CN110969584A - 一种低照度图像增强方法 - Google Patents

Abstract

本发明公开了一种低照度图像增强方法，所述低照度图像增强方法采用图像融合的方法进行低照度图像增强，通过对图像的入射分量和反射分量进行分离，对入射分量进行灰度拉升线性增强，再将入射分量和反射分量做基于梯度策略的DCT域多聚焦融合，最后得到增强后的图像。

Description

一种低照度图像增强方法

技术领域

本发明涉及计算机视觉技术领域，特别是涉及低照度图像增强方法。

背景技术

在夜晚、黄昏等缺少光线、能见度低的条件下，图像采集设备所采集的图像不仅存在暗区而且图像的亮度和对比度都会严重降低，导致图像细节难以分辨甚至无法看到任何细节，从而对可视化工程管控中图像的识别判断及信息的提取造成一定影响。

因此希望有一种增强低照度图像的细节特征最终提高图像的整体质量的方法能够解决现有技术中存在的问题。

发明内容

本发明公开了低照度图像增强方法,所述低照度图像增强方法采用图像融合的方法进行低照度图像增强，通过对图像的入射分量和反射分量进行分离，对入射分量进行灰度拉升线性增强，再将入射分量和反射分量做基于梯度策略的DCT域多聚焦融合，最后得到增强后的图像。

优选地，所述对图像的入射分量和反射分量进行分离采用引导滤波器代替Retinex理论中的高斯滤波器，其中引导滤波器为公式(1)所示：

q(x,y)是输出图像，J(x,y)是引导图像，p(x,y)是输入要处理的图像，M_k是滤波半径为r的平方窗口，k(x,y)是滤波窗口的中心，a_k和b_k分别是当窗口中心位于像素k时的线性系数，u_k是图像J(x,y)对应滤波窗口M_k中的平均值，σ_k是窗口M_k中的方差，|w|是窗口M_k中的总像素数，

是窗口M_k中图像p(x,y)的平均值，ε是一个正则化参数；

基于Retinex理论，用引导滤波器代替高斯滤波器提取图像的入射分量和反射分量，得到的入射分量和反射分量分别为公式(4)和公式(5)所示：

L_n(x,y)＝q_n(x,y)*J(x,y) (4)

其中，q_n(x,y)为引导滤波器，J(x,y)为输入的低照度图像，W_n为权重因子。

优选地,采用色彩因子C对所述入射分量进行灰度拉升线性增强，以弥补由于图像局部区域对比度增强而导致的图像颜色失真缺陷，如公式(6)所示：

R(x,y)＝C_i(x,y)R_i(x,y)i∈(r,g,b) (6)

色彩恢复因子C的表达式为公式(7)所示：

引入色彩恢复因子C对入射分量图像进行色彩恢复如公式(8)-(10)

所示：

R_i(x,y)＝lg(C_i(x,y)+1)*lg(R_i(x,y)+1) (10)

其中I(x,y)为要进行色彩恢复的图像，L_I(x,y)为反射分量，R_i(x,y)为入射分量；

对增强后的入射分量取反对数，如公式(11)所示：

R_I(x,y)＝exp(R_i(x,y)) (11)

在进行融合前对入射分量进行灰度拉升线性增强，具体拉伸增强模型的计算方法如公式(12)所示：

其中，F(x,y)为待进行灰度拉升的图像，MAX和MIN分别为取最大值和最小值函数，b为线性增强系数，q为引导滤波器输出。

优选地,所述入射分量和反射分量做基于梯度策略的DCT域多聚焦融合包括以下步骤：

步骤一：将待融合图像分割成8×8块；

步骤二：对步骤一分割的每一块图像分别进行二维离散余弦变换，计算每一块的灰度值平均梯度，将灰度值平均梯度的大小作为融合准则，取梯度大的像素块作为融合后图像对应图像块的像素值，图像平均梯度的计算如公式(13)所示：

其中，F(i,j)为图像的第i行，第j列的灰度值；M、N分别为图像的总行数和总列数，

步骤三：设p1(m,n)和p2(m,n)分别表示待融合图像，p(m,n)为融合后的图像，在融合的过程中选择灰度值平均梯度大的作为融合图像p(m,n)的DCT块，即公式(14)所示：

步骤四：为防止颜色失真，将融合后的DCT域图像进行IDCT变换并使用伽马校正函数对彩色图像的各通道进行处理，伽马校正公式为公式(15)所示：

S′＝S^γ (15)

其中，S和S′分别为校正前和校正后的输出图像，γ是用于控制校正强度的拉伸系数，通常取0.5-1之间的值。

本发明提出了一种低照度图像增强方法，本发明在DCT域基于梯度策略进行低照度图像融合增强，通过本发明对含雾低照度图像和夜间低照度图像进行仿真实验，结果表明可以提高低照度图像的可视性和清晰度。

附图说明

图1为本发明梯度策略的DCT域图像融合过程流程图。

具体实施方式

为使本发明实施的目的、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更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。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。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通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。

本发明低照度图像增强方法采用图像融合的方法进行低照度图像增强，通过对图像的入射分量和反射分量进行分离，对入射分量进行灰度拉升线性增强，再将入射分量和反射分量做基于梯度策略的DCT域多聚焦融合，最后得到增强后的图像。

所述对图像的入射分量和反射分量进行分离采用引导滤波器代替Retinex理论中的高斯滤波器，其中引导滤波器为公式(1)所示：

q(x,y)是输出图像，J(x,y)是引导图像，p(x,y)是输入要处理的图像，M_k是滤波半径为r的平方窗口，k(x,y)是滤波窗口的中心，a_k和b_k分别是当窗口中心位于像素k时的线性系数，u_k是图像J(x,y)对应滤波窗口M_k中的平均值，σ_k是窗口M_k中的方差，|w|是窗口M_k中的总像素数，

是窗口M_k中图像p(x,y)的平均值，ε是一个正则化参数；

基于Retinex理论，用引导滤波器代替高斯滤波器提取图像的入射分量和反射分量，得到的入射分量和反射分量分别为公式(4)和公式(5)所示：

L_n(x,y)＝q_n(x,y)*J(x,y) (4)

其中，q_n(x,y)为引导滤波器，J(x,y)为输入的低照度图像，W_n为权重因子。

采用色彩因子C对所述入射分量进行灰度拉升线性增强，以弥补由于图像局部区域对比度增强而导致的图像颜色失真缺陷，如公式(6)所示：

R(x,y)＝C_i(x,y)R_i(x,y)i∈(r,g,b) (6)

色彩恢复因子C的表达式为公式(7)所示：

引入色彩恢复因子C对入射分量图像进行色彩恢复如公式(8)-(10)所示：

R_i(x,y)＝lg(C_i(x,y)+1)*lg(R_i(x,y)+1)(10)

其中I(x,y)为要进行色彩恢复的图像，L_I(x,y)为反射分量，R_i(x,y)为入射分量；

对增强后的入射分量取反对数，如公式(11)所示：

R_I(x,y)＝exp(R_i(x,y)) (11)

对所述入射分量和反射分量进行DCT域梯度多聚焦融合，由于权重因子的取值W_n大于色彩恢复因子C，增强的入射分量图像亮度较高，亮度大会导致图像的饱和度和对比度降低，因此在进行融合前对入射分量进行灰度拉升线性增强，具体拉伸增强模型通过实验得出，其计算方法如公式(12)所示：

其中，F(x,y)为待进行灰度拉升的图像，MAX和MIN分别为取最大值和最小值函数，b为线性增强系数，q为引导滤波器输出

如图1所示，所述入射分量和反射分量做基于梯度策略的DCT域多聚焦融合包括以下步骤：

步骤一：将待融合图像分割成8×8块；

步骤二：对步骤一分割的每一块图像进行二维离散余弦变换，计算每一块的灰度值平均梯度，将灰度值平均梯度的大小作为融合准则，取梯度大的像素块作为融合后图像对应图像块的像素值，图像平均梯度的计算如公式(13)所示：

其中，F(i,j)为图像的第i行，第j列的灰度值；M、N分别为图像的总行数和总列数，

步骤三：设p1(m,n)和p2(m,n)分别表示待融合图像，p(m,n)为融合后的图像，在融合的过程中选择灰度值平均梯度大的作为融合图像p(m,n)的DCT块，即公式(14)所示：

在实际对图像块的平均梯度大小进行比较时，可以把梯度中的开根号运算简化为计算绝对值运算，这样可以降低运算量。为进一步减少图像融合过程中噪声的影响发生误判，从而导致融合图像的DCT块产生效应，所以需要对融合后的图像进行一致性判别。一致性判别准则为对于A和B两幅图像，若A某一像素点周围的像素均来自图像B，而该像素点来自于图像A，则将该点像素重新取值为与图像B周围像素点来源相同的像素值。

步骤四：图像融合过程中会因为增加噪声而造成对图像中的局部区域色彩失真，使得物体的真正颜色效果不能很好地显现出来，从而影响了整体视觉效果，所以将融合后的DCT域图像进行IDCT变换并使用伽马校正函数对彩色图像的各通道进行处理，防止颜色失真且使彩色图像更清晰，伽马校正公式为公式(15)所示：

S′＝S^γ (15)

其中，S和S′分别为校正前和校正后的输出图像，γ是用于控制校正强度的拉伸系数，通常取0.5-1之间的值。

最后需要指出的是：以上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精神和范围。

Claims (4)

1.一种低照度图像增强方法，其特征在于，所述低照度图像增强方法采用图像融合的方法进行低照度图像增强，通过对图像的入射分量和反射分量进行分离，对入射分量进行灰度拉升线性增强，再将入射分量和反射分量做基于梯度策略的DCT域多聚焦融合，最后得到增强后的图像。

2.根据权利要求1所述的低照度图像增强方法，其特征在于：所述对图像的入射分量和反射分量进行分离采用引导滤波器代替Retinex理论中的高斯滤波器，其中引导滤波器为公式(1)所示：

q(x,y)是输出图像，J(x,y)是引导图像，p(x,y)是输入要处理的图像，M_k是滤波半径为r的平方窗口，k(x,y)是滤波窗口的中心，a_k和b_k分别是当窗口中心位于像素k时的线性系数，u_k是图像J(x,y)对应滤波窗口M_k中的平均值，σ_k是窗口M_k中的方差，|w|是窗口M_k中的总像素数，

是窗口M_k中图像p(x,y)的平均值，ε是一个正则化参数；

基于Retinex理论，用引导滤波器代替高斯滤波器提取图像的入射分量和反射分量，得到的入射分量和反射分量分别为公式(4)和公式(5)所示：

L_n(x,y)＝q_n(x,y)*J(x,y) (4)

其中，q_n(x,y)为引导滤波器，J(x,y)为输入的低照度图像，W_n为权重因子。

3.根据权利要求2所述的低照度图像增强方法，其特征在于：采用色彩因子C对所述入射分量进行灰度拉升线性增强，以弥补由于图像局部区域对比度增强而导致的图像颜色失真缺陷，如公式(6)所示：

R(x,y)＝C_i(x,y)R_i(x,y)i∈(r,g,b) (6)

色彩恢复因子C的表达式为公式(7)所示：

引入色彩恢复因子C对入射分量图像进行色彩恢复如公式(8)-(10)所示：

R_i(x,y)＝lg(C_i(x,y)+1)*lg(R_i(x,y)+1) (10)

其中I(x,y)为要进行色彩恢复的图像，L_I(x,y)为反射分量，R_i(x,y)为入射分量；

对增强后的入射分量取反对数，如公式(11)所示：

R_I(x,y)＝exp(R_i(x,y)) (11)

在进行融合前对入射分量进行灰度拉升线性增强，具体拉伸增强模型的计算方法如公式(12)所示：

其中，F(x,y)为待进行灰度拉升的图像，MAX和MIN分别为取最大值和最小值函数，b为线性增强系数，q为引导滤波器输出。

4.根据权利要求3所述的低照度图像增强方法，其特征在于：所述入射分量和反射分量做基于梯度策略的DCT域多聚焦融合包括以下步骤：

步骤一：将待融合图像分割成8×8块；

步骤二：对步骤一分割的每一块图像分别进行二维离散余弦变换，计算每一块的灰度值平均梯度，将灰度值平均梯度的大小作为融合准则，取梯度大的像素块作为融合后图像对应图像块的像素值，图像平均梯度的计算如公式(13)所示：

其中，F(i,j)为图像的第i行，第j列的灰度值；M、N分别为图像的总行数和总列数；

步骤三：设p1(m,n)和p2(m,n)分别表示待融合图像，p(m,n)为融合后的图像，在融合的过程中选择灰度值平均梯度大的作为融合图像p(m,n)的DCT块，即公式(14)所示：

步骤四：为防止颜色失真，将融合后的DCT域图像进行IDCT变换并使用伽马校正函数对彩色图像的各通道进行处理，伽马校正公式为公式(15)所示：

S′＝S^γ (15)

其中，S和S′分别为校正前和校正后的输出图像，γ是用于控制校正强度的拉伸系数，通常取0.5-1之间的值。

Images