CN113436282A - 一种图像增强型相机 - Google Patents

一种图像增强型相机 Download PDF

Info

Publication number
CN113436282A
CN113436282A CN202110667850.7A CN202110667850A CN113436282A CN 113436282 A CN113436282 A CN 113436282A CN 202110667850 A CN202110667850 A CN 202110667850A CN 113436282 A CN113436282 A CN 113436282A
Authority
CN
China
Prior art keywords
image
illumination
camera
gray
representing
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.)
Withdrawn
Application number
CN202110667850.7A
Other languages
English (en)
Inventor
陈路
陈新
陈卓
吕冰冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Guotian Electronic Technology Co ltd
Original Assignee
Hunan Guotian Electronic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Guotian Electronic Technology Co ltd filed Critical Hunan Guotian Electronic Technology Co ltd
Priority to CN202110667850.7A priority Critical patent/CN113436282A/zh
Publication of CN113436282A publication Critical patent/CN113436282A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Studio Devices (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种图像增强的技术领域，公开了一种图像增强方法，包括：获取相机图像，将相机图像转换为灰度图，并利用局部最大类间方差法对灰度图进行二值化处理，得到二值化相机图像；将二值化相机图像转换为光照图像；利用多尺度的图像滤波算法对光照图像进行平滑滤波，得到滤波后的光照图像；利用基于图像分解的图像降噪方法对滤波后的光照图像进行降噪处理，得到降噪后的光照图像；利用暗环境下的图像增强算法对降噪后的光照图像进行亮度增强处理，得到增强后的相机图像。本发明还提供了一种图像增强型相机。本发明实现了图像增强。

Description

一种图像增强型相机
技术领域
本发明涉及图像增强的技术领域，尤其涉及一种图像增强方法及图像增强型相机。
背景技术
图像增强型相机是一款具有纳秒级门控及光学增益功能的经济型图像增强型相机(ICCD)，具有小型、低重量、低复杂性、环境适应性强的优势，响应光谱覆盖紫外和可见光波段。在夜间、水下、雾、霾等弱光、强散射/吸收环境中，实现对快速、微弱目标的光学图像获取，用于电力设备检修和维护，检测高压设备电晕、电弧和局部放电现象；在辅助激光照明的条件下，可以实现非接触激光距离测量；快速化学、危险物质成分鉴定等功能。
传统图像增强型相机在暗视觉环境下的成像，存在图像亮度低、细节信息不突出、噪声大等问题，会严重地影响成像质量。
鉴于此，如何获取更高质量的成像，成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种图像增强方法，利用多尺度的图像滤波算法对图像进行平滑滤波，并利用基于图像分解的图像降噪方法对图像进行降噪处理，同时利用暗环境下的图像增强算法对图像进行亮度增强处理。
为实现上述目的，本发明提供的一种图像增强方法，包括：
获取相机图像，将相机图像转换为灰度图，并利用局部最大类间方差法对灰度图进行二值化处理，得到二值化相机图像；
将二值化相机图像转换为光照图像；
利用多尺度的图像滤波算法对光照图像进行平滑滤波，得到滤波后的光照图像；
利用基于图像分解的图像降噪方法对滤波后的光照图像进行降噪处理，得到降噪后的光照图像；
利用暗环境下的图像增强算法对降噪后的光照图像进行亮度增强处理，得到增强后的相机图像。
可选地，所述利用局部最大类间方差法对灰度图进行二值化处理，包括：
1)计算灰度图的平均灰度：
Figure BDA0003117616240000011
Figure BDA0003117616240000012
其中：
M×N像素为灰度图的大小；
k表示灰度图的灰度级；
ρ(k)为灰度级为k的像素出现的概率；
n(k)为灰度级为k的像素出现的个数；
2)以灰度级m为分割阈值，小于此阈值为背景，大于等于此阈值为前景，从而将灰度图分成前景和背景，则背景灰度值为：
Figure BDA0003117616240000013
背景数比例为：
Figure BDA0003117616240000021
前景灰度值为：
Figure BDA0003117616240000022
前景数比例为：
Figure BDA0003117616240000023
3)计算前景和背景的方差σ：
σ＝wb×(μb-μ)2+wf×(μf-μ)2
在本发明一个具体实施例中，本发明用不同的值对分割阈值m进行修改，使得前景和背景的方差达到最大，此时的分割阈值m′为最佳分割阈值；并以最佳分割阈值进行灰度图的二值化分割处理，得到二值化相机图像。
可选地，所述将二值化相机图像转换为光照图像的方法为：
Figure BDA0003117616240000024
Figure BDA0003117616240000025
H2＝0.256*IR+0.504*IG+0.096*IB+16
其中：
H1表示全局光照图像；
Ii表示二值化相机图像I的RGB颜色通道；
H2表示局部光照图像；
G表示光照图像。
可选地，所述利用多尺度的图像滤波算法对光照图像进行平滑滤波，包括：
所述多尺度的平滑滤波公式为：
Figure BDA0003117616240000026
其中：
F(G(i),δk)表示平滑滤波器，δk表示平滑滤波的尺度；
本发明所建立的平滑滤波器为：
Figure BDA0003117616240000027
Figure BDA0003117616240000028
bk＝μY,δ(k)-akμG,δ(k)
Figure BDA0003117616240000029
其中：
G(i)表示光照图像的像素i；
Ωδ(i)表示以像素i为中心，δ为半径的方形窗口，Y表示方形窗口的像素矩阵；
μG,δ(k)表示光照图像在Ωδ(i)内的像素均值；
μY,δ(k)表示像素矩阵在Ωδ(i)内的像素均值；
Figure BDA0003117616240000031
表示光照图像在Ωδ(i)内的像素方差；
ε表示权重惩罚参数，将其设置为0.1；
μG,1(k)表示光照图像在Ω1(i)内的像素均值；
Figure BDA0003117616240000032
表示光照图像在Ω1(i)内的像素方差；
W(k)表示滤波权重；
ak表示平滑滤波器的线性系数，在边缘区域，边缘权重值越大，线性系数ak随之变大，达到保持梯度效果；在平滑区域，边缘权重值越小，线性系数ak随之变小，达到平滑效果；
在本发明一个具体实施例中，本发明通过计算滤波后图像的梯度，选取合适的滤波尺度，其中图像梯度越小，表示图像平滑程度越小，所述图像梯度的计算公式为：
Figure BDA0003117616240000033
其中：
M×N表示滤波后图像I的像素大小；
ΔIx表示滤波后图像在水平方向的一阶导数；
ΔIy表示滤波后图像在垂直方向的一阶导数；
当滤波尺度较大时，虽然能够在一定程度上实现高对比度区域的平滑，但是也会导致滤波保边性能的下降；通过选取不同的滤波尺度对光照图像进行滤波处理，本发明所确定的滤波尺度为δ1＝1,δ2＝10,δ3＝15。
可选地，所述利用基于图像分解的图像降噪方法对滤波后的光照图像进行降噪处理，包括：
1)提取滤波后光照图像G′的结构层Q：
Figure BDA0003117616240000034
其中：
α为调节参数，将其设置为0.15；
在本发明一个具体实施例中，上述函数的求解过程为：
Figure BDA0003117616240000035
Figure BDA0003117616240000036
Qiter+1＝F-1(Qiter)
α＝2α
其中：
iter表示迭代次数；当iter＝0时，Q0＝G′；
F-1(·)表示傅里叶逆变换；
重复上述迭代过程，直到α>αmax，其中αmax表示预设定的最大参数阈值，将其设置为1.5；
最终迭代得到的Qiter+1即为滤波后光照图像G′的结构层Q；
2)计算结构层Q的掩膜层P：
Figure BDA0003117616240000037
其中：
Qmax表示结构层Q的最大值；
3)利用加权最小二乘法对结构层进行分解：
L＝WLS(P*Q)
其中：
WLS(·)表示加权的最小二乘法；
将加权最小二乘法转换为如下目标函数：
Figure BDA0003117616240000041
其中：
Figure BDA0003117616240000042
表示垂直梯度，
Figure BDA0003117616240000043
表示水平梯度；
β表示梯度权重，将其设置为1.2；
由于目标函数中仅存在二次项，直接对目标函数进行求解得到：
L＝(E+La)-1*(P*Q)
其中：
E表示单位矩阵；
La表示以
Figure BDA0003117616240000044
和
Figure BDA0003117616240000045
为对角线元素的对角矩阵。
可选地，所述利用暗环境下的图像增强算法对降噪后的光照图像进行亮度增强处理，包括：
所述图像增强算法的公式为：
L′＝k*L1-cdf(L)
Figure BDA0003117616240000046
Figure BDA0003117616240000047
其中：
L表示降噪后的光照图像；
cdf(·)表示累计分布函数；
L′表示增强后的相机图像；
k表示控制因子；在本发明一个具体实施例中，k越小就越削弱光照；本发明所述算法通过计算光照图像的累积分布函数来计算伽马参数，使用的累积分布函数是通过形状参数为2和尺度参数为1的伽马分布概率密度函数得到；其中
Figure BDA0003117616240000048
是sigmoid函数，即S型线性曲线，在光照较低的区域中，函数斜率更高，而在光照较高的区域，函数斜率较低，达到抑制高亮度区域和增强低亮度区域的效果。
此外，为实现上述目的，本发明还提供一种图像增强型相机，所述相机包括：
物镜、像增强器、光纤元件、CCD和全套结构件；
相机控制电路，主要由同步控制模块、选通快门模块、增益控制和监控模块、低压供电模块、高压供电模块和远程通讯模块等组成，用于将接收到的目标景物信息通过成像系统传递给计算机，并反馈当前距离选通电路的监控参数，实现对CCD的实时监控；
所述像增强器包括：
图像获取装置，用于获取物镜成像；
数据处理器，用于将相机图像转换为灰度图，并利用局部最大类间方差法对灰度图进行二值化处理，得到二值化相机图像；将二值化相机图像转换为光照图像；利用多尺度的图像滤波算法对光照图像进行平滑滤波，得到滤波后的光照图像；
图像增强装置，用于利用基于图像分解的图像降噪方法对滤波后的光照图像进行降噪处理，得到降噪后的光照图像；利用暗环境下的图像增强算法对降噪后的光照图像进行亮度增强处理，得到增强后的相机图像。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有图像增强程序指令，所述图像增强程序指令可被一个或者多个处理器执行，以实现如上所述的图像增强的实现方法的步骤。
本发明首先提出一种多尺度的图像滤波算法对光照图像进行平滑滤波处理，所述多尺度的平滑滤波公式为：
Figure BDA0003117616240000051
其中：F(G(i)，δk)表示平滑滤波器，δk表示平滑滤波的尺度；本发明所建立的平滑滤波器为：
Figure BDA0003117616240000052
Figure BDA0003117616240000053
bk＝μY，δ(k)-akμG,δ(k)
Figure BDA0003117616240000054
其中：G(i)表示光照图像的像素i；Ωδ(i)表示以像素i为中心，δ为半径的方形窗口，Y表示方形窗口的像素矩阵；μG,δ(k)表示光照图像在Ωδ(i)内的像素均值；μY,δ(k)表示像素矩阵在Ωδ(i)内的像素均值；
Figure BDA0003117616240000055
表示光照图像在Ωδ(i)内的像素方差；ε表示权重惩罚参数，将其设置为0.1；μG,1(k)表示光照图像在Ω1(i)内的像素均值；
Figure BDA0003117616240000056
表示光照图像在Ω1(i)内的像素方差；W(k)表示滤波权重；ak表示平滑滤波器的线性系数，在边缘区域，边缘权重值越大，线性系数ak随之变大，达到保持梯度效果；在平滑区域，边缘权重值越小，线性系数ak随之变小，达到平滑效果；通过计算滤波后图像的梯度，选取合适的滤波尺度，其中图像梯度越小，表示图像平滑程度越小，所述图像梯度的计算公式为：
Figure BDA0003117616240000057
其中：
M×N表示滤波后图像I的像素大小；
ΔIx表示滤波后图像在水平方向的一阶导数；
ΔIy表示滤波后图像在垂直方向的一阶导数；
当滤波尺度较大时，虽然能够在一定程度上实现高对比度区域的平滑，但是也会导致滤波保边性能的下降；通过选取不同的滤波尺度对光照图像进行滤波处理，本发明所确定的滤波尺度为δ1＝1,δ2＝10,δ3＝15。
同时，对于降噪后的光照图像L，本发明利用暗环境下的图像增强算法对降噪后的光照图像L进行亮度增强处理，所述图像增强算法的公式为：
L′＝k*L1-cdf(L)
Figure BDA0003117616240000058
Figure BDA0003117616240000059
其中：
L表示降噪后的光照图像；
cdf(·)表示累计分布函数；
L′表示增强后的相机图像；
k表示控制因子；在本发明一个具体实施例中，k越小就越削弱光照；本发明所述算法通过计算光照图像的累积分布函数来计算伽马参数，使用的累积分布函数是通过形状参数为2和尺度参数为1的伽马分布概率密度函数得到；其中
Figure BDA00031176162400000510
是sigmoid函数，即S型线性曲线，在光照较低的区域中，函数斜率更高，而在光照较高的区域，函数斜率较低，达到抑制高亮度区域和增强低亮度区域的效果。
附图说明
图1为本发明一实施例提供的一种图像增强方法的流程示意图；
图2为本发明一实施例提供的图像增强型相机的结构示意图；
图3为本发明一实施例提供的控制电路系统构成示意图；
图4为本发明一实施例提供的快门加载方式示意图；
图5为本发明一实施例提供的图像增强型相机的像增强器内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
利用多尺度的图像滤波算法对图像进行平滑滤波，并利用基于图像分解的图像降噪方法对图像进行降噪处理，同时利用暗环境下的图像增强算法对图像进行亮度增强处理。参照图1所示，为本发明一实施例提供的图像增强方法示意图。
在本实施例中，图像增强方法包括：
S1、获取相机图像，将相机图像转换为灰度图，并利用局部最大类间方差法对灰度图进行二值化处理，得到二值化相机图像。
首先，本发明获取相机图像，在本发明一个具体实施例中，所述相机快门加载方式采用阴极常闭型方式，通过在像增强器的阴极设置+30V的偏置电压使其处于关闭状态，即使有光照，由于光电子处于反向电场，阴极上发射的电子不能到达MCP，荧光屏也不会有输出；选通时加-200V的选通电压使像增强器打开并选通出一定门宽的光脉冲，从而获得相机图像；其中输出脉冲前沿传输延迟Td1为50ns，脉冲后沿传输延迟Td为40ns，因此相机拍照的触发延迟为Td1-Td2＝10ns；
进一步地，本发明利用灰度图转换方法将相机图像转换为灰度图，所述灰度图转换公式为：
Gray(i,j)＝R(i,j)×0.3+G(i,j)×0.59+B(i,j)×0.11
其中：
R(i,j),G(i,j),B(i,j)为相机图像中像素(i,j)在R，G，B三个颜色分量中的像素值；
Gray(i,j)为像素(i,j)的灰度值。
进一步地，本发明利用局部最大类间方差法对灰度图进行二值化处理，所述局部最大类间方差法流程为：
1)计算灰度图的平均灰度：
Figure BDA0003117616240000061
Figure BDA0003117616240000062
其中：
M×N像素为灰度图的大小；
k表示灰度图的灰度级；
ρ(k)为灰度级为k的像素出现的概率；
n(k)为灰度级为k的像素出现的个数；
2)以灰度级m为分割阈值，小于此阈值为背景，大于等于此阈值为前景，从而将灰度图分成前景和背景，则背景灰度值为：
Figure BDA0003117616240000071
背景数比例为：
Figure BDA0003117616240000072
前景灰度值为：
Figure BDA0003117616240000073
前景数比例为：
Figure BDA0003117616240000074
3)计算前景和背景的方差σ：
σ＝wb×(μb-μ)2+wf×(μf-μ)2
在本发明一个具体实施例中，本发明用不同的值对分割阈值m进行修改，使得前景和背景的方差达到最大，此时的分割阈值m′为最佳分割阈值；并以最佳分割阈值进行灰度图的二值化分割处理，得到二值化相机图像。
S2、将二值化相机图像转换为光照图像。
进一步地，本发明将二值化相机图像转换为光照图像，所述光照图像的转换公式为：
Figure BDA0003117616240000075
Figure BDA0003117616240000076
H2＝0.256*IR+0.504*IG+0.096*IB+16
其中：
H1表示全局光照图像；
Ii表示二值化相机图像I的RGB颜色通道；
H2表示局部光照图像；
G表示光照图像。
S3、利用多尺度的图像滤波算法对光照图像进行平滑滤波，得到滤波后的光照图像。
进一步地，本发明利用多尺度的图像滤波算法对光照图像进行平滑滤波处理，所述多尺度的平滑滤波公式为：
Figure BDA0003117616240000077
其中：
F(G(i),δk)表示平滑滤波器，δk表示平滑滤波的尺度；
本发明所建立的平滑滤波器为：
Figure BDA0003117616240000078
Figure BDA0003117616240000079
bk＝μY,δ(k)-akμG，δ(k)
Figure BDA00031176162400000710
其中：
G(i)表示光照图像的像素i；
Ωδ(i)表示以像素i为中心，δ为半径的方形窗口，Y表示方形窗口的像素矩阵；
μG，δ(k)表示光照图像在Ωδ(i)内的像素均值；
μY,δ(k)表示像素矩阵在Ωδ(i)内的像素均值；
Figure BDA0003117616240000081
表示光照图像在Ωδ(i)内的像素方差；
ε表示权重惩罚参数，将其设置为0.1；
μG,1(k)表示光照图像在Ω1(i)内的像素均值；
Figure BDA0003117616240000082
表示光照图像在Ω1(i)内的像素方差；
W(k)表示滤波权重；
ak表示平滑滤波器的线性系数，在边缘区域，边缘权重值越大，线性系数ak随之变大，达到保持梯度效果；在平滑区域，边缘权重值越小，线性系数ak随之变小，达到平滑效果；
在本发明一个具体实施例中，本发明通过计算滤波后图像的梯度，选取合适的滤波尺度，其中图像梯度越小，表示图像平滑程度越小，所述图像梯度的计算公式为：
Figure BDA0003117616240000083
其中：
M×N表示滤波后图像I的像素大小；
ΔIx表示滤波后图像在水平方向的一阶导数；
ΔIy表示滤波后图像在垂直方向的一阶导数；
当滤波尺度较大时，虽然能够在一定程度上实现高对比度区域的平滑，但是也会导致滤波保边性能的下降；通过选取不同的滤波尺度对光照图像进行滤波处理，本发明所确定的滤波尺度为δ1＝1，δ2＝10,δ3＝15。
S4、利用基于图像分解的图像降噪方法对滤波后的光照图像进行降噪处理，得到降噪后的光照图像。
进一步地，本发明利用基于图像分解的图像降噪方法对滤波后的光照图像进行降噪处理，所述基于图像分解的图像降噪方法流程为：
1)提取滤波后光照图像G′的结构层Q：
Figure BDA0003117616240000084
其中：
α为调节参数，将其设置为0.15；
在本发明一个具体实施例中，上述函数的求解过程为：
Figure BDA0003117616240000085
Figure BDA0003117616240000086
Qiter+1＝F-1(Qiter)
α＝2α
其中：
iter表示迭代次数；当iter＝0时，Q0＝G′；
F-1(·)表示傅里叶逆变换；
重复上述迭代过程，直到α>αmax，其中αmax表示预设定的最大参数阈值，将其设置为1.5；
最终迭代得到的Qiter+1即为滤波后光照图像G′的结构层Q；
2)计算结构层Q的掩膜层P：
Figure BDA0003117616240000091
其中：
Qmax表示结构层Q的最大值；
3)利用加权最小二乘法对结构层进行分解：
L＝WLS(P*Q)
其中：
WLS(·)表示加权的最小二乘法；
将加权最小二乘法转换为如下目标函数：
Figure BDA0003117616240000092
其中：
Figure BDA0003117616240000093
表示垂直梯度，
Figure BDA0003117616240000094
表示水平梯度；
β表示梯度权重，将其设置为1.2；
由于目标函数中仅存在二次项，直接对目标函数进行求解得到：
L＝(E+La)-1*(P*Q)
其中：
E表示单位矩阵；
La表示以
Figure BDA0003117616240000095
和
Figure BDA0003117616240000096
为对角线元素的对角矩阵。
S5、利用暗环境下的图像增强算法对降噪后的光照图像进行亮度增强处理，得到增强后的相机图像。
进一步地，对于降噪后的光照图像L，本发明利用暗环境下的图像增强算法对降噪后的光照图像L进行亮度增强处理，所述图像增强算法的公式为：
L′＝k*L1-cdf(L)
Figure BDA0003117616240000097
Figure BDA0003117616240000098
其中：
L表示降噪后的光照图像；
cdf(·)表示累计分布函数；
L′表示增强后的相机图像；
k表示控制因子；在本发明一个具体实施例中，k越小就越削弱光照；本发明所述算法通过计算光照图像的累积分布函数来计算伽马参数，使用的累积分布函数是通过形状参数为2和尺度参数为1的伽马分布概率密度函数得到；其中
Figure BDA0003117616240000099
是sigmoid函数，即S型线性曲线，在光照较低的区域中，函数斜率更高，而在光照较高的区域，函数斜率较低，达到抑制高亮度区域和增强低亮度区域的效果。
下面通过一个算法实验来说明本发明的具体实施方式，并对发明的处理方法进行测试。本发明算法的硬件测试环境为：Inter(R)Core(TM)i7-6700K CPU，软件为Matlab2018b；对比方法为基于随机森林的图像增强方法以及基于CNN的图像增强方法。
在本发明所述算法实验中，数据集为10G的图像数据。本实验通过将图像数据输入到算法模型中，将图像增强的有效性作为算法可行性的评价指标，其中图像增强的有效性越高，则说明算法的有效性、可行性越高。
根据实验结果，基于随机森林的图像增强方法的图像增强有效性为76.54，基于神经网络的图像增强方法的图像增强有效性为81.32，本发明所述方法的图像增强有效性为86.34，相较于对比算法，本发明所提出的图像增强方法能够实现更有效的图像增强。
发明还提供一种图像增强型相机。参照图2所示，为本发明一实施例提供的图像增强型相机的结构示意图。所述图像增强型相机由物镜、像增强器、光纤元件、CCD和全套结构件组成。它以光纤光锥为中继元件，把微通道板式图像增强器与CCD耦合起来，由此组成微光成像器件。
参照图3所示，为本发明一实施例提供的控制电路系统构成示意图。控制电路主要由同步控制模块、选通快门模块、增益控制和监控模块、低压供电模块、高压供电模块和远程通讯模块等组成。用户使用计算机设定增益、距离、景深、频率等参数，计算机通过串口发送指令，FPGA控制单元接收到指令后，经内部逻辑阵列控制选通门的开启、关闭，置入增益参数，控制低压电源及高压电源，并将接收到的目标景物信息通过成像系统传递给计算机，并反馈当前距离选通电路的监控参数，实现对CCD的实时监控。
参照图4所示，为本发明一实施例提供的快门加载方式示意图。相机快门加载方式采用阴极常闭型方式，通过在像增强器的阴极设置+30V的偏置电压使其处于关闭状态，即使有光照，由于光电子处于反向电场，阴极上发射的电子不能到达MCP，荧光屏也不会有输出；选通时加-200V的选通电压使像增强器打开并选通出一定门宽的光脉冲，从而获得相机图像。
参照图5所示，为本发明一实施例提供的图像增强型相机的像增强器内部结构示意图。
在本实施例中，所述图像增强型相机的像增强器1至少包括图像获取装置11、数据处理器12、图像增强装置13。
其中，图像获取装置11用来获取物镜成像。
数据处理器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。数据处理器12在一些实施例中可以是图像增强型相机1的内部存储单元，例如该图像增强型相机的像增强器1的硬盘。数据处理器12在另一些实施例中也可以是图像增强型相机1的外部存储设备，例如图像增强型相机的像增强器1上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，数据处理器12还可以既包括图像增强型相机1的内部存储单元也包括外部存储设备。数据处理器12不仅可以用于存储安装于图像增强型相机的像增强器1的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
图像增强装置13在一些实施例中可以是一中央处理器(Central ProcessingUnit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，包括监控单元，用于运行数据处理器12中存储的程序代码或处理数据，例如图像增强程序指令14等。
图5仅示出了具有组件11-13以及图像增强型相机的像增强器1，本领域技术人员可以理解的是，图5示出的结构并不构成对图像增强型相机的像增强器1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的图像增强型相机的像增强器1实施例中，数据处理器12中存储有图像增强程序指令14；图像增强装置13执行数据处理器12中存储的图像增强程序指令14的步骤，与图像增强方法的实现方法相同，在此不作类述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有图像增强程序指令，所述图像增强程序指令可被一个或多个处理器执行，以实现如下操作：
获取相机图像，将相机图像转换为灰度图，并利用局部最大类间方差法对灰度图进行二值化处理，得到二值化相机图像；
将二值化相机图像转换为光照图像；
利用多尺度的图像滤波算法对光照图像进行平滑滤波，得到滤波后的光照图像；
利用基于图像分解的图像降噪方法对滤波后的光照图像进行降噪处理，得到降噪后的光照图像；
利用暗环境下的图像增强算法对降噪后的光照图像进行亮度增强处理，得到增强后的相机图像。
需要说明的是，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。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种图像增强方法，其特征在于，所述方法包括：
获取相机图像，将相机图像转换为灰度图，并利用局部最大类间方差法对灰度图进行二值化处理，得到二值化相机图像；
将二值化相机图像转换为光照图像；
利用多尺度的图像滤波算法对光照图像进行平滑滤波，得到滤波后的光照图像；
利用基于图像分解的图像降噪方法对滤波后的光照图像进行降噪处理，得到降噪后的光照图像；
利用暗环境下的图像增强算法对降噪后的光照图像进行亮度增强处理，得到增强后的相机图像。
2.如权利要求1所述的一种图像增强方法，其特征在于，所述利用局部最大类间方差法对灰度图进行二值化处理，包括：
1)计算灰度图的平均灰度：
Figure FDA0003117616230000011
Figure FDA0003117616230000012
其中：
M×N像素为灰度图的大小；
k表示灰度图的灰度级；
ρ(k)为灰度级为k的像素出现的概率；
n(k)为灰度级为k的像素出现的个数；
2)以灰度级m为分割阈值，小于此阈值为背景，大于等于此阈值为前景，从而将灰度图分成前景和背景，则背景灰度值为：
Figure FDA0003117616230000013
背景数比例为：
Figure FDA0003117616230000014
前景灰度值为：
Figure FDA0003117616230000015
前景数比例为：
Figure FDA0003117616230000016
3)计算前景和背景的方差σ：
σ＝wb×(μb-μ)2+wf×(μf-μ)2
用不同的值对分割阈值m进行修改，使得前景和背景的方差达到最大，此时的分割阈值m′为最佳分割阈值；并以最佳分割阈值进行灰度图的二值化分割处理，得到二值化相机图像。
3.如权利要求2所述的一种图像增强方法，其特征在于，所述将二值化相机图像转换为光照图像的方法为：
Figure FDA0003117616230000017
Figure FDA0003117616230000021
H2＝0.256*IR+0.504*IG+0.096*IB+16
其中：
H1表示全局光照图像；
Ii表示二值化相机图像I的RGB颜色通道；
H2表示局部光照图像；
G表示光照图像。
4.如权利要求3所述的一种图像增强方法，其特征在于，所述利用多尺度的图像滤波算法对光照图像进行平滑滤波，包括：
所述多尺度的平滑滤波公式为：
Figure FDA0003117616230000022
其中：
F(G(i)，δk)表示平滑滤波器，δk表示平滑滤波的尺度；
所建立的平滑滤波器为：
Figure FDA0003117616230000023
Figure FDA0003117616230000024
Figure FDA0003117616230000025
Figure FDA0003117616230000026
其中：
G(i)表示光照图像的像素i；
Ωδ(i)表示以像素i为中心，δ为半径的方形窗口，Y表示方形窗口的像素矩阵；
μG,δ(k)表示光照图像在Ωδ(i)内的像素均值；
μY,δ(k)表示像素矩阵在Ωδ(i)内的像素均值；
Figure FDA0003117616230000027
表示光照图像在Ωδ(i)内的像素方差；
ε表示权重惩罚参数，将其设置为0.1；
μG,1(k)表示光照图像在Ω1(i)内的像素均值；
Figure FDA0003117616230000028
表示光照图像在Ω1(i)内的像素方差；
W(k)表示滤波权重；
ak表示平滑滤波器的线性系数。
5.如权利要求4所述的一种图像增强方法，其特征在于，所述利用基于图像分解的图像降噪方法对滤波后的光照图像进行降噪处理，包括：
1)提取滤波后光照图像G′的结构层Q：
Figure FDA0003117616230000029
其中：
α为调节参数，将其设置为0.15；
上述函数的求解过程为：
Figure FDA00031176162300000210
Figure FDA0003117616230000031
Qiter+1＝F-1(Qiter)
α＝2α
其中：
iter表示迭代次数；当iter＝0时，Q0＝G′；
F-1(·)表示傅里叶逆变换；
重复上述迭代过程，直到α>αmax，其中αmax表示预设定的最大参数阈值，将其设置为1.5；
最终迭代得到的Qiter+1即为滤波后光照图像G′的结构层Q；
2)计算结构层Q的掩膜层P：
Figure FDA0003117616230000032
其中：
Qmax表示结构层Q的最大值；
3)利用加权最小二乘法对结构层进行分解：
L＝WLS(P*Q)
其中：
WLS(·)表示加权的最小二乘法；
将加权最小二乘法转换为如下目标函数：
Figure FDA0003117616230000033
其中：
Figure FDA0003117616230000034
表示垂直梯度，
Figure FDA0003117616230000035
表示水平梯度；
β表示梯度权重，将其设置为1.2；
直接对目标函数进行求解得到：
L＝(E+La)-1*(P*Q)
其中：
E表示单位矩阵；
La表示以
Figure FDA0003117616230000036
和
Figure FDA0003117616230000037
为对角线元素的对角矩阵。
6.如权利要求5所述的一种图像增强方法，其特征在于，所述利用暗环境下的图像增强算法对降噪后的光照图像进行亮度增强处理，包括：
所述图像增强算法的公式为：
L′＝k*L1-cdf(L)
Figure FDA0003117616230000038
Figure FDA0003117616230000039
其中：
L表示降噪后的光照图像；
cdf(·)表示累计分布函数；
L′表示增强后的相机图像；
k表示控制因子。
7.一种图像增强型相机，其特征在于，所述相机包括：
物镜、像增强器、光纤元件、CCD和全套结构件；
相机控制电路，主要由同步控制模块、选通快门模块、增益控制和监控模块、低压供电模块、高压供电模块和远程通讯模块等组成，用于将接收到的目标景物信息通过成像系统传递给计算机，并反馈当前距离选通电路的监控参数，实现对CCD的实时监控。
8.一种像增强器，所述像增强器包括：
图像获取装置，用于获取物镜成像；
数据处理器，用于将相机图像转换为灰度图，并利用局部最大类间方差法对灰度图进行二值化处理，得到二值化相机图像；将二值化相机图像转换为光照图像；利用多尺度的图像滤波算法对光照图像进行平滑滤波，得到滤波后的光照图像；
图像增强装置，用于利用基于图像分解的图像降噪方法对滤波后的光照图像进行降噪处理，得到降噪后的光照图像；利用暗环境下的图像增强算法对降噪后的光照图像进行亮度增强处理，得到增强后的相机图像。
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上存储有图像增强程序指令，所述图像增强程序指令可被一个或者多个处理器执行，以实现如上所述的图像增强的实现方法的步骤。
CN202110667850.7A 2021-06-16 2021-06-16 一种图像增强型相机 Withdrawn CN113436282A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110667850.7A CN113436282A (zh) 2021-06-16 2021-06-16 一种图像增强型相机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110667850.7A CN113436282A (zh) 2021-06-16 2021-06-16 一种图像增强型相机

Publications (1)

Publication Number Publication Date
CN113436282A true CN113436282A (zh) 2021-09-24

Family

ID=77756198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110667850.7A Withdrawn CN113436282A (zh) 2021-06-16 2021-06-16 一种图像增强型相机

Country Status (1)

Country Link
CN (1) CN113436282A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822253A (zh) * 2021-11-24 2021-12-21 天津大学 一种人机协作方法及系统
CN114112038A (zh) * 2021-10-13 2022-03-01 中国电子科技集团公司第五十五研究所 一种高速、高灵敏度紫外成像组件
CN117455802A (zh) * 2023-12-25 2024-01-26 榆林金马巴巴网络科技有限公司 一种本安型矿灯采集图像降噪增强方法
CN118172285A (zh) * 2024-05-14 2024-06-11 浙江芯劢微电子股份有限公司 一种画质优化方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202395867U (zh) * 2011-08-18 2012-08-22 崔志刚 像管直耦增强数码相机
CN111292257A (zh) * 2020-01-15 2020-06-16 重庆邮电大学 一种基于Retinex的暗视觉环境下图像增强方法
CN112308802A (zh) * 2020-11-20 2021-02-02 汪秀英 一种基于大数据的图像分析方法及系统
CN112819702A (zh) * 2019-11-15 2021-05-18 北京金山云网络技术有限公司 图像增强方法、装置、电子设备及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202395867U (zh) * 2011-08-18 2012-08-22 崔志刚 像管直耦增强数码相机
CN112819702A (zh) * 2019-11-15 2021-05-18 北京金山云网络技术有限公司 图像增强方法、装置、电子设备及计算机可读存储介质
CN111292257A (zh) * 2020-01-15 2020-06-16 重庆邮电大学 一种基于Retinex的暗视觉环境下图像增强方法
CN112308802A (zh) * 2020-11-20 2021-02-02 汪秀英 一种基于大数据的图像分析方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
向丽娟: "暗视觉环境下图像增强算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
姜雪松: "不良照明条件下的夜晚图像增强方法研究", 《中国优秀博士学位论文全文数据库信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112038A (zh) * 2021-10-13 2022-03-01 中国电子科技集团公司第五十五研究所 一种高速、高灵敏度紫外成像组件
CN113822253A (zh) * 2021-11-24 2021-12-21 天津大学 一种人机协作方法及系统
CN117455802A (zh) * 2023-12-25 2024-01-26 榆林金马巴巴网络科技有限公司 一种本安型矿灯采集图像降噪增强方法
CN117455802B (zh) * 2023-12-25 2024-04-05 榆林金马巴巴网络科技有限公司 一种本安型矿灯采集图像降噪增强方法
CN118172285A (zh) * 2024-05-14 2024-06-11 浙江芯劢微电子股份有限公司 一种画质优化方法和装置

Similar Documents

Publication Publication Date Title
CN113436282A (zh) 一种图像增强型相机
Xu et al. Review of video and image defogging algorithms and related studies on image restoration and enhancement
Zheng et al. Image dehazing by an artificial image fusion method based on adaptive structure decomposition
Shin et al. Radiance–reflectance combined optimization and structure-guided $\ell _0 $-Norm for single image dehazing
Parihar et al. Fuzzy-contextual contrast enhancement
Hu et al. Single image defogging based on illumination decomposition for visual maritime surveillance
Kim et al. Effective image enhancement techniques for fog‐affected indoor and outdoor images
Srinivas et al. Low light image enhancement with adaptive sigmoid transfer function
CN113222877B (zh) 红外和可见光图像融合方法及其在机载光电视频中的应用
Lin An approach to adaptive infrared image enhancement for long-range surveillance
Dharejo et al. A remote‐sensing image enhancement algorithm based on patch‐wise dark channel prior and histogram equalisation with colour correction
Park et al. Generation of high dynamic range illumination from a single image for the enhancement of undesirably illuminated images
Zhu et al. Underwater image enhancement based on colour correction and fusion
Ko et al. Variational framework for low-light image enhancement using optimal transmission map and combined ℓ1 and ℓ2-minimization
Fu et al. An anisotropic Gaussian filtering model for image de-hazing
Febin et al. A retinex-based variational model for enhancement and restoration of low-contrast remote-sensed images corrupted by shot noise
Chen et al. Visual depth guided image rain streaks removal via sparse coding
CN115187954A (zh) 一种基于图像处理的特殊场景下交通标志识别方法
CN105931191B (zh) 基于凹凸混合正则先验的图像盲去卷积方法
CN116245772A (zh) 低照度无人机航拍图像增强方法及装置
Liu et al. Single image defogging method based on image patch decomposition and multi-exposure image fusion
Toet et al. Infrared contrast enhancement through log-power histogram modification
Tong et al. Infrared and visible image fusion under different illumination conditions based on illumination effective region map
Noori et al. Digital image defogging using joint Retinex theory and independent component analysis
Chung et al. Under-exposed image enhancement using exposure compensation

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210924