CN114549340A - 对比度增强方法、计算机程序产品、存储介质及电子设备 - Google Patents
对比度增强方法、计算机程序产品、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114549340A CN114549340A CN202210016097.XA CN202210016097A CN114549340A CN 114549340 A CN114549340 A CN 114549340A CN 202210016097 A CN202210016097 A CN 202210016097A CN 114549340 A CN114549340 A CN 114549340A
- Authority
- CN
- China
- Prior art keywords
- image
- contrast enhancement
- evaluation result
- contrast
- metric
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004590 computer program Methods 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 201
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 118
- 230000000694 effects Effects 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000036961 partial effect Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 51
- 238000010801 machine learning Methods 0.000 description 28
- 230000002159 abnormal effect Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000005259 measurement Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003796 beauty Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000005303 weighing Methods 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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请涉及图像处理技术领域,提供一种对比度增强方法、计算机程序产品、存储介质及电子设备。其中,对比度增强方法包括:获取待增强图像,并根据待增强图像确定评估图像,评估图像的尺寸小于待增强图像;确定对比度增强算法中的每个参数的取值集合,并构造多种参数取值组合;分别基于每种参数取值组合,利用对比度增强算法处理评估图像,获得对应的评估结果图像,并将对比度增强效果最优的评估结果图像对应的参数取值组合确定为最优参数取值组合;基于最优参数取值组合,利用对比度增强算法处理待增强图像,得到增强结果图像。该方法避免了用户手工调参的负担,同时还有利于改善对比度增强效果,并且还具有较高的执行速度。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种对比度增强方法、计算机程序产品、存储介质及电子设备。
背景技术
图像对比度是指一张图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量,对比度反映了一张图像中灰度反差的大小。一般来说,对比度越大,图像往往看起来鲜亮突出、通透感强;对比度越小,图像往往看起来层次不明、发灰发蒙。对比度增强是指一类图像处理算法,这类算法会适当增大图像的对比度,从而去除或削弱图像发灰、发蒙、有雾感的现象,达到良好的视觉效果。
现有的对比度增强算法,其对比度增强效果的好坏大多依赖于一些算法参数,用户往往需要通过手工调整来选择合适的参数取值,不然容易出现对比度增强效果不佳的问题,无法达到良好的视觉效果,但是手工调整参数费时费力。
发明内容
本申请实施例的目的在于提供一种对比度增强方法、计算机程序产品、存储介质及电子设备,以改善上述技术问题。
为实现上述目的,本申请提供如下技术方案:
第一方面,本申请实施例提供一种对比度增强方法,包括:获取待增强图像,并根据所述待增强图像确定用于评估对比度增强效果的评估图像,所述评估图像的尺寸小于所述待增强图像的尺寸;确定对比度增强算法中的每个参数的取值集合,并分别从每个参数的取值集合中选择一个取值构成参数取值组合,共获得多种参数取值组合;分别基于所述多种参数取值组合中的每种参数取值组合,利用所述对比度增强算法处理所述评估图像,获得对应的评估结果图像,并将对比度增强效果最优的评估结果图像所对应的参数取值组合确定为最优参数取值组合;基于所述最优参数取值组合,利用所述对比度增强算法处理所述待增强图像,得到增强结果图像。
上述方法可以针对不同的待增强图像,自动为对比度增强算法选择能够使得增强效果最优的参数取值组合(即参数的选择具有自适应性),从而避免了用户进行手工调参的负担。
并且,该方法会自动生成并遍历多种参数取值组合,从中选择最优参数取值组合,从而有利于避免手工调参时遗漏参数取值组合的问题,进而还能够改善对比度增强效果。
此外,该方法利用尺寸小于待增强图像的评估图像选择最优参数取值组合,使得参数选择过程不会消耗太多的计算资源,有利于提高整个方法的执行效率。
在第一方面的一种实现方式中,所述对比度增强算法为非机器学习算法。
现有的对比度增强算法主要有两类:一类是非机器学习算法(也可以称为传统算法),另一类是机器学习算法。非机器学习算法的执行速度较快,但不能自适应地选择算法参数;机器学习算法可以自主地学习部分算法参数,但其执行速度较慢。
由于在第一方面介绍的方法中引入了自适应选择算法参数的机制,因此若该方法与非机器学习算法相结合,既可以保证对比度增强的效率,又避免了手工调整参数所带来的种种问题。
在第一方面的一种实现方式中,所述根据所述待增强图像确定用于评估对比度增强效果的评估图像,包括:将对所述待增强图像进行下采样后得到的图像确定为所述评估图像;或者,将从所述待增强图像中截取出的部分图像确定为所述评估图像。
对待增强图像进行下采样或者截取都可以获得尺寸较小的评估图像。其中下采样更有利于在评估图像中保留待增强图像的信息,而通过截取获得评估图像则更为灵活。
在第一方面的一种实现方式中,所述将从所述待增强图像中截取出的部分图像确定为所述评估图像,包括:将从所述待增强图像中按照感兴趣区域截取出的部分图像确定为所述评估图像。
上述实现方式中的评估图像对应待增强图像中的感兴趣区域,意味着在此种实现方式中,最优参数取值组合是根据待增强图像中的感兴趣区域的对比度增强效果来选择的,感兴趣区域很可能是用户在待增强图像中重点关注的区域,例如画面中的人脸、人体等,因此根据感兴趣区域内的对比度增强效果来选择参数取值组合具有合理性,有利于获得视觉效果令用户满意的增强结果图像。
在第一方面的一种实现方式中,所述将对比度增强效果最优的评估结果图像所对应的参数取值组合确定为最优参数取值组合,包括:计算每张评估结果图像对应的目标度量,共获得多个目标度量;其中,所述目标度量表征所述评估结果图像的对比度增强效果,若所述目标度量越大,则表明所述评估结果图像的对比度增强效果越差,若所述目标度量越小,则表明所述评估结果图像的对比度增强效果越好;将所述多个目标度量中的最小目标度量对应的参数取值组合确定为所述最优参数取值组合。
在上述实现方式中,用一个量化的指标——目标度量来表示评估结果图像的对比度增强效果,通过比较目标度量的大小,就可以快速确定在哪种参数取值组合下评估结果图像的对比度增强效果最优,进而完成最优参数取值组合的选择。
另外,目标度量是一个根据评估结果图像计算出来的客观指标,而非用户通过肉眼获得的主观评判结果,所以根据目标度量的取值来选择最优参数取值组合具有客观、精确的优点。
在第一方面的一种实现方式中,计算所述评估结果图像对应的目标度量,包括:计算所述评估结果图像对应的对比度度量,并根据所述对比度度量确定所述评估结果图像对应的目标度量;其中,所述对比度度量表征所述评估结果图像的对比度,且所述对比度度量与所述目标度量负相关。
在上述实现方式中,对比度度量表征评估结果图像的对比度,因此直接地反映了评估结果图像的对比度增强效果(对比度越大,对比度增强效果也越好),从而可以将其作为目标度量的一项基本构成。
在第一方面的一种实现方式中,所述计算所述评估结果图像对应的对比度度量,包括:在所述评估结果图像上确定多个局部窗口,并计算每个局部窗口内像素值的波动性指标,共获得多个波动性指标;将所述多个波动性指标的均值确定为所述评估结果图像对应的对比度度量。
上述实现方式给出了对比度度量可能的计算方式,该方式计算出的对比度度量具有局部性,因此能够很好地反映对比度增强算法给评估图像带来的对比度增强效果。
在第一方面的一种实现方式中,所述计算所述评估结果图像对应的对比度量,并根据所述对比度度量确定所述评估结果图像对应的目标度量,包括:计算所述评估结果图像对应的对比度量以及信息损失度量,并根据所述对比度度量以及所述信息损失度量确定所述评估结果图像对应的目标度量;其中,所述信息损失度量表征因执行所述对比度增强算法所导致的所述评估结果图像中的信息损失,且所述信息损失度量与所述目标度量正相关。
对比度度量越大,则其所代表的评估结果图像的对比度也越大,但过大的对比度反而会引起图像质量下降,例如图像中很多亮部或暗部的细节将消失,即产生信息损失。因此,一种好的对比度增强算法并不会一味地增大图像的对比度。
在上述实现方式中,信息损失度量表征因执行对比度增强算法所导致的评估结果图像中的信息损失,由于信息损失度量与目标度量正相关,而对比度度量则与目标度量负相关,因此对于计算目标度量而言,信息损失度量可视为对对比度度量的一种制约,使得方法不会盲目地选择那些使得对比度度量较大的参数取值组合作为最优参数取值组合,因为这些参数取值组合在增大图像对比度的同时给图像带来的信息损失也比较大。
换句话说,将信息损失度量加入到目标度量后,所选择出的最优参数取值组合,能够使得对评估图像的对比度增强程度比较合理,即使得评估结果图像的对比度相较于评估图像有所提高,且信息损失较少,图像质量没有明显的降低。
在第一方面的一种实现方式中,计算所述评估结果图像对应的信息损失度量,包括:统计所述评估结果图像中超出正常取值范围的像素值的总数量,将所述总数量确定为所述信息损失度量;或者,对于所述评估结果图像中超出正常取值范围的每个像素值,计算所述像素值与所述正常取值范围的边界值的偏差量,并将获得的偏差量之和确定为所述信息损失度量。
上述实现方式给出了信息损失度量可能的计算方式,具体又分为两种方案,方案一只考虑了异常像素值(指评估结果图像中超出正常取值范围的像素值)的总数量,方案二既考虑了异常像素值的总数量(因为有求和操作),又考虑了异常像素值的异常严重程度(异常像素值与正常取值范围的边界值的偏差量)。
第二方面,本申请实施例提供一种对比度增强装置,包括:图像获取模块,用于获取待增强图像,并根据所述待增强图像确定用于评估对比度增强效果的评估图像,所述评估图像的尺寸小于所述待增强图像的尺寸;参数组合模块,用于确定对比度增强算法中的每个参数的取值集合,并分别从每个参数的取值集合中选择一个取值构成参数取值组合,共获得多种参数取值组合;参数选择模块,用于分别基于所述多种参数取值组合中的每种参数取值组合,利用所述对比度增强算法处理所述评估图像,获得对应的评估结果图像,并将对比度增强效果最优的评估结果图像所对应的参数取值组合确定为最优参数取值组合;增强处理模块,用于基于所述最优参数取值组合,利用所述对比度增强算法处理所述待增强图像,得到增强结果图像。
第三方面,本申请实施例提供一种计算机程序产品,包括计算机程序指令,所述计算机程序指令被处理器读取并运行时,执行第一方面或第一方面的任意一种可能的实现方式提供的方法。
第四方面,本申请实施例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计算机程序指令,所述计算机程序指令被处理器读取并运行时,执行第一方面或第一方面的任意一种可能的实现方式提供的方法。
第五方面,本申请实施例提供一种电子设备,包括:存储器以及处理器,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器读取并运行时,执行第一方面或第一方面的任意一种可能的实现方式提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的一种对比度增强方法的流程;
图2(A)和图2(B)分别示出了待增强图像和执行图1中方法后得到的增强结果图像;
图3示出了本申请实施例提供的一种对比度增强装置包含的功能模块;
图4示出了本申请实施例提供的一种电子设备的结构。
具体实施方式
近年来,基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(Artificial Intelligence,简称AI)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科,涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支,具体是让机器识别世界,计算机视觉技术通常包括人脸识别、活体检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、行为识别、三维重建、虚拟现实、增强现实、同步定位与地图构建、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步,该项技术在众多领域展开了应用,例如安防、城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。本申请实施例中的对比度增强方法也属于图像处理的范畴。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
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、方法、物品或者设备不仅包括那些要素,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、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
图1示出了本申请实施例提供的一种对比度增强方法的流程。该方法可以但不限于由图4中的电子设备执行,关于该电子设备可能的结构可以参考后文关于图4的阐述。参照图1,对比度增强方法包括:
步骤S110:获取待增强图像,并根据待增强图像确定评估图像。
待增强图像就是要进行对比度增强的图像,待增强图像的获取方式不限,例如,可能是摄像头实时采集的,也可能是存储在电子设备本地的存储介质中的,等等。
评估图像是对待增强图像进行某种处理后得到的、尺寸比待增强图像更小的图像,具体处理方式不限,例如可以采取下采样、图像截取等方式,后文还会进一步介绍。评估图像会在步骤S130中会被用于评估对比度增强效果,详见后文对于步骤S130的阐述。
步骤S120:确定对比度增强算法中的每个参数的取值集合,并分别从每个参数的取值集合中选择一个取值构成参数取值组合,共获得多种参数取值组合。
对比度增强算法泛指具有对比度增强功能的算法,但注意,本申请实施例提供的对比度增强方法本身不视为一种对比度增强算法。对比度增强算法大体可以分为两类:一类是非机器学习算法,一类是机器学习算法。步骤S120中的对比度增强算法既可能是非机器学习算法也可能是机器学习算法。
其中,非机器学习算法也称为传统算法,例如可以是线性拉伸、直方图均衡化、指数变换、对数变换等算法。以线性拉伸为例,该算法的主要步骤可以用如下公式来概括:
f(pixel)=((pixel/255.0-0.5)×alpha+0.5)×255 (1)
其中,pixel表示输入图像(对比度增强算法的输入)中的任意一个像素的像素值(该算法对每个像素的处理方式相同),f表示线性拉伸算法对应的函数,f(pixel)表示对pixel进行线性拉伸的结果。pixel/255.0表示对像素值pixel进行归一化,即将像素值的取值范围从[0,255]映射到[0,1],而最后的×255表示对前面的运算结果进行反归一化。alpha表示线性拉伸算法的增强系数,该系数的取值范围可以是[1,+∞),同时alpha也就是步骤S120中所说的对比度增强算法的参数,在现有方法中,alpha的取值需要用户手动进行设置。
关于公式(1),再补充说明两点:
其一,f(pixel)还不一定是输出图像(对比度增强算法的输出)中的像素值,因为在线性拉伸后,f(pixel)可能超出像素值的正常取值范围[0,255],一种可能的处理方式是:若f(pixel)>255,则将输出图像中对应的像素值设置为255,若f(pixel)<0,则将输出图像中对应的像素值设置为0,若0≤f(pixel)≤255,则将输出图像中对应的像素值设置为f(pixel)(可能还会进行取整运算)。
其二,公式(1)针对的是输入图像为单通道图像的情况,若输入图像为多通道图像(例如,RGB图像),可以分别在每个通道上应用公式(1)以实现对比度增强。
机器学习算法即利用训练好的机器学习模型进行对比度增强的算法,该机器学习模型可以是神经网络模型、决策树模型、支持向量机模型等。与非机器学习算法相比,机器学习算法主要多出了训练模型这一步骤。
机器学习模型有两类参数,一类是普通参数,另一类是超参数。普通参数的取值可以在模型训练的过程中自动确定下来(这一过程也称为“学习”),而超参数的取值则需要用户手动进行设置。例如,对于卷积神经网络(神经网络模型的一种,非常适合处理图像)而言,普通参数可以是权重、偏置等参数,而超参数可以是卷积核的数量、卷积的步长、卷积层的数量等参数。对于机器学习算法,步骤S120中所说的对比度增强算法的参数应理解为超参数而非普通参数。
在介绍了对比度增强算法及其参数的含义后,下面继续说明如何确定对比度增强算法中的每个参数的取值集合:
先考虑对比度增强算法只有一个参数的情况。例如,线性拉伸算法中的参数alpha,已知其取值范围是[1,+∞),但alpha取值过大时对比度增强效果将变得很差,因此[1,+∞)只是一个理论上的取值范围,不妨考虑一个更合理的取值范围,例如[1,2]。设置一个适当的步长,比如step1=0.2,就可以得到参数alpha的取值集合{1,1.2,1.4,1.6,1.8,2}。
再考虑对比度增强算法有两个参数的情况,假设这两个参数分别为beta和gamma,beta的取值范围是[0,1],gamma的取值范围是[-1,1],分别为beta和gamma设置一个适当的步长,step2=0.2以及step3=0.5,就可以得到参数beta的取值集合{0,0.2,0.4,0.6,0.8,1}以及参数gamma的取值集合{-1,0,1}。如果比度增强算法有更多参数的情况可以类似分析,不再详细阐述。
获得每个参数的取值集合后,分别从每个参数的取值集合中选择一个取值,可以构成一种参数取值组合。照此方法,可以获得多种参数取值组合。
例如,已知参数alpha的取值集合{1,1.2,1.4,1.6,1.8,2},每次从中选择一个值,可以得到6种参数取值组合:(1),(1.2),(1.4),(1.6),(1.8),(2)。
又例如,已知参数beta的取值集合{0,0.2,0.4,0.6,0.8,1},参数gamma的取值集合{-1,0,1},每次分别从这两个取值集合中取一个值,可以得到6×3=18种参数取值组合:(0,-1),(0.2,-1),(0.4,-1),(0.6,-1),(0.8,-1),(1,-1),(0,0),…,(1,1)。
当然,步骤S120中也不一定要生成所有可能的参数取值组合(虽然上面两个例子确实穷尽了所有可能产生的参数取值组合),例如,若根据先验知识可以确定,在beta=0且gamma=0时,对比度增强效果极差,从而在步骤S130中不可能将(0,0)选为最优参数取值组合,可以在步骤S120中提前将此种参数取值组合排除掉。
根据步骤S130的内容可知(详见后文),最终会从步骤S120中得到的多种参数取值组合中选出一种最优参数取值组合,因此步骤S120中得到的多种参数取值组合可视为最优参数取值组合的候选者。
对于步骤S120,还需要注意以下几点:
其一,上面在确定参数取值集合时,是通过步长来控制取值集合中的离散值的数量的。该步长可以根据需求设定,步长越小,参数取值集合中的离散值就越多,理论上就可以产生更多种参数取值组合,这使得步骤S130中的最优参数取值组合的候选者数量增加,因此最终可能会选出使得对比度增强效果更好的参数取值组合,但相应的运算量也会增加,因此可以综合考虑运算量以及对比度增强效果等多方面的因素来确定步长。
其二,从参数的取值范围内选取离散值的方式也并非只能通过步长,例如也可以随机选取或者通过其他方式选取。
其三,参数的取值集合中也可以只包含一个值,但对比度增强算法中至少应当有一个参数的取值集合中包含多个值,否则在步骤S120最后无法获得“多种参数取值组合”。例如,对比度增强算法有两个参数beta和gamma,若beta的取值集合为{0.4},则gamma的取值集合必须包含多个值,比如{-1,0,1}。该原则也意味着若对比度增强算法只有一个参数,该参数的取值集合中必须包含多个值。
参数的取值集合中只包含一个值的情况是很可能出现的:例如,某参数的取值虽然可调,但根据经验,该参数取某个特定值的时候效果最佳,没有必要特意选择其他值;又例如,某参数取某个特定值决定了对比度增强算法的输出图像具有某种特定风格(例如,偏亮),若希望在步骤S140中得到的增强结果图像具有此种风格,可以让该参数只取此特定值,等等。
其四,步骤S120的执行顺序和步骤S110的执行顺序不限,可以先后执行(S110在先或者S120在先都可以),也可以并行执行。
步骤S130:分别基于多种参数取值组合中的每种参数取值组合,利用对比度增强算法处理评估图像,获得对应的评估结果图像,并将对比度增强效果最优的评估结果图像所对应的参数取值组合确定为最优参数取值组合。
步骤S140:基于最优参数取值组合,利用对比度增强算法处理待增强图像,得到增强结果图像。
步骤S130与S140合在一起阐述。例如,对于线性拉伸算法,假设在步骤S120中得到了6种参数取值组合:(1),(1.2),(1.4),(1.6),(1.8),(2),则在步骤S130中,应当分别在alpha=1,1.2,1.4,1.6,1.8,2的情况下,利用线性拉伸算法处理评估图像,每处理一次得到一张对应的评估结果图像,共得到6张评估结果图像。然后,比较这6张评估结果图像的对比度增强效果(具体如何比较后文会给出例子),假设第3张效果最优,则可以确定alpha=1.4是最优参数取值组合,然后再在alpha=1.4的情况下,利用线性拉伸算法处理待增强图像,得到最终的增强结果图像。
步骤S130和S140的原理可以这样理解:由于评估图像是根据待增强图像计算出来的,即包含了待增强图像的部分信息,因此评估图像可以在一定程度上代表待增强图像,换句话说,若对于评估图像,对比度增强算法在某种参数取值组合下具有较好的对比度增强效果,那么可以非常合理地推断,对于待增强图像,对比度增强算法在此种参数取值组合下同样具有较好的对比度增强效果。从而,可以将基于评估图像得到的最优参数取值组合直接用于处理待增强图像。
对于评估图像和评估结果图像,由于只是用于选择最优参数取值组合的中间数据,因此在步骤S140中得到增强结果图像后,可以将评估图像和评估结果图像删除掉,避免占用存储空间。
此外,需要特别注意的是,步骤S130和S140中虽然都会执行对比度增强算法,但除了算法处理的对象不同(一个是评估图像一个是待增强图像)之外,在算法的步骤上也可能存在一定的差异。
以线性拉伸算法为例,在步骤S140中应当执行完整的线性拉伸算法,即上面给出的公式(1)以及后续对f(pixel)进行映射的步骤,但在S130中,由于计算评估结果图像的目的只是为了评估对比度增强效果,因此不一定会执行完整的线性拉伸算法,只要在执行到某个步骤时,得到的计算结果已经能够起到评估作用,就没有必要继续执行后续步骤了。例如,可以只执行如下公式:
f(pixel)=(pixel / 255.0-0.5)×alpha+0.5 (2)
其中,pixel表示评估图像中的任意一个像素的像素值,f(pixel)表示评估结果图像中与其对应的像素值,公式(2)相较于公式(1)没有进行反归一化,并且在执行完公式(2)之后,也没有对f(pixel)进行映射的步骤。
综上所述,图1中的对比度增强方法可以针对不同的待增强图像,自动为对比度增强算法选择能够使得增强效果最优的参数取值组合,即该方法具有自适应性选择参数的能力,从而避免了用户进行手工调参的负担。
并且,该方法会自动生成并遍历多种参数取值组合,从中选择最优参数取值组合,从而有利于避免手工调参时遗漏参数取值组合的问题,进而还能够改善对比度增强效果。
此外,该方法利用尺寸小于待增强图像的评估图像选择最优参数取值组合,使得参数选择过程不会消耗太多的计算资源,有利于提高整个方法的执行效率。
图2(A)和图2(B)分别示出了待增强图像和执行图1中方法后得到的增强结果图像(注意,方框1和2不是图像本身的内容,稍后会介绍)。不难看出,图2(A)的画面发灰,画面层次不清,图2(B)的画面清晰通透,不同的对象之间边界分明,即具有较好的对比度增强效果。
进一步的,发明人研究现有的对比度增强算法后发现:
非机器学习算法执行速度较快(例如,线性拉伸算法的公式十分简单),且不同的算法在各自的适用场景都有着较好的效果,但非机器学习算法不能自适应地选择算法参数,只能依赖于用户手工调整参数的取值,不仅费时费力,而且在某张图像上表现较好的参数取值很可能在另一张图像上表现并不好,如果每处理一张图像就让用户手工调整一次参数的取值也不现实。
机器学习算法可以自主地学习部分算法参数(例如,前面提到的普通参数),并且具有一定泛化能力,因此对于不同的图像都能够取得较好的处理效果,但其执行速度较慢(例如,神经网络模型的结构可能会很复杂),因此在一些对实时性要求较高的场景中难以应用。另外,训练机器学习模型也会消耗不少的时间和计算资源。
在一种实现方式中,图1方法中的对比度增强算法可以采用非机器学习算法,根据之前的分析,由于该方法引入了自适应选择算法参数的机制,因此将其与非机器学习算法相结合,既可以保证对比度增强的执行效率,使得该方法可以在一些对实时性要求较高的场景中应用,同时又避免了手工调整参数所带来的效率低下等问题。
下面,在以上实施例的基础上,继续介绍步骤S110中如何基于待增强图像确定评估图像:
在一种实现方式中,确定评估图像至少包括两种方式:
方式1:将对待增强图像进行下采样后得到的图像确定为评估图像。
方式1中的下采样倍数不限,例如可以是2倍、4倍等;同时下采样算法也不限,例如可以是最近邻算法、两次线性算法、两次立方算法等。从直观上看,下采样后得到的评估图像和待增强图在画面内容上是相同的,只是图像尺寸变小了而已。因此,利用下采样来获得评估图像,更有利于在评估图像中保留待增强图像的信息,从而,在步骤S130中评估出的下采样结果图像的对比度增强效果,也就能够在很大程度上代表待增强图像的对比度增强效果,进而在步骤S130中选择出的最优参数取值组合大概率对于待增强图像来说也是最优的。
方式2:将从待增强图像中截取出的部分图像确定为评估图像。
方式2中截取图像的规则不限定,例如可以截画面中心的部分、可以截取画面左上方的部分,等等;截取出的部分图像的尺寸也不限定(当然要比待增强图像小),例如可以是一个绝对尺寸(比如100×100像素),也可以是一个相对尺寸(比如待增强图像总面积的1/4),等等。利用截取来获得评估图像会更加灵活,并且截取出的部分图像中也保留了待增强图像的部分信息。
可选的,在截取部分图像时还可以按照事先确定出的感兴趣区域来截取,感兴趣区域可能是用户在待增强图像中重点关注的区域,例如画面的中心部分(图2(A)中方框1所示)、画面中的人脸、画面中的人体(图2(A)中方框2所示)等,其中人脸、人体可以通过目标检测算法得到。根据感兴趣区域内的对比度增强效果来选择最优参数取值组合具有合理性:用户更关心对比度增强算法在感兴趣区域内表现如何,至于在其他区域对比度增强效果差一些也可以接受。
进一步的,不排除方式2中截取出的部分图像有多张,也就是会得到多张评估图像,对于此种情况,在步骤S130中评估对比度增强算法在某一参数取值组合下的对比度增强效果时,可以分别在每张评估图像上应用对比度增强算法,得到对应的多张评估结果图像,然后从总体上评估这些评估结果图像在该参数取值组合下的对比度增强效果。后文为简单起见,不会专门阐述评估图像有多张的情况,但此种情况很容易根据评估图像只有一张的情况推理得到。
下面,在以上实施例的基础上,继续阐述步骤S130中如何比较在不同的参数取值组合下得到的评估结果图像的对比度增强效果:
为实现对比度增强效果的比较,首先需要将对比度增强效果进行量化表示。在一种实现方式中,可以利用一个指标——目标度量来量化表示评估结果图像的对比度增强效果,若目标度量越大,则表明评估结果图像的对比度增强效果越差,若目标度量越小,则表明评估结果图像的对比度增强效果越好(显然,在替代方案中,也可能是目标度量越大,评估结果图像的对比度增强效果越好,目标度量越小,则表明评估结果图像的对比度增强效果越差)。
根据前文内容可知,步骤S130中在每种参数取值组合下应用对比度增强算法,都会得到一张评估结果图像。定义了目标度量以后,可以根据每张评估结果图像的内容计算其对应的目标度量,这样一共会计算出多个目标度量。由于目标度量越小,表明评估结果图像的对比度增强效果越好,因此可将多个目标度量中的最小目标度量对应的参数取值组合确定为最优参数取值组合。
通过定义目标度量,将抽象的对比度增强效果比较具体化为数值大小比较,从而可以快速确定在哪种参数取值组合下评估结果图像的对比度增强效果最优,进而完成最优参数取值组合的选择。
另外,目标度量是一个根据评估结果图像计算出来的客观指标,而非用户通过肉眼获得的主观评判结果,所以根据目标度量的取值来选择最优参数取值组合还具有客观、精确的优点。
下面继续介绍目标度量可能的计算方式:
在一种实现方式中,可以计算评估结果图像对应的对比度度量,并根据对比度度量确定评估结果图像对应的目标度量。
其中,对比度度量表征评估结果图像的对比度,并且对比度度量与目标度量负相关。例如,目标度量记为target_metric,对比度度量记为contrast_metric,contrast_metric≥0,则二者之间的关系可以是target_metric=-contrast_metric、target_metric=1/contrast_metric等。
在上述实现方式中,由于对比度度量表征评估结果图像的对比度,因此其直接地反映了评估结果图像的对比度增强效果:在一定的范围内,对比度越大,对比度增强效果也越好,从而可以将对比度度量作为目标度量的一项基本构成。
可选的,可以按照如下方式计算对比度度量:
步骤A:在评估结果图像上确定多个局部窗口,并计算每个局部窗口内像素值的波动性指标,共获得多个波动性指标。
步骤B:将多个波动性指标的均值确定为评估结果图像对应的对比度度量。
例如,可以利用滑动窗口法从评估结果图像上确定多个局部窗口,相邻的局部窗口之间可以存在重叠(例如,每个窗口与相邻的窗口都存在1/2面积的重叠),也可以不存在重叠。又例如,可以在评估结果图像上随机生成多个矩形框作为局部窗口,等等。各个局部窗口的大小可以相同也可以不相同。
波动性指标表征窗口内像素值的波动状况,例如可以是方差、标准差等指标。波动性指标的值越大,表明评估结果图像在窗口内的部分对比度越大,而多个波动性指标的均值则代表了整张评估结果图像的对比度。注意,步骤B中的均值既可以是算术平均,也可以是加权平均,例如,可以为靠近图像中心部分的局部窗口赋予更高的权重,因为用户可能会更关心这部分的对比度增强效果。
应当理解,对比度度量也存在其他计算方式,例如直接计算整张评估结果图像的波动性指标,但按照步骤A~B计算出的对比度度量具有一定的局部性,因此能够更好地代表评估结果图像在每个局部区域内的对比度增强效果。另外,关于图像对比度的计算也存在其他的公式,不一定要通过方差、标准差等波动性指标来计算。
进一步的,如果目标度量仅根据对比度度量进行计算,由于目标度量和对比度度量之间是负相关关系,因此按照方法逻辑,会将使得对比度度量最大的参数取值组合选为最优参数取值组合。而对比度度量越大,则其所代表的评估结果图像的对比度也越大,但过大的对比度反而会引起图像质量下降,例如图像中很多亮部或暗部的细节将随着对比度的增大消失,即产生信息损失。因此,一种好的对比度增强算法并不会一味地增大图像的对比度。
为解决上述问题,可以在目标度量中引入一项因素作为对比度度量的制衡,使之不至于盲目增大。具体做法为:
对于评估结果图像,不仅要计算其对应的对比度量,还要计算其对应的信息损失度量,然后根据对比度度量和信息损失度量来共同确定评估结果图像对应的目标度量。其中,信息损失度量表征因执行对比度增强算法所导致的评估结果图像中的信息损失,并且信息损失度量与目标度量正相关。
例如,信息损失度量记为information_loss_metric,information_loss_me tric≥0,则目标度量的计算公式可以是target_metric=lambda×information_loss_metric-contrast_metric、target_metric=lambda1×information_loss_metri c-lambda2×contrast_metric等,其中lambda、lambda1、lambda2均为加权求和的系数,且这些系数均大于0。
下面简单分析信息损失度量所起到的作用:由于信息损失度量与目标度量正相关,而对比度度量则与目标度量负相关,因此在加入信息损失度量后,方法不会盲目地选择那些使得对比度度量更大的参数取值组合作为最优参数取值组合,因为这些参数取值组合在增大图像对比度的同时很可能给图像带来的信息损失也比较大,即使得信息损失度量这一项的取值增大,从而导致目标度量不降反升(即上面提到的所谓“制衡”)。
换句话说,将信息损失度量加入到目标度量后,所选择出的最优参数取值组合,能够使得对评估图像的对比度增强程度比较合理,一方面提高了评估图像中的对比度,一方面造成的信息损失也较少,评估结果图像的图像质量相较于评估图像而言没有明显的降低。
计算信息损失度量有多种方式,下面列举其中两种:
方式1:统计评估结果图像中超出正常取值范围的像素值的总数量,将该总数量确定为信息损失度量。
例如,采用线性拉伸算法的公式(2)计算出的评估结果图像,其像素取值在正常情况下应当位于[0,1]内,若某个像素的像素值小于0或者大于1,就属于超出了正常取值范围。假设这样的像素共有100个,则信息损失度量为100。
若像素值小于0或者大于1,则在公式(1)的反归一化(×255)后,像素值将小于0或者大于255,根据前文的阐述,对于完整的线性拉伸算法(在步骤S120中介绍),小于0的像素值将被强制设置为0,大于255的像素值将被强制设置为255,即存在信息损失,因此方式1中统计出的总数量和信息损失度量的定义是吻合的。
方式2:对于评估结果图像中超出正常取值范围的每个像素值,计算该像素值与正常取值范围的边界值的偏差量,并将获得的偏差量之和确定为信息损失度量。
例如,采用线性拉伸算法的公式(2)计算出的评估结果图像,其像素取值在正常情况下应当位于[0,1]内,此时的边界值为0和1,若某个像素的像素值小于0,则可以计算该像素值和0(距离该像素值较近的边界值)之间的偏差量,若某个像素的像素值大于1,则可以计算该像素值和1(距离该像素值较近的边界值)之间的偏差量。比如,在偏差量采用平方差时,其计算公式可以表示如下:
其中,x表示评估结果图像中的任意一个像素的像素值(也就是公式(2)算出的f(pixel)),diff(x)表示x对应的偏差量,在该公式中,为了进行统一描述,将x位于[0,1]内的情况也写出来了,其实此时并不需要计算x的偏差量(等价于偏差量为0)。应当理解,除了平方差之外,偏差量还可以采用其他计算方式,比如绝对值,等等。
信息损失度量可以表示为计算出的所有偏差量之和,即:
应当理解,在替代方案中,公式中的求和也可以改为加权求和、求平均、求加权平均等方式。可以类似于方式1分析,方式2中求出的偏差量之和与信息损失度量的定义也是吻合的。
下面简单对比一下方式1和方式2:方式1只考虑了异常像素值(指评估结果图像中超出正常取值范围的像素值)的总数量,其步骤比较简单,执行效率较高。方式1隐含的意义是,所选择的参数取值组合应当尽可能使得评估结果图像中的异常像素值的数量较少。
方式2既考虑了异常像素值的总数量(因为方式2中有求和操作,相当于隐含地考虑了总数量),又考虑了异常像素值的异常严重程度(异常像素值与正常取值范围的边界值的偏差量大小),其步骤稍微复杂,但对于信息损失的描述更加完善。方式2隐含的意义是,所选择的参数取值组合应当尽可能使得评估结果图像中的异常像素值的数量较少,且异常像素值的异常程度尽可能轻微。
此外需要注意,若可以提前确定对比度增强算法不会引起信息损失度量(例如,只是在某个小范围内微调算法参数),则信息损失度量也可以不计算。
图3示出了本申请实施例提供的对比度增强装置200的一种可能的结构。参照图3,对比度增强装置200包括:
图像获取模块210,用于获取待增强图像,并根据所述待增强图像确定用于评估对比度增强效果的评估图像,所述评估图像的尺寸小于所述待增强图像的尺寸;
参数组合模块220,用于确定对比度增强算法中的每个参数的取值集合,并分别从每个参数的取值集合中选择一个取值构成参数取值组合,共获得多种参数取值组合;
参数选择模块230,用于分别基于所述多种参数取值组合中的每种参数取值组合,利用所述对比度增强算法处理所述评估图像,获得对应的评估结果图像,并将对比度增强效果最优的评估结果图像所对应的参数取值组合确定为最优参数取值组合;
增强处理模块240,用于基于所述最优参数取值组合,利用所述对比度增强算法处理所述待增强图像,得到增强结果图像。
在对比度增强装置200的一种实现方式中,所述对比度增强算法为非机器学习算法。
在对比度增强装置200的一种实现方式中,图像获取模块210根据所述待增强图像确定用于评估对比度增强效果的评估图像,包括:将对所述待增强图像进行下采样后得到的图像确定为所述评估图像;或者,将从所述待增强图像中截取出的部分图像确定为所述评估图像。
在对比度增强装置200的一种实现方式中,图像获取模块210将从所述待增强图像中截取出的部分图像确定为所述评估图像,包括:将从所述待增强图像中按照感兴趣区域截取出的部分图像确定为所述评估图像。
在对比度增强装置200的一种实现方式中,参数选择模块230将对比度增强效果最优的评估结果图像所对应的参数取值组合确定为最优参数取值组合,包括:计算每张评估结果图像对应的目标度量,共获得多个目标度量;其中,所述目标度量表征所述评估结果图像的对比度增强效果,若所述目标度量越大,则表明所述评估结果图像的对比度增强效果越差,若所述目标度量越小,则表明所述评估结果图像的对比度增强效果越好;将所述多个目标度量中的最小目标度量对应的参数取值组合确定为所述最优参数取值组合。
在对比度增强装置200的一种实现方式中,参数选择模块230计算所述评估结果图像对应的目标度量,包括:计算所述评估结果图像对应的对比度度量,并根据所述对比度度量确定所述评估结果图像对应的目标度量;其中,所述对比度度量表征所述评估结果图像的对比度,且所述对比度度量与所述目标度量负相关。
在对比度增强装置200的一种实现方式中,参数选择模块230计算所述评估结果图像对应的对比度度量,包括:在所述评估结果图像上确定多个局部窗口,并计算每个局部窗口内像素值的波动性指标,共获得多个波动性指标;将所述多个波动性指标的均值确定为所述评估结果图像对应的对比度度量。
在对比度增强装置200的一种实现方式中,参数选择模块230计算所述评估结果图像对应的对比度量,并根据所述对比度度量确定所述评估结果图像对应的目标度量,包括:计算所述评估结果图像对应的对比度量以及信息损失度量,并根据所述对比度度量以及所述信息损失度量确定所述评估结果图像对应的目标度量;其中,所述信息损失度量表征因执行所述对比度增强算法所导致的所述评估结果图像中的信息损失,且所述信息损失度量与所述目标度量正相关。
在对比度增强装置200的一种实现方式中,参数选择模块230计算所述评估结果图像对应的信息损失度量,包括:统计所述评估结果图像中超出正常取值范围的像素值的总数量,将所述总数量确定为所述信息损失度量;或者,对于所述评估结果图像中超出正常取值范围的每个像素值,计算所述像素值与所述正常取值范围的边界值的偏差量,并将获得的偏差量之和确定为所述信息损失度量。
本申请实施例提供的对比度增强装置200,其实现原理及产生的技术效果在前述方法实施例中已经介绍,为简要描述,装置实施例部分未提及之处,可参考方法实施例中相应内容。
图4示出了本申请实施例提供的电子设备300的一种可能的结构。参照图4,电子设备300包括:处理器310、存储器320以及通信接口330,这些组件通过通信总线340和/或其他形式的连接机构(未示出)互连并相互通讯。
其中,处理器310包括一个或多个(图中仅示出一个),其可以是一种集成电路芯片,具有信号的处理能力。上述的处理器310可以是通用处理器,包括中央处理器(CentralProcessing Unit,简称CPU)、微控制单元(Micro Controller Unit,简称MCU)、网络处理器(Network Processor,简称NP)或者其他常规处理器;还可以是专用处理器,包括图形处理器(Graphics Processing Unit,GPU)、神经网络处理器(Neural-network ProcessingUnit,简称NPU)、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuits,简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。并且,在处理器310为多个时,其中的一部分可以是通用处理器,另一部分可以是专用处理器。
存储器320包括一个或多个(图中仅示出一个),其可以是,但不限于,随机存取存储器(Random Access Memory,简称RAM),只读存储器(Read Only Memory,简称ROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),电可擦除可编程只读存储器(Electric Erasable Programmable Read-Only Memory,简称EEPROM)等。
处理器310以及其他可能的组件可对存储器320进行访问,读和/或写其中的数据。特别地,在存储器320中可以存储一个或多个计算机程序指令,处理器310可以读取并运行这些计算机程序指令,以实现本申请实施例提供的对比度增强方法。
通信接口330包括一个或多个(图中仅示出一个),可以用于和其他设备进行直接或间接地通信,以便进行数据的交互。通信接口330可以包括进行有线和/或无线通信的接口。
可以理解,图4所示的结构仅为示意,电子设备300还可以包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。例如,电子设备300还可能包括图像采集模块(例如,摄像头),用于拍摄图像或视频,被拍摄的图像或者视频中的帧都可以作为步骤S110中的待增强图像。
图4中所示的各组件可以采用硬件、软件或其组合实现。电子设备300可能是实体设备,例如手机、摄像机、照相机、PC机、笔记本电脑、平板电脑、服务器、机器人等,也可能是虚拟设备,例如虚拟机、容器等。并且,电子设备300也不限于单台设备,也可以是多台设备的组合或者大量设备构成的集群。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令,这些计算机程序指令被处理器读取并运行时,执行本申请实施例提供的对比度增强方法。例如,计算机可读存储介质可以实现为图4中电子设备300中的存储器320。
本申请实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序指令,这些计算机程序指令被处理器读取并运行时,执行本申请实施例提供的对比度增强方法。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种对比度增强方法,其特征在于,包括:
获取待增强图像,并根据所述待增强图像确定用于评估对比度增强效果的评估图像,所述评估图像的尺寸小于所述待增强图像的尺寸;
确定对比度增强算法中的每个参数的取值集合,并分别从每个参数的取值集合中选择一个取值构成参数取值组合,共获得多种参数取值组合;
分别基于所述多种参数取值组合中的每种参数取值组合,利用所述对比度增强算法处理所述评估图像,获得对应的评估结果图像,并将对比度增强效果最优的评估结果图像所对应的参数取值组合确定为最优参数取值组合;
基于所述最优参数取值组合,利用所述对比度增强算法处理所述待增强图像,得到增强结果图像。
2.根据权利要求1所述的对比度增强方法,其特征在于,所述根据所述待增强图像确定用于评估对比度增强效果的评估图像,包括:
将对所述待增强图像进行下采样后得到的图像确定为所述评估图像;或者,将从所述待增强图像中按照感兴趣区域截取出的部分图像确定为所述评估图像。
3.根据权利要求1或2所述的对比度增强方法,其特征在于,所述将对比度增强效果最优的评估结果图像所对应的参数取值组合确定为最优参数取值组合,包括:
计算每张评估结果图像对应的目标度量,共获得多个目标度量;其中,所述目标度量表征所述评估结果图像的对比度增强效果,若所述目标度量越大,则表明所述评估结果图像的对比度增强效果越差,若所述目标度量越小,则表明所述评估结果图像的对比度增强效果越好;
将所述多个目标度量中的最小目标度量对应的参数取值组合确定为所述最优参数取值组合。
4.根据权利要求3所述的对比度增强方法,其特征在于,计算所述评估结果图像对应的目标度量,包括:
计算所述评估结果图像对应的对比度度量,并根据所述对比度度量确定所述评估结果图像对应的目标度量;其中,所述对比度度量表征所述评估结果图像的对比度,且所述对比度度量与所述目标度量负相关。
5.根据权利要求4所述的对比度增强方法,其特征在于,所述计算所述评估结果图像对应的对比度度量,包括:
在所述评估结果图像上确定多个局部窗口,并计算每个局部窗口内像素值的波动性指标,共获得多个波动性指标;
将所述多个波动性指标的均值确定为所述评估结果图像对应的对比度度量。
6.根据权利要求4所述的对比度增强方法,其特征在于,所述计算所述评估结果图像对应的对比度量,并根据所述对比度度量确定所述评估结果图像对应的目标度量,包括:
计算所述评估结果图像对应的对比度量以及信息损失度量,并根据所述对比度度量以及所述信息损失度量确定所述评估结果图像对应的目标度量;其中,所述信息损失度量表征因执行所述对比度增强算法所导致的所述评估结果图像中的信息损失,且所述信息损失度量与所述目标度量正相关。
7.根据权利要求6所述的对比度增强方法,其特征在于,计算所述评估结果图像对应的信息损失度量,包括:
统计所述评估结果图像中超出正常取值范围的像素值的总数量,将所述总数量确定为所述信息损失度量;或者,
对于所述评估结果图像中超出正常取值范围的每个像素值,计算所述像素值与所述正常取值范围的边界值的偏差量,并将获得的偏差量之和确定为所述信息损失度量。
8.一种计算机程序产品,其特征在于,包括计算机程序指令,所述计算机程序指令被处理器读取并运行时,执行如权利要求1-7中任一项所述的方法。
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计算机程序指令,所述计算机程序指令被处理器读取并运行时,执行如权利要求1-7中任一项所述的方法。
10.一种电子设备,其特征在于,包括:存储器以及处理器,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器读取并运行时,执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210016097.XA CN114549340A (zh) | 2022-01-07 | 2022-01-07 | 对比度增强方法、计算机程序产品、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210016097.XA CN114549340A (zh) | 2022-01-07 | 2022-01-07 | 对比度增强方法、计算机程序产品、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114549340A true CN114549340A (zh) | 2022-05-27 |
Family
ID=81669728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210016097.XA Pending CN114549340A (zh) | 2022-01-07 | 2022-01-07 | 对比度增强方法、计算机程序产品、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549340A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703784A (zh) * | 2023-08-02 | 2023-09-05 | 济南宝林信息技术有限公司 | 一种心脏超声图像视觉增强方法 |
-
2022
- 2022-01-07 CN CN202210016097.XA patent/CN114549340A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703784A (zh) * | 2023-08-02 | 2023-09-05 | 济南宝林信息技术有限公司 | 一种心脏超声图像视觉增强方法 |
CN116703784B (zh) * | 2023-08-02 | 2023-10-20 | 济南宝林信息技术有限公司 | 一种心脏超声图像视觉增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929622B (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
CN110399929B (zh) | 眼底图像分类方法、装置以及计算机可读存储介质 | |
CN112446834B (zh) | 图像增强方法和装置 | |
CN108830818B (zh) | 一种快速多聚焦图像融合方法 | |
CN110807757B (zh) | 基于人工智能的图像质量评估方法、装置及计算机设备 | |
CN111368672A (zh) | 一种用于遗传病面部识别模型的构建方法及装置 | |
Liu et al. | Image de-hazing from the perspective of noise filtering | |
CN112200736B (zh) | 基于强化学习的图像处理方法及模型训练方法、装置 | |
CN113420794B (zh) | 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法 | |
CN113179421B (zh) | 视频封面选择方法、装置、计算机设备和存储介质 | |
CN112288084B (zh) | 基于特征图通道重要性的深度学习目标检测网络压缩方法 | |
CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
CN115797205A (zh) | 基于Retinex分数阶变分网络的无监督单张图像增强方法及系统 | |
CN114663662A (zh) | 超参数搜索方法、装置、计算机设备和存储介质 | |
CN114549340A (zh) | 对比度增强方法、计算机程序产品、存储介质及电子设备 | |
CN113919479B (zh) | 一种提取数据特征的方法和相关装置 | |
CN113810683A (zh) | 一种客观评估水下视频质量的无参考评价方法 | |
CN111369559A (zh) | 妆容评估方法、装置、化妆镜和存储介质 | |
CN116452472A (zh) | 基于语义知识引导的低照度图像增强方法 | |
CN111275642A (zh) | 一种基于显著性前景内容的低光照图像增强方法 | |
CN115798005A (zh) | 基准照片的处理方法及装置、处理器和电子设备 | |
CN113591838B (zh) | 目标检测方法、装置、电子设备和存储介质 | |
Wu et al. | N2PN: Non-reference two-pathway network for low-light image enhancement | |
CN113222828A (zh) | 一种基于零参考的工业物联网监控平台图像增强方法 | |
Li et al. | Color layers-Based progressive network for Single image dehazing |
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 |