CN111724332A - 一种适用于密闭腔体检测的图像增强方法及系统 - Google Patents
一种适用于密闭腔体检测的图像增强方法及系统 Download PDFInfo
- Publication number
- CN111724332A CN111724332A CN202010515372.3A CN202010515372A CN111724332A CN 111724332 A CN111724332 A CN 111724332A CN 202010515372 A CN202010515372 A CN 202010515372A CN 111724332 A CN111724332 A CN 111724332A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- optimal exposure
- closed cavity
- fused
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005286 illumination Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 31
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 239000002184 metal Substances 0.000 abstract description 9
- 230000000007 visual effect Effects 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 abstract description 3
- 229920006395 saturated elastomer Polymers 0.000 abstract description 3
- 230000016776 visual perception Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 5
- 240000007651 Rubus glaucus Species 0.000 description 4
- 235000011034 Rubus glaucus Nutrition 0.000 description 4
- 235000009122 Rubus idaeus Nutrition 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000004438 eyesight Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000004587 chromatography analysis Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/70—
-
- G06T5/90—
-
- 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
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本发明公开了一种适用于密闭腔体检测的图像增强方法及系统,首先通过基于图像熵的方法对原始检测图像进行处理得到图像最佳曝光率,并生成最佳曝光度图像;然后利用设计的权重矩阵对原始检测图像和最佳曝光度图像权重进行评估,并依据评估结果来对原始检测图像和最佳曝光度进行融合来增强图像,能够在增强低光照度区域可视程度的同时抑制高反光(例如金属反射等)的过度饱和区域,保证图像整体结构特征,尤其适用于结构复杂、光照不均和金属反射严重的密闭腔体(例如具有密闭腔体状的电力设备环境)内的视频图像,能够提升检测人员的视觉感受,有利于提高检测效率、安全性和准确性。
Description
技术领域
本申请属于图像处理技术领域,涉及特殊环境下拍摄的图像增强方法,尤其涉及密闭腔体检测的图像增强方法及系统,以提升视觉传感器在密闭腔体状的电力设备内的成像质量,提高电力检修人员操作的准确性、安全性和效率。
背景技术
随着电力行业的不断发展,电力设备故障隐患的检测方式也在不断的改进更新,视频图像检测已成为目前应用较广泛的检测方式之一。而传统的视频图像检测在密闭腔体状的电力设备内,会由于密闭腔体内部光照不均、结构复杂和金属反光的影响,造成原始的图像噪声过大、局部过曝或欠曝等。以上缺陷在很大程度上限制了视频图像的应用价值,给检测人员提取视频图像中的信息带来很大的不便,因此对原始图像进行增强是提高视频图像质量的有效途径。
图像增强技术是一种改善图像视觉效果、使模糊图像变得清晰或强调某些感兴趣特征的图像处理技术,一般是作为图像分析与处理时的预处理技术。图像增强技术可分为变换域方法和空间域方法两大类:(1)变换域方法在变换域中处理变换系数,最后的增强结果通过逆变换获得;(2)空间域方法直接处理图像像素灰度。其中线性增强和直方图均衡化(Histogram Equalization)是两种使用较为广泛的空间域图像增强方法。线性增强,是一种简单直接的全局增强方法,通过对图像像素值的线性放大进行图像增强;直方图均衡化,直接对图像像素的灰度级进行运算,它通过将视频图像中像素个数多的灰度级进行拉伸,将像素个数少的灰度级进行压缩,从而拓展图像像素取值范围,增加图像对比度和灰度色调变化,提高图像的清晰度。
然而当采用上述两种图像增强方法处理密闭腔体内检测的高反光图像时仍存在以下不足:
1)线性增强方法是对整张图像像素值进行线性放大,对低光照区域像素值进行放大的同时,也对明亮区域像素值进行了线性放大,造成图像局部过饱和,从而在光照不均环境下,造成图像明亮区域过饱和、局部细节丢失;
2)密闭腔体状的电力设备内部结构复杂、金属反射严重造成内部环境光照不均,光照不均的图片灰度级较宽,已经具有较强的对比度;此时,直方图均衡化图像增强方法无法拉伸局部图像的对比度,甚至会将局部图像的灰度级压缩,导致所需要的图像信息丢失;
3)通过线性增强方法或直方图均衡化增强方法处理后的图像可能会出现局部信息丢失,造成处理后的视频图像不清晰,影响检测人员的判断和检测速度,降低了视频检测的准确率和效率,增加引发电力设备更大故障的可能性。
发明内容
针对目前图像处理存在的光照不均、金属反射环境下图像信息易丢失、图像质量不高,且难以适用于密闭腔体检测图像处理的技术现状,本发明目的旨在提供一种适用于密闭腔体检测的图像增强方法及系统,对原始检测图像进行增强处理,提升图像低光照部分的可视度,还原过曝光区域的图像信息。
本发明提供的适用于密闭腔体检测的图像增强方法,首先通过基于图像熵的方法得到最佳曝光度图像,然后通过评估和融合对最佳曝光图像进行融合进行增强处理,具体包括以下步骤:
S1获取密闭腔体检测图像;
S2基于图像熵的方法对检测图像进行处理,以图像熵最高值作为图像最佳曝光率;
S3依据获取的图像最佳曝光率和图像亮度变换函数生成最佳曝光度图像;
S4依据设计的权重矩阵以及检测图像初始场景光照映射得到改进的场景光照映射,再利用改进的场景光照映射对检测图像和最佳曝光度图像进行评估得到两者的权重;
S5依据获取的检测图像和最佳曝光度图像的权重,将原始检测图像和最佳曝光度图像融合,得到融合后的图像;
S6对融合后的图像进行去噪处理得到最终增强图像。
上述适用于密闭腔体检测的图像增强方法,所述密闭腔体检测图像由设置于密闭腔体内的图像采集装置直接采集得到。所述图像采集装置可以采用本领域常规的视觉传感器、摄像机、相机等装置。
式中,k表示检测图像原始曝光率,H表示检测图像熵,g表示检测图像亮度变换函数(Brightness Transform Function),B表示检测图像中RGB颜色空间中B通道的灰度值。g可以由检测图像采集装置的响应模型得到。检测图像熵H由以下公式计算得到:
式中,pi表示灰度值为i的像素出现的概率,N设为256。
式中,Pc表示原始检测图像,c∈{R,G,B}。
上述适用于密闭腔体检测的图像增强方法,步骤S4中,按照以下公式对检测图像和最佳曝光度图像进行评估得到两者的权重:
式中,表示原图的权重,最佳曝光度图像权重则设置为L表示由检测图像得到的场景光照映射,T表示改进的场景光照映射,x表示每个像素点,λ为设定的参数常量,μ表示设定的加强率参数,||L-T||F表示Frobenious范数,x为表示每一个独立的像素点,和分别表示水平和垂直方向上的一阶导数滤波器;ε为避免分母为零设定的极小值;Mh和Mv分别为水平和垂直方向上设计的权重矩阵。
上述Mh和Mv分别按照以下公式计算得到:
其中,Ω(x)是以x为中心的选定区域,也即设定的高斯模板大小;y表示该区域内的位置索引;Gσ(x,y)由标准偏差为σ的高斯核确定。
上述适用于密闭腔体检测的图像增强方法,步骤S5中,按照以下公式将原始检测图像和最佳曝光度图像融合,得到融合后的图像Rc:
上述适用于密闭腔体检测的图像增强方法,步骤S6中,可以采用三维块匹配算法(Block Matching 3D,简称BM3D)对融合后的图像进行去噪处理。在优选的实现方式中,为了避免三维块匹配算法的处理不平衡,本发明按照以下公式采用改进的三维块匹配算法对融合后的图像进行去噪处理:
式中,PY表示融合后的图像从RGB颜色空间转换到YUV颜色空间的Y通道灰度值,Pd表示采用三维块匹配算法对PY进行去噪处理后的结果,Pf表示依据PY和Pd按照以上公式重构后的结果,即最终增强图像。
本发明进一步提供了一种适用于密闭腔体检测的图像增强系统,其包括:
图像获取模块,用于获取密闭腔体检测图像;
图像最佳曝光率估计模块,用于基于图像熵的方法对检测图像进行处理,以图像熵最高值作为图像最佳曝光率;
最佳曝光度图像生成模块,用于依据获取的图像最佳曝光率和图像亮度变换函数生成最佳曝光度图像;
图像权重估计模块,用于依据设计的权重矩阵以及检测图像初始场景光照映射得到改进的场景光照映射,再利用改进的场景光照映射对检测图像和最佳曝光度图像进行评估得到两者的权重;
图像融合模块,用于依据获取的检测图像和最佳曝光度图像的权重,将原始检测图像和最佳曝光度图像融合;
图像去噪模块,用于对融合后的图像进行去噪处理得到最终增强图像。
上述适用于密闭腔体检测的图像增强系统,所述密闭腔体检测图像由设置于密闭腔体内的图像采集装置直接采集得到,所述图像采集装置可以采用本领域常规的视觉传感器。所述图像增强系统可以设置于具有图像处理功能的上位机中,例如安装有windows系统的计算机或者置于图像采集装置内的微控制单元等。将所述图像增强系统安装于上位机中,设置于密闭腔体内的图像采集装置将采集的检测图像通过通信传输方式传输到与之连接的上位机,上位机再将利用本发明提供的图像增强系统按照前面给出的图像增强方法对检测图像进行处理。最后可以将得的的最终增强图像于上位机显示界面进行显示,给检测人员提供更为清晰的视频图像。
本发明提供的适用于密闭腔体检测的图像增强方法及系统至少具有如下优点或有益效果:
1)本发明首先通过基于图像熵的方法对原始检测图像进行处理得到图像最佳曝光率,并生成最佳曝光度图像;然后利用设计的权重矩阵对原始检测图像和最佳曝光度图像权重进行评估,并依据评估结果来对原始检测图像和最佳曝光度进行融合来增强图像,能够在增强低光照度区域可视程度的同时抑制高反光(例如金属反射等)的过度饱和区域,保证图像整体结构特征,尤其适用于结构复杂、光照不均和金属反射严重的密闭腔体(例如具有密闭腔体状的电力设备环境)内的视频图像,能够提升检测人员的视觉感受,有利于提高检测效率、安全性和准确性。
2)本发明通过提出的改进的三维块匹配算法,能够有效避免传统三维块匹配算法的不均衡处理影响。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明适用于密闭腔体检测的图像增强方法的流程示意图;
图2为蒸汽发生器第九支撑板图像;其中,(a)为原始检测图像,(b)为最终增强图像。
图3为GIS腔体内部环境图像;其中,(a)为原始检测图像,(b)为最终增强图像。
具体实施方式
为使本发明实施例的目的、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清楚、完整地描述,显然,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
实施例1
本实施例提供的适用于密闭腔体检测的图像增强方法实现于安装有windows系统的计算机。
本实施例针对的密闭腔体为蒸汽发生器,如图1所示,按照以下步骤对从该密闭腔体内采集的图像进行增强处理:
S1密闭腔体检测图像获取。
本实施例是通过视觉传感器对蒸汽发生器内部结构第九支撑板进行视频图像采集,然后通过与之连接的USB传输至嵌入式平台树莓派CM3,再由嵌入式平台树莓派CM3通过通信传输方式发送至计算机,然后对图像进行增强处理。
通过视觉传感器采集到的蒸汽发生器内部结构第九支撑板图像如图2(a)所示,低光照区域与高反光区域对比明显,难以对第九支撑板的细节进行分析。
式中,k表示检测图像原始曝光率,H表示检测图像熵,g表示检测图像亮度变换函数(Brightness Transform Function),B表示检测图像中RGB颜色空间中B通道的灰度值。g可以由检测图像采集装置的响应模型得到。
检测图像熵H由以下公式计算得到:
式中,pi表示灰度值为i的像素出现的概率,N设为256。
通过本步骤便可得到检测图像的最佳曝光率。
式中,Pc表示原始检测图像,c∈{R,G,B}。
通过本步骤便可得到基于最佳曝光率生成的最佳曝光度图像。
S4检测图像和最佳曝光度图像权重估计,依据设计的权重矩阵以及检测图像初始场景光照映射得到改进的场景光照映射,再利用改进的场景光照映射对检测图像和最佳曝光度图像进行评估得到两者的权重;具体按照以下公式对检测图像和最佳曝光度图像进行评估得到两者的权重:
式中,表示原图的权重,最佳曝光度图像权重则设置为L表示由检测图像得到的场景光照映射,T表示改进的场景光照映射,x表示每个像素点,λ为设定的参数常量,本实施例取λ=0.15,μ表示设定的加强率参数,取值0.4,||L-T||F表示Frobenious范数,和分别表示水平和垂直方向上的一阶导数滤波器;ε为避免分母为零设定的极小值,本实施例取ε=0.001;Mh和Mv分别为水平和垂直方向上设计的权重矩阵。
本步骤中,Mh和Mv分别按照以下公式计算得到:
其中,Ω(x)是以x为中心的区域,也即设定的高斯模板大小,本实施例中采用的模板大小设为1*10;y表示该区域内的位置索引;Gσ(x,y)表示高斯滤波,由标准差为σ=2的高斯核确定。
通过本步骤便可得到图像融合中原始检测图像和最佳曝光度图像各自所占的比重。
S5图像融合,依据获取的检测图像和最佳曝光度图像的权重,将原始检测图像和最佳曝光度图像融合,得到融合后的图像;具体按照以下公式将原始检测图像和最佳曝光度图像融合,得到融合后的图像Rc:
依据步骤S4得到的原始检测图像和最佳曝光度图像比重分布,将原始检测图像和最佳曝光度图像进行融合,所得的融合后的图像能够确保在抑制高反光区域过度饱和的同时增强低光照度区域的可视程度。
S6图像去噪,对融合后的图像进行去噪处理得到最终增强图像。
本步骤中,采用改进的BM3D对融合后的图像进行去噪处理。
首先,将融合后的图像从RGB颜色空间转换到YUV颜色空间,得到YUV空间的Y通道灰度值PY;
PY=0.299*R+0.587*G+0.114*B(7);
其中,PY表示YUV颜色空间Y通道灰度值,R,G,B分别表示融合后的图像中RGB颜色空间三通道的灰度值。
然后,采用常规BM3D对得到PY进行去噪处理,得到Pd。具体处理过程可以参考本领域已经披露的常规手段,例如Dabov K,Foi A,Katkovnik V,Karen E.Image denoising bysparse 3D transform-domain collaborative filtering.IEEE Transactions on ImageProcessing,2007,16(8):2080-2095。
再按照以下公式对融合后的图像进行重构:
Pf表示依据PY和Pd按照以上公式重构后的结果,即得到最终增强图像。
按照上述步骤S2-S6对步骤S1得到的最终增强图像,如图2(b)所示。从图中可以看出,通过上述图像增强方法,能够在增强低光照度区域可视程度的同时抑制高反光(例如金属反射等)的过度饱和区域,可以显示出第九支撑板的更多细节部分。
实施例2
本实施例提供的适用于密闭腔体检测的图像增强方法实现于安装有windows系统的计算机。
本实施例针对的密闭腔体为GIS腔体内部环境,如图1所示,按照以下步骤对从该密闭腔体内采集的图像进行增强处理:
S1密闭腔体检测图像获取。
本实施例是通过视觉传感器对GIS腔体内部环境进行视频图像采集,然后通过与之连接的USB传输至嵌入式平台树莓派CM3,再由嵌入式平台树莓派CM3通过通信传输方式发送至计算机,然后对图像进行增强处理。
通过视觉传感器采集到的GIS腔体内部环境图像如图3(a)所示,难以对低光照区域进行细节分析。
式中,k表示检测图像原始曝光率,H表示检测图像熵,g表示检测图像亮度变换函数(Brightness Transform Function),B表示检测图像中RGB颜色空间中B通道的灰度值。g可以由检测图像采集装置的响应模型得到。
检测图像熵H由以下公式计算得到:
式中,pi表示灰度值为i的像素出现的概率,N设为256。
通过本步骤便可得到检测图像的最佳曝光率。
式中,Pc表示原始检测图像,c∈{R,G,B}。
通过本步骤便可得到基于最佳曝光率生成的最佳曝光度图像。
S4检测图像和最佳曝光度图像权重估计,依据设计的权重矩阵以及检测图像初始场景光照映射得到改进的场景光照映射,再利用改进的场景光照映射对检测图像和最佳曝光度图像进行评估得到两者的权重;具体按照以下公式对检测图像和最佳曝光度图像进行评估得到两者的权重:
式中,表示原图的权重,最佳曝光度图像权重则设置为L表示由检测图像得到的场景光照映射,T表示改进的场景光照映射,x表示每个像素点,λ为设定的参数常量,本实施例取λ=0.15,μ表示设定的加强率参数,取值0.4,||L-T||F表示Frobenious范数,和分别表示水平和垂直方向上的一阶导数滤波器;ε为避免分母为零设定的极小值,本实施例取ε=0.001;Mh和Mv分别为水平和垂直方向上设计的权重矩阵。
本步骤中,Mh和Mv分别按照以下公式计算得到:
其中,Ω(x)是以x为中心的区域,也即设定的高斯模板大小,本实施例中采用的模板大小设为1*10;y表示该区域内的位置索引;Gσ(x,y)表示高斯滤波,由标准差为σ=2的高斯核确定。
通过本步骤便可得到图像融合中原始检测图像和最佳曝光度图像各自所占的比重。
S5图像融合,依据获取的检测图像和最佳曝光度图像的权重,将原始检测图像和最佳曝光度图像融合,得到融合后的图像;具体按照以下公式将原始检测图像和最佳曝光度图像融合,得到融合后的图像Rc:
依据步骤S4得到的原始检测图像和最佳曝光度图像比重分布,将原始检测图像和最佳曝光度图像进行融合,所得的融合后的图像能够确保在抑制高反光区域过度饱和的同时增强低光照度区域的可视程度。
S6图像去噪,对融合后的图像进行去噪处理得到最终增强图像。
本步骤中,采用改进的BM3D对融合后的图像进行去噪处理。
首先,将融合后的图像从RGB颜色空间转换到YUV颜色空间,得到YUV空间的Y通道灰度值PY;
PY=0.299*R+0.587*G+0.114*B (7);
其中,PY表示YUV颜色空间Y通道灰度值,R,G,B分别表示融合后的图像中RGB颜色空间三通道的灰度值。
然后,采用常规BM3D对得到PY进行去噪处理,得到Pd。具体处理过程可以参考本领域已经披露的常规手段,例如Dabov K,Foi A,Katkovnik V,Karen E.Image denoising bysparse 3D transform-domain collaborative filtering.IEEE Transactions on ImageProcessing,2007,16(8):2080-2095。
Pf表示依据PY和Pd按照以上公式重构后的结果,即得到最终增强图像。
按照上述步骤S2-S6对步骤S1得到的最终增强图像,如图3(b)所示。从图中可以看出,通过上述图像增强方法,能够在增强低光照度区域可视程度的同时抑制高反光(例如金属反射等)的过度饱和区域,可以显示出GIS腔体内部环境的更多细节部分,有助于提升检测人员视觉感受和检测效率。
实施例3
本实施例提供了一种适用于密闭腔体检测的图像增强系统,其包括:
图像获取模块,用于获取密闭腔体检测图像;
图像最佳曝光率估计模块,用于基于图像熵的方法对检测图像进行处理,以图像熵最高值作为图像最佳曝光率;
最佳曝光度图像生成模块,用于依据获取的图像最佳曝光率和图像亮度变换函数生成最佳曝光度图像;
图像权重估计模块,用于依据设计的权重矩阵以及检测图像初始场景光照映射得到改进的场景光照映射,再利用改进的场景光照映射对检测图像和最佳曝光度图像进行评估得到两者的权重;
图像融合模块,用于依据获取的检测图像和最佳曝光度图像的权重,将原始检测图像和最佳曝光度图像融合;
图像去噪模块,用于对融合后的图像进行去噪处理得到最终增强图像。
上述密闭腔体检测图像由设置于密闭腔体内的图像采集装置直接采集得到,图像采集装置可以采用本领域常规的视觉传感器。
上述图像增强系统可以设置于具有图像处理功能的上位机中,例如安装有windows系统的计算机或者置于图像采集装置内的微控制单元等。将该图像增强系统安装于上位机中,设置于密闭腔体内的图像采集装置将采集的检测图像通过通信传输方式传输到与之连接的上位机,上位机再将利用本发明提供的图像增强系统按照前面给出的图像增强方法对检测图像进行处理。最后可以将得的的最终增强图像于上位机显示界面进行显示,给检测人员提供更为清晰的视频图像。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种本发明提供的适用于密闭腔体检测的图像增强方法,其特征在于包括以下步骤:
S1获取密闭腔体检测图像;
S2基于图像熵的方法对检测图像进行处理,以图像熵最高值作为图像最佳曝光率;
S3依据获取的图像最佳曝光率和图像亮度变换函数生成最佳曝光度图像;
S4依据设计的权重矩阵以及检测图像初始场景光照映射得到改进的场景光照映射,再利用改进的场景光照映射对检测图像和最佳曝光度图像进行评估得到两者的权重;
S5依据获取的检测图像和最佳曝光度图像的权重,将原始检测图像和最佳曝光度图像融合,得到融合后的图像;
S6对融合后的图像进行去噪处理得到最终增强图像。
2.根据权利要求1所述适用于密闭腔体检测的图像增强方法,其特征在于步骤S1中,所述密闭腔体检测图像由图像采集装置直接采集的图像。
6.据权利要求1至5任一权利要求所述适用于密闭腔体检测的图像增强方法,其特征在于步骤S6中,采用三维块匹配算法对融合后的图像进行去噪处理。
8.一种适用于密闭腔体检测的图像增强系统,其特征在于包括:
图像获取模块,用于获取密闭腔体检测图像;
图像最佳曝光率估计模块,用于基于图像熵的方法对检测图像进行处理,以图像熵最高值作为图像最佳曝光率;
最佳曝光度图像生成模块,用于依据获取的图像最佳曝光率和图像亮度变换函数生成最佳曝光度图像;
图像权重估计模块,用于依据设计的权重矩阵以及检测图像初始场景光照映射得到改进的场景光照映射,再利用改进的场景光照映射对检测图像和最佳曝光度图像进行评估得到两者的权重;
图像融合模块,用于依据获取的检测图像和最佳曝光度图像的权重,将原始检测图像和最佳曝光度图像融合;
图像去噪模块,用于对融合后的图像进行去噪处理得到最终增强图像。
9.根据权利要求8所述适用于密闭腔体检测的图像增强系统,其特征在于图像权重估计模块,按照以下公式对检测图像和最佳曝光度图像进行评估得到两者的权重:
式中,表示原图的权重,最佳曝光度图像权重则设置为L表示由检测图像得到的场景光照映射,T表示改进的场景光照映射,x表示每个像素点,λ为设定的参数常量,μ表示设定的加强率参数,||L-T||F表示Frobenious范数,x为表示每一个独立的像素点,和分别表示水平和垂直方向上的一阶导数滤波器;ε为避免分母为零设定的极小值;Mh和Mv分别为水平和垂直方向上设计的权重矩阵;
Mh和Mv分别按照以下公式计算得到:
其中,Ω(x)是以x为中心的选定区域;y表示该区域内的位置索引;Gσ(x,y)由标准偏差为σ的高斯核确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010515372.3A CN111724332B (zh) | 2020-06-09 | 2020-06-09 | 一种适用于密闭腔体检测的图像增强方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010515372.3A CN111724332B (zh) | 2020-06-09 | 2020-06-09 | 一种适用于密闭腔体检测的图像增强方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111724332A true CN111724332A (zh) | 2020-09-29 |
CN111724332B CN111724332B (zh) | 2023-10-31 |
Family
ID=72566220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010515372.3A Active CN111724332B (zh) | 2020-06-09 | 2020-06-09 | 一种适用于密闭腔体检测的图像增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724332B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899845A (zh) * | 2015-05-10 | 2015-09-09 | 北京工业大学 | 一种基于lαβ空间场景迁移的多曝光图像融合方法 |
CN105931208A (zh) * | 2015-08-22 | 2016-09-07 | 首都师范大学 | 基于物理模型的低照度图像增强算法 |
CN107833184A (zh) * | 2017-10-12 | 2018-03-23 | 北京大学深圳研究生院 | 一种基于多曝光生成再融合框架的图像增强方法 |
US20180158176A1 (en) * | 2016-12-05 | 2018-06-07 | Kennesaw State University Research And Service Foundation, Inc. | Moran's / for impulse noise detection and removal in color images |
US20180182074A1 (en) * | 2015-06-26 | 2018-06-28 | Peking University Shenzhen Graduate School | Low-illumination image processing method and device |
CN109242795A (zh) * | 2018-08-30 | 2019-01-18 | 福建师范大学 | 一种低亮度人体组织细胞双光子显微图像的亮度增强方法 |
CN109300101A (zh) * | 2018-10-18 | 2019-02-01 | 重庆邮电大学 | 一种基于Retinex理论的多曝光图像融合方法 |
CN109636766A (zh) * | 2018-11-28 | 2019-04-16 | 南京理工大学 | 基于边缘信息增强的偏振差分与光强图像多尺度融合方法 |
CN110298792A (zh) * | 2018-03-23 | 2019-10-01 | 北京大学 | 低光照图像增强与去噪方法、系统及计算机设备 |
CN110599433A (zh) * | 2019-07-30 | 2019-12-20 | 西安电子科技大学 | 一种基于动态场景的双曝光图像融合方法 |
CN110827225A (zh) * | 2019-11-13 | 2020-02-21 | 山东科技大学 | 一种基于双重曝光框架的非均匀光照水下图像增强方法 |
CN110852982A (zh) * | 2019-11-19 | 2020-02-28 | 常州工学院 | 自适应的曝光量调整多尺度熵融合的水下图像增强方法 |
WO2020103601A1 (en) * | 2018-11-21 | 2020-05-28 | Zhejiang Dahua Technology Co., Ltd. | Method and system for generating a fusion image |
CN111223068A (zh) * | 2019-11-12 | 2020-06-02 | 西安建筑科技大学 | 基于Retinex的自适应非均匀低照度图像增强的方法 |
-
2020
- 2020-06-09 CN CN202010515372.3A patent/CN111724332B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899845A (zh) * | 2015-05-10 | 2015-09-09 | 北京工业大学 | 一种基于lαβ空间场景迁移的多曝光图像融合方法 |
US20180182074A1 (en) * | 2015-06-26 | 2018-06-28 | Peking University Shenzhen Graduate School | Low-illumination image processing method and device |
CN105931208A (zh) * | 2015-08-22 | 2016-09-07 | 首都师范大学 | 基于物理模型的低照度图像增强算法 |
US20180158176A1 (en) * | 2016-12-05 | 2018-06-07 | Kennesaw State University Research And Service Foundation, Inc. | Moran's / for impulse noise detection and removal in color images |
CN107833184A (zh) * | 2017-10-12 | 2018-03-23 | 北京大学深圳研究生院 | 一种基于多曝光生成再融合框架的图像增强方法 |
CN110298792A (zh) * | 2018-03-23 | 2019-10-01 | 北京大学 | 低光照图像增强与去噪方法、系统及计算机设备 |
CN109242795A (zh) * | 2018-08-30 | 2019-01-18 | 福建师范大学 | 一种低亮度人体组织细胞双光子显微图像的亮度增强方法 |
CN109300101A (zh) * | 2018-10-18 | 2019-02-01 | 重庆邮电大学 | 一种基于Retinex理论的多曝光图像融合方法 |
WO2020103601A1 (en) * | 2018-11-21 | 2020-05-28 | Zhejiang Dahua Technology Co., Ltd. | Method and system for generating a fusion image |
CN109636766A (zh) * | 2018-11-28 | 2019-04-16 | 南京理工大学 | 基于边缘信息增强的偏振差分与光强图像多尺度融合方法 |
CN110599433A (zh) * | 2019-07-30 | 2019-12-20 | 西安电子科技大学 | 一种基于动态场景的双曝光图像融合方法 |
CN111223068A (zh) * | 2019-11-12 | 2020-06-02 | 西安建筑科技大学 | 基于Retinex的自适应非均匀低照度图像增强的方法 |
CN110827225A (zh) * | 2019-11-13 | 2020-02-21 | 山东科技大学 | 一种基于双重曝光框架的非均匀光照水下图像增强方法 |
CN110852982A (zh) * | 2019-11-19 | 2020-02-28 | 常州工学院 | 自适应的曝光量调整多尺度熵融合的水下图像增强方法 |
Non-Patent Citations (9)
Title |
---|
LI XU 等: "Structure extraction from texture via relative total variation" * |
ZHENQIANG YING 等: "A Bio-Inspired Multi-Exposure Fusion Framework for Low-light Image Enhancement" * |
何贵 等: "一种双曝光度图像融合算法" * |
侯幸林 等: "基于局部信息熵最大的多曝光控制方法" * |
刘峰 等: "交叉双边滤波和视觉权重信息的图像融合" * |
尚长春 等: "煤矿井下机器视觉图像增强技术研究" * |
徐望明 等: "基于虚拟多曝光融合的不均匀光照图像增强方法" * |
王书朋 等: "基于自适应分割的多曝光图像融合算法" * |
罗祥 等: "基于多曝光的焊接图像融合方法" * |
Also Published As
Publication number | Publication date |
---|---|
CN111724332B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rajkumar et al. | A comparative analysis on image quality assessment for real time satellite images | |
CN108090886B (zh) | 一种高动态范围红外图像的显示与细节增强方法 | |
EP3206185B1 (en) | Image processing method, image processing device and display device | |
US9002127B2 (en) | Image dynamic range compression system, method and program | |
CN110570374B (zh) | 一种对红外传感器所获得图像的处理方法 | |
CN114119378A (zh) | 图像融合方法、图像融合模型的训练方法和装置 | |
KR101821285B1 (ko) | 열화상 이미지 개선 장치 및 방법 | |
CN110544213A (zh) | 一种基于全局和局部特征融合的图像去雾方法 | |
CN104021532A (zh) | 一种红外图像的图像细节增强方法 | |
CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
CN111476732B (zh) | 一种图像融合及去噪的方法及系统 | |
US9552629B2 (en) | Medical thermal image processing for subcutaneous detection of veins, bones and the like | |
CN112561813B (zh) | 人脸图像增强方法、装置、电子设备及存储介质 | |
CN114140481A (zh) | 一种基于红外图像的边缘检测方法、装置 | |
CN110136085B (zh) | 一种图像的降噪方法及装置 | |
CN111626944B (zh) | 一种基于时空金字塔网络和对抗自然先验的视频去模糊方法 | |
CN112927160A (zh) | 一种基于深度Retinex的单张低光图像增强方法 | |
CN111724332B (zh) | 一种适用于密闭腔体检测的图像增强方法及系统 | |
Negru et al. | Exponential image enhancement in daytime fog conditions | |
CN107895355A (zh) | 一种移动侦测和图像对比度自适应增强系统及其方法 | |
Alhajlah | Underwater Image Enhancement Using Customized CLAHE and Adaptive Color Correction. | |
Chandana et al. | An optimal image dehazing technique using dark channel prior | |
Kumari et al. | Image fusion techniques based on pyramid decomposition | |
CN111582076A (zh) | 一种基于像素运动智能感知的画面冻结检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |