CN111292273B - 一种语义引导的暗光图像增强方法 - Google Patents
一种语义引导的暗光图像增强方法 Download PDFInfo
- Publication number
- CN111292273B CN111292273B CN202010148833.8A CN202010148833A CN111292273B CN 111292273 B CN111292273 B CN 111292273B CN 202010148833 A CN202010148833 A CN 202010148833A CN 111292273 B CN111292273 B CN 111292273B
- Authority
- CN
- China
- Prior art keywords
- image
- semantic
- brightness
- enhancement
- channel
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种语义引导的暗光图像增强方法,属于图像处理技术领域,其包括以下步骤S10、将原始暗光RGB图像转换为HSV颜色空间图像;S20、使用融合增强模型对HSV颜色空间图像中V通道明度进行增强,得到图像明度增强后的V通道;S30、将图像明亮度增强后的V通道与HSV颜色空间图像中的H通道、S通道一起转换回RGB颜色空间,得到亮度增强RGB图像。本发明提供了一种语义引导暗光图像增强方法,可以提高暗光图像中图像内容的可视性,以揭示隐藏在黑暗中的细节,且能够保持图像在视觉上的自然性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种语义引导的暗光图像增强方法。
背景技术
近年来,随着智能手机的高速发展,通过手持的移动设备通常就可以获得令人满意的图像。然而,在日常生活中经常会遇到不完美的亮度条件。例如,在弱光源不足以照亮整个场景的情况下,得到的图像通常非常暗,可能含有很强的成像噪声。在这种情况下,低光图像的视觉质量通常是不令人满意的。尤其是暗光照图像不能揭示隐藏在黑暗中的细节,现有技术中通过对暗光照图像进行计算机视觉和图像处理,处理后的图像虽然提高了可视性,但是不能保持视觉上的自然性。
因此,急需一种可以提高图像内容的可视性,以揭示隐藏在黑暗中的细节,且能够保持图像在视觉自然性的暗光图像增强方法。
发明内容
本发明的目的在于提供一种可以提高图像内容的可视性,以揭示隐藏在黑暗中的细节,且能够保持图像在视觉自然性的暗光图像增强方法。
为了实现上述发明目的,本发明提供以下技术方案:
一种语义引导的暗光图像增强方法,包括以下步骤:
S10、将原始暗光RGB图像转换为HSV颜色空间图像;
S20、使用融合增强模型对所述HSV颜色空间图像中V通道明度进行增强,得到图像明度增强后的V通道;
所述融合增强模型为:
IE=I⊙(1-M)+Iini⊙M
其中,IE表示增强后图像,⊙表示像素与像素乘法,I表示原始的暗光图像,Iini表示初始的增强图像,M表示可以同时感知光照和特定语义信息的融合权重图像,即M由感知亮度图像ML和感知语义图像Ms两部分明亮度融合而成;
S30、将所述图像明度增强后的V通道与所述HSV颜色空间图像中的H通道、S通道一起转换回RGB颜色空间,得到亮度增强RGB图像。
进一步地,所述初始的增强图像Iini获取步骤为:
根据Retinex模型,对于原始的暗光图像I可以表示为反射图Ir与光照图Ii的像素与像素之间乘积,即I=Ii⊙Ir;由于同时估计Ir和Ii的分解方法通常较为耗时,因此采用简化的Retinex模型来获取初始的增强图像Iini:
其中,在所述简化的Retinex模型中,Ii是分段平滑的,利用保边缘滤波器来估计获取;采用Guided Filter导向滤波器来估计光照图Ii。
进一步地,所述感知亮度的ML为使用Ostu阈值法概括出原始图像I的明亮分布得到;所述Ostu阈值法通过搜索类间方差最大化获得最佳阈值to:
进一步地,所述语义感知图像Ms的获取步骤为:对于给定的预定义的语义语料库C={c1,...,ck,...,cN},语义分割系统给所述原始的暗光图像I的每一个像素p分配一个语义语料库中的语义标签ck∈C;语义分割操作将所述原始的暗光图像I分成若干个互斥的子集{Ik},即I=I1∪...∪IN,由于每个子集间的两两互斥性,通过二值化Ik获得MS。
进一步地,所述语义分割系统为金字塔场景解析网络PSPnet,所述金字塔场景解析网络PSPnet分为三个部分:主干,金字塔池化模块和分类器;其中,选择残差网络Resnet作为主干;所述金字塔场景解析网络PSPNet构建了金字塔池化模块PPM,该模块包含多个并行分支,用于将特征向下采样到不同的分辨率;所述金字塔池化模块PPM所学习的特性具有更大的感受野,并且聚合了更多的上下文信息;对于所述原始的暗光图像I的每一个像素p的语义标签通过3×3的卷积获得。
进一步地,所述融合权重图像M获取步骤如下:在获得ML和MS后,通过逻辑与的方式获得初步的融合图像MF:
MF=ML∩Ms
采用联合导向滤波器JointGuided Filter来细化MF的结构和边缘区域,来保证增强结果增强效果;在细化过程中,采用所述原始的暗光图像I作为导向图像,将所述滤波器JointGuided Filter的输出图像做为最终的融合权重图像M。
本发明的有益效果:
本发明提供了一种语义引导暗光图像增强方法,可以提高暗光图像中图像内容的可视性,以揭示隐藏在黑暗中的细节,且能够保持图像在视觉上的自然性。
附图说明
图1为本发明的暗光图像增强流程示意图
图2为构建融合权重图像M流程图
具体实施方式
下面结合实施例对本发明提供的技术方案进行详细的说明,但是不能把它们理解为对本发明保护范围的限定。
实施例1
一种语义引导的暗光图像增强方法,包括以下步骤:
S10、将原始暗光RGB图像转换为HSV颜色空间图像;
S20、使用融合增强模型对所述HSV颜色空间图像中V通道明度进行增强,得到图像明度增强后的V通道;
所述融合增强模型为:
IE=I⊙(1-M)+Iini⊙M
其中,IE表示增强后图像,⊙表示像素与像素乘法,I表示原始的暗光图像,Iini表示初始的增强图像,M表示可以同时感知光照和特定语义信息的融合权重图像,即M由感知亮度图像ML和感知语义图像Ms两部分明亮度融合而成;
初始的增强图像Iini获取步骤为:
根据Retinex模型,对于原始的暗光图像I可以表示为反射图Ir与光照图Ii的像素与像素之间乘积,即I=Ii⊙Ir;由于同时估计Ir和Ii的分解方法通常较为耗时,因此采用简化的Retinex模型来获取初始的增强图像Iini:
其中,在简化的Retinex模型中,Ii是分段平滑的,利用保边缘滤波器来估计获取;采用Guided Filter导向滤波器来估计光照图Ii。在本实施例中,经验化取值将ε取值为0.1。
感知亮度的ML为使用Ostu阈值法概括出原始图像I的明亮分布得到;Ostu阈值法通过搜索类间方差最大化获得最佳阈值to:
通过亮度感知图像ML,可以初步判断原始图像中需要增强的部分和不需要增强的部分。
语义感知图像Ms的获取步骤为:对于给定的预定义的语义语料库C={c1,...,ck,...,cN},语义分割系统给原始的暗光图像I的每一个像素p分配一个语义语料库中的语义标签ck∈C;语义分割操作将所述原始的暗光图像I分成若干个互斥的子集{Ik},即I=I1∪...∪IN,由于每个子集间的两两互斥性,通过二值化Ik获得Ms。
语义分割系统为金字塔场景解析网络PSPnet,金字塔场景解析网络PSPnet分为三个部分:主干,金字塔池化模块和分类器;其中,选择残差网络Resnet作为主干;金字塔场景解析网络PSPNet构建了金字塔池化模块PPM,该模块包含多个并行分支,用于将特征向下采样到不同的分辨率;金字塔池化模块PPM所学习的特性具有更大的感受野,并且聚合了更多的上下文信息;对于原始的暗光图像I的每一个像素p的语义标签通过3×3的卷积获得。
融合权重图像M获取步骤如下:在获得ML和Ms后,通过逻辑与的方式获得初步的融合图像MF:
MF=ML∩Ms
采用联合导向滤波器JointGuided Filter来细化MF的结构和边缘区域,来保证增强结果增强效果;在细化过程中,采用原始的暗光图像I作为导向图像,将滤波器Joi ntGuided Fi lter的输出图像做为最终的融合权重图像M。对于联合导向滤波器Joi ntGu idedF i lter的两个关键参数正则化参数∈和滤波半径r的设置,我们设置正则化参数为∈=10-5,该参数使得M更接近于原始图像结构,滤波半径为r=0.2min[H,W],其中H,W分别是原始图像I的高和宽,这使得初步的融合权值MF可以扩散到近邻区域,使得权值更加平滑。
S30、将所述图像明度增强后的V通道与所述HSV颜色空间图像中的H通道、S通道一起转换回RGB颜色空间,得到亮度增强RGB图像。
以上所述,仅是本发明较佳实施例而已,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,均仍属于本发明技术方案的范围的。
Claims (2)
1.一种语义引导的暗光图像增强方法,其特征在于,包括以下步骤:
S10、将原始暗光RGB图像转换为HSV颜色空间图像;
S20、使用融合增强模型对所述HSV颜色空间图像中V通道明度进行增强,得到图像明度增强后的V通道;
所述融合增强模型为:
S30、将所述图像明度增强后的V通道与所述HSV颜色空间图像中的H通道、S通道一起转换回RGB颜色空间,得到亮度增强RGB图像;
所述语义感知图像的获取步骤为:对于给定的预定义的语义语料库,语义分割系统给所述原始的暗光图像的每一个像素分配一个语义语料库中的语义标签;语义分割操作将所述原始的暗光图像分成若干个互斥的子集,即,;由于每个子集间的两两互斥性,通过二值化获得;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148833.8A CN111292273B (zh) | 2020-03-05 | 2020-03-05 | 一种语义引导的暗光图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148833.8A CN111292273B (zh) | 2020-03-05 | 2020-03-05 | 一种语义引导的暗光图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111292273A CN111292273A (zh) | 2020-06-16 |
CN111292273B true CN111292273B (zh) | 2023-03-24 |
Family
ID=71026836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010148833.8A Active CN111292273B (zh) | 2020-03-05 | 2020-03-05 | 一种语义引导的暗光图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292273B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822809B (zh) * | 2021-03-10 | 2023-06-06 | 无锡安科迪智能技术有限公司 | 暗光增强方法及其系统 |
CN113111931B (zh) * | 2021-04-02 | 2023-04-07 | 同济大学 | 一种基于光强变换和聚类的量筒读数方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5450217A (en) * | 1994-05-23 | 1995-09-12 | Xerox Corporation | Image-dependent color saturation correction in a natural scene pictorial image |
CN108830800A (zh) * | 2018-05-09 | 2018-11-16 | 南京邮电大学 | 一种暗光场景下图像的亮度提升增强方法 |
CN109191390A (zh) * | 2018-08-03 | 2019-01-11 | 湘潭大学 | 一种基于不同颜色空间多算法融合的图像增强算法 |
CN109903257A (zh) * | 2019-03-08 | 2019-06-18 | 上海大学 | 一种基于图像语义分割的虚拟头发染色方法 |
-
2020
- 2020-03-05 CN CN202010148833.8A patent/CN111292273B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5450217A (en) * | 1994-05-23 | 1995-09-12 | Xerox Corporation | Image-dependent color saturation correction in a natural scene pictorial image |
CN108830800A (zh) * | 2018-05-09 | 2018-11-16 | 南京邮电大学 | 一种暗光场景下图像的亮度提升增强方法 |
CN109191390A (zh) * | 2018-08-03 | 2019-01-11 | 湘潭大学 | 一种基于不同颜色空间多算法融合的图像增强算法 |
CN109903257A (zh) * | 2019-03-08 | 2019-06-18 | 上海大学 | 一种基于图像语义分割的虚拟头发染色方法 |
Non-Patent Citations (2)
Title |
---|
基于Retinex改进的夜间图像增强算法;李宏宇等;《长春理工大学学报(自然科学版)》;20181215(第06期);全文 * |
基于图像增强和深层CNN学习的交互行为识别;徐鹏程等;《通信技术》;20190310(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111292273A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232661B (zh) | 基于Retinex和卷积神经网络的低光照彩色图像增强方法 | |
CN108876743B (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
JP4986250B2 (ja) | ノイズ除去機能付きのデジタル画像処理増強システム及び方法 | |
Liu et al. | Underwater image enhancement method based on adaptive attenuation-curve prior | |
US20200294202A1 (en) | Enhancing the legibility of images using monochromatic light sources | |
US20110019912A1 (en) | Detecting And Correcting Peteye | |
CN111292273B (zh) | 一种语义引导的暗光图像增强方法 | |
CN113052814B (zh) | 基于Retinex和注意力机制的暗光图像增强方法 | |
CN116823686B (zh) | 一种基于图像增强的夜间红外与可见光图像融合方法 | |
CN116681636B (zh) | 基于卷积神经网络的轻量化红外与可见光图像融合方法 | |
CA3153067A1 (en) | Picture-detecting method and apparatus | |
CN112330613B (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
Zhou et al. | A multifeature fusion method for the color distortion and low contrast of underwater images | |
CN111223110A (zh) | 一种显微图像增强方法、装置及计算机设备 | |
Liu et al. | Toward visual quality enhancement of dehazing effect with improved Cycle-GAN | |
CN117152182B (zh) | 一种超低照度网络相机图像处理方法、装置及电子设备 | |
Kim | Single image-based enhancement techniques for underwater optical imaging | |
CN112614063A (zh) | 用于楼宇内低照度环境的图像增强和噪声自适应去除方法 | |
CN114429426B (zh) | 一种基于Retinex模型的低照度图像质量改善方法 | |
Simone et al. | Survey of methods and evaluation of retinex-inspired image enhancers | |
CN110197178A (zh) | 一种图谱特征融合深度网络的大米种类快速鉴别检测装置及其检测方法 | |
CN114862707A (zh) | 一种多尺度特征恢复图像增强方法、装置及存储介质 | |
Li et al. | Multi-scale fusion framework via retinex and transmittance optimization for underwater image enhancement | |
CN113989588A (zh) | 一种基于自学习的五边形绘图测试智能评价系统及方法 | |
Prasenan et al. | A Study of Underwater Image Pre-processing and Techniques |
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 |