CN113870142B - 用于增强图像对比度的方法、装置 - Google Patents
用于增强图像对比度的方法、装置 Download PDFInfo
- Publication number
- CN113870142B CN113870142B CN202111173620.1A CN202111173620A CN113870142B CN 113870142 B CN113870142 B CN 113870142B CN 202111173620 A CN202111173620 A CN 202111173620A CN 113870142 B CN113870142 B CN 113870142B
- Authority
- CN
- China
- Prior art keywords
- contrast
- image
- processed
- preset
- determining
- 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 61
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 71
- 230000006870 function Effects 0.000 claims description 57
- 230000009466 transformation Effects 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 12
- 238000004590 computer program Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本公开提供了用于增强图像对比度的方法、装置、电子设备、存储介质及计算机程序产品，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可用于图像拼接和图像识别场景下。具体实现方案为：确定所获取的待处理图像的对比度；根据对比度，确定预设对比度调整算法中的网格大小参数的参数值；基于采用参数值的预设对比度调整算法，增强待处理图像的对比度，得到对比度增强图像。本公开提高了待处理图像的对比度的增强效果以及预设对比度调整算法的适用范围。
Description
技术领域
本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，尤其涉及用于增强图像对比度的方法、装置、电子设备、存储介质以及计算机程序产品，可用于图像拼接和图像识别场景下。
背景技术
目前，在执行图像处理任务之前，往往需要增强待处理图像的对比度。其中，图像处理任务例如是图像拼接、图像识别等任务。现实场景中，存在所获取的待处理图像的对比度较低的情况，例如文本图像中的文本色彩与背景色彩相近，导致对比度增强算法处理待处理图像得到的增强效果不明显。
发明内容
本公开提供了一种用于增强图像对比度的方法、装置、电子设备、存储介质以及计算机程序产品。
根据第一方面，提供了一种用于增强图像对比度的方法，包括：确定所获取的待处理图像的对比度；根据对比度，确定预设对比度调整算法中的网格大小参数的参数值；基于采用参数值的预设对比度调整算法，增强待处理图像的对比度，得到对比度增强图像。
根据第二方面，提供了一种用于增强图像对比度的装置，包括：第一确定单元，被配置成确定所获取的待处理图像的对比度；第二确定单元，被配置成根据对比度，确定预设对比度调整算法中的网格大小参数的参数值；增强单元，被配置成基于采用参数值的预设对比度调整算法，增强待处理图像的对比度，得到对比度增强图像。
根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面任一实现方式描述的方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面任一实现方式描述的方法。
根据第五方面，提供了一种计算机程序产品，包括：计算机程序，计算机程序在被处理器执行时实现如第一方面任一实现方式描述的方法。
根据本公开的技术，提供了一种基于待处理图像的对比度自适应地调整预设对比度调整算法中的网格尺寸的方法，通过调整网格尺寸后的预设对比度调整算法处理待处理图像，提高了待处理图像的对比度的增强效果，尤其是针对于低对比度的待处理图像，具有较好的对比度增强效果，并且，基于本公开的自适应性，使得预设对比度调整算法适用于非低对比度的待处理图像，提高了预设对比度调整算法的适用范围。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于增强图像对比度的方法的一个实施例的流程图；
图3是根据本实施例的用于增强图像对比度的方法的应用场景的示意图；
图4是根据本公开的用于增强图像对比度的方法的又一个实施例的流程图；
图5是根据本公开的用于增强图像对比度的装置的一个实施例的结构图；
图6是适于用来实现本公开实施例的计算机系统的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
图1示出了可以应用本公开的用于增强图像对比度的方法及装置的示例性架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络 104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于图像扫描设备、车载智能设备、监控设备、智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如，接收终端设备101、 102、103发送的待处理图像，基于待处理图像的对比度自适应地调整预设对比度调整算法中的网格大小参数的参数值，通过调整网格尺寸后的预设对比度调整算法处理待处理图像的后台处理服务器。可选的，服务器可以将得到的对比度增强图像反馈至终端设备。作为示例，服务器105可以是云端服务器。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是，本公开的实施例所提供的用于增强图像对比度的方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，用于增强图像对比度的装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当用于增强图像对比度的方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括用于增强图像对比度的方法运行于其上的电子设备(例如服务器或终端设备)。
请参考图2，图2为本公开实施例提供的一种用于增强图像对比度的方法的流程图，其中，流程200包括以下步骤：
步骤201，确定所获取的待处理图像的对比度。
本实施例中，用于增强图像对比度的方法的执行主体(例如，图1中的终端设备或服务器)可以通过有线网络连接方式或无线网络连接方式从远程，或从本地获取待处理图像，并确定所获取的待处理图像的对比度。
待处理图像可以是包括任意内容的图像。作为示例，在人脸识别场景下，待处理图像可以是监控设备所获取的人脸图像；在智能驾驶场景下，待处理图像可以是辅助驾驶车辆、自动驾驶车辆上的图像采集设备所获取的、表征车辆周围环境的环境图像；在图像扫描场景下，待处理图像是对现实事物(例如，书籍)进行扫描得到的扫描图像。
图像的对比度是对图像中明暗区域中最亮的白和最暗的黑之间不同亮度层级的测量，即一幅图像灰度反差的大小。作为示例，上述执行主体可以通过如下公式计算待处理图像的对比度：
Contrast＝(light_max–light_min)/(light_max+light_min)
其中，Contrast表征待处理图像的对比度，light_max表征待处理图像的最大灰度值，light_min表征待处理图像的最小灰度值。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤201：
确定待处理图像中的预设感兴趣区域的对比度。
具体的，上述执行主体可以根据拍摄待处理图像时的光照情况确定待处理图像中的预设感兴趣区域。作为示例，在特定的拍摄场景中，例如，文本扫描场景中，上述执行主体可以获取扫描得到待处理图像的扫描设备对文本的光照情况，进而确定所得到的待处理图像中的预设感兴趣区域。
作为又一示例，上述执行主体可以根据待处理图像的图像信息，将待处理图像中光照置信度高的、预设尺寸的区域确定为预设感兴趣区域。其中，预设尺寸可以根据实际情况具体设置，例如，预设尺寸为100像素×100 像素。
本实现方式中，针对于具体的待处理图像可以确定其中的预设感兴趣区域，进而，上述执行主体可以将预设感兴趣区域的对比度确定为待处理图像的对比度，提高了确定对比度的灵活性和所确定的对比度的准确度。
在本实施例的一些可选的实现方式中，上述执行主体可以进一步通过如下方式确定待处理图像的对比度：将待处理图像的中心区域作为预设感兴趣区域，确定待处理图像的对比度。
可以理解，待处理图像的中心区域的光照置信度较高，通过将中心区域的对比度确定为待处理图像的对比度，提供了一种统一化的对比度的确定方式，提高了对比度确定过程的适用性，避免了待处理图像的边缘区域的光照不均匀而造成对比度确定不准确的问题。
步骤202，根据对比度，确定预设对比度调整算法中的网格大小参数的参数值。
本实施例中，上述执行主体可以根据待处理图像的对比度，确定预设对比度调整算法中的网格大小参数的参数值。
预设对比度调整算法为用于增强图像的对比度的算法。作为示例，预设对比度调整算法可以是AHE(Adaptive Histogram Equalization，自适应直方图均衡化)算法、CLAHE(Contrast Limited Adaptive Histogram Equalization，对比度受限的自适应直方图均衡化)算法。
以CLAHE算法为例，其一般处理过程为：将待处理图像划分为多个网格，对于每个网格，分别计算其灰度直方图和对应的变换函数(累积直方图)；将待处理图像中的像素按照分布情况分为三种情况处理；对于待处理图像的四个端点对应的网格中的像素，按照其所在网格的变换函数进行灰度映射；对于待处理图像的边缘的网格中的像素，按照相邻的两个边缘网格的变换函数变换后进行线性插值得到对比度增强后的网格；对于待处理图像中剩余的内部网格中的像素，按照相邻的四个内部网格对应的变换函数变换后进行双线性插值得到对比度增强后的网格。
本申请中，根据对比度，确定预设对比度调整算法中的网格大小参数 (gridsize)的参数值，也即网格的大小。作为示例，上述执行主体可以预先设置表征待处理图像的对比度和网格大小参数的参数值之间的对应关系的对应关系表。为了提高对应关系表的实用性，其对应关系可以具体表现为各对比度范围与网格大小参数的参数值之间的对应关系。从而，将待处理图像的对比度与对应关系表中的对比度或对比度范围进行比对，将与待处理图像的对比度匹配的、对应关系表中的对比度或对比度范围所对应的参数值确定为预设对比度调整算法中的网格大小参数的参数值。
需要说明的是，对于对应关系表中的每个对比度，该对比度对应的参数值为预设对比度算法在采用该参数值情况下，对该对比度的待处理图像具有较好的对比度增强效果的参数值。具体的，对应关系表中的各对应关系可以是相关技术人员在基于预设对比度调整算法调整图像的对比度的过程中，针对各图像的对比度，多次调整预设对比度调整算法中的网格大小参数以得到好的对比度增强效果而得到的经验值。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤202：
采用预设确定函数，根据对比度，确定预设对比度调整算法中的网格大小参数的参数值。其中，预设确定函数用于表征对比度与预设对比度调整算法中的网格大小参数的参数值之间的对应关系。
基于预设确定函数，上述执行主体可以及时而准确地根据待处理图像的对比度确定出预设对比度调整算法中的网格大小参数的参数值，提高了对比度增强过程的处理效率和准确度。
在本实施例的一些可选的实现方式中，预设确定函数通过如下方式得到：
首先，确定目标函数模型。
本实现方式中，目标函数模型可以是一次函数模型、二次函数模型等函数模型。作为示例，目标函数模型可以是：
F(contrast)＝a+(contrast–b)/c
其中，F(contrast)表征计算得到的网格大小参数的参数值，contrast 表征待处理图像的对比度，a、b、c为目标函数模型中的参数。
然后，拟合目标数据集中的数据，确定函数模型的参数，得到预设确定函数。其中，数据集中的数据表征不同对比度的图像所适用的预设对比度调整算法中的网格大小。
作为示例，相关技术人员可以基于实际调整经验，确定不同对比度的图像所适用的预设对比度调整算法中的网格大小，得到目标数据集。从而，上述执行主体可以拟合目标数据集中的数据，确定函数模型的参数，例如上述目标函数模型中的a、b、c参数，得到预设确定函数。本实现方式中，提供了一种预设确定函数的确定方式，可以便捷地确定用于确定网格大小参数的参数值的函数。
步骤203，基于采用参数值的预设对比度调整算法，增强待处理图像的对比度，得到对比度增强图像。
本实施例中，上述执行主体可以基于采用参数值的预设对比度调整算法，增强待处理图像的对比度，得到对比度增强图像。
以CLAHE算法为例，上述执行主体可以将CLAHE算法中的网格大小参数设置为基于待处理图像的对比度所确定出的参数值；进而，基于参数值所表征的网格尺寸划分待处理图像，并根据网格在待处理图像中的分布情况进行如下处理：对于待处理图像的四个端点对应的网格中的像素，按照其所在网格的变换函数进行灰度映射；对于待处理图像的边缘的网格中的像素，按照相邻的两个边缘网格的变换函数变换后进行线性插值得到对比度增强后的网格；对于待处理图像中剩余的内部网格中的像素，按照相邻的四个内部网格对应的变换函数变换后进行双线性插值得到对比度增强后的网格。
在本实施例的一些可选的实现方式中，待处理图像为扫描得到的图像序列中的图像。对于图像序列中的每个待处理图像，上述执行主体可以基于本公开得到该待处理图像对应的对比度增强图像。之后，上述执行主体还可以执行如下操作：
首先，提取图像序列中的每个待处理图像对应的对比度增强图像的特征信息。
作为示例，上述执行主体可以基于深度学习的方法，使用预先训练的 CNN(Convolutional Neural Networks，卷积神经网络)、GNN(Graph Neural Network，图神经网络)等网络模型对每一帧对比度增强图像进行特征提取。
然后，确定相邻的对比度增强图像的特征信息之间的匹配信息。
相邻的两帧待处理图像所对应的两帧对比度增强图像为相邻的对比度增强图像。
具体的，对于相邻对比度增强图像中的一帧对比度增强图像中的每个特征点，上述执行主体确定该特征点与另一帧对比度增强图像中的特征点之间的距离，进而基于特征点之间的距离，确定相邻的对比度增强图像中相匹配的特征点对，得到特征信息之间的匹配信息。作为示例，距离例如可以是汉明距离，上述执行主体可以将另一帧对比度增强图像中的、与这一帧对比度增强图像中的该特征点距离最近的特征点确定为该特征点匹配的特征点。
作为又一示例，上述执行主体可以基于ORB(Oriented Fast and Rotated Brief，定向快速旋转简报)算法、BEBLID(Boosted Efficient Binary Local Image Descriptor，增强的高效局部图像描述符)算法进行特征提取和特征匹配。
最后，根据匹配信息，拼接相邻的对比度增强图像。
作为示例，根据各相匹配的特征点之间的汉明距离确定匹配信息之后，上述执行主体依据匹配信息，通过RANSAC(Random sample consensus，随机抽样一致算法)得到相邻的对比度增强图像之间的单应矩阵。单应矩阵用于表征相邻的对比度增强图像之间的映射变换关系。进而，上述执行主体可以根据单应矩阵拼接相邻的对比度增强图像，得到图像序列中的各待处理图像对应的对比度增强图像的拼接图像。
本实现方式中，上述执行主体可以得到图像序列中每个待处理图像的对比度增强图像，进而对相邻的对比度增强图像进行特征匹配和图像拼接，基于具有较高对比度的相邻的对比度增强图像，提高了特征匹配、图像拼接的准确性。
继续参见图3，图3是根据本实施例的用于增强图像对比度的方法的应用场景的一个示意图300。在图3的应用场景中，文本扫描设备301扫描文件中的文本信息，得到包括多个待处理图像的图像序列。服务器302 从文本扫描设备中获取图像序列中的待处理图像。在获取待处理图像303 之后，首先，服务器302确定所获取的待处理图像的对比度。然后，根据对比度，确定预设对比度调整算法中的网格大小参数的参数值。最后，基于采用参数值的预设对比度调整算法，增强待处理图像的对比度，得到对比度增强图像304。
本实施例中，提供了一种基于待处理图像的对比度自适应地调整预设对比度调整算法中的网格尺寸的方法，通过调整网格尺寸后的预设对比度调整算法处理待处理图像，提高了待处理图像的对比度的增强效果，尤其是针对于低对比度的待处理图像，具有较好的对比度增强效果，并且，基于本公开的自适应性，使得预设对比度调整算法适用于非低对比度的待处理图像，提高了预设对比度调整算法的适用范围。
继续参考图4，示出了根据本公开的方法的一个用于增强图像对比度的方法实施例的示意性流程400，包括以下步骤：
步骤401，对于扫描得到的图像序列中的每个待处理图像，执行如下操作：
步骤4011，确定该待处理图像中的预设感兴趣区域的对比度。
步骤4012，采用预设确定函数，根据对比度，确定预设对比度调整算法中的网格大小参数的参数值。
其中，预设确定函数用于表征对比度与预设对比度调整算法中的网格大小参数的参数值之间的对应关系。
步骤4013，基于采用参数值的预设对比度调整算法，增强该待处理图像的对比度，得到对比度增强图像。
步骤402，提取图像序列中的每个待处理图像对应的对比度增强图像的特征信息。
步骤403，确定相邻的对比度增强图像的特征信息之间的匹配信息。
步骤404，根据匹配信息，拼接相邻的对比度增强图像。
需要说明的是，本实施例中，上述执行主体可以基于所得到的对比度增强图像实时进行图像特征提取、图像匹配、图像拼接。例如，在得到一帧待处理图像的对比度增强图像后，及时对该对比度增强图像与前一帧对比度增强图像进行特征提取、图像匹配、图像拼接。
从本实施例中可以看出，与图2对应的实施例相比，本实施例中的用于增强图像对比度的方法的流程400具体说明了扫描场景中得到的每个扫描图像的对比度增强过程，以及对相邻的对比度增强图像的特征匹配、图像拼接过程，提高了特征匹配、图像拼接的准确性。
继续参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于增强图像对比度的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，用于增强图像对比度的装置包括：第一确定单元501，被配置成确定所获取的待处理图像的对比度；第二确定单元502，被配置成根据对比度，确定预设对比度调整算法中的网格大小参数的参数值；增强单元503，被配置成基于采用参数值的预设对比度调整算法，增强待处理图像的对比度，得到对比度增强图像。
在本实施例的一些可选的实现方式中，第一确定单元501，进一步被配置成：确定待处理图像中的预设感兴趣区域的对比度。
在本实施例的一些可选的实现方式中，第一确定单元501，进一步被配置成：将待处理图像的中心区域作为预设感兴趣区域，确定对比度。
在本实施例的一些可选的实现方式中，第二确定单元502，进一步被配置成：采用预设确定函数，根据对比度，确定预设对比度调整算法中的网格大小参数的参数值，其中，预设确定函数用于表征对比度与预设对比度调整算法中的网格大小参数的参数值之间的对应关系。
在本实施例的一些可选的实现方式中，预设确定函数通过如下方式得到：确定目标函数模型；拟合目标数据集中的数据，确定函数模型的参数，得到预设确定函数，其中，数据集中的数据表征不同对比度的图像所适用的预设对比度调整算法中的网格大小。
在本实施例的一些可选的实现方式中，待处理图像为扫描得到的图像序列中的图像；以及上述装置还包括：提取单元(图中未示出)，被配置成提取图像序列中的每个待处理图像对应的对比度增强图像的特征信息；第三确定单元(图中未示出)，被配置成确定相邻的对比度增强图像的特征信息之间的匹配信息；拼接单元(图中未示出)，被配置成根据匹配信息，拼接相邻的对比度增强图像。
本实施例中，提供了一种基于待处理图像的对比度自适应地调整预设对比度调整算法中的网格尺寸的装置，通过调整网格尺寸后的预设对比度调整算法处理待处理图像，提高了待处理图像的对比度的增强效果，尤其是针对于低对比度的待处理图像，具有较好的对比度增强效果，并且，基于本公开的自适应性，使得预设对比度调整算法适用于非低对比度的待处理图像，提高了预设对比度调整算法的适用范围。
根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的用于增强图像对比度的方法。
根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的用于增强图像对比度的方法。
本公开实施例提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任意实施例所描述的用于增强图像对比度的方法。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、 ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口 605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如用于增强图像对比度的方法。例如，在一些实施例中，用于增强图像对比度的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的用于增强图像对比度的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件) 而被配置为执行用于增强图像对比度的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备 (CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷；也可以为分布式系统的服务器，或者是结合了区块链的服务器。
根据本公开实施例的技术方案，提供了一种基于待处理图像的对比度自适应地调整预设对比度调整算法中的网格尺寸的方法，通过调整网格尺寸后的预设对比度调整算法处理待处理图像，提高了待处理图像的对比度的增强效果，尤其是针对于低对比度的待处理图像，具有较好的对比度增强效果，并且，基于本公开的自适应性，使得预设对比度调整算法适用于非低对比度的待处理图像，提高了预设对比度调整算法的适用范围。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (10)
1.一种用于增强图像对比度的方法，包括：
确定所获取的待处理图像的对比度，包括：根据拍摄所述待处理图像时的光照情况，确定所述待处理图像中的预设感兴趣区域；确定所述待处理图像中的预设感兴趣区域的对比度；
根据所述对比度，确定预设对比度调整算法中的网格大小参数的参数值，包括：采用预设确定函数，根据所述对比度，确定所述预设对比度调整算法中的网格大小参数的参数值，其中，所述预设确定函数用于表征对比度与预设对比度调整算法中的网格大小参数的参数值之间的对应关系；
基于采用所述参数值的预设对比度调整算法，增强所述待处理图像的对比度，得到对比度增强图像，包括：计算所述待处理图像中的每个网格对应的灰度直方图和变换函数；对于所述待处理图像的四个端点处的端点网格，按照所述端点网格对应的变换函数进行灰度映射，得到对比度增强后的网格；对于所述待处理图像的边缘处的边缘网格，按照相邻的两个边缘网格的变换函数对像素变换后进行双线性插值，得到对比度增强后的网格；对于所述待处理图像中剩余的内部网格，按照相邻的四个内部网格对应的变换函数对像素变换后进行双线性插值，得到对比度增强后的网格。
2.根据权利要求1所述的方法，其中，所述确定所述待处理图像中的预设感兴趣区域的对比度，包括：
将所述待处理图像的中心区域作为预设感兴趣区域，确定所述对比度。
3.根据权利要求1所述的方法，其中，所述预设确定函数通过如下方式得到：
确定目标函数模型；
拟合目标数据集中的数据，确定所述目标函数模型的参数，得到所述预设确定函数，其中，所述目标数据集中的数据表征不同对比度的图像所适用的预设对比度调整算法中的网格大小。
4.根据权利要求1-3中任一项所述的方法，其中，所述待处理图像为扫描得到的图像序列中的图像；以及
还包括：
提取所述图像序列中的每个待处理图像对应的对比度增强图像的特征信息；
确定相邻的对比度增强图像的特征信息之间的匹配信息；
根据所述匹配信息，拼接相邻的对比度增强图像。
5.一种用于增强图像对比度的装置，包括：
第一确定单元，被配置成确定所获取的待处理图像的对比度，包括：根据拍摄所述待处理图像时的光照情况，确定所述待处理图像中的预设感兴趣区域；确定所述待处理图像中的预设感兴趣区域的对比度；
第二确定单元，被配置成根据所述对比度，确定预设对比度调整算法中的网格大小参数的参数值，包括：采用预设确定函数，根据所述对比度，确定所述预设对比度调整算法中的网格大小参数的参数值，其中，所述预设确定函数用于表征对比度与预设对比度调整算法中的网格大小参数的参数值之间的对应关系；
增强单元，被配置成基于采用所述参数值的预设对比度调整算法，增强所述待处理图像的对比度，得到对比度增强图像，包括：计算所述待处理图像中的每个网格对应的灰度直方图和变换函数；对于所述待处理图像的四个端点处的端点网格，按照所述端点网格对应的变换函数进行灰度映射，得到对比度增强后的网格；对于所述待处理图像的边缘处的边缘网格，按照相邻的两个边缘网格的变换函数对像素变换后进行双线性插值，得到对比度增强后的网格；对于所述待处理图像中剩余的内部网格，按照相邻的四个内部网格对应的变换函数对像素变换后进行双线性插值，得到对比度增强后的网格。
6.根据权利要求5所述的装置，其中，所述第一确定单元，进一步被配置成：
将所述待处理图像的中心区域作为预设感兴趣区域，确定所述对比度。
7.根据权利要求5所述的装置，其中，所述预设确定函数通过如下方式得到：
确定目标函数模型；拟合目标数据集中的数据，确定所述目标函数模型的参数，得到所述预设确定函数，其中，所述目标数据集中的数据表征不同对比度的图像所适用的预设对比度调整算法中的网格大小。
8.根据权利要求5-7中任一项所述的装置，其中，所述待处理图像为扫描得到的图像序列中的图像；以及
还包括：
提取单元，被配置成提取所述图像序列中的每个待处理图像对应的对比度增强图像的特征信息；第三确定单元，被配置成确定相邻的对比度增强图像的特征信息之间的匹配信息；拼接单元，被配置成根据所述匹配信息，拼接相邻的对比度增强图像。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111173620.1A CN113870142B (zh) | 2021-09-29 | 2021-09-29 | 用于增强图像对比度的方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111173620.1A CN113870142B (zh) | 2021-09-29 | 2021-09-29 | 用于增强图像对比度的方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113870142A CN113870142A (zh) | 2021-12-31 |
| CN113870142B true CN113870142B (zh) | 2022-12-27 |
Family
ID=79002199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111173620.1A Active CN113870142B (zh) | 2021-09-29 | 2021-09-29 | 用于增强图像对比度的方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113870142B (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651818A (zh) * | 2016-11-07 | 2017-05-10 | 湖南源信光电科技有限公司 | 基于改进的直方图均衡化低照度图像增强算法 |
| US11302108B2 (en) * | 2019-09-10 | 2022-04-12 | Sap Se | Rotation and scaling for optical character recognition using end-to-end deep learning |
| CN111062884B (zh) * | 2019-12-05 | 2023-05-16 | Oppo广东移动通信有限公司 | 一种图像增强方法、装置、存储介质和终端设备 |
| CN111340741B (zh) * | 2020-01-03 | 2023-05-09 | 中北大学 | 基于四元数与l1范数的粒子群优化灰度图像增强方法 |
| CN112991180B (zh) * | 2021-03-25 | 2023-10-31 | 北京百度网讯科技有限公司 | 图像拼接方法、装置、设备以及存储介质 |
-
2021
- 2021-09-29 CN CN202111173620.1A patent/CN113870142B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113870142A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
| CN109255337B (zh) | 人脸关键点检测方法和装置 | |
| CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
| US11941529B2 (en) | Method and apparatus for processing mouth image | |
| EP3598386A1 (en) | Method and apparatus for processing image | |
| CN112991180A (zh) | 图像拼接方法、装置、设备以及存储介质 | |
| CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
| CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
| US20230005171A1 (en) | Visual positioning method, related apparatus and computer program product | |
| US20220351495A1 (en) | Method for matching image feature point, electronic device and storage medium | |
| US20220319141A1 (en) | Method for processing image, device and storage medium | |
| CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
| CN114445682A (zh) | 训练模型的方法、装置、电子设备、存储介质及产品 | |
| CN113379750A (zh) | 语义分割模型的半监督学习方法、相关装置及产品 | |
| CN113569707A (zh) | 活体检测方法、装置、电子设备以及存储介质 | |
| CN116756444B (zh) | 图像处理方法、装置、设备以及存储介质 | |
| CN113657482A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
| CN109523564B (zh) | 用于处理图像的方法和装置 | |
| CN113870142B (zh) | 用于增强图像对比度的方法、装置 | |
| CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
| CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
| CN110895699A (zh) | 用于处理图像的特征点的方法和装置 | |
| CN113127058A (zh) | 数据标注方法、相关装置及计算机程序产品 | |
| CN114219744B (zh) | 图像生成方法、装置、设备及存储介质 | |
| CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 |
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 |