CN110211049A

CN110211049A - 基于Retinex理论的图像增强方法、装置和设备

Info

Publication number: CN110211049A
Application number: CN201810686408.7A
Authority: CN
Inventors: 朱丹; 那彦波
Original assignee: BOE Technology Group Co Ltd
Current assignee: BOE Technology Group Co Ltd
Priority date: 2018-06-28
Filing date: 2018-06-28
Publication date: 2019-09-06
Also published as: US20220005165A1; WO2020001164A1

Abstract

本发明实施例提供一种基于Retinex理论的图像增强方法、装置和设备，该方法包括：获取输入图像；求解使损失函数最小的所述输入图像的入射分量；根据所述入射分量，得到所述输入图像的优化图像；其中，所述损失函数包含激活函数。这样可以提高图像质量。

Description

基于Retinex理论的图像增强方法、装置和设备

技术领域

本发明涉及图像处理领域，尤其涉及一种基于Retinex理论的图像增强方法、装置和设备。

背景技术

图像是人类获取和传输信息的重要载体，在很多场景中均需要使用到的图像，例如：日常生活、公安刑侦、生物医学或者动画游戏等场景中均会使用到图像。然而，在采集图像过程中，不可避免地受到光照条件的影响，导致出现色偏现象，使得图像质量比较差。

发明内容

本发明实施例提供一种基于Retinex理论的图像增强方法、装置和设备，以解决图像质量比较差的问题。

本发明实施例提供一种基于Retinex理论的图像增强方法，包括：

获取输入图像；

求解使损失函数最小的所述输入图像的入射分量；

根据所述入射分量，得到所述输入图像的优化图像；

其中，所述损失函数包含激活函数。

可选的，所述损失函数为如下函数：

其中，c₁、c₂和c₃为预设权重值，l为所述入射分量的对数，s为所述输入图像的对数，▽l为l的一阶偏导，▽(s-l)为s-l的一阶偏导。

可选的，所述损失函数为如下函数：

可选的，采用Scharr算子求解▽l和▽(s-l)。

可选的，所述求解使损失函数最小的所述输入图像的入射分量，包括：

使用Adam优化算法求解使所述损失函数的最小的所述输入图像的入射分量。

可选的，所述根据所述入射分量，得到所述输入图像的优化图像，包括：

去除所述输入图像中的所述入射分量，得到所述输入图像的反射分量；

对所述入射分量进行伽马校正，得到校正分量；

将所述反射分量与所述校正分量的乘积作为所述优化图像。

可选的，所述根据所述入射分量，得到所述输入图像的优化图像之前，所述方法还包括：

获取所述输入图像的色度饱和度亮度HSV空间中H通道的图像信息、S通道的图像信息，以及V通道的图像信息，其中，所述入射分量为所述V通道的图像信息的入射分量；

所述根据所述入射分量，得到所述输入图像的优化图像，包括：

根据所述入射分量，得到所述输入图像优化后的V通道的图像信息；

将所述H通道的图像信息、所述S通道的图像信息和所述优化后的V通道的图像信息转换为红绿蓝RGB空间的所述优化图像。

本发明实施例还提供一种基于Retinex理论的图像增强装置，包括：

第一获取模块，用于获取输入图像；

求解模块，用于求解使损失函数最小的所述输入图像的入射分量；

处理模块，用于根据所述入射分量，得到所述输入图像的优化图像；

其中，所述损失函数包含激活函数。

可选的，所述损失函数为如下函数：

可选的，采用Scharr算子求解▽l和▽(s-l)。

可选的，所述求解模块用于使用Adam优化算法求解使所述损失函数的最小的所述输入图像的入射分量。

可选的，所述处理模块，包括：

去除单元，用于去除所述输入图像中的所述入射分量，得到所述输入图像的反射分量；

校正单元，用于对所述入射分量进行伽马校正，得到校正分量；

运算单元，用于将所述反射分量与所述校正分量的乘积作为所述优化图像。

可选的，所述装置还包括：

第二获取模块，用于获取所述输入图像的度HSV空间中H通道的图像信息、S通道的图像信息，以及V通道的图像信息，其中，所述入射分量为所述V通道的图像信息的入射分量；

所述处理模块，包括：

处理单元，用于根据所述入射分量，得到所述输入图像优化后的V通道的图像信息；

转换单元，用于将所述H通道的图像信息、所述S通道的图像信息和所述优化后的V通道的图像信息转换为红绿蓝RGB空间的所述优化图像。

本发明实施例还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现本发明实施例提供的基于Retinex理论的图像增强方法中的步骤。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例提供的基于Retinex理论的图像增强方法中的步骤。

本发明实施例中，获取输入图像；获取输入图像；求解使损失函数最小的所述输入图像的入射分量；根据所述入射分量，得到所述输入图像的优化图像；其中，所述损失函数包含激活函数。这样可以提高图像质量。

附图说明

图1是本发明实施例提供的一种Retinex理论示意图；

图2是本发明实施例提供的一种基于Retinex理论的图像增强方法的流程图；

图3是本发明实施例提供的一种优化求解的示意图；

图4是本发明实施例提供的另一种基于Retinex理论的图像增强方法的示意图；

图5是本发明实施例提供的一种基于Retinex理论的图像增强装置的结构图；

图6是本发明实施例提供的另一种基于Retinex理论的图像增强装置的结构图；

图7是本发明实施例提供的另一种基于Retinex理论的图像增强装置的结构图；

图8是本发明实施例提供的一种电子设备的结构图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

请参见图1，图1是本发明实施例提供的一种Retinex理论示意图，如图1所示，在Retinex理论中图像主要由2个部分组成，分别是入射分量和反射分量，表示为：

S＝L×R

其中，L代表入射分量，R代表反射分量，S是观察者或者照相机接收构成的图像。其中，入射分量L决定了一幅图像中像素能够达到的动态范围，反射分量R决定了图像的内在性质。如图1所示，在Retinex理论中的目的就是为了从图像S中抛开入射分量的性质，从而得到图像原本的样子，进而实现图像增强。

请参见图2，图2是本发明实施例提供的一种基于Retinex理论的图像增强方法的流程图，如图2所示，包括以下步骤：

201、获取输入图像；

202、求解使损失函数最小的所述输入图像的入射分量；

203、根据所述入射分量，得到所述输入图像的优化图像；

其中，所述损失函数包含激活函数。

上述输入图像可以为图像采集设备采集到的图像，例如：手机、相机等设备的摄像头采集到的图像。且上述输入图像可以是静态图像，或者动态图像，如视频。

其中，上述损失函数可以是预先配置的，例如：接收其他设备发送的，或者用户配置的等等，或者上述损失函数可以是预先优化得到。

上述求解使损失函数最小的所述输入图像的入射分量可以是，通过优化算法求解所述损失函数的最小，以得到上述输入图像的入射分量。例如：初始化上述损失函数中l(l为入射分量的对数)，然后，通过优化算法不断优化该损失函数中的l，直到求解到损失函数的最小值，而将此时的l作为上述输入图像的入射分量的对数，进而得到上述输入图像的入射分量。需要说明的是，上述损失函数最小可以是指损失函数满足特定条件，例如：损失函数的值小于目标阈值时，则确定此时损失函数最小，其中，上述目标阈值可以是根据理论最小值(例如：0)确定的阈值，如0.001、0.0001或者0.002等等。优选的，可以是根据理论最小值，并结合图像增强的实际情况设置上述目标阈值。

而上述损失函数包括的激活函数用于保证上述损失函数的，例如：激活函数用于保证约束条件有L≥S或者l≥s，其中，L为入射分量，S为输入图像，l为入射分量的对数，s为输入图像的对数。

上述根据所述入射分量，得到所述输入图像的优化图像是指，基于Retinex理论来实现，因为，Retinex理论中S＝L×R，从而当入射分量确定后，就可以得到输入图像的优化图像。

上述步骤中，由于损失函数包括的激活函数，这样在图像增强过程中，不需要单独进行约束条件的判断，从而可以提高图像增强过程中的运算效率。

需要说明的是，本发明实施例中，基于Retinex理论中的S＝L×R，为了简化运算，可以将乘法关系在对数域将其转化为加法，即：

s＝logS(x,y)，l＝logL(x,y)，r＝logR(x,y)

可得：s＝l+r，其中，x和y为输入图像中的像素点坐标。其中，上述对数的底可以是e、2、10等其他数值，对此不作限定。

本发明实施例中，设入射分量和反射分量满足以下假设：

1、假设入射分量在空间是足够均匀的；

2、反射分量R的值限于0到1，因此有L≥S，又因为本发明实施例中对数的底为大于1的数值，从而对数域是单调递增的，因此有l≥s；

3、假设入射分量是一个常数C，C大于S中任意一点，则C是满足以上两个假设的一个平凡解，因此可以假设L无限的接近S但大于S；

4、假设r＝s-l具有较高的先验概率.

这样根据以上4条假设集合到一个表达式中可得以下惩罚函数：

其中，c₁,c₂,c₃是各自的权重，这些权重要可以是预先配置的，例如：可以根据经验或者需求设置的，且l≥s。需要说明的是，本发明实施例中，损失函数也可以称作惩罚函数。

另外，由于当L非常小时，log(L)的导数非常依赖于1/L，为了解决这一问题，可以修改惩罚函数如下：

通过该公式内容可知，该公式将第一项修改为即多乘了系数e^l，不改变原公式的作用。假设l＝log(L)，且底为e，可知e^l＝L，即将带入得：这样就只和▽L有关了，从而消除了1/L的影响。同理，可得上述惩罚函数中的第三项。

通过上述公式可以实现在L非常小，也可以提高图像的质量。

由于，本发明实施例中，上述损失函数包含激活函数，而激活函数可以采用Relu激活函数，其中，Relu激活函数是深度学习的一种激活函数，定义为：Relu(x)＝max(0,x)

这样通过上述惩罚函数，利用Relu(s-l)为0以保证l≥s。因此，在一种可选的实施方式，上述损失函数为如下函数：

上述第一项代表入射分量空间足够平滑，而第二项代表入射分量无限接近并大于拍摄图像，第三项||e^(s-l)▽(s-l)||₁表示反射分量具有较大的先验概率，而Relu激活函数实现了将约束条件l≥s融合为损失函数的一部分，不再单独作为求解损失函数的约束条件。

本发明实施例中，可以采用一阶微分算子计算图像的一阶偏导，优选的，采用Scharr算子求解▽l和▽(s-l)，具体的，Scharr算子可以定义如下：

这样，求解图像A的导数，有：从而可以得到

当然，本发明实施例中，对上述算子元素0、3、-3、10、-10，这些不作限定，例如：还可以替换为其他常数，如0、4、-4、10、-10等等。

这样采用Scharr算子进行求解，从而可以避免了在反向传播时的零梯度，有利于入射分量的空间平滑，进而提高优化图像的质量。

通过上述损失函数不同可以提高运算处理效率，还可以降低内存消耗，以及还可以提高优化图像的质量。例如，通过上述损失函数可以有效改善夜晚拍摄图片的质量，令图片内容更加清晰，以及有效改善图像细节模糊不清，提高图像对比度，失真颜色恢复和增益补偿等。

当然，本发明实施例中，并不限定损失函数为上述公式所表示的函数，例如：在一些场景中，上述损失函数还可以为如下函数：

只是采用该损失函数时没有考虑当L非常小时，log(L)的导数非常依赖于1/L这一问题，导致优化图像的质量比采用这一损失函数得到的优化图像的质量较差，但同样可以提高图像增强过程中的运算效率。或者，可以理解为是对进一步的限定。

作为一种可选的实施方式，上述通过求解损失函数的最小值得到所述输入图像的入射分量，包括：

使用Adam优化算法求解所述损失函数的最小，以得到所述输入图像的入射分量。

例如：如图3所示，输入s，并初始化l，并计算上述损失函数，判断损失函数是否满足条件(即判断损失函数是否最小)若否，则更新l，并再次计算上述损失函数，判断损失函数是否满足条件，直到损失函数满足条件(即判断损失函数最小)，则输出l。其中，上述更新l是通过Adam优化算法不断优化的。

该实施方式中，可以实现将l作为为待优化参数，利用Adam优化算法不断优化l，使得损失函数最小，得到l的最优解，之后对l进行指数求解可得L＝e^l。之后可以通过反射分量R＝S/L得到优化图像。而采用Adam优化算法可以提高算法的计算效率，减少了内存损耗，且易于工程实现。

下面对Adam优化算法进行举例说明：

Adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。其中，Adam的优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳。公式可以如下：

m_t＝μ*m_t-1+(1-μ)*g_t

其中，η是学习率，t为迭代次数，g_t是图像的梯度，m_t和n_t分别是梯度的

一阶矩估计和二阶矩估计，可以看作对期望E[g_t]，E[g_t ²]的估计；

和是对m_t和n_t的校正，这样可以近似为对期望的无偏估计，参数μ和参数v可以是人工设置参数，用来估计和一般取值为μ＝0.9,v＝0.99或者其他数值。

这样可以看出，Adam直接对梯度的矩估计对内存没有额外的要求，而且可以根据梯度进行动态调整，而对学习率形成一个动态约束，而且有明确的范围，ε为误差，保证分母不为零，一般取值为ε＝1e-8。

在优化过程可以中，上面的g_t是当前图像的梯度，这里，所指的当前图像其实就是当前迭代得到的入射分量l，也就是说g_t是入射分量l的梯度，即g_t＝▽l。

通过上述描述，可以总结该Adam算法具有以下优势：

高效的计算、所需内存少、梯度对角缩放的不变性、适合解决含大规模数据和参数的优化问题、适用于非稳态目标、适用于解决包含很高噪声或稀疏梯度的问题，以及超参数可以很直观地解释，并且基本上只需极少量的调参。

需要说明的是，上述公式仅是对Adam优化算法进行举例，本发明实施例中，对Adam优化算法并不作限定。

作为一种可选的实施方式，所述根据所述入射分量，得到所述输入图像的优化图像，包括：

对所述入射分量进行伽马校正，得到校正分量；

将所述反射分量与所述校正分量的乘积作为所述优化图像。

其中，上述去除所述输入图像中的所述入射分量，得到所述输入图像的反射分可以是根据Retinex理论中的S＝L×R这一公式得到，S表示输入图像，L代表入射分量，R代表反射分量。

其中，上述对所述入射分量进行伽马校正可以是对入射分量的伽马曲线进行编辑，以对入射分量进行非线性色调编辑，从而得到上述校正分量。当然，上述对所述入射分量进行伽马校正也可以采用如下公式进行伽马校正：

其中，L'为校正分量，W＝2^b-1，b为图像的比特数，例如8-bit图像，W＝255。

通过上述伽马校正，得到校正分量后，可以通过公式S'＝L'×R得到上述优化图像S'。

该实施方式中，根据上述校正分量得到优化图像，从而可以实现根据入射分量包含光照信息，适当的对图像其进行调整，以产生深色图像的视觉效果，更接近与真实的图像，达到提高图像质量的效果。

作为一种可选的实施方式，所述根据所述入射分量，得到所述输入图像的优化图像之前，所述方法还包括：

获取所述输入图像的色度饱和度亮度(Hue Saturation Value，HSV)空间中H通道的图像信息、S通道的图像信息，以及V通道的图像信息，其中，所述入射分量为所述V通道的图像信息的入射分量；

将所述H通道的图像信息、所述S通道的图像信息和所述优化后的V通道的图像信息转换为红绿蓝(Red Green Blue，RGB)空间的所述优化图像。

其中，H通道的图像信息表示图像的色度，S通道的图像信息表示图像的饱和度，V通道的图像信息表示图像的亮度。

在一般情况下，上述输入图像为RGB图像，先要将RGB图像转换为HSV空间图像，这样上述获取输入图像的HSV空间中H通道的图像信息、S通道的图像信息，以及V通道的图像信息，可以通过如下公式获取：

v＝max

其中，h、s和v分别表示HSV空间中H通道的图像信息、S通道的图像信息，以及V通道的图像信息，r、g和b分别表示RBG空间的R通道的图像信息，G通道的图像信息和B通道的图像信息。max等于r、g和b中的最大者，min等于r、g和b中的最小者。

当然，本发明实施例，并不限定上述输入图像为RGB图像，例如：上述输入图像为HSV图像，这样就可以直接获取到输入图像的HSV空间中H通道的图像信息、S通道的图像信息，以及V通道的图像信息。

该实施方式中，可以实现图像增强过程中，得到HSV空间的图像信息，而HSV空间的能够非常直观的表达色彩的明暗，色调，以及鲜艳程度，方便进行颜色之间的对比，也方便感情的传达，是一种建立在用户基础上的颜色空间。该实施方式中，由于H通道的图像信息表示图像的色度，S通道的图像信息表示图像的饱和度，而色度和饱和度对应图像的颜色，这样为了保证图像的颜色不变，从而该实施方式中，只对V通道的图像信息进行增强，也就是说，只对图像的亮度进行增强，而不对H通道的图像信息和S通道的图像信息进行改变，从而可以提高图像的质量。

需要说明的是，本发明实施例提供的基于Retinex理论的图像增强方法可以应用于任何能够对图像进行增强的设备，例如：包括但不限于手机、相机、摄像机、计算机、服务器等等，对此不作限定。且应用的领域包括但不限于视频、图像处理，公安刑侦、生物医学和动画游戏等领域。

下面参考图4，对本发明实施例提供的基于Retinex理论的图像增强方法进行举例说明：

如图4所示，得到输入图像S，对输入图像S进行对数域转换，得到输入图像S的对数s，之后进行光照估计，其中，上述光照估计可以理解为上述实施例提供的求解入射分量的对数l，之后进行exp(指数求解)得到入射分量L；这样，可以通过基于Retinex理论(R＝S/L)得到输入图像的反射分量R，且在得到L后，可以对L进行图像矫正(例如：伽马校正)，得到校正分量L'，最后，通过S'＝L'×R得到最终的优化图像S'。

图4所示的图像增强方案，可以达到运算效率高，内存损耗少，更好的保持了图像的色彩，且易于工程实现等有益效果。

请参见图5，图5是本发明实施例提供的一种基于Retinex理论的图像增强装置的结构图，如图5所示，基于Retinex理论的图像增强装置500包括：

第一获取模块501，用于获取输入图像；

求解模块502，用于通过求解损失函数的最小值得到所述输入图像的入射分量；

处理模块503，用于根据所述入射分量，得到所述输入图像的优化图像；

其中，所述损失函数包含激活函数。

可选的，所述损失函数为如下函数：

可选的，采用Scharr算子求解▽l和▽(s-l)。

可选的，所述求解模块502用于使用Adam优化算法求解所述损失函数的最小，以得到所述输入图像的入射分量。

可选的，如图6所示，所述处理模块503，包括：

去除单元5031，用于去除所述输入图像中的所述入射分量，得到所述输入图像的反射分量；

校正单元5032，用于对所述入射分量进行伽马校正，得到校正分量；

运算单元5033，用于将所述反射分量与所述校正分量的乘积作为所述优化图像。

可选的，如图7所示，所述装置还包括：

第二获取模块504，用于获取所述输入图像的度HSV空间中H通道的图像信息、S通道的图像信息，以及V通道的图像信息，其中，所述入射分量为所述V通道的图像信息的入射分量；

所述处理模块503，包括：

处理单元5034，用于根据所述入射分量，得到所述输入图像优化后的V通道的图像信息；

转换单元5035，用于将所述H通道的图像信息、所述S通道的图像信息和所述优化后的V通道的图像信息转换为红绿蓝RGB空间的所述优化图像。

需要说明的是，本实施例中上述基于Retinex理论的图像增强装置500可以实现本发明实施例中基于Retinex理论的图像增强方法实施例中任意实施方式，也就是说，本发明实施例中基于Retinex理论的图像增强方法实施例中的任意实施方式都可以被本实施例中的上述基于Retinex理论的图像增强装置500所实现，以及达到相同的有益效果，此处不再赘述。

请参见图8，图8是本发明实施例提供的一种电子设备的结构图，如图8所示，电子设备800，包括：存储器801、处理器802及存储在所述存储器801上并可在所述处理器802上运行的计算机程序，其中，

所述处理器802用于读取存储器801中的计算程序，执行下列过程：

获取输入图像；

通过求解损失函数的最小值得到所述输入图像的入射分量；

根据所述入射分量，得到所述输入图像的优化图像；

其中，所述损失函数包含激活函数。

可选的，所述损失函数为如下函数：

可选的，采用Scharr算子求解▽l和▽(s-l)。

可选的，处理器802执行的所述通过求解损失函数的最小值得到所述输入图像的入射分量，包括：

可选的，处理器802执行的所述根据所述入射分量，得到所述输入图像的优化图像，包括：

对所述入射分量进行伽马校正，得到校正分量；

将所述反射分量与所述校正分量的乘积作为所述优化图像。

可选的，所述根据所述入射分量，得到所述输入图像的优化图像之前，处理器802还用于：

处理器802执行的所述根据所述入射分量，得到所述输入图像的优化图像，包括：

需要说明的是，本实施例中上述电子设备800可以实现本发明实施例中基于Retinex理论的图像增强方法实施例中任意实施方式，也就是说，本发明实施例中基于Retinex理论的图像增强方法实施例中的任意实施方式都可以被本实施例中的上述电子设备800所实现，以及达到相同的有益效果，此处不再赘述。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例提供的基于Retinex理论的图像增强方法中的步骤，或者所述计算机程序被处理器执行时实现本发明实施例提供的基于Retinex理论的图像增强方法中的步骤。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种基于Retinex理论的图像增强方法，其特征在于，包括：

获取输入图像；

求解使损失函数最小的所述输入图像的入射分量；

根据所述入射分量，得到所述输入图像的优化图像；

其中，所述损失函数包含激活函数。

2.如权利要求1所述的方法，其特征在于，所述损失函数为如下函数：

其中，c₁、c₂和c₃为预设权重值，l为所述入射分量的对数，s为所述输入图像的对数，为l的一阶偏导，为s-l的一阶偏导。

3.如权利要求2所述的方法，其特征在于，所述损失函数为如下函数：

4.如权利要求3所述的方法，其特征在于，采用Scharr算子求解和

5.如权利要求1至4中任一项所述的方法，其特征在于，所述求解使损失函数最小的所述输入图像的入射分量，包括：

6.如权利要求1至4中任一项所述的方法，其特征在于，所述根据所述入射分量，得到所述输入图像的优化图像，包括：

对所述入射分量进行伽马校正，得到校正分量；

将所述反射分量与所述校正分量的乘积作为所述优化图像。

7.如权利要求1至4中任一项所述的方法，其特征在于，所述根据所述入射分量，得到所述输入图像的优化图像之前，所述方法还包括：

8.一种基于Retinex理论的图像增强装置，其特征在于，包括：

第一获取模块，用于获取输入图像；

其中，所述损失函数包含激活函数。

9.如权利要求8所述的装置，其特征在于，所述损失函数为如下函数：

10.如权利要求9所述的装置，其特征在于，所述损失函数为如下函数：

11.如权利要求10所述的装置，其特征在于，采用Scharr算子求解和

12.如权利要求8至11中任一项所述的装置，其特征在于，所述求解模块用于使用Adam优化算法求解使所述损失函数的最小的所述输入图像的入射分量。

13.如权利要求8至11中任一项所述的装置，其特征在于，所述处理模块，包括：

14.如权利要求8至11中任一项所述的装置，其特征在于，所述装置还包括：

所述处理模块，包括：

15.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于Retinex理论的图像增强方法中的步骤。

16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于Retinex理论的图像增强方法中的步骤。