CN111062884A - 一种图像增强方法、装置、存储介质和终端设备 - Google Patents
一种图像增强方法、装置、存储介质和终端设备 Download PDFInfo
- Publication number
- CN111062884A CN111062884A CN201911237159.4A CN201911237159A CN111062884A CN 111062884 A CN111062884 A CN 111062884A CN 201911237159 A CN201911237159 A CN 201911237159A CN 111062884 A CN111062884 A CN 111062884A
- Authority
- CN
- China
- Prior art keywords
- value
- original image
- image
- target
- preset
- 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 72
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 82
- 238000005259 measurement Methods 0.000 claims abstract description 61
- 238000013441 quality evaluation Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000005520 cutting process Methods 0.000 claims abstract description 16
- 230000002708 enhancing effect Effects 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 34
- 230000001186 cumulative effect Effects 0.000 claims description 23
- 238000005315 distribution function Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 230000003321 amplification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010008 shearing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Facsimile Image Signal Circuits (AREA)
- Picture Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种图像增强方法、装置、存储介质和终端设备，该方法包括：基于预设度量参数，确定原始图像的目标窗口尺寸值；其中，所述目标窗口尺寸值表征所述原始图像的图像质量评价指标的测试值达到最大值；根据所确定的目标窗口尺寸值，利用预设算法估计所述原始图像的目标裁剪限幅值；其中，所述目标裁剪限幅值表征所述原始图像的图像质量评价指标的测试值达到最大值；根据所述目标窗口尺寸值和所述目标裁剪限幅值，利用限制对比度自适应直方图均衡CLAHE算法对所述原始图像进行增强处理，获得所述原始图像的目标增强图像。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种图像增强方法、装置、存储介质和终端设备。
背景技术
直方图均衡化是常用的图像增强方法，但作为一种全局灰度映射算法，往往存在区域目标增强过度或增强不足等问题。为此，很多改进方案将图像分解成多个子图像进行处理；其中，限制对比度自适应直方图均衡(Contrast LimitedAdaptive HistogramEqualization，CLAHE)是一种在直方图均衡化的基础上进行改进的方案。
在CLAHE算法中，可以通过采用预先定义的阈值(即所谓的裁剪限幅值)来裁剪直方图，以达到限制放大幅度的目的，使得每个图像块区域内的直方图均衡化得到约束。然而，CLAHE算法的增强效果严重依赖于裁剪限幅值和窗口尺寸等两个参数的设置。通常而言，这两个参数是根据经验值设定的；但是如果设置不当，不仅无法得到理想的增强效果，而且会使得图像质量变差。
发明内容
本申请实施例提出一种图像增强方法、装置、存储介质和终端设备，通过自适应调整裁剪限幅值和窗口尺寸等两个参数，从而使得CLAHE效果最优，能够提高增强后的图像质量。
本申请的技术方案是这样实现的：
第一方面，本申请实施例提供了一种图像增强方法，该方法包括：
基于预设度量参数，确定原始图像的目标窗口尺寸值；其中，目标窗口尺寸值表征原始图像的图像质量评价指标的测试值达到最大值；
根据所确定的目标窗口尺寸值，利用预设算法估计原始图像的目标裁剪限幅值；其中，目标裁剪限幅值表征所述原始图像的图像质量评价指标的测试值达到最大值；
根据目标窗口尺寸值和目标裁剪限幅值，利用限制对比度自适应直方图均衡CLAHE算法对原始图像进行增强处理，获得所述原始图像的目标增强图像。
第二方面，本申请实施例提供了一种图像增强装置，该图像增强装置包括确定单元、估计单元和处理单元；其中，
确定单元，配置为基于预设度量参数，确定原始图像的目标窗口尺寸值；其中，目标窗口尺寸值表征所述原始图像的图像质量评价指标的测试值达到最大值；
估计单元，配置为根据所确定的目标窗口尺寸值，利用预设算法估计原始图像的目标裁剪限幅值；其中，目标裁剪限幅值表征所述原始图像的图像质量评价指标的测试值达到最大值；
处理单元，配置为根据目标窗口尺寸值和目标裁剪限幅值，利用CLAHE算法对原始图像进行增强处理，获得所述原始图像的目标增强图像。
第三方面，本申请实施例提供了一种图像增强装置，该图像增强装置包括存储器和处理器；其中，
存储器，用于存储能够在所述处理器上运行的计算机程序；
处理器，用于在运行所述计算机程序时，执行如第一方面所述图像增强的方法。
第四方面，本申请实施例提供了一种计算机存储介质，该计算机存储介质存储有图像增强程序，图像增强程序被至少一个处理器执行时实现如第一方面所述图像增强的方法。
第五方面，本申请实施例提供了一种终端设备，该终端设备至少包括如第二方面或者第三方面所述的图像增强装置。
本申请实施例所提供的一种图像增强方法、装置、存储介质和终端设备，基于预设度量参数，确定原始图像的目标窗口尺寸值，所述目标窗口尺寸值表征原始图像的图像质量评价指标的测试值达到最大值；根据所确定的目标窗口尺寸值，利用预设算法估计原始图像的目标裁剪限幅值，所述目标裁剪限幅值表征所述原始图像的图像质量评价指标的测试值达到最大值；根据所述目标窗口尺寸值和所述目标裁剪限幅值，利用CLAHE算法对原始图像进行增强处理，获得原始图像的目标增强图像；这样，根据预设度量参数来确定原始图像的目标窗口尺寸值，根据预设算法来估计原始图像的目标裁剪限幅值，从而可以实现自适应调整裁剪限幅值和窗口尺寸等两个参数，避免了经验值设定所带来的调参过程工作量大及效果稳定性差的现象；而且根据目标窗口尺寸值和目标裁剪限幅值对原始图像进行增强处理，还可以使得CLAHE效果最优，提高了增强后的图像质量。
附图说明
图1为本申请实施例提供的一种图像增强方法的流程示意图；
图2为本申请实施例提供的另一种图像增强方法的流程示意图；
图3为本申请实施例提供的又一种图像增强方法的流程示意图；
图4为本申请实施例提供的一种图像增强方法的算法流程框图；
图5为本申请实施例提供的一种图像增强装置的组成结构示意图；
图6为本申请实施例提供的一种图像增强装置的具体硬件结构示意图；
图7为本申请实施例提供的一种终端设备的组成结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是，此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关申请相关的部分。
随着图像技术的不断发展，CLAHE是一种在直方图均衡化或自适应直方图均衡化的基础上进行改进的方案。在该方案中，可以通过限制图像局部直方图的高度从而限制局部对比度的增强幅度，有效避免了噪声对直方图均衡化的影响，不仅抑制了干扰信息的放大，同时还防止了局部区域被过度增强。CLAHE算法中，首先将图像划分为不同的图像块区域并且保证各图像块区域之间互不重叠，然后针对图像中每一图像块区域进行直方图均衡化；这里，针对每一图像块区域的直方图的高度设置了一个限制对比度的阈值，可以裁剪出超过该阈值的部分，并将该部分平均分布到0～255的灰度值上，最后基于重构的直方图进行均衡化操作。
CLAHE算法通常应用于图像增强技术，主要是通过限制自适应直方图均衡(Adaptive Histogram Equalization，AHE)算法的对比提高程度，用于克服AHE过度放大噪声的缺点。其中，在指定的像素值周边区域，对比度放大主要是由变换函数的斜度所决定，该斜度和邻域的累积分布函数(Cumulative Distribution Function，CDF)的斜度成比例。在CLAHE算法中，可以通过在计算CDF前，首先用预先定义的阈值来裁剪直方图以达到限制放大幅度的目的，以限制CDF的斜度，从而限制了变换函数的斜度。这里，直方图被裁剪的阈值，也就是所谓的裁剪限幅值，不仅取决于直方图的分布，同时也取决于邻域窗口尺寸大小的取值。另外，CLAHE算法中，图像块区域的划分过程中可以根据图像的亮度均方差进行粗略的图像明暗程度估计，从而选择不同的网格数；具体地，如果图像的亮度均方差越小，即整幅图像的明暗比较一致，此时各图像块之间的直方图数据差异不会很大，这时候可以选用较少的网格数，即选用尺寸较大的图像块；如果图像的亮度均方差越大，即整幅图像的明暗不一致，此时各图像块之间的直方图数据差异可能很大，为了避免插值时出现明显的瑕疵，通常选择尺寸较小的图像块。
在目前的方案中，CLAHE算法的增强效果严重依赖于裁剪限幅值和窗口尺寸等两个参数的设置。通常而言，这两个参数是根据经验值设定的，然后再通过CLAHE算法对图像拉伸；但是不同内容的图像拉伸后的效果千差万别。其中，CLAHE算法中，图像块区域的划分过程中过多的网格数会使得计算量显著加大，过少的网格数会使得结果趋于接近整体的直方图均衡化；也就是说，这两个参数的调参过程工作量大，且效果稳定性差；同时如果这两个参数设置不当，不仅无法得到理想的增强效果，而且会使得图像质量变差。
本申请实施例提供了一种图像增强方法，该图像增强方法应用于图像增强装置或者集成有图像增强装置的终端设备。其中，基于预设度量参数，确定原始图像的目标窗口尺寸值，该目标窗口尺寸值表征原始图像的图像质量评价指标的测试值达到最大值；根据所确定的目标窗口尺寸值，利用预设算法估计原始图像的目标裁剪限幅值，该目标裁剪限幅值表征所述原始图像的图像质量评价指标的测试值达到最大值；根据该目标窗口尺寸值和该目标裁剪限幅值，利用CLAHE算法对原始图像进行增强处理，获得原始图像的目标增强图像；这样，根据预设度量参数来确定原始图像的目标窗口尺寸值，根据预设算法来估计原始图像的目标裁剪限幅值，从而可以实现自适应调整裁剪限幅值和窗口尺寸等两个参数，避免了经验值设定所带来的调参过程工作量大及效果稳定性差的现象；而且根据目标窗口尺寸值和目标裁剪限幅值对原始图像进行增强处理，还可以使得CLAHE效果最优，提高了增强后的图像质量。
下面将结合附图对本申请各实施例进行详细说明。
本申请的一实施例中，参见图1，其示出了本申请实施例提供的一种图像增强方法的流程示意图。如图1所示，该方法可以包括：
S101：基于预设度量参数，确定原始图像的目标窗口尺寸值；
需要说明的是，该处理方法应用于图像增强装置，或者集成有该图像增强装置的终端设备。其中，终端设备可以为任一具有图像处理能力的设备，例如智能手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理、便捷式媒体播放器、可穿戴设备、数码相机、数字电视或者台式计算机等。
还需要说明的是，目标窗口尺寸值表征原始图像的图像质量评价指标的测试值达到最大值。其中，图像质量评价指标可以包括图像的空间频率、相对边缘响应、清晰度、标准差、信息熵、粗糙度等指标。在图像增强处理中，可以选用一个指标，或多个指标的加权值，然后以其达到最优化作为自适应图像增强效果的控制条件。
本申请实施例中，窗口尺寸通常可以是由对原始图像进行不重叠划分得到的，划分后的每一图像块尺寸即可以作为窗口尺寸。其中，窗口尺寸可以采用长(像素数量)×宽(像素数量)的格式表示，比如4×4、8×8、16×16、或者32×32等；或者，窗口尺寸也可以采用百分数的格式表示，即窗口所占原始图像的比例，比如原始图像的20％～原始图像的1％之间的任一比例；这样，根据预设度量参数，可以从这些窗口尺寸中确定出目标窗口尺寸值；也就是说，目标窗口尺寸值可以为4×4，也可以为8×8，甚至还可以为其他窗口尺寸值，即目标窗口尺寸值根据实际情况进行设定，本申请实施例不作具体限定。
另外，预设度量参数可以包括第一预设度量参数和第二预设度量参数。其中，第一预设度量参数用于表征原始图像与增强图像之间的图像内容差异，比如原始图像中各像素对应的灰度值与增强图像中各像素对应的灰度值之间的差异；第二预设度量参数用于衡量增强图像质量的客观评价标准，一般是用于最大值信号与背景噪音之间的工程项目；这里，增强图像表示增强后的图像，即对原始图像按照CLAHE算法进行增强处理后所得到的图像。
本申请实施例中，第一预设度量参数可以为绝对平均亮度误差(Absolute MeanBrightness Error，AMBE)，第二预设度量参数可以为峰值信噪比(Peak Signal to NoiseRatio，PSNR)。
这样，根据AMBE参数值和PSNR参数值，可以确定出原始图像的目标窗口尺寸值；并且在目标窗口尺寸下，计算得到原始图像的图像质量评价指标的测试值为最大值。
S102：根据所确定的目标窗口尺寸值，利用预设算法估计所述原始图像的目标裁剪限幅值；
需要说明的是，目标裁剪限幅值表征原始图像的图像质量评价指标的测试值达到最大值。也就是说，在目标窗口尺寸下，计算得到原始图像的图像质量评价指标的测试值为最大值。
还需要说明的是，预设算法可以包括最小均方(Least Mean Square，LMS)算法。其中，最小均方算法是一种最陡下降算法的改进算法，是在维纳滤波理论上运用速下降法后的优化延伸。该算法不需要已知输入信号和期望信号的统计特征，“当前时刻”的权系数是通过“上一时刻”权系数再加上一个负均方误差梯度的比例项求得。LMS算法的准则是使得均方误差达到最小，即期望信号与滤波器实际输出之差的平方的期望值达到最小，并且依据这个准则来修改权系数，这也可以被称为均方误差(Mean Square Error，MSE)准则。由于LMS算法具有计算复杂程度低、在信号为平稳信号的环境中收敛性好、其期望值无偏地收敛到维纳解和利用有限精度实现算法时的平稳性等特性，使最小均方算法成为自适应算法中稳定性最好、应用最广的算法。
这样，根据所确定的目标窗口尺寸值，可以利用最小均方算法估计出原始图像的目标裁剪限幅值；并且在目标窗口尺寸下，计算得到原始图像的图像质量评价指标的测试值为最大值。
S103：根据所述目标窗口尺寸值和所述目标裁剪限幅值，利用CLAHE算法对所述原始图像进行增强处理，获得所述原始图像的目标增强图像。
需要说明的是，目标增强图像表示在CLAHE效果最优的情况下所得到的增强图像。
还需要说明的是，可以以CLAHE算法为基础，以实现某一或多个图像质量评价指标最优化为目标，自适应地调整裁剪限幅值和窗口尺寸值；这样，当图像质量评价指标最优时，可以确定出目标窗口尺寸值和目标裁剪限幅值等两个参数，从而避免了经验值设定所带来的调参过程工作量大及效果稳定性差的现象；并且能够在拉伸图像直方图、提高对比度的同时，还可以使得CLAHE效果最优，提高了增强后的图像质量。
本实施例提供了一种图像增强方法，基于预设度量参数，确定原始图像的目标窗口尺寸值，该目标窗口尺寸值表征原始图像的图像质量评价指标的测试值达到最大值；根据所确定的目标窗口尺寸值，利用预设算法估计原始图像的目标裁剪限幅值，该目标裁剪限幅值表征所述原始图像的图像质量评价指标的测试值达到最大值；根据该目标窗口尺寸值和该目标裁剪限幅值，利用CLAHE算法对原始图像进行增强处理，获得原始图像的目标增强图像；这样，根据预设度量参数来确定原始图像的目标窗口尺寸值，根据预设算法来估计原始图像的目标裁剪限幅值，从而可以实现自适应调整裁剪限幅值和窗口尺寸等两个参数，避免了经验值设定所带来的调参过程工作量大及效果稳定性差的现象；而且根据目标窗口尺寸值和目标裁剪限幅值对原始图像进行增强处理，还可以使得CLAHE效果最优，提高了增强后的图像质量。
本申请的另一实施例中，对于CLAHE算法来说，主要涉及有两个方面：目标窗口尺寸值的确定以及目标裁剪限幅值的确定。下面将针对这两个方面分别进行详细描述。
针对目标窗口尺寸值的确定，参见图2，其示出了本申请实施例提供的另一种图像增强方法的流程示意图。如图2所示，该方法可以包括：
S201：获取原始图像中各像素对应的灰度值和增强图像中各像素对应的灰度值；
需要说明的是，增强图像又可以称为增强后的图像或者CLAHE图像，主要用于表征原始图像按照CLAHE算法进行增强处理后所得到的图像。
还需要说明的是，图像内容可以采用图像(比如原始图像或增强图像)中各像素对应的灰度值进行表示。这样，首先可以获取原始图像中各像素对应的灰度值和增强图像中各像素对应的灰度值，以便后续确定出第一预设度量参数值和第二预设度量参数值，以实现根据图像内容自适应调整目标窗口尺寸值。
S202：基于所述原始图像中各像素对应的灰度值和所述增强图像中各像素对应的灰度值，利用第一预设计算模型得到至少两个窗口尺寸各自对应的第一预设度量参数值，以及利用第二预设计算模型得到至少两个窗口尺寸各自对应的第二预设度量参数值；
需要说明的是，第一预设度量参数用于表征原始图像与增强图像之间的图像内容差异，比如原始图像中各像素对应的灰度值与增强图像中各像素对应的灰度值之间的差异；第二预设度量参数用于衡量增强图像质量的客观评价标准，一般是用于最大值信号与背景噪音之间的工程项目。具体地，第一预设度量参数可以采用AMBE表示，第二预设度量参数可以采用PSNR表示；也就是说，本申请实施例中，第一预设度量参数值可以为AMBE值，第二预设度量参数值可以为PSNR值。
在一些实施例中，对于S202来说，所述基于所述原始图像中各像素对应的灰度值和所述增强图像中各像素对应的灰度值，利用第一预设计算模型得到至少两个窗口尺寸各自对应的第一预设度量参数值，可以包括：
根据所述原始图像中各像素对应的灰度值，计算所述至少两个窗口尺寸各自对应的原始灰度平均值；
根据所述增强图像中各像素对应的灰度值，计算所述至少两个窗口尺寸各自对应的增强灰度平均值；
针对所述至少两个窗口尺寸，利用第一预设计算模型分别对每一窗口尺寸对应的原始灰度平均值和增强灰度平均值进行计算，得到所述至少两个窗口尺寸各自对应的第一预设度量参数值。
需要说明的是，AMBE表示增强图像相对于原始图像所统计的对比度增强的偏差，或者，也可以表示增强图像中信息丢失的简单度量。这样，当第一预设度量参数值为AMBE值时，可以通过原始图像与增强图像之间的差异来计算出AMBE值。
还需要说明的是，第一预设计算模型表示预先设置的用于计算第一预设度量参数值的计算模型，如下述的式(1)所示。由于不同的窗口尺寸所对应的AMBE值是不同的，以第k窗口尺寸为例，其对应的AMBE值可以用AMBEk表示，具体计算公式如下，
AMBEk＝|XMk-YMk| (1)
其中，XMk表示第k窗口尺寸所对应的原始灰度平均值，它是根据原始图像中第k窗口尺寸内各像素对应的灰度值求取平均值得到的；YMk表示第k窗口尺寸所对应的增强灰度平均值，它是根据增强图像中第k窗口尺寸内各像素对应的灰度值求取平均值得到的；k为大于或等于2的正整数。
这样，利用第一预设计算模型，可以计算得到至少两个窗口尺寸各自对应的AMBE值；并且通过降低AMBE值，可以有效提高增强后的图像质量。
在一些实施例中，对于S202来说，所述基于所述原始图像中各像素对应的灰度值和所述增强图像中各像素对应的灰度值，利用第二预设计算模型得到至少两个窗口尺寸各自对应的第二预设度量参数值，可以包括：
根据所述原始图像中各像素对应的灰度值和所述增强图像中各像素对应的灰度值，计算所述至少两个窗口尺寸各自对应的均方误差值；
针对所述至少两个窗口尺寸，利用第二预设计算模型分别对每一窗口尺寸对应的均方误差值以及所述原始图像的最大灰度值进行计算，得到所述至少两个窗口尺寸各自对应的第二预设度量参数值。
需要说明的是，PSNR表示衡量增强图像质量和深度的客观评价标准，并且PSNR值越高，表示增强后的图像质量越好。这样，当第二预设度量参数值为PSNR值时，可以通过原始图像与增强图像之间灰度值的差异来计算出PSNR值。
还需要说明的是，第二预设计算模型表示预先设置的用于计算第二预设度量参数值的计算模型，如下述的式(2)所示。由于不同的窗口尺寸所对应的PSNR值是不同的，以第k窗口尺寸为例，其对应的PSNR值可以用PSNRk表示，假定MAXk表示第k窗口尺寸对应的原始图像的最大灰度值(即原始图像中第k窗口尺寸内各像素对应灰度值中的最大值)，PSNRk的具体计算公式如下，
其中，MSEk表示第k窗口尺寸所对应的均方误差。
进一步地，假定x、y分别表示图像的行和列，Ok(x,y)表示原始图像中第k窗口尺寸内像素坐标(x,y)所对应的灰度值，Ck(x,y)表示增强图像中第k窗口尺寸内像素坐标(x,y)所对应的灰度值，那么MSEk的具体计算公式如下，
这样，利用第二预设计算模型，可以计算得到至少两个窗口尺寸各自对应的PSNR值；并且通过增加PSNR值，可以有效提高增强后的图像质量。
S203：根据所述至少两个窗口尺寸各自对应的第一预设度量参数值和第二预设度量参数值，从所述至少两个窗口尺寸中确定所述目标窗口尺寸值。
需要说明的是，在得到至少两个窗口尺寸各自对应的第一预设度量参数值和第二预设度量参数值之后，可以从这至少两个窗口尺寸中确定出目标窗口尺寸值。
在一些实施例中，对于S203来说，所述根据所述至少两个窗口尺寸各自对应的第一预设度量参数值和第二预设度量参数值，从所述至少两个窗口尺寸中确定所述目标窗口尺寸值，可以包括：
根据所述至少两个窗口尺寸各自对应的第一预设度量参数值和第二预设度量参数值，建立拟合曲线；其中，所述拟合曲线表征窗口尺寸值、第一预设度量参数值与第二预设度量参数值之间的对应关系；
根据所述拟合曲线，确定当所述第一预设度量参数值为最小值且所述第二预设度量参数值为最大值时对应的窗口尺寸值，将所确定的窗口尺寸值作为所述目标窗口尺寸值。
也就是说，目标窗口尺寸主要是基于标准度量选择最优窗口尺寸大小；而选择最优的窗口尺寸由于仅根据人工观察图像的结果来选择窗口尺寸时，图像所表达的内容和图像质量变换无法在相同的准确度上进行图像增强；那么可以通过第一预设度量参数值(比如AMBE值)和第二预设度量参数值(比如PSNR值)作为度量标准针对原始图像选择出最优窗口尺寸，即确定出目标窗口尺寸值。
本申请实施例中，可以根据AMBE和PSNR等两个度量标准进行最优窗口尺寸的选择，通过AMBE的最小值和PSNR的最大值可以得到最优窗口尺寸。具体地，通过采用满足上述条件的最佳拟合算法，同时由于小于整幅原始图像的1％的窗口尺寸，这时候CLAHE算法的图像增强效果不明显，也就是说，必须确保窗口尺寸至少为整幅图像的1％；因此，通过改变窗口尺寸的大小，比如从原始图像的20％到1％进行迭代，从而可以得到AMBE的最小值和PSNR的最大值，并且根据AMBE的最小值和PSNR的最大值确定出最优窗口尺寸，即目标窗口尺寸值；如此，可以在最优窗口尺寸下获得图像增强结果，能够有效提高增强后的图像质量。
针对目标裁剪限幅值的确定，参见图3，其示出了本申请实施例提供的又一种图像增强方法的流程示意图。如图3所示，该方法可以包括：
S301：根据预先设置的初始裁剪限幅值，确定原始图像的第一累积分布函数；
需要说明的是，可以随机选择一个裁剪限幅值作为初始裁剪限幅值；其中，初始裁剪限幅值可以从0～4/256之间任意取值。本申请实施例中，初始裁剪限幅值可以设置为2/256，但是初始裁剪限幅值根据实际情况进行设定，本申请实施例不作具体限定。
具体地，假定H(x)表示具有灰度级为L的原始图像从f1到fL-1之间所有概率的集合，L通常可以为256。另外，假定灰度级为K的像素出现的概率为Pi(k)，那么Pi(k)的计算公式如下，
Pi(k)＝fk/N(0<k<L) (4)
其中，N表示原始图像中像素个数的总数量。那么这时候可以根据预先设置的初始裁剪限幅值并且在像素分布之后，根据CLAHE算法来计算原始图像的第一累积分布函数(用CDF表示)，该CDF的具体计算公式如下，
S302：根据所述第一累积分布函数，构建所述原始图像的分布矩阵；
S303：根据所确定的目标窗口尺寸值，利用预设算法对所述原始图像进行权重概率计算，得到目标权重值；
需要说明的是，在利用上述的式(5)计算得到CDF之后，可以根据该CDF计算结果构造从0到L-1的分布矩阵(用Xk表示)。
还需要说明的是，预设算法可以为最小均方算法。假定Dk是从0到L-1的线性变化矩阵，Xk是输入矩阵；另外，最小均方算法主要用于为期望的输出值Dk和最大允许误差ek找到最合适的权重值(即目标权重值，用W*表示)。这时候，假如误差ek是恒定不变的，那么利用最小均方算法去除CDF的非线性部分，权重通过R-1P度量可以设置为W0，其中，R＝XkXk T，P＝DkXk。
具体地，根据最陡下降方法，计算出k+1次迭代的权重Wk+1，该Wk+1的具体计算公式如下，
其中，Wk表示迭代k次的权重，μ表示增益常数(设置为0.01)，
表示原始图像的梯度估计值，该
的具体计算公式如下，
假定E表示变量的期望值，那么可以得到：
进一步地，可以得到目标权重值W*＝0.5μ-1R-1(E[Wk+1]-(I-2μR)E[Wk])。
S304：根据所述分布矩阵以及所述目标权重值，得到所述原始图像的第二累积分布函数；
这里，在得到分布矩阵(用Xk表示)和目标权重值(用W*表示)之后，可以使得最佳拟合曲线被计算为Xk×W*，从而形成了新的累积分布函数(即第二累积分布函数)。
S305：通过所述第二累积分布函数对所述原始图像进行概率分布估计，确定所述目标裁剪限幅值。
需要说明的是，利用第二累积分布函数在原始图像上绘制限幅，并追溯第二累积分布函数中每个像素强度的加权概率，以确定出目标裁剪限幅值。
在一些实施例中，对于S305来说，所述通过所述第二累积分布函数对所述原始图像进行概率分布估计，确定所述目标裁剪限幅值，可以包括：
通过所述第二累积分布函数对所述原始图像进行概率分布估计，确定最大概率值对应的裁剪限幅值，将所确定的最大概率值对应的裁剪限幅值作为所述目标裁剪限幅值。
还需要说明的是，假定第i个强度值处灰度级为k的像素出现新的概率用Pi l(k)表示，那么可以得到：
然后通过灰度级分布的最大概率值，可以估计出目标窗口尺寸值下新的裁剪限幅值，即目标裁剪限幅值。
本申请实施例中，可以采用最小均方算法估计出目标裁剪限幅值，基于AMBE和PSNR两个度量标准选择出目标窗口尺寸值；也就是说，本申请实施例可以根据图像内容自适应调节CLAHE算法中裁剪限幅值和窗口尺寸等两个参数，避免了经验值设定所带来的调参过程工作量大及效果稳定性差的现象；而且根据目标窗口尺寸值和目标裁剪限幅值对原始图像进行增强处理，还可以使得CLAHE效果最优，提高了增强后的图像质量。
本申请的又一实施例中，参见图4，其示出了本申请实施例提供的一种图像增强方法的算法流程框图。在图4中，该流程可以包括：
S401：输入原始图像；
S402：利用CLAHE算法对原始图像进行限制对比度直方图均衡处理，获得增强图像；
S403：利用原始图像和增强图像，确定目标窗口尺寸值；
本申请实施例中，主要是利用原始图像中各像素对应的灰度值和增强图像中各像素对应的灰度值，可以确定出第一预设度量参数值和第二预设度量参数值，然后根据第一预设度量参数值(比如AMBE值)和第二预设度量参数值(比如PSNR值)来确定目标窗口尺寸值，从而实现了根据图像内容自适应调整目标窗口尺寸值。
S404：基于目标窗口尺寸值，利用最小均方算法确定目标裁剪限幅值；
需要说明的是，最小均方算法是一种最陡下降算法的改进算法，是在维纳滤波理论上运用速下降法后的优化延伸。这里，最小均方算法主要用于为期望的输出值和最大允许误差找到最合适的权重值(即目标权重值)，然后利用目标权重值以及灰度级分布的最大概率值估计出目标裁剪限幅值，从而实现了根据图像内容自适应调整目标裁剪限幅值。
S405：基于目标窗口尺寸值和目标裁剪限幅值，得到修改后的CLAHE算法；
S406：利用修改后的CLAHE算法对原始图像进行增强处理，获得目标增强图像。
还需要说明的是，在得到目标窗口尺寸值和目标裁剪限幅值之后，具体地，根据所得到的目标窗口尺寸值，可以将原始图像划分为多个连续不重叠的图像块区域；然后计算各个图像块区域的灰度直方图，再根据所得到的目标裁剪限幅值分别对各个图像块区域的灰度直方图进行剪切，并且将各个图像块区域剪切掉的灰度直方图重新分配至所述各个图像块区域的灰度直方图的灰度级中；最后对各个图像块区域内对比度剪切后的灰度直方图进行均衡化后，对原始图像进行灰度双线性插值，可以得到原始图像的目标增强图像。
本实施例提供了一种图像增强方法，通过上述实施例对前述实施例的具体实现进行了详细阐述，从中可以看出，能够实现自适应调整裁剪限幅值和窗口尺寸等两个参数，避免了经验值设定所带来的调参过程工作量大及效果稳定性差的现象；而且根据目标窗口尺寸值和目标裁剪限幅值对原始图像进行增强处理，还可以使得CLAHE效果最优，提高了增强后的图像质量。
本申请的又一实施例中，参见图5，其示出了本申请实施例提供的一种图像增强装置50的组成结构示意图。如图5所示，该图像增强装置50可以包括确定单元501、估计单元502和处理单元503；其中，
确定单元501，配置为基于预设度量参数，确定原始图像的目标窗口尺寸值；其中，所述目标窗口尺寸值表征所述原始图像的图像质量评价指标的测试值达到最大值；
估计单元502，配置为根据所确定的目标窗口尺寸值，利用预设算法估计所述原始图像的目标裁剪限幅值；其中，所述目标裁剪限幅值表征所述原始图像的图像质量评价指标的测试值达到最大值；
处理单元503，配置为根据所述目标窗口尺寸值和所述目标裁剪限幅值，利用CLAHE算法对所述原始图像进行增强处理，获得所述原始图像的目标增强图像。
在上述方案中，参见图5，该图像增强装置50还可以包括获取单元504和计算单元505；其中，
获取单元504，配置为获取原始图像中各像素对应的灰度值和增强图像中各像素对应的灰度值；其中，所述增强图像表征所述原始图像按照CLAHE算法进行增强处理得到；
计算单元505，配置为基于所述原始图像中各像素对应的灰度值和所述增强图像中各像素对应的灰度值，利用第一预设计算模型得到至少两个窗口尺寸各自对应的第一预设度量参数值，以及利用第二预设计算模型得到至少两个窗口尺寸各自对应的第二预设度量参数值；
确定单元501，还配置为根据所述至少两个窗口尺寸各自对应的第一预设度量参数值和第二预设度量参数值，从所述至少两个窗口尺寸中确定所述目标窗口尺寸值。
在上述方案中，计算单元505，具体配置为根据所述原始图像中各像素对应的灰度值，计算所述至少两个窗口尺寸各自对应的原始灰度平均值；以及根据所述增强图像中各像素对应的灰度值，计算所述至少两个窗口尺寸各自对应的增强灰度平均值；以及针对所述至少两个窗口尺寸，利用第一预设计算模型分别对每一窗口尺寸对应的原始灰度平均值和增强灰度平均值进行计算，得到所述至少两个窗口尺寸各自对应的第一预设度量参数值。
在上述方案中，计算单元505，具体配置为根据所述原始图像中各像素对应的灰度值和所述增强图像中各像素对应的灰度值，计算所述至少两个窗口尺寸各自对应的均方误差值；以及针对所述至少两个窗口尺寸，利用第二预设计算模型分别对每一窗口尺寸对应的均方误差值以及所述原始图像的最大灰度值进行计算，得到所述至少两个窗口尺寸各自对应的第二预设度量参数值。
在上述方案中，参见图5，该图像增强装置50还可以包括建立单元506，配置为根据所述至少两个窗口尺寸各自对应的第一预设度量参数值和第二预设度量参数值，建立拟合曲线；其中，所述拟合曲线表征窗口尺寸值、第一预设度量参数值与第二预设度量参数值之间的对应关系；
确定单元501，具体配置为根据所述拟合曲线，确定当所述第一预设度量参数值为最小值且所述第二预设度量参数值为最大值时对应的窗口尺寸值，将所确定的窗口尺寸值作为所述目标窗口尺寸值。
在上述方案中，确定单元501，还配置为根据预先设置的初始裁剪限幅值，确定所述原始图像的第一累积分布函数；
建立单元506，还配置为根据所述第一累积分布函数，构建所述原始图像的分布矩阵；
计算单元505，还配置为根据所确定的目标窗口尺寸值，利用预设算法对所述原始图像进行权重概率计算，得到目标权重值；
获取单元504，还配置为根据所述分布矩阵以及所述目标权重值，得到所述原始图像的第二累积分布函数；
确定单元501，还配置为通过所述第二累积分布函数对所述原始图像进行概率分布估计，确定所述目标裁剪限幅值。
在上述方案中，确定单元501，具体配置为通过所述第二累积分布函数对所述原始图像进行概率分布估计，确定最大概率值对应的裁剪限幅值，将所确定的最大概率值对应的裁剪限幅值作为所述目标裁剪限幅值。
在上述方案中，所述预设算法包括最小均方算法。
可以理解地，在本实施例中，“单元”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是模块，还可以是非模块化的。而且在本实施例中的各组成部分可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
因此，本实施例提供了一种计算机存储介质，该计算机存储介质存储有图像增强程序，所述图像增强程序被至少一个处理器执行时实现前述实施例中任一项所述的方法的步骤。
基于上述图像增强装置50的组成以及计算机存储介质，参见图6，其示出了本申请实施例提供的图像增强装置50的具体硬件结构，可以包括：通信接口601、存储器602和处理器603；各个组件通过总线系统604耦合在一起。可理解，总线系统604用于实现这些组件之间的连接通信。总线系统604除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线系统604。其中，通信接口601，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
存储器602，用于存储能够在处理器603上运行的计算机程序；
处理器603，用于在运行所述计算机程序时，执行：
基于预设度量参数，确定原始图像的目标窗口尺寸值；其中，所述目标窗口尺寸值表征所述原始图像的图像质量评价指标的测试值达到最大值；
根据所确定的目标窗口尺寸值，利用预设算法估计所述原始图像的目标裁剪限幅值；其中，所述目标裁剪限幅值表征所述原始图像的图像质量评价指标的测试值达到最大值；
根据所述目标窗口尺寸值和所述目标裁剪限幅值，利用限制对比度自适应直方图均衡CLAHE算法对所述原始图像进行增强处理，获得所述原始图像的目标增强图像。
可以理解，本申请实施例中的存储器602可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步链动态随机存取存储器(Synchronous link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请描述的系统和方法的存储器602旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器603可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器603中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器603可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器603读取存储器602中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本申请描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(Application Specific Integrated Circuits，ASIC)、数字信号处理器(Digital SignalProcessing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(ProgrammableLogic Device，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本申请所述功能的模块(例如过程、函数等)来实现本申请所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
可选地，作为另一个实施例，处理器603还配置为在运行所述计算机程序时，执行前述实施例中任一项所述的方法的步骤。
参见图7，其示出了本申请实施例提供的一种终端设备的组成结构示意图。如图7所示，终端设备70至少可以包括前述实施例中任一项所述的图像增强装置50；其中，终端设备70可以通过图像增强装置50来实现自适应调整裁剪限幅值和窗口尺寸等两个参数，避免了经验值设定所带来的调参过程工作量大及效果稳定性差的现象；而且根据目标窗口尺寸值和目标裁剪限幅值对原始图像进行增强处理，还可以使得CLAHE效果最优，提高了增强后的图像质量。
需要说明的是，在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种图像增强方法，其特征在于，所述方法包括：
基于预设度量参数，确定原始图像的目标窗口尺寸值；其中，所述目标窗口尺寸值表征所述原始图像的图像质量评价指标的测试值达到最大值；
根据所确定的目标窗口尺寸值，利用预设算法估计所述原始图像的目标裁剪限幅值；其中，所述目标裁剪限幅值表征所述原始图像的图像质量评价指标的测试值达到最大值；
根据所述目标窗口尺寸值和所述目标裁剪限幅值，利用限制对比度自适应直方图均衡CLAHE算法对所述原始图像进行增强处理，获得所述原始图像的目标增强图像。
2.根据权利要求1所述的方法，其特征在于，所述基于预设度量参数，确定原始图像的目标窗口尺寸值，包括：
获取原始图像中各像素对应的灰度值和增强图像中各像素对应的灰度值；其中，所述增强图像表征所述原始图像按照CLAHE算法进行增强处理得到；
基于所述原始图像中各像素对应的灰度值和所述增强图像中各像素对应的灰度值，利用第一预设计算模型得到至少两个窗口尺寸各自对应的第一预设度量参数值，以及利用第二预设计算模型得到至少两个窗口尺寸各自对应的第二预设度量参数值；
根据所述至少两个窗口尺寸各自对应的第一预设度量参数值和第二预设度量参数值，从所述至少两个窗口尺寸中确定所述目标窗口尺寸值。
3.根据权利要求2所述的方法，其特征在于，所述基于所述原始图像中各像素对应的灰度值和所述增强图像中各像素对应的灰度值，利用第一预设计算模型得到至少两个窗口尺寸各自对应的第一预设度量参数值，包括：
根据所述原始图像中各像素对应的灰度值，计算所述至少两个窗口尺寸各自对应的原始灰度平均值；
根据所述增强图像中各像素对应的灰度值，计算所述至少两个窗口尺寸各自对应的增强灰度平均值；
针对所述至少两个窗口尺寸，利用第一预设计算模型分别对每一窗口尺寸对应的原始灰度平均值和增强灰度平均值进行计算，得到所述至少两个窗口尺寸各自对应的第一预设度量参数值。
4.根据权利要求2所述的方法，其特征在于，所述基于所述原始图像中各像素对应的灰度值和所述增强图像中各像素对应的灰度值，利用第二预设计算模型得到至少两个窗口尺寸各自对应的第二预设度量参数值，包括：
根据所述原始图像中各像素对应的灰度值和所述增强图像中各像素对应的灰度值，计算所述至少两个窗口尺寸各自对应的均方误差值；
针对所述至少两个窗口尺寸，利用第二预设计算模型分别对每一窗口尺寸对应的均方误差值以及所述原始图像的最大灰度值进行计算，得到所述至少两个窗口尺寸各自对应的第二预设度量参数值。
5.根据权利要求2所述的方法，其特征在于，所述根据所述至少两个窗口尺寸各自对应的第一预设度量参数值和第二预设度量参数值，从所述至少两个窗口尺寸中确定所述目标窗口尺寸值，包括：
根据所述至少两个窗口尺寸各自对应的第一预设度量参数值和第二预设度量参数值，建立拟合曲线；其中，所述拟合曲线表征窗口尺寸值、第一预设度量参数值与第二预设度量参数值之间的对应关系；
根据所述拟合曲线，确定当所述第一预设度量参数值为最小值且所述第二预设度量参数值为最大值时对应的窗口尺寸值，将所确定的窗口尺寸值作为所述目标窗口尺寸值。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述根据所确定的目标窗口尺寸值，利用预设算法估计所述原始图像的目标裁剪限幅值，包括：
根据预先设置的初始裁剪限幅值，确定所述原始图像的第一累积分布函数；
根据所述第一累积分布函数，构建所述原始图像的分布矩阵；
根据所确定的目标窗口尺寸值，利用预设算法对所述原始图像进行权重概率计算，得到目标权重值；
根据所述分布矩阵以及所述目标权重值，得到所述原始图像的第二累积分布函数；
通过所述第二累积分布函数对所述原始图像进行概率分布估计，确定所述目标裁剪限幅值。
7.根据权利要求6所述的方法，其特征在于，所述通过所述第二累积分布函数对所述原始图像进行概率分布估计，确定所述目标裁剪限幅值，包括：
通过所述第二累积分布函数对所述原始图像进行概率分布估计，确定最大概率值对应的裁剪限幅值，将所确定的最大概率值对应的裁剪限幅值作为所述目标裁剪限幅值。
8.根据权利要求1所述的方法，其特征在于，所述预设算法包括最小均方算法。
9.一种图像增强装置，其特征在于，所述图像增强装置包括确定单元、估计单元和处理单元；其中，
所述确定单元，配置为基于预设度量参数，确定原始图像的目标窗口尺寸值；其中，所述目标窗口尺寸值表征所述原始图像的图像质量评价指标的测试值达到最大值；
所述估计单元，配置为根据所确定的目标窗口尺寸值，利用预设算法估计所述原始图像的目标裁剪限幅值；其中，所述目标裁剪限幅值表征所述原始图像的图像质量评价指标的测试值达到最大值；
所述处理单元，配置为根据所述目标窗口尺寸值和所述目标裁剪限幅值，利用CLAHE算法对所述原始图像进行增强处理，获得所述原始图像的目标增强图像。
10.一种图像增强装置，其特征在于，所述图像增强装置包括存储器和处理器；其中，
所述存储器，用于存储能够在所述处理器上运行的计算机程序；
所述处理器，用于在运行所述计算机程序时，执行如权利要求1至8任一项所述图像增强的方法。
11.一种计算机存储介质，其特征在于，所述计算机存储介质存储有图像增强程序，所述图像增强程序被至少一个处理器执行时实现如权利要求1至8任一项所述图像增强的方法。
12.一种终端设备，其特征在于，所述终端设备至少包括如权利要求9或10所述的图像增强装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911237159.4A CN111062884B (zh) | 2019-12-05 | 2019-12-05 | 一种图像增强方法、装置、存储介质和终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911237159.4A CN111062884B (zh) | 2019-12-05 | 2019-12-05 | 一种图像增强方法、装置、存储介质和终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111062884A true CN111062884A (zh) | 2020-04-24 |
| CN111062884B CN111062884B (zh) | 2023-05-16 |
Family
ID=70300052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911237159.4A Active CN111062884B (zh) | 2019-12-05 | 2019-12-05 | 一种图像增强方法、装置、存储介质和终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062884B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986170A (zh) * | 2020-08-14 | 2020-11-24 | 湖南理工学院 | 一种基于深度神经网络Mask R-CNN的缺陷检测算法 |
| CN112767318A (zh) * | 2020-12-31 | 2021-05-07 | 科大讯飞股份有限公司 | 一种图像处理效果的评价方法、装置、存储介质及设备 |
| CN113870142A (zh) * | 2021-09-29 | 2021-12-31 | 北京百度网讯科技有限公司 | 用于增强图像对比度的方法、装置及计算机程序产品 |
| CN114793275A (zh) * | 2022-03-09 | 2022-07-26 | 深圳康佳电子科技有限公司 | 一种图像信号处理方法、装置、终端及存储介质 |
| CN118247171A (zh) * | 2024-05-27 | 2024-06-25 | 苏州一目万相科技有限公司 | 图像处理方法、图像处理装置和可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440635A (zh) * | 2013-09-17 | 2013-12-11 | 厦门美图网科技有限公司 | 一种基于学习的对比度受限自适应直方图均衡方法 |
| CN109472759A (zh) * | 2018-11-23 | 2019-03-15 | 中国科学院长春光学精密机械与物理研究所 | 一种自适应图像增强的方法、装置、设备以及存储介质 |
| CN110264418A (zh) * | 2019-05-31 | 2019-09-20 | 苏州精观医疗科技有限公司 | 图像对比度增强方法、系统及装置 |
-
2019
- 2019-12-05 CN CN201911237159.4A patent/CN111062884B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440635A (zh) * | 2013-09-17 | 2013-12-11 | 厦门美图网科技有限公司 | 一种基于学习的对比度受限自适应直方图均衡方法 |
| CN109472759A (zh) * | 2018-11-23 | 2019-03-15 | 中国科学院长春光学精密机械与物理研究所 | 一种自适应图像增强的方法、装置、设备以及存储介质 |
| CN110264418A (zh) * | 2019-05-31 | 2019-09-20 | 苏州精观医疗科技有限公司 | 图像对比度增强方法、系统及装置 |
Non-Patent Citations (6)
| Title |
|---|
| JUSTIN JOSEPH ET.AL: "An objective method to identify optimum clip-limit and histogram specification of contrast limited adaptive histogram equalization for MR images" * |
| 丁畅;董丽丽;许文海;: ""直方图"均衡化图像增强技术研究综述" * |
| 刘轩;刘佳宾;: "基于对比度受限自适应直方图均衡的乳腺图像增强" * |
| 李艳萍;宁跃飞;杨伟;: "基于限峰分离模糊直方图均衡化的图像增强算法" * |
| 肖祥元;景文博;赵海丽;: "基于峰值信噪比改进的图像增强算法" * |
| 齐铎;张延忱;贡保昂吉;杨波;张元祥;贺玺铭;: "基于直方图均衡的导弹目标图像增强方法对比研究" * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986170A (zh) * | 2020-08-14 | 2020-11-24 | 湖南理工学院 | 一种基于深度神经网络Mask R-CNN的缺陷检测算法 |
| CN112767318A (zh) * | 2020-12-31 | 2021-05-07 | 科大讯飞股份有限公司 | 一种图像处理效果的评价方法、装置、存储介质及设备 |
| CN112767318B (zh) * | 2020-12-31 | 2023-07-25 | 科大讯飞股份有限公司 | 一种图像处理效果的评价方法、装置、存储介质及设备 |
| CN113870142A (zh) * | 2021-09-29 | 2021-12-31 | 北京百度网讯科技有限公司 | 用于增强图像对比度的方法、装置及计算机程序产品 |
| CN114793275A (zh) * | 2022-03-09 | 2022-07-26 | 深圳康佳电子科技有限公司 | 一种图像信号处理方法、装置、终端及存储介质 |
| CN114793275B (zh) * | 2022-03-09 | 2024-01-23 | 深圳康佳电子科技有限公司 | 一种图像信号处理方法、装置、终端及存储介质 |
| CN118247171A (zh) * | 2024-05-27 | 2024-06-25 | 苏州一目万相科技有限公司 | 图像处理方法、图像处理装置和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111062884B (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111062884B (zh) | 一种图像增强方法、装置、存储介质和终端设备 | |
| US10607325B2 (en) | Methods for enhancing image contrast and related image processing systems thereof | |
| CN107408296B (zh) | 用于高动态范围图像的实时噪声消除和图像增强的方法以及系统 | |
| CN110827229B (zh) | 一种基于纹理加权直方图均衡化的红外图像增强方法 | |
| CN109741287B (zh) | 图像导向滤波方法及装置 | |
| CN109743473A (zh) | 视频图像3d降噪方法、计算机装置及计算机可读存储介质 | |
| WO2019238029A1 (zh) | 卷积神经网络系统和卷积神经网络量化的方法 | |
| CN107993189B (zh) | 一种基于局部分块的图像色调动态调节方法和装置 | |
| CN110223244B (zh) | 一种图像处理的方法、装置、电子设备和存储介质 | |
| Kishorebabu et al. | An adaptive decision based interpolation scheme for the removal of high density salt and pepper noise in images | |
| US20150187051A1 (en) | Method and apparatus for estimating image noise | |
| CN111028179A (zh) | 一种条纹校正方法、装置、电子设备及存储介质 | |
| CN109817170A (zh) | 像素补偿方法、装置和终端设备 | |
| CN111986116B (zh) | 视频降噪方法和装置、电子设备、计算机可读存储介质 | |
| CN111127341A (zh) | 图像处理方法和装置、及存储介质 | |
| CN117893455B (zh) | 图像亮度和对比度调整方法 | |
| CN111062897A (zh) | 图像均衡方法、终端及存储介质 | |
| CN113011433A (zh) | 一种滤波参数调整方法及装置 | |
| CN111127337A (zh) | 图像局部区域高光调整方法、介质、设备及装置 | |
| CN111652821B (zh) | 基于梯度信息的微光视频图像降噪处理方法、装置和设备 | |
| CN111080534B (zh) | 图像滤波方法、装置及电子设备 | |
| Imamura et al. | Image denoising using non-local means for Poisson noise | |
| CN111784733A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
| US10181182B2 (en) | Image processing apparatus and image processing method for estimating point spread function | |
| CN113014825B (zh) | 图像亮度调整方法、电子设备及存储介质 |
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 |