CN114627009A - 一种基于亮度校正和融合通道先验的图像增强方法及系统 - Google Patents
一种基于亮度校正和融合通道先验的图像增强方法及系统 Download PDFInfo
- Publication number
- CN114627009A CN114627009A CN202210204955.3A CN202210204955A CN114627009A CN 114627009 A CN114627009 A CN 114627009A CN 202210204955 A CN202210204955 A CN 202210204955A CN 114627009 A CN114627009 A CN 114627009A
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- channel image
- histogram
- sub
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000004927 fusion Effects 0.000 title claims abstract description 37
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 210000004204 blood vessel Anatomy 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 2
- 125000001475 halogen functional group Chemical group 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010191 image analysis 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
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T5/50—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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于亮度校正和融合通道先验的图像增强方法及系统，涉及图像增强技术领域，首先将待增强图像从RGB空间转换到HSV空间；再对V通道图像通过伽马校正的方式进行亮度校正；将亮度校正后的V通道图像和H通道图像、S通道图像进行合并，并从HSV空间转换回RGB空间，得到RGB空间的亮度校正图像；对于RGB空间的亮度校正图像，对其G通道图像和B通道图像进行通道融合及增强，并与R通道图像进行合并，得到最终增强图像。本发明既能增强图像的对比度，保留图像的细节信息，又能使增强后的图像保持图像的自然性。
Description
技术领域
本发明涉及图像增强技术领域，更具体的说是涉及一种基于亮度校正和融合通道先验的图像增强方法及系统。
背景技术
目前内窥镜图像增强的算法主要有：基于直方图均衡的方法、基于Retinex理论的方法、基于同态滤波的方法、基于深度学习的方法。基于直方图的方法会使增强后的图像灰度级不均匀增强，导致图像细节信息的丢失并且会使亮度过度增强。基于Retinex理论的方法因对在照度估计有局限性，在增强图像周围会产生“光晕伪影”现象。基于同态滤波的方法，会由于不能适用于所有亮度图像，无法保存中等亮度和亮图像的边缘细节。基于深度学习的方法，会由于需要大量的数据集而限制网络增强的性能。
1基于直方图均衡的方法
直方图均衡化是一种常用的灰度变换的方法，其思想是将一副图像的直方图分布变成近似均匀分布，从而增强图像的对比度。图像的灰度直方图表征的是该图像的灰度分布，通常对直方图进行归一化后再进行后续处理，这样可以达到很好的处理效果。但是由于离散图像的直方图也是离散的，其灰度累计分布函数是一个不减的阶梯函数，如果映射的灰度级小于256，变换后的直方图会有某些灰度级空缺，即调整后灰度级的概率基本不能取得相同的值，从而产生的直方图完全不平坦。其次某些图像，如果直方图有高峰，经处理后对比度不自然的过分增强和细节消失。
2基于Retinex理论的方法
Retinex图像增强的思想就是从原始图像中剔除环境亮度的影响，求解出物体本身的颜色特性，从而达到图像增强的目的。Retinex理论的基础是物体的颜色是由物体对长波、中波和短波光线的反射能力来决定的，而不是由反射光强度的绝对值来决定的，物体的彩色不受光照非均匀性的影响，具有一致性，即Retinex是以色感一致性为基础的。Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面达到很好的均衡。但是，Retinex算法在处理内窥镜图像时会造成图像的过度增强以及亮度的较大变化，并且在图像边缘会出现光晕现象。
3基于同态滤波的方法
同态滤波的原理是指依据图像的照明-反射成像原理，将图像分解为入射分量和反射分量，主要是通过滤波器抑制入射分量和增强反射分量，从而减弱由于亮度不均匀带来的图像质量退化问题，提高图像的对比度。但是同态滤波需要选取适当的滤波器参数，无法适用于具有复杂场景的内窥镜图像。
4基于深度学习的方法
深度学习是近些年研究人员高度重视的方向，这种方法效果很好，有很强的适用性。但是，由于深度学习的网络框架都需要进行大量的图像进行学习，对于内窥镜图像想要去达到很好的增强效果，需要大量的具有血管和组织特征信息的图像，对于数据的收集是很大的挑战，导致实现难度较大。
鉴于内窥镜图像由于硬件、当前成像技术和手术中复杂的环境几种条件的限制导致图像质量不高，最明显的缺点是图像不够清晰、对比度低，从而导致一些血管和组织特征的缺失。因此，如何提高图像的增强效果，尤其是对内窥镜图像进行亮度校正和细节增强，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于亮度校正和融合通道先验的图像增强方法及系统。
为了实现上述目的，本发明提供如下技术方案：
一种基于亮度校正和融合通道先验的图像增强方法，包括以下步骤：
将待增强图像从RGB空间转换到HSV空间；
对V通道图像进行亮度校正；
将亮度校正后的V通道图像和H通道图像、S通道图像进行合并，并从HSV空间转换回RGB空间，得到RGB空间的亮度校正图像；
对于RGB空间的亮度校正图像，对其G通道图像和B通道图像进行通道融合及增强，并与R通道图像进行合并，得到最终增强图像。
可选的，所述对V通道图像进行亮度校正的具体步骤为：
步骤2.1、将V通道图像的直方图进行象限划分；
步骤2.2、基于象限划分结果，对V通道图像进行亮暗分类，得到V通道图像的亮度类型；
步骤2.3、基于直方图象限划分结果以及V通道图像的亮度类型，确定待校正区间；
步骤2.4、对待校正区间的子直方图进行剪裁拉伸；
步骤2.5、对剪裁拉伸后的待校正区间的子直方图进行伽马校正，得到亮度校正后的V通道图像。
可选的，所述步骤2.1中，对V通道图像的直方图进行象限划分的方法为：
步骤2.1.1、获取象限划分阈值：
其中，imax和imin代表输入图像最大灰度值和最小灰度值，id和il是象限分割的两个阈值，分别表示暗阈值和亮阈值；
步骤2.1.2、依据象限划分阈值，将V通道图像的直方图划分为三个代表灰度值分布的子直方图hd(l)、hm(l)、hl(l)，其中hd(l)表示暗子直方图，hm(l)表示中等亮度子直方图，hd(l)表示亮子直方图。
可选的，所述步骤2.2中，对V通道图像进行亮暗分类的方法为：
CDFmax＝max(CDFd,max(CDFm,CDFl)) (4)
其中，CDFd为暗子直方图hd(l)像素数占V通道图像的直方图总像素数的比值，CDFm为中等亮度子直方图hm(l)像素数占V通道图像的直方图总像素数的比值，CDFl为亮子直方图hd(l)像素数占V通道图像的直方图总像素数的比值，CDFmax代表累计密度最大值；
若CDFmax等于CDFd，则V通道图像为暗图，若CDFmax等于CDFm，则V通道图像为中等亮度图，若CDFmax等于CDFl，则V通道图像为亮图。
可选的，所述步骤2.3中，确定待校正区间的方法为：
步骤2.3.1、基于V通道图像的亮度类型，确定横向切割阈值hcut：
步骤2.3.2、用横向阈值hcut切割V通道图像的直方图，得到待校正区间的阈值i1和i2，其中，i1代表待校正区间的低阈值，i2代表待校正区间的高阈值。
可选的，所述步骤2.4中，对待校正区间的子直方图进行剪裁拉伸的方法为：
确定裁剪阈值
用于剪裁待校正区间子直方图，得到被剪裁后新的待校正区间子直方图；对新的待校正区间子直方图通过重映射的方式进行拉伸。
可选的，所述步骤2.5中，进行伽马校正的方法为：
用裁剪后待校正区间的子直方图的累计密度作为伽马值，用拉伸后待校正区间的子直方图的阈值作为伽马校正的系数，进行伽马校正。
可选的，通道融合的具体步骤为：
对G通道图像和B通道图像进行分解，再分别对G通道图像、B通道图像的低频和高频进行融合，再经过逆小波变换得到通道融合后的图像F(i,j)。
可选的，对通道融合后的图像进行增强，图像增强的公式为：
其中，J(i,j)为增强后的图像；F(i,j)为通道融合后的图像，即待增强图像；t(i,j)为传输函数；A为一常数值。
本发明还提供一种基于亮度校正和融合通道先验的图像增强系统，包括：
第一空间转换模块，用于将待增强图像从RGB空间转换到HSV空间；
亮度校正模块，用于对V通道图像进行亮度校正；
第二空间转换模块，用于将亮度校正后的V通道图像和H通道图像、S通道图像进行合并，并从HSV空间转换回RGB空间，得到RGB空间的亮度校正图像；
图像增强模块，用于对RGB空间的亮度校正图像的G通道图像和B通道图像进行通道融合及增强，并与R通道图像进行合并，得到最终增强图像。
经由上述的技术方案可知，本发明公开提供了一种基于亮度校正和融合通道先验的图像增强方法及系统，与现有技术相比，具有以下有益效果：
本发明通过对图像进行亮暗分类，在此基础上确定待校正区间，并进行剪裁拉伸和伽马校正，实现亮度校正的同时，防止细节丢失。在亮度校正图像的基础上，对绿色通道和蓝色通道的图像进行细节通道融合，并进行图像增强。本发明既能增强图像的对比度，又能使增强后的图像保持图像的自然性。
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为本发明的方法原理示意图；
图2为理想t(i,j)函数图像；
图3为t(i,j)与
之间的函数关系图像；
图4(a)为实施例中待增强的图像C，图4(b)为实施例中w的值为1时本发明方法处理后的图像C；
图5(a)为实施例中待增强的图像A，图5(b)为实施例中待增强的图像B；
图6(a)为实施例中其他算法处理后的图像A，图6(b)为实施例中其他算法处理后的图像B；
图7(a)为实施例中本发明方法处理后的图像A，图7(b)为实施例中本发明方法处理后的图像B；
图8为本发明的系统示意图。
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。
本发明实施例公开了一种基于亮度校正和融合通道先验的图像增强方法，参见图1，包括以下步骤：
步骤1、将待增强图像从RGB空间转换到HSV空间。
步骤2、对V通道图像进行亮度校正。
步骤2.1、将V通道图像的直方图进行象限划分；
直接把灰度值的最大值L-1平均分成三部分，这种分割方式会让输出的图像变的不自然。本发明所提出的方法是将输入图像的灰度最大值和最小值的差的均值作为分割的阈值，该方法分割的子直方图分别代表：暗、中等亮度和亮三种灰度值的分布，通过该方法可以将三个区间灰度值根据亮暗特性分别均衡，输出美观协调的图像，具体的：
步骤2.1.1、获取象限划分阈值：
其中，imax和imin代表输入图像最大灰度值和最小灰度值，id和il是象限分割的两个阈值，分别表示暗阈值和亮阈值；
步骤2.1.2、依据象限划分阈值，将V通道图像的直方图划分为三个代表灰度值分布的子直方图hd(l)、hm(l)、hl(l)，其中hd(l)表示暗子直方图，hm(l)表示中等亮度子直方图，hd(l)表示亮度子直方图。
步骤2.2、基于象限划分结果，对V通道图像进行亮暗分类，得到V通道图像的亮度类型；
CDFmax＝max(CDFd,max(CDFm,CDFl)) (4)
CDFd＝CDF(id) (5)
CDFm＝CDF(il)-CDF(id) (6)
CDFl＝CDF(imax)-CDF(il) (7)
其中，CDF()表示累计分布函数、CDFd为暗子直方图hd(l)像素数占V通道图像的直方图总像素数的比值，CDFm为中等亮度子直方图hm(l)像素数占V通道图像的直方图总像素数的比值，CDFl为亮子直方图hd(l)像素数占V通道图像的直方图总像素数的比值，CDFmax代表累计密度最大值；
若CDFmax等于CDFd，则V通道图像为暗图，若CDFmax等于CDFm，则V通道图像为中等亮度图，若CDFmax等于CDFl，则V通道图像为亮图。
步骤2.3、基于直方图象限划分结果以及V通道图像的亮度类型，确定待校正区间；
为了对高亮区域和低亮区域进行校正，要进行待校正区间的选定，以避免过度增强和噪声放大，具体的：
步骤2.3.1、基于V通道图像的亮度类型，确定横向切割阈值：
其中，hcut.d表示V通道图像中暗区域的横向切割阈值，hcut.m表示V通道图像中中等亮度区域的横向切割阈值，hcut.l表示V通道图像中亮区域的横向切割阈值，N为V通道图像的像素总数；
步骤2.3.2、用横向阈值hcut切割V通道图像的直方图，得到待校正区间的阈值：
其中，i1代表待校正区间的低阈值，i2代表待校正区间的高阈值，h(l)为V通道图像直方图，l为图像的像素值，hcut＝{hcut.d，hcut.m，hcut.l}，表示V通道图像的横向切割阈值。
步骤2.4、对待校正区间的子直方图进行剪裁拉伸；
步骤2.4.1、剪裁：
确定裁剪阈值
其中，
w1表示V通道图像中暗区域的待校正区间子直方图的剪裁阈值、w2表示V通道图像中中等亮度区域的待校正区间子直方图的剪裁阈值、w3表示V通道图像中亮区域的待校正区间子直方图的剪裁阈值，用于剪裁待校正区间子直方图，被剪裁后新的待校正区间子直方图为：
其中，hn1(l)为V通道图像的暗区域被剪裁后新的待校正区间子直方图，hn2(l)为V通道图像的中等亮度区域被剪裁后新的待校正区间子直方图，hn3(l)为V通道图像的亮区域被剪裁后新的待校正区间子直方图。
步骤2.4.2、拉伸(重映射)：
求解映射范围：
其中，ind.1表示V通道图像中暗区域的低阈值i1被映射的新低阈值，inl.1表示V通道图像中暗区域的高阈值i2被映射的新高阈值；ind.2表示V通道图像中中等亮度区域的低阈值i1被映射的新低阈值，inl.2表示V通道图像中中等亮度区域的高阈值i2被映射的新高阈值；ind.3表示V通道图像中亮区域的低阈值i1被映射的新低阈值，inl.3表示V通道图像中亮区域的高阈值i2被映射的新高阈值；由于图像分为暗、中等亮度和亮三个区域，因此引入α为亮度增长的控制因子，防止在亮度校正时过度增强导致细节丢失，根据实验所得，把α定为15。
伽马校正的所有参数是根据每个子直方图获取的，因此每个子直方图的重映射都会根据亮度的分布限定在指定的范围，这样既能均衡亮度又能保持细节，达到图像自然增强的效果。
由于亮图在用于该方法重映射后会导致过度增强，所以在处理亮图时将图像转换为负像再经该方法处理后还原为正图像，经过此方法亮图也能够得到合理的亮度校正。
负像定义为：
步骤2.5、对剪裁拉伸后的待校正区间的子直方图进行伽马校正，得到亮度校正后的V通道图像。
伽马校正的幂律公式定义为：
Vout＝A*Vin λ (22)
其中，Vin为输入亮度值，A是常量，λ为伽马值，Vout为校正后输出亮度值。本文是基于象限动态剪裁直方图的伽马校正，根据裁剪后的直方图和重映射的伽马校正结果，最后把亮度校正到0-L-1，公式为：
其中L-1代表最高灰度值，lout代表校正后的输出亮度值，CDF1(l)表示V通道图像中暗区域的待伽马校正子直方图的累计密度、CDF2(l)表示V通道图像中中等亮度区域的待伽马校正子直方图的累计密度、CDF3(l)表示V通道图像中亮区域待伽马校正子直方图的累计密度，由下式得出：
上式中PDF1(l)表示V通道图像中暗区域的待伽马校正子直方图的概率密度，PDF2(l)表示V通道图像中中等亮度区域的待伽马校正子直方图的概率密度，PDF3(l)表示V通道图像中亮区域的待伽马校正子直方图的概率密度，由下式得出：
其中，N1为V通道图像的暗区域子直方图的像素数，N2为V通道图像的中等亮度区域子直方图的像素数，N3为V通道图像的亮区域子直方图的像素数。
步骤3、将亮度校正后的V通道图像和H通道图像、S通道图像进行合并，并从HSV空间转换回RGB空间，得到RGB空间的亮度校正图像。
步骤4、对于RGB空间的亮度校正图像，对其G通道图像和B通道图像进行通道融合及增强，并与R通道图像进行合并，得到最终增强图像。
医学内窥镜图像中绿色通道包含动脉信息和蓝色通道包含部分血管和组织信息，通过融合绿色通道和蓝色通道则可以得到含有医学内窥镜图像最丰富细节的图像，以此图像作为增强的传输图可以达到很好的医学内窥镜图像增强的效果。函数模型被定义为：
I(i,j)＝J(i,j)*t(i,j)+A(1-t(i,j)) (30)
其中，i,j代表着图像的像素位置，I(i,j)为待增强的输入图像，J(i,j)是增强后的图像，A是全球大气光成分，t(i,j)为传输函数。
步骤4.1、细节通道融合：
选用基于离散小波变换的融合方式，对G通道图像和B通道图像进行分解，再分别对G通道图像、B通道图像的低频和高频进行融合，低频的融合公式为：
其中，LLg(i,j)为G通道图像的低频分量，LLb(i,j)为B通道图像的低频分量，LLf(i,j)代表融合后的低频图像；
由于两幅图像相比对应像素位置高频系数绝对值越大包含细节越多，因此高频的融合公式为：
其中，||代表取绝对值，HHg(i,j)代表G通道图像的高频系数，HHb(i,j)代表B通道图像的高频系数，HHf(i,j)表示融合后的高频系数；
再经过逆小波变换得到通道融合后的图像F(i,j)。
对通道融合后的图像进行增强，具体方法为：
步骤4.2、图像增强：
由公式(30)可以得到图像增强模型为：
其中，J(i,j)为增强后的图像；F(i,j)为通道融合后的图像，即待增强图像；t(i,j)为传输函数；
传输函数t(i,j)为：
其中，w代表增强系数；t(i,j)与
之间的函数关系图像参见图3。
A值的设定方法为：首先从图像F(i,j)中按照像素值的大小升序排列取前0.1％的像素，再从原始的待增强图像中寻找对应位置的像素值，取这些像素值的均值即为A。
设一待增强的原图C为图4(a)，则w的值为1时增强后的图像C为图4(b)，根据图像所示，增强后的图对比度明显提高但是图像普遍显红色而且带有失真，这是过度增强的现象。
结合t(i,j)的函数图像分析(参见图2)，像素值低时I(i,j)-A为负数，而对应的t(i,j)值也很小，这样就会导致J(i,j)的值为负数，在像素值高时，就要使t(i,j)值随着变大，在中等强度像素值时，由于也要保持增强后的像素值维持在中等强度，此时t(i,j)的值应该分布到0.4到0.6之间，因此就要对增强系数w做对应的处理，得出理想的函数模型。根据图2的函数图，代入其中的方程进行反解出w，以生成新的t(i,j)。根据图像列出的w求解方程为：
其中，a、h和p分别代表图像中点的横坐标或纵坐标值，经过求解得到w的结果为，
由上述得出的结果可以得出新的传输函数t(i,j)，a的值为0.5，h的值为0.7，在不造成图像失真的情况下增强血管和组织；
p＝1-mean(F(i,j)) (37)
其中，mean代表求图像F(i,j)的像素均值。
本发明实施例还提供一种基于亮度校正和融合通道先验的图像增强系统，参见图8，包括：
第一空间转换模块，用于将待增强图像从RGB空间转换到HSV空间；
亮度校正模块，用于对V通道图像进行亮度校正；
第二空间转换模块，用于将亮度校正后的V通道图像和H通道图像、S通道图像进行合并，并从HSV空间转换回RGB空间，得到RGB空间的亮度校正图像；
图像增强模块，用于对RGB空间的亮度校正图像的G通道图像和B通道图像进行通道融合及增强，并与R通道图像进行合并，得到最终增强图像。
本发明方法在不同亮度内窥镜图像上进行了测试。举例说明本发明的方案的效果：图5(a)-图5(b)为待增强的图像A和图像B，图6(a)-图6(b)为其他算法处理后的图像A和图像B，图7(a)-图7(b)为本发明方法处理后的图像A和图像B。
可见，传统的增强方法会造成过度增强产生伪影和失真，使用本发明的方法对内窥镜图像进行处理，既能增强血管和组织的对比度，又能适用于各种亮度内窥镜图像保持图像的自然性，实现了更好的技术效果。
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 (10)
1.一种基于亮度校正和融合通道先验的图像增强方法，其特征在于，包括以下步骤：
将待增强图像从RGB空间转换到HSV空间；
对V通道图像进行亮度校正；
将亮度校正后的V通道图像和H通道图像、S通道图像进行合并，并从HSV空间转换回RGB空间，得到RGB空间的亮度校正图像；
对于RGB空间的亮度校正图像，对其G通道图像和B通道图像进行通道融合及增强，并与R通道图像进行合并，得到最终增强图像。
2.根据权利要求1所述的一种基于亮度校正和融合通道先验的图像增强方法，其特征在于，所述对V通道图像进行亮度校正的具体步骤为：
步骤2.1、将V通道图像的直方图进行象限划分；
步骤2.2、基于象限划分结果，对V通道图像进行亮暗分类，得到V通道图像的亮度类型；
步骤2.3、基于直方图象限划分结果以及V通道图像的亮度类型，确定待校正区间；
步骤2.4、对待校正区间的子直方图进行剪裁拉伸；
步骤2.5、对剪裁拉伸后的待校正区间的子直方图进行伽马校正，得到亮度校正后的V通道图像。
3.根据权利要求2所述的一种基于亮度校正和融合通道先验的图像增强方法，其特征在于，所述步骤2.1中，对V通道图像的直方图进行象限划分的方法为：
步骤2.1.1、获取象限划分阈值：
其中，imax和imin代表输入图像最大灰度值和最小灰度值，id和il是象限分割的两个阈值，分别表示暗阈值和亮阈值；
步骤2.1.2、依据象限划分阈值，将V通道图像的直方图划分为三个代表灰度值分布的子直方图hd(l)、hm(l)、hl(l)，其中hd(l)表示暗子直方图，hm(l)表示中等亮度子直方图，hd(l)表示亮子直方图。
4.根据权利要求3所述的一种基于亮度校正和融合通道先验的图像增强方法，其特征在于，所述步骤2.2中，对V通道图像进行亮暗分类的方法为：
CDFmax＝max(CDFd，max(CDFm，CDFl)) (4)
其中，CDFd为暗子直方图hd(l)像素数占V通道图像的直方图总像素数的比值，CDFm为中等亮度子直方图hm(l)像素数占V通道图像的直方图总像素数的比值，CDFl为亮子直方图hd(l)像素数占V通道图像的直方图总像素数的比值，CDFmax代表累计密度最大值；
若CDFmax等于CDFd，则V通道图像为暗图，若CDFmax等于CDFm，则V通道图像为中等亮度图，若CDFmax等于CDFl，则V通道图像为亮图。
5.根据权利要求4所述的一种基于亮度校正和融合通道先验的图像增强方法，其特征在于，所述步骤2.3中，确定待校正区间的方法为：
步骤2.3.1、基于V通道图像的亮度类型，确定横向切割阈值hcut：
步骤2.3.2、用横向阈值hcut切割V通道图像的直方图，得到待校正区间的阈值i1和i2，其中，i1代表待校正区间的低阈值，I2代表待校正区间的高阈值。
6.根据权利要求5所述的一种基于亮度校正和融合通道先验的图像增强方法，其特征在于，所述步骤2.4中，对待校正区间的子直方图进行剪裁拉伸的方法为：
确定裁剪阈值
用于剪裁待校正区间子直方图，得到被剪裁后新的待校正区间子直方图；对新的待校正区间子直方图通过重映射的方式进行拉伸。
7.根据权利要求6所述的一种基于亮度校正和融合通道先验的图像增强方法，其特征在于，所述步骤2.5中，进行伽马校正的方法为：
用裁剪后待校正区间的子直方图的累计密度作为伽马值，用拉伸后待校正区间的子直方图的阈值作为伽马校正的系数，进行伽马校正。
8.根据权利要求1所述的一种基于亮度校正和融合通道先验的图像增强方法，其特征在于，通道融合的具体步骤为：
对G通道图像和B通道图像进行分解，再分别对G通道图像、B通道图像的低频和高频进行融合，再经过逆小波变换得到通道融合后的图像F(i，j)。
9.根据权利要求8所述的一种基于亮度校正和融合通道先验的图像增强方法，其特征在于，对通道融合后的图像进行增强，图像增强的公式为：
其中，J(i，j)为增强后的图像；F(i，j)为通道融合后的图像，即待增强图像；t(i，j)为传输函数；A为一常数值。
10.一种基于亮度校正和融合通道先验的图像增强系统，其特征在于，包括：
第一空间转换模块，用于将待增强图像从RGB空间转换到HSV空间；
亮度校正模块，用于对V通道图像进行亮度校正；
第二空间转换模块，用于将亮度校正后的V通道图像和H通道图像、S通道图像进行合并，并从HSV空间转换回RGB空间，得到RGB空间的亮度校正图像；
图像增强模块，用于对RGB空间的亮度校正图像的G通道图像和B通道图像进行通道融合及增强，并与R通道图像进行合并，得到最终增强图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210204955.3A CN114627009A (zh) | 2022-03-02 | 2022-03-02 | 一种基于亮度校正和融合通道先验的图像增强方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210204955.3A CN114627009A (zh) | 2022-03-02 | 2022-03-02 | 一种基于亮度校正和融合通道先验的图像增强方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114627009A true CN114627009A (zh) | 2022-06-14 |
Family
ID=81899790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210204955.3A Pending CN114627009A (zh) | 2022-03-02 | 2022-03-02 | 一种基于亮度校正和融合通道先验的图像增强方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114627009A (zh) |
Cited By (4)
| 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 |
| CN116684630A (zh) * | 2023-05-18 | 2023-09-01 | 深圳深知未来智能有限公司 | 一种基于极轻量级Unet的动态范围压缩方法及系统 |
| CN116703798A (zh) * | 2023-08-08 | 2023-09-05 | 西南科技大学 | 基于自适应干扰抑制的食管多模态内镜图像增强融合方法 |
| CN118195980A (zh) * | 2024-05-11 | 2024-06-14 | 中国科学院长春光学精密机械与物理研究所 | 一种基于灰度变换的暗部细节增强方法 |
-
2022
- 2022-03-02 CN CN202210204955.3A patent/CN114627009A/zh active Pending
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 |
| CN116684630A (zh) * | 2023-05-18 | 2023-09-01 | 深圳深知未来智能有限公司 | 一种基于极轻量级Unet的动态范围压缩方法及系统 |
| CN116703798A (zh) * | 2023-08-08 | 2023-09-05 | 西南科技大学 | 基于自适应干扰抑制的食管多模态内镜图像增强融合方法 |
| CN116703798B (zh) * | 2023-08-08 | 2023-10-13 | 西南科技大学 | 基于自适应干扰抑制的食管多模态内镜图像增强融合方法 |
| CN118195980A (zh) * | 2024-05-11 | 2024-06-14 | 中国科学院长春光学精密机械与物理研究所 | 一种基于灰度变换的暗部细节增强方法 |
| CN118195980B (zh) * | 2024-05-11 | 2024-07-09 | 中国科学院长春光学精密机械与物理研究所 | 一种基于灰度变换的暗部细节增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114627009A (zh) | 一种基于亮度校正和融合通道先验的图像增强方法及系统 | |
| CN110232661B (zh) | 基于Retinex和卷积神经网络的低光照彩色图像增强方法 | |
| Parthasarathy et al. | An automated multi scale retinex with color restoration for image enhancement | |
| US9230304B2 (en) | Apparatus and method for enhancing image using color channel | |
| 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 | |
| CN101951523B (zh) | 一种自适应彩色图像处理方法及系统 | |
| KR100782845B1 (ko) | 비로그 도메인 조도 수정을 이용한 디지털 영상 개선방법과 시스템 | |
| Vonikakis et al. | Fast centre–surround contrast modification | |
| CN108288258B (zh) | 一种针对恶劣天气条件下的低质图像增强方法 | |
| US9396526B2 (en) | Method for improving image quality | |
| CN112734650A (zh) | 一种基于虚拟多曝光融合的不均匀光照图像增强方法 | |
| CN114529475B (zh) | 基于二维伽马校正和色调映射的图像增强方法及系统 | |
| CN103985097B (zh) | 一种非均匀照度的图像增强方法 | |
| CN104268843A (zh) | 基于直方图修饰的图像自适应增强方法 | |
| CN111968065B (zh) | 一种亮度不均匀图像的自适应增强方法 | |
| CN113989147A (zh) | 基于直方图均衡和改进反锐化掩模的内窥镜图像增强方法 | |
| CN104766285A (zh) | 一种水下降质图像的自适应增强方法 | |
| CN110111280B (zh) | 一种多尺度梯度域引导滤波的低照度图像增强方法 | |
| Bhandari et al. | Multi-exposure optimized contrast and brightness balance color image enhancement | |
| Zhu et al. | Image enhancement using fuzzy intensity measure and adaptive clipping histogram equalization | |
| KR102277005B1 (ko) | 비지도 학습을 이용한 저조도 영상 처리 방법 및 장치 | |
| CN117611467A (zh) | 一种能同时平衡不同区域细节和亮度的低光图像增强方法 | |
| Asari et al. | Nonlinear enhancement of extremely high contrast images for visibility improvement | |
| CN116416162A (zh) | 基于改进的msr和clahe的图像增强方法及系统 | |
| CN115018717B (zh) | 一种改进Retinex-Net低照度及暗视觉图像增强方法 |
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 |