CN110889806A - 基于分数阶多尺度熵融合的自适应增益图像增强方法 - Google Patents

基于分数阶多尺度熵融合的自适应增益图像增强方法 Download PDF

Info

Publication number
CN110889806A
CN110889806A CN201911132270.7A CN201911132270A CN110889806A CN 110889806 A CN110889806 A CN 110889806A CN 201911132270 A CN201911132270 A CN 201911132270A CN 110889806 A CN110889806 A CN 110889806A
Authority
CN
China
Prior art keywords
image
enhanced
fractional order
contrast
adaptive gain
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.)
Withdrawn
Application number
CN201911132270.7A
Other languages
English (en)
Inventor
马金祥
范新南
姚文卿
狄轶娟
李子曦
张永春
周培培
赵耀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Institute of Technology
Original Assignee
Changzhou Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou Institute of Technology filed Critical Changzhou Institute of Technology
Priority to CN201911132270.7A priority Critical patent/CN110889806A/zh
Publication of CN110889806A publication Critical patent/CN110889806A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于分数阶多尺度熵融合的自适应增益图像增强方法，包括：将原始水下图像划分成非重叠的矩形图像块；获取与尺度数量一致的基于分数阶的增强输出图像；计算融合后的图像的信息熵和对比度；确定图像块内对比度增强的输出图像；获取全局对比度增强图像；将原始水下图像由RGB图像转换为灰度图像；计算灰度图像对应的梯度图像，求得梯度图像的自适应增益函数；计算最终的基于分数阶多层熵融合的自适应增益水下增强图像；输出基于分数阶多层熵融合的自适应增益水下增强图像。本发明对水下图像进行增强处理，使得增强后的图像细节更加丰富清晰，整体图像的对比度、信息熵和色彩信息等等都能得到进一步提升。

Description

基于分数阶多尺度熵融合的自适应增益图像增强方法
技术领域
本发明属于图像信息处理领域，具体涉及基于分数阶多尺度熵融合的自适应增益图像增强方法。
背景技术
水下目标探测图像往往存在非均匀亮度、低信噪比、低对比度等特殊情况，导致水下图像降质严重。图像增强是对原始图像进行处理加工，改善图像的显示效果，使其转换成更适合图像分析处理的一类有效方法。有学者对整数阶微分图像增强进行改进，通过对其进行加权或综合其他方法，可以提升整数阶微分的增强效果。但是，这些方法仍然无法有效改善整数阶微分对噪声敏感以及容易抑制图像纹理细节的缺点。
发明内容
为了解决上述问题，本发明提出了基于分数阶多尺度熵融合的自适应增益图像增强方法，包括以下步骤：
将原始水下图像划分成非重叠的图像块；
在图像块内部进行多尺度分数阶微积分运算，获取与尺度数一致的基于分数阶的增强输出图像，所述尺度数为分数阶的阶数的个数；
在与尺度数量一致的基于分数阶的增强输出图像的基础上，在图像块内部对不同功率因数的增强输出图像进行均值融合，并计算融合后的图像的信息熵和对比度；
对图像块内融合后的图像的信息熵和对比度进行比较分析，确定图像块内对比度增强的输出图像；
利用双线性插值，对图像块内对比度增强的输出图像进行相邻区域内的像素重新赋值操作，获取全局对比度增强图像；
输入原始水下图像，将原始水下图像由RGB图像转换为灰度图像；
应用4方向Sobel边缘检测器计算灰度图像对应的梯度图像，求得梯度图像的自适应增益函数；
结合梯度图像的自适应增益函数对全局对比度增强图像进行基于自适应梯度增益的广义有界对数乘法运算，获得最终的基于分数阶多层熵融合的自适应增益水下增强图像；
输出基于分数阶多层熵融合的自适应增益水下增强图像。
进一步地，所述矩形关联图像块具体表示为：
Blockc，m，n
其中，c表示颜色通道c＝{r，g，b}；r，g，b分别表示红绿蓝三种颜色通道；m，n表示矩形图像块检索，m＝0，1，2，…，M-1，n＝0，1，2，…，N-1，M为划分的图像块的总行数，N为划分的图像块的总列数。
进一步地，所述在矩形图像块内部进行多尺度分数阶微积分运算，获取与尺度数量一致的基于分数阶的增强输出图像具体包括：
获得基于分数阶微积分操作的增强图像
Figure BDA0002278651300000021
具体为；
Figure BDA0002278651300000022
Figure BDA0002278651300000023
Uc，m，n(x，y)＝Ic，m，n，max-Ic，m，n(x，y)
其中，k是功率因数，α是分数阶，e表示图像块内的增强；Uc，m，n(x，y)是输入图像Ic，m，n(x，y)的反转图像，Ic，m，n，max是输入图像Ic，m，n(x，y)亮度最大的像素值，
Figure BDA0002278651300000024
是反转图像Uc，m，n(x，y)的分数阶导数，
Figure BDA0002278651300000025
是反转图像Uc，m，n(x，y)的分数阶积分，Ω表示积分的区域，
Figure BDA0002278651300000026
和
Figure BDA0002278651300000027
分别是反转图像Uc，m，n(x，y)基于分数阶微积分操作的增强图像和亮度最大的像素值，
Figure BDA0002278651300000028
是输入图像Ic，m，n(x，y)基于分数阶微积分操作的增强图像；
Figure BDA0002278651300000029
和
Figure BDA00022786513000000210
分别为反转图像Uc，m，n(x，y)基于分数阶微积分操作的增强图像
Figure BDA00022786513000000211
的高频部分和低频部分；公式
Figure BDA00022786513000000212
Figure BDA00022786513000000213
由公式
Figure BDA00022786513000000214
反转而来，
Figure BDA00022786513000000215
和
Figure BDA00022786513000000216
分别为基于分数阶微积分操作的增强图像
Figure BDA00022786513000000217
的高频部分和低频部分；
获取与尺度数一致的基于分数阶的增强输出图像
Figure BDA00022786513000000218
具体为：
Figure BDA00022786513000000219
其中，αi表示第i个分数阶，i表示分数阶的尺度数，最大尺度数为P，P根据增强输出图像的增强性能进行设置，通常取5，6或7。
进一步地，在与尺度数量一致的基于分数阶的增强输出图像的基础上，在图像块内部对不同功率因数的增强输出图像进行均值融合，并计算融合后的图像的信息熵和对比度，具体为：
Figure BDA0002278651300000031
Figure BDA0002278651300000032
Figure BDA0002278651300000033
Figure BDA0002278651300000034
其中，
Figure BDA0002278651300000035
和
Figure BDA0002278651300000036
分别表示不同功率因数k对应的增强图像像素输出值，
Figure BDA0002278651300000037
和
Figure BDA0002278651300000038
分别表示不同功率因数k对应的增强图像信息熵，
Figure BDA0002278651300000039
阳
Figure BDA00022786513000000310
分别表示不同功率因数k对应的增强图像对比度，entropy表示信息熵函数，contrast表示对比度函数。
进一步地，图像块内对比度增强的输出图像表示为Fc，m，n(x，y)，其计算公式为：
Figure BDA00022786513000000311
进一步地，利用双线性插值，对图像块内对比度增强的输出图像进行相邻区域内的像素重新赋值操作，获取全局对比度增强图像具体为：
利用双线性插值，对图像块内对比度增强的输出图像Fc，m，n(x，y)进行相邻区域内的像素重新赋值操作，获取全局对比度增强图像Fout，c(x，y)。
进一步地，所述梯度图像具体为：
Figure BDA00022786513000000312
其中，g(x，y)为像素点(x，y)的梯度图像；Gk(x，y)为像素点(x，y)的4方向的梯度向量具体为：
Figure BDA00022786513000000313
其中，z(x，y)为像素点(x，y)的灰度值；z(x+m-1，y+n-1)为像素点(x，y)的3×3图像邻域，由4方向Sobel边缘检测器掩模St(m，n)计算得到，m和n分别表示矩阵z(x+m-1，y+n-1)、矩阵St(m，n)的行数和列数；
其中，
Figure BDA0002278651300000041
z(x，y)定义为像素点(x，y)的灰度值；4方向Sobel边缘检测器掩模St(m，n)(t＝1，2，3，4)具体为：
Figure BDA0002278651300000042
Figure BDA0002278651300000043
Figure BDA0002278651300000044
Figure BDA0002278651300000045
所述梯度图像的自适应增益函数具体为：
Figure BDA0002278651300000046
其中，λ(x，y)为像素点(x，y)处的梯度域自适应增益函数；a和b为可调节正数变量，以确保梯度域自适应增益函数λ(x，y)均值在一个合适的范围内；
gn(x，y)为梯度图像归一化具体为：
Figure BDA0002278651300000047
其中，δ1和δ2为微小的扰动量，以确保gn(x，y)∈(0，1)。
进一步地，所述基于分数阶多层熵融合的自适应增益水下增强图像F′out，c(x，y)的具体计算公式为：
Figure BDA0002278651300000048
其中，全局对比度增强图像表示为Fout，c(x，y)。
进一步地，还包括：
对自适应增益的梯度图像从均值、对比度、信息熵和色彩尺度等方面进行定量评价，定量评价的相关指标函数表示为：
均值：
Figure BDA0002278651300000049
其中，μR、μG和μB分别为RGB三通道颜色分量的均值；
对比度：
Figure BDA00022786513000000410
式中，P(i，j；d，θk)为灰度共生矩阵；θk为像素间角度，θk＝(k-1)×45°，k＝1，2，3，4；
信息熵：
Figure BDA0002278651300000051
色彩尺度：
Figure BDA0002278651300000052
其中，α＝R-G，β＝(R+G)/2-B；
μα、μβ和σα、σβ分别是α、β的均值和标准差；
根据评价结果调节λ(x，y)公式中的a和b，直至满足定量评价的相关指标。
本发明所达到的有益之处在于：
(1)本发明可以只利用单幅非均匀亮度、低信噪比、低对比度水下目标探测图像进行增强处理。分数阶微分在有效提升边缘和纹理细节的同时，还能很好地保留平滑区域的纹理细节，能有效地解决整数阶微分对噪声敏感的问题。
(2)本发明对水下图像进行增强处理，使得增强后的图像细节更加丰富清晰，整体图像的对比度、信息熵和色彩信息等等都能得到进一步提升。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
参照图1所示，本发明是基于分数阶多尺度熵融合的自适应增益图像增强方法，整体流程图如图1所示，具体实现步骤如下：
步骤一：输入原始水下图像，将原始水下图像由RGB图像转换为灰度图像；
步骤二：应用4方向Sobel边缘检测器计算灰度图像对应的梯度图像，求得梯度图像的自适应增益函数；
利用人眼对边缘等高频信息比较敏感的特性，选择具有一定噪声鲁棒性的Sobel算子获取边缘梯度图像。在传统Sobel算子滤波(0°和90°方向)的基础上，增加了两个对角方向(45°和135°方向)的滤波，增强了平滑噪声的能力。
四个方向上的Sobel边缘检测器掩模St(m，n)定义为：
Figure BDA0002278651300000053
Figure BDA0002278651300000054
Figure BDA0002278651300000061
Figure BDA0002278651300000062
假设Z(x，y)定义为像素点(x，y)的3×3图像邻域，则Z(x，y)可以表示为：
Figure BDA0002278651300000063
其中，z(x，y)定义为像素点(x，y)的灰度值。
像素点(x，y)的4方向的梯度向量可以定义为：
Figure BDA0002278651300000064
其中，m和n分别表示矩阵z(x+m-1，y+n-1)、矩阵St(m，n)的行数和列数；像素点(x，y)的梯度图像可以定义为：
Figure BDA0002278651300000065
梯度图像归一化为：
Figure BDA0002278651300000066
其中，δ1和δ2为微小的扰动量，以确保gn(x，y)∈(0，1)。
为了得到丰富梯度信息的图像，在像素点(x，y)处的梯度域自适应增益函数λ(x，y)可以表述为：
Figure BDA0002278651300000067
其中，a和b为可调节正数变量，以确保梯度域自适应增益函数λ(i，j)均值在一个合适的范围内。
步骤三：将原始水下图像划分成非重叠的M×N个图像块。图像块尺寸参数为默认的8×8，这一默认参数能够较好的保留图像的色彩信息。
关联图像块可以定义为：Blockc，m，n。
其中，c表示颜色通道c＝{r，g，b}；r，g，b分别表示红绿蓝三种颜色通道；m，n表示矩形图像块检索，m＝0，1，2，…，M-1，n＝0，1，2，…，N-1
步骤四：在图像块内部进行多尺度分数阶微积分运算，获取与尺度数一致的基于分数阶的增强输出图像，尺度数为分数阶的阶数的个数，具体为：
图像梯度是反映图像空间变换率的主要特征。图像边缘处，灰度变化剧烈，梯度值相对较大，对应高频部分；图像平滑区域，灰度值稳定，梯度值相对较小，趋近于0，对应低频部分；图像纹理区域，灰度值变化相对平缓，梯度值在适中水平，对应于中高频部分。增强输出图像还可以表示为高频部分与低频部分的组合：
Figure BDA0002278651300000071
Figure BDA0002278651300000072
Figure BDA0002278651300000073
和
Figure BDA0002278651300000074
分别为基于分数阶微积分操作的增强图像
Figure BDA0002278651300000075
的高频部分和低频部分；
获得基于分数阶微积分操作的增强图像
Figure BDA0002278651300000076
具体为；
Figure BDA0002278651300000077
Figure BDA0002278651300000078
Uc，m，n(x，y)＝Ic，m，n，max-Ic，m，n(x，y)
其中，k是功率因数，α是分数阶，e表示图像块内的增强；Uc，m，n(x，y)是输入图像Ic，m，n(x，y)的反转图像，Ic，m，n，max是输入图像Ic，m，n(x，y)亮度最大的像素值，
Figure BDA0002278651300000079
是反转图像Uc，m，n(x，y)的分数阶导数，
Figure BDA00022786513000000710
是反转图像Uc，m，n(x，y)的分数阶积分，Ω表示积分的区域，
Figure BDA00022786513000000711
和
Figure BDA00022786513000000712
分别是反转图像Uc，m，n(x，y)基于分数阶微积分操作的增强图像和亮度最大的像素值，
Figure BDA00022786513000000713
是输入图像Ic，m，n(x，y)基于分数阶微积分操作的增强图像；公式
Figure BDA00022786513000000714
由公式
Figure BDA00022786513000000715
Figure BDA00022786513000000716
反转而来；
Figure BDA00022786513000000717
和
Figure BDA00022786513000000718
分别为反转图像Uc，m，n(x，y)基于分数阶微积分操作的增强图像
Figure BDA00022786513000000719
的高频部分和低频部分；
获取与尺度数一致的基于分数阶的增强输出图像
Figure BDA00022786513000000720
具体为：
Figure BDA00022786513000000721
其中，αi表示第i个分数阶，i表示分数阶的尺度数，最大尺度数为P，P根据增强输出图像的增强性能进行设置，通常取5，6或7。
步骤五：在与尺度数量一致的基于分数阶的增强输出图像的基础上，在图像块内部对不同功率因数的增强输出图像进行均值融合，并计算融合后的图像的信息熵和对比度，具体为：
Figure BDA0002278651300000081
Figure BDA0002278651300000082
Figure BDA0002278651300000083
Figure BDA0002278651300000084
其中，
Figure BDA0002278651300000085
和
Figure BDA0002278651300000086
分别表示不同功率因数k对应的增强图像像素输出值，
Figure BDA0002278651300000087
和
Figure BDA0002278651300000088
分别表示不同功率因数k对应的增强图像信息熵，
Figure BDA0002278651300000089
和
Figure BDA00022786513000000810
分别表示不同功率因数k对应的增强图像对比度，entropy表示信息熵函数，contrast表示对比度函数。
步骤六：图像块内对比度增强的输出图像表示为Fc，m，n(x，y)，其计算公式为：
Figure BDA00022786513000000811
步骤七：利用双线性插值，对图像块内对比度增强的输出图像进行相邻区域内的像素重新赋值操作，获取全局对比度增强图像；设经双线性插值运算后的全局对比度增强图像表示为Fout，c(x，y)。
步骤八：结合梯度图像的自适应增益函数对全局对比度增强图像Fout，c(x，y)进行基于自适应梯度增益的广义有界对数乘法运算，得到基于分数阶多层熵融合的自适应增益水下增强图像F′out，c(x，y)：
Figure BDA00022786513000000812
步骤九：对自适应增益的梯度图像从均值、对比度、信息熵和色彩尺度等方面进行定量评价。
相关定量评价指标函数表示为：
均值：
Figure BDA00022786513000000813
其中，μR、μG和μB分别为RGB三通道颜色分量的均值。
对比度：
Figure BDA00022786513000000814
式中，P(i，j；d，θk)为灰度共生矩阵；θk为像素间角度，θk＝(k-1)×45°，k＝1，2，3，4。
信息熵：
Figure BDA00022786513000000815
色彩尺度：
Figure BDA0002278651300000091
其中，α＝R-G，β＝(R+G)/2-B；μα、μβ和σα、σβ分别是α、β的均值和标准差。
对基于分数阶多尺度熵融合的自适应增益图像增强方法有关问题说明：
(1)分数阶微积分运算对纹理区域的图像增强有很好的效果，能有效克服整数解微积分运算存在的噪声敏感和抑制纹理细节的缺点。
(2)分数阶微积分运算灵活性较好，但在实际应用过程中，需要不断地调节分数阶数来达到满意的图像增强效果，因此不满足实时图像增强处理的需求。
(3)原始图像的不同区域具有不同的特征，简单地对一幅图像采用相同的分数阶数是不合适的。因此，本发明将原始图像划分成非重叠的M×N个矩形关联图像块，在每个矩形块内采用多尺度分数阶微积分融合，不同的矩形块可能对应于不同的分数阶数。矩形图像块，以及块内的尺度数量不宜过多，否则，运算量会非常大。
(4)广义有界对数加法算进行图像亮度调节，采用乘法运算进行图像对比度增强处理。乘法运算在梯度域自适应增益函数λ(i，j)＜1时，图像像素值整体上被压缩。乘法运算在λ(i，j)∈[1，3]时，在模型零值(x＝0.5)附近的像素值被拉伸，对远离零值的像素值进行压缩。
(5)在实际应用中，根据对比度增强的需要，可以对梯度域自适应增益函数λ(i，j)中的参数a和b进行调整，得到不同对比度的增强图像。
(6)在进行对比度增强时，还应综合考虑图像信息熵、色彩尺度等因素，以实现图像整体视觉效果的提升。
本发明所达到的有益之处在于：
(1)本发明可以只利用单幅非均匀亮度、低信噪比、低对比度水下目标探测图像进行增强处理。分数阶微分在有效提升边缘和纹理细节的同时，还能很好地保留平滑区域的纹理细节，能有效地解决整数阶微分对噪声敏感的问题。
(2)本发明对水下图像进行增强处理，使得增强后的图像细节更加丰富清晰，整体图像的对比度、信息熵和色彩信息等等都能得到进一步提升。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，包括以下步骤：
将原始水下图像划分成非重叠的图像块；
在图像块内部进行多尺度分数阶微积分运算，获取与尺度数一致的基于分数阶的增强输出图像，所述尺度数为分数阶的阶数的个数；
在与尺度数量一致的基于分数阶的增强输出图像的基础上，在图像块内部对不同功率因数的增强输出图像进行均值融合，并计算融合后的图像的信息熵和对比度；
对图像块内融合后的图像的信息熵和对比度进行比较分析，确定图像块内对比度增强的输出图像；
利用双线性插值，对图像块内对比度增强的输出图像进行相邻区域内的像素重新赋值操作，获取全局对比度增强图像；
输入原始水下图像，将原始水下图像由RGB图像转换为灰度图像；
应用4方向Sobel边缘检测器计算灰度图像对应的梯度图像，求得梯度图像的自适应增益函数；
结合梯度图像的自适应增益函数对全局对比度增强图像进行基于自适应梯度增益的广义有界对数乘法运算，获得最终的基于分数阶多层熵融合的自适应增益水下增强图像；
输出基于分数阶多层熵融合的自适应增益水下增强图像。
2.根据权利要求1所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，所述矩形关联图像块具体表示为：
Blockc，m，n
其中，c表示颜色通道c＝{r，g，b}；r，g，b分别表示红绿蓝三种颜色通道；m，n表示矩形图像块检索，m＝0，1，2，…，M-1，n＝0，1，2，…，N-1，M为划分的图像块的总行数，N为划分的图像块的总列数。
3.根据权利要求2所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，所述在矩形图像块内部进行多尺度分数阶微积分运算，获取与尺度数量一致的基于分数阶的增强输出图像具体包括：
获得基于分数阶微积分操作的增强图像
Figure FDA0002278651290000011
具体为；
Figure FDA0002278651290000012
Figure FDA0002278651290000013
Uc，m，n(x，y)＝Ic，m，n，max-Ic，m，n(x，y)
其中，k是功率因数，α是分数阶，e表示图像块内的增强；Uc，m，n(x，y)是输入图像Ic，m，n(x，y)的反转图像，Ic，m，n，max是输入图像Ic，m，n(x，y)亮度最大的像素值，
Figure FDA0002278651290000021
是反转图像Uc，m，n(x，y)的分数阶导数，
Figure FDA0002278651290000022
是反转图像Uc，m，n(x，y)的分数阶积分，Ω表示积分的区域，
Figure FDA0002278651290000023
和
Figure FDA0002278651290000024
分别是反转图像Uc，m，n(x，y)基于分数阶微积分操作的增强图像和亮度最大的像素值，
Figure FDA0002278651290000025
是输入图像Ic，m，n(x，y)基于分数阶微积分操作的增强图像；
Figure FDA0002278651290000026
和
Figure FDA0002278651290000027
分别为反转图像Uc，m，n(x，y)基于分数阶微积分操作的增强图像
Figure FDA0002278651290000028
的高频部分和低频部分；公式
Figure FDA0002278651290000029
Figure FDA00022786512900000210
由公式
Figure FDA00022786512900000211
反转而来，
Figure FDA00022786512900000212
和
Figure FDA00022786512900000213
分别为基于分数阶微积分操作的增强图像
Figure FDA00022786512900000214
的高频部分和低频部分；
获取与尺度数一致的基于分数阶的增强输出图像，具体为：
Figure FDA00022786512900000215
其中，αi表示第i个分数阶，i表示分数阶的尺度数，最大尺度数为P，P根据增强输出图像的增强性能进行设置，通常取5，6或7。
4.根据权利要求3所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，在与尺度数量一致的基于分数阶的增强输出图像的基础上，在图像块内部对不同功率因数的增强输出图像进行均值融合，并计算融合后的图像的信息熵和对比度，具体为：
Figure FDA00022786512900000216
Figure FDA00022786512900000217
Figure FDA00022786512900000218
Figure FDA00022786512900000219
其中，
Figure FDA00022786512900000220
和
Figure FDA00022786512900000221
分别表示不同功率因数k对应的增强图像像素输出值，
Figure FDA00022786512900000222
和
Figure FDA00022786512900000223
分别表示不同功率因数k对应的增强图像信息熵，
Figure FDA00022786512900000224
和
Figure FDA00022786512900000225
分别表示不同功率因数k对应的增强图像对比度，entropy表示信息熵函数，contrast表示对比度函数。
5.根据权利要求4所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，图像块内对比度增强的输出图像表示为Fc，m，n(x，y)，其计算公式为：
Figure FDA0002278651290000031
6.根据权利要求5所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，利用双线性插值，对图像块内对比度增强的输出图像进行相邻区域内的像素重新赋值操作，获取全局对比度增强图像具体为：
利用双线性插值，对图像块内对比度增强的输出图像Fc，m，n(x，y)进行相邻区域内的像素重新赋值操作，获取全局对比度增强图像Fout，c(x，y)。
7.根据权利要求6所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，所述梯度图像具体为：
Figure FDA0002278651290000032
其中，g(x，y)为像素点(x，y)的梯度图像；Gk(x，y)为像素点(x，y)的4方向的梯度向量具体为：
Figure FDA0002278651290000033
其中，z(x，y)为像素点(x，y)的灰度值；z(x+m-1，y+n-1)为像素点(x，y)的3×3图像邻域，由4方向Sobel边缘检测器掩模St(m，n)计算得到，m和n分别表示矩阵z(x+m-1，y+n-1)、矩阵St(m，n)的行数和列数；
其中，
Figure FDA0002278651290000034
z(x，y)定义为像素点(x，y)的灰度值；4方向Sobel边缘检测器掩模St(m，n)(t＝1，2，3，4)具体为：
Figure FDA0002278651290000035
Figure FDA0002278651290000036
Figure FDA0002278651290000041
Figure FDA0002278651290000042
所述梯度图像的自适应增益函数具体为：
Figure FDA0002278651290000043
其中，λ(x，y)为像素点(x，y)处的梯度域自适应增益函数；a和b为可调节正数变量，以确保梯度域自适应增益函数λ(x，y)均值在一个合适的范围内；
gn(x，y)为梯度图像归一化具体为：
Figure FDA0002278651290000044
其中，δ1和δ2为微小的扰动量，以确保gn(x，y)∈(0，1)。
8.根据权利要求7所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，所述基于分数阶多层熵融合的自适应增益水下增强图像F′out，c(x，y)的具体计算公式为：
Figure FDA0002278651290000045
其中，全局对比度增强图像表示为Fout，c(x，y)。
9.根据权利要求8所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，还包括：
对自适应增益的梯度图像从均值、对比度、信息熵和色彩尺度等方面进行定量评价，定量评价的相关指标函数表示为：
均值：
Figure FDA0002278651290000046
其中，μR、μG和μB分别为RGB三通道颜色分量的均值；
对比度：
Figure FDA0002278651290000047
式中，P(i，j；d，θk)为灰度共生矩阵；θk为像素间角度，θk＝(k-1)×45°，k＝1，2，3，4；
信息熵：
Figure FDA0002278651290000048
色彩尺度：
Figure FDA0002278651290000049
其中，α＝R-G，β＝(R+G)/2-B；μα、μβ和σα、σβ分别是α、β的均值和标准差；
根据评价结果调节λ(x，y)公式中的a和b，直至满足定量评价的相关指标。
CN201911132270.7A 2019-11-19 2019-11-19 基于分数阶多尺度熵融合的自适应增益图像增强方法 Withdrawn CN110889806A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911132270.7A CN110889806A (zh) 2019-11-19 2019-11-19 基于分数阶多尺度熵融合的自适应增益图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911132270.7A CN110889806A (zh) 2019-11-19 2019-11-19 基于分数阶多尺度熵融合的自适应增益图像增强方法

Publications (1)

Publication Number Publication Date
CN110889806A true CN110889806A (zh) 2020-03-17

Family

ID=69747895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911132270.7A Withdrawn CN110889806A (zh) 2019-11-19 2019-11-19 基于分数阶多尺度熵融合的自适应增益图像增强方法

Country Status (1)

Country Link
CN (1) CN110889806A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114187196A (zh) * 2021-11-30 2022-03-15 北京理工大学 一种自适应多积分时间红外图像序列择优方法
CN114627030A (zh) * 2022-05-13 2022-06-14 深圳深知未来智能有限公司 一种自适应的图像锐化方法及系统
CN114693562A (zh) * 2022-04-15 2022-07-01 黄淮学院 一种基于人工智能的图像增强方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114187196A (zh) * 2021-11-30 2022-03-15 北京理工大学 一种自适应多积分时间红外图像序列择优方法
CN114187196B (zh) * 2021-11-30 2024-06-14 北京理工大学 一种自适应多积分时间红外图像序列择优方法
CN114693562A (zh) * 2022-04-15 2022-07-01 黄淮学院 一种基于人工智能的图像增强方法
CN114693562B (zh) * 2022-04-15 2022-11-25 黄淮学院 一种基于人工智能的图像增强方法
CN114627030A (zh) * 2022-05-13 2022-06-14 深圳深知未来智能有限公司 一种自适应的图像锐化方法及系统

Similar Documents

Publication Publication Date Title
CN110910323A (zh) 一种自适应分数阶多尺度熵融合的水下图像增强方法
Wang et al. Simple low-light image enhancement based on Weber–Fechner law in logarithmic space
Song et al. Color to gray: Visual cue preservation
US8285033B2 (en) Bi-affinity filter: a bilateral type filter for color images
CN110889806A (zh) 基于分数阶多尺度熵融合的自适应增益图像增强方法
US20140079319A1 (en) Methods for enhancing images and apparatuses using the same
CN107507173A (zh) 一种全切片图像的无参考清晰度评估方法及系统
CN103238335A (zh) 图像处理装置、图像处理方法和程序
CN101675454A (zh) 采用全色像素的边缘绘图
CN107833189A (zh) 对比受限自适应直方图均衡的水下目标探测图像增强方法
CN113822830B (zh) 基于深度感知增强的多曝光图像融合方法
CN115797225B (zh) 一种水下地形测量用无人船采集图像增强方法
Hou et al. Underwater image dehazing and denoising via curvature variation regularization
US7545984B1 (en) Quantifying graphics image difference
CN116580028B (zh) 一种物体表面缺陷检测方法、装置、设备及存储介质
CN104200434B (zh) 一种基于噪声方差估计的非局部均值图像去噪方法
Wen et al. Autonomous robot navigation using Retinex algorithm for multiscale image adaptability in low-light environment
CN113298763B (zh) 一种基于显著性窗口策略的图像质量评估方法
TWI575504B (zh) 影像處理裝置及影像處理方法
KR20120015980A (ko) 오브젝트 색상 보정 방법, 시스템 및 컴퓨터 프로그램 제품
CN112801141B (zh) 基于模板匹配和孪生神经网络优化的异源图像匹配方法
Yan et al. A natural-based fusion strategy for underwater image enhancement
Dong et al. Image enhancement via texture protection Retinex
Li et al. No-reference sharpness index for scanning electron microscopy images based on dark channel prior
CN115131336B (zh) 一种显示屏四色背景画面下的暗线缺陷检测方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200317