CN112419209B - 一种全局直方图均衡的图像增强方法 - Google Patents
一种全局直方图均衡的图像增强方法 Download PDFInfo
- Publication number
- CN112419209B CN112419209B CN202011347659.6A CN202011347659A CN112419209B CN 112419209 B CN112419209 B CN 112419209B CN 202011347659 A CN202011347659 A CN 202011347659A CN 112419209 B CN112419209 B CN 112419209B
- Authority
- CN
- China
- Prior art keywords
- histogram
- global
- gamma value
- image
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 2
- 230000007547 defect Effects 0.000 abstract description 3
- 230000008447 perception Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000016776 visual perception 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种全局直方图均衡的图像增强方法,包括如下步骤:对输入图像的直方图进行均值归一化,将直方图分割成左右两个子直方图,伽马值以设定步进进行遍历,并对全局直方图进行校正;计算左右两个子直方图的大小差异,记对应伽马值为最佳伽马值,利用最佳伽马值对全局直方图进行处理;根据最佳伽马值,确定第二伽马值,利用所述第二伽马值对全局直方图中小于1的数据作进一步的校正;计算利用自适应伽马校正模型得到的左右两个子直方图的大小,根据左右两个子直方图的大小差异对子直方图进行调整;对调整后的全局直方图进行均衡,得到结果图像;本发明的方法解决了传统的直方图均衡过增强和欠增强等不足,使得处理过后均衡化的图像变得舒适自然,更贴近人眼亮度感知。
Description
技术领域
本发明涉及图像增强领域,特别是指一种全局直方图均衡的图像增强方法。
背景技术
图像增强对提高数字图像的视觉感知具有重要作用,它不仅改善了图像的外观,还揭示了非正常亮度图像的细节。传统的直方图均衡是应用最广泛的图像增强方法,它利用图像的累积密度函数将较窄的灰度级范围映射到较宽的灰度级范围,从而产生均匀的概率分布函数,实现图像熵的最大化。然而,由于优势灰度的存在,使得被处理图像存在过增强和欠增强的情况。此外,它还会产生一些不好的伪影,如噪声放大、边缘效应,并且改变原始图像的亮度,故该方法不适用于大多数消费电子产品。
为克服传统的直方图均衡带来的弊端,出现了许多直方图均衡改进算法,如亮度保持双直方图均衡、基于曝光的子图像直方图均衡、自适应伽马校正等,然而这些算法在解决某一问题的同时却放大了另一问题,如基于曝光的子图像直方图均衡很好地避免了图像的过增强,却在局部细节增强上表现地更为欠缺。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种全局直方图均衡的系统框架方法,用以解决传统的直方图均衡过增强和欠增强等不足,使得处理过后均衡化的图像变得舒适自然,更贴近人眼亮度感知。
本发明采用如下技术方案:
一种全局直方图均衡的图像增强方法,包括如下步骤:
对输入图像的全局直方图进行均值归一化,利用图像均值将全局直方图分割成左右两个子直方图,伽马值以设定步进进行遍历,将每次遍历的伽马值用于对全局直方图进行校正,得到各个校正后的全局直方图;
根据各个校正后的全局直方图,计算左右两个子直方图的大小差异,记差异最小的伽马值为最佳伽马值,利用所述最佳伽马值对全局直方图进行处理,得到最佳伽马值处理后的全局直方图;
根据最佳伽马值,确定第二伽马值,利用所述第二伽马值对最佳伽马值处理后的全局直方图中小于1的数据作进一步的校正;
计算利用自适应伽马校正模型得到的左右两个子直方图之和,根据左右两个子直方图的大小差异通过加调整量的方式对全局直方图进行调整,使得左右两个子直方图的累计概率分布相等;
对调整后的全局直方图进行均衡,得到结果图像。
具体地,所述对输入图像的全局直方图进行均值归一化,利用图像均值将全局直方图分割成左右两个子直方图,伽马值以设定步进进行遍历,将每次遍历的伽马值用于对全局直方图进行校正,得到各个校正后的全局直方图,还包括:
利用图像均值将全局直方图分割成左右两个子直方图,计算左右两个子直方图的初始大小,以均值点映射作为全局直方图调整的基础。
具体地,所述根据各个校正后的全局直方图,计算左右两个子直方图的大小差异,记差异最小的伽马值为最佳伽马值,利用所述最佳伽马值对全局直方图进行处理,得到最佳伽马值处理后的全局直方图;具体还包括:
计算左右两个子直方图的大小差异,将差值存入一维数组,通过一维数组找到左右子直方图的最小差值索引pos,记其对应的伽马值为最佳伽马值,计算公式为:bestgamma1=(pos-1)*rstep+rstar,其中rstep为遍历的步进,rstar为遍历的起始值;
利用所述最佳伽马值对全局直方图进行处理,得到最佳伽马值处理后的全局直方图,具体为:
gcHist=normHist.^bestgamma1;
其中normHist为均值归一化的全局直方图,gcHist为利用最佳伽马值处理后的全局直方图。
具体地,所述根据最佳伽马值,确定第二伽马值,所述第二伽马值具体为:
bestgamma2=1-bestgamma1
具体地,所述利用所述第二伽马值对最佳伽马值处理后的全局直方图中小于1的数据作进一步的校正,具体为:
gcHist'(gcHist<1)=(gcHist(gcHist<1)).^bestgamma2。
具体地,计算利用自适应伽马校正模型得到的左右两个子直方图之和,根据左右两个子直方图的大小差异通过加调整量的方式对全局直方图进行调整,使得左右两个子直方图的累计概率分布相等,具体为:
if leftHistSum<rightHistSum
delta=(rightHistSum-leftHistSum)/leftDR,
gcHist”((Lmin+1):imgMean)=gcHist((Lmin+1):imgMean)+delta
if leftHistSum>rightHistSum
delta=(leftHistSum-rightHistSum)/rightDR,
gcHist”((imgMean+1):(Lmax+1))=gcHist((imgMean+1):(Lmax+1))+delta
其中,leftHistSum为左子直方图数值之和,rightHistSum为右子直方图数值之和,leftDR为左子直方图的动态范围,rightDR为右子直方图的动态范围,delta为调整量,imgMean为图像均值,Lmin为图像动态范围内像素最小值,Lmax为图像动态方位内像素最大值。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
(1)本发明提供的是一种全局直方图均衡的图像增强方法,采用自适应伽马校正模型确定最佳伽马值对直方图进行处理,避免图像过度增强同时对细节部分也做了相应提升,之后还对左右子直方图进行了调整,保证了结果图像的亮度和对比度的适中。
(2)本发明提供的方法,参数自适应,对不同图像采取循环遍历的方式,找到使得处理图像均值映射到最佳值的最佳伽马值,并以此确定小数据伽马校正参数,有效提升图像细节;且算法复杂度低,执行高效。
附图说明
图1为本发明提供的全局直方图均衡的图像增强方法实现的整体流程图;
图2为本发明方法实施的效果对比图,其中图2(a)为原图,图2(b)为利用本发明方法进行图像增强的效果图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
以下将根据图1来说明本发明的进一步具体实施方式。
如图1所示流程,本发明为一种全局直方图均衡的系统框架方法,包括:统计均值归一化直方图;循环遍历伽马值,将每次遍历的伽马值用于对全局直方图进行校正;选取最佳伽马值对直方图进行处理;对小于1的直方图数据做进一步校正;调整左右子直方图;均衡调整后的直方图,得到结果图像。
预先假设图像为8比特灰度图像,有row行col列,其最小灰度级Lmin为0,最大灰度级Lmax为255,整个动态范围DRange=Lmax-Lmin+1,输入图像直方图记为hist,计算得到输入图像像素均值记为imgMean。
以下详细描述本发明的具体实施方式:
S1:对输入图像的全局直方图进行均值归一化,利用图像均值将全局直方图分割成左右两个子直方图,伽马值以设定步进进行遍历,将每次遍历的伽马值用于对全局直方图进行校正,得到各个校正后的全局直方图;
均值归一化输入直方图hist,即normHist=hist/row/col*DRange,以图像像素均值imgMean为分割点将均值归一化后的全局直方图normHist分成两部分,左子直方图leftHist和右子直方图rightHist,它们的动态范围分别记为leftDR和rightDR;
S2:根据变化的伽马值对全局直方图进行校正,计算左右两个子直方图数值和的差异,记差异最小的伽马值为最佳伽马值,利用所述最佳伽马值对全局直方图进行处理,得到最佳伽马值处理后的全局直方图;
伽马值r从初始值rstar为0开始,以rstep为0.025的步进长度进行循环遍历,直到rend为1结束,将每次遍历的伽马值用于对全局直方图进行校正hr=normHist.^r,得到各个对应调整后的直方图hr,计算当次左右子直方图的数值和,将它们的差值存入一个一维数组diff_hr,通过这个一维数组diff_hr找到左右子直方图的最小差值索引pos,计算其对应的最佳伽马值bestgamma1,实施方式为:
[value,pos]=min(abs(diff_hr))
bestgamma1=(pos-1)*rstep+rstar
gcHist=normHist.^bestgamma1;
S3:根据最佳伽马值,确定第二伽马值,利用所述第二伽马值对最佳伽马值处理后的全局直方图中小于1的数据作进一步的校正;
根据最佳伽马值bestgamma1计算另一个伽马校正参数bestgamma2,对bestgamma1校正过后的均值归一化直方图gcHist小于1的部分做进一步校正,实施方式为:
bestgamma2=1-bestgamma1
gcHist(gcHist<1)=(gcHist(gcHist<1)).^bestgamma2;
S4:计算利用自适应伽马校正模型得到的左右两个子直方图之和,根据左右两个子直方图的大小差异通过加调整量的方式对全局直方图进行调整,使得左右两个子直方图的累计概率分布相等;
分别计算利用自适应伽马校正模型得到的左右子直方图之和,记为leftHistSum和rightHistSum,将两者进行比较,使左右直方图之和相等,实施方式为:
if leftHistSum<rightHistSum
delta=(rightHistSum-leftHistSum)/leftDR,
gcHist((Lmin+1):imgMean)=gcHist((Lmin+1):imgMean)+delta
if leftHistSum>rightHistSum
delta=(leftHistSum-rightHistSum)/rightDR,
gcHist((imgMean+1):(Lmax+1))=gcHist((imgMean+1):(Lmax+1))+delta;
其中,leftHistSum为左子直方图数值之和,rightHistSum为右子直方图数值之和,leftDR为左子直方图的动态范围,rightDR为右子直方图的动态范围,delta为调整量,imgMean为图像像素均值,Lmin为图像动态范围内最小像素值,Lmax为图像动态范围内最大像素值
S5:对调整后的全局直方图进行均衡,得到结果图像。
根据调整后的直方图gcHist进行原始图像的直方图均衡操作,得到具有亮度自适应保持能力的对比度增强的结果图像。
图2为本发明实施的效果对比,其中图2(a)为输入图像,图2(b)为结果图像。从结果图像可以看出,本发明提供的是一种全局直方图均衡的系统框架方法,采用自适应伽马校正模型确定最佳伽马值对直方图进行处理,避免图像过度增强同时对细节部分也做了相应提升,之后还对左右子直方图进行了调整,保证了结果图像的亮度和对比度的适中。
本发明提供的是一种全局直方图均衡的图像增强方法,采用自适应伽马校正模型确定最佳伽马值对直方图进行处理,避免图像过度增强同时对细节部分也做了相应提升,之后还对左右子直方图进行了调整,保证了结果图像的亮度和对比度的适中;此外,本发明提供的方法,参数自适应,对不同图像采取循环遍历的方式,找到使得处理图像均值映射到127.5的最佳伽马值,并以此确定小数据伽马校正参数,有效提升图像细节;且算法复杂度低,执行高效。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (5)
1.一种全局直方图均衡的图像增强方法,其特征在于,包括如下步骤:
对输入图像的全局直方图进行均值归一化,利用图像均值将全局直方图分割成左右两个子直方图,伽马值以设定步进进行遍历,将每次遍历的伽马值用于对全局直方图进行校正,得到各个校正后的全局直方图;
根据各个校正后的全局直方图,计算左右两个子直方图的大小差异,记差异最小的伽马值为最佳伽马值,利用所述最佳伽马值对全局直方图进行处理,得到最佳伽马值处理后的全局直方图;
根据最佳伽马值,确定第二伽马值,利用所述第二伽马值对最佳伽马值处理后的全局直方图中小于1的数据作进一步的校正;
计算利用自适应伽马校正模型得到的左右两个子直方图之和,根据左右两个子直方图的大小差异通过加调整量的方式对全局直方图进行调整,使得左右两个子直方图的累计概率分布相等;
对调整后的全局直方图进行均衡,得到结果图像;
所述根据各个校正后的全局直方图,计算左右两个子直方图的大小差异,记差异最小的伽马值为最佳伽马值,利用所述最佳伽马值对全局直方图进行处理,得到最佳伽马值处理后的全局直方图;具体还包括:
计算左右两个子直方图的大小差异,将差值存入一维数组,通过一维数组找到左右子直方图的最小差值索引pos,记其对应的伽马值为最佳伽马值,计算公式为:
bestgamma1=(pos-1)*rstep+rstar;
其中rstep为遍历的步进,rstar为遍历的起始值;
利用所述最佳伽马值对全局直方图进行处理,得到最佳伽马值处理后的全局直方图,具体为:
gcHist=normHist.^bestgamma1;
其中normHist为均值归一化的全局直方图,gcHist为利用最佳伽马值处理后的全局直方图,.^表示对变量中的每一个分量逐点进行幂函数操作。
2.根据权利要求1所述的一种全局直方图均衡的图像增强方法,其特征在于,所述对输入图像的全局直方图进行均值归一化,利用图像均值将全局直方图分割成左右两个子直方图,伽马值以设定步进进行遍历,将每次遍历的伽马值用于对全局直方图进行校正,得到各个校正后的全局直方图,还包括:
利用图像均值将全局直方图分割成左右两个子直方图,计算左右两个子直方图的初始大小,以均值点映射作为全局直方图调整的基础。
3.根据权利要求2所述的一种全局直方图均衡的图像增强方法,其特征在于,所述根据最佳伽马值,确定第二伽马值,所述第二伽马值具体为:
bestgamma2=1-bestgamma1。
4.根据权利要求3所述的一种全局直方图均衡的图像增强方法,其特征在于,所述利用所述第二伽马值对最佳伽马值处理后的全局直方图中小于1的数据作进一步的校正,具体为:
gcHist'(gcHist<1)=(gcHist(gcHist<1)).^bestgamma2
其中,.^表示对变量中的每一个分量逐点进行幂函数操作。
5.根据权利要求4所述的一种全局直方图均衡的图像增强方法,其特征在于,计算利用自适应伽马校正模型得到的左右两个子直方图之和,根据左右两个子直方图的大小差异通过加调整量的方式对全局直方图进行调整,使得左右两个子直方图的累计概率分布相等,具体为:
if leftHistSum<rightHistSum
delta=(rightHistSum-leftHistSum)/leftDR,
gcHist”((Lmin+1):imgMean)=gcHist((Lmin+1):imgMean)+delta
if leftHistSum>rightHistSum
delta=(leftHistSum-rightHistSum)/rightDR,
gcHist”((imgMean+1):(Lmax+1))=gcHist((imgMean+1):(Lmax+1))+delta
其中,leftHistSum为左子直方图数值之和,rightHistSum为右子直方图数值之和,leftDR为左子直方图的动态范围,rightDR为右子直方图的动态范围,delta为调整量,imgMean为图像像素均值,Lmin为图像动态范围内最小像素值,Lmax为图像动态范围内最大像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011347659.6A CN112419209B (zh) | 2020-11-26 | 2020-11-26 | 一种全局直方图均衡的图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011347659.6A CN112419209B (zh) | 2020-11-26 | 2020-11-26 | 一种全局直方图均衡的图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419209A CN112419209A (zh) | 2021-02-26 |
CN112419209B true CN112419209B (zh) | 2023-05-26 |
Family
ID=74843261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011347659.6A Active CN112419209B (zh) | 2020-11-26 | 2020-11-26 | 一种全局直方图均衡的图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419209B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018741A (zh) * | 2022-06-07 | 2022-09-06 | 成都微光集电科技有限公司 | 一种图像处理方法和装置 |
CN117649347B (zh) * | 2024-01-30 | 2024-04-19 | 宁乡爱尔眼科医院有限公司 | 基于超广角眼底成像的远程眼检方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3054416A1 (en) * | 2015-02-06 | 2016-08-10 | Universitat Pompeu-Fabra | Method, system and device for generating more natural images |
CN110599415A (zh) * | 2019-08-29 | 2019-12-20 | 西安电子科技大学 | 基于局部自适应伽马校正的图像对比度增强实现方法 |
CN111080563A (zh) * | 2019-12-13 | 2020-04-28 | 华侨大学 | 一种基于遍历寻优的直方图均衡方法 |
CN111161163A (zh) * | 2019-12-05 | 2020-05-15 | 华侨大学 | 一种直方图双重伽马校正的红外图像对比度增强方法 |
-
2020
- 2020-11-26 CN CN202011347659.6A patent/CN112419209B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3054416A1 (en) * | 2015-02-06 | 2016-08-10 | Universitat Pompeu-Fabra | Method, system and device for generating more natural images |
CN110599415A (zh) * | 2019-08-29 | 2019-12-20 | 西安电子科技大学 | 基于局部自适应伽马校正的图像对比度增强实现方法 |
CN111161163A (zh) * | 2019-12-05 | 2020-05-15 | 华侨大学 | 一种直方图双重伽马校正的红外图像对比度增强方法 |
CN111080563A (zh) * | 2019-12-13 | 2020-04-28 | 华侨大学 | 一种基于遍历寻优的直方图均衡方法 |
Non-Patent Citations (2)
Title |
---|
基于粒子群优化的红外图像增强方法;李灿林;刘金华;宋胜利;吴庆岗;毕丽华;;科学技术与工程(15);全文 * |
改进的自适应伽马变换图像增强算法仿真;韩梦妍 等;《计算机仿真》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112419209A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365424B (zh) | 基于局部自适应clahe的红外图像去噪增强方法、装置、系统与计算机可读存储介质 | |
TWI473039B (zh) | 影像的動態範圍壓縮與局部對比增強方法及影像處理裝置 | |
CN112419209B (zh) | 一种全局直方图均衡的图像增强方法 | |
US8295596B1 (en) | Adaptive histogram-based video contrast enhancement | |
CN108830800B (zh) | 一种暗光场景下图像的亮度提升增强方法 | |
US9396526B2 (en) | Method for improving image quality | |
US8265391B1 (en) | Localized, adaptive video contrast enhancement using controlled histogram equalization | |
JP2001216512A (ja) | テクスチャのノイズ依存制御を有するディジタル画像を改善する方法 | |
CN108280836B (zh) | 一种图像处理方法及装置 | |
US7889942B2 (en) | Dynamic range compensation-dependent noise reduction | |
CN112598607B (zh) | 基于改进加权clahe的内窥镜图像血管增强算法 | |
CN114187222A (zh) | 一种低照度图像的增强方法、系统及可存储介质 | |
CN112488968B (zh) | 一种分程度直方图均衡融合的图像增强方法 | |
CN112419195A (zh) | 一种非线性变换的图像增强方法 | |
CN111080563B (zh) | 一种基于遍历寻优的直方图均衡方法 | |
CN110415185B (zh) | 一种改进的Wallis阴影自动补偿方法及装置 | |
CN114283076B (zh) | 一种基于透射率和clahe算法的图像处理方法 | |
US20080292209A1 (en) | Dynamic Range Compensation-Dependent Noise Reduction | |
CN115835036A (zh) | 一种基于自适应伽马校正的红外图像压缩方法 | |
CN106897980B (zh) | 基于局部方差的自适应空域降噪方法 | |
CN115334294A (zh) | 一种本地自适应力度的视频降噪方法 | |
CN114331925A (zh) | 一种多尺度相对梯度直方图均衡化方法及装置 | |
US7773824B2 (en) | Signal processing device and method, recording medium, and program | |
CN112801905B (zh) | 一种亮度可调自适应对比度增强方法 | |
CN113077404B (zh) | 一种图像对比度提升的方法 |
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 |