CN114331873A - 一种基于区域划分的非均匀光照彩色图像校正方法 - Google Patents
一种基于区域划分的非均匀光照彩色图像校正方法 Download PDFInfo
- Publication number
- CN114331873A CN114331873A CN202111483828.3A CN202111483828A CN114331873A CN 114331873 A CN114331873 A CN 114331873A CN 202111483828 A CN202111483828 A CN 202111483828A CN 114331873 A CN114331873 A CN 114331873A
- Authority
- CN
- China
- Prior art keywords
- image
- brightness
- channel
- value
- luminance
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000003702 image correction Methods 0.000 title claims description 7
- 238000012937 correction Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 37
- 230000003044 adaptive effect Effects 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 11
- 238000005192 partition Methods 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 8
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 claims description 7
- 239000012634 fragment Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于区域划分的非均匀光照彩色图像校正方法，该方法首先将输入的彩色图像从RGB色彩空间转换到HSV色彩空间；然后分离出V通道亮度值并计算其均值。若V通道亮度均值大于设定的受限阈值，则对图像取反后执行三种并行处理，否则直接执行三种并行处理以获得区域分割、邻域信息和光照分量，从而构造出自适应Gamma校正指数；然后利用自适应Gamma校正指数校正图像；最后根据原始图像色彩对校正后图像进行色彩还原。本发明方法可以解决因环境光照强度、光照射角度或拍摄条件等导致的图像光照分布不均匀的问题。
Description
技术领域
本发明属于图像增强技术领域，具体涉及一种基于区域划分的非均匀光照彩色图像校正方法。
背景技术
图像增强处理是数字图像处理技术的一个重要分支，图像增强是对图像的某些特征，如边缘、轮廓、对比度等进行强调或锐化，以便于显示、观察或进一步分析与处理。在图像采集过程中，由于拍摄环境光照不均匀，拍摄的图像呈现曝光不均匀或曝光不足，一些重要的细节信息无法凸显甚至被掩盖掉，为了改善图像的视觉效果，需要对光照不均匀图像进行矫正。
Gamma变换是一种常用的图像增强的方法，可以根据Gamma指数的不同取值选择性的增强低亮度区域的亮度或者降低高亮度区域的亮度。但是传统的Gamma变换的Gamma指数是预先设定的，而不同图像的明暗程度不一定，需要手动调整Gamma指数，耗时且十分低效，工程应用性差。
光照不均匀的矫正方法主要有基于Retinex理论的算法、直方图均衡化(HE)方法，形态学滤波法和基于空间照度图的方法。基于Retinex理论的方法具有色彩恒常性，但是这类方法会在图像亮度突变的地方产生光晕现象；直方图均衡化方法因其具有算法简单、运算量小的优点被广泛用于图像增强处理，但是对光照不均匀图像处理的结果存在过增强、色彩失真和灰阶突变处噪声放大的问题；形态学滤波可以改善图像的可视性，但是会改变图像的自然特征；基于空间可变照度图的方法利用场景的光照分布特征对图像进行校正，但是其利用单尺度高斯函数的方法求解出来的光照分量存在照度细节信息表现力差等问题。
发明内容
发明目的：为了克服现有技术中的不足，本发明提供一种基于区域划分的非均匀光照彩色图像校正方法，通过该方法和系统针对光照不均匀图像的矫正与对比度增强，具体是一种基于区域划分的非均匀光照彩色图像校正方法，可用于解决因环境光照强度、光照射角度或拍摄条件等导致的图像光照分布不均匀的问题，算法可有针对性的增强图像的对比度，克服了传统算法不能够增强局部细节的问题，兼顾图像原场景真实光照分布和图像明暗区域，使增强后的图像整体和局部的对比度都得到明显增强，同时，本算法对不同亮度等级的彩色均具有较好适用性。
技术方案：第一方面本发明提供一种基于区域划分的非均匀光照彩色图像校正方法，包括如下步骤：
接收彩色图像，并将其从RGB色彩空间转换到HSV色彩空间，在转换的图像中提取V通道亮度值；
根据V通道亮度值计算V通道亮度均值，并根据预设的受限阈值，选择输出得到亮度受限的V通道亮度图像；
对V通道亮度图像进行处理，获得分割区域、像素点邻域信息、以及光照分量；
结合获得的分割区域、像素点邻域信息构造自适应目标均值；并利用自适应目标均值和获得的光照分量共同构造Gamma校正指数；
对亮度受限的V通道亮度图像进行自适应Gamma校正，得到非均匀光照下校正的V通道亮度图像；
根据接收的彩色图像选择输出校正的V通道亮度图像，将校正的V通道亮度图像结合H通道色调值、S通道饱和度值重组回到HSV色彩空间，然后将其转换回RGB色彩空间得到RGB彩色图像；最终输出校正后的RGB彩色图像。
在进一步的实施例中，对亮度受限的V通道亮度图像进行处理，获得分割区域、像素点邻域信息、以及光照分量的方法包括：
对亮度受限的V通道亮度图像执行对数变换增强，获得初步增强的V通道亮度图像，对获得初步增强的V通道亮度图像进行纹理边界增强的二值化操作，得出二值化图像，利用形态学对二值化图像去噪及区域分割；
对亮度受限的V通道亮度图像执行8邻域均值滤波获得图像中像素点的邻域信息；
对亮度受限的V通道图像采用多尺度高斯滤波与引导滤波结合的方法获取光照分量。
在进一步的实施例中，根据预设的受限阈值，选择输出得到亮度受限的V通道亮度图像的处理公式如下：
其中，Ilim为输出的亮度受限的V通道亮度图像，Iv为待校正的V通道亮度图像，
为待校正的V通道亮度图像的亮度均值，Ith1为预设的受限阈值；其中，Ith1在[0.5,0.7]范围内；
选择输出得到亮度受限的V通道亮度图像的处理过程如下：
若V通道图像亮度均值小于受限阈值，则正常输出受限V通道亮度受限V通道亮度图像；
若V通道图像亮度均值大于受限阈值，则对V通道亮度均值图像进行取反，从而输出V通道亮度均值小于受限阈值的图像；
使输出的V通道亮度图像的亮度均值Ilim处于[0,Ith1]范围内；所诉取反操作将高亮度V通道亮度反转，将亮度V通道亮度均值范围缩小，便于之后以亮度V通道亮度均值为依据进行图像处理。
在进一步的实施例中，对亮度受限的V通道亮度图像执行对数变换增强，得出初步增强的V通道亮度图像的运算公式如下：
F＝log2(1+Ilim) (2)
式中，Ilim为亮度受限的V通道亮度图像，F为初步增强的V通道亮度图像；
对初步增强的V通道亮度图像分别进行如下两种二值化操作，通过对两二值化操作的结果进行逻辑与运算获得所述二值化图像；第一种二值化操作包括：
首先对初步增强的V通道亮度图像F进行窗口大小为s1×s1的均值滤波，得到每个像素点的邻域均值，再将每个像素点的亮度值与邻域均值相除，相除结果与自适应敏感度因子T对比，根据对比结果选择输出第一种二值化操作后的二值图像；
其中，根据初步增强的V通道亮度图像F的均值构造自适应敏感度因子T；
自适应敏感度因子T构造计算公式如下：
式中，
是初步增强的V通道亮度图像F的均值；
第一种二值化操作中的均值滤波过程如下：
遍历初步增强的V通道亮度图像F，计算F的积分图像，再次遍历积分图像，计算每个像素的s1×s1窗口的邻域均值；
积分图像的计算公式为：
IInteg(x,y)＝F(x,y)+IInteg(x-1,y)+IInteg(x,y-1)-IInteg(x-1,y-1) (4)
式中，F(x,y)表示初步增强的V通道亮度图像F的像素值，IInteg(x,y)表示积分图像的像素值；IInteg(x,y-1)、IInteg(x-1,y)、IInteg(x-1,y-1)分别表示和(x,y)相邻的下方、左方和左下方的积分图像的像素值；
第二次遍历求和并取平均，积分图计算初步增强的V通道亮度图像F的s1×s1窗口邻域总和的公式为：
式中，
表示对F(x,y)的s1×s1邻域求和，x＝(x1+x2)/2，y＝(y1+y2)/2及s1＝x2-x1＝y2-y1,Fs1×s1(x,y)为初步增强的V通道亮度图像F(x,y)在(x,y)像素位置的s1×s1邻域均值；
第一种二值化操作输出的二值图像的运算过程如下：
式中，Fbinary_1(x,y)为第一种二值化输出的二值图像，Fbinary_1在(x,y)像素位置的值；
第二种二值化操作包括：用初步增强的V通道亮度图像F减去对初步增强的V通道亮度图像F进行窗口大小为s2×s2均值滤波后得到图像Fs2×s2后，再减去常数C得到差值图像，然后根据差值图像中像素值的正负进行二值化处理，得到只包含纹理边界的二值化图像；
逻辑与运算
第二种二值化中的初步增强的V通道亮度图像的窗口大小为s2×s2的邻域均值图像Fs2×s2的计算过程与Fs1×s1相同；
第二种二值化操作中的常数C的取值范围如下：
差值图像Ism计算公式如下：
Ism＝F-Fs2×s2-C (8)
式中，F为初步增强的V通道亮度图像；Fs2×s2为对初步增强的V通道亮度图像以s2×s2窗口进行均值滤波后的图像；
第二种二值化的输出的二值图像Fbinary_2的运算过程如下：
式中，Fbinary_2(x,y)为第一种二值化输出的二值图像Fbinary_1在(x,y)像素位置的值，Ism(x,y)为差值图像Ism在(x,y)像素位置的值；
将两种二值化图像进行逻辑与运算融合得到的二值图像Fbinary的运算如下：
Fbinary＝Fbinary_1&Fbinary_2 (10)
式中，&是逻辑与运算符。
在进一步的实施例中，利用形态学对二值化图像进行去噪及对二值化图像进行区域分割的过程如下：
利用膨胀、腐蚀以及删除小面积对象的方法对二值化图像进行形态学去噪处理，获得二值化图像中的区域边界；
标记去噪后的区域边界，并根据标记的区域边界将图像划分为多个分片区域及对多个分片区域进行编号排序，实现二值化图像的区域分割。
在进一步的实施例中，
获得每个像素点的邻域信息8邻域均值滤波运算的卷积核模板为：
式中，H为8邻域均值滤波运算的卷积核模板；从而采用H作为卷积核经滤波输出来的图像包含原本图像每个像素点周围的亮度特征信息。
在进一步的实施例中，对亮度受限的V通道亮度图像采用多尺度高斯滤波与引导滤波结合的方法获取光照分量包括：
用高斯函数对亮度受限的V通道亮度图像做卷积运算并加权后得到初步估计的光照分量；
用初步估计的光照分量作为引导量对亮度受限的V通道亮度图像进行引导滤波得到最终估计的光照分量Iq；
其中，所述高斯函数具有一个以上的尺度因子，运算公式如下：
式中，c为尺度因子，λ为归一化常数，确保高斯函数G(x,y)满足归一化条件；
利用多个尺度因子的高斯函数分别提取光照分量并进行加权，多尺度高斯滤波计算公式如下：
式中，gaus(x,y)为多尺度高斯滤波提取的光照分量，αi为第i个尺度高斯函数提取的光照分量的权重系数，n为用到的尺度数，Ilim为亮度受限的V通道亮度图像；
由引导滤波计算输出的亮度受限的V通道亮度图像的光照分量Iq和作为引导图像的多尺度高斯滤波图gaus存在的局部线性关系，引导滤波的计算模型输出局部线性关系的公式如下：
式中ωk为以r为半径的确定的窗口，ak，bk是以k为中心的唯一确定的常量系数，j、k表示像素索引，gausj输入的多尺度高斯图像在j处的值，Iqj表示引导滤波得到的最终估计的光照分量Iq在j处的值；
求解式(11)线性方程的系数为使得拟合函数的输出图像Iq与输入亮度受限的V通道亮度图像间的差距最小；
对于每个滤波窗口，求解线性方程的系数问题可转化为最优化问题的公式为：
式中，E(ak,bk)为代价函数；ak和bk为待求解的系数；ε为调整参数；Ilim_j为引导滤波的输入图像，通过令E(ak,bk)的偏导等于零求得系数ak和bk，并代入式(11)得到最终的光照分量Iq。
在进一步的实施例中，构造自适应目标均值包括如下步骤：
将亮度受限的V通道亮度图像Ilim的亮度均值大于设定阈值的图像判定为中等亮度图像；否则，判定为低亮度图像；
分别对中等亮度图像、低亮度图像进行暗属性区域、亮属性区域标记；
分别计算中等亮度图像及低亮度图像的暗属性区域的亮度特征值，并将所述亮度特征值分别代入各自相应的自适应目标均值函数，从而获取暗属性区域的自适应目标均值；
分别获取中等亮度图像及低亮度图像的亮属性区域的理想预设值，并将所述理想预设值分别代入各自相应的自适应目标均值函数，从而获取亮属性区域的自适应目标均值；
其中，判断中等亮度图像和低亮度图像过程如下：
输出亮度受限的V通道亮度图像Ilim的亮度均值大于阈值为中等亮度图像；
输出亮度受限的V通道亮度图像Ilim的亮度均值小于阈值为低亮度图像；判断中等亮度图像和低亮度图像的公式为：
其中，
为亮度受限的V通道亮度图像Ilim的亮度均值，Ith2是划分亮度等级的阈值；
在判断的低亮度图像的过程中，判断分割区域的亮暗属性公式为：
其中，
是Ilim在区域i中的均值，Ei1是Ilim的8邻域均值滤波图像在区域i的均值；
在判断的中等亮度图像的过程中，判断分割区域的亮暗属性公式为：
其中，Vimin是Ilim在区域i中的上限值，
是Ilim在区域i中的均值，Iomean为目标均值的理想预设值，取值在[0.4,0.6]范围内；
结合分割区域中亮度受限的V通道亮度图像Ilim的中值Vi1、8邻域图像均值Ei1及中值Ei2计算区域的亮度特征，其中亮度特征模型公式如下：
式中，c(i)表示区域i的亮度特征，Vi1表示亮度受限的V通道亮度图像Ilim在区域i中的中值，Ei1表示亮度受限的V通道亮度图像Ilim的8邻域图像在区域i中的均值，Ei2表示亮度受限的V通道亮度图像Ilim的8邻域图像在区域i中的中值；
在中等亮度图像下，将暗属性区域的亮度特征值代入自适应目标均值函数公式如下：
在中等亮度图像下，将亮属性区域的理想预设值代入自适应目标均值函数公式如下：
Yo(i)＝Iomean (21)
式中，Yo(i)表示当前区域定义的自适应目标均值；Iomean为目标均值的理想预设值；
在低亮度图像下，将暗属性区域下亮度特征值代入自适应目标均值函数公式如下：
在低亮度图像下，将亮属性区域的理想预设值代入自适应目标均值函数公式如下：
Yo(i)＝p-0.01 (23)
(20)至(24)式中，Yo(i)表示当前区域i的自适应目标均值，c表示区域亮度特征，p为根据输入亮度受限的V通道亮度图像Ilim与目标均值的理想预设值Iomean逆推得到的目标均值调整系数，
表示亮度受限的V通道亮度图像Ilim的均值，Iomean为目标均值的理想预设值。
在进一步的实施例中，构造自适应Gamma校正指数，用于调整自适应目标均值和提取的每个像素点处的光照分量值，使预设点处的Gamma校正指数的参数，增大光照过低区域的亮度值，降低光照过强区域的亮度值；最终实现对光照不均匀图像的自适应校正处理。
自适应Gamma校正指数计算公式如下：
式中，γ表示构造的自适应Gamma校正指数，Yo表示构造的自适应目标均值，Iq表示多尺度高斯滤波和引导滤波结合提取亮度受限的V通道亮度图像Ilim的光照分量；
对初步增强的V通道亮度图像F进行自适应Gamma校正处理的计算公式如下：
Fout＝Fγ (26)
式中，F表示对数变换后初步增强的V通道亮度图像，Fout表示自适应Gamma校正后的V通道亮度图像。
在进一步的实施例中，根据接收的彩色图像选择输出校正的V通道亮度图像包括：
若接收彩色图像的原始V通道亮度图像亮度均值大于受限阈值，则对校正后的V通道亮度图像再次取反还原，输出校正还原的V通道亮度图像；
将校正还原的V通道亮度图像结合H通道色调值、S通道饱和度值重组回到HSV
色彩空间，然后将其转换回RGB色彩空间得到RGB彩色图像，最终输出校正后的RGB彩色图像。
有益效果：本发明与现有技术相比具有以下优点：
1、本方法利用多尺度高斯函数和引导滤波相结合的方法求解光照分量，多尺度高斯滤波保留了图像原始光照的整体性，而引导滤波保留原始光照的局部特性和边缘信息，两者结合能够兼顾图像原始光照的整体性和局部性，高度还原真实场景的光照分布，解决的现有技术提取的光照分量不逼真的问题。
2、采用两种互补的自适应阈值二值化方法，并融合，有效的划分了图像的各个亮度区域，同时也最大程度的保留了图像的细节轮廓，有效的解决了传统二值化方法不能同时兼顾整体和细节的问题。
3、本发明所提出的按分区自适应设定目标均值的函数具有很大的优越性，首先把图像亮度分为低亮度和中等亮度两个等级，并按照不同亮度等级、不同亮度分区以及各个分区中细分的明暗区域自适应地计算目标均值，可根据人眼视觉特性自适应的降低或提高目标均值，使得增强后的该区域对比度得到更大的提升，从而使图像的整体视觉效果更为明显地改善。模型之间具有很多共性，便于标准化，相对简单，有很大的参考价值；
4、本发明还兼顾了高亮度图像的亮度校正，把高亮度图像进行取反转为低亮度图像进行同等的增强处理然后再取反还原为高亮度图像，效果和低中亮度的图像一样，对高亮度光照不均匀图像实现了高亮度区域的亮度压制和低亮度区域的亮度增强，从而使得本发明的应用范围更加广泛。
附图说明
图1本发明一种基于区域划分的非均匀光照彩色图像校正方法的流程示意图；
图2实施例1中a图为待校正低亮度彩色图像，b图为由本发明得到的亮度校正效果图；
图3实施例2中a图为待校正中等亮度彩色图像，b图为由本发明得到的亮度校正效果图；
图4实施例3中a图为待校正高亮度彩色图像，b图为由本发明得到的亮度校正效果图。
具体实施方式
为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。
实施例1：结合图1说明本发明提供一种基于区域划分的非均匀光照彩色图像校正方法，包括如下工作步骤：
步骤1：输入图像，检测输入图像的图像格式是否满足为HSV图像模式；
步骤2：将不符合格式要求的RGB模式图像其从RGB色彩空间转化到HSV色彩空间下；
对得到的HSV图像进行通道分离，获得待校正的亮度V通道亮度；
本实施例中的输入图像不符合格式要求，为RGB彩色图像，故将其转化为HSV色彩空间模式下图像，并提取亮度V通道亮度Iv；
步骤3：计算V通道亮度均值，若V通道亮度均值小于受限阈值，则满足输出条件，进而输出受限V通道亮度图像；若V通道亮度均值大于受限阈值，则取反使其满足输出条件；
进一步的，所述满足取反要求的受限阈值Ith1在本实施例中取0.6，进而得到受限V通道亮度图像均值的区间为[0，0.6；对V通道亮度限制的公式如下：
其中，Ilim(x,y)为输出的均值受限V通道亮度图像，Iv(x,y)为待校正的V通道亮度，
为待校正的V通道亮度均值；此变换将高亮度V通道亮度反转，将V通道亮度均值范围缩小，便于之后以V通道亮度均值为依据进行图像处理；本实施例1的待校正图像的均值
依据式(1)可以判定图像无需进行亮度反转。
步骤4：对输出的受限V通道亮度图像执行三个层次的并行运算；
步骤4.1：对亮度受限的V通道亮度图像执行对数变换增强，获得初步增强的V通道亮度图像，对获得初步增强的V通道亮度图像进行纹理边界增强的二值化操作，得出二值化图像，利用形态学对二值化图像去噪及区域分割。
①对受限V通道亮度图像Ilim执行对数变换算法，输出初步增强图像的V通道亮度的运算公式如下：
F＝log2(1+Ilim) (2)
式中，Ilim受限V通道亮度图像，F为初步增强图像的V通道亮度；
②对初步增强图像的V通道亮度F进行纹理边界增强的二值化操作
第一种二值化：首先对初步增强的V通道亮度图像F进行窗口大小为s1×s1的均值滤波，得到每个像素点的邻域均值，再将每个像素点的亮度值与邻域均值相除，相除结果与自适应敏感度因子T对比，根据对比结果选择输出第一种二值化操作后的二值图像；由于窗口较大时采用滑动窗口卷积运算方法计算量较大，利用邻域均值进行平均计算的时间是线性的，计算时间大大减少，从而快速得到初步二值化图像，其中，所述s1＝75；
其中，根据初步增强的V通道亮度图像F的均值构造自适应敏感度因子T；
自适应敏感度因子构造计算公式如下：
式中，
是初步增强的V通道亮度图像F的均值；
第一种二值化操作中的均值滤波过程如下：
遍历初步增强的V通道亮度图像F，计算F的积分图像，再次遍历积分图像，计算每个像素的s1×s1窗口的邻域均值；
积分图像的计算公式为：
IInteg(x,y)＝F(x,y)+IInteg(x-1,y)+IInteg(x,y-1)-IInteg(x-1,y-1) (4)
式中，F(x,y)表示初步增强的V通道亮度图像F的像素值，IInteg(x,y)表示积分图像的像素值；IInteg(x,y-1)、IInteg(x-1,y)、IInteg(x-1,y-1)分别表示和(x,y)相邻的下方、左方和左下方的积分图像的像素值；
第二次遍历求和并取平均，积分图计算初步增强的V通道亮度图像F的s1×s1窗口邻域总和的公式为：
式中，
表示对F(x,y)的s1×s1邻域求和，x＝(x1+x2)/2，y＝(y1+y2)/2及s1＝x2-x1＝y2-y1,Fs1×s1(x,y)为初步增强的V通道亮度图像F(x,y)在(x,y)像素位置的s1×s1邻域均值；
第一种二值化操作输出的二值图像的运算过程如下：
式中，Fbinary_1(x,y)为第一种二值化输出的二值图像，Fbinary_1在(x,y)像素位置的值；
第二种二值化：用初步增强的V通道亮度图像F减去对初步增强的V通道亮度图像F进行窗口大小为s2×s2均值滤波后得到图像Fs2×s2后，再减去常数C得到差值图像，然后根据差值图像中像素值的正负进行二值化处理，得到只包含纹理边界的二值化图像；
对经对数变换增强的V通道亮度图像分别采用上述两种二值化处理，然后将处理结果进行逻辑与运算，得到纹理边界更明显的二值化图像；其中，所述s2＝7；
第二种二值化处理中的常数C的取值范围如下：
差值Ism计算公式如下：
Ism＝F-Fs2×s2-C (9)
式中，F为初步增强图像的V通道亮度；Fs2×s2为对初步增强图像的V通道亮度F以s2×s2窗口进行均值滤波后的图像；
第二种二值化的输出的二值图像的运算过程如下：
式中，Fbinary_2(x,y)为第一种二值化输出的二值图像Fbinary_1在(x,y)像素位置的值，Ism(x,y)为差值图像Ism在(x,y)像素位置的值；
将两种二值化图像进行逻辑与运算融合得到的二值图像Fbinary的运算如下：
Fbinary＝Fbinary_1&Fbinary_2 (11)
式中，&是逻辑与运算符。
③区域分割二值化图像的过程如下：
利用膨胀和腐蚀运算对包含纹理边界边缘信息的二值化图像进行形态学去噪处理，
跟踪去噪后二值化图像的区域边界，将图像划分为多个分片区域，并对多个分片区域进行编号排序，最终实现图像分割。
步骤4.2：对亮度受限的V通道亮度图像Ilim执行8邻域均值滤波运算，获得每个像素点的邻域信息8邻域均值滤波运算的为：
式中，H为8邻域均值滤波运算的卷积核模板，采用H作为卷积核经滤波输出来的图像包含原本图像每个像素点周围的亮度特征信息。
步骤4.3：对亮度受限的V通道亮度图像执行多尺度高斯滤波算法得到初步光照图，并以初步光照图作为引导图引导滤波提取亮度受限的V通道亮度图像Ilim的光照分量，具体步骤如下：
用高斯函数对亮度受限的V通道亮度图像Ilim做卷积运算并加权后得到初步估计的光照分量；
用初步估计的光照分量作为引导量对亮度受限的V通道亮度图像Ilim进行引导滤波得到最终估计的光照分量Iq；
其中，所述高斯函数具有一个以上的尺度因子，运算公式如下：
式中，c为尺度因子，λ为归一化常数，确保高斯函数G(x,y)满足归一化条件；
利用一个以上的尺度因子的不同尺度的高斯函数分别提取出场景的光照分量进行加权，多尺度高斯滤波输出结果计算公式如下：
式中，gaus(x,y)为多尺度高斯滤波提取的光照分量，Ilim(x,y)为亮度受限的V通道亮度图像，αi为第i个尺度高斯函数提取的光照分量的权重系数，n为用到的尺度数；
由引导滤波的计算计算输出的亮度受限的V通道亮度图像Ilim的光照分量Iq和作为引导图像的多尺度高斯滤波gaus存在的局部线性关系，引导滤波的计算模型输出局部线性关系的公式如下：
式中ωk为以r为半径的确定的窗口，ak，bk是以k为中心的唯一确定的常量系数，j，k表示像素索引，gausj输入的多尺度高斯图像在像素j处的值，Iqj表示输出的光照分量在j处的值，Iq为引导滤波得到的最终估计的光照分量；
求解式(11)线性方程的系数为是的拟合函数的输出图像Iq与输入亮度受限的V通道亮度图像Ilim之间的差距最小，对于每个滤波窗口，求解线性方程的系数问题可转化为最优化中问题；
式中E(ak,bk)为代价函数；ak和bk为待求解的系数；ε为调整参数；Ilim_j为引导滤波的输入图像，通过令E(ak,bk)的偏导等于零可求得系数ak和bk，并带入式(11)得到最终的光照分量Iq。
步骤5：
构造自适应目标均值包括如下步骤：
基于亮度受限的V通道亮度图像Ilim的均值，判断是否属于中等亮度或低亮度图像；并根据判断结果，在分割的若干个二值化图像区域中判断亮暗属性并对进行标记。
在标记的暗区域中计算其亮度特征值，并将特征值代入自适应目标均值函数；从而得出暗属性区域的自适应目标均值；
对标记的亮区域中设置理想预设值，将理想预设值代入自适应目标均值函数，从而得出亮属性区域的自适应目标均值；
其中，判断中等亮度图像和低亮度图像过程如下：
输出亮度受限的V通道亮度图像Ilim的亮度均值大于阈值为中等亮度图像；
输出亮度受限的V通道亮度图像Ilim的亮度均值小于阈值为低亮度图像；判断中等亮度图像和低亮度图像的公式为：
其中，
为亮度受限的V通道亮度图像Ilim的亮度均值，Ith2是划分亮度等级的阈值，并且在本实施例中Ith2＝0.2；
在判断的低亮度图像的过程中，判断分割区域的亮暗属性公式为：
其中，
是Ilim在区域i中的均值，Ei1是Ilim的8邻域均值滤波图像在区域i的均值；在判断的中等亮度图像的过程中，判断分割区域的亮暗属性公式为：
其中，Vimin是Ilim在区域i中的上限值，
是Ilim在区域i中的均值，Iomean为目标均值的理想预设值，取值在[0.4,0.6]范围内；在本实施例中Iomean＝0.5；
结合分割区域中亮度受限的V通道亮度图像Ilim的中值Vi1、8邻域图像均值Ei1及中值Ei2计算区域的亮度特征，其中亮度特征模型公式如下：
式中，c(i)表示区域i的亮度特征，Vi1表示亮度受限的V通道亮度图像Ilim在区域i中的中值，Ei1表示亮度受限的V通道亮度图像Ilim的8邻域图像在区域i中的均值，Ei2表示亮度受限的V通道亮度图像Ilim的8邻域图像在区域i中的中值；
在中等亮度图像下，将暗属性区域的亮度特征值代入自适应目标均值函数公式如下：
在中等亮度图像下，将亮属性区域的理想预设值代入自适应目标均值函数公式如下：
Yo(i)＝Iomean (22)
式中，Yo(i)表示当前区域定义的自适应目标均值；Iomean为目标均值的理想预设值；在低亮度图像下，将暗属性区域下亮度特征值代入自适应目标均值函数公式如下：
在低亮度图像下，将亮属性区域的理想预设值代入自适应目标均值函数公式如下：
Yo(i)＝p-0.01 (24)
(21)至(25)式中，Yo(i)表示当前区域i的自适应目标均值，c表示区域亮度特征，p为根据输入亮度受限的V通道亮度图像Ilim与目标均值的理想预设值Iomean逆推得到的目标均值调整系数，
表示亮度受限的V通道亮度图像Ilim的均值，Iomean为目标均值的理想预设值。
本案例的亮度受限的V通道亮度图像Ilim的均值
依据式(17)，可以判定为低亮度图像。根据低亮度图像的处理方法，依据式(18)标记图像的亮度属性并依据式(20)计算亮度特征，最终依据亮度属性和亮度特征，带入式(21)-(25)计算自适应目标均值。
步骤6：利用自适应目标均值和提取的光照分量，自适应地构造Gamma校正指数；
在此实施例中，本发明构建了一种改进的自适应Gamma校正指数，将上述构造的自适应目标均值和提取的每个像素点处的光照分量值调整作用于该点处的Gamma校正指数的参数，增大光照过低区域的亮度值，降低光照过强区域的亮度值，最终实现对光照不均匀图像的自适应校正处理。
自适应Gamma校正指数计算公式如下：
式中，γ表示构造的自适应Gamma校正指数，Yo表示构造的自适应目标均值，Iq表示多尺度高斯滤波和引导滤波结合提取亮度受限的V通道亮度图像Ilim的光照分量；
步骤7：
对初步增强的V通道亮度图像F进行自适应Gamma校正处理的计算公式如下：
Fout＝Fγ (27)
式中，F表示对数变换后初步增强的V通道亮度图像，Fout表示自适应Gamma校正后的V通道亮度图像。
步骤8：根据接收的彩色图像选择输出校正的V通道亮度图像；
步骤8.1若接收彩色图像的原始V通道亮度图像亮度均值大于受限阈值，则对校正后的V通道亮度图像再次取反还原，输出校正还原的V通道亮度图像；
步骤9：将校正还原的V通道亮度图像结合H通道色调值、S通道饱和度值重组回到HSV色彩空间，然后将其转换回RGB色彩空间得到RGB彩色图像，最终输出校正后的RGB彩色图像。
其中步骤8对输入图像的原始V通道亮度图像亮度均值判断后选择进入步骤8.1处理进程；若均不满足判断条件直接进入步骤9；本实施例1的原始输入图像模式为RGB图像，待校正图像的均值
未进行取反操作，因此本实施例进行步骤7.2后输出校正后RGB图像；进而步骤8中输出的为光照校正后RGB图像。
步骤10：最终输出校正后的RGB彩色图像。
实施例2：
在实施例中输入的原始图像为RGB图像格式；转化为HSV图像格式，进而实施例2中的基于区域划分的自适应非均匀光照图像校正实现方法与实施例1中的方法步骤完全相同，在步骤3中，计算待校正V通道亮度均值，若V通道亮度均值小于受限阈值，满足输出条件，进而输出亮度受限的V通道亮度图像；若V通道亮度均值大于受限阈值，则取反使其满足输出条件；
其中，所述受限阈值
进而得到亮度受限的V通道亮度图像均值的区间为[0，0.6。本案例的输入V通道亮度的均值
依据式(1)可以判定图像无需进行亮度取反。
在步骤5中在分割的不同区域中构造自适应目标均值。本案例的输入图像的均值
依据式(17)，，可以判定为中等亮度图像。根据中等亮度图像的自适应目标均值的计算方法，依据式(19)标记图像的亮暗属性与式(20)计算亮度特征，依据条件带入式(21)、(22)计算出自适应目标均值。因本实施例2的原始输入图像为RGB图像，待校正图像的均值
未进行取反操作，因此本实施例2不执行步骤8.1、；再执行步骤9和步骤10，最终输出光照校正后的RGB彩色图像。
实施例3：
在实施例中输入的原始图像为RGB图像格式；转化为HSV图像格式，进而本实施例3中的基于区域划分的自适应非均匀光照图像校正实现方法与实施例1、实施例2步骤相同，在步骤3中，计算待校正V通道亮度均值，若V通道亮度均值小于受限阈值，满足输出条件，进而输出亮度受限的V通道亮度图像；若V通道亮度均值大于受限阈值，则取反使其满足输出条件；
其中，所述受限阈值
进而得到亮度受限的V通道亮度图像均值的区间为[0，0.6。本案例的待校正V通道亮度均值
根据式(1)，对图像进行取反，限制其亮度均值使之满足条件。
取反输出图像的灰度均值
为中等亮度图，故其在步骤5、步骤6的具体实施步骤同实施例2相同，但因本实施例2的原始输入图像为RGB图像，待校正V通道亮度的均值
已进行取反操作，因此本实施例2执行步骤8.1、输出校正还原的V通道亮度图像，进而再执行执行步骤9和步骤10，最终输出光照校正后的RGB彩色图像。
结合实施例1至实施例3可以体现出本发明提出的算法优势明显，具有良好的增强和校正效果，并且能够好的保留细节信息。
对于光照分布不均匀的图像：
当光照度极其昏暗时，基于以上步骤要求，实施例1图2中处理前和处理后的图像见附图a和b；
当光照度较为昏暗时，基于以上步骤要求，实施例2图3中处理前和处理后的图像见附图a和b；
当光照度较高时，基于以上步骤要求，实施例3图4中处理前和处理后的图像见附图a和b；
实验结果与分析：
图2中图a和图b处理前后的两幅彩色图对比可以看出：
图a整体图像偏暗，对比度低，特别是图像四周的物体过度的欠曝光，其原本形状基本无法辨别；图像中部窗户曝光过多，整体图像十分不和谐。
图b是经过本发明方法对图a进行处理后图像，对整幅图的光照进行了调整，解决了图像四周曝光不足的问题，提高了图像的整体亮度和对比度；尤其图中的教堂座位、窗户以及屋顶的细节和纹路得到了很好的显现，变得更加清晰。
从图3中图a和图b处理前后的两幅彩色图对比可以看出：
图a整体的光照度较为昏暗，主要受拍摄环境光照不足而导致的欠曝图片，图像局部接近无光照，无法辨别颜色和形状，对比度很低。
图b是经过本发明方法对图a进行处理后图像，解决了图中建筑因光照严重不足的而导致的色彩缺失，纹路不清晰的问题，尤其是柱子与之子之间的区域得到了明显的增强，使得图中建筑的原始面貌和色彩得到了很好的呈现，大大增加了图像的信息量。
从图4中图a和图b处理前后的两幅彩色图对比可以看出：
图a是光照过强的情况下拍摄的图片，虽然可以看出拍摄物体的颜色和形状，但因其光照度较强，使得拍摄物体对比度大大减弱，室外的树木和室内的电脑屏幕都看不清。
图b是经过本发明方法对图a进行处理后图像，相对于图a，对比度得到了明显的增强，尤其体现室外的树木和室内的电脑屏幕上，同时原本亮度较暗的区域比如黑色的椅子也比原图更加清晰可辨，大大增加了原图的对比度。
以上分析表明本发明方法对非均匀光照图像的亮度的校正、对比度的提高和细节信息的保留和恢复能力突出，大大的改善了图像的视觉效果，提升了图像的质量。
综上所述，本发明本方法利用多尺度高斯函数和引导滤波相结合的方法求解光照分量，多尺度高斯滤波保留了图像原始光照的整体性，而引导滤波保留原始光照的局部特性和边缘信息，两者结合能够兼顾图像原始光照的整体性和局部性，高度还原真实场景的光照分布，解决的现有技术提取的光照分量不逼真的问题。采用两种互补的自适应阈值二值化方法，并融合，有效的划分了图像的各个亮度区域，同时也最大程度的保留了图像的细节轮廓，有效的解决了传统二值化方法不能同时兼顾整体和细节的问题。本发明所提出的按分区自适应设定目标均值的函数具有很大的优越性，首先把图像亮度分为低亮度和中等亮度两个等级，并按照不同亮度等级、不同亮度分区以及各个分区中细分的明暗区域自适应地计算目标均值，可根据人眼视觉特性自适应的降低或提高目标均值，使得增强后的该区域对比度得到更大的提升，从而使图像的整体视觉效果更为明显地改善。模型之间具有很多共性，便于标准化，相对简单，有很大的参考价值；最后本发明还兼顾了高亮度图像的亮度校正，把高亮度图像进行取反转为低亮度图像进行同等的增强处理然后再取反还原为高亮度图像，效果和低中亮度的图像一样，对高亮度光照不均匀图像实现了高亮度区域的亮度压制和低亮度区域的亮度增强，从而使得本发明的应用范围更加广泛。
本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于区域划分的非均匀光照彩色图像校正方法，其特征在于，包括如下步骤：
接收彩色图像，并将其从RGB色彩空间转换到HSV色彩空间，在转换的图像中提取V通道亮度值；
根据V通道亮度值计算V通道亮度均值，并根据预设的受限阈值，选择输出得到亮度受限的V通道亮度图像；
对亮度受限的V通道亮度图像进行处理，获得分割区域、像素点邻域信息、以及光照分量；
结合获得的分割区域、像素点邻域信息构造自适应目标均值，并利用自适应目标均值和获得的光照分量共同构造Gamma校正指数；
对亮度受限的V通道亮度图像进行自适应Gamma校正，得到非均匀光照下校正的V通道亮度图像；
根据接收的彩色图像选择输出校正的V通道亮度图像，将校正的V通道亮度图像结合H通道色调值、S通道饱和度值重组回到HSV色彩空间，然后将其转换回RGB色彩空间得到校正后的RGB彩色图像。
2.根据权利要求1所述的一种基于区域划分的非均匀光照彩色图像校正方法，其特征在于，对亮度受限的V通道亮度图像进行处理，获得分割区域、像素点邻域信息、以及光照分量的方法包括：
对亮度受限的V通道亮度图像执行对数变换增强，获得初步增强的V通道亮度图像，对获得初步增强的V通道亮度图像进行纹理边界增强的二值化操作，得出二值化图像，利用形态学对二值化图像去噪及区域分割，获取所述分割区域；
对亮度受限的V通道亮度图像执行8邻域均值滤波获得图像中像素点的邻域信息；
对亮度受限的V通道图像采用多尺度高斯滤波与引导滤波结合的方法获取光照分量。
3.根据权利要求1所述的一种基于区域划分的非均匀光照彩色图像校正方法，其特征在于，选择输出得到亮度受限的V通道亮度图像的处理公式如下：
其中，Ilim为输出的亮度受限的V通道亮度图像，Iv为待校正的V通道亮度图像，
为待校正的V通道亮度图像的亮度均值，Ith1为预设的受限阈值；其中，Ith1在[0.5,0.7]范围内。
4.根据权利要求2所述的一种基于区域划分的非均匀光照彩色图像校正方法，其特征在于，对获得初步增强的V通道亮度图像进行纹理边界增强的二值化操作，得出二值化图像的方法包括：
对初步增强的V通道亮度图像分别进行如下两种二值化操作，通过对两二值化操作的结果进行逻辑与运算获得所述二值化图像；第一种二值化操作包括：
首先对初步增强的V通道亮度图像F进行窗口大小为s1×s1的均值滤波，得到每个像素点的邻域均值，再将每个像素点的亮度值与邻域均值相除，相除结果与自适应敏感度因子T对比，根据对比结果选择输出第一种二值化操作后的二值图像；
第二种二值化操作包括：
用初步增强的V通道亮度图像F减去对初步增强的V通道亮度图像F进行窗口大小为s2×s2均值滤波后得到图像Fs2×s2后，再减去常数C得到差值图像，然后根据差值图像中像素值的正负进行二值化处理，得到只包含纹理边界的二值化图像；
其中，根据初步增强的V通道亮度图像F的均值构造自适应敏感度因子T；
第一种二值化操作中的均值滤波过程如下：
遍历初步增强的V通道亮度图像F，计算F的积分图像，再次遍历积分图像，计算每个像素的s1×s1窗口的邻域均值；
其中，积分图像的计算公式为：
IInteg(x,y)＝F(x,y)+IInteg(x-1,y)+IInteg(x,y-1)-IInteg(x-1,y-1) (2)
式中，F(x,y)表示初步增强的V通道亮度图像F的像素值，IInteg(x,y)表示积分图像的像素值；IInteg(x,y-1)、IInteg(x-1,y)、IInteg(x-1,y-1)分别表示和(x,y)相邻的下方、左方和左下方的积分图像的像素值；
对于第二种二值化操作中的常数C的取值范围如下：
5.根据权利要求2所述的一种基于区域划分的非均匀光照彩色图像校正方法，其特征在于，
利用形态学对二值化图像进行去噪及对二值化图像进行区域分割的过程如下：
利用膨胀、腐蚀以及删除小面积对象的方法对二值化图像进行形态学去噪处理，获得二值化图像中的区域边界；
标记去噪后的区域边界，并根据标记的区域边界将图像划分为多个分片区域及对多个分片区域进行编号排序，实现二值化图像的区域分割。
6.根据权利要求2所述的一种基于区域划分的非均匀光照彩色图像校正方法，其特征在于，获得每个像素点的邻域信息8邻域均值滤波运算的卷积核模板为：
式中，H为8邻域均值滤波运算的卷积核模板。
7.根据权利要求2所述的一种基于区域划分的非均匀光照彩色图像校正方法，其特征在于，对亮度受限的V通道亮度图像采用多尺度高斯滤波与引导滤波结合的方法获取光照分量包括：
用高斯函数对亮度受限的V通道亮度图像做卷积运算并加权后得到初步估计的光照分量；
用初步估计的光照分量作为引导量对亮度受限的V通道亮度图像进行引导滤波得到最终估计的光照分量Iq；
其中，所述高斯函数具有一个以上的尺度因子，运算公式如下：
式中，c为尺度因子，λ为归一化常数，确保高斯函数G(x,y)满足归一化条件；
利用多个尺度因子的高斯函数分别提取光照分量并进行加权，多尺度高斯滤波计算公式如下：
式中，gaus(x,y)为多尺度高斯滤波提取的光照分量，αi为第i个尺度高斯函数提取的光照分量的权重系数，n为用到的尺度数，Ilim为亮度受限的V通道亮度图像；
由引导滤波计算输出的亮度受限的V通道亮度图像的光照分量Iq和作为引导图像的多尺度高斯滤波图gaus存在的局部线性关系，引导滤波的计算模型输出局部线性关系的公式如下：
式中ωk为以r为半径的确定的窗口，ak，bk是以k为中心的唯一确定的常量系数，j、k表示像素索引，gausj输入的多尺度高斯图像在j处的值，Iqj表示引导滤波得到的最终估计的光照分量Iq在j处的值；
求解式(7)线性方程的系数为使得拟合函数的输出图像Iq与输入亮度受限的V通道亮度图像间的差距最小；
对于每个滤波窗口，求解线性方程的系数问题转化为最优化问题的公式为：
式中，E(ak,bk)为代价函数；ak和bk为待求解的系数；ε为调整参数；Ilim_j为引导滤波的输入图像，通过令E(ak,bk)的偏导等于零求得系数ak和bk，并代入式(11)得到最终的光照分量Iq。
8.根据权利要求1所述的一种基于区域划分的非均匀光照彩色图像校正方法，其特征在于，构造自适应目标均值包括如下步骤：
将亮度受限的V通道亮度图像Ilim的亮度均值大于设定阈值的图像判定为中等亮度图像；否则，判定为低亮度图像；
分别对中等亮度图像、低亮度图像进行暗属性区域、亮属性区域标记；
分别计算中等亮度图像及低亮度图像的暗属性区域的亮度特征值，并将所述亮度特征值分别代入各自相应的自适应目标均值函数，从而获取暗属性区域的自适应目标均值；
分别获取中等亮度图像及低亮度图像的亮属性区域的理想预设值，并将所述理想预设值分别代入各自相应的自适应目标均值函数，从而获取亮属性区域的自适应目标均值；
其中，所述亮度特征模型公式如下：
式中，c(i)表示区域i的亮度特征，Vi1表示亮度受限的V通道亮度图像Ilim在区域i中的中值，Ei1表示亮度受限的V通道亮度图像Ilim的8邻域图像在区域i中的均值，Ei2表示亮度受限的V通道亮度图像Ilim的8邻域图像在区域i中的中值；
在中等亮度图像下，将暗属性区域的亮度特征值代入如下自适应目标均值函数：
在中等亮度图像下，将亮属性区域的理想预设值代入如下自适应目标均值函数：
Yo(i)＝Iomean (11)
式中，Yo(i)表示当前区域定义的自适应目标均值；Iomean为目标均值的理想预设值；
在低亮度图像下，将暗属性区域下亮度特征值代入如下自适应目标均值函数：
在低亮度图像下，将亮属性区域的理想预设值代入如下自适应目标均值函数：
Yo(i)＝p-0.01 (13)
(10)至(14)式中，Yo(i)表示当前区域i的自适应目标均值，c表示区域亮度特征，p为根据输入亮度受限的V通道亮度图像Ilim与目标均值的理想预设值Iomean逆推得到的目标均值调整系数，
表示亮度受限的V通道亮度图像Ilim的均值，Iomean为目标均值的理想预设值。
9.根据权利要求1所述的一种基于区域划分的非均匀光照彩色图像校正方法，其特征在于，
所述自适应Gamma校正指数计算公式如下：
式中，γ表示构造的自适应Gamma校正指数，Yo表示构造的自适应目标均值，Iq表示多尺度高斯滤波和引导滤波结合提取亮度受限的V通道亮度图像Ilim的光照分量；
对初步增强的V通道亮度图像F进行自适应Gamma校正处理的计算公式如下：
Fout＝Fγ (16)
式中，F表示对数变换后初步增强的V通道亮度图像，Fout表示自适应Gamma校正后的V通道亮度图像。
10.根据权利要求1所述的一种基于区域划分的非均匀光照彩色图像校正方法，其特征在于，根据接收的彩色图像选择输出校正的V通道亮度图像包括：
若接收彩色图像的原始V通道亮度图像亮度均值大于受限阈值，则对校正后的V通道亮度图像再次取反还原，输出校正还原的V通道亮度图像；
将校正还原的V通道亮度图像结合H通道色调值、S通道饱和度值重组回到HSV色彩空间，然后将其转换回RGB色彩空间得到RGB彩色图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111483828.3A CN114331873B (zh) | 2021-12-07 | 2021-12-07 | 一种基于区域划分的非均匀光照彩色图像校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111483828.3A CN114331873B (zh) | 2021-12-07 | 2021-12-07 | 一种基于区域划分的非均匀光照彩色图像校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114331873A true CN114331873A (zh) | 2022-04-12 |
| CN114331873B CN114331873B (zh) | 2024-04-19 |
Family
ID=81048225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111483828.3A Active CN114331873B (zh) | 2021-12-07 | 2021-12-07 | 一种基于区域划分的非均匀光照彩色图像校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114331873B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100083A (zh) * | 2022-08-25 | 2022-09-23 | 江苏游隼微电子有限公司 | 一种车载影像的图像亮度自适应调节方法 |
| CN115375590A (zh) * | 2022-10-27 | 2022-11-22 | 之江实验室 | 一种亮度非均匀性在线补偿的图像处理方法 |
| CN116129157A (zh) * | 2023-04-13 | 2023-05-16 | 深圳市夜行人科技有限公司 | 一种基于极微光的警戒摄像机智能图像处理方法及系统 |
| CN117059047A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市柯达科电子科技有限公司 | 一种用于lcd显示图像色彩智能调整方法 |
| CN117649661A (zh) * | 2024-01-30 | 2024-03-05 | 青岛超瑞纳米新材料科技有限公司 | 一种碳纳米管制备状态图像处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102376082A (zh) * | 2010-08-06 | 2012-03-14 | 株式会社理光 | 基于伽马校正的图像处理方法和装置 |
| CN105654433A (zh) * | 2015-12-28 | 2016-06-08 | 桂林电子科技大学 | 基于改进多尺度Retinex的彩色图像增强方法 |
| CN108053374A (zh) * | 2017-12-05 | 2018-05-18 | 天津大学 | 一种结合双边滤波与Retinex的水下图像增强方法 |
| US20200034951A1 (en) * | 2018-07-26 | 2020-01-30 | Boe Technology Group Co., Ltd. | Image processing method, image processing device and computer storage medium |
-
2021
- 2021-12-07 CN CN202111483828.3A patent/CN114331873B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102376082A (zh) * | 2010-08-06 | 2012-03-14 | 株式会社理光 | 基于伽马校正的图像处理方法和装置 |
| CN105654433A (zh) * | 2015-12-28 | 2016-06-08 | 桂林电子科技大学 | 基于改进多尺度Retinex的彩色图像增强方法 |
| CN108053374A (zh) * | 2017-12-05 | 2018-05-18 | 天津大学 | 一种结合双边滤波与Retinex的水下图像增强方法 |
| US20200034951A1 (en) * | 2018-07-26 | 2020-01-30 | Boe Technology Group Co., Ltd. | Image processing method, image processing device and computer storage medium |
Non-Patent Citations (1)
| Title |
|---|
| 李平;梁丹;梁冬泰;吴晓成;陈兴;: "自适应图像增强的管道机器人缺陷检测方法", 光电工程, vol. 47, no. 01, 15 January 2020 (2020-01-15), pages 1 - 11 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100083A (zh) * | 2022-08-25 | 2022-09-23 | 江苏游隼微电子有限公司 | 一种车载影像的图像亮度自适应调节方法 |
| CN115375590A (zh) * | 2022-10-27 | 2022-11-22 | 之江实验室 | 一种亮度非均匀性在线补偿的图像处理方法 |
| CN116129157A (zh) * | 2023-04-13 | 2023-05-16 | 深圳市夜行人科技有限公司 | 一种基于极微光的警戒摄像机智能图像处理方法及系统 |
| CN117059047A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市柯达科电子科技有限公司 | 一种用于lcd显示图像色彩智能调整方法 |
| CN117059047B (zh) * | 2023-10-12 | 2023-12-22 | 深圳市柯达科电子科技有限公司 | 一种用于lcd显示图像色彩智能调整方法 |
| CN117649661A (zh) * | 2024-01-30 | 2024-03-05 | 青岛超瑞纳米新材料科技有限公司 | 一种碳纳米管制备状态图像处理方法 |
| CN117649661B (zh) * | 2024-01-30 | 2024-04-12 | 青岛超瑞纳米新材料科技有限公司 | 一种碳纳米管制备状态图像处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114331873B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114331873B (zh) | 一种基于区域划分的非均匀光照彩色图像校正方法 | |
| Ghani et al. | Enhancement of low quality underwater image through integrated global and local contrast correction | |
| CN107527332B (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
| CN108876743B (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
| Lee et al. | Local tone mapping using the K-means algorithm and automatic gamma setting | |
| CN110570360B (zh) | 一种基于Retinex的鲁棒和全面的低质量光照图像增强方法 | |
| Li et al. | A multi-scale fusion scheme based on haze-relevant features for single image dehazing | |
| CN109919859B (zh) | 一种户外场景图像去雾增强方法、计算设备及其存储介质 | |
| Pei et al. | Effective image haze removal using dark channel prior and post-processing | |
| Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
| CN115456905A (zh) | 一种基于明暗区域分割的单幅图像去雾方法 | |
| CN109272475A (zh) | 一种快速有效修复与强化水下图像颜色的方法 | |
| CN108898561B (zh) | 一种含天空区域雾天图像的去雾方法、服务器及系统 | |
| CN110111280A (zh) | 一种多尺度梯度域引导滤波的低照度图像增强算法 | |
| Li et al. | Soft binary segmentation-based backlit image enhancement | |
| CN113034379A (zh) | 天候天时自适应的快速图像清晰化处理方法 | |
| CN116993616A (zh) | 一种单幅低照度场景图像增强方法及增强系统 | |
| CN114429426B (zh) | 一种基于Retinex模型的低照度图像质量改善方法 | |
| CN113256533B (zh) | 基于msrcr的自适应低照度图像增强方法及系统 | |
| Dixit et al. | Image Contrast Optimization using Local Color Correction and Fuzzy Intensification | |
| Negru et al. | Exponential image enhancement in daytime fog conditions | |
| Kumari et al. | Real time image and video deweathering: The future prospects and possibilities | |
| Tang et al. | Sky-preserved image dehazing and enhancement for outdoor scenes | |
| CN110390655B (zh) | 一种基于蓝色通道校正的图像去雾方法 | |
| CN111223060B (zh) | 基于自适应plip模型的图像处理方法 |
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 |