CN115049561B - 基于非理想光照图像的真实影像再现方法 - Google Patents
基于非理想光照图像的真实影像再现方法 Download PDFInfo
- Publication number
- CN115049561B CN115049561B CN202210756998.2A CN202210756998A CN115049561B CN 115049561 B CN115049561 B CN 115049561B CN 202210756998 A CN202210756998 A CN 202210756998A CN 115049561 B CN115049561 B CN 115049561B
- Authority
- CN
- China
- Prior art keywords
- component
- image
- brightness
- ambient light
- value
- 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.)
- Active
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012937 correction Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 11
- 208000003098 Ganglion Cysts Diseases 0.000 claims description 9
- 208000005400 Synovial Cyst Diseases 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 210000004027 cell Anatomy 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000013507 mapping Methods 0.000 description 7
- 230000009977 dual effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 210000000239 visual pathway Anatomy 0.000 description 6
- 230000004400 visual pathway Effects 0.000 description 6
- 230000003042 antagnostic effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000001629 suppression Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008844 regulatory mechanism Effects 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 230000002207 retinal effect Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000002964 excitative effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于非理想光照图像的真实影像再现方法，包括：获取原始图像并转换至HSV颜色空间，得到亮度分量；对亮度分量进行亮度调整得到第一亮度分量；对第一亮度分量进行细节增强得到第二亮度分量；计算第二亮度分量的对数值，并代入迭代模型；根据迭代输出结果，得到环境光照射分量的对数值，根据环境光照射分量的对数值得到环境光照射分量；根据第二亮度分量的对数值和环境光照射分量的对数值计算物体的反射分量的对数值，根据物体的反射分量的对数值得到物体的反射分量；根据环境光照射分量和物体的反射分量计算第三亮度分量；将第三亮度分量与色度分量转换至RGB颜色空间得到修正图像，实现对非理想光照图像的真实影像再现。
Description
技术领域
本发明涉及图像处理领域，更具体地，涉及一种基于非理想光照图像的真实影像再现方法。
背景技术
在采集图像的过程中，光照环境相对较差、被拍摄物体表面反光或其他的一些原因都会引起图像整体或者是部分的光照不均，不均匀的照明会降低采集到图像的对比度和信噪比，导致图像的照度分布呈现高动态范围(HDR)。
在现有技术中，通常采用Retinex算法对高动态非理想光照图像进行处理，Retinex算法包括随机路径Retinex算法、基于迭代的Retinex算法、视网膜感受野中心/环绕Retinex算法(Center-Surround Retinex，CSR)、多尺度Retinex算法(Multi-ScaleRetinex，MSR)、基于变分模型的Retinex算法，将这些算法分为两类：基于路径模型的算法和基于中央周边模型的算法，路径的选法对基于路径模型的算法影响很大、所需的参数较多、不同的图像对这些参数也比较敏感，因此基于路径模型的算法方向依赖性较大、计算量大、易于产生噪声，会导致处理后的图像出现光晕、伪影等缺点；参数(高斯核、系数等)选取对基于中央周边模型的算法的处理结果影响很大，易出现光晕或者过曝的现象，细节保留较差。
因此，提出一种能够模拟人眼视觉，真实地再现对外界场景的色彩感知、保留轮廓与细节信息、提供符合机器视觉特性的理想图像的基于非理想光照图像的真实影像再现方法是亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种基于非理想光照图像的真实影像再现方法，包括：
获取原始图像；
将所述原始图像转换至HSV颜色空间，得到亮度分量和色度分量；
对所述亮度分量进行亮度调整得到第一亮度分量；
对所述第一亮度分量进行细节增强得到第二亮度分量；
计算所述第二亮度分量的对数值，并代入迭代模型，所述迭代模型按照以下方式进行计算：
其中，(ln+1，bn+1)为所述迭代模型的迭代输出结果，为保真项，∫Ω|b|p(x)dx为迭代误差设计项，为假设误差项，λ和γ均取0.1，n为迭代次数，t和b均为迭代参数；
根据所述迭代输出结果，得到环境光照射分量的对数值，根据所述环境光照射分量的对数值得到所述环境光照射分量；
根据所述第二亮度分量的对数值和所述环境光照射分量的对数值计算物体的反射分量的对数值，根据所述物体的反射分量的对数值得到所述物体的反射分量；
判断所述物体的反射分量是否过度增强，包括：
若没有过度增强，根据所述环境光照射分量和所述物体的反射分量计算第三亮度分量；
将所述第三亮度分量与所述色度分量转换至RGB颜色空间得到修正图像。
优选地，所述判断所述物体的反射分量是否过度增强，还包括：
若过度增强，对所述环境光照射分量进行伽马校正，根据校正后的所述环境光照射分量和所述物体的反射分量计算所述第三亮度分量。
优选地，所述对所述环境光照射分量进行伽马校正，按照以下方式进行计算：
其中，L′为校正后的环境光照射分量，L为所述环境光照射分量，W为白色像素的值，S为校正参数。
优选地，所述对所述亮度分量进行亮度调整得到第一亮度分量，按照以下方式进行计算：
其中，V′(x，y)为所述第一亮度分量，V(x，y)为所述亮度分量，vmax为输出最大值，取255，k为第一修正参数，c为第二修正参数。
优选地，所述第一修正参数和所述第二修正参数按照以下方式进行计算：
其中，Ca为灰度级为a的像素累积分布百分比，Cb为灰度级为b的像素累积分布百分比，T1为所述原始图像的第一明暗统计阈值，T2为所述原始图像的第二明暗统计阈值。
优选地，在所述对所述亮度分量进行亮度调整得到第一亮度分量后，还包括：
将所述第一亮度分量与所述色度分量转换至所述RGB颜色空间得到第一图像，计算所述第一图像的像素均值，根据所述像素均值调节所述第二修正参数。
优选地，所述根据所述像素均值调节所述第二修正参数，按照以下方式进行计算：
其中，c′是修正后的第二修正参数，为所述像素均值，H1为所述第一图像的明暗界定阈值。
优选地，所述对所述第一亮度分量进行细节增强得到第二亮度分量，包括：将每个所述第一亮度分量中的每个像素的像素值均输入细节增强模型进行处理，得到所述第二亮度分量。
优选地，所述细节增强模型按照以下方式计算：
其中，为神经节细胞的中心区开启兴奋值，为神经节细胞的环绕区开启兴奋值，rq为共q个感受器受到相互抑制作用时的脉冲发放，eq为第q个感受器单独受到光照时的脉冲发放，ej为第j个感受器单独受到光照时的脉冲发放，m为共m个感受器。
优选地，所述第三亮度分量＝所述物体的反射分量×所述环境光照射分量。
与现有技术相比，本发明提供的基于非理想光照图像的真实影像再现方法，至少实现了如下的有益效果：
获取原始图像，将原始图像转换至HSV颜色空间，得到亮度分量和色度分量，色度分量包括色调分量和饱和度分量，将原始图像的格式转换为HSV图像模式，由于HSV颜色空间的彩色相关性较小，能够对较好地分离出亮度分量、饱和度分量和色调分量；对亮度分量进行亮度调整得到第一亮度分量，对第一亮度分量进行细节增强得到第二亮度分量，即对原始图像进行自适应预处理；计算第二亮度分量的对数值，并代入迭代模型，第二亮度分量也是图像数据，计算第二亮度分量的对数值就是计算图像数据的对数值；根据迭代输出结果，得到环境光照射分量的对数值，根据环境光照射分量的对数值得到环境光照射分量，由于人眼得到的图像数据取决于入射光和物体表面对入射光的反射，可以将图像数据、物体的反射分量和环境光照射分量三者建立联系，已知环境光照射分量和图像数据，可根据第二亮度分量的对数值和环境光照射分量的对数值计算物体的反射分量的对数值，根据物体的反射分量的对数值得到物体的反射分量；再判断物体的反射分量是否过度增强，若没有过度增强，根据环境光照射分量和物体的反射分量计算第三亮度分量，第三亮度分量即已经修正处理后的图像数据，将第三亮度分量与色度分量转换至RGB颜色空间得到修正图像，实现对非理想光照图像的真实影像再现。
当然，实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是本发明提供的基于非理想光照图像的真实影像再现方法的一种流程图；
图2是非理想光照的一种图像；
图3是图2的修正图像；
图4是非理想光照的另一种图像；
图5是图4的修正图像；
图6是本发明提供的基于非理想光照图像的真实影像再现方法的另一种流程图；
图7为不同参数组合的适应曲线；
图8是本发明提供的一种双拮抗神经网络示意图；
图9是本发明提供的另一种双拮抗神经网络示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
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讨论。
参照图1至图5，图1是本发明提供的基于非理想光照图像的真实影像再现方法的一种流程图，图2是非理想光照的一种图像，图3是图2的修正图像，图4是非理想光照的另一种图像，图5是图4的修正图像，本实施例提供的基于非理想光照图像的真实影像再现方法，包括：
S101：获取原始图像；
在步骤S101中，原始图像为不均匀光照下采集到的图像，即非理想光照图像。
S102：将原始图像转换至HSV颜色空间，得到亮度分量V和色度分量C；
在步骤S102中，原始图像的格式可能为HSV图像模式，但原始图像的格式通常为RGB图像模式，考虑到RGB颜色空间的色彩相关性较高，将原始图像从RGB颜色空间转换至HSV颜色空间，能够有效地分离出亮度分量V和色度分量C，色度分量C包括饱和度分量S和色调分量H，保持色度分量C不变，通过对亮度分量V进行处理，有助于对原始图像进行修正，亮度分量V属于图像数据。
S103：对亮度分量V进行亮度调整得到第一亮度分量V1；
S104：对第一亮度分量V1进行细节增强得到第二亮度分量V2；
具体的，在步骤S103和步骤S104中，是对原始图像进行预处理的阶段，首先对降质图像采用修正的TAN函数实现全局亮度的自适应映射，然后采用通过向非循环侧抑制方程引入中心兴奋/抑制因子而改进的视网膜ON/OFF双拮抗响应模型，增强图像的局部细节。
S105：计算第二亮度分量V2的对数值，并代入迭代模型，迭代模型按照以下方式进行计算：
其中，(ln+1，bn+1)为所述迭代模型的迭代输出结果，为保真项，∫Ω|b|p(x)dx为迭代误差设计项，为假设误差项，λ和γ均取0.1，n为迭代次数，t和b均为迭代参数；
在步骤S105中，迭代模型按照以下方式进行计算：
Retinex系列算法是一种基于人类视觉的亮度和颜色感知的模型，取名自retina(视网膜)+cortex(皮层)→Retinex。Retinex理论主要包含了两个方面的内容：物体的颜色是由物体对长波、中波和短波光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均性的影响，具有一致性。
人眼得到的图像数据取决于入射光和物体表面对入射光的反射，具体的，先是由入射光照射，然后经由物体反射进入成像系统，最终形成我们所看到的图像，该过程可以用公式表示为：
I＝R·L；
其中，I代表观察或照相机接收到的图像数据；L代表环境光的照射分量；R表示携带图像细节信息的目标物体的反射分量，将该式子两边取对数，可以得到物体原本的信息：
log(R)＝log(I)-log(L)；
在处理过程中，L常为I经过某种滤波后的结果。
对于彩色图像，我们简单地将颜色映射到HSV(hue，saturation，value)颜色空间，只处理色度分量V，也可以称作只处理V通道，然后再将其转换回RGB颜色空间，这种方法被称为HSV Retinex，假设:
L≥I＞0；
i＝log(I)，l＝log(L)，r＝log(R)；
得到：
i＝1+r；
现有技术中，图像去噪的变指数泛函方法提出了：
其中，u为图像函数，Ω指的是积分区域，积分范围一般为(0，+∞)，但是在实际计算中会被split-bregman算法迭代消除，所以这里只标注一个积分区域，即如果是一个图像的话，可以限定公式中的上限和下限来限定范围；p为单调递减函数，它满足limY→0p(Y)＝2，limY→∞p(Y)＝1，Y代指被积分参数；得到广泛使用的ROF模型，它保留了边缘锐度，但经常造成“阶梯效应”；当limY→0p(Y)＝2时产生各向同性扩散，避免了“阶梯效应”，但会抹去边缘。
结合以上，由于光照图像可能包含非光滑部分。我们在非光滑部分使用正则化，在光滑部分使用Tikhonov正则化，能够得到：
其中λ为正数，为用于度量光照与原始图像之间梯度的相似度，即初始保真项；为正则化项，p为单调递减函数，x代指被积分参数，具体的，p(x)可以按照以下方式进行计算：
d为原始图像数据，p→1时，靠近梯度较大的原始图像的边缘，这里的正则化类似于可以保留边缘的总变分正则化器(TV正则化器)；p→2时，在均匀区域，梯度较小，这里的正则化类似于吉洪诺夫正则化(Tikhonov类正则化)，优于总变分方法；在其他区域时，处理的程度完全由p(x)调整，这个模型利用自适应TV类正则化方法对图像的高对比度边缘进行正则化处理，不仅能有效地防止光晕效应的产生，还能有效地提取出图像的非均匀光照边缘。
进一步地，设Ω是一个有Lipchitz边界的有界开集，p(x)：Ω→[1，+∞)，是一个可测函数，Ω上的所有可测函数族是p(Ω)，定义一个函数：
Qp(x)(u)＝∫Ω|u|p(x)dx；
再定义一个范数：
||u||p(x)＝inf{λ＞0：Qp(x)(u/λ)≤1}；
得到变量指数Lebesgue和Sobolev空间分别为：
Lp(x)(Ω)＝{u：Ω→R|||u||p(x)＜∞}；
其中，范数Wl，p(x)(Ω)是巴拿赫空间，按照split Bregman算法进行求解，通过引入一个辅助变量b来求解最小值问题。
通过增加一个二次惩罚函数项，将上式转化为：
其中，γ是一个正数，它控制惩罚项的权重，与split Bregman迭代相似，得到迭代模型：
该优化问题可以用分裂博尔戈曼算法，分解成几个子问题来解决。
遵循的算法流程为牛顿法和变指数正则Retinex(Lp-retinex)方法，如下：
牛顿法按照以下方法进行计算：
变指数正则Retinex方法按照以下方法进行计算：
在步骤S105中，提出了lp-retinex的可变正则模型，对预处理得到的图像进行进一步的像质提升，能有效地自适应压缩动态范围，突出其细节信息，明显改善彩色图像的视觉效果。
S106：根据迭代输出结果，得到环境光照射分量的对数值，根据环境光照射分量的对数值得到环境光照射分量；
在步骤S106中，因为环境光的照射分量常为观察或照相机接收到的图像数据经过某种滤波后的结果，而第二亮度分量V2属于图像数据，即将第二亮度分量V2代入迭代模型，相当于对图像数据进行滤波处理，是能够得到环境光照射分量的对数值，进而得到环境光照射分量。
S107：根据第二亮度分量V2的对数值和环境光照射分量的对数值计算物体的反射分量的对数值，根据物体的反射分量的对数值得到物体的反射分量；
在步骤S107中，根据第二亮度分量V2的对数值和环境光照射分量的对数值计算物体的反射分量的对数值，具体为：第二亮度分量V2的对数值减去环境光照射分量的对数值得到物体的反射分量的对数值。
S108：判断物体的反射分量是否过度增强，包括：
S1081：若没有过度增强，根据环境光照射分量和物体的反射分量计算第三亮度分量V3；
在步骤S108中，根据Retinex的理论，不应该存在反射光强度大于入射光的情况，因此，恢复的反射分量比原始图像的反射分量大，属于过度增强。实际处理时，由于存在部分较暗的图像，判定标准为输出图像的均值大于输入图像的1.5倍时，属于过度增强。
S109：将第三亮度分量V3与色度分量C转换至RGB颜色空间得到修正图像。
参照图2至图5，图2通过本实施例提供的方法进行处理得到图3，图4通过本实施例提供的方法进行处理得到图5，即非理想光照图像通过本实施例提供的方法进行处理能够提高亮度、对图像内的人像、场景等进行复原再现。
与现有技术相比，本发明提供的基于非理想光照图像的真实影像再现方法具有以下优点：
获取原始图像，将原始图像转换至HSV颜色空间，得到亮度分量V和色度分量C，色度分量C包括色调分量H和饱和度分量S，将原始图像的格式转换为HSV图像模式，由于HSV颜色空间的彩色相关性较小，能够对较好地分离出亮度分量V、饱和度分量S和色调分量H；对亮度分量V进行亮度调整得到第一亮度分量V1，对第一亮度分量V1进行细节增强得到第二亮度分量V2，即对原始图像进行自适应预处理；计算第二亮度分量V2的对数值，并代入迭代模型，第二亮度分量V2也是图像数据，计算第二亮度分量V2的对数值就是计算图像数据的对数值；根据迭代输出结果，得到环境光照射分量的对数值，根据环境光照射分量的对数值得到环境光照射分量，由于人眼得到的图像数据取决于入射光和物体表面对入射光的反射，可以将图像数据、物体的反射分量和环境光照射分量三者建立联系，已知环境光照射分量和图像数据，可根据第二亮度分量V2的对数值和环境光照射分量的对数值计算物体的反射分量的对数值，根据物体的反射分量的对数值得到物体的反射分量；再判断物体的反射分量是否过度增强，若没有过度增强，根据环境光照射分量和物体的反射分量计算第三亮度分量V3，第三亮度分量V3即已经修正处理后的图像数据，将第三亮度分量V3与色度分量C转换至RGB颜色空间得到修正图像，实现对非理想光照图像的真实影像再现。
在一些可选的实施例中，参照图6，图6是本发明提供的基于非理想光照图像的真实影像再现方法的另一种流程图判断物体的反射分量是否过度增强，还包括：
S1082：若过度增强，对环境光照射分量进行伽马校正，根据校正后的环境光照射分量和物体的反射分量计算第三亮度分量V3。
可以理解的是，若已经存在过渡增强的问题，需要对环境光照射分量进行伽马校正，避免修正图像的像素均值远大于原始图像的像素均值。
在一些可选的实施例中，对环境光照射分量进行伽马校正，按照以下方式进行计算：
其中，L′为校正后的环境光照射分量，L为环境光照射分量，W为白色像素的值，S为校正参数。
在一些可选的实施例中，参照图7，图7为不同参数组合的适应曲线，对亮度分量V进行亮度调整得到第一亮度分量V1，按照以下方式进行计算：
其中，V′(x，y)为第一亮度分量V1，V(x，y)为亮度分量V，vmax为输出最大值，取255，k为第一修正参数，c为第二修正参数。
可以理解的是，用于压缩图像高动态范围的基本色调映射的函数主要有对数函数、指数函数、幂次函数、S形的双曲正切函数以及组合后的复合函数。但这些函数处理包含有亮度反差极大的明暗区域的高动态范围图像时，往往效果不理想，且参数常需要手动设定，无法实现自适应处理。通过模拟瞳孔对进入人眼光通量的自适应调节机制，引入具有灵活映射能力的TAN函数，并对TAN函数响应输出进行修正，得到本实施例的计算方式，保证TAN函数输出不会溢出，具体的，修正后的TAN函数具有非常灵活的映射曲线，第一修正参数k和第二修正参数c取值的不同可以影响映射曲线的走向，适于处理不同明暗特征的图像，在图7中仅示意出当第二修正参数c取1时，第一修正参数k的值越大，曲线两端灰度值拉伸以及中间区域灰度值压缩也越大。第一修正参数保持k不变，第二修正参数c的值越大，曲线越趋近于幂次函数，对高灰度值有较好的映射作用。当第一修正参数k增大，第二修正参数c减小时，曲线逐渐逼近对数函数，且第一修正参数k越大，曲线低灰度值拉伸强度越大。
在一些可选的实施例中，第一修正参数k和第二修正参数c按照以下方式进行计算：
其中，Ca为灰度级为a的像素累积分布百分比，Cb为灰度级为b的像素累积分布百分比，T1为原始图像的第一明暗统计阈值，T2为原始图像的第二明暗统计阈值。
可以理解的是，为了能够自适应地对不同图像实现全局映射，使算法具有更好的普适性，依据亮度图像的直方图累积分布函数(Cumulative Distribution Function，CDF)定义自适应修正参数，即上文中的第一修正参数k和第二修正参数c。在实际应用中，a可以选用50，b可以选用200，Ca和Cb分别用于表示亮区域和暗区域所占的比例，Ca和Cb的不同取值反映了输入图像的明暗特征，因此，可以自适应地得到针对不同明暗特征图像的第一修正参数k和第二修正参数c等适应因子。
在一些可选的实施例中，在对亮度分量V进行亮度调整得到第一亮度分量V1后，还包括：
将第一亮度分量V1与色度分量C转换至RGB颜色空间得到第一图像，计算第一图像的像素均值，根据像素均值调节第二修正参数。
可以理解的是，通过计算第一图像的像素均值判断全局亮度调整的效果，并且可以根据判断结果对第二修正参数c进行微调，再对亮度分量V进行重新处理以达到最佳的增强效果。
在一些可选的实施例中，根据像素均值调节第二修正参数，按照以下方式进行计算：
其中，c′是修正后的第二修正参数，为像素均值，H1为第一图像的明暗界定阈值。
可以理解的是，像素均值通过逐像素求和除以像素数得到，H1为判定图像整体过暗的阈值。
在一些可选的实施例中，对第一亮度分量进行细节增强得到第二亮度分量，包括：将每个第一亮度分量中的每个像素的像素值均输入细节增强模型进行处理，得到第二亮度分量。
可以理解的是，脉冲发放是借助神经元感受特性提出的一种信号名称，本实施例中通过模拟这种神经元受激和感受的过程，来近似模拟人眼对于观察到的大动态范围图像的处理过程，具体的，逐像素地将像素值代入细节增强模型输出结果，对每个像素进行处理，使细节增强后的第二亮度分量V2得边缘增强，且图像细节也被修补。
在一些可选的实施例中，参照图8和图9，图8是本发明提供的一种双拮抗神经网络示意图，图9是本发明提供的另一种双拮抗神经网络示意图，细节增强模型按照以下方式计算：
其中，为神经节细胞的中心区开启兴奋值，为神经节细胞的环绕区开启兴奋值，rq为共q个感受器受到相互抑制作用时的脉冲发放，eq为第q个感受器单独受到光照时的脉冲发放，ej为第j个感受器单独受到光照时的脉冲发放，m为共m个感受器。
需要说明的是，参照图8和图9，根据双极细胞和神经节细胞感受野类型的不同，人眼视觉存在两类标志性视觉通路，即由视锥细胞→ON型双极细胞→ON型神经节细胞构成的ON型通路和由视锥细胞→OFF型双极细胞→OFF型神经节细胞构成的OFF型通路。图8和图9的两种响应模型，引入中心兴奋/抑制值，得到ON/OFF视觉通路的侧抑制稳态输出：
其中，为ON视觉通路中心区兴奋值，为OFF视觉通路中心区兴奋值，为ON视觉通路环绕区抑制值，为OFF视觉通路环绕区抑制值，且均大于0，建立图像的ON/OFF双拮抗神经元响应模型，根据该模型可得出ON/OFF双拮抗稳态输出：
考虑ON/OFF双拮抗的时间响应特性，中心—环绕区域兴奋和抑制性递质分别按照指数规律增强或衰减。
令输出简化得到本实施例中提供细节增强模型。合理设置兴奋值和邻域像素不同抑制值获得最佳的局部细节增强效果。
在一些可选的实施例中，第三亮度分量V3＝物体的反射分量×环境光照射分量。
可以理解的是，人眼得到的图像数据取决于入射光和物体表面对入射光的反射，第三亮度分量V3也是图像数据，将第三亮度分量V3、物体的反射分量和环境光照射分量可以建立联系，通过物体的反射分量和环境光照射分量能够得到第三亮度分量V3。
通过上述实施例可知，本发明提供的基于非理想光照图像的真实影像再现方法，至少实现了如下的有益效果：
获取原始图像，将原始图像转换至HSV颜色空间，得到亮度分量和色度分量，色度分量包括色调分量和饱和度分量，将原始图像的格式转换为HSV图像模式，由于HSV颜色空间的彩色相关性较小，能够对较好地分离出亮度分量、饱和度分量和色调分量；对亮度分量进行亮度调整得到第一亮度分量，对第一亮度分量进行细节增强得到第二亮度分量，即对原始图像进行自适应预处理；计算第二亮度分量的对数值，并代入迭代模型，第二亮度分量也是图像数据，计算第二亮度分量的对数值就是计算图像数据的对数值；根据迭代输出结果，得到环境光照射分量的对数值，根据环境光照射分量的对数值得到环境光照射分量，由于人眼得到的图像数据取决于入射光和物体表面对入射光的反射，可以将图像数据、物体的反射分量和环境光照射分量三者建立联系，已知环境光照射分量和图像数据，可根据第二亮度分量的对数值和环境光照射分量的对数值计算物体的反射分量的对数值，根据物体的反射分量的对数值得到物体的反射分量；再判断物体的反射分量是否过度增强，若没有过度增强，根据环境光照射分量和物体的反射分量计算第三亮度分量，第三亮度分量即已经修正处理后的图像数据，将第三亮度分量与色度分量转换至RGB颜色空间得到修正图像，实现对非理想光照图像的真实影像再现。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种基于非理想光照图像的真实影像再现方法，其特征在于，包括：
获取原始图像；
将所述原始图像转换至HSV颜色空间，得到亮度分量和色度分量；
对所述亮度分量进行亮度调整得到第一亮度分量；
对所述第一亮度分量进行细节增强得到第二亮度分量；
计算所述第二亮度分量的对数值，并代入迭代模型，所述迭代模型按照以下方式进行计算：
其中，(ln+1，bn+1)为所述迭代模型的迭代输出结果，为保真项，∫Ω|b|p(x)dx为迭代误差设计项，为假设误差项，λ和γ均取0.1，n为迭代次数，t和b均为迭代参数；
根据所述迭代输出结果，得到环境光照射分量的对数值，根据所述环境光照射分量的对数值得到所述环境光照射分量；
根据所述第二亮度分量的对数值和所述环境光照射分量的对数值计算物体的反射分量的对数值，根据所述物体的反射分量的对数值得到所述物体的反射分量；
判断所述物体的反射分量是否过度增强，包括：
若没有过度增强，根据所述环境光照射分量和所述物体的反射分量计算第三亮度分量；
将所述第三亮度分量与所述色度分量转换至RGB颜色空间得到修正图像。
2.根据权利要求1所述的基于非理想光照图像的真实影像再现方法，其特征在于，所述判断所述物体的反射分量是否过度增强，还包括：
若过度增强，对所述环境光照射分量进行伽马校正，根据校正后的所述环境光照射分量和所述物体的反射分量计算所述第三亮度分量。
3.根据权利要求2所述的基于非理想光照图像的真实影像再现方法，其特征在于，所述对所述环境光照射分量进行伽马校正，按照以下方式进行计算：
其中，L′为校正后的环境光照射分量，L为所述环境光照射分量，W为白色像素的值，S为校正参数。
4.根据权利要求1所述的基于非理想光照图像的真实影像再现方法，其特征在于，所述对所述亮度分量进行亮度调整得到第一亮度分量，按照以下方式进行计算：
其中，V′(x，y)为所述第一亮度分量，V(x，y)为所述亮度分量，vmax为输出最大值，取255，k为第一修正参数，c为第二修正参数。
5.根据权利要求4所述的基于非理想光照图像的真实影像再现方法，其特征在于，所述第一修正参数和所述第二修正参数按照以下方式进行计算：
其中，Ca为灰度级为a的像素累积分布百分比，Cb为灰度级为b的像素累积分布百分比，T1为所述原始图像的第一明暗统计阈值，T2为所述原始图像的第二明暗统计阈值。
6.根据权利要求4所述的基于非理想光照图像的真实影像再现方法，其特征在于，在所述对所述亮度分量进行亮度调整得到第一亮度分量后，还包括：
将所述第一亮度分量与所述色度分量转换至所述RGB颜色空间得到第一图像，计算所述第一图像的像素均值，根据所述像素均值调节所述第二修正参数。
7.根据权利要求6所述的基于非理想光照图像的真实影像再现方法，其特征在于，所述根据所述像素均值调节所述第二修正参数，按照以下方式进行计算：
其中，c′是修正后的第二修正参数，为所述像素均值，H1为所述第一图像的明暗界定阈值。
8.根据权利要求1所述的基于非理想光照图像的真实影像再现方法，其特征在于，所述对所述第一亮度分量进行细节增强得到第二亮度分量，包括：将每个所述第一亮度分量中的每个像素的像素值均输入细节增强模型进行处理，得到所述第二亮度分量。
9.根据权利要求8所述的基于非理想光照图像的真实影像再现方法，其特征在于，所述细节增强模型按照以下方式计算：
其中，为神经节细胞的中心区开启兴奋值，为神经节细胞的环绕区开启兴奋值，rq为共q个感受器受到相互抑制作用时的脉冲发放，eq为第q个感受器单独受到光照时的脉冲发放，ej为第j个感受器单独受到光照时的脉冲发放，m为共m个感受器。
10.根据权利要求1所述的基于非理想光照图像的真实影像再现方法，其特征在于，所述第三亮度分量＝所述物体的反射分量×所述环境光照射分量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210756998.2A CN115049561B (zh) | 2022-06-29 | 2022-06-29 | 基于非理想光照图像的真实影像再现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210756998.2A CN115049561B (zh) | 2022-06-29 | 2022-06-29 | 基于非理想光照图像的真实影像再现方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115049561A CN115049561A (zh) | 2022-09-13 |
| CN115049561B true CN115049561B (zh) | 2024-07-12 |
Family
ID=83165517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210756998.2A Active CN115049561B (zh) | 2022-06-29 | 2022-06-29 | 基于非理想光照图像的真实影像再现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115049561B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903079A (zh) * | 2012-08-31 | 2013-01-30 | 电子科技大学 | 一种真实影像再现的方法及装置 |
| CN106981052A (zh) * | 2017-01-12 | 2017-07-25 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 基于变分框架的自适应亮度不均变分校正方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103236040B (zh) * | 2013-04-19 | 2016-03-30 | 华为技术有限公司 | 一种色彩增强方法及装置 |
| CN108053374B (zh) * | 2017-12-05 | 2020-08-04 | 天津大学 | 一种结合双边滤波与Retinex的水下图像增强方法 |
| CN113313639A (zh) * | 2021-03-03 | 2021-08-27 | 辽宁工程技术大学 | 基于Retinex多层次分解的图像增强方法 |
-
2022
- 2022-06-29 CN CN202210756998.2A patent/CN115049561B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903079A (zh) * | 2012-08-31 | 2013-01-30 | 电子科技大学 | 一种真实影像再现的方法及装置 |
| CN106981052A (zh) * | 2017-01-12 | 2017-07-25 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 基于变分框架的自适应亮度不均变分校正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115049561A (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Adaptive image enhancement method for correcting low-illumination images | |
| Huang et al. | Shallow-water image enhancement using relative global histogram stretching based on adaptive parameter acquisition | |
| Celik | Spatial mutual information and PageRank-based contrast enhancement and quality-aware relative contrast measure | |
| Provenzi et al. | A spatially variant white-patch and gray-world method for color image enhancement driven by local contrast | |
| CN109685742A (zh) | 一种暗光环境下的图像增强方法 | |
| Vonikakis et al. | Fast centre–surround contrast modification | |
| Srinivas et al. | Exposure-based energy curve equalization for enhancement of contrast distorted images | |
| Cao et al. | Enhancement of blurry retinal image based on non-uniform contrast stretching and intensity transfer | |
| Lisani et al. | An inquiry on contrast enhancement methods for satellite images | |
| Parihar et al. | A comprehensive analysis of fusion-based image enhancement techniques | |
| Liu et al. | Enhancement of low illumination images based on an optimal hyperbolic tangent profile | |
| Lisani et al. | Analyzing center/surround retinex | |
| Yu et al. | Adaptive inverse hyperbolic tangent algorithm for dynamic contrast adjustment in displaying scenes | |
| CN116993616A (zh) | 一种单幅低照度场景图像增强方法及增强系统 | |
| Muniraj et al. | Underwater image enhancement by modified color correction and adaptive Look-Up-Table with edge-preserving filter | |
| CN117611501A (zh) | 一种低照度图像增强方法、装置、设备及可读存储介质 | |
| CN113947553B (zh) | 一种图像亮度增强方法及设备 | |
| Park et al. | Contrast enhancement using sensitivity model-based sigmoid function | |
| Subramani et al. | Cuckoo search optimization‐based image color and detail enhancement for contrast distorted images | |
| Meylan | Tone mapping for high dynamic range images | |
| CN111640068A (zh) | 一种图像曝光度的无监督自动化校正方法 | |
| CN110766616B (zh) | 一种基于单尺度Retinex方法的水下图像匀光算法 | |
| Lee et al. | Ramp distribution-based contrast enhancement techniques and over-contrast measure | |
| CN115049561B (zh) | 基于非理想光照图像的真实影像再现方法 | |
| CN106204476B (zh) | 一种低照度彩色图像增强方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |