CN111179200B - 一种宽动态范围图像的增强算法 - Google Patents
一种宽动态范围图像的增强算法 Download PDFInfo
- Publication number
- CN111179200B CN111179200B CN201911415245.XA CN201911415245A CN111179200B CN 111179200 B CN111179200 B CN 111179200B CN 201911415245 A CN201911415245 A CN 201911415245A CN 111179200 B CN111179200 B CN 111179200B
- Authority
- CN
- China
- Prior art keywords
- image
- dynamic range
- wide dynamic
- range image
- algorithm
- 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.)
- Active
Links
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 23
- 238000002834 transmittance Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 16
- 238000013507 mapping Methods 0.000 description 12
- 230000009466 transformation Effects 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 8
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011524 similarity measure 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种宽动态范围图像的增强算法,包括以下步骤:步骤1:将宽动态范围图像通过反转去雾算法得到反转去雾算法图J1(x);步骤2:将宽动态范围图像通过直接去雾算法得到直接去雾算法图J2(x);步骤3:通过计算得到宽动态范围图像与反转去雾算法图J1(x)的余弦相似度值a,宽动态范围图像与直接去雾算法图J2(x)的余弦相似度值b;步骤4:把得到的余弦相似度值a和b作为图像融合公式中的权重。综上所述,本发明具有实用性强、复原效果明显的特点,可用于艺术传媒、医学影像、公安案件侦破、影视制作、航拍图像、文物保护等领域。
Description
技术领域
本发明属于数字图像处理技术领域,更具体的说涉及一种宽动态范围图像的增强算法。
背景技术
现在手机、相机在人们的生活中使用得很广泛,拍照也变得更常见,但想要照出质量很高的图像,是一件很难的事。在太阳光、灯光或反光等强光源的照射下,很容易产生一个高亮度区域,同理在逆光、阴影等情况下很容易产生亮度较低的区域。由于手机、相机对同一场景下的亮度较高和较低的区域的体现力是有局限性的,当高亮度区域和亮度较低的区域同时在一幅图像中出现时,得到的图像中,会出现大面积较白和较黑现象,这都是由图像中较亮区域曝光过度和较暗区域曝光不足引起的,而此类图像的质量往往不好,难以让人们所接受。背光图像指的是在拍摄图像时,光源在物体后面,造成目标图像偏暗,目标图像的细节被隐藏,看不清目标图像,影响了人们获取有用信息。
本发明提出了一种宽动态范围图像的增强算法,可以充分地挖掘出图像中的有用信息。图像增强的目的是想改变图像看到的效果,有目的的突出图像中某些我们需要的特征信息,将图片变得清晰,改变图像的质量。
发明内容
本发明的目的在于提供一种宽动态范围图像的增强算法,其主要应用于艺术传媒、医学影像、公安案件侦破、影视制作、航拍图像、文物保护领域。本发明采用图像融合的策略,找到合适的权重,把暗原色先验原理的去雾算法和反转去雾算法很好的融合在一起,既能实现了暗区局部信息的增强,又克服了宽动态范围图像增强算法亮区易饱和、易过度曝光的问题。
为了实现上述目的,本发明是通过以下技术方案实现的:
所述的宽动态范围图像的增强算法包括以下步骤:
步骤1:将宽动态范围图像通过反转去雾算法得到反转去雾算法图J1(x);
步骤2:将宽动态范围图像通过直接去雾算法得到直接去雾算法图J2(x);
步骤3:通过计算得到宽动态范围图像与反转去雾算法图J1(x)的余弦相似度值a,宽动态范围图像与直接去雾算法图J2(x)的余弦相似度值b;
步骤4:把得到的余弦相似度值a和b作为图像融合公式中的权重。
宽动态范围图像的形成:
I=T[J] (12)
I是捕获的初始宽动态范围图像,J是所需恢复的增强图像,T表示亮度映射变换。该模型说明了成像设备所获得的图像可以看作原始场景经过亮度映射变换的结果。从公式可以看出T的估计是恢复J的关键。
将宽动态范围图像的反转图当做雾图来处理,可以把宽动态范围图像的反转图表示为1-I。
雾天退化模型为:
I(x)=J(x)t(x)+(1-t(x))A (2)
亮度映射变换关系T[·]的估计:
对于宽动态范围的反转图1-I,大气光值a不为0,对(13)两边同除a,并对三个通道(R、G和B)求取最小值:
-------------------------------------------------------
对(14)式两边进行最小值滤波并综合公式(15)得出:
为了避免分母为0,给T加上一个很小的常数ε,所以:
选取暗通道中亮度值最高的前0.1%的像素点并标记位置,这些点都是代表雾浓度最高的区域。在这些标记位置中从原始图像I中取出亮度最大值作为大气光值a。
把(17)带入(2)中可以得到想要恢复的增强图像:
这个模型解释了宽动态范围图像的形成过程,从模型可以看出宽动态范围图像是由于在原始场景中亮度映射的不同而形成的,想要更好的恢复出增强图J(x),就要对亮度映射变换T进行优化。
优选的,所述的基于雾天退化模型和暗原色先验原理的去雾算法,其具体步骤为:
1.雾天图像物理模型:
I(x)=J(x)t(x)+(1-t(x))A (2)
式中:I(x)是成像设备获得的图像;J(x)是最初的无雾图像;A是大气光强度;t(x)是透射率。
暗原色先验原理是通过统计了大量的户外无雾图像的数据而得到一条规律:在大多数户外无雾图像中,每个局部区域都会存在{R,G,B}三个颜色中的某一个的数值很小,趋于0。对于任意输入一个图像J(x),它的暗原色通道可以表示成:
式中:JC表示的是成像设备获得的图像中{R,G,B}三个通道中的某一个通道;Jdark(x)表示的是成像设备获得的图像的暗通道;Ω(x)表示的是以像素x为中心的一个区域。
2.透射率t的估计
假设大气光A值固定,以及某区域内的透射率t不变,用A对大气散射模型(12)两边归一化,并对三通道取最小值:
对上式两边进行取最小值:
根据暗原色先验原理可以得出:
把(23)带入(22)得到透射率t:
在现实生活中,即使是万里无云,空气质量很好,但空气中也会有物质颗粒的存在,因此,在看远处的景物时,还是可以感觉到雾对视觉的影响。但是,雾的存在可以让人眼感受到景物的层次,因此在我们去除雾的时候为了让图像显得更真实,会选择保留一定程度的雾,可以通过在(23)式中加一个系数ω∈[0,1]来实现。ω=1时完全去雾。
3.大气光值A的估计
在暗通道中选取亮度值最高的前0.1%的像素点并标记位置,这些点都是代表雾浓度最高的区域。在这些标记位置中从原始图像I中取出亮度最大值作为大气光值A。
4.还原伪雾图像
在得到透射率t,求得大气光A值后,根据大气散射模型(2)可以还原伪雾图像。
把透射率t(x)最小值固定为t0(t0取0.1),避免t(x)接近于0的情况。
优选的,所述的宽动态范围图像的反转图的去雾处理算法,其具体步骤为:反转去雾算法主要步骤分为五步:宽动态范围图像反转后获取到伪雾图、透射率t的估计、大气光值A的估计、还原去雾图像及反转获取宽动态范围图像的增强图。
宽动态范围图像的反转:
最后把处理后的去雾图像反转为复原的宽动态范围图像:
Jen(x)=1-J(x) (4)
优选的,所述的宽动态范围图像的直接去雾处理算法,其具体步骤为:
反转宽动态范围图像进行去雾处理的算法较为常见,但是何凯明算法直接对宽动态范围图像进行处理目前还没有研究,与处理雾图不同的是,宽动态范围图像存在大部分区域灰度值偏低的情况。
直接去雾算法步骤分为三步:透射率t的估计、大气光值A的估计和获取宽动态范围图像增强图。
执行公式(2)-(3)的去雾流程,获取去雾后的宽动态范围图像增强图J(x):
对公式(5)进行去分母化处理,然后经过变形得出:
I(x)=J(x)·max(t(x),t0)+A-A·max(t(x),t0) (6)
两边同时减J(x),得到:
I(x)-J(x)=J(x)·max(t(x),t0)-J(x)+A-A·max(t(x),t0) (7)
整理可得:
I(x)-J(x)=[1-max(t(x),t0)]·A-[1-max(t(x),t0)]·J(x) (8)
大气光值A,选取为暗通道的最大值,一般为255,因此A≥J(x),由公式(8)得出:I(x)-J(x)≥0,即I(x)≥J(x)。所以直接去雾算法可以压缩增益。处理后的J(x)小于原图I(x)。
优选的,所述的步骤3和步骤4得到余弦相似度值a和b并作为图像融合公式中的权重的过程。首先,将宽动态范围图像反转,称为拟雾图。拟雾图与真实雾图图像的不同之处有两点。第一点是拟雾图的大部分区域的亮度较亮。暗原色先验理论对于大部分区域的亮度较亮的图像的处理效果并不好。第二点是拟雾图像的大气值比较大。当大气光值接近于1时,说明原图的灰度值偏小,在去雾后,灰度值就会变得更低。再反转后容易产生高亮度情况,出现过度曝光的问题。在下面的文章中会作出解释。
把宽动态范围图像转化成伪雾图像,对伪雾图像进行算法处理,最后再反转,得到宽动态范围图像的增强图,增强图会出现暗区变亮,但亮区出现过度曝光的问题,看不清场景细节。暗原色先验原理的去雾算法针对有雾图时,会使图像J(x)减小,场景中灰度恢复正常;针对无雾图时,J(x)减小,会使场景中灰度降低,但是场景中轮廓细节得到了突出,图片显得更加清晰。两个算法融合后,原图中暗区的亮度得到了提升,亮区中的细节也保存了下来,图片显得很自然
通过计算得到原图与反转去雾算法处理图的余弦相似度a,原图与直接去雾算法处理结果图的余弦相似度b,把得到的余弦相似度的值当做图像融合中的权重。
融合公式:
J(x)=J1(x)*b+J2(x)*a (11)
在公式(11)中,a∈(0,1),b∈(0,1),如果a较大(a≥0.5)说明J1和原图相似性较大,图像的灰度值变化很小,图像的亮度没有得到很好的提升;如果a较小(a<0.5)说明J1和原图相似性较小,图像的灰度值变化很大,图像的亮度得到了很好的提升。所以用a和J2进行相乘,b和J1进行相乘,让最终图像中的亮度得到充分提升,但是又不会出现过度曝光的情况。
本发明有益效果:
本发明主要应用于艺术传媒、医学影像、公安案件侦破、影视制作、航拍图像、文物保护领域。本发明采用图像融合的策略,找到合适的权重,把暗原色先验原理的去雾算法和反转去雾算法很好的融合在一起,既能实现了暗区局部信息的增强,又克服了宽动态范围图像增强算法亮区易饱和、易过度曝光的问题。
附图说明
图1是具体实施方式中宽动态范围图像的增强算法的宽动态范围图像;
图2是具体实施方式中宽动态范围图像的增强算法的反转后的宽动态范围图像;
图3是具体实施方式中宽动态范围图像的雾图图像的直方图;
图4是具体实施方式中宽动态范围图像的增强算法反转后的宽动态范围图像和雾图图像中(R,G,B)通道最小值的统计图;
图5是具体实施方式中宽动态范围图像的增强算法反转后的宽动态范围图像和雾图图像的余弦值和夹角值;
图6是具体实施方式中宽动态范围图像的增强算法实验对比图;
图7是具体实施方式中宽动态范围图像的增强算法实验对比图;
图8是具体实施方式中宽动态范围图像的增强算法实验对比图。
具体实施方式
下面将结合本发明实施例和附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属本发明保护范围。
本发明具有实用性强、复原效果明显的特点,可用于艺术传媒、医学影像、公安案件侦破、影视制作、航拍图像、文物保护领域。本发明宽动态范围图像的增强算法,将宽动态范围图像通过反转去雾算法得到反转去雾算法图J1(x);将宽动态范围图像通过直接去雾算法得到直接去雾算法图J2(x);通过计算得到宽动态范围图像与反转去雾算法图J1(x)的余弦相似度值a,宽动态范围图像与直接去雾算法图J2(x)的余弦相似度值b;把得到的余弦相似度值a和b作为图像融合公式中的权重。
实施例1:
如图1-4所示,本算法应用于医学影像图像处理时,把反转后的宽动态范围图像和雾图图像进行直方图对比,从而证明反转后的宽动态范围图像和雾图图像具有很强的相似性,因此在算法中将宽动态范围图像的反转图当做雾图来处理。
图1为宽动态范围图像,图2为反转后的宽动态范围图像,图3是雾图图像的直方图。由此可以看出,在反转后的宽动态范围图像和雾图图像的灰度直方图中,像素值越高的点,占的概率越大。
图4(a)是30幅反转后的宽动态范围图像中,(R,G,B)通道最小值的统计图,图4(b)是30幅雾图图像,(R,G,B)通道最小值的统计图,通过对比可以发现这两个统计图有很多的相似性,亮度越高的像素点,出现的频率越高,也就是说大部分像素点的(R,G,B)通道最小值较大,呈现出高亮度。
实施例2:
为了进一步证明反转后的宽动态范围图像和雾图图像和相似性。通过计算图片的余弦相似度,来比较反转后的宽动态范围图像和雾图图像的余弦值和夹角。
余弦相似度通过测量两个向量内积空间的余弦值来衡量这两个向量之间的相似性,余弦相似度可以用来比较任何维度的向量,因此属于高维空间应用较多的机器学习算法。通常来说,数字图像包含的特征码较多,而这些特征组就属于高维空间,这属于余弦相似度算法应用的范围。余弦相似度的算法将每个图像的特征组转化为高维空间的向量,两个向量之间的角度可以判断两个向量指的方向。
本发明为了证明反转后的宽动态范围图像和雾图图像的相似性,随机各选取24幅宽动态范围图像和雾图图像,进行随机分配,一张宽动态范围图像和一张雾图图像成一组,进行编号1,2,3......23,24;图5为计算的反转后的宽动态范围图像和雾图图像的余弦值和夹角。
由公式
从图5数据可以看出反转后的宽动态范围图像和雾图图像的余弦值都较大,角度较小。从而说明了反转后的宽动态范围图像和雾图图像很相似。
实施例3:
所述的宽动态范围图像的增强算法包括以下步骤:
步骤1:将宽动态范围图像通过反转去雾算法得到反转去雾算法图J1(x);
步骤2:将宽动态范围图像通过直接去雾算法得到直接去雾算法图J2(x);
步骤3:通过计算得到宽动态范围图像与反转去雾算法图J1(x)的余弦相似度值a,宽动态范围图像与直接去雾算法图J2(x)的余弦相似度值b;
步骤4:把得到的余弦相似度值a和b作为图像融合公式中的权重。
宽动态范围图像的形成:
I=T[J] (12)
I是捕获的初始宽动态范围图像,J是所需恢复的增强图像,T表示亮度映射变换。该模型说明了成像设备所获得的图像可以看作原始场景经过亮度映射变换的结果。从公式可以看出T的估计是恢复J的关键。
将宽动态范围图像的反转图当做雾图来处理,可以把宽动态范围图像的反转图表示为1-I。
雾天退化模型为:
I(x)=J(x)t(x)+(1-t(x))A (2)
亮度映射变换关系T[·]的估计:
对于宽动态范围的反转图1-I,大气光值a不为0,对(13)两边同除a,并对三个通道(R、G和B)求取最小值:
对(14)式两边进行最小值滤波并综合公式(15)得出:
为了避免分母为0,给T加上一个很小的常数ε,所以:
选取暗通道中亮度值最高的前0.1%的像素点并标记位置,这些点都是代表雾浓度最高的区域。在这些标记位置中从原始图像I中取出亮度最大值作为大气光值a。
把(17)带入(2)中可以得到想要恢复的增强图像:
这个模型解释了宽动态范围图像的形成过程,从模型可以看出宽动态范围图像是由于在原始场景中亮度映射的不同而形成的,想要更好的恢复出增强图J(x),就要对亮度映射变换T进行优化。
所述的基于雾天退化模型和暗原色先验原理的去雾算法,其具体步骤为:
1.雾天图像物理模型:
I(x)=J(x)t(x)+(1-t(x))A (2)
式中:I(x)是成像设备获得的图像;J(x)是最初的无雾图像;A是大气光强度;t(x)是透射率。
暗原色先验原理是通过统计了大量的户外无雾图像的数据而得到一条规律:在大多数户外无雾图像中,每个局部区域都会存在{R,G,B}三个颜色中的某一个的数值很小,趋于0。对于任意输入一个图像J(x),它的暗原色通道可以表示成:
式中:JC表示的是成像设备获得的图像中{R,G,B}三个通道中的某一个通道;Jdark(x)表示的是成像设备获得的图像的暗通道;Ω(x)表示的是以像素x为中心的一个区域。
5.透射率t的估计
假设大气光A值固定,以及某区域内的透射率t不变,用A对大气散射模型(12)两边归一化,并对三通道取最小值:
对上式两边进行取最小值:
根据暗原色先验原理可以得出:
把(23)带入(22)得到透射率t:
在现实生活中,即使是万里无云,空气质量很好,但空气中也会有物质颗粒的存在,因此,在看远处的景物时,还是可以感觉到雾对视觉的影响。但是,雾的存在可以让人眼感受到景物的层次,因此在我们去除雾的时候为了让图像显得更真实,会选择保留一定程度的雾,可以通过在(23)式中加一个系数ω∈[0,1]来实现。ω=1时完全去雾。
6.大气光值A的估计
在暗通道中选取亮度值最高的前0.1%的像素点并标记位置,这些点都是代表雾浓度最高的区域。在这些标记位置中从原始图像I中取出亮度最大值作为大气光值A。
7.还原伪雾图像
在得到透射率t,求得大气光A值后,根据大气散射模型(2)可以还原伪雾图像。
把透射率t(x)最小值固定为t0(t0取0.1),避免t(x)接近于0的情况。
所述的宽动态范围图像的反转图的去雾处理算法,其具体步骤为:
反转去雾算法主要步骤分为五步:宽动态范围图像反转后获取到伪雾图、透射率t的估计、大气光值A的估计、还原去雾图像及反转获取宽动态范围图像的增强图。
宽动态范围图像的反转:
最后把处理后的去雾图像反转为复原的宽动态范围图像:
Jen(x)=1-J(x) (4)
所述的宽动态范围图像的直接去雾处理算法,其具体步骤为:
反转宽动态范围图像进行去雾处理的算法较为常见,但是何凯明算法直接对宽动态范围图像进行处理目前还没有研究,与处理雾图不同的是,宽动态范围图像存在大部分区域灰度值偏低的情况。
直接去雾算法步骤分为三步:透射率t的估计、大气光值A的估计和获取宽动态范围图像增强图。
执行公式(2)-(3)的去雾流程,获取去雾后的宽动态范围图像增强图J(x):
对公式(5)进行去分母化处理,然后经过变形得出:
I(x)=J(x)·max(t(x),t0)+A-A·max(t(x),t0) (6)
两边同时减J(x),得到:
I(x)-J(x)=J(x)·max(t(x),t0)-J(x)+A-A·max(t(x),t0) (7)
整理可得:
I(x)-J(x)=[1-max(t(x),t0)]·A-[1-max(t(x),t0)]·J(x) (8)
大气光值A,选取为暗通道的最大值,一般为255,因此A≥J(x),由公式(8)得出:I(x)-J(x)≥0,即I(x)≥J(x)。所以直接去雾算法可以压缩增益。处理后的J(x)小于原图I(x)。
优选的,所述的步骤3和步骤4得到余弦相似度值a和b并作为图像融合公式中的权重的过程。首先,将宽动态范围图像反转,称为拟雾图。拟雾图与真实雾图图像的不同之处有两点。第一点是拟雾图的大部分区域的亮度较亮。暗原色先验理论对于大部分区域的亮度较亮的图像的处理效果并不好。第二点是拟雾图像的大气值比较大。当大气光值接近于1时,说明原图的灰度值偏小,在去雾后,灰度值就会变得更低。再反转后容易产生高亮度情况,出现过度曝光的问题。在下面的文章中会作出解释。
把宽动态范围图像转化成伪雾图像,对伪雾图像进行算法处理,最后再反转,得到宽动态范围图像的增强图,增强图会出现暗区变亮,但亮区出现过度曝光的问题,看不清场景细节。暗原色先验原理的去雾算法针对有雾图时,会使图像J(x)减小,场景中灰度恢复正常;针对无雾图时,J(x)减小,会使场景中灰度降低,但是场景中轮廓细节得到了突出,图片显得更加清晰。两个算法融合后,原图中暗区的亮度得到了提升,亮区中的细节也保存了下来,图片显得很自然
通过计算得到原图与反转去雾算法处理图的余弦相似度a,原图与直接去雾算法处理结果图的余弦相似度b,把得到的余弦相似度的值当做图像融合中的权重。
融合公式:
J(x)=J1(x)*b+J2(x)*a (11)
在公式(11)中,a∈(0,1),b∈(0,1),如果a较大(a≥0.5)说明J1和原图相似性较大,图像的灰度值变化很小,图像的亮度没有得到很好的提升;如果a较小(a<0.5)说明J1和原图相似性较小,图像的灰度值变化很大,图像的亮度得到了很好的提升。所以用a和J2进行相乘,b和J1进行相乘,让最终图像中的亮度得到充分提升,但是又不会出现过度曝光的情况。
下面通过具体的实例对本发明以及本发明效果进行进一步的说明和验证。
实例1:应用于傍晚建筑物背光对比图
图6的实验选取一张傍晚建筑物背光图,实验图可以看出:反转去雾算法看上去有很好的效果,但是对于这张傍晚拍摄的图片,整体亮度太亮,不符合时间;直接去雾算法使建筑物灰度降低了,轮廓更加明显;本文算法使建筑物亮度得到了提升,把建筑物前的场景也显示得很好,图片整体显得很自然。
实例2:应用于白天建筑图背光图对比
图7的实验选取一张白天建筑图背光图,反转去雾算法整体亮度偏高,建筑物颜色失真;直接去雾算法使场景整体灰度变暗;本文算法能很好的提升场景亮度,突出建筑物细节。
实例3:应用于户外人物背光对比图
图8的实验选取一张户外人物背光图,反转去雾算法使人和石碑的整体亮度得到了提升,但是亮度偏高,石碑上的字迹也变得模糊;直接去雾算法中人物和背景山体的灰度降低了,轮廓细节得到了突出;本文算法让人体亮度得到了提升,石碑上的字体也显得更加明显。
本发明主要应用于艺术传媒、医学影像、公安案件侦破、影视制作、航拍图像、文物保护领域。本发明采用图像融合的策略,找到合适的权重,把暗原色先验原理的去雾算法和反转去雾算法很好的融合在一起,既能实现了暗区局部信息的增强,又克服了宽动态范围图像增强算法亮区易饱和、易过度曝光的问题。
最后说明的是,以上优选实施例仅用于说明本实用新型的技术方案,而非限制尽管通过上述优选实施例已经对本实用新型进行了详细的描述,但本领域技术人员应当理解可以在形式上和细节上对其做出各种改变,而不偏离本实用新型的保护范围。
Claims (5)
1.一种宽动态范围图像的增强算法,其特征在于:所述的宽动态范围图像的增强算法应用于艺术传媒、医学影像、公安案件侦破、影视制作、航拍图像、文物保护领域,主要解决由图像中较亮区域曝光过度和较暗区域曝光不足引起的图像中出现大面积较白和较黑现象的问题,所述的宽动态范围图像的增强算法包括以下步骤:
步骤1:将宽动态范围图像通过反转去雾算法得到反转去雾算法图J1(x);
步骤2:将宽动态范围图像通过直接去雾算法得到直接去雾算法图J2(x);
步骤3:通过计算得到宽动态范围图像与反转去雾算法图J1(x)的余弦相似度值a,宽动态范围图像与直接去雾算法图J2(x)的余弦相似度值b;
步骤4:把得到的余弦相似度值a和b作为图像融合公式中的权重;
步骤5:通过直方图对比和余弦相似度来证明反转后的宽动态范围图像和雾图图像具有很强的相似性;
a.把反转后的宽动态范围图像和雾图图像进行直方图对比,从而证明反转后的宽动态范围图像和雾图图像具有很强的相似性,因此在算法中将宽动态范围图像的反转图当做雾图来处理;
b.为了进一步证明反转后的宽动态范围图像和雾图图像和相似性,通过计算图片的余弦相似度,来比较反转后的宽动态范围图像和雾图图像的余弦值和夹角,由公式
2.根据权利要求1所述的一种宽动态范围图像的增强算法,其特征是:所述的步骤1将宽动态范围图像通过反转去雾算法得到反转去雾算法图J1(x)的过程,其具体方法为:
宽动态范围图像反转后获取到伪雾图,将伪雾图进行透射率t的估计和大气光值A的估计,还原去雾后反转获取得到宽动态范围图像的增强图;
宽动态范围图像的反转:
I(x)=J(x)t(x)+(1-t(x))A (2)
t表示透射率,最后把处理后的去雾图像反转为复原的宽动态范围图像:
Jen(x)=1-J(x) (4)。
3.根据权利要求1所述的一种宽动态范围图像的增强算法,其特征是:所述的步骤2将宽动态范围图像通过直接去雾算法得到直接去雾算法图J2(x)的过程,其具体方法为:
对宽动态范围图像进行透射率t的估计和大气光值A的估计,获取宽动态范围图像增强图;
去雾流程:用公式(2)-(3)获取去雾后的宽动态范围图像增强图:
对公式(5)进行去分母化处理,然后经过变形得出:
I(x)=J(x)·max(t(x),t0)+A-A·max(t(x),t0) (6)
两边同时减J(x),得到:
I(x)-J(x)=J(x)·max(t(x),t0)-J(x)+A-A·max(t(x),t0) (7)
整理可得:
I(x)-J(x)=[1-max(t(x),t0)]·A-[1-max(t(x),t0)]·J(x) (8)
大气光值A,选取为暗通道的最大值,一般为255,因此A≥J(x),由公式(8)得出I(x)-J(x)≥0,即I(x)≥J(x);所以直接去雾算法可以压缩增益,处理后的J(x)小于原图I(x)。
5.根据权利要求1所述的一种宽动态范围图像的增强算法,其特征是:所述的步骤4把得到的余弦相似度值a和b作为图像融合公式中的权重的过程,其具体方法为:在公式(9)和(10)中,a∈(0,1),b∈(0,1),如果a≥0.5说明J1和原图相似性较大,图像的灰度值变化很小,图像的亮度没有得到很好的提升;如果a<0.5说明J1和原图相似性较小,图像的灰度值变化很大,图像的亮度得到了很好的提升;所以用a和J2进行相乘,b和J1进行相乘:
J(x)=J1(x)*b+J2(x)*a (11)
让最终图像中的亮度得到充分提升,但是又不会出现过度曝光的情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911415245.XA CN111179200B (zh) | 2019-12-31 | 2019-12-31 | 一种宽动态范围图像的增强算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911415245.XA CN111179200B (zh) | 2019-12-31 | 2019-12-31 | 一种宽动态范围图像的增强算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111179200A CN111179200A (zh) | 2020-05-19 |
CN111179200B true CN111179200B (zh) | 2020-09-29 |
Family
ID=70657723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911415245.XA Active CN111179200B (zh) | 2019-12-31 | 2019-12-31 | 一种宽动态范围图像的增强算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179200B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150399B (zh) * | 2020-09-27 | 2023-03-07 | 安谋科技(中国)有限公司 | 基于宽动态范围的图像增强方法及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914820A (zh) * | 2014-03-31 | 2014-07-09 | 华中科技大学 | 一种基于图像分层增强的图像去雾方法及系统 |
CN103942758A (zh) * | 2014-04-04 | 2014-07-23 | 中国人民解放军国防科学技术大学 | 基于多尺度融合的暗通道先验图像去雾方法 |
CN105631829A (zh) * | 2016-01-15 | 2016-06-01 | 天津大学 | 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9305339B2 (en) * | 2014-07-01 | 2016-04-05 | Adobe Systems Incorporated | Multi-feature image haze removal |
CN106530249A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于物理模型的低照度彩色图像增强方法 |
CN107203979B (zh) * | 2017-05-27 | 2020-04-24 | 浙江大学 | 一种低照度图像增强的方法 |
CN108537756B (zh) * | 2018-04-12 | 2020-08-25 | 大连理工大学 | 基于图像融合的单幅图像去雾方法 |
CN108765323A (zh) * | 2018-05-16 | 2018-11-06 | 南京理工大学 | 一种基于改进暗通道与图像融合的柔性去雾方法 |
-
2019
- 2019-12-31 CN CN201911415245.XA patent/CN111179200B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914820A (zh) * | 2014-03-31 | 2014-07-09 | 华中科技大学 | 一种基于图像分层增强的图像去雾方法及系统 |
CN103942758A (zh) * | 2014-04-04 | 2014-07-23 | 中国人民解放军国防科学技术大学 | 基于多尺度融合的暗通道先验图像去雾方法 |
CN105631829A (zh) * | 2016-01-15 | 2016-06-01 | 天津大学 | 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111179200A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | An efficient visibility enhancement algorithm for road scenes captured by intelligent transportation systems | |
Wang et al. | Single image dehazing based on the physical model and MSRCR algorithm | |
Shi et al. | Let you see in sand dust weather: A method based on halo-reduced dark channel prior dehazing for sand-dust image enhancement | |
Pan et al. | Haze removal for a single remote sensing image based on deformed haze imaging model | |
He et al. | Single image haze removal using dark channel prior | |
Wang et al. | A fast single-image dehazing method based on a physical model and gray projection | |
CN112669242A (zh) | 基于改进图像增强算法与生成对抗网络的夜景复原方法 | |
CN103020920B (zh) | 一种低照度图像增强方法 | |
Chen et al. | Hazy image restoration by bi-histogram modification | |
Yu et al. | Real‐time single image dehazing using block‐to‐pixel interpolation and adaptive dark channel prior | |
CN106886985B (zh) | 一种减小色偏的自适应低照度图像增强方法 | |
CN106981054B (zh) | 一种图像处理方法及电子设备 | |
CN103218778A (zh) | 一种图像和视频的处理方法及装置 | |
Pei et al. | Effective image haze removal using dark channel prior and post-processing | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
He et al. | Single image dehazing with white balance correction and image decomposition | |
CN106023108A (zh) | 基于边界约束和上下文正则化的图像去雾算法 | |
CN111179200B (zh) | 一种宽动态范围图像的增强算法 | |
Zhang et al. | Nighttime haze removal with illumination correction | |
CN107203979B (zh) | 一种低照度图像增强的方法 | |
Negru et al. | Exponential image enhancement in daytime fog conditions | |
Park et al. | Improved DCP-based image defogging using stereo images | |
Zhou et al. | Single image dehazing using dark channel prior and minimal atmospheric veil | |
Liu et al. | A novel method for high dynamic range with binocular cameras | |
Lee et al. | Image dehazing technique based on sky weight detection and fusion transmission |
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 |