CN114581345A - 一种基于自适应线性灰度化的图像增强方法及系统 - Google Patents
一种基于自适应线性灰度化的图像增强方法及系统 Download PDFInfo
- Publication number
- CN114581345A CN114581345A CN202210489134.9A CN202210489134A CN114581345A CN 114581345 A CN114581345 A CN 114581345A CN 202210489134 A CN202210489134 A CN 202210489134A CN 114581345 A CN114581345 A CN 114581345A
- Authority
- CN
- China
- Prior art keywords
- linear
- gray
- image
- slope
- gray level
- 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 47
- 230000009466 transformation Effects 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000844 transformation 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于自适应线性灰度化的图像增强方法及系统。该方法首先采集自然图像并对自然图像灰度化得到灰度图像；对灰度图像进行灰度线性变换得到线性灰度图像，灰度线性变换的线性公式中截距的取值范围由灰度图像的灰度均值确定；线性公式中线性斜率的取值范围由线性灰度图像的灰度直方图对应的斜率关系模型和灰度图像的灰度均值确定；根据线性灰度图像的灰度直方图的峰值、连续程度和区域面积占比，从多张线性灰度图像中选取出灰度增强图像。本发明根据灰度均值和斜率关系模型得到灰度线性变换的线性公式中截距和线性斜率的取值范围，达到了减少遍历次数和提高计算速度的目的。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于自适应线性灰度化的图像增强方法及系统。
背景技术
在对图像进行处理时，很大概率要求彩色图像转换为灰度图进行处理，而直接转成的灰度图不满足一些处理的要求，如对转化后的灰度图像进行缺陷检测且当缺陷特征不明显时，需要对灰度图像进行灰度增强，以更清楚的获取缺陷特征等。因此需要把灰度图像再次进行灰度变换得到想要的灰度图。
目前常见的对灰度图像再次进行灰度处理的方法为：对灰度图像进行线性灰度化，但是线性灰度化的线性公式中斜率和截距要不断的进行试错，才可以找到合适的变换方程，其遍历的次数多，计算量大。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于自适应线性灰度化的图像增强方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于自适应线性灰度化的图像增强方法，该方法包括以下步骤：
采集自然图像，对所述自然图像进行灰度化得到灰度图像；
对所述灰度图像进行灰度线性变换得到线性灰度图像，所述灰度线性变换的线性公式中截距的取值范围由所述灰度图像的灰度均值确定；所述线性公式中线性斜率的取值范围由所述线性灰度图像的灰度直方图所对应的斜率关系模型和所述灰度图像的灰度均值确定，所述斜率关系模型为所述线性灰度图像的灰度直方图所对应的直方曲线图的曲线斜率和线性斜率的关系模型；不断调整所述灰度线性变换的线性公式中的所述线性斜率和所述截距；
根据所述线性灰度图像对应的灰度直方图的峰值、连续程度和区域面积占比，从多张线性灰度图像中选取出灰度增强图像。
优选的，所述灰度均值的计算方法，包括：
获取灰度图像中各灰度级像素点数量的占比；
各所述灰度级像素点数量的占比和对应的灰度级相乘得到灰度级占比；
多个灰度级占比之和为所述灰度均值。
优选的，所述灰度线性变换的线性公式中截距的取值范围为：[-255+
，255-
]，其中，
为所述灰度均值。
优选的，所述线性公式中线性斜率的取值范围由所述线性灰度图像的灰度直方图所对应的斜率关系模型和所述灰度图像的灰度均值确定，包括：
计算最大灰度值和所述灰度图像的灰度均值的比值；根据所述比值对线性公式中线性斜率的取值范围进行首次缩放，得到首次缩放后线性斜率的取值范围。
优选的，所述线性公式中线性斜率的取值范围由所述线性灰度图像的灰度直方图所对应的斜率关系模型和所述灰度图像的灰度均值确定，还包括：
基于首次缩放后的线性斜率的取值范围，根据预设最优曲线斜率范围和所述斜率关系模型对线性斜率的取值范围进行二次缩放，得到二次缩放后线性斜率的取值范围。
优选的，所述斜率关系模型为所述线性灰度图像的灰度直方图所对应的直方曲线图的曲线斜率和线性斜率的关系模型，包括：
该斜率关系模型为：
其中，
为所述线性灰度图像的灰度直方图对应的直方曲线图的曲线斜率；
为归一化后的线性斜率；
为比例系数。
优选的，所述根据所述线性灰度图像对应的灰度直方图的峰值、连续程度和区域面积占比，从多张线性灰度图像中选取出灰度增强图像，包括：
所述线性斜率的取值范围内和所述截距的取值范围内的数值代入所述线性公式中，得到多张线性灰度图像；
获取所述线性灰度图像的灰度直方图的灰度峰值，在预设峰值范围内的灰度峰值所对应的多张线性灰度图像为第一次选取后的多张线性灰度图像；
根据第一次选取后的多张线性灰度图像对应的灰度直方图的连续程度和区域面积占比，从第一次选取后的多张线性灰度图像中选取出灰度增强图像。
优选的，所述根据第一次选取后的多张线性灰度图像对应的灰度直方图的连续程度和区域面积占比，从第一次选取后的多张线性灰度图像中选取出灰度增强图像，包括：
第一次选取后的多张线性灰度图像对应的灰度直方图中，预设连续范围内的灰度级和灰度级数量的乘积之和，作为所述连续程度；
保留所述连续程度大于0的第一次选取后的多张线性灰度图像为第二次选取后的多张线性灰度图像；
根据第二次选取后的多张线性灰度图像对应的灰度直方图的区域面积占比，从第二次选取后的多张线性灰度图像中选取出灰度增强图像。
优选的，所述根据第二次选取后的多张线性灰度图像对应的灰度直方图的区域面积占比，从第二次选取后的多张线性灰度图像中选取出灰度增强图像，包括：
基于第二次选取后的多张线性灰度图像对应的灰度直方图，计算预设灰度级范围内的区域面积占比；
选取所述区域面积占比最大的灰度直方图对应的线性灰度图像，作为灰度增强图像。
第二方面，本发明一个实施例提供了一种基于自适应线性灰度化的图像增强系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于自适应线性灰度化的图像增强方法。
本发明实施例至少具有如下有益效果：
本发明实施例利用图像处理技术，采集自然图像并对自然图像灰度化得到灰度图像；对灰度图像进行灰度线性变换得到线性灰度图像，灰度线性变换的线性公式中截距的取值范围由灰度图像的灰度均值确定；线性公式中线性斜率的取值范围由线性灰度图像的灰度直方图所对应的斜率关系模型和灰度图像的灰度均值确定，斜率关系模型为线性灰度图像的灰度直方图所对应的直方曲线图的曲线斜率和线性斜率的关系模型，得到截距和线性斜率的取值范围，对取值范围内的截距和线性斜率进行遍历得到多张线性灰度图像；不断调整灰度线性变换的线性公式中的线性斜率和截距；根据线性灰度图像对应的灰度直方图的峰值、连续程度和区域面积占比，从多张线性灰度图像中选取出灰度增强图像；从灰度直方图的峰值的所处位置、预设连续范围内的连续程度和预设灰度级范围内的区域面积占比分别对多张线性灰度图像进行筛选，从中筛选出图像增强效果最好的灰度增强图像。根据灰度均值、曲线斜率和线性斜率的斜率关系模型得到灰度线性变换的线性公式中的截距和线性斜率的取值范围，遍历取值范围内的截距和线性斜率得到多张线性灰度图像，并根据线性灰度图像的灰度直方图的特征从多张线性灰度图像中选取出灰度增强图像，达到了减少遍历次数和提高计算速度的目的。
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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于自适应线性灰度化的图像增强方法的方法流程图；
图2为本发明一个实施例所提供的获取适合的线性公式的截距和线性斜率的取值范围的方法流程图；
图3为本发明一个实施例所提供的确定线性公式中线性斜率的取值范围的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于自适应线性灰度化的图像增强方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了一种基于自适应线性灰度化的图像增强方法及系统的具体实施方法，该方法适用于自然图像图像增强场景。该场景通过RGB相机采集自然图像，对自然图像进行后续处理。为了解决常用的对灰度图像进行先行线性灰度化时小型公式中的斜率和截距的取值范围太大导致的遍历次数过大，计算量过大的问题；本发明实施例利用自然图像灰度化后的灰度图像的灰度均值、灰度线性变换后线性灰度图像的直方图对应的直方曲线图的曲线斜率和线性斜率得到灰度线性变换的线性公式中的截距和线性斜率的取值范围，该取值范围已经相对较小，遍历取值范围内的截距和线性斜率得到多张线性灰度图像，并根据线性灰度图像的灰度直方图的特征从多张线性灰度图像中选取出灰度增强图像，达到了减少遍历次数、提高计算速度的目的。
下面结合附图具体的说明本发明所提供的一种基于自适应线性灰度化的图像增强方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于自适应线性灰度化的图像增强方法的步骤流程图，该方法包括以下步骤：
步骤S100，采集自然图像，对自然图像进行灰度化得到灰度图像。
利用相机采集不同光照，不同亮暗程度下的自然图像，该自然图像为RGB图像，对该自然图像进行灰度化得到灰度图像。通过不同的自然图像进行灰度化后得到的灰度图像对应的灰度直方图，对自然图像进行质量判断。将自然图像转化为灰度图像是因为，原本的自然图像为三层通道，而转换为灰度图像只有一层通道，在进行计算的时候可以有效降低计算量。
步骤S200，对灰度图像进行灰度线性变换得到线性灰度图像，灰度线性变换的线性公式中截距的取值范围由灰度图像的灰度均值确定；线性公式中线性斜率的取值范围由线性灰度图像的灰度直方图所对应的斜率关系模型和灰度图像的灰度均值确定，斜率关系模型为线性灰度图像的灰度直方图所对应的直方曲线图的曲线斜率和线性斜率的关系模型；不断调整灰度线性变换的线性公式中的线性斜率和截距。
获取灰度图像的灰度直方图和对应的直方曲线图，对这些灰度直方图进行分析。灰度直方图的横轴为灰度级，也可以说灰度直方图的横轴为灰度值，由低到高为0~255，灰度由暗变量；灰度直方图的纵轴为像素点数量。
通过对多张灰度直方图的分析，得出一张好的灰度直方图的特征为：中间凸，两遍凹，中间部分连续，像素点数量不多不少且较为集中，故在后续判断图像的质量是否符合预期时就可以根据灰度直方图中间的部分是否满足判断的标准即可。该对灰度直方图的判断在后续步骤详细描述。
对灰度图像进行灰度线性变换得到线性灰度图像，灰度线性变换即是利用线性公式来建立灰度映射关系来调整灰度图像的灰度，从而达到图像增强的目的。
该线性公式为：
其中，
为线性变换后线性灰度图像的第
个像素点的灰度值；
为线性变换前原始的灰度图像的第
个像素点的灰度值；
为线性公式中的线性斜率；
为线性公式的截距。
灰度线性变换的线性公式随着线性斜率和截距的改变也会随之改变，对于同一张灰度图像基于不同线性公式进行不同的灰度线性变换，不同的参数对应的线性公式不同，其对图像的改善程度也不一样，不同的参数即为线性斜率和截距。本发明实施例想要找到一个灰度线性变换后图像增强效果最好的图像，需要不断的遍历线性公式中的截距和线性斜率，而一个一个参数代入线性公式，再根据线性公式得到线性灰度图像，这个过程较为繁琐，因为参数的取值有很多个从而导致试错次数很大；我们可以对取值区间进行限定，判断限定范围内的灰度直方图图像，有效减少试错次数。
故本发明实施例对灰度线性变换的线性公式中截距和线性斜率的取值范围进行缩放，从而以得到最适合的线性公式，得到图像增强效果最好的线性灰度图像。
基于原始的自然图像进行灰度化后得到的灰度图像，设定线性斜率a为1，截距为0。其中，线性斜率a能够反映灰度图像的对比度，截距b能够反映灰度图像的亮度，也即灰度图像的灰度值。需要说明的是，为了方便遍历计算，后续对线性斜率a和截距在其取值范围内进行遍历时，线性斜率a以0.1为步长进行遍历；截距b则以1为步长进行遍历。
在确定线性斜率a和截距b的步长之后，对线性斜率a和截距b的取值范围进行缩放，对缩放之后的线性斜率和截距的取值范围进行遍历时，因为取值范围变小，所以遍历时的试错次数变少，有效提高了计算的速度。
线性变换时对灰度图像中每个像素点进行灰度线性变换，其中线性公式中的线性斜率a为线性灰度变换前后的比例系数。
请参阅图2，获取适合的线性公式的截距和线性斜率的取值范围，具体的：
步骤S210，灰度线性变换的线性公式中截距的取值范围由灰度图像的灰度均值确定。
该截距的取值范围由灰度图像的灰度均值确定，灰度均值是反映一张灰度图像的平均灰度值，其范围为[0,255]，具体的：
首先获取灰度图像中各灰度级像素点数量的占比。
各灰度级像素点数量的占比和对应的灰度级相乘得到灰度级占比。
多个灰度级占比之和为灰度均值。
本发明实施例对图像亮度的要求为清晰可见，且符合人眼观察特征，整张图像不可以太亮也不可以太暗，而截距的改变会使得灰度直方图中整体的像素值产生偏移，因此我们可以根据灰度均值得到一个截距b的取值范围。
线性公式的参数以线性斜率为1和截距为0时为基准，此时进行灰度线性变换后得到的线性灰度图像还是原始的灰度图像，因为将线性斜率1和截距0代入线性公式时，线性变换前后的各像素点的灰度值是相同的。
当设定线性斜率为1时，灰度线性变换的线性后得到的线性灰度图像与截距b有关。因为想要保持灰度线性变换前后的灰度图像和线性灰度图像的灰度值范围保持在正常的范围内，所以截距b的最大取值范围为[-255,255]，而最大的取值范围内有很多无用范围，当大部分灰度值和截距相加减后得到的灰度值不在[0,255]这个范围内时则该截距b的值不再考虑，因此我们根据线性灰度变换前的灰度图像的灰度均值来缩放截距的范围。
灰度线性变换的线性公式中截距的取值范围为：[-255+
，255-
]，其中
为灰度图像的灰度均值。
步骤S220，线性公式中线性斜率的取值范围由线性灰度图像的灰度直方图所对应的斜率关系模型和灰度图像的灰度均值确定。
请参阅图3，确定线性公式中线性斜率的取值范围的步骤，具体的：
步骤S221，根据灰度图像计算得到的灰度均值对线性公式中的线性斜率的取值范围进行首次缩放。
根据灰度均值得到了线性公式的截距的取值范围，因为线性斜率a>1时，增大灰度图像的对比度；当线性斜率0<a<1时，减少灰度图像的对比度；当线性斜率a<0时，灰度图像的色差反向，故线性斜率的取值下限为0；因为图像的灰度值最大为255，线性斜率的取值上限为当截距b为0时，灰度线性变换后的图像的灰度均值不会超过255时的线性斜率，故可以根据原始的灰度图像的灰度均值确定线性公式的线性斜率的取值范围。具体的：
计算最大灰度值和灰度图像的灰度均值的比值，该最大灰度值为255。根据该比值对线性公式中的线性斜率的取值范围进行首次缩放，得到首次缩放后线性斜率的取值范围。
如若原始的灰度图像的灰度均值为100，则最大灰度值和该灰度均值的比值为2.55在本发明实施例中舍去百分位的数值，仅保留个位和十分位的取值；故该最大灰度值和灰度均值的比值为2.5；则此时线性斜率的取值范围为[0,2.5]。
步骤S222，根据线性灰度图像的灰度直方图所对应的斜率关系模型对首次缩放后的线性斜率的取值范围进行二次缩放。
线性公式中线性斜率a影响线性灰度变换后图像的对比度，截距b影响线性灰度变换后图像的亮度，也即影响线性变换后图像的灰度。通过分析多张灰度直方图我们可以得知，图像对比度越大，该图像的灰度直方图对应的直方曲线图的曲线斜率k越小；图像对比度越小，该图像的灰度直方图对应的直方曲线图的曲线斜率k越大。而线性斜率a的取值影响图像的对比度，线性斜率a越大，图像的对比度越大，则图像的灰度直方图所对应的直方曲线图的曲线斜率k就越小，由此得到了线性斜率a和曲线斜率k的关系。
因为不同灰度图像的线性斜率a的取值范围不同，故本发明实施例将线性斜率的取值范围进行归一化，以应对不同灰度图像的线性斜率a的取值范围的需要。归一化后的线性斜率
为：
，其中
为线性斜率；
为线性斜率的首次缩放后的取值范围内的最大线性斜率；
的取值范围为[0,1]。
曲线斜率和归一化后的线性斜率的值成反比，归一化后的线性斜率越大，曲线斜率越小；归一化后的线性斜率越小，曲线斜率越大。建立斜率关系模型，该斜率关系模型为线性灰度图像的灰度直方图所对应的直方曲线图的曲线斜率和线性斜率的关系模型。
该斜率关系模型为：
其中，
为线性灰度图像的灰度直方图对应的直方曲线图的曲线斜率；
为归一化后的线性斜率；
为比例系数。在本发明实施例中比例系数的取值为1，在其他实施例中实施者根据实际情况调整该取值。
基于首次缩放后的线性斜率的取值范围，根据预设最优曲线斜率范围和斜率关系模型对线性斜率的取值范围进行二次缩放，得到二次缩放后线性斜率的取值范围。具体的：
在本发明实施例中预设最优曲线斜率范围为[0,1]。预设最优曲线斜率范围的获取方法为：对大量的灰度直方图进行统计，得到灰度直方图对应的直方曲线图的曲线斜率的取值范围在0到1之间，即最优曲线斜率范围的取值范围
。
将曲线斜率
和曲线斜率
分别代入该斜率关系模型中，即可得到归一化后的线性斜率的取值范围，得到的归一化后的线性斜率的取值范围为[
,
]。将归一化后的线性斜率的取值范围[
,
]转换至归一化前的线性斜率的取值范围[
]，即完成了对线性斜率的取值范围的二次缩放，得到了二次缩放后的线性斜率的取值范围。该二次缩放后的线性斜率的取值范围[
]即为线性斜率要遍历的区间。
不断调整灰度线性变换的线性公式中线性斜率和截距，将线性斜率a的取值范围[
]和截距b的取值范围[-255+
，255-
]内的所有值，均代入线性公式中进行遍历计算。需要说明的是，对线性斜率和截距在其取值范围内进行遍历时，线性斜率a以0.1为步长进行遍历；截距b则以1为步长进行遍历。
遍历线性斜率的取值范围[
]和截距b的取值范围[-255+
，255-
]，得到多个不同的线性公式和利用该线性公式进行灰度线性变换后的线性灰度图像和其对应的灰度直方图。
步骤S300，根据线性灰度图像对应的灰度直方图的峰值、连续程度和区域面积占比，从多张线性灰度图像中选取出灰度增强图像。
从多张线性灰度图像中选取处灰度增强图像的步骤，具体的：
步骤S310，根据灰度直方图的峰值对线性灰度图像进行第一次选取。
当线性斜率的取值范围内和截距的取值范围内的数值代入线性公式中得到多张线性灰度图像后。基于灰度直方图，获取除了灰度值为0和灰度值为255之外的数量最多的灰度级，也就是灰度峰值，设定该灰度峰值的横坐标为m。
本发明实施例要求图像的峰值在正中央区域，把灰度级分为三分，正中间的一份的灰度级为[85,170]，故本发明的预设峰值范围为[85,170]。
获取多张线性灰度图像的灰度直方图的灰度峰值，在预设峰值范围内的灰度峰值所对应的多张线性灰度图像为第一次选取后的多张线性灰度图像。即保留
的灰度峰值所对应的多张线性灰度图像为第一次选取后的多张线性灰度图像。
根据第一次选取后的多张线性灰度图像对应的灰度直方图的连续程度和区域面积占比，从第一次选取后的多张线性灰度图像中选取出灰度增强图像。
步骤S320，根据灰度直方图的连续程度对第一次选取后的线性灰度图像进行第二次选取。
将灰度直方图的横轴分为三个部分，第一部分为[0,51]，即占横轴的1/5。第二部分为[51,204]，即占x轴的3/5。第三部分为[204,255]，即占x轴的最后1/5。重点分析第二部分是否合理，因为一张好的灰度图像的灰度直方图所对应的直方曲线图中间为连续的，且大部分的像素点集中在中间区域。因此检查第二部分的灰度直方图是否连续，并且判断像素点是否集中。
采用横纵坐标相乘的方法来判断灰度直方图第二部分是否连续；当灰度直方图在[51,204]的区间内不连续时，也即有断点时，则横纵坐标的乘积必为0，也即该灰度直方图的连续程度必为0；相反的，当[51,204]区间内所有横纵坐标的乘积不为0时，也即该灰度直方图的连续程度不为0时，则反映灰度直方图在区间内时连续的。具体的：
第一次选取后的多张线性灰度图像对应的灰度直方图中，预设连续范围内的灰度级和灰度级数量的乘积之和，作为连续程度。在本发明实施例中预设连续范围即为[51,204]，在其他实施例中实施者可根据实际情况对该取值范围进行调整。
连续程度
的计算公式为：
其中，
为灰度直方图的横坐标，也即灰度级；
为灰度直方图的纵坐标，也即灰度级数量。
当连续程度为0时，则该灰度直方图不连续，不再进行后续处理；当连续程度大于0时，则进行下一步的处理，判断像素点是否集中。即保留连续程度大于0的第一次选取后的多张线性灰度图像为第二次选取后的多张线性灰度图像。
根据第二次选取后的多张线性灰度图像对应的灰度直方图的区域面积占比，从第二次选取后的多张线性灰度图像中选取出灰度增强图像。
步骤S330，根据区域面积占比从第二次选取后的多张线性灰度图像中选取出灰度增强图像。
基于第二次选取后的多张线性灰度图像对应的灰度直方图，计算预设灰度级范围内的区域面积占比。在本发明实施例中预设灰度级范围为[204,255]，在其他实施例中实施者可根据实际情况对该取值范围进行调整。
具体的，预设灰度级范围内的区域面积占比
的计算公式为：
其中，
，
。
其中，
为灰度直方图对应的直方曲线；
为整个灰度直方图的直方曲线对应的面积；
为预设灰度级范围内的直方曲线对应的区域面积。
需要说明的是，直方曲线为灰度直方图对应的直方曲线图中的曲线。
预设灰度级范围内的区域面积占比即为像素点在预设灰度级范围内的占有率，区域面积占比越大，说明在预设灰度级单位内的像素点数量越多。
选取区域面积占比最大的灰度直方图对应的线性灰度图像，作为灰度增强图像，该灰度增强图像的图像增强效果最好。该灰度增强图像即为自然图像进行增强后的灰度图像，该灰度增强图像对应的线性公式即为该张自然图像对应的能够达到最优图像增强的线性公式。
综上所述，本发明实施例利用图像处理技术，采集自然图像并对自然图像灰度化得到灰度图像；对灰度图像进行灰度线性变换得到线性灰度图像，灰度线性变换的线性公式中截距的取值范围由灰度图像的灰度均值确定；线性公式中线性斜率的取值范围由线性灰度图像的灰度直方图所对应的斜率关系模型和灰度图像的灰度均值确定，斜率关系模型为线性灰度图像的灰度直方图所对应的直方曲线图的曲线斜率和线性斜率的关系模型；不断调整灰度线性变换的线性公式中的线性斜率和截距；根据线性灰度图像对应的灰度直方图的峰值、连续程度和区域面积占比，从多张线性灰度图像中选取出灰度增强图像。根据灰度均值、曲线斜率和线性斜率的斜率关系模型得到灰度线性变换的线性公式中的截距和线性斜率的取值范围，遍历取值范围内的截距和线性斜率得到多张线性灰度图像，并根据线性灰度图像的灰度直方图的特征从多张线性灰度图像中选取出灰度增强图像，达到了减少遍历次数、提高计算速度的目的。
一种基于自适应线性灰度化的图像增强系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。由于一种基于自适应线性灰度化的图像增强定位方法在上述给出了详细描述，不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于自适应线性灰度化的图像增强方法，其特征在于，该方法包括以下步骤：
采集自然图像，对所述自然图像进行灰度化得到灰度图像；
对所述灰度图像进行灰度线性变换得到线性灰度图像，所述灰度线性变换的线性公式中截距的取值范围由所述灰度图像的灰度均值确定；所述线性公式中线性斜率的取值范围由所述线性灰度图像的灰度直方图所对应的斜率关系模型和所述灰度图像的灰度均值确定，所述斜率关系模型为所述线性灰度图像的灰度直方图所对应的直方曲线图的曲线斜率和线性斜率的关系模型；不断调整所述灰度线性变换的线性公式中的所述线性斜率和所述截距；
根据所述线性灰度图像对应的灰度直方图的峰值、连续程度和区域面积占比，从多张线性灰度图像中选取出灰度增强图像。
2.根据权利要求1所述的一种基于自适应线性灰度化的图像增强方法，其特征在于，所述灰度均值的计算方法，包括：
获取灰度图像中各灰度级像素点数量的占比；
各所述灰度级像素点数量的占比和对应的灰度级相乘得到灰度级占比；
多个灰度级占比之和为所述灰度均值。
3.根据权利要求1所述的一种基于自适应线性灰度化的图像增强方法，其特征在于，所述灰度线性变换的线性公式中截距的取值范围为：[-255+
，255-
]，其中，
为所述灰度均值。
4.根据权利要求1所述的一种基于自适应线性灰度化的图像增强方法，其特征在于，所述线性公式中线性斜率的取值范围由所述线性灰度图像的灰度直方图所对应的斜率关系模型和所述灰度图像的灰度均值确定，包括：
计算最大灰度值和所述灰度图像的灰度均值的比值；根据所述比值对线性公式中线性斜率的取值范围进行首次缩放，得到首次缩放后线性斜率的取值范围。
5.根据权利要求4所述的一种基于自适应线性灰度化的图像增强方法，其特征在于，所述线性公式中线性斜率的取值范围由所述线性灰度图像的灰度直方图所对应的斜率关系模型和所述灰度图像的灰度均值确定，还包括：
基于首次缩放后的线性斜率的取值范围，根据预设最优曲线斜率范围和所述斜率关系模型对线性斜率的取值范围进行二次缩放，得到二次缩放后线性斜率的取值范围。
6.根据权利要求1所述的一种基于自适应线性灰度化的图像增强方法，其特征在于，所述斜率关系模型为所述线性灰度图像的灰度直方图所对应的直方曲线图的曲线斜率和线性斜率的关系模型，包括：
该斜率关系模型为：
其中，
为所述线性灰度图像的灰度直方图对应的直方曲线图的曲线斜率；
为归一化后的线性斜率；
为比例系数。
7.根据权利要求1所述的一种基于自适应线性灰度化的图像增强方法，其特征在于，所述根据所述线性灰度图像对应的灰度直方图的峰值、连续程度和区域面积占比，从多张线性灰度图像中选取出灰度增强图像，包括：
所述线性斜率的取值范围内和所述截距的取值范围内的数值代入所述线性公式中，得到多张线性灰度图像；
获取所述线性灰度图像的灰度直方图的灰度峰值，在预设峰值范围内的灰度峰值所对应的多张线性灰度图像为第一次选取后的多张线性灰度图像；
根据第一次选取后的多张线性灰度图像对应的灰度直方图的连续程度和区域面积占比，从第一次选取后的多张线性灰度图像中选取出灰度增强图像。
8.根据权利要求7所述的一种基于自适应线性灰度化的图像增强方法，其特征在于，所述根据第一次选取后的多张线性灰度图像对应的灰度直方图的连续程度和区域面积占比，从第一次选取后的多张线性灰度图像中选取出灰度增强图像，包括：
第一次选取后的多张线性灰度图像对应的灰度直方图中，预设连续范围内的灰度级和灰度级数量的乘积之和，作为所述连续程度；
保留所述连续程度大于0的第一次选取后的多张线性灰度图像为第二次选取后的多张线性灰度图像；
根据第二次选取后的多张线性灰度图像对应的灰度直方图的区域面积占比，从第二次选取后的多张线性灰度图像中选取出灰度增强图像。
9.根据权利要求8所述的一种基于自适应线性灰度化的图像增强方法，其特征在于，所述根据第二次选取后的多张线性灰度图像对应的灰度直方图的区域面积占比，从第二次选取后的多张线性灰度图像中选取出灰度增强图像，包括：
基于第二次选取后的多张线性灰度图像对应的灰度直方图，计算预设灰度级范围内的区域面积占比；
选取所述区域面积占比最大的灰度直方图对应的线性灰度图像，作为灰度增强图像。
10.一种基于自适应线性灰度化的图像增强系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210489134.9A CN114581345B (zh) | 2022-05-07 | 2022-05-07 | 一种基于自适应线性灰度化的图像增强方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210489134.9A CN114581345B (zh) | 2022-05-07 | 2022-05-07 | 一种基于自适应线性灰度化的图像增强方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114581345A true CN114581345A (zh) | 2022-06-03 |
| CN114581345B CN114581345B (zh) | 2022-07-05 |
Family
ID=81769113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210489134.9A Active CN114581345B (zh) | 2022-05-07 | 2022-05-07 | 一种基于自适应线性灰度化的图像增强方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114581345B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100212A (zh) * | 2022-08-29 | 2022-09-23 | 卡松科技股份有限公司 | 一种润滑油污染程度检测方法 |
| CN117078676A (zh) * | 2023-10-16 | 2023-11-17 | 青岛盛鑫达机械有限公司 | 基于图像处理的破碎锤外壳视觉检测方法 |
| CN117455920A (zh) * | 2023-12-26 | 2024-01-26 | 武汉博源新材料科技集团股份有限公司 | 一种基于人工智能的奶茶杯劣品筛选方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110150356A1 (en) * | 2009-12-22 | 2011-06-23 | Jo Kensei | Image processing apparatus, image processing method, and program |
| CN103679724A (zh) * | 2013-12-13 | 2014-03-26 | 中南大学 | 斜率逼近式直线检测方法 |
| CN105139433A (zh) * | 2015-08-05 | 2015-12-09 | 西安电子科技大学 | 基于均值模型的红外弱小目标图像序列仿真方法 |
| CN105654438A (zh) * | 2015-12-27 | 2016-06-08 | 西南技术物理研究所 | 基于局部直方图均衡的灰度图像拟合增强方法 |
| US20170231550A1 (en) * | 2014-08-25 | 2017-08-17 | Singapore University Of Technology And Design | Method and device for analysing an image |
| CN107622475A (zh) * | 2016-07-14 | 2018-01-23 | 上海联影医疗科技有限公司 | 图像拼接中的灰度校正方法 |
| CN109584191A (zh) * | 2018-12-06 | 2019-04-05 | 纳米视觉(成都)科技有限公司 | 一种基于直方图的自适应图像增强方法及终端 |
| CN109961409A (zh) * | 2019-02-26 | 2019-07-02 | 平安科技（深圳）有限公司 | 一种线性增强图像对比度的方法及装置 |
| CN110838091A (zh) * | 2019-10-25 | 2020-02-25 | 北京中电慧视科技有限公司 | 完全自适应的红外图像对比度增强方法及系统 |
| CN112598595A (zh) * | 2020-12-25 | 2021-04-02 | 北京环境特性研究所 | 一种基于gamma校正的高动态数字图像显示增强方法及系统 |
| WO2021068330A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技（深圳）有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
| CN112712483A (zh) * | 2021-01-14 | 2021-04-27 | 湖北工业大学 | 一种基于光场双色反射模型和全变分的高反光去除方法 |
| CN112950517A (zh) * | 2021-02-25 | 2021-06-11 | 浙江光珀智能科技有限公司 | 深度相机高动态范围深度图与灰度图的融合方法及装置 |
-
2022
- 2022-05-07 CN CN202210489134.9A patent/CN114581345B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110150356A1 (en) * | 2009-12-22 | 2011-06-23 | Jo Kensei | Image processing apparatus, image processing method, and program |
| CN103679724A (zh) * | 2013-12-13 | 2014-03-26 | 中南大学 | 斜率逼近式直线检测方法 |
| US20170231550A1 (en) * | 2014-08-25 | 2017-08-17 | Singapore University Of Technology And Design | Method and device for analysing an image |
| CN105139433A (zh) * | 2015-08-05 | 2015-12-09 | 西安电子科技大学 | 基于均值模型的红外弱小目标图像序列仿真方法 |
| CN105654438A (zh) * | 2015-12-27 | 2016-06-08 | 西南技术物理研究所 | 基于局部直方图均衡的灰度图像拟合增强方法 |
| CN107622475A (zh) * | 2016-07-14 | 2018-01-23 | 上海联影医疗科技有限公司 | 图像拼接中的灰度校正方法 |
| CN109584191A (zh) * | 2018-12-06 | 2019-04-05 | 纳米视觉(成都)科技有限公司 | 一种基于直方图的自适应图像增强方法及终端 |
| CN109961409A (zh) * | 2019-02-26 | 2019-07-02 | 平安科技（深圳）有限公司 | 一种线性增强图像对比度的方法及装置 |
| WO2021068330A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技（深圳）有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
| CN110838091A (zh) * | 2019-10-25 | 2020-02-25 | 北京中电慧视科技有限公司 | 完全自适应的红外图像对比度增强方法及系统 |
| CN112598595A (zh) * | 2020-12-25 | 2021-04-02 | 北京环境特性研究所 | 一种基于gamma校正的高动态数字图像显示增强方法及系统 |
| CN112712483A (zh) * | 2021-01-14 | 2021-04-27 | 湖北工业大学 | 一种基于光场双色反射模型和全变分的高反光去除方法 |
| CN112950517A (zh) * | 2021-02-25 | 2021-06-11 | 浙江光珀智能科技有限公司 | 深度相机高动态范围深度图与灰度图的融合方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| HONG CHENG等: "Two low illuminance image enhancement algorithms based on grey level mapping", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
| 于金鑫 等: "基于图像增强技术的钢铁材料微观组织图像识别的研究", 《中国体视学与图像分析》 * |
| 周雪峰: "基于 FPGA 的车道线检测加速器", 《中国优秀硕士学位论文全文数据库 信息科技Ⅱ辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100212A (zh) * | 2022-08-29 | 2022-09-23 | 卡松科技股份有限公司 | 一种润滑油污染程度检测方法 |
| CN115100212B (zh) * | 2022-08-29 | 2022-11-18 | 卡松科技股份有限公司 | 一种润滑油污染程度检测方法 |
| CN117078676A (zh) * | 2023-10-16 | 2023-11-17 | 青岛盛鑫达机械有限公司 | 基于图像处理的破碎锤外壳视觉检测方法 |
| CN117078676B (zh) * | 2023-10-16 | 2024-01-12 | 青岛盛鑫达机械有限公司 | 基于图像处理的破碎锤外壳视觉检测方法 |
| CN117455920A (zh) * | 2023-12-26 | 2024-01-26 | 武汉博源新材料科技集团股份有限公司 | 一种基于人工智能的奶茶杯劣品筛选方法及系统 |
| CN117455920B (zh) * | 2023-12-26 | 2024-03-22 | 武汉博源新材料科技集团股份有限公司 | 一种基于人工智能的奶茶杯劣品筛选方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114581345B (zh) | 2022-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114581345B (zh) | 一种基于自适应线性灰度化的图像增强方法及系统 | |
| EP0747855B1 (en) | Method and apparatus for enhancing a digital image | |
| CN115311176A (zh) | 基于直方图均衡化的夜间图像增强方法 | |
| US8086024B2 (en) | Defect detection apparatus, defect detection method and computer program | |
| US8422815B2 (en) | Image processing apparatus, image processing method and image processing program | |
| CN114511471B (zh) | 基于灰度共生矩阵的图像优化方法及系统 | |
| CN117408890A (zh) | 一种视频图像传输质量增强方法及系统 | |
| CN107451974B (zh) | 一种高动态范围图像的自适应再现显示方法 | |
| CN113674231B (zh) | 基于图像增强的轧制过程中氧化铁皮检测方法与系统 | |
| CN114399442B (zh) | 基于参数自适应的非线性图像增强方法及系统 | |
| CN115760826A (zh) | 一种基于图像处理的轴承磨损状况诊断方法 | |
| CN117593193B (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
| CN113450272A (zh) | 一种基于正弦曲线变化的图像增强方法及其应用 | |
| CN113989127A (zh) | 一种图像对比度调整方法、系统、设备及计算机存储介质 | |
| JP2000102033A (ja) | 自動階調補正方法 | |
| CN115423723A (zh) | 自适应铁路货车异常检测训练集图像增强方法 | |
| JP2852287B2 (ja) | 画質改善方法、エッジ強度計算方法及び装置 | |
| JP4499599B2 (ja) | 画像処理方法、画像処理装置、画像処理プログラム、およびその画像処理装置を含む集積回路 | |
| CN114565537A (zh) | 一种基于局部信息熵的红外成像装置 | |
| CN114820397B (zh) | 基于关注程度的图像增强方法及系统 | |
| JP2866935B2 (ja) | カラー画像の画質改善方法及びその装置 | |
| CN112862709B (zh) | 图像特征增强方法、装置及可读存储介质 | |
| JPH10269352A (ja) | 画像処理装置および方法 | |
| JPH06343140A (ja) | 画像処理装置 | |
| KR102086756B1 (ko) | 하이 다이내믹 레인지 이미지 생성 장치 및 방법 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230519 Address after: Room 301, No. 40, Lane 1333, Xinlong Road, Minhang District, Shanghai, 201100 Patentee after: Shanghai Fuwei Planning and Design Group Co.,Ltd. Address before: 510000 2, Pazhou East Road, Haizhuqu District, Guangzhou, Guangdong, 2 905, 2 Patentee before: GUANGZHOU JUNTIAN TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right |