CN114998159A - 一种设计图像自适应增强方法 - Google Patents
一种设计图像自适应增强方法 Download PDFInfo
- Publication number
- CN114998159A CN114998159A CN202210929628.4A CN202210929628A CN114998159A CN 114998159 A CN114998159 A CN 114998159A CN 202210929628 A CN202210929628 A CN 202210929628A CN 114998159 A CN114998159 A CN 114998159A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- category
- gray
- determining
- 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
Images
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10004—Still image; Photographic 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种设计图像自适应增强方法,该方法包括:获取灰度设计图像,对灰度设计图像进行区域划分;确定素材区域对应的绝对差异熵;确定素材区域对应的伪边缘倾向;对灰度设计图像中的像素点进行分类处理,得到像素点类别集合;确定像素点类别集合中的每个像素点类别中的像素点对应的两个抑制系数;确定像素点类别集合中的每个像素点类别中的像素点对应的增强系数;对像素点类别中的像素点的灰度值进行增强。本发明通过对灰度设计图像进行数据处理,可以提高灰度设计图像中的像素点对应的增强系数确定的准确度,进而可以减少增强后的灰度设计图像中伪边缘的数量,提高了图像增强效果。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种设计图像自适应增强方法。
背景技术
随着科学技术的发展,现代设计图像的方式越来越丰富,其中,现代常见的设计图像的方式为:从多个图像素材中裁剪出预先设置的区域,并将裁剪的多个区域拼接为一个新的图像。设计图像的图像素材往往由于多种原因,不能清晰的体现素材中的细节信息,从而导致设计出的图像往往难以达到原有的设计目的。因此,往往需要对设计出的图像进行图像增强。目前,在进行图像增强时,通常采用的方式为:利用灰度直方图均衡化,对图像进行增强。
然而,当采用上述方式时,经常会存在如下技术问题:
由于灰度直方图均衡化往往是按照图像的灰度值分布进行统计学上的图像增强,往往会导致增强后的图像生成较多的伪边缘,从而导致图像增强效果低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决图像增强效果低下的技术问题,本发明提出了一种设计图像自适应增强方法。
获取灰度设计图像,对所述灰度设计图像进行区域划分,得到素材区域集合;
根据所述素材区域集合中的每个素材区域中的像素点的灰度值,确定所述素材区域对应的绝对差异熵;
根据所述素材区域集合中的每个素材区域对应的绝对差异熵,确定所述素材区域对应的伪边缘倾向;
根据所述灰度设计图像中的像素点对应的灰度值,对所述灰度设计图像中的像素点进行分类处理,得到像素点类别集合;
根据所述像素点类别集合、所述素材区域集合、所述灰度设计图像和所述素材区域集合中的素材区域对应的伪边缘倾向,确定所述像素点类别集合中的每个像素点类别中的像素点对应的两个抑制系数;
根据所述像素点类别集合中的像素点类别中的像素点对应的灰度值和两个抑制系数,确定所述像素点类别集合中的每个像素点类别中的像素点对应的增强系数;
根据所述像素点类别集合中的每个像素点类别中的像素点对应的增强系数和灰度值,对所述像素点类别中的像素点的灰度值进行增强。
进一步的,所述根据所述素材区域集合中的每个素材区域中的像素点的灰度值,确定所述素材区域对应的绝对差异熵,包括:
将所述素材区域中的每个像素点对应的灰度值与所述像素点对应的多个邻域像素点中的每个邻域像素点对应的灰度值的差值的绝对值,确定为灰度差异,得到所述像素点对应的多个灰度差异;
将所述素材区域中的每个像素点对应的多个灰度差异的均值,确定为所述像素点对应的邻域绝对差异;
对所述素材区域中的每个像素点对应的邻域绝对差异进行归一化,得到所述像素点对应的邻域归一化差异;
根据所述素材区域中的像素点对应的邻域归一化差异,对所述素材区域中的像素点进行分级,得到所述素材区域对应的像素点级别集合;
根据所述素材区域对应的像素点级别集合和所述素材区域,确定所述素材区域对应的绝对差异熵。
进一步的,所述确定所述素材区域对应的绝对差异熵对应的公式为:
其中,H是所述素材区域对应的绝对差异熵,b是所述素材区域对应的像素点级别集合中的像素点级别的数量,a是所述素材区域对应的像素点级别集合中的像素点级别的序号,pa是所述素材区域对应的像素点级别集合中的第a个像素点级别中的像素点的数量与所述素材区域中的像素点的数量的比值,ln(pa)是以自然常数为底数的pa的对数。
进一步的,所述确定所述素材区域对应的伪边缘倾向对应的公式为:
其中,Q是所述素材区域对应的伪边缘倾向,H是所述素材区域对应的绝对差异熵。
进一步的,所述确定所述像素点类别集合中的每个像素点类别中的像素点对应的两个抑制系数对应的公式为:
其中,Em-1和Em+1是所述像素点类别集合中的第m个像素点类别中的像素点对应的两个抑制系数,K是所述素材区域集合中素材区域的数量,Pkm-1是第一次数与第二次数的比值,第一次数是所述像素点类别集合中的第m个像素点类别中的像素点与第m-1个像素点类别中的像素点在第k个素材区域内出现相邻的情况的次数,第二次数是第m个像素点类别中的像素点与第m-1个像素点类别中的像素点在所述灰度设计图像内出现相邻的情况的次数,Pkm+1是第三次数与第四次数的比值,第三次数是所述像素点类别集合中的第m个像素点类别中的像素点与第m+1个像素点类别中的像素点在第k个素材区域内出现相邻的情况的次数,第四次数是第m个像素点类别中的像素点与第m+1个像素点类别中的像素点在所述灰度设计图像内出现相邻的情况的次数,Qk是所述素材区域集合中的第k个素材区域对应的伪边缘倾向。
进一步的,所述根据所述像素点类别集合中的像素点类别中的像素点对应的灰度值和两个抑制系数,确定所述像素点类别集合中的每个像素点类别中的像素点对应的增强系数,包括:
根据所述像素点类别集合中的像素点类别中的像素点对应的灰度值,确定所述像素点类别集合中的每个像素点类别中的像素点对应的全局变换值;
根据所述像素点类别集合中的像素点类别中的像素点对应的全局变换值和两个抑制系数,确定所述像素点类别集合中的每个像素点类别中的像素点对应的增强系数。
进一步的,所述确定所述像素点类别集合中的每个像素点类别中的像素点对应的全局变换值对应的公式为:
其中,Gm是所述像素点类别集合中的第m个像素点类别中的像素点对应的全局变换值,gm是所述像素点类别集合中的第m个像素点类别中的像素点对应的灰度值,gmin是所述像素点类别集合中的像素点类别中的像素点对应的灰度值中最小的灰度值,gmax是所述像素点类别集合中的像素点类别中的像素点对应的灰度值中最大的灰度值。
进一步的,所述确定所述像素点类别集合中的每个像素点类别中的像素点对应的增强系数对应的公式为:
其中,g1 m是所述像素点类别集合中的第m个像素点类别中的像素点对应的增强系数,Em-1和Em+1是所述像素点类别集合中的第m个像素点类别中的像素点对应的两个抑制系数,Gm-1是所述像素点类别集合中的第m-1个像素点类别中的像素点对应的全局变换值,Gm+1是所述像素点类别集合中的第m+1个像素点类别中的像素点对应的全局变换值。
进一步的,所述根据所述像素点类别集合中的每个像素点类别中的像素点对应的增强系数和灰度值,对所述像素点类别中的像素点的灰度值进行增强,包括:
将所述像素点类别中的像素点对应的增强系数和灰度值的乘积,确定为所述像素点类别中的像素点对应的增强灰度值;
将所述像素点类别中的像素点对应的灰度值,更新为所述像素点类别中的像素点对应的增强灰度值。
进一步的,所述根据所述灰度设计图像中的像素点对应的灰度值,对所述灰度设计图像中的像素点进行分类处理,得到像素点类别集合,包括:
将所述灰度设计图像中对应的灰度值相同的像素点,组合为像素点组,得到多个像素点组;
根据所述多个像素点组中的像素点对应的灰度值,对所述多个像素点组进行排序,得到像素点组序列;
将所述像素点组序列中的像素点组中的像素点,划分到像素点类别,得到所述像素点类别集合,其中,所述像素点类别集合中像素点类别与所述像素点组序列中像素点组一一对应。
本发明具有如下有益效果:
本发明的一种设计图像自适应增强方法,通过对灰度设计图像进行数据处理,可以提高灰度设计图像中的像素点对应的增强系数确定的准确度,进而可以减少增强后的灰度设计图像中伪边缘的数量,提高了图像增强效果。首先,获取灰度设计图像,对上述灰度设计图像进行区域划分,得到素材区域集合。由于同一个素材区域中的像素点往往来源于同一个图像素材。不同图像素材的清晰度往往不同,需要增强的程度往往也不同,所以将灰度设计图像,按照来源,划分为素材区域集合,可以便于后续对素材区域集合中的各个素材区域进行分析,提高了对灰度设计图像中的像素点对应的增强系数确定的准确性。接着,根据上述素材区域集合中的每个素材区域中的像素点的灰度值,确定上述素材区域对应的绝对差异熵。然后,根据上述素材区域集合中的每个素材区域对应的绝对差异熵,确定上述素材区域对应的伪边缘倾向。由于素材区域对应的伪边缘倾向往往与素材区域中的像素点的灰度值有关,所以考虑素材区域中的像素点的灰度值,可以提高素材区域对应的绝对差异熵确定的准确度,进而可以提高素材区域对应的伪边缘倾向确定的准确度。继续,根据上述灰度设计图像中的像素点对应的灰度值,对上述灰度设计图像中的像素点进行分类处理,得到像素点类别集合。由于伪边缘的产生往往与相邻像素点的差异有关,所以得到像素点类别集合之后,可以便于了解灰度设计图像中的像素点的灰度值的情况。之后,根据上述像素点类别集合、上述素材区域集合、上述灰度设计图像和上述素材区域集合中的素材区域对应的伪边缘倾向,确定上述像素点类别集合中的每个像素点类别中的像素点对应的两个抑制系数。综合考虑了像素点类别集合、素材区域集合、灰度设计图像和素材区域集合中的素材区域对应的伪边缘倾向,可以提高像素点类别中的像素点对应的两个抑制系数确定的准确度。而后,根据上述像素点类别集合中的像素点类别中的像素点对应的灰度值和两个抑制系数,确定上述像素点类别集合中的每个像素点类别中的像素点对应的增强系数。综合考虑了像素点类别中的像素点对应的灰度值和两个抑制系数,可以提高像素点类别中的像素点对应的增强系数确定的准确度。最后,根据上述像素点类别集合中的每个像素点类别中的像素点对应的增强系数和灰度值,对上述像素点类别中的像素点的灰度值进行增强。因此,本发明通过对灰度设计图像进行数据处理,可以提高灰度设计图像中的像素点对应的增强系数确定的准确度,进而可以减少增强后的灰度设计图像中伪边缘的数量,提高了图像增强效果。
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为根据本发明的一种设计图像自适应增强方法的一些实施例的流程图;
图2为根据本发明的灰度设计图像示意图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了一种设计图像自适应增强方法,该方法包括以下步骤:
获取灰度设计图像,对灰度设计图像进行区域划分,得到素材区域集合;
根据素材区域集合中的每个素材区域中的像素点的灰度值,确定素材区域对应的绝对差异熵;
根据素材区域集合中的每个素材区域对应的绝对差异熵,确定素材区域对应的伪边缘倾向;
根据灰度设计图像中的像素点对应的灰度值,对灰度设计图像中的像素点进行分类处理,得到像素点类别集合;
根据像素点类别集合、素材区域集合、灰度设计图像和素材区域集合中的素材区域对应的伪边缘倾向,确定像素点类别集合中的每个像素点类别中的像素点对应的两个抑制系数;
根据像素点类别集合中的像素点类别中的像素点对应的灰度值和两个抑制系数,确定像素点类别集合中的每个像素点类别中的像素点对应的增强系数;
根据像素点类别集合中的每个像素点类别中的像素点对应的增强系数和灰度值,对像素点类别中的像素点的灰度值进行增强。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的一种设计图像自适应增强方法的一些实施例的流程。该设计图像自适应增强方法,包括以下步骤:
步骤S1,获取灰度设计图像,对灰度设计图像进行区域划分,得到素材区域集合。
在一些实施例中,可以获取灰度设计图像,对上述灰度设计图像进行区域划分,得到素材区域集合。
其中,上述灰度设计图像可以是从多个图像素材中裁剪拼接成的灰度图像。图像素材可以是灰度化后的图像。上述素材区域集合中的素材区域可以是从图像素材中裁剪的区域。
作为示例,如图2所示,可以将图像素材201中的图像区域204和图像素材202中图像区域205,裁剪出来,拼接成灰度设计图像203。其中,图像区域206和图像区域207可以是组成素材区域集合中的两个素材区域。
步骤S2,根据素材区域集合中的每个素材区域中的像素点的灰度值,确定素材区域对应的绝对差异熵。
在一些实施例中,可以根据上述素材区域集合中的每个素材区域中的像素点的灰度值,确定上述素材区域对应的绝对差异熵。
作为示例,本步骤可以包括以下步骤:
第一步,将上述素材区域中的每个像素点对应的灰度值与上述像素点对应的多个邻域像素点中的每个邻域像素点对应的灰度值的差值的绝对值,确定为灰度差异,得到上述像素点对应的多个灰度差异。
其中,像素点对应的多个邻域像素点中邻域像素点的数量可以与该像素点对应的多个灰度差异中灰度差异的数量相同。像素点对应的多个邻域像素点可以是该像素点对应的多个邻域中的像素点。例如,像素点对应的8个邻域像素点可以是该像素点的八邻域中的像素点。
第二步,将上述素材区域中的每个像素点对应的多个灰度差异的均值,确定为上述像素点对应的邻域绝对差异。
第三步,对上述素材区域中的每个像素点对应的邻域绝对差异进行归一化,得到上述像素点对应的邻域归一化差异。
例如,邻域归一化差异的取值范围可以是[0,1]。
第四步,根据上述素材区域中的像素点对应的邻域归一化差异,对上述素材区域中的像素点进行分级,得到上述素材区域对应的像素点级别集合。
例如,可以将素材区域中的像素点分成预设数目个像素点级别。即,该素材区域对应的像素点级别集合中的像素点级别的数量为上述预设数目。上述预设数目可以是10。
比如,可以将素材区域中的像素点分成2个像素点级别。其中,该素材区域对应的像素点级别集合中的第一个像素点级别中的像素点对应的邻域归一化差异可以在[0,0.5)内。该素材区域对应的像素点级别集合中的第二个像素点级别中的像素点对应的邻域归一化差异可以在[0.5,1]内。
第五步,根据上述素材区域对应的像素点级别集合和上述素材区域,确定上述素材区域对应的绝对差异熵。
例如,上述确定上述素材区域对应的绝对差异熵对应的公式可以为:
其中,H是所述素材区域对应的绝对差异熵,b是所述素材区域对应的像素点级别集合中的像素点级别的数量,a是所述素材区域对应的像素点级别集合中的像素点级别的序号,pa是所述素材区域对应的像素点级别集合中的第a个像素点级别中的像素点的数量与所述素材区域中的像素点的数量的比值,ln(pa)是以自然常数为底数的pa的对数。素材区域对应的绝对差异熵的取值范围可以是[0,1]。
像素点对应的邻域归一化差异可以表示该像素点与对应的多个邻域像素点之间的灰度值差异。素材区域中的各个像素点对应的邻域归一化差异的总的种数过大或过小时,该素材区域对应的伪边缘倾向往往越大。如,素材区域中的各个像素点对应的邻域归一化差异的总的种数过大时,往往说明该素材区域内的边缘多种多样,混乱复杂,实际情况中往往很难存在这种情况的边缘,此时,该素材区域中的像素点对应的邻域归一化差异的总的种数过大,往往可以倾向于噪声引起的,往往存在伪边缘的情况,此时,该素材区域对应的绝对差异熵往往趋近于1。如,素材区域中的各个像素点对应的邻域归一化差异的总的种数过小时,往往说明该素材区域内的边缘的种数过小,该素材区域内的灰度值变化往往十分规整,实际情况中往往很难存在这种情况的边缘,此时,该素材区域中的像素点对应的邻域归一化差异的总的种数过小,往往存在伪边缘的情况,此时,该素材区域对应的绝对差异熵往往趋近于0。因此,素材区域对应的绝对差异熵趋近于0与1之间时,往往存在伪边缘的概率会相对较小一些。素材区域对应的绝对差异熵越趋近于中间值0.5时,该素材区域内的边缘往往具有一定的信息,且分布并不混乱,存在伪边缘的概率往往越小。
步骤S3,根据素材区域集合中的每个素材区域对应的绝对差异熵,确定素材区域对应的伪边缘倾向。
在一些实施例中,可以根据上述素材区域集合中的每个素材区域对应的绝对差异熵,确定上述素材区域对应的伪边缘倾向。
作为示例,上述确定上述素材区域对应的伪边缘倾向对应的公式可以为:
其中,Q是所述素材区域对应的伪边缘倾向,H是所述素材区域对应的绝对差异熵。
素材区域对应的绝对差异熵越趋近于0或1时,该素材区域对应的伪边缘倾向往往越大,该素材区域内的像素点对应的灰度值往往越不可以被增强,容易产生更多的伪边缘。素材区域对应的绝对差异熵越趋近于0.5时,该素材区域对应的伪边缘倾向往往越小,该素材区域内的像素点对应的灰度值往往越可以被增强。
步骤S4,根据灰度设计图像中的像素点对应的灰度值,对灰度设计图像中的像素点进行分类处理,得到像素点类别集合。
在一些实施例中,可以根据上述灰度设计图像中的像素点对应的灰度值,对上述灰度设计图像中的像素点进行分类处理,得到像素点类别集合。
其中,上述像素点类别集合中的像素点类别可以是有序的。上述像素点类别集合中的像素点类别中的像素点对应的灰度值可以相同。上述像素点类别集合中相邻的两个像素点类别中的第一个像素点类别中的像素点的灰度值可以小于第二个像素点类别中的像素点的灰度值。
作为示例,本步骤可以包括以下步骤:
第一步,将上述灰度设计图像中对应的灰度值相同的像素点,组合为像素点组,得到多个像素点组。
例如,灰度设计图像中可以有灰度值为50、50和60的3个像素点,可以得到由2个灰度值为50的像素点组成的一个像素点组,由1个灰度值为60的像素点组成的一个像素点组。
第二步,根据上述多个像素点组中的像素点对应的灰度值,对上述多个像素点组进行排序,得到像素点组序列。
例如,上述多个像素点组可以分别是A、B和C。其中,像素点组A可以是灰度值为80的像素点组成的像素点组。像素点组B可以是灰度值为50的像素点组成的像素点组。像素点组C可以是灰度值为60的像素点组成的像素点组。对上述多个像素点组进行排序,得到的像素点组序列可以是{B,C,A}。
第三步,将上述像素点组序列中的像素点组中的像素点,划分到像素点类别,得到上述像素点类别集合。
其中,上述像素点类别集合中像素点类别可以与上述像素点组序列中像素点组一一对应。
例如,上述像素点组序列可以是{B,C,A}。其中,像素点组B可以是灰度值为50的像素点组成的像素点组。像素点组C可以是灰度值为60的像素点组成的像素点组。像素点组A可以是灰度值为80的像素点组成的像素点组。上述像素点类别集合可以是{X,Y,Z}。其中,像素点类别X中的像素点可以是像素点组B中的像素点。像素点类别Y中的像素点可以是像素点组C中的像素点。像素点类别Z中的像素点可以是像素点组A中的像素点。
步骤S5,根据像素点类别集合、素材区域集合、灰度设计图像和素材区域集合中的素材区域对应的伪边缘倾向,确定像素点类别集合中的每个像素点类别中的像素点对应的两个抑制系数。
在一些实施例中,可以根据上述像素点类别集合、上述素材区域集合、上述灰度设计图像和上述素材区域集合中的素材区域对应的伪边缘倾向,确定上述像素点类别集合中的每个像素点类别中的像素点对应的两个抑制系数。
作为示例,上述确定上述像素点类别集合中的每个像素点类别中的像素点对应的两个抑制系数对应的公式可以为:
其中,Em-1和Em+1是所述像素点类别集合中的第m个像素点类别中的像素点对应的两个抑制系数,K是所述素材区域集合中素材区域的数量,Pkm-1是第一次数与第二次数的比值,第一次数是所述像素点类别集合中的第m个像素点类别中的像素点与第m-1个像素点类别中的像素点在第k个素材区域内出现相邻的情况的次数,第二次数是第m个像素点类别中的像素点与第m-1个像素点类别中的像素点在所述灰度设计图像内出现相邻的情况的次数,Pkm+1是第三次数与第四次数的比值,第三次数是所述像素点类别集合中的第m个像素点类别中的像素点与第m+1个像素点类别中的像素点在第k个素材区域内出现相邻的情况的次数,第四次数是第m个像素点类别中的像素点与第m+1个像素点类别中的像素点在所述灰度设计图像内出现相邻的情况的次数,Qk是所述素材区域集合中的第k个素材区域对应的伪边缘倾向。
其中,两个像素点在素材区域或灰度设计图像内出现相邻的情况可以是这两个像素点中的一个像素点为另一个像素点的邻域像素点的情况。
例如,在第k个素材区域内可以有像素点V、像素点J、像素点v和像素点j。其中,像素点V和像素点J可以属于第m个像素点类别。像素点v和像素点j可以属于第m-1个像素点类别。像素点v和像素点j可以均是像素点V的邻域像素点。像素点v和像素点j可以均不是像素点J的邻域像素点。由于第m个像素点类别中的像素点与第m-1个像素点类别中的像素点在第k个素材区域内出现互为邻域像素点的情况包括:第m-1个像素点类别中的像素点v是第m个像素点类别中的像素点V的邻域像素点,第m-1个像素点类别中的像素点j是第m个像素点类别中的像素点V的邻域像素点。第m个像素点类别中的像素点J与第m-1个像素点类别中的像素点均不互为邻域像素点。所以第m个像素点类别中的像素点与第m-1个像素点类别中的像素点在第k个素材区域内出现相邻的情况的次数可以是两次。
由于上述像素点类别集合中的第一个像素点类别和最后一个像素点类别中的像素点对应的灰度值分别是灰度设计图像中的像素点对应的灰度值中最小的灰度值和最大的灰度值,往往不需要进行灰度值更新。所以本步骤不需要确定上述像素点类别集合中的第一个像素点类别和最后一个像素点类别中的像素点对应的两个抑制系数。
实际情况中,像素点类别集合中相邻两个像素点类别中的像素点在素材区域内出现相邻的情况的次数与相邻两个像素点类别中的像素点在灰度设计图像内出现相邻的情况的次数的比值越大,往往说明相邻两个像素点类别中的像素点出现相邻的情况越多,往往说明相邻两个像素点类别中的像素点对应的灰度值之间的差距不应该被拉大,所以往往不可以只增强这相邻两个像素点类别中的一个像素点类别中的像素点对应的灰度值,此时如果拉大相邻两个像素点类别中的像素点对应的灰度值之间的差距,往往会产生伪边缘。
步骤S6,根据像素点类别集合中的像素点类别中的像素点对应的灰度值和两个抑制系数,确定像素点类别集合中的每个像素点类别中的像素点对应的增强系数。
在一些实施例中,可以根据上述像素点类别集合中的像素点类别中的像素点对应的灰度值和两个抑制系数,确定上述像素点类别集合中的每个像素点类别中的像素点对应的增强系数。
作为示例,本步骤可以包括以下步骤:
其中,Gm是所述像素点类别集合中的第m个像素点类别中的像素点对应的全局变换值,gm是所述像素点类别集合中的第m个像素点类别中的像素点对应的灰度值,gmin是所述像素点类别集合中的像素点类别中的像素点对应的灰度值中最小的灰度值,gmax是所述像素点类别集合中的像素点类别中的像素点对应的灰度值中最大的灰度值。
其中,上述像素点类别集合中的像素点类别中的像素点对应的灰度值中最小的灰度值可以是灰度设计图像中的各个像素点对应的灰度值中最小的灰度值。上述像素点类别集合中的像素点类别中的像素点对应的灰度值中最大的灰度值可以是灰度设计图像中的各个像素点对应的灰度值中最大的灰度值。
像素点对应的全局变换值可以是对该像素点对应的灰度值进行初步增强后得到的灰度值。
第二步,根据上述像素点类别集合中的像素点类别中的像素点对应的全局变换值和两个抑制系数,确定上述像素点类别集合中的每个像素点类别中的像素点对应的增强系数。
例如,上述确定上述像素点类别集合中的每个像素点类别中的像素点对应的增强系数对应的公式可以为:
其中,g1 m是所述像素点类别集合中的第m个像素点类别中的像素点对应的增强系数,Em-1和Em+1是所述像素点类别集合中的第m个像素点类别中的像素点对应的两个抑制系数,Gm-1是所述像素点类别集合中的第m-1个像素点类别中的像素点对应的全局变换值,Gm+1是所述像素点类别集合中的第m+1个像素点类别中的像素点对应的全局变换值。
步骤S7,根据像素点类别集合中的每个像素点类别中的像素点对应的增强系数和灰度值,对像素点类别中的像素点的灰度值进行增强。
在一些实施例中,可以根据上述像素点类别集合中的每个像素点类别中的像素点对应的增强系数和灰度值,对上述像素点类别中的像素点的灰度值进行增强。
作为示例,本步骤可以包括以下步骤:
第一步,将上述像素点类别中的像素点对应的增强系数和灰度值的乘积,确定为上述像素点类别中的像素点对应的增强灰度值。
第二步,将上述像素点类别中的像素点对应的灰度值,更新为上述像素点类别中的像素点对应的增强灰度值。
本发明的一种设计图像自适应增强方法,通过对灰度设计图像进行数据处理,可以提高灰度设计图像中的像素点对应的增强系数确定的准确度,进而可以减少增强后的灰度设计图像中伪边缘的数量,提高了图像增强效果。首先,获取灰度设计图像,对上述灰度设计图像进行区域划分,得到素材区域集合。由于同一个素材区域中的像素点往往来源于同一个图像素材。不同图像素材的清晰度往往不同,需要增强的程度往往也不同,所以将灰度设计图像,按照来源,划分为素材区域集合,可以便于后续对素材区域集合中的各个素材区域进行分析,提高了对灰度设计图像中的像素点对应的增强系数确定的准确性。接着,根据上述素材区域集合中的每个素材区域中的像素点的灰度值,确定上述素材区域对应的绝对差异熵。然后,根据上述素材区域集合中的每个素材区域对应的绝对差异熵,确定上述素材区域对应的伪边缘倾向。由于素材区域对应的伪边缘倾向往往与素材区域中的像素点的灰度值有关,所以考虑素材区域中的像素点的灰度值,可以提高素材区域对应的绝对差异熵确定的准确度,进而可以提高素材区域对应的伪边缘倾向确定的准确度。继续,根据上述灰度设计图像中的像素点对应的灰度值,对上述灰度设计图像中的像素点进行分类处理,得到像素点类别集合。由于伪边缘的产生往往与相邻像素点的差异有关,所以得到像素点类别集合之后,可以便于了解灰度设计图像中的像素点的灰度值的情况。之后,根据上述像素点类别集合、上述素材区域集合、上述灰度设计图像和上述素材区域集合中的素材区域对应的伪边缘倾向,确定上述像素点类别集合中的每个像素点类别中的像素点对应的两个抑制系数。综合考虑了像素点类别集合、素材区域集合、灰度设计图像和素材区域集合中的素材区域对应的伪边缘倾向,可以提高像素点类别中的像素点对应的两个抑制系数确定的准确度。而后,根据上述像素点类别集合中的像素点类别中的像素点对应的灰度值和两个抑制系数,确定上述像素点类别集合中的每个像素点类别中的像素点对应的增强系数。综合考虑了像素点类别中的像素点对应的灰度值和两个抑制系数,可以提高像素点类别中的像素点对应的增强系数确定的准确度。最后,根据上述像素点类别集合中的每个像素点类别中的像素点对应的增强系数和灰度值,对上述像素点类别中的像素点的灰度值进行增强。因此,本发明通过对灰度设计图像进行数据处理,可以提高灰度设计图像中的像素点对应的增强系数确定的准确度,进而可以减少增强后的灰度设计图像中伪边缘的数量,提高了图像增强效果。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种设计图像自适应增强方法,其特征在于,包括以下步骤:
获取灰度设计图像,对所述灰度设计图像进行区域划分,得到素材区域集合;
根据所述素材区域集合中的每个素材区域中的像素点的灰度值,确定所述素材区域对应的绝对差异熵;
根据所述素材区域集合中的每个素材区域对应的绝对差异熵,确定所述素材区域对应的伪边缘倾向;
根据所述灰度设计图像中的像素点对应的灰度值,对所述灰度设计图像中的像素点进行分类处理,得到像素点类别集合;
根据所述像素点类别集合、所述素材区域集合、所述灰度设计图像和所述素材区域集合中的素材区域对应的伪边缘倾向,确定所述像素点类别集合中的每个像素点类别中的像素点对应的两个抑制系数;
根据所述像素点类别集合中的像素点类别中的像素点对应的灰度值和两个抑制系数,确定所述像素点类别集合中的每个像素点类别中的像素点对应的增强系数;
根据所述像素点类别集合中的每个像素点类别中的像素点对应的增强系数和灰度值,对所述像素点类别中的像素点的灰度值进行增强。
2.根据权利要求1所述的方法,其特征在于,所述根据所述素材区域集合中的每个素材区域中的像素点的灰度值,确定所述素材区域对应的绝对差异熵,包括:
将所述素材区域中的每个像素点对应的灰度值与所述像素点对应的多个邻域像素点中的每个邻域像素点对应的灰度值的差值的绝对值,确定为灰度差异,得到所述像素点对应的多个灰度差异;
将所述素材区域中的每个像素点对应的多个灰度差异的均值,确定为所述像素点对应的邻域绝对差异;
对所述素材区域中的每个像素点对应的邻域绝对差异进行归一化,得到所述像素点对应的邻域归一化差异;
根据所述素材区域中的像素点对应的邻域归一化差异,对所述素材区域中的像素点进行分级,得到所述素材区域对应的像素点级别集合;
根据所述素材区域对应的像素点级别集合和所述素材区域,确定所述素材区域对应的绝对差异熵。
5.根据权利要求1所述的方法,其特征在于,所述确定所述像素点类别集合中的每个像素点类别中的像素点对应的两个抑制系数对应的公式为:
其中,Em-1和Em+1是所述像素点类别集合中的第m个像素点类别中的像素点对应的两个抑制系数,K是所述素材区域集合中素材区域的数量,Pkm-1是第一次数与第二次数的比值,第一次数是所述像素点类别集合中的第m个像素点类别中的像素点与第m-1个像素点类别中的像素点在第k个素材区域内出现相邻的情况的次数,第二次数是第m个像素点类别中的像素点与第m-1个像素点类别中的像素点在所述灰度设计图像内出现相邻的情况的次数,Pkm+1是第三次数与第四次数的比值,第三次数是所述像素点类别集合中的第m个像素点类别中的像素点与第m+1个像素点类别中的像素点在第k个素材区域内出现相邻的情况的次数,第四次数是第m个像素点类别中的像素点与第m+1个像素点类别中的像素点在所述灰度设计图像内出现相邻的情况的次数,Qk是所述素材区域集合中的第k个素材区域对应的伪边缘倾向。
6.根据权利要求1所述的方法,其特征在于,所述根据所述像素点类别集合中的像素点类别中的像素点对应的灰度值和两个抑制系数,确定所述像素点类别集合中的每个像素点类别中的像素点对应的增强系数,包括:
根据所述像素点类别集合中的像素点类别中的像素点对应的灰度值,确定所述像素点类别集合中的每个像素点类别中的像素点对应的全局变换值;
根据所述像素点类别集合中的像素点类别中的像素点对应的全局变换值和两个抑制系数,确定所述像素点类别集合中的每个像素点类别中的像素点对应的增强系数。
9.根据权利要求1所述的方法,其特征在于,所述根据所述像素点类别集合中的每个像素点类别中的像素点对应的增强系数和灰度值,对所述像素点类别中的像素点的灰度值进行增强,包括:
将所述像素点类别中的像素点对应的增强系数和灰度值的乘积,确定为所述像素点类别中的像素点对应的增强灰度值;
将所述像素点类别中的像素点对应的灰度值,更新为所述像素点类别中的像素点对应的增强灰度值。
10.根据权利要求1所述的方法,其特征在于,所述根据所述灰度设计图像中的像素点对应的灰度值,对所述灰度设计图像中的像素点进行分类处理,得到像素点类别集合,包括:
将所述灰度设计图像中对应的灰度值相同的像素点,组合为像素点组,得到多个像素点组;
根据所述多个像素点组中的像素点对应的灰度值,对所述多个像素点组进行排序,得到像素点组序列;
将所述像素点组序列中的像素点组中的像素点,划分到像素点类别,得到所述像素点类别集合,其中,所述像素点类别集合中像素点类别与所述像素点组序列中像素点组一一对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210929628.4A CN114998159B (zh) | 2022-08-04 | 2022-08-04 | 一种设计图像自适应增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210929628.4A CN114998159B (zh) | 2022-08-04 | 2022-08-04 | 一种设计图像自适应增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998159A true CN114998159A (zh) | 2022-09-02 |
CN114998159B CN114998159B (zh) | 2022-10-28 |
Family
ID=83021495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210929628.4A Active CN114998159B (zh) | 2022-08-04 | 2022-08-04 | 一种设计图像自适应增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998159B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156921A (zh) * | 2014-08-08 | 2014-11-19 | 大连理工大学 | 一种低照度或亮度不均图像的自适应图像增强方法 |
US9143706B2 (en) * | 2001-06-06 | 2015-09-22 | Andrew Zador | Imaging system utilizing spatial image oscillation |
CN106408535A (zh) * | 2016-09-18 | 2017-02-15 | 福州大学 | 一种基于子行驱动灰度调制显示系统的图像增强方法 |
CN107203982A (zh) * | 2017-06-26 | 2017-09-26 | 郑州云海信息技术有限公司 | 一种图像处理方法及装置 |
CN107818303A (zh) * | 2017-10-23 | 2018-03-20 | 中石化石油工程地球物理有限公司 | 无人机油气管线影像自动对比分析方法、系统及软件存储器 |
CN109753978A (zh) * | 2017-11-01 | 2019-05-14 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置以及计算机可读存储介质 |
CN110428379A (zh) * | 2019-07-29 | 2019-11-08 | 慧视江山科技(北京)有限公司 | 一种图像灰度增强方法及系统 |
CN111417015A (zh) * | 2020-04-22 | 2020-07-14 | 永城职业学院 | 一种计算机视频合成的方法 |
CN112258380A (zh) * | 2019-07-02 | 2021-01-22 | 北京小米移动软件有限公司 | 图像处理方法、装置、设备及存储介质 |
CN112464948A (zh) * | 2020-11-11 | 2021-03-09 | 常州码库数据科技有限公司 | 一种基于仿生学的自然场景目标轮廓提取方法及系统 |
US20210174762A1 (en) * | 2017-05-22 | 2021-06-10 | Boe Technology Group Co., Ltd. | A method for reducing brightness of images, a data-processing apparatus, and a display apparatus |
CN114298935A (zh) * | 2021-12-27 | 2022-04-08 | 重庆港宇高科技开发有限公司 | 图像增强方法、装置及计算机可读存储介质 |
CN114372925A (zh) * | 2021-12-15 | 2022-04-19 | 深圳市贝斯达医疗股份有限公司 | 医学图像的处理方法及装置 |
-
2022
- 2022-08-04 CN CN202210929628.4A patent/CN114998159B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9143706B2 (en) * | 2001-06-06 | 2015-09-22 | Andrew Zador | Imaging system utilizing spatial image oscillation |
CN104156921A (zh) * | 2014-08-08 | 2014-11-19 | 大连理工大学 | 一种低照度或亮度不均图像的自适应图像增强方法 |
CN106408535A (zh) * | 2016-09-18 | 2017-02-15 | 福州大学 | 一种基于子行驱动灰度调制显示系统的图像增强方法 |
US20210174762A1 (en) * | 2017-05-22 | 2021-06-10 | Boe Technology Group Co., Ltd. | A method for reducing brightness of images, a data-processing apparatus, and a display apparatus |
CN107203982A (zh) * | 2017-06-26 | 2017-09-26 | 郑州云海信息技术有限公司 | 一种图像处理方法及装置 |
CN107818303A (zh) * | 2017-10-23 | 2018-03-20 | 中石化石油工程地球物理有限公司 | 无人机油气管线影像自动对比分析方法、系统及软件存储器 |
US20200250497A1 (en) * | 2017-11-01 | 2020-08-06 | Tencent Technology (Shenzhen) Company Limited | Image classification method, server, and computer-readable storage medium |
CN109753978A (zh) * | 2017-11-01 | 2019-05-14 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置以及计算机可读存储介质 |
CN112258380A (zh) * | 2019-07-02 | 2021-01-22 | 北京小米移动软件有限公司 | 图像处理方法、装置、设备及存储介质 |
CN110428379A (zh) * | 2019-07-29 | 2019-11-08 | 慧视江山科技(北京)有限公司 | 一种图像灰度增强方法及系统 |
CN111417015A (zh) * | 2020-04-22 | 2020-07-14 | 永城职业学院 | 一种计算机视频合成的方法 |
CN112464948A (zh) * | 2020-11-11 | 2021-03-09 | 常州码库数据科技有限公司 | 一种基于仿生学的自然场景目标轮廓提取方法及系统 |
CN114372925A (zh) * | 2021-12-15 | 2022-04-19 | 深圳市贝斯达医疗股份有限公司 | 医学图像的处理方法及装置 |
CN114298935A (zh) * | 2021-12-27 | 2022-04-08 | 重庆港宇高科技开发有限公司 | 图像增强方法、装置及计算机可读存储介质 |
Non-Patent Citations (5)
Title |
---|
GOPINATH PALANISAMY 等: "A hybrid feature preservation technique based on luminosity and edge based contrast enhancement in color fundus images", 《BIOCYBERNETICS AND BIOMEDICAL ENGINEERING》 * |
MING-HUI ZHANG 等: "The Application of Adaptive Enhancement Algorithm Based on Gray Entropy in Mammary Gland CR Image", 《2012 2ND INTERNATIONAL CONFERENCE ON CONSUMER ELECTRONICS, COMMUNICATIONS AND NETWORKS (CECNET)》 * |
代少升 等: "基于侧抑制系数的红外图像细节增强算法", 《重庆邮电大学学报(自然科学版)》 * |
杨波 等: "基于改进模糊算法和相对熵的遥感图像增强", 《激光杂志》 * |
赵艳妮 等: "基于模糊熵的数字图像局部自适应增强算法", 《计算机仿真》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114998159B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109154988B (zh) | 级联卷积神经网络 | |
JP4667062B2 (ja) | 画像解析装置、画像解析方法、及びブロブ識別装置 | |
US9384411B2 (en) | Image processor with edge-preserving noise suppression functionality | |
US7171042B2 (en) | System and method for classification of images and videos | |
US7567709B2 (en) | Segmentation, including classification and binarization of character regions | |
CN115689948B (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN113989290A (zh) | 一种基于U-Net的皱纹分割方法 | |
CN111080723B (zh) | 基于Unet网络的图像元素分割方法 | |
CN116797913A (zh) | 一种图像质量评价方法、装置、电子设备及存储介质 | |
CN114998159B (zh) | 一种设计图像自适应增强方法 | |
JP2783351B2 (ja) | 映像信号のインパルスノイズ除去方法及び装置 | |
CN112861803A (zh) | 一种图像识别方法、装置、服务器以及计算机可读存储介质 | |
CN114399440B (zh) | 图像处理方法、图像处理网络训练方法、装置及电子设备 | |
CN111931572B (zh) | 一种遥感影像的目标检测方法 | |
CN111223112B (zh) | 基于图像均值漂移和水平集方法的图像分割方法 | |
CN112966757A (zh) | 训练样本的扩展方法、装置、存储介质及设备 | |
CN111563865A (zh) | 消费类电子产品的亮度保持的图像细节增强方法及装置 | |
Gao et al. | Identifying image spam authorship with variable bin-width histogram-based projective clustering | |
CN110826564A (zh) | 一种复杂场景图像中的小目标语义分割方法及系统 | |
Chehdi et al. | A blind system to identify and filter degradations affecting an image | |
CN112417177B (zh) | 一种基于调研数据的知识图谱构建方法 | |
Lee et al. | Neural-network-based impulse noise removal using group-based weighted couple sparse representation | |
CN117911437A (zh) | 一种改进YOLOv5x的荞麦籽粒粘连分割方法 | |
CN114758167A (zh) | 一种基于自适应对比学习的菜品识别方法 | |
Enginoğlu et al. | Exponentially weighted mean filter for salt-and-pepper noise removal |
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 |