CN114092361A - 一种优化clahe的图像局部对比度增强方法 - Google Patents
一种优化clahe的图像局部对比度增强方法 Download PDFInfo
- Publication number
- CN114092361A CN114092361A CN202210063147.XA CN202210063147A CN114092361A CN 114092361 A CN114092361 A CN 114092361A CN 202210063147 A CN202210063147 A CN 202210063147A CN 114092361 A CN114092361 A CN 114092361A
- Authority
- CN
- China
- Prior art keywords
- image
- histogram
- local contrast
- clahe
- contrast enhancement
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 230000001186 cumulative effect Effects 0.000 claims abstract description 10
- 238000005315 distribution function Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000000903 blocking effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/94—
-
- 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 by the use of histogram techniques
Abstract
本发明提供一种优化CLAHE的图像局部对比度增强方法，所述方法包括：将输入的图像分割为多个子分块，并对各个子分块进行直方图统计；根据各个子分块的直方图裁剪阈值裁剪直方图，对超过所述裁剪阈值的像素重新分配，修正所述直方图；将所述直方图通过累积概率分布函数映射得到均衡化的灰度等级；读取前一帧存储的映射灰度等级作为前一帧分量用于灰度等级融合；通过预设值控制当前帧和前一帧的灰度等级融合比例，输出融合后的灰度等级；对像素点灰度值进行重构；以及输出局部对比度增强后的图像。通过所述图像局部对比度增强方法，在保证视频图像增强效果的同时兼顾普适性。
Description
技术领域
本发明涉及图像处理技术领域，具体而言涉及一种优化CLAHE的图像局部对比度增强方法。
背景技术
图像对比度增强是目前图像处理中常见的技术手段，视频图像的全局对比度增强方法有直方图均衡化和线性对比度拉伸。这些方法的特点是硬件实现简单，但是会带来噪声增强的弊端，并且作用全局没有考虑到局部信息，会对局部场景带来不利影响。视频图像的局部对比度增强主要是自适应的对比度增强（ACE）和自适应的直方图均衡化（AHE），其中ACE的方法采用了反锐化掩模的方法，原理是将图像高频和低频成分分离，然后高频通过放大后在和低频滤波后融合，实现图像增强效果，该方法对图像细节的增强效果明显但是计算复杂。而AHE使用的是直方图均衡化方法映射，改变直方图分布从而达到改变对比度的目的，此方法需要大量的计算，AHE的升级方法—对比度限制自适应直方图均衡化（CLAHE）利用双线性插值方法解决了计算量大的问题。
目前在CLAHE方法基础上改进对比度增强的方法有以下几种：
1.中国专利CN201911243104.4“一种直方图均衡化方法、装置、设备及存储”采用CLAHE的方法来克服AHE的过度放大噪声的影响，若直方图的限幅条件满足，基于至少两个直方图的实际裁剪限幅值和设定裁剪限幅值之间的局部线性关系，过程中需要迭代，计算复杂度高且未考虑到图像场景不同区域灰度差异较大情况时造成的误差。
2.中国专利CN201710950301.4“一种图像局部对比度增强的方法”提出通过增加局部灰阶度调整所参考的对焦区块，来反映图像对角方向关联性、增强局部对比在平滑过程中的显示效果；该方法实际上是对CLAHE中双线性插值技术的灰度值重构增加线性插值计算，能增强边缘图像的对比效果，但是对低灰度图像的细节增强缺乏技术手段。
3.中国专利CN202010569595.8“基于优化CLAHE的红外图像增强方法与系统”提出在CLAHE基础上对裁剪阈值进行二次裁剪，方法是统计模块里裁剪点数最大值和最小值做限幅，这样在处理场景中包含灰度值大和灰度值小的场景时，二次裁剪作用失效，不利于图像对比度增强的实现。
4.中国专利CN201910885219.7“一种优化CLAHE的水下图像增强方法”提出HE算法与CLAHE算法的混合使用，并对传统CLAHE算法中的核心参数进行了优化，使之更适应水下图像增强的应用情景，该方法的图像场景适应性会比较差，对低灰度图像增强效果不明显，计算量会比传统CLAHE要大。
5.中国专利CN202010080144.8“一种基于多尺度相对梯度直方图均衡化的图像增强算法”提出一种基于多尺度相对梯度直方图均衡化的图像增强算法，包括：第一步：计算图像相对梯度直方图；第二步：计算图像多尺度相对梯度直方图；第三步：均衡化所述多尺度相对梯度直方图，最后，将原始图像中所有像素点对应的灰度级替换为其映射后的灰度级，得到增强后图像。这可以有效增强图像相对梯度强度，进而大幅提高图像视觉效果。因该方法局限性不适合相对梯度较小的场景对比度增强。
现有技术针对图像的对比度增强全局图像对比度无法兼顾局部信息，而局部对比度增强方法有的计算过于复杂，有的增强存在图像场景局限性，而且多数方法对目标区域增强缺乏自适应控制，并且，以上的方案均针对特定方面需要解决的问题，不具有普适性。因此，有必要提出一种优化CLAHE的图像局部对比度增强方法，在保证视频图像增强效果的同时兼顾普适性。
发明内容
为了解决上述技术问题，本发明提供一种优化CLAHE的图像局部对比度增强方法，在传统CLAHE的基础上实现图像局部对比度增强可控，通过技术手段来增强目标区域的细节信息，提升其亮度和可识别度，同时也能保证图像全局的对比度效果。
为了实现上述发明目的，本发明中提供一种优化CLAHE的图像局部对比度增强方法，其特征在于，包括如下步骤：将输入的当前帧图像分割为多个子分块，并对各个子分块进行直方图统计；根据各个子分块的直方图裁剪阈值裁剪直方图，对超过所述裁剪阈值的像素重新分配，修正所述直方图；将所述直方图通过累积概率分布函数映射得到均衡化的灰度等级；读取前一帧存储的映射灰度等级作为前一帧分量用于灰度等级融合；通过预设值控制当前帧和前一帧的灰度等级融合比例，输出融合后的灰度等级；使用所述融合后的灰度等级对像素点灰度值进行重构；以及输出局部对比度增强后的图像。
本发明提供的优化CLAHE的图像局部对比度增强方法，具有以下优点：（1）在传统CLAHE的基础上实现图像局部对比度增强可控；（2）通过技术手段来增强目标区域的细节信息，提升其亮度和可识别度；以及（3）同时能保证图像全局的对比度效果。
优选地，将所述子分块区分为局部目标块和普通块，通过预设的目标阈值计算各个子分块的直方图裁剪阈值。
优选地，其中所述局部目标块和所述普通块分别预设不同的目标阈值。
优选地，利用非线性或线性方法，对超过裁剪阈值的像素重新分配。
优选地，将所述融合后的灰度等级，存储用于下一帧融合使用。
优选地，利用双线性插值的方法，对像素点灰度值进行重构。
优选地，所述图像为8位灰度视频图像或者红外图像。
本发明还提供一种优化CLAHE的图像局部对比度增强系统，其特征在于，包括：一个或多个处理器；存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：将输入的图像分割为多个子分块，并对各个子分块进行直方图统计；根据各个子分块的直方图裁剪阈值裁剪直方图，对超过所述裁剪阈值的像素重新分配，修正所述直方图；将所述直方图通过累积概率分布函数映射得到均衡化的灰度等级；读取前一帧存储的映射灰度等级作为前一帧分量用于灰度等级融合；通过预设值控制当前帧和前一帧的灰度等级融合比例，输出融合后的灰度等级；对像素点灰度值进行重构；以及输出局部对比度增强后的图像。
附图说明
图1是本实施例中优化CLAHE的图像增强方法的处理流程图。
图2是根据本发明实施例图像分块的示意图。
图3是传统直方图裁减及修正的示意图。
图4是根据本发明实施例直方图裁减及线性修正的示意图。
图5为根据本发明实施例直方图裁减及非线性修正的示意图。
图6是本实施例中优化CLAHE的图像增强方法的数据流程图。
具体实施方式
图1是本实施例中优化CLAHE的图像增强方法的处理流程图。图2是本实施例中图像分块示意图。现对流程图按照处理步骤做如下介绍：
步骤S1：将输入的图像分割为多个子分块，并对各个子分块进行直方图统计。
步骤S2：根据各个子分块的直方图裁剪阈值裁剪直方图，将超出阈值的多余像素重新分配，修正直方图。
步骤S3：将直方图通过累积概率分布函数映射得到均衡化的灰度等级。
步骤S4：读取前一帧存储的映射灰度等级作为前一帧分量用于灰度等级融合。
步骤S5：通过预设值控制当前帧和前一帧的灰度等级融合比例，输出融合后的灰度等级。
步骤S6：对像素点灰度值进行重构。
步骤S7：输出局部对比度增强后的图像。
首先，在步骤S1中输入图像，本实施例中输入图像是8位灰度视频图像或者红外图像。如图3所示，将每帧图像进行分块，输入的当前帧图像被分割为M*N个图块，于此M、N为整数且M、N≥2，并对每个子块进行直方图统计。分块的建议原则是原图像直方图分布均匀情况越好分块越多，默认采用5*5分块。
本实施例将图像5*5分块，取中心坐标块C作为目标块，其它块为普通块。要说明的是目标块可以是中心块C也可以是其它位置的子块，并且对目标块的数量也没有限制，例如在调试夜晚场景为凸显天空中云的情况，可以将图2最上方列的M个块作为目标块进行图像增强。在本发明中，目标块数量和位置选择自由度高，目的就是既可以实现靶向中心的局部对比度增强，也可以完成图像任意区域的图像增强。这也是本方法可以普遍适用于各种场景比度增强的基础。
步骤S2中，通过预设的目标阈值Cliplimit参数计算直方图裁剪阈值进行直方图裁剪及修正，其中局部目标块和普通块分别预设不同的阈值Cliplimit_select和Cliplimit_else。接着将裁剪后的像素点重新分配，根据将局部目标块和普通块分别预设不同的阈值Cliplimit_select和Cliplimit_else所计算出的直方图裁剪阈值作为各个子块的限制阈值Limit_block，来裁剪各个子块的直方图，并将超过裁剪阈值的直方图统计点数Steal_block重新分配，修正直方图。预设的目标阈值Cliplimit、Cliplimit_select和Cliplimit_else等参数可依照实际需求选择不同目标阈值，通过预设的目标阈值计算获得直方图裁剪阈值的方式可采取一般系统的预设计算方法或依照实际需求设计，本发明不以此为限。
图3中的（a）和图3中的（b）是传统直方图裁减及修正的示意图。裁剪的原则如图3中的（a）所示，超过限制阈值Limit_block的统计点数将被裁剪掉，以达到直方图限幅的效果。超过直方图裁剪阈值而被裁剪掉的直方图统计点数Steal_block，每个分块的超过裁剪阈值的直方图统计点数Steal_block需要重新分布到对应分块直方图的其它部分。
如图3中的（b）所示，传统上CLAHE中的做法是将Steal_block均匀的分配到各个灰度等级中得到重新分配像素数bonus_block，256表示共有256个灰度等级：
本方法通过预设的目标阈值Cliplimit参数获得直方图裁剪阈值Limit_block，其中局部目标块和普通块分别预设不同的阈值Cliplimit_select和Cliplimit_else，并且，本实施例中对裁剪像素点分配进行改进和优化，分别利用非线性和线性方法对像素点重新分配，具体实施方法如下：
图4中的（a）和图4中的（b）是根据本发明实施例直方图裁减及线性修正的示意图，以线性分配为例，如图4中的（a）所示，原先超过裁剪阈值的直方图统计点数Steal_block均匀的分配到各个灰度等级中得到每个灰度等级重新分配点数为bonus_block。本实施例如图4中的（b）所示，通过线L1来控制各灰度等级Steal_block的分配情况。256个灰度等级代表的灰度等级默认范围是0-255，现设第128个灰度等级对应Steal_block的重新分配为数量为bonus_block个，即传统上平均分配的像素点个数，Steal_block/256个。图中三角形M和N为全等三角形，通过预设的block_cor值，设k=0时的Steal_block重新分配情况bonus_cor[0] ，也就是线L1的截距b = bonus_block/bonus_cor，得到三角形M的高h即
，根据全等三角形几何关系，可以求得线L1的截距和斜率，从而得到各个灰度等级的Steal_block重新分配情况bonus_cor [k]。
即当k=0时：
k=128时：
线性函数
，其中k=0时可以得到截距
需要说明的是因为k最大值255，但为了满足全等三角形关系需要k最大到256,否则实际的点数会比超过裁剪阈值的直方图统计点数Steal_block少
个，考虑到硬件实现和实际效果将Steal_block多出来的点丢弃掉不做处理，最终得到的重新分配像素增加情况计算为：
需说明的是以上线性函数
中默认斜率a为正，同理当斜率a为负时得到的重新分配像素增加情况计算结果为：
通过上述计算可以将统计直方图裁剪的像素重新分配，得到用于累积概率分布映射的修正直方图，预设的目标阈值Cliplimit参数中，目标块预设的Cliplimit_select与普通块的Cliplimit_else值不同，此时对应修正的直方图会有差异，最终体现在目标块对比度增强更明显。
在实际图像调试中，通过控制斜率a的正负，配合预设的Cliplimit和Cliplimit_select参数，在增强图像对比度同时还可以实现亮度调节，例如说当斜率为正时，将较多的重新分配像素点补偿到较高的灰度等级，因此亮度较高；当斜率为负时，将较多的重新分配像素点补偿到较低的灰度等级，因此亮度较低。特别是在原图像低灰度局域亮度和细节识别度提升明显。
图5中的（a）和图5中的（b）为根据本发明实施例直方图裁减及非线性修正的示意图。如图5中的（a）所示，原先超过裁剪阈值的直方图统计点数Steal_block均匀的分配到各个灰度等级中得到每个灰度等级重新分配点数为bonus_block。在此实施例中，如图5中的（b）所示，采用非线性分配的方式对像素点重新分配，通过曲线L2控制各灰度等级分配情况，分配的方法同线性分配方法。图中H区块的像素点补偿到K区块，从而得到曲线L2各个灰度等级的Steal_block重新分配情况bonus_cor [k]。
需要说明的是，本实施例中无论是线性还是非线性的分配，都选择第128个灰度等级，对应平均分配的像素个数为bonus_block个。不过实际实施中灰度等级的选择不固定为第128个，可以微调。相应的曲线也会略有变化，在配置参数合理情况下不影响图像增强效果。也就是说，设灰度等级取值范围是0-Gm,第n个灰度等级对应重新分配像素个数为bonus_block个即平均分配的像素点个数，例如n=7(Gm+1)/16，(Gm+1)/2，9(Gm+1)/16，或依照实际实施选择0-Gm之间的数值，由此可以参照图4中的（b）和图5中的（b）可以对每个灰度等级进行像素点个数重新分配。
接着，在步骤S3中将修正后的直方图映射到灰度图得到均衡化的灰度等级。各分块处理后的直方图,需要重新映射到灰度图，本发明采用累积概率分布函数（CDF）映射，设定直方图对应灰度等级g，通过累积概率分布函数对应为F(g)，均衡化后对应的灰度级L，对于输入是8位的灰度图像，L=255*F(g)。
图6是本实施例中优化CLAHE的图像增强方法的数据流程图。如图6所示，计算出当前帧各灰度等级均衡化的灰度级分布L(cur)后，在步骤S4中读取前一帧存储的映射灰度等级作为前一帧分量，用于与当前帧灰度等级融合。步骤S5中通过预设值控制当前帧和前一帧的灰度等级融合比例，输出融合后的灰度等级。
当前帧各灰度等级均衡化的灰度级分布L(cur)与前一帧灰度等级均衡化的灰度级分布L(pre)融合，融合的原则是通过预设参数p_step，控制融合比例，本实施例中输出融合后的灰度级分布L(use)计算如下：
通过预设参数p_step可以控制视频图像灰度级分布的帧间迭代速率，可以有效抑制因视频图像增强引起的噪声，当视频图像存在运动物体通过使用帧间迭代控制的方法可以避免了运动物体拖尾和背景分层效应。在实际效果调试中能够很好的抑制因视频场景明暗切换过快导致图像背景异常现象。
最后各分块像素点灰度值索引上述计算所得出的各分块灰度级分布L(use)值，使输入图像中每个分块上的对应像素值通过L(use）映射到新的灰度级。
本实施例中，利用双线性插值（bilinear interpolation）的方法对整帧图像的像素点灰度级的值进行重构，该方法的优点是分块图像映像回完整图像时在分块边界有较好的过度，不会出现图像边界分层现象。最后输出增强后的整帧图像,同时L(use)存储到存储器作为下一帧的L(pre)用于下一帧融合使用。
本发明还提供一种优化CLAHE的图像局部对比度增强系统，所述系统包括一个或多个处理器及存储器，存储可被操作的指令。指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作。操作包括：将输入的图像分割为多个子分块，并对各个子分块进行直方图统计；根据各个子分块的直方图裁剪阈值裁剪直方图，将超出所述阈值的多余像素重新分配，修正直方图；将修正后的直方图通过累积概率分布函数映射得到均衡化的灰度等级；读取前一帧存储的映射灰度等级作为前一帧分量用于灰度等级融合；通过预设值控制当前帧和前一帧的灰度等级融合比例，输出融合后的灰度等级；对像素点灰度值进行重构；以及输出局部对比度增强后的图像。
综上所述，本发明提供的优化CLAHE的图像局部对比度增强方法和系统通过任意选定目标块（不限块数）并对普通块和目标块分别预设不同调节阈值的方法实现视频图像任意区域局部对比度增强；在直方图裁剪方面，通过使用线性或非线性函数对裁剪像素点重新动态分配来修正直方图，获得较大的直方图修正范围的方法；在直方图均衡化方面，通过使用控制曲线斜率正负的方法调整直方图修正策略，提升低灰度局区域亮度和细节识别度；通过使用帧间迭代控制的方法来保证运动图像对比度增强时无拖尾和背景突变等异常出现。
本发明提供的优化CLAHE的图像局部对比度增强方法和系统，具有以下优点：（1）在传统CLAHE的基础上实现图像局部对比度增强可控；（2）通过技术手段来增强目标区域的细节信息，提升其亮度和可识别度；以及（3）同时能保证图像全局的对比度效果。
以上所述仅是本发明的优选实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以优选实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案的范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本实用发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (16)
1.一种优化CLAHE的图像局部对比度增强方法，其特征在于，包括如下步骤：
将输入的当前帧图像分割为多个子分块，并对各个子分块进行直方图统计；
根据各个子分块的直方图裁剪阈值裁剪直方图，对超过所述裁剪阈值的像素重新分配，修正所述直方图；
将所述直方图通过累积概率分布函数映射得到均衡化的灰度等级；
读取前一帧存储的映射灰度等级作为前一帧分量用于灰度等级融合；
通过预设值控制当前帧和前一帧的灰度等级融合比例，输出融合后的灰度等级；
使用所述融合后的灰度等级对像素点灰度值进行重构；以及
输出局部对比度增强后的图像。
2.如权利要求1所述的优化CLAHE的图像局部对比度增强方法，其特征在于，所述图像局部对比度增强方法更包括：
将所述子分块区分为局部目标块和普通块，通过预设的目标阈值计算各个子分块的直方图裁剪阈值。
3.如权利要求2所述的优化CLAHE的图像局部对比度增强方法，其特征在于，所述图像局部对比度增强方法更包括：
其中所述局部目标块和所述普通块分别预设不同的目标阈值。
4.如权利要求1所述的优化CLAHE的图像局部对比度增强方法，其特征在于，所述图像局部对比度增强方法更包括：
利用双线性插值的方法，对像素点灰度值进行重构。
5.如权利要求1所述的优化CLAHE的图像局部对比度增强方法，其特征在于，所述图像局部对比度增强方法更包括：
将所述融合后的灰度等级，存储用于下一帧融合使用。
6.如权利要求1所述的优化CLAHE的图像局部对比度增强方法，其特征在于，利用非线性或线性方法，对超过所述裁剪阈值的像素重新分配。
7.如权利要求1所述的优化CLAHE的图像局部对比度增强方法，其特征在于，所述图像为8位灰度视频图像或者红外图像。
8.如权利要求1所述的优化CLAHE的图像局部对比度增强方法，其特征在于，设k代表灰度等级，取值范围是0-Gm, 第n个灰度等级对应重新分配像素数量为bonus_block个即平均分配的像素点个数，利用线性方法可得到各个灰度等级的像素点个数重新分配情况，第k个灰度等级的像素重新分配个数bonus_cor[k]计算为：
其中n=(Gm+1)/2。
9.一种优化CLAHE的图像局部对比度增强系统，其特征在于，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
将输入的当前帧图像分割为多个子分块，并对各个子分块进行直方图统计；
根据各个子分块的直方图裁剪阈值裁剪直方图，对超过所述裁剪阈值的像素重新分配，修正所述直方图；
将所述直方图通过累积概率分布函数映射得到均衡化的灰度等级；
读取前一帧存储的映射灰度等级作为前一帧分量用于灰度等级融合；
通过预设值控制当前帧和前一帧的灰度等级融合比例，输出融合后的灰度等级；
使用所述融合后的灰度等级对像素点灰度值进行重构；以及
输出局部对比度增强后的图像。
10.如权利要求9所述的优化CLAHE的图像局部对比度增强系统，其特征在于，将所述子分块区分为局部目标块和普通块，通过预设的目标阈值计算各个子分块的直方图裁剪阈值。
11.如权利要求10所述的优化CLAHE的图像局部对比度增强系统，其特征在于，所述局部目标块和所述普通块分别预设不同的目标阈值。
12.如权利要求9所述的优化CLAHE的图像局部对比度增强系统，其特征在于，利用双线性插值的方法，对像素点灰度值进行重构。
13.如权利要求9所述的优化CLAHE的图像局部对比度增强系统，其特征在于，所述存储器将所述融合后的灰度等级，存储用于下一帧融合使用。
14.如权利要求9所述的优化CLAHE的图像局部对比度增强系统，其特征在于，利用非线性或线性方法，对超过所述裁剪阈值的像素重新分配。
15.如权利要求9所述的优化CLAHE的图像局部对比度增强系统，其特征在于，所述图像为8位灰度视频图像或者红外图像。
16.如权利要求9所述的优化CLAHE的图像局部对比度增强系统，其特征在于，设k代表灰度等级，取值范围是0-Gm, 第n个灰度等级对应重新分配像素数量为bonus_block个即平均分配的像素点个数，利用线性方法可得到各个灰度等级的像素点个数重新分配情况，第k个灰度等级的像素重新分配个数bonus_cor[k]计算为：
其中n=(Gm+1)/2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210063147.XA CN114092361B (zh) | 2022-01-20 | 2022-01-20 | 一种优化clahe的图像局部对比度增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210063147.XA CN114092361B (zh) | 2022-01-20 | 2022-01-20 | 一种优化clahe的图像局部对比度增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114092361A true CN114092361A (zh) | 2022-02-25 |
| CN114092361B CN114092361B (zh) | 2022-06-07 |
Family
ID=80308919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210063147.XA Active CN114092361B (zh) | 2022-01-20 | 2022-01-20 | 一种优化clahe的图像局部对比度增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114092361B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926680A (zh) * | 2022-05-13 | 2022-08-19 | 山东省计算中心（国家超级计算济南中心） | 一种基于AlexNet网络模型的恶意软件分类方法及系统 |
| CN116778261A (zh) * | 2023-08-21 | 2023-09-19 | 山东恒信科技发展有限公司 | 基于图像处理的原料油等级分类方法 |
| CN116823730A (zh) * | 2023-06-01 | 2023-09-29 | 上海嘉岩供应链管理股份有限公司 | 一种精密轴承套圈的检测方法 |
| CN117152029A (zh) * | 2023-10-30 | 2023-12-01 | 浦江三思光电技术有限公司 | 一种基于fpga的clahe图像增强实时处理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7840066B1 (en) * | 2005-11-15 | 2010-11-23 | University Of Tennessee Research Foundation | Method of enhancing a digital image by gray-level grouping |
| CN103440635A (zh) * | 2013-09-17 | 2013-12-11 | 厦门美图网科技有限公司 | 一种基于学习的对比度受限自适应直方图均衡方法 |
| CN104463816A (zh) * | 2014-12-02 | 2015-03-25 | 苏州大学 | 一种图像处理方法及装置 |
| CN112184601A (zh) * | 2020-09-09 | 2021-01-05 | 中国计量大学 | 利用改进clahe算法增强在近红外光源下的静脉图像的方法 |
| CN112365424A (zh) * | 2020-11-17 | 2021-02-12 | 昆明物理研究所 | 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 |
| CN112488968A (zh) * | 2020-12-14 | 2021-03-12 | 华侨大学 | 一种分程度直方图均衡融合的图像增强方法 |
-
2022
- 2022-01-20 CN CN202210063147.XA patent/CN114092361B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7840066B1 (en) * | 2005-11-15 | 2010-11-23 | University Of Tennessee Research Foundation | Method of enhancing a digital image by gray-level grouping |
| CN103440635A (zh) * | 2013-09-17 | 2013-12-11 | 厦门美图网科技有限公司 | 一种基于学习的对比度受限自适应直方图均衡方法 |
| CN104463816A (zh) * | 2014-12-02 | 2015-03-25 | 苏州大学 | 一种图像处理方法及装置 |
| CN112184601A (zh) * | 2020-09-09 | 2021-01-05 | 中国计量大学 | 利用改进clahe算法增强在近红外光源下的静脉图像的方法 |
| CN112365424A (zh) * | 2020-11-17 | 2021-02-12 | 昆明物理研究所 | 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 |
| CN112488968A (zh) * | 2020-12-14 | 2021-03-12 | 华侨大学 | 一种分程度直方图均衡融合的图像增强方法 |
Non-Patent Citations (4)
| Title |
|---|
| RUIZHI ZHENG等: ""A Hybrid Contrast Limited Adaptive Histogram Equalization (CLAHE) for Parathyroid Ultrasonic Image Enhancement"", 《2019 CHINESE CONTROL CONFERENCE (CCC)》 * |
| RUIZHI ZHENG等: ""A Hybrid Contrast Limited Adaptive Histogram Equalization (CLAHE) for Parathyroid Ultrasonic Image Enhancement"", 《2019 CHINESE CONTROL CONFERENCE (CCC)》, 17 October 2019 (2019-10-17), pages 3577 - 3582 * |
| 张雪明等: ""基于NSST和CLAHE的零件表面缺陷图像增强算法研究"", 《智能计算机与应用》 * |
| 张雪明等: ""基于NSST和CLAHE的零件表面缺陷图像增强算法研究"", 《智能计算机与应用》, vol. 11, no. 11, 30 November 2021 (2021-11-30), pages 131 - 136 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926680A (zh) * | 2022-05-13 | 2022-08-19 | 山东省计算中心（国家超级计算济南中心） | 一种基于AlexNet网络模型的恶意软件分类方法及系统 |
| CN114926680B (zh) * | 2022-05-13 | 2022-11-11 | 山东省计算中心（国家超级计算济南中心） | 一种基于AlexNet网络模型的恶意软件分类方法及系统 |
| CN116823730A (zh) * | 2023-06-01 | 2023-09-29 | 上海嘉岩供应链管理股份有限公司 | 一种精密轴承套圈的检测方法 |
| CN116823730B (zh) * | 2023-06-01 | 2024-04-05 | 上海嘉岩供应链管理股份有限公司 | 一种精密轴承套圈的检测方法 |
| CN116778261A (zh) * | 2023-08-21 | 2023-09-19 | 山东恒信科技发展有限公司 | 基于图像处理的原料油等级分类方法 |
| CN116778261B (zh) * | 2023-08-21 | 2023-11-14 | 山东恒信科技发展有限公司 | 基于图像处理的原料油等级分类方法 |
| CN117152029A (zh) * | 2023-10-30 | 2023-12-01 | 浦江三思光电技术有限公司 | 一种基于fpga的clahe图像增强实时处理方法及系统 |
| CN117152029B (zh) * | 2023-10-30 | 2024-03-08 | 浦江三思光电技术有限公司 | 一种基于fpga的clahe图像增强实时处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114092361B (zh) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114092361B (zh) | 一种优化clahe的图像局部对比度增强方法 | |
| CN110148095B (zh) | 一种水下图像增强方法及增强装置 | |
| KR101538296B1 (ko) | 로컬 멀티스케일 톤 매핑 연산자 | |
| CN1075917C (zh) | 利用平均值分离直方图均衡的图像增强方法及其电路 | |
| CN104484864B (zh) | 获取图像伽马曲线、增强图像对比度的方法及系统 | |
| 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 | |
| US9147235B2 (en) | Method for processing highlights and saturated regions in a digital image | |
| CN111709898B (zh) | 基于优化clahe的红外图像增强方法与系统 | |
| CN102640485A (zh) | 图像处理装置、图像处理方法及集成电路 | |
| CN108280836B (zh) | 一种图像处理方法及装置 | |
| CN111325685B (zh) | 一种基于多尺度相对梯度直方图均衡化的图像增强算法 | |
| CN112967207A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN115661008A (zh) | 一种图像增强处理方法、装置、设备及介质 | |
| CN110310250B (zh) | 一种基于最优化模型的全局直方图均衡方法 | |
| CN109658363A (zh) | 子块自适应融合的多层子块重叠直方图均衡方法及系统 | |
| CN112184601B (zh) | 利用改进clahe算法增强在近红外光源下的静脉图像的方法 | |
| CN112488968A (zh) | 一种分程度直方图均衡融合的图像增强方法 | |
| US8675963B2 (en) | Method and apparatus for automatic brightness adjustment of image signal processor | |
| CN109801246B (zh) | 一种自适应阈值的全局直方图均衡方法 | |
| CN109741276B (zh) | 一种基于滤波分层框架的红外图像基本层处理方法及系统 | |
| CN115293987A (zh) | 一种改进受限自适应图像均衡化增强算法 | |
| CN116703789A (zh) | 一种图像增强方法及系统 | |
| CN110751603A (zh) | 一种图像对比度的增强方法、系统及终端设备 | |
| CN113781368B (zh) | 基于局部信息熵的红外成像装置 | |
| CN114283076B (zh) | 一种基于透射率和clahe算法的图像处理方法 |
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 |