CN114187222A - 一种低照度图像的增强方法、系统及可存储介质 - Google Patents
一种低照度图像的增强方法、系统及可存储介质 Download PDFInfo
- Publication number
- CN114187222A CN114187222A CN202111517477.3A CN202111517477A CN114187222A CN 114187222 A CN114187222 A CN 114187222A CN 202111517477 A CN202111517477 A CN 202111517477A CN 114187222 A CN114187222 A CN 114187222A
- Authority
- CN
- China
- Prior art keywords
- image
- low
- color space
- component
- brightness
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000002708 enhancing effect Effects 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 22
- 235000019557 luminance Nutrition 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 235000020095 red wine Nutrition 0.000 description 2
- AXDJCCTWPBKUKL-UHFFFAOYSA-N 4-[(4-aminophenyl)-(4-imino-3-methylcyclohexa-2,5-dien-1-ylidene)methyl]aniline;hydron;chloride Chemical compound Cl.C1=CC(=N)C(C)=CC1=C(C=1C=CC(N)=CC=1)C1=CC=C(N)C=C1 AXDJCCTWPBKUKL-UHFFFAOYSA-N 0.000 description 1
- 235000010149 Brassica rapa subsp chinensis Nutrition 0.000 description 1
- 235000000536 Brassica rapa subsp pekinensis Nutrition 0.000 description 1
- 241000499436 Brassica rapa subsp. pekinensis Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000009827 uniform distribution 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20172—Image enhancement details
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种低照度图像的增强方法、系统及可存储介质，属于图像处理技术领域，首先输入低照度图像，将低照度图像由RGB色彩空间转换到HSV色彩空间，并提取HSV色彩空间的色调分量H、亮度分量V、饱和度分量S；然后根据亮度分量V，使用全局自适应增强函数调整全局亮度，得到第一张增强图像；根据亮度分量V，使用局部对比度增强得到第二张增强图像；将两张图像进行融合；最后，将融合后的图像F由色彩空间HSV转换回RGB色彩空间，获得增强后的图像。本发明考虑了空间领域的信息，使得增强后的图像更加自然、颜色不失真，有效的提高了低照度图像的效果。相比其他主流算法效果更好，运行简单、时间复杂度低等特点。
Description
技术领域
本发明涉及图像处理技术领域，更具体的说是涉及一种低照度图像的增强方法、系统及可存储介质。
背景技术
目前，针对低光照条件下计算机视觉信息采集的影响，主流算法包括：基于直方图的技术、基于Retinex的技术、基于机器学习的技术等。
但是，基于直方图的技术，在直方图上的修整，一种是直方图均衡化,另外一种是直方图规定化，第一种方法使用的相对较多。直方图均衡化，直方图均衡化是将原图像通过某种变换，得到一幅灰度直方图为均匀分布的新图像的方法。直方图均衡化方法的基本思想是对在图像中像素个数多的灰度级进行展宽，而对像素个数少的灰度级进行缩减。从而达到清晰图像的目的，这些算法的优点就是计算复杂度低，运行方式较为简单，可以进行对比度和细节增强，但是它们容易造成图像色彩损失和过多的噪点，从而导致图像失真，具有较高的不可控性。基于Retinex的技术，使用高斯模糊来估计照明分量，导致了算法运行时间增加，而且不具有边缘保持的能力，从而导致在某些区域出现光晕现象。基于机器学习的技术，由于图像在低照度的条件下采集，导致这种算法在参数的设置上缺乏普适性，最后使得增强的图片出现局部过度增强。并且往往随着训练模型的复杂化，算法的运行的时间复杂度也会变大。
综上所述，如何提供一种低照度图像的增强方法、系统及可存储介质是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种低照度图像的增强方法、系统及可存储介质。解决了现有技术中普适性方面较差，并且具有较高的计算复杂度，而且图像的舒适性较差的问题，从而提高低照度图像的质量，达到在视觉上令人满意的效果，并且更好的保留图像的自然性和为计算机视觉应用做好前置处理。
为了实现上述目的，本发明提供如下技术方案：
一方面，本发明提供一种低照度图像的增强方法，包括以下步骤：
S100：输入低照度图像，将所述低照度图像由RGB色彩空间转换到HSV色彩空间，并提取HSV色彩空间的色调分量H、亮度分量V、饱和度分量S；
S200：根据所述亮度分量V，使用全局自适应增强函数调整全局亮度，得到第一张增强图像F1；
S300：根据所述亮度分量V，使用局部对比度增强方法得到第二张增强图像F2；
S400：将所述第一张增强图像F1与所述第二张增强图像F2进行融合，得到融合后的图像F；
S500：根据色调分量H、亮度分量V、饱和度分量S，将融合后的图像F由色彩空间HSV转换回RGB色彩空间，获得增强后的图像。
优选的，所述S200包括：
S210：根据低照度图像的各参数调整比例系数λ，具体为：
式中，Vnorm为亮度分量V归一化后的分量值，r和c分别为低照度图像亮度分量V像素的行数和列数，i和j为低照度图像中各个像素点的位置；
S220：构建自适应亮度调节函数γ：
式中，L(x,y)为客观亮度，X，Y分别为像素点位置，A和λ为比例系数，；
S230：根据自适应亮度调节函数γ得到第一张增强图像F1。
优选的，所述S300包括：
S310：提取原始低照度图像转换色彩空间后中的亮度分量V，将所述亮度分量V形成的图像切割多个小块矩形区域，计算各个矩形区域中的灰度直方图和相应的变换函数；
S320：将低照度图像中的像素按照灰度直方图和对应的变换函数的分布，得到第二增强图像F2。
优选的，所述S400包括：
S410：将第一张增强图像F1与第二张增强图像F2看作n*n的矩阵，并分别将两张图像从n*n矩阵变为一维矩阵；
S420：分别计算两张图像的一维矩阵的协方差矩阵；
S430：计算协方差矩阵特征值，根据所述协方差特征值融合得到图像F。
另一方面，本发明提供一种低照度图像的增强系统，包括：
第一色彩空间转换模块，用于将输入的低照度图像由RGB色彩空间转换到HSV色彩空间，并提取HSV色彩空间的色调分量H、亮度分量V、饱和度分量S；
第一增强图像模块，与所述第一色彩空间转换模块连接，用于根据所述亮度分量V，使用全局自适应增强函数调整全局亮度，得到第一张增强图像F1；
第二增强图像模块，与所述第一色彩空间转换模块连接，用于根据所述亮度分量V，使用对局部比度增强得到第二张增强图像F2；
图像融合模块，与所述第一增强图像模块以及所述第二增强图像模块连接，将所述第一张增强图像F1与所述第二张增强图像F2进行融合，得到融合后的图像F；
第二色彩空间转换模块：与所述图像融合模块以及所述第一色彩空间转换模块连接，根据色调分量H、亮度分量V、饱和度分量S，将融合后的图像F由色彩空间HSV转换回RGB色彩空间，获得增强后的图像。
优选的，所述第一增强图像模块包括：
计算单元，与所述第一色彩空间转换模块连接，根据低照度图像的各参数调整比例系数λ，具体为：
式中，Vnorm为亮度分量V归一化后的分量值，r和c分别为低照度图像亮度分量V像素的行数和列数，i和j为低照度图像中各个像素点的位置；
构建单元，与所述计算单元连接，构建自适应亮度调节函数γ：
式中，L(x,y)为客观亮度，X，Y分别为像素点位置，A和λ为比例系数；
第一输出单元，与所述构建单元连接，根据自适应亮度调节函数γ得到第一张增强图像F1。
优选的，所述第二增强图像模块包括：
预处理单元，与所述第一色彩空间转换模块连接，提取原始低照度图像转换色彩空间后中的亮度分量V，将所述亮度分量V形成的图像切割多个小块矩形区域，计算各个矩形区域中的灰度直方图和相应的变换函数；
第二输出单元，与所述预处理单元连接：将低照度图像中的像素按照灰度直方图分布为三种情况处理，得到第二增强图像F2。
优选的，所述图像融合模块包括：
图像变换单元，与所述第一输出单元以及所述第二输出单元连接，将所述第一张增强图像F1与所述第二张增强图像F2看作n*n的矩阵，并分别将两张图像从n*n矩阵变为一维矩阵的方式；
计算单元，与所述图像变换单元连接，分别计算两张图像的一维矩阵的协方差矩阵；
第三输出单元，与所述计算单元连接，计算协方差矩阵特征值，根据所述协方差特征值融合得到图像F。
再一方面，本发明提供一种非暂态计算机可读存储介质，其存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-4任一项所述低照度图像的增强算法的步骤。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种低照度图像的增强方法、系统及可存储介质，通过全局的自适应增强函数来进行增强，之后通过和局部对比度高的图像进行融合，考虑了空间领域的信息，使得增强后的图像更加自然、颜色不失真，有效的提高了低照度图像的效果。相比其他主流算法效果更好，运行简单、时间复杂度低等特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的低照度图像的增强方法流程示意图；
图2为本发明提供的低照度图像的增强系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一方面，参见附图1所示，本发明实施例公开了一种低照度图像的增强方法，包括以下步骤：
S100：输入低照度图像，将低照度图像由RGB色彩空间转换到HSV色彩空间，并提取HSV色彩空间的色调分量H、亮度分量V、饱和度分量S；
S200：根据亮度分量V，使用全局自适应增强函数调整全局亮度，得到第一张增强图像F1；
S300：根据亮度分量V，使用局部对比度增强方法得到第二张增强图像F2；
S400：将第一张增强图像F1与第二张增强图像F2进行融合，得到融合后的图像F；
S500：根据色调分量H、亮度分量V、饱和度分量S，将融合后的图像F由色彩空间HSV转换回RGB色彩空间，获得增强后的图像。
在一个具体实施例中，步骤S100具体包括：
从RGB转换到HSV空间的公式如下：
更具体的，色相与颜色对应关系参见表1所示，颜色可以用0°到360°表示，就是日常讲的颜色名称，如红色、蓝色等。
表1色样与颜色对比关系
| 红 | 黄 | 绿 | 青 | 蓝 | 品红 | 红 |
| 0° | 60° | 120° | 180° | 240° | 300° | 360° |
经上述方法的有益效果为：HSV空间比RGB空间更接近人们对彩色的感知经验。非常直观地表达颜色的色调、鲜艳程度和明暗程度，方便进行颜色的对比。
在一个具体实施例中，步骤S200具体包括：
提取HSV色彩空间的V分量后，为了将低照度图像的弱光区域增强，适当的减小过度照明的区域，本实施例使用全局自适应增强函数来调整全局的亮度。
具体的，基于Weber-Fechner定律来构建的一种自适应亮度调节函数。根据该定律，通过传感器获得人眼感知的亮度G(x,y)，人眼感知的亮度G(x,y)与客观亮度L(x,y)的曲线可以描述为以下公式：
G(x，y)＝L(x，y)γ
式中，x,y分别为图像中像素点的位置。
为了更好调整各个不同亮度之间的增强，以便达到低亮度增强，高亮度抑制的效果，将γ参数调整为：
式中，A和λ为比例系数、τ为可调节参数；
具体的，系数λ由图像的参数自适应调整得到，公式如下：
式中，Vnorm为亮度分量V的值从[0,255]归一化到[0,1]后的分量，r和c分别为低照度图像亮度分量V像素的行数和列数，i和j为低照度图像中各个像素点的位置。
最后，使用自适应亮度调节函数进行全局自适应增强得到第一张增强图像F1，具体的，第一张增强图像FI参数设置可以为：A＝22，τ＝-2.15。
采用上述技术方案的有益效果为：本发明考虑到低照度图像的性质，为了保证图像在低亮度区域的增强效果，突出低亮度区域的细节信息，本发明适当的调高了该函数在低值部分的增强曲线。与之而来的问题是：过高的增强会导致图像在高亮区域的过度增强，然而，在本发明中，这一部分将和局部对比度增强进行相互补偿，从而既保留了图像的细节信息，也很好的抑制图像在高光区域的亮度增强。
在一个具体实施例中，步骤S300具体包括：
由于在经过步骤S200全局的亮度处理之后，会压缩图像的整个动态范围，导致了局部对比度降低，因此，本发明采用限制对比度增强的自适应直方图均衡化(CALHE)的方法来解决这一问题。
具体的，直方图均衡是将直方图的分布(概率密度)调整为均匀分布，该方法依据图像的概率密度分布直方图。自适应直方图均衡化(CALHE)是通过设置直方图分布的阈值，将超过该阈值分布“均匀”分散至概率密度分布上，由此来限制转换函数(累计直方图)的增幅。
具体步骤为：
1.CLAHE算法先将提取低照度图像中V(亮度)分量，将该分量形成的图像切割多个小块矩形区域，计算各个矩形区域中的灰度直方图和相应的变换函数。
2.将低照度图像中的像素按照分布分为三种情况处理，得到第二增强图像F2；
更具体的，参数ClipLimit(颜色对比度的阈值)设置为0.015，图块的大小为(8,8)。
采用上述技术方案的有益效果为：可以使得每个图块的对比度得到增强的时候加以限制，从而避免放大图像中可能存在的噪声。相对比其他的对比度增强算法，具有更高的简便性，可以使用插值技术进行加速处理，具有很好的对比度增强能力。
在一个具体实施例中，步骤S400具体包括：
在第一幅增强的图像中提高了图像的整体亮度，但是整体的动态范围变低，其局部对比度降低。第二幅增强的图像中拥有局部对比度高的特点，结合这两个不同图像的不同特性，采用主成分分析的方法(PCA)进行融合。
具体步骤为：
1.将第一张增强图像F1与第二张增强图像F2看作n*n的矩阵，并分别将两张图像从n*n矩阵变为1*n2的一维矩阵的方式；
2.分别计算两张图像的一维矩阵的协方差矩阵C；
3.计算协方差矩阵C特征值λmax，λmin，分别计算
和
得到融合图像的比例系数w1、w2，最后依据F＝w1*F1+w2*F2最终融合得到图像F。
经上述方法的有益效果为：图像融合可以有利于获取两幅图像在时空上的相关性，更好的在信息上互补，最后让我们增强后的图像对捕捉到的画面有更加清晰、全面的效果。
在一个具体实施例中，步骤S500具体包括：
本实施例设置色调分量H、亮度分量V、饱和度分量S的具体范围为：0≤H<360,0≤S≤1and 0≤V≤1；
将HSV空间转换回RGB空间的具体公式为：
C＝V×S
X＝C×(1-|(H/60°)mod2-1|)
m＝V-C
(R,G,B)＝((R'+m)×255,(G°+m)×255,(B'+m)×255)
另一方面，参见附图2所示，本实施例提供了一种低照度图像的增强系统，包括：
第一色彩空间转换模块，用于将输入的低照度图像由RGB色彩空间转换到HSV色彩空间，并提取HSV色彩空间的色调分量H、亮度分量V、饱和度分量S；
第一增强图像模块，与第一色彩空间转换模块连接，用于根据亮度分量V，使用全局自适应增强函数调整全局亮度，得到第一张增强图像F1；
第二增强图像模块，与第一色彩空间转换模块连接，用于根据亮度分量V，使用对局部比度增强得到第二张增强图像F2；
图像融合模块，与第一增强图像模块以及第二增强图像模块连接，将第一张增强图像F1与第二张增强图像F2进行融合，得到融合后的图像F；
第二色彩空间转换模块：与图像融合模块以及第一色彩空间转换模块连接，根据色调分量H、亮度分量V、饱和度分量S，将融合后的图像F由色彩空间HSV转换回RGB色彩空间，获得增强后的图像。
在一个具体实施例中，第一增强图像模块包括：
计算单元，与第一色彩空间转换模块连接，根据低照度图像的各参数调整比例系数λ，具体为：
式中，Vnorm为亮度分量V的值从[0,255]归一化到[0,1]后的分量，r和c分别为低照度图像亮度分量V像素的行数和列数，i和j为低照度图像中各个像素点的位置；
构建单元，与计算单元连接，构建自适应亮度调节函数γ：
式中，L(x,y)为客观亮度，X，Y分别为像素点位置，A和λ为比例系数；
第一输出单元，与构建单元连接，根据自适应亮度调节函数γ得到第一张增强图像F1。
在一个具体实施例中，第二增强图像模块包括：
预处理单元，与第一色彩空间转换模块连接，提取原始低照度图像转换色彩空间后中的亮度分量V，将所述亮度分量V形成的图像切割多个小块矩形区域，计算各个矩形区域中的灰度直方图和相应的变换函数；
第二输出单元，与预处理单元连接：将低照度图像中的像素按照灰度直方图分布为三种情况处理，得到第二增强图像F2；
在一个具体实施例中，图像融合模块包括：
图像变换单元，与第一输出单元以及第二输出单元连接，将第一张增强图像F1与第二张增强图像F2看作n*n的矩阵，并分别将两张图像从n*n矩阵变为一维矩阵的方式；
计算单元，与图像变换单元连接，分别计算两张图像的一维矩阵的协方差矩阵；
第三输出单元，与计算单元连接，计算协方差矩阵特征值，根据协方差特征值融合得到图像F。
再一方面，本实施例还提供了一种非暂态计算机可读存储介质，其存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述一种低照度图像的增强方法的步骤。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种低照度图像的增强方法、系统及可存储介质，通过全局的自适应增强函数来进行增强，之后通过和局部对比度高的图像进行融合，考虑了空间领域的信息，使得增强后的图像更加自然、颜色不失真，有效的提高了低照度图像的效果。相比其他主流算法效果更好，运行简单、时间复杂度低等特点。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种低照度图像的增强方法，其特征在于，包括以下步骤：
S100：输入低照度图像，将所述低照度图像由RGB色彩空间转换到HSV色彩空间，并提取HSV色彩空间的色调分量H、亮度分量V、饱和度分量S；
S200：根据所述亮度分量V，使用全局自适应增强函数调整全局亮度，得到第一张增强图像F1；
S300：根据所述亮度分量V，使用局部对比度增强方法得到第二张增强图像F2；
S400：将所述第一张增强图像F1与所述第二张增强图像F2进行融合，得到融合后的图像F；
S500：根据色调分量H、亮度分量V、饱和度分量S，将融合后的图像F由色彩空间HSV转换回RGB色彩空间，获得增强后的图像。
2.根据权利要求1所述的一种低照度图像的增强方法，其特征在于，所述S200包括：
S210：构建低照度图像的各参数调整比例系数λ，具体表达式为：
式中，Vnorm为亮度分量V归一化后的分量值，r和c分别为低照度图像亮度分量V像素的行数和列数，i和j为低照度图像中各个像素点的位置；
S220：构建自适应亮度调节函数γ，具体表达式为：
式中，L(x,y)为客观亮度，X，Y分别为像素点位置，A和λ为比例系数，；
S230：根据自适应亮度调节函数γ得到第一张增强图像F1。
3.根据权利要求1所述的一种低照度图像的增强方法，其特征在于，所述S300包括：
S310：提取原始低照度图像转换色彩空间后中的亮度分量V，将所述亮度分量V形成的图像切割多个小块矩形区域，计算各个矩形区域中的灰度直方图和相应的变换函数；
S320：将低照度图像中的像素按照灰度直方图和对应的变换函数的分布，得到第二增强图像F2。
4.根据权利要求1所述的一种低照度图像的增强方法，其特征在于，所述S400包括：
S410：将第一张增强图像F1与第二张增强图像F2看作n*n的矩阵，并分别将两张图像从n*n矩阵变为一维矩阵；
S420：分别计算两张图像的一维矩阵的协方差矩阵；
S430：计算协方差矩阵特征值，根据所述协方差特征值融合得到图像F。
5.一种低照度图像的增强系统，其特征在于，包括：
第一色彩空间转换模块，用于将输入的低照度图像由RGB色彩空间转换到HSV色彩空间，并提取HSV色彩空间的色调分量H、亮度分量V、饱和度分量S；
第一增强图像模块，与所述第一色彩空间转换模块连接，用于根据所述亮度分量V，使用全局自适应增强函数调整全局亮度，得到第一张增强图像F1；
第二增强图像模块，与所述第一色彩空间转换模块连接，用于根据所述亮度分量V，使用对局部比度增强得到第二张增强图像F2；
图像融合模块，与所述第一增强图像模块以及所述第二增强图像模块连接，将所述第一张增强图像F1与所述第二张增强图像F2进行融合，得到融合后的图像F；
第二色彩空间转换模块：与所述图像融合模块以及所述第一色彩空间转换模块连接，根据色调分量H、亮度分量V、饱和度分量S，将融合后的图像F由色彩空间HSV转换回RGB色彩空间，获得增强后的图像。
6.根据权利要求5所述的一种低照度图像的增强系统，其特征在于，所述第一增强图像模块包括：
计算单元，与所述第一色彩空间转换模块连接，根据低照度图像的各参数调整比例系数λ，具体为：
式中，Vnorm为亮度分量V归一化后的分量值，r和c分别为低照度图像亮度分量V像素的行数和列数，i和j为低照度图像中各个像素点的位置；
构建单元，与所述计算单元连接，构建自适应亮度调节函数γ：
式中，L(x,y)为客观亮度，X，Y分别为像素点位置，A和λ为比例系数；
第一输出单元，与所述构建单元连接，根据自适应亮度调节函数γ得到第一张增强图像F1。
7.根据权利要求6所述的一种低照度图像的增强系统，其特征在于，所述第二增强图像模块包括：
预处理单元，与所述第一色彩空间转换模块连接，提取原始低照度图像转换色彩空间后中的亮度分量V，将所述亮度分量V形成的图像切割多个小块矩形区域，计算各个矩形区域中的灰度直方图和相应的变换函数；
第二输出单元，与所述预处理单元连接：将低照度图像中的像素按照灰度直方图分布为三种情况处理，得到第二增强图像F2。
8.根据权利要求7所述的一种低照度图像的增强系统，其特征在于，所述图像融合模块包括：
图像变换单元，与所述第一输出单元以及所述第二输出单元连接，将所述第一张增强图像F1与所述第二张增强图像F2看作n*n的矩阵，并分别将两张图像从n*n矩阵变为一维矩阵的方式；
计算单元，与所述图像变换单元连接，分别计算两张图像的一维矩阵的协方差矩阵；
第三输出单元，与所述计算单元连接，计算协方差矩阵特征值，根据所述协方差特征值融合得到图像F。
9.一种非暂态计算机可读存储介质，其存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-4任一项所述低照度图像的增强算法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111517477.3A CN114187222A (zh) | 2021-12-13 | 2021-12-13 | 一种低照度图像的增强方法、系统及可存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111517477.3A CN114187222A (zh) | 2021-12-13 | 2021-12-13 | 一种低照度图像的增强方法、系统及可存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114187222A true CN114187222A (zh) | 2022-03-15 |
Family
ID=80604681
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111517477.3A Pending CN114187222A (zh) | 2021-12-13 | 2021-12-13 | 一种低照度图像的增强方法、系统及可存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114187222A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256533A (zh) * | 2021-06-15 | 2021-08-13 | 北方民族大学 | 基于msrcr的自适应低照度图像增强方法及系统 |
| CN115578660A (zh) * | 2022-11-09 | 2023-01-06 | 牧马人(山东)勘察测绘集团有限公司 | 基于遥感图像的土地地块分割方法 |
| CN116109501A (zh) * | 2022-12-19 | 2023-05-12 | 深圳信息职业技术学院 | 低照度图像序列增强方法、装置、电子设备以及存储介质 |
-
2021
- 2021-12-13 CN CN202111517477.3A patent/CN114187222A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256533A (zh) * | 2021-06-15 | 2021-08-13 | 北方民族大学 | 基于msrcr的自适应低照度图像增强方法及系统 |
| CN113256533B (zh) * | 2021-06-15 | 2022-08-09 | 北方民族大学 | 基于msrcr的自适应低照度图像增强方法及系统 |
| CN115578660A (zh) * | 2022-11-09 | 2023-01-06 | 牧马人(山东)勘察测绘集团有限公司 | 基于遥感图像的土地地块分割方法 |
| CN116109501A (zh) * | 2022-12-19 | 2023-05-12 | 深圳信息职业技术学院 | 低照度图像序列增强方法、装置、电子设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114187222A (zh) | 一种低照度图像的增强方法、系统及可存储介质 | |
| JP4870618B2 (ja) | 画像データの自動マッピング方法及び画像処理デバイス | |
| JP4870617B2 (ja) | 画像データの自動マッピング方法及び画像処理デバイス | |
| WO2019091270A1 (zh) | 图像增强方法及系统 | |
| EP1209621B1 (en) | A method for enhancing a digital image based upon pixel color | |
| US6804408B1 (en) | Method for enhancing a digital image with noise-dependent control of texture | |
| US8295596B1 (en) | Adaptive histogram-based video contrast enhancement | |
| CN111968041A (zh) | 一种自适应图像增强方法 | |
| US9396526B2 (en) | Method for improving image quality | |
| WO2019061766A1 (zh) | 一种图像处理方法及装置 | |
| CN110473152B (zh) | 基于改进Retinex算法的图像增强方法 | |
| CN108198155B (zh) | 一种自适用色调映射方法及系统 | |
| CN109886885B (zh) | 一种基于Lab色彩空间和Retinex的图像增强方法及系统 | |
| JP4021261B2 (ja) | 画像処理装置 | |
| CN110298792B (zh) | 低光照图像增强与去噪方法、系统及计算机设备 | |
| CN103714520A (zh) | 基于fpga实现数字视频图像增强系统及其方法 | |
| CN112785532B (zh) | 基于加权直方图分布伽玛校正的奇异值均衡图像增强算法 | |
| CN114627030B (zh) | 一种自适应的图像锐化方法及系统 | |
| CN112419195A (zh) | 一种非线性变换的图像增强方法 | |
| WO2020107308A1 (zh) | 一种基于Retinex的微光图像快速增强方法及其装置 | |
| Muniraj et al. | Underwater image enhancement by modified color correction and adaptive Look-Up-Table with edge-preserving filter | |
| CN107358592B (zh) | 一种迭代式全局自适应图像增强方法 | |
| CN112488968A (zh) | 一种分程度直方图均衡融合的图像增强方法 | |
| CN104915934B (zh) | 一种基于视网膜机制的灰度图像增强方法 | |
| TWI707307B (zh) | 影像調整方法 |
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 |