CN113344810A - 基于动态数据分布的图像增强方法 - Google Patents
基于动态数据分布的图像增强方法 Download PDFInfo
- Publication number
- CN113344810A CN113344810A CN202110598628.6A CN202110598628A CN113344810A CN 113344810 A CN113344810 A CN 113344810A CN 202110598628 A CN202110598628 A CN 202110598628A CN 113344810 A CN113344810 A CN 113344810A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- image enhancement
- pixel block
- value
- 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 69
- 238000009826 distribution Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000007405 data analysis Methods 0.000 claims description 16
- 238000000638 solvent extraction Methods 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000005549 size reduction Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims 2
- 230000000903 blocking effect Effects 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 11
- 238000001914 filtration Methods 0.000 description 9
- 238000003672 processing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002146 bilateral effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 231100000225 lethality Toxicity 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G06T5/94—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Abstract
本发明属于图像增强技术领域,具体涉及基于动态数据分布的图像增强方法及装置。本发明通过将待处理图像进行分块处理,依照到待处理图像中需要进行增强的部分,再对分块处理后的结果再次进行分块处理,以找到需要进行增强的区域,实现了图像增强的精准定位;一方面,可以降低图像增强所需要耗费的系统资源,因为只需要对需要增强的区域进行增强即可;另一方面,因为避免了对不需要增强的区域进行过度增强,降低图像质量;同时,本发明使用基于像素点的图像增强算法,对需要增强的区域的每个像素点进行操作,以提升图像增强的效果;最后,本发明还通过动态分析和增强准确性检测来确保图像增强的准确性,进一步提升增强后的图像质量。
Description
技术领域
本发明属于图像增强技术领域,具体涉及基于动态数据分布的图像增强方法。
背景技术
图像在获取的过程中有可能会受到成像设备动态范围大小、环境光线强弱等因素的影响,导致图像出现对比度较低、图像信息不明显、颜色失真、目标的轮廓或者边界信息清晰度不够等现象,给人类视觉观察和机器分析处理带来困难,因而需要对图像进行增强处理。
图像增强是针对给定图像的应用场合,有目的地强调图像的整体或局部特性,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足某些特殊分析的需要。它可以突出某些感兴趣的区域,降低一些无用的信息影响,改善图像的视觉效果,提高图像使用价值。在医学诊断、人脸识别、遥感图像等领域,图像识别得到了广泛应用。经典的图像增强算法主要有:直方图均衡法、小波变换法、同态滤波法和Retinex算法等。
Retinex是Land等提出的一个关于人类视觉系统如何调节感知到物体的颜色和亮度的模型,它表示同样的物体在不同的光源或光线底下颜色恒定的。它将图像I(x,y)分为两部分,即亮度图像(低频部分)和反射图像(高频部分),分别用L(x,y)和R(x,y)表示。通过改变亮度图像和反射图像在原图像中的比例来达到增强图像的目的。但是,现有的多尺度Retinex图像增强算法由于需要多次卷积运算,导致运算量较大,而且假定初始光照图像是缓慢变化的,当实际情况的图像边缘存在光照变化较大时,容易产生图像边缘模糊,图像细节增强不足。
专利号CN201710545556.2A的专利公开了一种图像增强方法,包括:对原图像进行二值化处理,将原图像分割背景类图像和目标类图像;根据分割后的图像的种类,对分割后的图像采用相应尺度的retinex算法计算处理;对计算处理后的图像中包括的亮度图像进行双边滤波处理,对计算处理后的图像中包括的反射图像进行小波去噪处理;对双边滤波处理后的图像和小波去噪处理后的图像合成并进行伽马校正,得到增强后的图像。
其虽然通过对图像两个尺度进行变换,有利于减少卷积计算量,对亮度图像进行双边滤波,以及对反射图像进行小波去噪,有利于去除图像的噪声且较少的损失图像细节,通过对合成的图像进行伽马校正,有利于增强图像全局。
但其在处理时,需要对图像进行二值化和分割处理,使得整个图像增强的过程需要耗费更多的系统资源,需要更多的处理时间;同时,由于对计算处理后的图像中包括的亮度图像进行双边滤波处理,但又对计算处理后的图像中包括的反射图像进行小波去噪处理,不同算法的使用使得最后得到的处理图像显示效果存在明显偏差,降低了图像质量。
发明内容
有鉴于此,本发明的主要目的在于提供基于动态数据分布的图像增强方法,本发明通过将待处理图像进行分块处理,依照到待处理图像中需要进行增强的部分,再对分块处理后的结果再次进行分块处理,以找到需要进行增强的区域,实现了图像增强的精准定位;一方面,可以降低图像增强所需要耗费的系统资源,因为只需要对需要增强的区域进行增强即可;另一方面,因为避免了对不需要增强的区域进行过度增强,降低图像质量;同时,本发明使用基于像素点的图像增强算法,对需要增强的区域的每个像素点进行操作,以提升图像增强的效果;最后,本发明还通过动态分析和增强准确性检测来确保图像增强的准确性,进一步提升增强后的图像质量。
为达到上述目的,本发明的技术方案是这样实现的:
基于动态数据分布的图像增强方法,所述方法执行以下步骤:
步骤1:将待处理图像在直角坐标系中按照设定的图像分块大小进行分块,得到若干个像素块;根据每个像素块的几何中心在直角坐标系中位置,为每个像素块进行编号,生成像素块ID;
步骤2:对每个像素块进行图像增强检测,以判断该像素块是否需要进行图像增强;若判断像素块需要进行图像增强同时,对像素块进行区域增强检测,以获取像素块中需要进行图像增强的区域,并得到需要进行图像增强的区域的数量;执行步骤3;
步骤3:进行图像增强检测准确性判断,具体包括:步骤3.1:根据步骤2中得到的像素块的需要进行图像增强的区域的数量,在直角坐标系中像素块几何中心所在的位置,进行标记数值操作,若像素块的需要进行图像增强的区域的数量为0,则不标记数值;若像素块的需要进行图像增强的区域的数量为2,则标记数值:2;当对所有的像素块都进行对应的标记数值操作后,对直角坐标系中的标记数值进行数据分析,以判断标记数值的分布是否满足预设的条件,若满足,则判断图像增强检测准确率满足要求,执行步骤4;若判断图像增强检测的准确率不满足要求,则返回重新执行步骤2;
步骤4:使用预设的图像增强模型对待处理图像进行图像增强;若图像增强模型接收到参数调整命令,则对图像增强模型的参数进行调整后,再对待处理图像进行图像增强;
步骤5:对增强后图像进行动态数据分析,若动态数据分析的结果满足预设的约束条件,则结束本次图像增强,若动态数据分析的结果不满足预设的约束条件,则生成参数调整命令发送至图像增强模型,重新执行步骤4;所述动态数据分析包括:将每个像素块中像素的RGB像素值进行求和运算,得到一个总RGB值为:(R总,G总,B总);再对总RGB之进行算术平均运算,得到平均RGB值为:(R平,G平,B平);再使用如下公式计算像素值和:像素值和=R平+G平+B平;根据每个像素块的像素块ID和其对应的像素值和,在直角坐标系中绘制像素块ID-像素值和曲线,X轴为像素块ID,纵轴为像素值和;对像素块ID-像素值和曲线与预设的曲线进行曲线拟合计算,判断曲线拟合计算的结果是否满足预设的约束条件。
进一步的,所述步骤2中对每个像素块进行图像增强检测,以判断该像素块是否需要进行图像增强,具体包括:对像素块进行像素差度计算以获取像素块中像素差度最大的区域,并对所述像素块的像素差度最大的区域的RGB三个通道进行快速傅里叶变换,对变换得到的复数数据进行尺寸缩小处理,并用尺寸缩小后的复数数据构建新的像素块,然后采用所述模糊检测模型对所述的新构建的像素块进行模糊图像的判别;所述像素差度的定义为:若该像素的RGB值与相邻任一像素的RGB值的差值的最小值;若模糊检测模型在所述的新构建的像素块中检测到模糊图像,则判断该像素块需要进行图像增强,反之则判断该像素块不需要进行增强。
进一步的,所述步骤2中在判断像素块需要进行图像增强同时,对像素块进行区域增强检测,以获取像素块中需要进行图像增强的区域,并得到需要进行图像增强的区域的数量,具体包括:进行模糊区域的检测,包括:将像素块按照设定的像素块分块大小进行分块,每个像素块都将分割为若干个子像素块;对像素块中的每个子像素块进行像素差度计算以获取子像素块中像素差度最大的区域,并对所述子像素块的像素差度最大的区域的RGB三个通道进行快速傅里叶变换,对变换得到的复数数据进行尺寸缩小处理,并用尺寸缩小后的复数数据构建新的子像素块,然后采用所述模糊检测模型对所述的新构建子像素块进行模糊图像的判别;进行边缘轮廓划定的步骤:若模糊检测模型在所述的新构建的子像素块中检测到模糊图像,则围绕该模糊图像进行边缘检测,以找到该模糊图像的边缘,划定模糊图像的边缘轮廓;进行统计的步骤:统计子像素块中划定模糊图像的边缘轮廓的数量,作为需要进行图像增强的区域的数量;
进一步的,所述进行边缘轮廓划定的步骤包括:根据边缘检测算子的各预设方向上的模板及待处理子像素块的邻域中的各子像素块的取对数运算后的灰度值,对所述待处理子像素块进行卷积运算,得到所述待处理子像素块在所述各预设方向上的亮度差分近似值;根据所述待处理子像素块在所述各预设方向上的亮度差分近似值,得到所述待处理子像素块的梯度幅值;将所述待处理子像素块的梯度幅值与梯度幅值阈值进行比较,将梯度幅值大于或等于所述梯度幅值阈值的待处理子像素块作为边缘点;根据得到的所述边缘点,提取所述图像中的目标的轮廓。
进一步的,所述步骤4中使用预设的图像增强模型对待处理图像进行图像增强,具体包括:获取步骤2中得到的像素块中需要进行图像增强的区域,使用图像增强模型对像素块中需要进行图像增强的区域进行图像增强。
其中,G为进行图像增强后得到的结果;S(Rnew,Gnew,Bnew)为使用图像增强模型对需要进行图像增强的区域中的每个像素点进行增强后得到的增强后的像素点的RGB值; 其中, 其中,Rnew为进行图像增强后的像素点的RGB值中的R值,Gnew为进行图像增强后的像素点的RGB值中的G值;Bnew为进行图像增强后的像素点的RGB值中的B值;A、B和C均为调整参数,A的初始值为:5;B的初始值为:10;C的初始值为:15。
进一步的,当所述图像增强模型接收到参数调整命令,需要对图像增强模型的参数进行调整时,则分别对A、B和C使用如下公式进行调整:A调=A+2;B调=B*1.2;C调=C*1.5;其中,A调为调整后的A值,B调为调整后的B值,C调为调整后的C值。
进一步的,所述步骤5中对像素块ID-像素值和曲线与预设的曲线进行曲线拟合计算,具体包括:通过边界分离法将像素块ID-像素值和曲线分离成边缘边界曲线;去除边缘边界曲线上的凸起;去除边缘边界曲线上的干扰小边界,提取边缘边界曲线的连续部分;然后将特征相似的边缘边界曲线进行合并,再然后用最小二乘法对合并后的边缘边界曲线进行圆拟合得到拟合圆;以拟合圆直径上的像素点为对象利用区域生长算法提取像素块ID-像素值和曲线所在位置的像素点集;然后对像素点集与预设的曲线进行最小二乘拟合,计算得到相似系数。
进一步的,所述步骤5中判断曲线拟合计算的结果是否满足预设的约束条件,具体包括:根据计算得到的相似系数与预设的相似系数阈值进行比较,若计算得到的相似系数在预设的相似系数阈值范围内,则判断满足预设的约束条件,反之则判断不满足预设的约束条件。
基于动态数据分布的图像增强装置。
本发明的基于模糊检测的图像处理方法及装置,具有如下有益效果:
1.图像增强效率高:本发明在进行图像增强前,首先对图像进行两次分块处理;在第一次分块处理时,以判断该像素块是否需要进行图像增强;在第二次进行分块处理时,以获取像素块中需要进行图像增强的区域;通过这两次分块处理,可以实现图像增强的准确定位,系统可以针对待处理图像中需要进行图像增强的部分进行增强,而不用对其他不需要进行图像增强的部分进行增强,节约了系统资源,减少了图像增强所需要耗费的时间。
2.图像质量高:本发明在进行图像增强时,使用基于像素增强的图像增强算法进行增强;相较于针对图像整体进行增强的算法,其增强后的图像质量更高;同时,在进行图像增强过程中,使用基于曲线拟合的动态分析方法,以判断图像增强后的结果是否满足需求,若不满足,则调整参数进行第二次图像增强,直到图像增强后的结果满足要求,大幅提升了图像增强的质量;另一方面,本发明在确定图像增强区域时,还是用基于点值分布的数据分析的方式,以确定找到的需要进行图像增强的区域是否准确,进一步提升图像增强的准确性,提升图像质量。
附图说明
图1为本发明实施例提供的基于模糊检测的图像处理方法的方法流程示意图;
图2为本发明实施例提供的基于模糊检测的图像处理方法及装置的进行图像分块的原理示意图;
图3为本发明实施例体统的基于模糊检测的图像处理方法及装置的获取像素块中需要进行图像增强的区域的原理示意图;
图4为本发明实施例体统的基于模糊检测的图像处理方法及装置的动态分析的原理示意图;
图5为本发明实施例提供的基于模糊检测的图像处理方法及装置的图像质量随着图像差度变化的实验曲线示意图与现有技术中使用直方图均衡化和伽马变换进行图像增强对应实验曲线的对比实验效果示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
如图1和图2所示,基于动态数据分布的图像增强方法,所述方法执行以下步骤:
步骤1:将待处理图像在直角坐标系中按照设定的图像分块大小进行分块,得到若干个像素块;根据每个像素块的几何中心在直角坐标系中位置,为每个像素块进行编号,生成像素块ID;
步骤2:对每个像素块进行图像增强检测,以判断该像素块是否需要进行图像增强;若判断像素块需要进行图像增强同时,对像素块进行区域增强检测,以获取像素块中需要进行图像增强的区域,并得到需要进行图像增强的区域的数量;执行步骤3;
步骤3:进行图像增强检测准确性判断,具体包括:步骤3.1:根据步骤2中得到的像素块的需要进行图像增强的区域的数量,在直角坐标系中像素块几何中心所在的位置,进行标记数值操作,若像素块的需要进行图像增强的区域的数量为0,则不标记数值;若像素块的需要进行图像增强的区域的数量为2,则标记数值:2;当对所有的像素块都进行对应的标记数值操作后,对直角坐标系中的标记数值进行数据分析,以判断标记数值的分布是否满足预设的条件,若满足,则判断图像增强检测准确率满足要求,执行步骤4;若判断图像增强检测的准确率不满足要求,则返回重新执行步骤2;
步骤4:使用预设的图像增强模型对待处理图像进行图像增强;若图像增强模型接收到参数调整命令,则对图像增强模型的参数进行调整后,再对待处理图像进行图像增强;
步骤5:对增强后图像进行动态数据分析,若动态数据分析的结果满足预设的约束条件,则结束本次图像增强,若动态数据分析的结果不满足预设的约束条件,则生成参数调整命令发送至图像增强模型,重新执行步骤4;所述动态数据分析包括:将每个像素块中像素的RGB像素值进行求和运算,得到一个总RGB值为:(R总,G总,b总);再对总RGB之进行算术平均运算,得到平均RGB值为:(R平,G平,B平);再使用如下公式计算像素值和:像素值和=R平+G平+B平;根据每个像素块的像素块ID和其对应的像素值和,在直角坐标系中绘制像素块ID-像素值和曲线,X轴为像素块ID,纵轴为像素值和;对像素块ID-像素值和曲线与预设的曲线进行曲线拟合计算,判断曲线拟合计算的结果是否满足预设的约束条件。
参考图5,本发明在针对像素差度的范围在4到10这个范围的待处理图像进行图像增强时,其图像质量远远高于现有技术中的方法。
实施例2
在上一实施例的基础上,所述步骤2中对每个像素块进行图像增强检测,以判断该像素块是否需要进行图像增强,具体包括:对像素块进行像素差度计算以获取像素块中像素差度最大的区域,并对所述像素块的像素差度最大的区域的RGB三个通道进行快速傅里叶变换,对变换得到的复数数据进行尺寸缩小处理,并用尺寸缩小后的复数数据构建新的像素块,然后采用所述模糊检测模型对所述的新构建的像素块进行模糊图像的判别;所述像素差度的定义为:若该像素的RGB值与相邻任一像素的RGB值的差值的最小值;若模糊检测模型在所述的新构建的像素块中检测到模糊图像,则判断该像素块需要进行图像增强,反之则判断该像素块不需要进行增强。
实施例3
在上一实施例的基础上,所述步骤2中在判断像素块需要进行图像增强同时,对像素块进行区域增强检测,以获取像素块中需要进行图像增强的区域,并得到需要进行图像增强的区域的数量,具体包括:进行模糊区域的检测,包括:将像素块按照设定的像素块分块大小进行分块,每个像素块都将分割为若干个子像素块;对像素块中的每个子像素块进行像素差度计算以获取子像素块中像素差度最大的区域,并对所述子像素块的像素差度最大的区域的RGB三个通道进行快速傅里叶变换,对变换得到的复数数据进行尺寸缩小处理,并用尺寸缩小后的复数数据构建新的子像素块,然后采用所述模糊检测模型对所述的新构建子像素块进行模糊图像的判别;进行边缘轮廓划定的步骤:若模糊检测模型在所述的新构建的子像素块中检测到模糊图像,则围绕该模糊图像进行边缘检测,以找到该模糊图像的边缘,划定模糊图像的边缘轮廓;进行统计的步骤:统计子像素块中划定模糊图像的边缘轮廓的数量,作为需要进行图像增强的区域的数量。
实施例4
如图3所示,在上一实施例的基础上,所述进行边缘轮廓划定的步骤包括:根据边缘检测算子的各预设方向上的模板及待处理子像素块的邻域中的各子像素块的取对数运算后的灰度值,对所述待处理子像素块进行卷积运算,得到所述待处理子像素块在所述各预设方向上的亮度差分近似值;根据所述待处理子像素块在所述各预设方向上的亮度差分近似值,得到所述待处理子像素块的梯度幅值;将所述待处理子像素块的梯度幅值与梯度幅值阈值进行比较,将梯度幅值大于或等于所述梯度幅值阈值的待处理子像素块作为边缘点;根据得到的所述边缘点,提取所述图像中的目标的轮廓。
具体的,边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括(i)深度上的不连续、(ii)表面方向不连续、(iii)物质属性变化和(iv)场景照明变化。边缘检测是图像处理和计算机视觉中,尤其是特征提取中的一个研究领域。
图像边缘检测大幅度地减少了数据量,并且剔除了可以认为不相关的信息,保留了图像重要的结构属性。有许多方法用于边缘检测,它们的绝大部分可以划分为两类:基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界,通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界,通常是Laplacian过零点或者非线性差分表示的过零点。
实施例5
在上一实施例的基础上,所述步骤4中使用预设的图像增强模型对待处理图像进行图像增强,具体包括:获取步骤2中得到的像素块中需要进行图像增强的区域,使用图像增强模型对像素块中需要进行图像增强的区域进行图像增强。
具体的,图像增强可分成两大类:频率域法和空间域法。
前者把图像看成一种二维信号,对其进行基于二维傅里叶变换的信号增强。采用低通滤波(即只让低频信号通过)法,可去掉图中的噪声;采用高通滤波法,则可增强边缘等高频信号,使模糊的图片变得清晰。
后者空间域法中具有代表性的算法有局部求平均值法和中值滤波(取局部邻域中的中间像素值)法等,它们可用于去除或减弱噪声。
图像增强的方法是通过一定手段对原图像附加一些信息或变换数据,有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征,使图像与视觉响应特性相匹配。
在图像增强过程中,不分析图像降质的原因,处理后的图像不一定逼近原始图像。图像增强技术根据增强处理过程所在的空间不同,可分为基于空域的算法和基于频域的算法两大类。
实施例6
在上一实施例的基础上,所述图像增强模型使用如下公式表示: 其中,G为进行图像增强后得到的结果;S(Rnew,Gnew,Bnew)为使用图像增强模型对需要进行图像增强的区域中的每个像素点进行增强后得到的增强后的像素点的RGB值; 其中, 其中,Rnew为进行图像增强后的像素点的RGB值中的R值,Gnew为进行图像增强后的像素点的RGB值中的G值;Bnew为进行图像增强后的像素点的RGB值中的B值;A、B和C均为调整参数,A的初始值为:5;B的初始值为:10;C的初始值为:15。
实施例7
在上一实施例的基础上,当所述图像增强模型接收到参数调整命令,需要对图像增强模型的参数进行调整时,则分别对A、B和C使用如下公式进行调整:A调=A+2;B调=B*1.2;C调=C*1.5;其中,A调为调整后的A值,B调为调整后的B值,C调为调整后的C值。
实施例8
如图4所示,在上一实施例的基础上,所述步骤5中对像素块ID-像素值和曲线与预设的曲线进行曲线拟合计算,具体包括:通过边界分离法将像素块ID-像素值和曲线分离成边缘边界曲线;去除边缘边界曲线上的凸起;去除边缘边界曲线上的干扰小边界,提取边缘边界曲线的连续部分;然后将特征相似的边缘边界曲线进行合并,再然后用最小二乘法对合并后的边缘边界曲线进行圆拟合得到拟合圆;以拟合圆直径上的像素点为对象利用区域生长算法提取像素块ID-像素值和曲线所在位置的像素点集;然后对像素点集与预设的曲线进行最小二乘拟合,计算得到相似系数。
具体的,实际工作中,变量间未必都有线性关系,如服药后血药浓度与时间的关系;疾病疗效与疗程长短的关系;毒物剂量与致死率的关系等常呈曲线关系。曲线拟合(curve fitting)是指选择适当的曲线类型来拟合观测数据,并用拟合的曲线方程分析两变量间的关系。
实施例9
在上一实施例的基础上,所述步骤5中判断曲线拟合计算的结果是否满足预设的约束条件,具体包括:根据计算得到的相似系数与预设的相似系数阈值进行比较,若计算得到的相似系数在预设的相似系数阈值范围内,则判断满足预设的约束条件,反之则判断不满足预设的约束条件。
具体的,用连续曲线近似地刻画或比拟平面上离散点组所表示的坐标之间的函数关系的一种数据处理方法。用解析表达式逼近离散数据的一种方法。在科学实验或社会活动中,通过实验或观测得到量x与y的一组数据对(xi,yi)(i=1,2,…m),其中各xi是彼此不同的。人们希望用一类与数据的背景材料规律相适应的解析表达式,y=f(x,c)来反映量x与y之间的依赖关系,即在一定意义下“最佳”地逼近或拟合已知数据。f(x,c)常称作拟合模型,式中c=(c1,c2,…cn)是一些待定参数。当c在f中线性出现时,称为线性模型,否则称为非线性模型。有许多衡量拟合优度的标准,最常用的一种做法是选择参数c使得拟合模型与实际观测值在
各点的残差(或离差)ek=yk-f(xk,c)的加权平方和达到最小,此时所求曲线称作在加权最小二乘意义下对数据的拟合曲线。有许多求解拟合曲线的成功方法,对于线性模型一般通
过建立和求解方程组来确定参数,从而求得拟合曲线。至于非线性模型,则要借助求解非线性方程组或用最优化方法求得所需参数才能得到拟合曲线,有时称之为非线性最小二乘拟合。
实施例10
基于动态数据分布的图像增强装置。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的系统,仅以上述各功能单元的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能单元来完成,即将本发明实施例中的单元或者步骤再分解或者组合,例如,上述实施例的单元可以合并为一个单元,也可以进一步拆分成多个子单元,以完成以上描述的全部或者单元功能。对于本发明实施例中涉及的单元、步骤的名称,仅仅是为了区分各个单元或者步骤,不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应能够意识到,结合本文中所公开的实施例描述的各示例的单元、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件单元、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“另一部分”等是配置用于区别类似的对象,而不是配置用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者单元/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者单元/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术标记作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述,仅为本发明的较佳实施例而已,并非配置用于限定本发明的保护范围。
Claims (10)
1.基于动态数据分布的图像增强方法,其特征在于,所述方法执行以下步骤:
步骤1:将待处理图像在直角坐标系中按照设定的图像分块大小进行分块,得到若干个像素块;根据每个像素块的几何中心在直角坐标系中位置,为每个像素块进行编号,生成像素块ID;
步骤2:对每个像素块进行图像增强检测,以判断该像素块是否需要进行图像增强;若判断像素块需要进行图像增强同时,对像素块进行区域增强检测,以获取像素块中需要进行图像增强的区域,并得到需要进行图像增强的区域的数量;执行步骤3;
步骤3:进行图像增强检测准确性判断,具体包括:步骤3.1:根据步骤2中得到的像素块的需要进行图像增强的区域的数量,在直角坐标系中像素块几何中心所在的位置,进行标记数值操作,若像素块的需要进行图像增强的区域的数量为0,则不标记数值;若像素块的需要进行图像增强的区域的数量为2,则标记数值:2;当对所有的像素块都进行对应的标记数值操作后,对直角坐标系中的标记数值进行数据分析,以判断标记数值的分布是否满足预设的条件,若满足,则判断图像增强检测准确率满足要求,执行步骤4;若判断图像增强检测的准确率不满足要求,则返回重新执行步骤2;
步骤4:使用预设的图像增强模型对待处理图像进行图像增强;若图像增强模型接收到参数调整命令,则对图像增强模型的参数进行调整后,再对待处理图像进行图像增强;
步骤5:对增强后图像进行动态数据分析,若动态数据分析的结果满足预设的约束条件,则结束本次图像增强,若动态数据分析的结果不满足预设的约束条件,则生成参数调整命令发送至图像增强模型,重新执行步骤4;所述动态数据分析包括:将每个像素块中像素的RGB像素值进行求和运算,得到一个总RGB值为:(R总,G总,B总);再对总RGB之进行算术平均运算,得到平均RGB值为:(R平,G平,B平);再使用如下公式计算像素值和:像素值和=R平+G平+B平;根据每个像素块的像素块ID和其对应的像素值和,在直角坐标系中绘制像素块ID-像素值和曲线,X轴为像素块ID,纵轴为像素值和;对像素块ID-像素值和曲线与预设的曲线进行曲线拟合计算,判断曲线拟合计算的结果是否满足预设的约束条件。
2.如权利要求1所述的方法,其特征在于,所述步骤2中对每个像素块进行图像增强检测,以判断该像素块是否需要进行图像增强,具体包括:对像素块进行像素差度计算以获取像素块中像素差度最大的区域,并对所述像素块的像素差度最大的区域的RGB三个通道进行快速傅里叶变换,对变换得到的复数数据进行尺寸缩小处理,并用尺寸缩小后的复数数据构建新的像素块,然后采用所述模糊检测模型对所述的新构建的像素块进行模糊图像的判别;所述像素差度的定义为:若该像素的RGB值与相邻任一像素的RGB值的差值的最小值;若模糊检测模型在所述的新构建的像素块中检测到模糊图像,则判断该像素块需要进行图像增强,反之则判断该像素块不需要进行增强。
3.如权利要求2所述的方法,其特征在于,所述步骤2中在判断像素块需要进行图像增强同时,对像素块进行区域增强检测,以获取像素块中需要进行图像增强的区域,并得到需要进行图像增强的区域的数量,具体包括:进行模糊区域的检测,包括:将像素块按照设定的像素块分块大小进行分块,每个像素块都将分割为若干个子像素块;对像素块中的每个子像素块进行像素差度计算以获取子像素块中像素差度最大的区域,并对所述子像素块的像素差度最大的区域的RGB三个通道进行快速傅里叶变换,对变换得到的复数数据进行尺寸缩小处理,并用尺寸缩小后的复数数据构建新的子像素块,然后采用所述模糊检测模型对所述的新构建子像素块进行模糊图像的判别;进行边缘轮廓划定的步骤:若模糊检测模型在所述的新构建的子像素块中检测到模糊图像,则围绕该模糊图像进行边缘检测,以找到该模糊图像的边缘,划定模糊图像的边缘轮廓;进行统计的步骤:统计子像素块中划定模糊图像的边缘轮廓的数量,作为需要进行图像增强的区域的数量。
4.如权利要求3所述的方法,其特征在于,所述进行边缘轮廓划定的步骤包括:根据边缘检测算子的各预设方向上的模板及待处理子像素块的邻域中的各子像素块的取对数运算后的灰度值,对所述待处理子像素块进行卷积运算,得到所述待处理子像素块在所述各预设方向上的亮度差分近似值;根据所述待处理子像素块在所述各预设方向上的亮度差分近似值,得到所述待处理子像素块的梯度幅值;将所述待处理子像素块的梯度幅值与梯度幅值阈值进行比较,将梯度幅值大于或等于所述梯度幅值阈值的待处理子像素块作为边缘点;根据得到的所述边缘点,提取所述图像中的目标的轮廓。
5.如权利要求4所述的方法,其特征在于,所述步骤4中使用预设的图像增强模型对待处理图像进行图像增强,具体包括:获取步骤2中得到的像素块中需要进行图像增强的区域,使用图像增强模型对像素块中需要进行图像增强的区域进行图像增强。
7.如权利要求6所述的方法,其特征在于,当所述图像增强模型接收到参数调整命令,需要对图像增强模型的参数进行调整时,则分别对A、B和C使用如下公式进行调整:A调=A+2;B调=B*1.2;湯调=湯*1.5;其中,A调为调整后的A值,B调为调整后的B值,湯调为调整后的C值。
8.如权利要求7所述的方法,其特征在于,所述步骤5中对像素块ID-像素值和曲线与预设的曲线进行曲线拟合计算,具体包括:通过边界分离法将像素块ID-像素值和曲线分离成边缘边界曲线;去除边缘边界曲线上的凸起;去除边缘边界曲线上的干扰小边界,提取边缘边界曲线的连续部分;然后将特征相似的边缘边界曲线进行合并,再然后用最小二乘法对合并后的边缘边界曲线进行圆拟合得到拟合圆;以拟合圆直径上的像素点为对象利用区域生长算法提取像素块ID-像素值和曲线所在位置的像素点集;然后对像素点集与预设的曲线进行最小二乘拟合,计算得到相似系数。
9.如权利要求8所述的方法,其特征在于,所述步骤5中判断曲线拟合计算的结果是否满足预设的约束条件,具体包括:根据计算得到的相似系数与预设的相似系数阈值进行比较,若计算得到的相似系数在预设的相似系数阈值范围内,则判断满足预设的约束条件,反之则判断不满足预设的约束条件。
10.用于实现权利要求1至9所述方法的基于动态数据分布的图像增强装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598628.6A CN113344810A (zh) | 2021-05-31 | 2021-05-31 | 基于动态数据分布的图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598628.6A CN113344810A (zh) | 2021-05-31 | 2021-05-31 | 基于动态数据分布的图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344810A true CN113344810A (zh) | 2021-09-03 |
Family
ID=77472352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110598628.6A Pending CN113344810A (zh) | 2021-05-31 | 2021-05-31 | 基于动态数据分布的图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344810A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897745A (zh) * | 2022-07-14 | 2022-08-12 | 荣耀终端有限公司 | 一种扩展图像动态范围的方法及电子设备 |
CN115311282A (zh) * | 2022-10-12 | 2022-11-08 | 南通迪博西电子有限公司 | 基于图像增强的晶圆缺陷检测方法 |
-
2021
- 2021-05-31 CN CN202110598628.6A patent/CN113344810A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897745A (zh) * | 2022-07-14 | 2022-08-12 | 荣耀终端有限公司 | 一种扩展图像动态范围的方法及电子设备 |
CN114897745B (zh) * | 2022-07-14 | 2022-12-20 | 荣耀终端有限公司 | 一种扩展图像动态范围的方法及电子设备 |
CN115311282A (zh) * | 2022-10-12 | 2022-11-08 | 南通迪博西电子有限公司 | 基于图像增强的晶圆缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | Underwater image enhancement based on global and local equalization of histogram and dual-image multi-scale fusion | |
Zhou et al. | Retinex-based laplacian pyramid method for image defogging | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN104574293A (zh) | 基于有界运算的多尺度Retinex图像清晰化算法 | |
Zhou et al. | Method of improved fuzzy contrast combined adaptive threshold in NSCT for medical image enhancement | |
CN113344810A (zh) | 基于动态数据分布的图像增强方法 | |
WO2018166083A1 (zh) | 一种对比度增强和视觉显著度优化方法在高尔夫球场图中的应用 | |
CN114331873A (zh) | 一种基于区域划分的非均匀光照彩色图像校正方法 | |
CN115147710A (zh) | 基于异质滤波探测与水平集分割的声纳图像目标处理方法 | |
Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
CN115187688A (zh) | 基于大气光偏振正交盲分离的雾图重构方法及电子设备 | |
Singh et al. | Naturalness balance contrast enhancement using adaptive gamma with cumulative histogram and median filtering | |
He et al. | Structure-preserving texture smoothing via scale-aware bilateral total variation | |
Rekik et al. | Review of satellite image segmentation for an optimal fusion system based on the edge and region approaches | |
CN114998173B (zh) | 基于局部区域亮度调节的空间环境高动态范围成像方法 | |
CN110706180A (zh) | 一种极暗图像视觉质量提升方法、系统、设备及介质 | |
CN114359083B (zh) | 一种面向干扰环境的高动态热红外图像自适应预处理方法 | |
Wang et al. | Saliency-based adaptive object extraction for color underwater images | |
Fawzi et al. | Adaptive clip limit tile size histogram equalization for non-homogenized intensity images | |
CN115147613A (zh) | 一种基于多向融合的红外小目标检测方法 | |
Peng et al. | Detail enhancement for infrared images based on propagated image filter | |
CN110852977B (zh) | 融合边缘灰度直方图与人眼视觉感知特性的图像增强方法 | |
CN114418906A (zh) | 一种图像对比度增强方法及系统 | |
Xi et al. | Enhancement of unmanned aerial vehicle image with shadow removal based on optimized retinex algorithm |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 517, 5 / F, Venture Center building, 680 Guiping Road, Caohejing New Technology Development Zone, Xuhui District, Shanghai, 200233 Applicant after: Shanghai Xinxiang Microelectronics Co.,Ltd. Address before: Room 517, 5 / F, Venture Center building, 680 Guiping Road, Caohejing New Technology Development Zone, Xuhui District, Shanghai, 200233 Applicant before: NEW VISION MICRO. Inc. |