CN110189266A - 一种自适应的快速图像增强方法 - Google Patents

Abstract

本发明公开了一种自适应的快速图像增强方法，包括：输入待增强图像，统计图像的灰度直方图；接着利用插值法对原始图像灰度直方图进行平滑处理；然后根据平滑以后的直方图统计图像灰度值的偏度值；根据这个指标值预判断伽马变换中的γ的取值范围，然后根据局部遍历法在一定范围内得到多个γ值，之后根据自定义的加权复合评价函数对相应的γ值进行评价，最终保留评价最优的γ值；最后根据最优的γ值对图像进行增强处理并输出增强后的图像。本发明自适应的快速的获得伽马变换的γ值，实现了快速的图像自适应增强，使图像增强算法有更高的效率以及获得质量更好的图像，是一种有实际应用价值的新方法。

Description

一种自适应的快速图像增强方法

技术领域

本发明属于图像处理领域，具体是涉及一种自适应的快速图像增强方法。

背景技术

人类传递信息的主要媒介是语言和图像。据统计在人类接受的各种信息中视觉信息占80％，所以图像信息是十分重要的信息传递媒体和方式。图像传递系统包括图像采集、图像压缩、图像编码、图像存储、图像通信、图像显示这六个部分。

在实际应用中每个部分都有可能导致图像品质变差，使图像传递的信息无法被正常读取和识别。例如，在采集图像过程中由于光照环境或物体表面反光等原因造成图像整体光照不均，或是图像采集系统在采集过程中由于机械设备的缘故无法避免的加入采集噪声，或是图像显示设备的局限性造成图像显示层次感降低或颜色减少等等。因此研究快速且有效地图像增强算法成为推动图像分析和图像理解领域发展的关键内容之一。通常，在对图像进行分析处理前，要对图像进行增强。图像增强是图像处理的基本步骤之一，图像增强处理主要内容是突出图像中感兴趣的部分，减弱或去除不需要的信息。这样使有用信息得到加强，从而得到一种更加实用的图像或者转换成一种更适合人或机器进行分析处理的图像。在数字图像处理领域，通常实用的增强方法有两大类：基于空域的方法和基于频域的方法。具体的方法有：直方图均衡化、直方图规定化、拉普拉斯锐化、灰度变换法等，其中灰度变换是图像最常用的增强方式。灰度变换可分为线性变换、分段线性变换、非线性变换三类。

伽马变换是一种常用的非线性变换，其基本形式为s＝cr^γ。当γ值小于1时，会拉伸图像中灰度级较低的区域，同时会压缩灰度级较高的部分，使得图像的低灰度区对比度得到增强；当γ值大于1时，会拉伸图像中灰度级较高的区域，同时会压缩灰度级较低的部分，使得图像的高灰度区对比度得到增强；当γ值等于1时，属于线性变换，不改变原图像。偏度也称为偏态、偏态系数，是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。在统计图像灰度直方图信息后计算其偏度，可以得到图像整体的对比度偏向的大概情况，从而为进一步具体增强图像对比度提供预判。

发明内容

为了解决图像增强中图像的对比度偏亮或者偏暗的问题，本发明提出了一种自适应的快速图像增强方法，输入待增强图像，统计图像的灰度直方图；接着利用插值法对原始图像灰度直方图进行平滑处理；然后根据平滑以后的直方图统计图像灰度值的偏度值；根据这个指标值预判断伽马变换中的γ的取值范围，然后根据局部遍历法在一定范围内得到多个γ值，之后根据自定义的加权复合评价函数对相应的γ值进行评价，最终保留评价最优的γ值；最后根据最优的γ值对图像进行增强处理并输出增强后的图像。具体的，该方法包括如下步骤：

步骤1，输入待进行增强的原始图像A，用f(i,j)表示原始图像在像素点(i,j)处的灰度值，读取原始图像A各个像素点的灰度值；

步骤2，根据原始图像A的各点灰度值，统计各个灰度级k，k值的范围为0-255，k出现次数为G(k)，得到原始图像的灰度直方图T；

步骤3，利用已经获得图像的灰度直方图，设定的对灰度直方图进行插值的步长step，对于原始灰度直方图上的像素点(i,j)，根据步长step对原始的灰度直方图进行插值平滑处理，得到平滑后的灰度直方图T'，再次扫描G(k)，得到平滑后图像的最大灰度值G_max和最小灰度值G_min，并将平滑处理后的图像进行归一化处理记为I'，将图像的灰度值k'变换到[0,1]区间，设G(k)'为I'中灰度级k'出现的次数；

步骤4，根据步骤3得到的归一化后的图像I'，对于k'从0到1，扫描G(k)'，经过统计学方法得到归一化后的图像I'中的灰度值的偏度值Skew(I')；

步骤5，根据步骤4得到的灰度值的偏度值Skew(I')，通过偏度值的大小来判断图像的明暗程度，进而采取不同的策略对图像进行增强；若Skew(I')＞0，将γ值的取值范围定为大于1，即γ∈(1，Gm)；若Skew(I')＜0，则将γ值的取值范围定为小于1，即γ∈(0，1)；

步骤6，根据步骤5中得到的初步确定的γ值的取值范围，设定一个变量p，在γ值的取值区间中按照数值间隔p取定γ的值，对每一个取到的γ值计算相应的评价值，取评价值最优的γ值；

步骤7，根据步骤6所得的最优的γ值对经过归一化处理后的图像I'进行伽马变换处理，并对伽马变换处理后的增强图像进行反归一化处理；

步骤8，输出增强后的图像B。

进一步的，所述步骤3中将原始图像灰度直方图进行插值平滑处理所采用的公式为：

上式中f(i,j)表示原始图像在像素点(i,j)处的灰度值，temp表示像素点(i,j)经过插值平滑处理后的灰度值，step表示预先设定的进行插值的步长；

将平滑处理后的图像进行归一化处理所采用的公式为：

上式中f(i,j)表示经过平滑处理的图像在像素点(i,j)处的灰度值，f'(i,j)表示归一化处理后图像在像素点(i,j)处的灰度值，G_max是图像最大灰度值，G_min是图像最小灰度值。

进一步的，所述步骤4中，根据步骤3得到的归一化后的图像I'，对于k'从0到1，扫描G(k)'，经过统计学方法得到归一化后的图像I'中的偏度值Skew(I')，具体计算如下：

其中，E表示数学期望，μ表示均值，σ表示标准差，μ＝EI'，σ＝EI'²-μ²。

进一步的，所述步骤5中，Gm＝10。

进一步的，所述步骤6包括如下步骤：

步骤6.1，判断γ值的取值范围，当γ∈(1，Gm)时，设为p＝1；当γ∈(0，1)时，设为p＝0.1；

步骤6.2，计算当前γ₁值的评价值fit₁，记当前的评价值为最优评价值，即fit_best＝fit₁，保留当前评价值最优的γ₁值；

步骤6.3，更新γ值，γ＝γ+p,计算评价值fit₂；

步骤6.4，若fit₂＞fit_best，则更新最优的评价值fit_best＝fit₂，保留当前评价最优的γ值，然后进入步骤6.5；若fit₂≤fit_best，则顺序执行步骤6.5；

步骤6.5，判断是否达到终止条件，即循环遍历γ值若干次，若是，则输出评价值最优的γ值；若否，则返回执行步骤6.3；

进一步的，所述评价值fit₂和fit₂的具体计算公式为：

其中，F₁为反映图像像素差别的目标函数，定义为

式中，I(x,y)表示每个像素点在(x,y)的灰度值；

F₂为使用像素强度值的目标函数，它能迅速得到最优解，具体定义如下：

其中，M，N分别表示原始图像的列数和行数，I(x,y)表示每个像素的灰度值。

进一步的，所述步骤7中伽马变换采用的公式为：

s＝cr^γ

其中c是正常数，γ值由步骤6得到，r表示输入图像的灰度值，r∈[0,1]，s表示输出图像的灰度值；

对归一化伽马变换后的图像进行反变换处理，其采用的公式为

f”(i,j)＝(G'_max-G'_min)g'(i,j)+G'_min

式中，G'_max和G'_min分别为变换后图像的最大和最小灰度值，对于8位灰度图像，G'_max＝255，G'_min＝0，g'(i,j)是指采用归一化的伽马变换增强后像素点(i,j)的灰度值，f”(i,j)为进行反归一化后像素点(i,j)的灰度值。

本发明的有益效果是：通过自适应的快速的获得伽马变换的γ值，实现了快速的图像自适应增强，使图像增强算法有更高的效率以及获得质量更好的图像，是一种有实际应用价值的新方法。此外本发明方法简单易行，操作性强，为图像增强提供了一种新的简便方法。

附图说明

图1：本发明实例的流程图；

图2：获得最优评价γ值的流程图；

图3：偏度示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，需要说明的是伽马变换是已有技术，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明所采用的技术方案是：一种自适应的快速图像增强方法，包括以下步骤：

步骤1：输入待进行增强的原始图像A，用f(i,j)表示原始图像在像素点(i,j)处的灰度值，读取原始图像A各个像素点的灰度值。

步骤2：根据原始图像A的各点灰度值，统计各个灰度级k，k值的范围为0-255，k出现次数为G(k)，得到原始图像的灰度直方图T。

步骤3：利用已经获得图像的灰度直方图，设定的对灰度直方图进行插值的步长step，对于原始灰度直方图上的像素点(i,j)，根据步长step对原始的灰度直方图进行插值平滑处理，进行插值平滑处理所采用的公式为：

上式中f(i,j)表示原始图像在像素点(i,j)处的灰度值，temp表示像素点(i,j)经过插值平滑处理后的灰度值，step表示预先设定的进行插值的步长，步长越大，直方图会变得越顺滑，同样的也会损失更多的细节。

得到平滑后的灰度直方图T'，再次扫描G(k)，得到平滑后图像的最大灰度值G_max和最小灰度值G_min，并将平滑处理后的图像进行归一化处理记为I'，将图像的灰度值变换到[0,1]区间，设G(k)'为I'中灰度级k'出现的次数。

将平滑处理后的图像进行归一化处理所采用的公式为：

上式中f(i,j)表示经过平滑处理的图像在像素点(i,j)处的灰度值，f'(i,j)表示归一化处理后图像在像素点(i,j)处的灰度值，G_max是图像最大灰度值，G_min是图像最小灰度值。

步骤4：根据步骤3得到的归一化后的图像I'，对于k'从0到1，扫描G(k)'，经过统计学方法得到归一化后的图像I'中的偏度值Skew(I')；具体计算如下：

其中，E表示数学期望，μ表示均值，σ表示标准差，μ＝EI'，σ＝EI'²-μ²。

步骤5：根据步骤4得到的灰度值的偏度值Skew(I')，通过偏度值的大小来判断图像的明暗程度，进而采取不同的策略对图像进行增强。若Skew(I')＞0,说明图像的灰度值集中于灰度级较大的区域，图像整体偏亮，则将γ值的取值范围定为大于1，即γ∈(1，Gm)，一般的取Gm＝10；若Skew(I')＜0，说明图像的灰度值集中于灰度级较小的区域，图像整体偏暗，则将γ值的取值范围定为小于1，即γ∈(0，1)；

步骤6：根据步骤5中得到的初步确定的γ值的取值范围，设定一个较小的数p，特别地，当γ∈(1，Gm)时，设为p＝1；当γ∈(0，1)时，设为p＝0.1；在γ值的取值区间中按照数值间隔p取定γ的值，对每一个取到的γ值计算相应的评价值，取评价值最优的γ值。包括如下步骤：

步骤6.1：判断γ值的取值范围，当γ∈(1，Gm)时，设为P＝1；当γ∈(0，1)时，设为P＝0.1；

步骤6.2：计算当前γ₁值的评价值fit₁，记当前的评价值为最优评价值，即fit_best＝fit₁，保留当前评价值最优的γ₁值；

步骤6.3：更新γ值，γ＝γ+p，计算评价值fit₂；

步骤6.4：若fit₂＞fit_best，则更新最优的评价值fit_best＝fit₂，保留当前评价最优的γ值，然后进入步骤6.5；若fit₂≤fit_best，则顺序执行步骤6.5；

步骤6.5：判断是否达到终止条件，即循环遍历γ值10次，若是，则输出评价值最优的γ值；若否，则返回执行步骤6.3；

在寻找最优γ的时候需要通过适应度函数来对γ值进行评价，其本质是评价增强后图像的质量，单一的图像质量评价函数不能很客观全面的评价图像质量，因此本专利采用一种复合评价函数，先分别计算增强后图像的两个不同指标下的适应度值，最后取两个适应度值的调和平均数作为最后的适应度值，具体计算公式为：

其中F₁为反映图像像素差别的目标函数。定义为

式中，I(x,y)表示每个像素点在(x,y)的灰度值。

F₂为使用像素强度值的目标函数，它能迅速得到最优解，具体定义如下：

其中，M，N分别表示原始图像的列数和行数。I(x,y)表示每个像素点在(x,y)的灰度值。

fit值越大，表示图像的对比度越大，图像增强效果越好，取评价值最优的γ值来增强图像。

步骤7：根据步骤6所得的最优的γ值对图像执行伽马变换，采用的公式为：

s＝cr^γ

其中c是正常数，通常取c＝1，γ值由步骤6得到，r表示输入图像的灰度值，r∈[0,1]，s表示输出图像的灰度值。γ值的幂律曲线将较窄范围的暗色输入值映射为较宽范围的输出值，相反地，对于输入高灰度级值时也成立。γ值小于1时，会拉伸图像中灰度级较低的区域，同时会压缩灰度级较高的部分，使得图像的低灰度区对比度得到增强；γ值大于1时，会拉伸图像中灰度级较高的区域，同时会压缩灰度级较低的部分，使得图像的高灰度区对比度得到增强；当γ等于1时，属于线性变换，不改变原图像。

之后对归一化伽马变换后的图像进行反变换处理，其采用的公式为

f”(i,j)＝(G'_max-G'_min)g'(i,j)+G'_min

式中，G'_max和G'_min分别为变换后图像的最大和最小灰度值，对于8位灰度图像，G'_max＝255，G'_min＝0，g'(i,j)是指采用归一化的伽马变换增强后像素点(i,j)的灰度值，f”(i,j)为进行反归一化后像素点(i,j)的灰度值。

步骤8：输出增强后的图像B。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (7)

1.一种自适应的快速图像增强方法，其特征在于，该方法包括如下步骤：

步骤1，输入待进行增强的原始图像A，用f(i,j)表示原始图像在像素点(i,j)处的灰度值，读取原始图像A各个像素点的灰度值；

步骤2，根据原始图像A的各点灰度值，统计各个灰度级k，k值的范围为0-255，k出现次数为G(k)，得到原始图像的灰度直方图T；

步骤3，利用已经获得图像的灰度直方图，设定的对灰度直方图进行插值的步长step，对于原始灰度直方图上的像素点(i,j)，根据步长step对原始的灰度直方图进行插值平滑处理，得到平滑后的灰度直方图T'，再次扫描G(k)，得到平滑后图像的最大灰度值G_max和最小灰度值G_min，并将平滑处理后的图像进行归一化处理记为I'，将图像的灰度值k'变换到[0,1]区间，设G(k)'为I'中灰度级k'出现的次数；

步骤4，根据步骤3得到的归一化后的图像I'，对于k'从0到1，扫描G(k)'，经过统计学方法得到归一化后的图像I'中的灰度值的偏度值Skew(I')；

步骤5，根据步骤4得到的灰度值的偏度值Skew(I')，通过偏度值的大小来判断图像的明暗程度，进而采取不同的策略对图像进行增强；若Skew(I')＞0，将γ值的取值范围定为大于1，即γ∈(1，Gm)；若Skew(I')＜0，则将γ值的取值范围定为小于1，即γ∈(0，1)；

步骤6，根据步骤5中得到的初步确定的γ值的取值范围，设定一个变量p，在γ值的取值区间中按照数值间隔p取定γ的值，对每一个取到的γ值计算相应的评价值，取评价值最优的γ值；

步骤7，根据步骤6所得的最优的γ值对经过归一化处理后的图像I'进行伽马变换处理，并对伽马变换处理后的增强图像进行反归一化处理；

步骤8，输出增强后的图像B。

2.根据权利要求1所述的一种自适应的快速图像增强方法，其特征在于：所述步骤3中将原始图像灰度直方图进行插值平滑处理所采用的公式为：

上式中f(i,j)表示原始图像在像素点(i,j)处的灰度值，temp表示像素点(i,j)经过插值平滑处理后的灰度值，step表示预先设定的进行插值的步长；

将平滑处理后的图像进行归一化处理所采用的公式为：

上式中f(i,j)表示经过平滑处理的图像在像素点(i,j)处的灰度值，f'(i,j)表示归一化处理后图像在像素点(i,j)处的灰度值，G_max是图像最大灰度值，G_min是图像最小灰度值。

3.根据权利要求1所述的一种自适应的快速图像增强方法，其特征在于：所述步骤4中，根据步骤3得到的归一化后的图像I'，对于k'从0到1，扫描G(k)'，经过统计学方法得到归一化后的图像I'中的偏度值Skew(I')，具体计算如下：

其中，E表示数学期望，μ表示均值，σ表示标准差，μ＝EI'，σ＝EI'²-μ²。

4.根据权利要求1所述的一种自适应的快速图像增强方法，其特征在于：所述步骤5中，Gm＝10。

5.根据权利要求1所述的一种自适应的快速图像增强方法，其特征在于：所述步骤6包括如下步骤：

步骤6.1，判断γ值的取值范围，当γ∈(1，Gm)时，设为p＝1；当γ∈(0，1)时，设为p＝0.1；

步骤6.2，计算当前γ₁值的评价值fit₁，记当前的评价值为最优评价值，即fit_best＝fit₁，保留当前评价值最优的γ₁值；

步骤6.3，更新γ值，γ＝γ+p,计算评价值fit₂；

步骤6.4，若fit₂＞fit_best，则更新最优的评价值fit_best＝fit₂，保留当前评价最优的γ值，然后进入步骤6.5；若fit₂≤fit_best，则顺序执行步骤6.5；

步骤6.5，判断是否达到终止条件，即循环遍历γ值若干次，若是，则输出评价值最优的γ值；若否，则返回执行步骤6.3。

6.根据权利要求5所述的一种自适应的快速图像增强方法，其特征在于：所述评价值fit₂和fit₂的具体计算公式为：

其中，F₁为反映图像像素差别的目标函数，定义为

式中，I(x,y)表示每个像素点在(x,y)的灰度值；

F₂为使用像素强度值的目标函数，它能迅速得到最优解，具体定义如下：

其中，M，N分别表示原始图像的列数和行数，I(x,y)表示每个像素的灰度值。

7.根据权利要求1所述的一种自适应的快速图像增强方法，其特征在于：所述步骤7中伽马变换采用的公式为：

s＝cr^γ

其中c是正常数，γ值由步骤6得到，r表示输入图像的灰度值，r∈[0,1]，s表示输出图像的灰度值；

对归一化伽马变换后的图像进行反变换处理，其采用的公式为

f”(i,j)＝(G'_max-G'_min)g'(i,j)+G'_min

式中，G'_max和G'_min分别为变换后图像的最大和最小灰度值，对于8位灰度图像，G'_max＝255，G'_min＝0，g'(i,j)是指采用归一化的伽马变换增强后像素点(i,j)的灰度值，f”(i,j)为进行反归一化后像素点(i,j)的灰度值。