CN111833271A - 一种快速有效的镜面高光图像增强方法、装置及存储介质 - Google Patents
一种快速有效的镜面高光图像增强方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111833271A CN111833271A CN202010680223.2A CN202010680223A CN111833271A CN 111833271 A CN111833271 A CN 111833271A CN 202010680223 A CN202010680223 A CN 202010680223A CN 111833271 A CN111833271 A CN 111833271A
- Authority
- CN
- China
- Prior art keywords
- image
- detail
- amplification factor
- enhancing
- layer
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000003321 amplification Effects 0.000 claims abstract description 43
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000002708 enhancing effect Effects 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 108010074864 Factor XI Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009966 trimming 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种快速有效的镜面高光图像增强方法、装置及存储介质,方法包括:采用改进后的引导滤波算法处理输入的镜面高光图像,用以增强图像的对比度,将处理后的图像分为基础层和细节层;获取改进后的代价函数即在基础层中引入所有像素的局部均方差,用于保持图像的边缘;并在LAB空间内提取亮度分量,利用限制对比度的自适应直方图均衡算法对亮度分量进行增强;在细节层中引入自适应放大因子,用于在增强细节的同时抑制噪声。经本发明处理后的图像能够很好的恢复镜面高光图像中被遮挡的局部信息,较原图像能保留更多的细节特征。
Description
技术领域
本发明涉及图像增强技术,属于图像处理领域,尤其涉及一种快速有效的镜面高光图像增强方法、装置及存储介质。
背景技术
图像处理在工业,医疗,安保等各个行业得到了广泛的应用,但在拍摄表面光滑的物体时,图像在反光的作用下容易形成高光区域。图像中的高光主要表现为高强度的像素,并且高光的存在会遮盖物体表面的纹理,损坏物体边缘的轮廓,改变物体表面的颜色,饱和的高光甚至会导致物体表面局部区域的信息完全丢失。图像中高光的存在不仅会影响图像的质量,而且还给目标检测、图像分割及物体三维重建等应用研究带来极大的干扰。
目前已有的镜面高光去除算法虽然取得了一些成果,但是在处理现实场景中的高光图像时,仍然存在一些问题:第一,对输入图像有限制,应用场景较为单一,已有的算法要求在特定对象,及特定场景下运行,在现实生活场景中并没有实际的应用价值。第二,在处理现实生活中的镜面高光图像时,已有的算法并不能去除图像中的高光分量,而且处理后的图像出现了信息丢失的问题,其普及性和实用性仍存在一定的局限性。
发明内容
本发明提供了一种快速有效的镜面高光图像增强方法、装置及存储介质,本发明处理后的镜面高光图像的边缘对比度明显增强,而且较原图像能保留更多的细节特征;本发明有效的增强了图像的清晰度和颜色特征,并解决了图像中被高光遮挡的区域纹理信息丢失的问题,详见下文描述:
第一方面,一种快速有效的镜面高光图像增强方法,所述方法包括以下步骤:
采用改进后的引导滤波算法处理输入的镜面高光图像,用以增强图像的对比度,将处理后的图像分为基础层和细节层;
获取改进后的代价函数即在基础层中引入所有像素的局部均方差,用于保持图像的边缘;并在LAB空间内提取亮度分量,利用限制对比度的自适应直方图均衡算法对亮度分量进行增强;
在细节层中引入自适应放大因子,用于在增强细节的同时抑制噪声。
在一种实现方式中,所述采用改进后的引导滤波算法处理输入的镜面高光图像具体为:
获取引导图像和滤波后的图像之间的局部线性模型,定义代价函数;
根据代价函数由线性回归分析得到窗口的常量系数的最优解表达式;
基于最优解表达式在整幅图像内采取窗口操作,最后取均值可得最终的局部线性模型。
在一种实现方式中,所述自适应放大因子是以自适应的方式求解放大系数。
在一种实现方式中,所述在细节层中引入自适应放大因子,用于在增强细节的同时抑制噪声的步骤具体为:
基于增强细节层的梯度小于等于基础层的梯度数值,获取数值1与平均系数之差,平均系数与差的商大于等于放大系数;
所述平均系数定义为与像素点位置i重叠的所有窗口的平均值;当放大系数很小时,放大系数等于平均系数与差的商;放大系数取值大于0,且平均系数小于1大于0。
在一种实现方式中:选取放大系数的指数次幂用于增强细节。
第二方面,一种快速有效的镜面高光图像增强装置,所述装置包括:
处理及划分模块,用于采用改进后的引导滤波算法处理输入的镜面高光图像,用以增强图像的对比度,将处理后的图像分为基础层和细节层;
保持及增强模块,用于获取改进后的代价函数即在基础层中引入所有像素的局部均方差,用于保持图像的边缘;并在LAB空间内提取亮度分量,利用限制对比度的自适应直方图均衡算法对亮度分量进行增强;
引入及抑制模块,用于在细节层中引入自适应放大因子,用于在增强细节的同时抑制噪声。
在一种实现方式中,所述处理及划分模块包括:
定义单元,用于获取引导图像和滤波后的图像之间的局部线性模型,定义代价函数;
第一获取单元,用于根据代价函数由线性回归分析得到窗口的常量系数的最优解表达式;
第二获取单元,用于基于最优解表达式在整幅图像内采取窗口操作,最后取均值可得最终的局部线性模型。
第三方面,一种快速有效的镜面高光图像增强装置,所述装置包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器调用存储器中存储的程序指令以使装置执行第一方面所述的方法步骤。
第四方面,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时使所述处理器执行第一方面所述的方法步骤。
本发明提供的技术方案的有益效果是:
1、本发明可以快速有效的增强现实生活场景中的镜面高光图像,具有一定的实际应用价值;
2、经本发明处理后的图像能够很好的恢复镜面高光图像中被遮挡的局部信息,较原图像能保留更多的细节特征;
3、采用本发明增强后的图像有效的提高了图像的对比度、清晰度和颜色特征,突显出边缘纹理等特征,达到良好的增强效果,满足了实际应用中的多种需要,扩展了应用性。
附图说明
图1为本发明提供的一种快速有效的镜面高光图像增强方法的流程图;
图2为本发明提供的一种快速有效的镜面高光图像增强方法的另一流程图;
图3为不同τ值处理后的图像;
其中,(a)为输入图像;(b)为τ=0.5时处理后图像;(c)为τ=1时处理后图像;(d)为τ=1.5时处理后图像。
图4为镜面高光图像的示意图;
图5为对图4增强处理后的目标图像的示意图;
图6为另一镜面高光图像的示意图;
图7为对图6增强处理后的目标图像的示意图;
图8为另一镜面高光图像的示意图;
图9为对图8增强处理后的目标图像的示意图;
图10为本发明提供的一种快速有效的镜面高光图像增强装置的结构示意图;
图11为本发明提供的处理及划分模块的结构示意图;
图12为本发明提供的引入及抑制模块的结构示意图;
图13为本发明提供的一种快速有效的镜面高光图像增强装置的另一结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
参见图1,本发明实施例提出了一种快速有效的镜面高光图像增强方法,该方法包括以下步骤:
步骤101:采用改进后的引导滤波算法处理输入的镜面高光图像,用以增强镜面高光图像的对比度,然后将处理后的镜面高光图像分为基础层和细节层;
其中,基础层代表了镜面高光图像的边缘轮廓部分,而细节层则反映了镜面高光图像的纹理细节和噪声信息。将处理后的镜面高光图像分为基础层和细节层的具体操作为本领域中的公知技术。
步骤102:在处理后的镜面高光图像的基础层中将所有像素的局部均方差引入到代价函数中,用于准确的保持镜面高光图像的边缘;并在LAB(颜色-对立)空间内提取镜面高光图像的亮度分量,利用限制对比度的自适应直方图均衡(CLAHE)算法对亮度分量进行增强,提高镜面高光图像的局部细节;
上述的提高镜面高光图像的局部细节是用于增强基础层图像的细节信息,与步骤101中的细节层无关,后续步骤将基础层和细节层单独处理后的结果进行融合,得到最终的输出图像。
其中,通过CLAHE算法处理图像的亮度分量,是增强图像中高光遮挡区域的细节信息。CLAHE算法为图像增强领域的公知技术,本发明实施例对此不做赘述。
具体实现时,像素的局部均方差、镜面高光图像的亮度分量均是图像处理领域公知的技术术语,本发明实施例对此不做赘述。
步骤103:在细节层引入自适应放大因子,避免放大系数过大细节过度增强、及放大系数过小细节被抑制的问题,使得在增强细节的同时抑制噪声。
其中,该步骤103中的自适应放大因子主要指的是以一种自适应的方式来求解放大系数。
由上述内容可知,本发明主要采用改进的引导滤波算法处理镜面高光图像。该方法通过引导滤波算法将镜面高光图像分为基础层和细节层图像,并分别在基础层和细节层加以改进,在基础层引入局部均方差和CLAHE算法,在细节层以一种自适应的方式计算放大系数。经本发明的方法处理后的镜面高光图像边缘对比度明显增强,而且较原图像能保留更多的细节特征。本发明能够很好的恢复镜面高光图像中的被遮挡的局部信息,并且有效的增强了图像的清晰度和颜色特征,满足了实际应用中的多种需要。
下面结合图2、具体的计算公式,对上述实施例中的一种快速有效的镜面高光图像增强方法进行详细地细化和扩展,该方法包括以下步骤:
步骤201:采用改进后的引导滤波算法处理镜面高光图像,用以增强镜面高光图像的对比度,并将图像分为基础层和细节层;
其中,该步骤201包括:
2011)引导滤波器的关键是引导图像I和滤波后的图像q之间的局部线性模型:
其中,(ak,bk)是窗口的常量系数,i为某一像素点的位置,ωk是以像素k为中心、以r为半径的方形窗口,半径r即为正方形的边长。引导滤波器为用于引导图的滤波器。
2012)定义代价函数:
其中,该代价函数E(ak,bk)用于求解常量系数(ak,bk),pi为位置i处的滤波器输入,ε为防止ak取值过大的调整参数,通常ε=5,如采用加权引导滤波、梯度域引导滤波以及高低通滤波等滤波算法处理镜面高光图像,本发明实施例对处理的方式不做限制,根据实际应用中的需要进行选择。
2013)根据上述公式(2),由线性回归分析可以得到(ak,bk)的最优解表达式如下:
2014)在整幅图像内采取窗口操作,最后取均值可得局部线性模型:
步骤202:在图像的基础层中将所有像素的局部均方差引入到代价函数中(构成改进后的代价函数),用于准确的保持图像的边缘;并在LAB颜色空间内提取图像的亮度分量,利用限制对比度的自适应直方图均衡(CLAHE)算法对亮度分量L进行增强,A、B分量自适应,用以提高图像的局部细节;
其中,该步骤202包括:
2021)假定X(m,n)是图像中的某点灰度值,局部区域定义为:以(m,n)为中心,窗口大小为(2g+1)×(2h+1)的区域,其中g,h均为整数,则窗口内部的平均值为:
其中,xyz为定义的窗口内部像素点的灰度值,y为该像素的横坐标,z为该像素的纵坐标。
而局部均方差为:
2022)将窗口的局部均方差代入代价函数中,可得:
在保持bk值不变的情况下,可求得ak的最优解为:
即通过上述步骤2021)-2022)构成了改进后的代价函数。
2023)在引导滤波用于图像增强时,引导图像I和原图像p是相同的,于是可知:
所以计算可得:
bk=(1-ak)μk (13)
即通过上述步骤2021)-步骤2023)实现了将所有像素的局部均方差引入到代价函数中,准确的保持了图像的边缘。
2024)将获得的基础层图像转至LAB颜色空间,并提取L分量,利用CLAHE算法处理L分量,A、B分量自适应,其中CLAHE算法主要分为以下五个步骤:
1)将基础层图像划分为大小几乎相等的若干个区域;
具体实现时,本发明实施例对区域的划分个数不做限制,通常为:l×l个子块,l的取值为4,8,16和32等,l的取值决定图像细节的增强程度,数值越大,增强效果越明显,但图像的整体感减弱,具体的l的取值可以根据实际应用中的需要进行设定。
3)获得用于裁剪直方图的修剪限制度ρ,并计算得到对比度受限值为Cl=ρAve;
其中,用于裁剪直方图的修剪限制度为:
4)对每个局部子区域对比度受限后的直方图进行均衡化,并获得每个局部子区域的中心点,将其作为样本点;
5)为了消除在增强图像过程中的块状效应,分别获取样本点的灰度值,采用双线性插值方法,基于上述样本点的灰度值计算增强图像中每个像素的灰度值。
上述双线性插值算法为本领域中的公知技术,本发明实施例对此不做赘述。
即通过上述步骤1)至5)实现了对L分量的处理。本发明实施例此处对A、B分量不做处理,具体实现时,也可以对A、B分量进行常规的技术处理,本发明实施例对此不做限制。
即通过上述步骤2024)实现了利用CLAHE算法对LAB进行处理,提高了图像的局部细节。
步骤203:在细节层引入自适应放大因子,避免放大系数过大细节过度增强、及系数过小细节被抑制的问题。
其中,该步骤203包括:
2031)在数学上,细节层v定义为:
v=I-q (15)
其中,q为基础层,是在公式(5)中定义的。
2032)增强细节层的梯度运算公式如下:
2033)计算基础层梯度的公式如下:
2034)一般情况下,增强细节层的梯度不应大于基础层的梯度数值:
由上述公式,可得放大系数ξ为:
当ξ值很小时,细节将被抑制,而噪声则被放大从而使得ξ值变大,所以将ξ值设置为:
根据公式(5)和(12),如果像素位于“高均方差”区域,则的取值将接近于1,由公式(20)可知,ξ将获得更大的值,从而使得在增强细节的同时,噪声则被抑制,造成图像的边缘附近可能被过度增强。同样,如果像素位于“平坦区域”,则的取值接近于0,然后ξ值将变小,细节将被抑制,噪声则被放大,从而抑制“平坦区域”的像素。
2035)为了解决ξ过大造成图像的边缘附近可能被过度增强这一问题,将系数τ引入到放大系数ξ中:
下面以在现实生活场景中随机拍摄的镜面高光图像为处理对象,来说明本发明实施例提供的一种快速有效的镜面高光图像增强方法的可行性,详见下文描述:
如图4、图6和图8所示,通过观察实验图像可以发现,原始图像中高光的存在主要表现为高强度的像素,并且高光的存在会遮盖物体表面的纹理,损坏物体边缘的轮廓,改变物体表面的颜色,饱和的高光甚至会导致物体表面局部区域的信息完全丢失。而且图像中高光的存在会影响图像的质量,以及后续的图像处理也会受到一定的影响。
为了验证本发明方法的有效性和可靠性,分别测量了Shen et al.,Akashial etal.,Yamamoto et al.和本发明处理后的图像。为了更加全面地测试各算法的效果,选取了包括对比度信息熵H和图像边缘强度θ作为评价指标对算法进行量化的比较。
表2.不同算法图像信息熵H对比,指标越大越好
表3.不同算法图像边缘强度θ对比,指标越大越好
通过分析上述数据,发现采用H和θ作为评价指标,本发明在增强镜面高光图像方面相较于其他算法来说具有更好的表现。如图5、图7和图9所示,采用本发明处理后的图像中能够很好的恢复出图像中高光区域的信息,并有效的提高了图像的边缘对比度、清晰度和颜色特征,而且较原图像能保留更多的细节特征。因此通过对不同场景中的镜面高光图像增强处理后的恢复效果进行比较可以得出,本发明可以快速有效的增强现实生活场景中的镜面高光图像,有一定的实际应用价值。
基于同一发明构思,作为上述方法的实现,参见图10,本发明实施例还提供了一种快速有效的镜面高光图像增强装置,详见下文描述:
处理及划分模块1,用于采用改进后的引导滤波算法处理输入的镜面高光图像,用以增强图像的对比度,将处理后的图像分为基础层和细节层;
保持及增强模块2,用于获取改进后的代价函数即在基础层中引入所有像素的局部均方差,用于保持图像的边缘;并在LAB空间内提取亮度分量,利用限制对比度的自适应直方图均衡算法对亮度分量进行增强;
引入及抑制模块3,用于在细节层中引入自适应放大因子,用于在增强细节的同时抑制噪声。
其中,上述的改进后的引导滤波算法、改进后的代价函数的描述参见上述方法实施例中的描述,本发明实施例对此不作赘述。
参见图11,在一种实现方式中,该处理及划分模块1包括:
第一定义单元11,用于获取引导图像和滤波后的图像之间的局部线性模型,定义代价函数;
第一获取单元12,用于根据代价函数由线性回归分析得到窗口的常量系数的最优解表达式;
第二获取单元13,用于基于最优解表达式在整幅图像内采取窗口操作,最后取均值可得最终的局部线性模型;
划分单元14:用于将处理后的图像分为基础层和细节层。
参见图12,在一种实现方式中,该引入及抑制模块3包括:
第三获取单元31,基于增强细节层的梯度小于等于基础层的梯度数值,获取数值1与平均系数之差,平均系数与差的商大于等于放大系数;
第二定义单元32,平均系数定义为与像素点位置i重叠的所有窗口的平均值;
第四获取单元33,当放大系数很小时,放大系数等于平均系数与差的商;放大系数取值大于0,且平均系数小于1大于0。
这里需要指出的是,以上实施例中的装置描述是与上述方法实施例描述相对应的,本发明实施例在此不做赘述。
上述各个模块、单元的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件,具体实现时,本发明实施例对执行主体不做限制,根据实际应用中的需要进行选择。
基于同一发明构思,本发明实施例还提供了一种快速有效的镜面高光图像增强装置,参见图13,该装置包括:处理器4和存储器5,存储器4中存储有程序指令,处理器5调用存储器4中存储的程序指令以使装置执行实施例中的以下方法步骤:
采用改进后的引导滤波算法处理输入的镜面高光图像,用以增强图像的对比度,将处理后的图像分为基础层和细节层;
获取改进后的代价函数即在基础层中引入所有像素的局部均方差,用于保持图像的边缘;并在LAB空间内提取亮度分量,利用限制对比度的自适应直方图均衡算法对亮度分量进行增强;
在细节层中引入自适应放大因子,用于在增强细节的同时抑制噪声。
在一种实现方式中,处理器4采用改进后的引导滤波算法处理输入的镜面高光图像时,具体可以执行以下任一操作:
获取引导图像和滤波后的图像之间的局部线性模型,定义代价函数;
根据代价函数由线性回归分析得到窗口的常量系数的最优解表达式;
基于最优解表达式在整幅图像内采取窗口操作,最后取均值可得最终的局部线性模型。
在一种实现方式中,处理器4在细节层中引入自适应放大因子,用于在增强细节的同时抑制噪声时,具体可以执行以下任一操作:
基于增强细节层的梯度小于等于基础层的梯度数值,获取数值1与平均系数之差,平均系数与差的商大于等于放大系数;
平均系数定义为与像素点位置i重叠的所有窗口的平均值;当放大系数很小时,放大系数等于平均系数与差的商;放大系数取值大于0,且平均系数小于1大于0。
在一种实现方式中,处理器4还包括:选取放大系数的指数次幂用于增强细节。
这里需要指出的是,以上实施例中的装置描述是与实施例中的方法描述相对应的,本发明实施例在此不做赘述。
上述的处理器和存储器的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件,具体实现时,本发明实施例对执行主体不做限制,根据实际应用中的需要进行选择。
存储器5和处理器4之间通过总线6传输数据信号,本发明实施例对此不做赘述。
基于同一发明构思,本发明实施例还提供了一种计算机可读存储介质,存储介质包括存储的程序,在程序运行时控制存储介质所在的设备执行上述实施例中的方法步骤。
该计算机可读存储介质包括但不限于快闪存储器、硬盘、固态硬盘等。
这里需要指出的是,以上实施例中的可读存储介质描述是与实施例中的方法描述相对应的,本发明实施例在此不做赘述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。
计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者通过计算机可读存储介质进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质或者半导体介质等。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (9)
1.一种快速有效的镜面高光图像增强方法,其特征在于,所述方法包括以下步骤:
采用改进后的引导滤波算法处理输入的镜面高光图像,用以增强图像的对比度,将处理后的图像分为基础层和细节层;
获取改进后的代价函数即在基础层中引入所有像素的局部均方差,用于保持图像的边缘;并在LAB空间内提取亮度分量,利用限制对比度的自适应直方图均衡算法对亮度分量进行增强;
在细节层中引入自适应放大因子,用于在增强细节的同时抑制噪声。
2.根据权利要求1所述的一种快速有效的镜面高光图像增强方法,其特征在于,所述采用改进后的引导滤波算法处理输入的镜面高光图像具体为:
获取引导图像和滤波后的图像之间的局部线性模型,定义代价函数;
根据代价函数由线性回归分析得到窗口的常量系数的最优解表达式;
基于最优解表达式在整幅图像内采取窗口操作,最后取均值可得最终的局部线性模型。
3.根据权利要求1所述的方法,其特征在于,所述自适应放大因子是以自适应的方式求解放大系数。
4.根据权利要求3所述的方法,其特征在于,所述在细节层中引入自适应放大因子,用于在增强细节的同时抑制噪声的步骤具体为:
基于增强细节层的梯度小于等于基础层的梯度数值,获取数值1与平均系数之差,平均系数与差的商大于等于放大系数;
所述平均系数定义为与像素点位置i重叠的所有窗口的平均值;当放大系数很小时,放大系数等于平均系数与差的商;放大系数取值大于0,且平均系数小于1大于0。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:选取放大系数的指数次幂用于增强细节。
6.一种快速有效的镜面高光图像增强装置,其特征在于,所述装置包括:
处理及划分模块,用于采用改进后的引导滤波算法处理输入的镜面高光图像,用以增强图像的对比度,将处理后的图像分为基础层和细节层;
保持及增强模块,用于获取改进后的代价函数即在基础层中引入所有像素的局部均方差,用于保持图像的边缘;并在LAB空间内提取亮度分量,利用限制对比度的自适应直方图均衡算法对亮度分量进行增强;
引入及抑制模块,用于在细节层中引入自适应放大因子,用于在增强细节的同时抑制噪声。
7.根据权利要求6所述的一种快速有效的镜面高光图像增强装置,其特征在于,所述处理及划分模块包括:
定义单元,用于获取引导图像和滤波后的图像之间的局部线性模型,定义代价函数;
第一获取单元,用于根据代价函数由线性回归分析得到窗口的常量系数的最优解表达式;
第二获取单元,用于基于最优解表达式在整幅图像内采取窗口操作,最后取均值可得最终的局部线性模型。
8.一种快速有效的镜面高光图像增强装置,其特征在于,所述装置包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-5中的任一项所述的方法步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时使所述处理器执行权利要求1-5中的任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010680223.2A CN111833271A (zh) | 2020-07-15 | 2020-07-15 | 一种快速有效的镜面高光图像增强方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010680223.2A CN111833271A (zh) | 2020-07-15 | 2020-07-15 | 一种快速有效的镜面高光图像增强方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833271A true CN111833271A (zh) | 2020-10-27 |
Family
ID=72924181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010680223.2A Pending CN111833271A (zh) | 2020-07-15 | 2020-07-15 | 一种快速有效的镜面高光图像增强方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833271A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284058A (zh) * | 2021-04-16 | 2021-08-20 | 大连海事大学 | 一种基于迁移理论的水下图像增强方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127708A (zh) * | 2016-06-24 | 2016-11-16 | 华东师范大学 | 一种基于lab颜色空间的彩色眼底图像增强方法 |
CN106127709A (zh) * | 2016-06-24 | 2016-11-16 | 华东师范大学 | 一种低照度彩色眼底图像判断方法与增强方法 |
CN108460743A (zh) * | 2018-03-19 | 2018-08-28 | 西安因诺航空科技有限公司 | 一种基于暗通道的无人机航拍图像去雾算法 |
CN110675340A (zh) * | 2019-09-16 | 2020-01-10 | 重庆邮电大学 | 一种基于改进的非局部先验的单幅图像去雾方法及介质 |
-
2020
- 2020-07-15 CN CN202010680223.2A patent/CN111833271A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127708A (zh) * | 2016-06-24 | 2016-11-16 | 华东师范大学 | 一种基于lab颜色空间的彩色眼底图像增强方法 |
CN106127709A (zh) * | 2016-06-24 | 2016-11-16 | 华东师范大学 | 一种低照度彩色眼底图像判断方法与增强方法 |
CN108460743A (zh) * | 2018-03-19 | 2018-08-28 | 西安因诺航空科技有限公司 | 一种基于暗通道的无人机航拍图像去雾算法 |
CN110675340A (zh) * | 2019-09-16 | 2020-01-10 | 重庆邮电大学 | 一种基于改进的非局部先验的单幅图像去雾方法及介质 |
Non-Patent Citations (5)
Title |
---|
ALI M. REZA: "Realization of the Contrast Limited Adaptive Histogram Equalization", 《JOURNAL OF VLSI SIGNAL PROCESSING 》 * |
ZONGWEI LU: "Effective Guided Image Filtering for Contrast Enhancement", 《IEEE SIGNAL PROCESSING LETTERS ( VOLUME: 25, ISSUE: 10, OCT. 2018)》 * |
覃锡忠: "基于梯度方向图像局部增强的车牌定位算法", 《新疆大学学报(自然科学版)》 * |
詹翔等: "一种基于局部方差的雾天图像增强方法", 《计算机应用》 * |
魏德志: "基于改进的 CLAHE显微细胞图像增强算法", 《计算机技术与发展》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284058A (zh) * | 2021-04-16 | 2021-08-20 | 大连海事大学 | 一种基于迁移理论的水下图像增强方法 |
CN113284058B (zh) * | 2021-04-16 | 2024-04-16 | 大连海事大学 | 一种基于迁移理论的水下图像增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805023B (zh) | 一种图像检测方法、装置、计算机设备及存储介质 | |
Wu et al. | Anti-forensics of median filtering | |
US20180122051A1 (en) | Method and device for image haze removal | |
EP1093087B1 (en) | Removing chroma noise from digital images by using variable shape pixel neighborhood regions | |
CN106846276B (zh) | 一种图像增强方法及装置 | |
CN110889812B (zh) | 一种多尺度融合图像特征信息的水下图像增强方法 | |
US9443286B2 (en) | Gray image processing method and apparatus based on wavelet transformation | |
CN111968062B (zh) | 基于暗通道先验镜面高光图像增强方法、装置及存储介质 | |
CN112381727B (zh) | 一种图像去噪方法、装置、计算机设备和存储介质 | |
CN107230208B (zh) | 一种高斯噪声的图像噪声强度估计方法 | |
WO2005032122A1 (en) | Denoising method and apparatus | |
CN110717922A (zh) | 一种图像清晰度评价方法及装置 | |
CN110782406B (zh) | 一种基于信息蒸馏网络的图像去噪方法及装置 | |
CN115619683B (zh) | 图像处理方法、装置、设备、存储介质和计算机程序产品 | |
Yu et al. | Underwater image enhancement based on color-line model and homomorphic filtering | |
CN107451986B (zh) | 一种基于融合技术的单幅红外图像增强方法 | |
Wu et al. | A novel scheme for infrared image enhancement by using weighted least squares filter and fuzzy plateau histogram equalization | |
Hassan et al. | A cascaded approach for image defogging based on physical and enhancement models | |
CN111833271A (zh) | 一种快速有效的镜面高光图像增强方法、装置及存储介质 | |
WO2022016326A1 (zh) | 图像处理方法、电子设备和计算机可读介质 | |
CN116912115A (zh) | 一种水下图像自适应增强方法、系统、设备及存储介质 | |
CN107622269A (zh) | 复杂背景下基于几何约束的熔丝管管体识别方法 | |
Khellah | Textured image denoising using dominant neighborhood structure | |
KR20130088238A (ko) | 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법 | |
Zhu et al. | Two-stage non-local means filtering with adaptive smoothing parameter |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201027 |
|
WD01 | Invention patent application deemed withdrawn after publication |