迭代N次，获取所述暗区细节图像对应的第一点火矩阵；
第二点火矩阵获取子单元，用于将所述第二刺激值和所述第二强度连接值作为所述像素(i，j)在第二通道的输入值并迭代N次，获取所述亮区细节图像对应的第二点火矩阵；
判断子单元，用于将所述第一点火矩阵和所述第二点火矩阵中像素(i，j)的点火值进行比较，获取所述对比度增强的亮度分量Y1；
其中，所述N为大于0的整数，所述像素(i，j)表示位于第i行第j列的像素，所述i和j均为大于0的正整数；
所述脉冲耦合神经网络模型包括所述第一通道和所述第二通道。
在上述增强图像对比度的装置中，所述判断子单元用于将第一点火矩阵和第二点火矩阵中像素(i，j)的点火值进行比较以获取对比度增强的亮度分量Y1包括如下步骤：
若所述像素(i，j)在所述第一点火矩阵中的点火值大于所述像素(i，j)在所述第二点火矩阵中的点火值，则所述像素(i，j)融合后的灰度值为所述暗区细节图像中所述像素(i，j)的灰度值；
若所述像素(i，j)在所述第一点火矩阵中的点火值小于或等于所述像素(i，j)在所述第二点火矩阵中的点火值，则所述像素(i，j)融合后的灰度值为所述亮区细节图像中所述像素(i，j)的灰度值；
所述像素(i，j)融合后的灰度值构成所述对比度增强的亮度分量Y1。
在上述增强图像对比度的装置中，用拉普拉斯算子、高斯拉普拉斯算子、凯尼(Canny)算子、索贝尔(Sobel)算子中的任意一种以计算所述暗区细节图像和所述亮区细节图像中所述像素(i，j)的灰度梯度值。
在上述增强图像对比度的装置中，所述灰阶拉伸单元包括：
第一拉伸子单元，用于将所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸低灰阶，得所述暗区细节图像；
第二拉伸子单元，用于将所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸高灰阶，得所述亮区细节图像；
所述伽马曲线对应的函数为y＝255·(x/255)^(γ/2.2)，所述x为所述亮度分量Y对应的非彩色图像中像素(i，j)的灰度值，所述γ为灰度系数，所述y为拉伸后亮度分量Y中像素(i，j)的灰度值；
所述γ大于0且小于2.2时，所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸低灰阶；所述γ大于2.2时，所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸高灰阶。
有益效果：本发明通过将源图像从RGB颜色空间转至YCbCr颜色空间以提取亮度分量，通过对亮度分量对应的非彩色图像进行伽马曲线校正以获得暗区细节对比度增强的暗区细节图像和亮区细节对比度增强的亮区细节图像，利用脉冲神经网络模型分别提取暗区细节图像和亮区细节图像中细节丰富且灰阶范围广的区域并融合在一起，以得到调整后对比度增强的亮度分量，对比增强的亮度分量、蓝色色度分量以及红色色度分量转回至RGB颜色空间，得对比度增强的图像，同时，对比度增强的图像的细节部分也得到保护，对比度增强的图像也是噪点现象得到改善的图像。
附图说明
图1为利用直方图均衡化处理图像前后的图像及其灰度直方图，其中，图A和图B分别为原始图像处理前的图像及其灰度直方图，图C和图D为原始图像处理后的图像及其灰度直方图；
图2为本发明一实施例的增强图像对比度的方法的流程图；
图3为采用脉冲耦合神经网络模型将暗区细节图像和亮区细节图像进行融合的流程图；
图4为本发明的一实施例的增强图像对比度的装置示意图。
具体实施方式
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，所描述的实施例仅仅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，本领域技术人员在没有作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。
如图2所示，其为本发明一实施例的增强图像对比度的方法的流程图，包括：
S10:将源图像从RGB颜色空间转换至YCbCr颜色空间；
需要了解的是，记录彩色图像时，RGB是最常见的一种颜色空间，RGB颜色空间由红色(Red)分量、绿色(Green)分量以及蓝色(Blue)分量组成，红色分量、绿色分量以及蓝色分量的取值范围均为0-255，某个颜色分量的取值越大，该颜色分量的亮度越高，即亮度信息存在于三个颜色分量中；3个颜色分量同等重要且高度相关，当要对彩色图像的像素的亮度进行调整时，彩色图像的像素颜色也会发生变化。在YCrCb颜色空间中，Y表示亮度分量，Cr和Cb分别表示红色色度分量和蓝色色度分量，Y、Cr和Cb的取值范围均为0-255，亮度信号(Y)和色度信号(Cr和Cb)相互独立，对亮度分量Y进行增强时，不会影响色度信号。另外，对于二维图像，像素的空间信息需要两个分量进行表示，具体在本发明中，像素的空间信息用(i，j)表示，i表示像素位于第i行，j表示像素位于第j列。
本发明将源图像从RGB颜色空间转换到YCbCr颜色空间，提取出YCbCr颜色空间的亮度信息以进行调节，图像的其他信息不会受到影响，而且将源图像从RGB颜色空间转换到YCbCr颜色空间是线性转换，公式如下：
Y＝0.299R+0.587G+0.114B；
Cb＝-0.169R-0.331G+0.500B；
Cr＝0.500R-0.419G-0.081B； (1)
在上式(1)中，R表示红色分量的取值，G表示绿色分量的取值，B表示蓝色分量的取值；Y表示亮度分量的取值，Cb表示蓝色色度分量的取值，Cr表示红色色度分量的取值。
S11:获取源图像在YCbCr空间的亮度分量Y、蓝色色度分量Cb以及红色色度分量Cr；
S12:调整亮度分量Y以获得处理后的图像；
具体地，将亮度分量Y对应的非彩色图像进行伽马曲线矫正以分别拉伸低灰阶和拉伸高灰阶，分别得暗区细节图像和亮区细节图像；
暗区细节图像是将亮度分量Y对应的非彩色图像进行低灰阶拉伸得到的，即非彩色图像的暗区细节所对应的灰度动态范围被拉宽而亮区细节所对应的灰度动态范围被压缩，从而使得暗区细节的对比度增强；亮区细节图像是将亮度分量Y对应的非彩色图像进行高灰阶拉伸得到的，即非彩色图像的亮区细节图像所对应的灰度动态范围被拉宽而暗区细节所对应的灰度动态范围被压缩，从而使得亮区细节的对比度增强，本发明通过将亮度分量Y对应的彩色图像进行伽马曲线校正，分别得到暗区细节对比度增强的图像和亮区细节对比度得到增强的图像。
接着，采用脉冲耦合神经网络模型将暗区细节图像和亮区细节图像进行融合，得对比度增强的亮度分量Y1；对比度增强的亮度分量Y1、蓝色色度分量Cb以及红色色度分量Cr构成处理后的图像。
需要了解的是，脉冲耦合神经网络模型(Pulse Coupled Neural Network,PCNN)是由Eckhorn等人根据猫的视皮层神经元脉冲同步震荡和神经元脉冲发放现象提出的，具体而言，脉冲耦合神经网络是由若干个神经元相连而成的反馈网络。在图像处理时，神经元与图像中的像素对应，神经元的输入也与像素的灰度值相关信息对应，由于像素点是离散的，该脉冲耦合神经网络模型的输入信号也是离散的。每个神经元都是由三个部分组成，即输入区、连接区、脉冲发生器，每个像素(i，j)所对应的神经元模型所对应的数学描述可简化为如下公式：
输入区：Fi,j(n)＝Ii,j；
连接区：Li,j(n)＝exp(-αL)Li,j(n-1)+∑k,lWij,klYij,kl(n-1),
Ui,j(n)＝Fi,j(n)(1+βi,jLi,j(n)),；
脉冲发生器：Ti,j(n)＝exp(-αT)Ti,j(n-1)+vTYi,j(n-1)，
当Ui,j(n)>Ti,j(n)时，Yi,j(n)＝1；
当Ui,j(n)≤Ti,j(n)时，Yi,j(n)＝0； (3)
在上述公式(3)中，输入区中，I为待融合图像，Ii,j为待融合图像的灰度相关信息的值，将Ii,j作为Fi,j(n)的输入刺激值，n为在PCNN中迭代第n次；
连接区中，Li,j(n)表示像素(i，j)的邻域影响值，αL表示链接通路的时间衰减常数，Wij,kl表示第(i+k)行第(j+l)列邻域像素输出值的权重，Yij,kl(n-1)表示第(i+k)行第(j+l)列像素在第(n-1)次迭代时的输出，Ui,j(n)表示像素(i，j)在第n次迭代时的内部活动项，βi,j表示连接强度值，k和l表示当前像素(i，j)所对应的神经元提供链接输入的其他神经元与(i，j)相连的范围；
脉冲发生器中，Ti,j(n)为像素(i，j)在第n次迭代时的阈值，αT和vT表示神经元可调阈值的时间衰减常数和放大倍数；
对式(3)中定义的像素(i，j)对应的输出值Yi,j(n)利用公式(4)进行处理得到像素(i，j)在迭代n次时的点火值(点火次数之和)，公式(4)如下：
Sumi,j(n)＝Sumi,j(n-1)+Yi,j(n)。 (4)
在计算像素(i，j)迭代N次的点火值Sumi,j(n)之前，需要将一些参数进行初始化，即F(0)＝Y(0)＝T(0)＝U(0)＝Sum(0)＝0。
一般而言，连接区参考的周边像素为3×3邻域，W的数值为经验值，例如W为：
0.5 1 0.5
1 0 1
0.5 1 0.5
即，∑k,lWij,klYij,kl(n-1)＝0.5Yi-1,j-1(n-1)+Yi-1,j(n-1)+0.5Yi-1,j+1(n-1)+Yi,j-1(n-1)+Yi,j+1(n-1)+0.5Yi+1,j-1(n-1)+Yi+1,j(n-1)+0.5Yi+1,j+1(n-1)；
αL、αT及vT也为经验值，例如，αL＝0.01，αT＝0.1，vT＝25。
通过采用脉冲耦合神经网络模型分别将暗区细节图像中对比度增强且灰阶范围的暗区细节和亮区细节图像中对比度增强且灰阶范围广的亮度细节提取出来并融合在一起，使得融合后暗区细节对比度和亮区细节对比度都得到增强且融合在一张图像中的同时，图像的暗区细节和亮区细节不会丢失。另外，在脉冲耦合神经网络模型中，会考虑邻域像素的影响，故对比度增强的图像是噪点现象得到改善的图像。
S13:将处理后的图像转换至RGB颜色空间，得对比度增强的图像；
将处理后的图像转换至RGB颜色空间所用的公式如下：
R＝Y+1.403Cr；
G＝Y-0.344Cb-0.714Cr；
B＝Y+1.773Cb； (5)
在上述公式(5)中，Y、Cr及Cb分别为处理后的图像亮度分量的取值、源图像在YCbCr空间中红色色度分量的取值以及源图像在YCbCr空间中蓝色色度分量的取值；R、G、B分别为处理后的图像的红色分量的取值、绿色分量的取值以及蓝色分量的取值。
上述方案通过将源图像从RGB颜色空间转至YCbCr颜色空间以提取亮度分量，通过对亮度分量对应的非彩色图像进行伽马曲线校正以获得暗区细节对比度增强的暗区细节图像和亮区细节对比度增强的亮区细节图像，利用脉冲神经网络模型分别提取暗区细节图像和亮区细节图像中细节丰富且灰阶范围广的区域并融合在一起，以得到调整后对比度增强的亮度分量，对比增强的亮度分量、蓝色色度分量以及红色色度分量转回至RGB颜色空间，得对比度增强的图像，同时，对比度增强的图像的细节部分也得到保护，对比度增强的图像也是噪点现象得到改善的图像。
进一步地，如图3所示，其为采用脉冲耦合神经网络模型将暗区细节图像和亮区细节图像进行融合的流程图，包括如下步骤：
分别计算暗区细节图像和亮区细节图像中像素(i，j)灰度梯度值的绝对值作为第一刺激值和第二刺激值；
分别计算暗区细节图像和亮区细节图像中像素(i，j)的灰度值与128灰阶的差值的绝对值作为第一强度连接值和第二强度连接值；
将第一刺激值和第一强度连接值作为像素(i，j)在第一通道的输入值并迭代N次，获取暗区细节图像对应的第一点火矩阵；
将第二刺激值和第二强度连接值作为像素(i，j)在第二通道的输入值并迭代N次，获取所述亮区细节图像对应的第二点火矩阵；
将第一点火矩阵和第二点火矩阵中所述像素(i，j)的点火值进行比较，获取对比度增强的亮度分量Y1；
其中，所述N为大于0的整数，所述像素(i，j)表示位于第i行第j列的像素，所述i和j均为大于0的正整数；
脉冲耦合神经网络模型包括第一通道和第二通道。
“对比度增强算法”一般有两方面需求：(1)就整幅图像而言，图像的亮区变得更亮，暗区变得更暗，灰阶范围扩大，图像整体对比度提高；(2)就图像局部而言，相邻像素的亮度层次拉开，局部细节丰富。本发明通过设定像素(i，j)的灰度梯度绝对值和像素(i，j)的灰度值与128灰阶的绝对值作为PCNN模型的两项输入，其中，像素(i，j)的灰度梯度绝对值作为PCNN的刺激值以衡量局部细节，像素(i，j)的灰度值与128灰阶的绝对值作为PCNN的连接强度值以衡量灰阶范围，可理解为，灰度值与128灰阶的绝对值越大，亮度越偏离中间值，越助于扩大整体的灰阶范围。本发明的两项输入会综合影响PCNN模型输出的点火值。例如，如果像素(i，j)在暗区细节图像、亮区细节图像中的梯度值相等，但在暗区细节中的灰度值与128灰阶的绝对值更大，则经过PCNN模型计算后，暗区细节图像的点火值会超过亮区细节图像，最终的融合图里，该像素的灰度值会采用暗区细节图像中的灰度值。
更进一步地，将第一点火矩阵和第二点火矩阵中所述像素(i，j)的点火值进行比较包括如下步骤：
若像素(i，j)在第一点火矩阵中的点火值大于像素(i，j)在第二点火矩阵中的点火值，则像素(i，j)融合后的灰度值为暗区细节图像中像素(i，j)的灰度值；
若像素(i，j)在述第一点火矩阵中的点火值小于或等于像素(i，j)在第二点火矩阵中的点火值，则像素(i，j)融合后的灰度值为亮区细节图像中像素(i，j)的灰度值；
像素(i，j)融合后的灰度值构成对比度增强的亮度分量Y1。
进一步地，用拉普拉斯算子、高斯拉普拉斯算子、凯尼Canny算子、索贝尔算子中的任意一种以计算暗区细节图像和亮区细节图像中像素(i，j)的灰度梯度值。具体在本实施例中，采用拉普拉斯算子分别计算暗区细节图像和亮区细节图像中像素(i，j)的灰度梯度值，公式如下：
gradsi,j＝lum(i-1,j)+lum(i+1,j)+lum(i,j-1)+lum(i,j+1)-4lum(i,j) (6)
在公式(6)中，lum(i，j)表示像素(i，j)的灰度值。
进一步地，将亮度分量Y对应的非彩色图像进行伽马曲线校正以分别拉伸低灰阶和拉伸高灰阶包括如下步骤：
将亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸低灰阶，得暗区细节图像；
将亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸高灰阶，得亮区细节图像；
伽马曲线对应的函数为y＝255·(x/255)^(γ/2.2)，x为亮度分量Y对应的非彩色图像中像素(i，j)的灰度值，γ为灰度系数，y为拉伸后亮度分量Y中像素(i，j)的灰度值；
γ大于0且小于2.2时，亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸低灰阶，γ大于2.2时，亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸高灰阶。
具体地，γ＝2时，亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸低灰阶得暗区细节图像；γ＝2.4时，亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸高灰阶得亮区细节图像。当γ的值大于0且小于2.2时，图像暗区向亮区扩展，当γ的值大于2.2时，图像由亮区向暗区扩展。本实施例是通过伽马校正分别获得暗区细节对比度增强的暗细节图像和亮度细节对比度增强的亮区细节图像。
本发明的增强图像对比度的方法的执行主体为具有图像处理能力的电子设备，如电视、摄像设备、监控设备、平板电脑及服务器等。
如图4所示，其为本发明一实施例的增强图像对比度的装置30，包括：
第一转换模块31，用于将源图像从RGB颜色空间转换至YCbCr颜色空间；
获取模块32，用于获取源图像在YCbCr空间的亮度分量Y、蓝色色度分量Cb以及红色色度分量Cr；
亮度调整模块33，用于调整亮度分量Y以获得处理后的图像；
第二转换模块34，用于将处理后的图像转换至RGB颜色空间，得对比度增强的图像；
其中，亮度调整模块33包括:
灰阶拉伸单元331，用于将亮度分量Y对应的非彩色图像进行伽马曲线校正以分别拉伸低灰阶和拉伸高灰阶，分别得暗区细节图像和亮区细节图像；
融合单元332，用于采用脉冲耦合神经网络模型将暗区细节图像和亮区细节图像进行融合，得对比度增强的亮度分量Y1；
对比度增强的亮度分量Y1、蓝色色度分量Cb以及红色色度分量Cr构成所述处理后的图像。
进一步地，融合单元332包括：
第一计算子单元，用于分别计算暗区细节图像和亮区细节图像中像素(i，j)的灰度梯度值的绝对值作为第一刺激值和第二刺激值；
第二计算子单元，用于分别计算暗区细节图像和亮区细节图像中像素(i，j)的灰度值与128灰阶的差值的绝对值作为第一强度连接值和第二强度连接值；
第一点火矩阵获取子单元，用于将第一刺激值和第一强度连接值作为像素(i，j)在第一通道的输入值并迭代N次，获取暗区细节图像对应的第一点火矩阵；
第二点火矩阵获取子单元，用于将第二刺激值和第二强度连接值作为像素(i，j)在第二通道的输入值并迭代N次，获取亮区细节图像对应的第二点火矩阵；
判断子单元，用于将第一点火矩阵和第二点火矩阵中像素(i，j)的点火值进行比较，获取对比度增强的亮度分量Y1；
其中，所述N为大于0的整数，所述像素(i，j)表示位于第i行第j列的像素，所述i和j均为大于0的正整数；
脉冲耦合神经网络模型包括第一通道PCNN1和第二通道PCNN2。
进一步地，判断子单元用于将第一点火矩阵和第二点火矩阵中像素(i，j)的点火值进行比较以获取对比度增强的亮度分量Y1包括如下步骤：
若像素(i，j)在第一点火矩阵中的点火值大于像素(i，j)在第二点火矩阵中的点火值，则像素(i，j)融合后的灰度值为暗区细节图像中像素(i，j)的灰度值；
若像素(i，j)在第一点火矩阵中的点火值小于或等于像素(i，j)在第二点火矩阵中的点火值，则像素(i，j)融合后的灰度值为亮区细节图像中像素(i，j)的灰度值；
像素(i，j)融合后的灰度值构成对比度增强的亮度分量Y1。
进一步地，用拉普拉斯算子、高斯拉普拉斯算子、凯尼算子、索贝尔算子中的任意一种以计算所述暗区细节图像和所述亮区细节图像中所述像素(i，j)的灰度梯度值。
进一步地，灰阶拉伸单元331包括：
第一拉伸子单元，用于将亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸低灰阶，得暗区细节图像；
第二拉伸子单元，用于将亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸高灰阶，得亮区细节图像；
伽马曲线对应的函数为y＝255·(x/255)^(γ/2.2)，x为亮度分量Y对应的非彩色图像中像素(i，j)的灰度值，所述γ为灰度系数，y为拉伸后亮度分量Y中像素(i，j)的灰度值；
γ大于0且小于2.2时，亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸低灰阶；γ大于2.2时，亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸高灰阶。
本实施例的增强图像对比度的装置提高图像对比度的原理和有益效果与上述增强图像对比度的方法相同，此处不作详述。
需要说明的是：上述实施例提供的增强图像对比度的装置在增强图像对比度时，仅以上述各功能模块的划分进行举例，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即设备的内部结构划分成不同的功能模块，以完成上述描述的全部或部分功能。
以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想；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的技术方案的范围。
Claims (10)
1.一种增强图像对比度的方法，其特征在于，包括如下步骤：
将源图像从RGB颜色空间转换至YCbCr颜色空间；
获取所述源图像在YCbCr空间的亮度分量Y、蓝色色度分量Cb以及红色色度分量Cr；
调整所述亮度分量Y以获得处理后的图像；
将所述处理后的图像转换至所述RGB颜色空间，得对比度增强的图像；其中，所述调整所述亮度分量Y以获得处理后的图像包括如下步骤：
将所述亮度分量Y对应的非彩色图像进行伽马曲线校正以分别拉伸低灰阶和拉伸高灰阶，分别得暗区细节图像和亮区细节图像；
采用脉冲耦合神经网络模型将所述暗区细节图像和所述亮区细节图像进行融合，得对比度增强的亮度分量Y1；
所述对比度增强的亮度分量Y1、所述蓝色色度分量Cb以及所述红色色度分量Cr构成所述处理后的图像。
2.根据权利要求1所述的增强图像对比度的方法，其特征在于，所述采用脉冲耦合神经网络模型将所述暗区细节图像和所述亮区细节图像进行融合包括如下步骤：
分别计算所述暗区细节图像和所述亮区细节图像中像素(i，j)灰度梯度值的绝对值作为第一刺激值和第二刺激值；
分别计算所述暗区细节图像和所述亮区细节图像中所述像素(i，j)的灰度值与128灰阶的差值的绝对值作为第一强度连接值和第二强度连接值；
将所述第一刺激值和所述第一强度连接值作为所述像素(i，j)在第一通道的输入值并迭代N次，获取所述暗区细节图像对应的第一点火矩阵；
将所述第二刺激值和所述第二强度连接值作为所述像素(i，j)在第二通道的输入值并迭代N次，获取所述亮区细节图像对应的第二点火矩阵；
将所述第一点火矩阵和所述第二点火矩阵中所述像素(i，j)的点火值进行比较，获取所述对比度增强的亮度分量Y1；
其中，所述N为大于0的整数，所述像素(i，j)表示位于第i行第j列的像素，所述i和j均为大于0的正整数；
所述脉冲耦合神经网络模型包括所述第一通道和所述第二通道。
3.根据权利要求2所述的增强图像对比度的方法，其特征在于，所述将所述第一点火矩阵和所述第二点火矩阵中所述像素(i，j)的点火值进行比较包括如下步骤：
若所述像素(i，j)在所述第一点火矩阵中的点火值大于所述像素(i，j)在所述第二点火矩阵中的点火值，则所述像素(i，j)融合后的灰度值为所述暗区细节图像中所述像素(i，j)的灰度值；
若所述像素(i，j)在所述第一点火矩阵中的点火值小于或等于所述像素(i，j)在所述第二点火矩阵中的点火值，则所述像素(i，j)融合后的灰度值为所述亮区细节图像中所述像素(i，j)的灰度值；
所述像素(i，j)融合后的灰度值构成所述对比度增强的亮度分量Y1。
4.根据权利要求2所述的增强图像对比度的方法，其特征在于，用拉普拉斯算子、高斯拉普拉斯算子、凯尼算子、索贝尔算子中的任意一种以计算所述暗区细节图像和所述亮区细节图像中所述像素(i，j)的灰度梯度值。
5.根据权利要求1所述的增强图像对比度的方法，其特征在于，所述将所述亮度分量Y对应的非彩色图像进行伽马曲线校正以分别拉伸低灰阶和拉伸高灰阶包括如下步骤：
将所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸低灰阶，得所述暗区细节图像；
将所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸高灰阶，得所述亮区细节图像；
所述伽马曲线对应的函数为y＝255·(x/255)^(γ/2.2)，所述x为所述亮度分量Y对应的非彩色图像中像素(i，j)的灰度值，所述γ为灰度系数，所述y为拉伸后亮度分量Y中像素(i，j)的灰度值；
所述γ大于0且小于2.2时，所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸低灰阶，所述γ大于2.2时，所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸高灰阶。
6.一种增强图像对比度的装置，其特征在于，包括：
第一转换模块，用于将源图像从RGB颜色空间转换至YCbCr颜色空间；
获取模块，用于获取所述源图像在YCbCr空间的亮度分量Y、蓝色色度分量Cb以及红色色度分量Cr；
亮度调整模块，用于调整所述亮度分量Y以获得处理后的图像；
第二转换模块，用于将所述处理后的图像转换至RGB颜色空间，得对比度增强的图像；
其中，所述亮度调整模块包括:
灰阶拉伸单元，用于将所述亮度分量Y对应的非彩色图像进行伽马曲线校正以分别拉伸低灰阶和拉伸高灰阶，分别得暗区细节图像和亮区细节图像；
融合单元，用于采用脉冲耦合神经网络模型将所述暗区细节图像和所述亮区细节图像进行融合，得对比度增强的亮度分量Y1；
所述对比度增强的亮度分量Y1、所述蓝色色度分量Cb以及所述红色色度分量Cr构成所述处理后的图像。
7.根据权利要求6所述的增强图像对比度的装置，其特征在于，所述融合单元包括：
第一计算子单元，用于分别计算所述暗区细节图像和所述亮区细节图像中像素(i，j)的灰度梯度值的绝对值作为第一刺激值和第二刺激值；
第二计算子单元，用于分别计算所述暗区细节图像和所述亮区细节图像中所述像素(i，j)的灰度值与128灰阶的差值的绝对值作为第一强度连接值和第二强度连接值；
第一点火矩阵获取子单元，用于将所述第一刺激值和所述第一强度连接值作为所述像素(i，j)在第一通道的输入值并迭代N次，获取所述暗区细节图像对应的第一点火矩阵；
第二点火矩阵获取子单元，用于将所述第二刺激值和所述第二强度连接值作为所述像素(i，j)在第二通道的输入值并迭代N次，获取所述亮区细节图像对应的第二点火矩阵；
判断子单元，用于将所述第一点火矩阵和所述第二点火矩阵中像素(i，j)的点火值进行比较，获取所述对比度增强的亮度分量Y1；
其中，所述N为大于0的整数，所述像素(i，j)表示位于第i行第j列的像素，所述i和j均为大于0的整数；
所述脉冲耦合神经网络模型包括所述第一通道和所述第二通道。
8.根据权利要求7所述的增强图像对比度的装置，其特征在于，所述判断子单元用于将第一点火矩阵和第二点火矩阵中像素(i，j)的点火值进行比较以获取对比度增强的亮度分量Y1包括如下步骤：
若所述像素(i，j)在所述第一点火矩阵中的点火值大于所述像素(i，j)在所述第二点火矩阵中的点火值，则所述像素(i，j)融合后的灰度值为所述暗区细节图像中所述像素(i，j)的灰度值；
若所述像素(i，j)在所述第一点火矩阵中的点火值小于或等于所述像素(i，j)在所述第二点火矩阵中的点火值，则所述像素(i，j)融合后的灰度值为所述亮区细节图像中所述像素(i，j)的灰度值；
所述像素(i，j)融合后的灰度值构成所述对比度增强的亮度分量Y1。
9.根据权利要7所述的增强图像对比度的装置，其特征在于，用拉普拉斯算子、高斯拉普拉斯算子、凯尼算子、索贝尔算子中的任意一种以计算所述暗区细节图像和所述亮区细节图像中所述像素(i，j)的所述灰度梯度值。
10.根据权利要6所述的增强图像对比度的装置，其特征在于，所述灰阶拉伸单元包括：
第一拉伸子单元，用于将所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸低灰阶，得所述暗区细节图像；
第二拉伸子单元，用于将所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸高灰阶，得所述亮区细节图像；
所述伽马曲线对应的函数为y＝255·(x/255)^(γ/2.2)，所述x为所述亮度分量Y对应的非彩色图像中像素(i，j)的灰度值，所述γ为灰度系数，所述y为拉伸后亮度分量Y中像素(i，j)的灰度值；
所述γ大于0且小于2.2时，所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸低灰阶；所述γ大于2.2时，所述亮度分量Y对应的非彩色图像经伽马曲线校正以拉伸高灰阶。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811259739.9A CN109658341B (zh) | 2018-10-26 | 2018-10-26 | 增强图像对比度的方法及其装置 |
| PCT/CN2018/124517 WO2020082593A1 (zh) | 2018-10-26 | 2018-12-27 | 增强图像对比度的方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811259739.9A CN109658341B (zh) | 2018-10-26 | 2018-10-26 | 增强图像对比度的方法及其装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109658341A true CN109658341A (zh) | 2019-04-19 |
| CN109658341B CN109658341B (zh) | 2021-01-01 |
Family
ID=66110277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811259739.9A Active CN109658341B (zh) | 2018-10-26 | 2018-10-26 | 增强图像对比度的方法及其装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109658341B (zh) |
| WO (1) | WO2020082593A1 (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619610A (zh) * | 2019-09-12 | 2019-12-27 | 紫光展讯通信(惠州)有限公司 | 图像处理方法及装置 |
| CN111968039A (zh) * | 2019-05-20 | 2020-11-20 | 北京航空航天大学 | 基于硅传感器相机的昼夜通用图像处理方法、装置及设备 |
| CN112446228A (zh) * | 2019-08-27 | 2021-03-05 | 北京易真学思教育科技有限公司 | 视频检测方法、装置、电子设备及计算机存储介质 |
| CN112598612A (zh) * | 2020-12-23 | 2021-04-02 | 南京邮电大学 | 一种基于照度分解的无闪烁暗光视频增强方法及装置 |
| CN112700752A (zh) * | 2021-01-14 | 2021-04-23 | 凌云光技术股份有限公司 | 一种亮度调节方法 |
| CN113470156A (zh) * | 2021-06-23 | 2021-10-01 | 网易（杭州）网络有限公司 | 纹理贴图的混合处理方法、装置、电子设备及存储介质 |
| CN115050326A (zh) * | 2022-08-15 | 2022-09-13 | 禹创半导体(深圳)有限公司 | 一种强光下oled适应性可见调光方法 |
| CN115088252A (zh) * | 2020-03-09 | 2022-09-20 | 华为技术有限公司 | 一种图像处理方法及相关装置 |
| WO2023284528A1 (zh) * | 2021-07-13 | 2023-01-19 | 深圳市洲明科技股份有限公司 | 一种图像增强方法、装置、计算机设备和存储介质 |
| CN116363017A (zh) * | 2023-05-26 | 2023-06-30 | 荣耀终端有限公司 | 图像处理方法及装置 |
| CN116894795A (zh) * | 2023-09-11 | 2023-10-17 | 归芯科技(深圳)有限公司 | 图像处理方法及装置 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114677340B (zh) * | 2022-03-14 | 2024-05-24 | 上海第二工业大学 | 一种基于图像边缘的混凝土表面粗糙度的检测方法 |
| CN115861359B (zh) * | 2022-12-16 | 2023-07-21 | 兰州交通大学 | 一种水面漂浮垃圾图像自适应分割提取方法 |
| CN117455780B (zh) * | 2023-12-26 | 2024-04-09 | 广东欧谱曼迪科技股份有限公司 | 内镜暗场图像的增强方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101383912A (zh) * | 2008-10-23 | 2009-03-11 | 上海交通大学 | 电视摄像色彩智能化自动调节方法 |
| CN102110289A (zh) * | 2011-03-29 | 2011-06-29 | 东南大学 | 基于变分框架的彩色图像对比度增强方法 |
| CN104616268A (zh) * | 2015-02-17 | 2015-05-13 | 天津大学 | 一种基于湍流模型的水下图像复原方法 |
| CN107481206A (zh) * | 2017-08-28 | 2017-12-15 | 湖南友哲科技有限公司 | 显微镜图像背景均衡处理算法 |
| CN108122213A (zh) * | 2017-12-25 | 2018-06-05 | 北京航空航天大学 | 一种基于YCrCb的低对比度图像增强方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI220505B (en) * | 2001-08-13 | 2004-08-21 | Ulead Systems Inc | Image enhancement method |
| JP5332173B2 (ja) * | 2006-11-10 | 2013-11-06 | セイコーエプソン株式会社 | 画像表示制御装置 |
| CN102496152B (zh) * | 2011-12-01 | 2014-08-27 | 四川虹微技术有限公司 | 一种基于直方图的自适应图像对比度增强方法 |
| TWI591583B (zh) * | 2016-04-13 | 2017-07-11 | 瑞昱半導體股份有限公司 | 影像對比增強方法及其裝置 |
| CN108629738B (zh) * | 2017-03-16 | 2022-04-01 | 斑马智行网络(香港)有限公司 | 一种图像处理方法及装置 |
-
2018
- 2018-10-26 CN CN201811259739.9A patent/CN109658341B/zh active Active
- 2018-12-27 WO PCT/CN2018/124517 patent/WO2020082593A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101383912A (zh) * | 2008-10-23 | 2009-03-11 | 上海交通大学 | 电视摄像色彩智能化自动调节方法 |
| CN102110289A (zh) * | 2011-03-29 | 2011-06-29 | 东南大学 | 基于变分框架的彩色图像对比度增强方法 |
| CN104616268A (zh) * | 2015-02-17 | 2015-05-13 | 天津大学 | 一种基于湍流模型的水下图像复原方法 |
| CN107481206A (zh) * | 2017-08-28 | 2017-12-15 | 湖南友哲科技有限公司 | 显微镜图像背景均衡处理算法 |
| CN108122213A (zh) * | 2017-12-25 | 2018-06-05 | 北京航空航天大学 | 一种基于YCrCb的低对比度图像增强方法 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111968039A (zh) * | 2019-05-20 | 2020-11-20 | 北京航空航天大学 | 基于硅传感器相机的昼夜通用图像处理方法、装置及设备 |
| CN111968039B (zh) * | 2019-05-20 | 2023-08-22 | 北京航空航天大学 | 基于硅传感器相机的昼夜通用图像处理方法、装置及设备 |
| CN112446228A (zh) * | 2019-08-27 | 2021-03-05 | 北京易真学思教育科技有限公司 | 视频检测方法、装置、电子设备及计算机存储介质 |
| CN110619610A (zh) * | 2019-09-12 | 2019-12-27 | 紫光展讯通信(惠州)有限公司 | 图像处理方法及装置 |
| CN115088252A (zh) * | 2020-03-09 | 2022-09-20 | 华为技术有限公司 | 一种图像处理方法及相关装置 |
| CN112598612A (zh) * | 2020-12-23 | 2021-04-02 | 南京邮电大学 | 一种基于照度分解的无闪烁暗光视频增强方法及装置 |
| CN112598612B (zh) * | 2020-12-23 | 2023-07-07 | 南京邮电大学 | 一种基于照度分解的无闪烁暗光视频增强方法及装置 |
| CN112700752A (zh) * | 2021-01-14 | 2021-04-23 | 凌云光技术股份有限公司 | 一种亮度调节方法 |
| CN113470156A (zh) * | 2021-06-23 | 2021-10-01 | 网易（杭州）网络有限公司 | 纹理贴图的混合处理方法、装置、电子设备及存储介质 |
| WO2023284528A1 (zh) * | 2021-07-13 | 2023-01-19 | 深圳市洲明科技股份有限公司 | 一种图像增强方法、装置、计算机设备和存储介质 |
| CN115050326B (zh) * | 2022-08-15 | 2022-11-04 | 禹创半导体(深圳)有限公司 | 一种强光下oled适应性可见调光方法 |
| CN115050326A (zh) * | 2022-08-15 | 2022-09-13 | 禹创半导体(深圳)有限公司 | 一种强光下oled适应性可见调光方法 |
| CN116363017A (zh) * | 2023-05-26 | 2023-06-30 | 荣耀终端有限公司 | 图像处理方法及装置 |
| CN116363017B (zh) * | 2023-05-26 | 2023-10-24 | 荣耀终端有限公司 | 图像处理方法及装置 |
| CN116894795A (zh) * | 2023-09-11 | 2023-10-17 | 归芯科技(深圳)有限公司 | 图像处理方法及装置 |
| CN116894795B (zh) * | 2023-09-11 | 2023-12-26 | 归芯科技(深圳)有限公司 | 图像处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020082593A1 (zh) | 2020-04-30 |
| CN109658341B (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109658341A (zh) | 增强图像对比度的方法及其装置 | |
| CN105046663B (zh) | 一种模拟人类视觉感知的自适应低照度图像增强方法 | |
| US7558436B2 (en) | Image dynamic range control for visual display | |
| CN103593830B (zh) | 一种低照度视频图像增强方法 | |
| CN106097279B (zh) | 一种高动态图像增强方法 | |
| CN106504212A (zh) | 一种改进的hsi空间信息低照度彩色图像增强算法 | |
| 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 | |
| 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 | |
| CN103034986A (zh) | 一种基于曝光融合的夜视图像增强方法 | |
| CN108305232B (zh) | 一种单帧高动态范围图像生成方法 | |
| CN110473152B (zh) | 基于改进Retinex算法的图像增强方法 | |
| CN105513015B (zh) | 一种雾天图像的清晰化处理方法 | |
| CN107169942B (zh) | 一种基于鱼类视网膜机制的水下图像增强方法 | |
| WO2020118902A1 (zh) | 图像处理方法及图像处理系统 | |
| 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 | |
| CN106709888A (zh) | 一种基于人眼视觉模型的高动态范围图像产生方法 | |
| TWI299812B (zh) | ||
| Chiang et al. | Color image enhancement with saturation adjustment method | |
| Nakajima et al. | A novel color image processing scheme in HSI color space with negative image processing | |
| CN105208362B (zh) | 基于灰度平衡原理的图像色偏自动校正方法 | |
| Chiang et al. | Saturation adjustment method based on human vision with YCbCr color model characteristics and luminance changes | |
| US20090169103A1 (en) | Method of correcting false-color pixel in digital image | |
| Mahmood et al. | A color image enhancement technique using multiscale retinex | |
| CN114549386A (zh) | 一种基于自适应光照一致性的多曝光图像融合方法 | |
| CN107392860A (zh) | 图像增强方法和设备、ar设备 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 9-2 Tangming Avenue, Guangming New District, Shenzhen City, Guangdong Province Patentee after: TCL Huaxing Photoelectric Technology Co.,Ltd. Address before: 9-2 Tangming Avenue, Guangming New District, Shenzhen City, Guangdong Province Patentee before: Shenzhen China Star Optoelectronics Technology Co.,Ltd. |