CN115482174A - 图像增强方法、装置、电子设备及存储介质 - Google Patents
图像增强方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115482174A CN115482174A CN202211175231.7A CN202211175231A CN115482174A CN 115482174 A CN115482174 A CN 115482174A CN 202211175231 A CN202211175231 A CN 202211175231A CN 115482174 A CN115482174 A CN 115482174A
- Authority
- CN
- China
- Prior art keywords
- sequence
- image
- component
- image sequence
- secondary component
- 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 44
- 238000001914 filtration Methods 0.000 claims abstract description 49
- 230000009466 transformation Effects 0.000 claims abstract description 41
- 238000000513 principal component analysis Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 14
- 230000003321 amplification Effects 0.000 abstract description 5
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000921 elemental analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 230000002093 peripheral 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
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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)
- 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 Processing (AREA)
Abstract
本发明涉及图像处理领域,揭露一种图像增强方法包括:对原始图像序列中每张图像进行主成分析,得到主分量图像序列和次分量图像序列;分别述主分量序列和次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列;利用预设的高频滤波器对次分量图像变换序列进行高频滤波,得到第一分量图像序列;利用预设的曝光滤波器对所述第一分量图像序列进行曝光滤波,得到第二分量图像序列;利用预设的聚焦滤波器对第二分量图像序列进行聚焦滤波,得到第三分量图像序列;将第三分量图像序列和主分量图像变换序列进行序列点加,得到点加图像序列,对点加序列进行二维傅里叶反变换,得到目标图像序列。本发明可以提高图像的增幅效果。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种图像增强方法、装置、电子设备以及存储介质。
背景技术
图像增强方法有目的地强调图像的整体或局部特性,将原来不清晰的图像变得清晰或强调某些感兴趣的特征的过程,图像增强方法可以扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足某些特殊分析的需要。
目前图像增强方法主要是大气湍流退化图像的增强方法,该技术方案是先进行多帧配准消除畸变图像,再重建基于时空近邻组合的衍射模糊图像,最后采用全局一致反卷积消除衍射模糊。该类方法无法有效的去除图像干扰,降低了图像的增幅效果。
发明内容
为了解决上述问题,本发明提供了一种图像增强方法、装置、电子设备以及存储介质,可以提高图像的增幅效果。
第一方面,本发明提供了一种图像增强方法,包括:
获取原始图像序列,对所述原始图像序列中每张图像进行主成分析,得到所述原始图像序列中每张图像的主分量和次分量,分别对所述所述原始图像序列中每张图像的主分量和次分量进行组合,得到主分量图像序列和次分量图像序列;
分别对所述主分量序列和所述次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列;
利用预设的高频滤波器对所述次分量图像变换序列进行高频滤波,得到第一分量图像序列;
利用预设的曝光滤波器对所述第一分量图像序列进行曝光滤波,得到第二分量图像序列;
利用预设的聚焦滤波器对所述第二分量图像序列进行聚焦滤波,得到第三分量图像序列;
将所述第三分量图像序列和所述主分量图像变换序列进行序列点加,得到点加图像序列,对所述点加序列进行二维傅里叶反变换,得到目标图像序列。
在第一方面的一种可能实现方式中,所述对所述原始图像序列中每张图像进行主成分析,得到所述原始图像序列中每张图像的主分量和次分量,包括:
提取所述原始图像序列中每张图像的特征指标;
将所述每张图像的所述特征指标进行组合,得到多维特征向量;
根据所述多维特征向量,利用主成分析函数计算所述原始图像序列中每张图片的所述主分量,并根据所述主分量,确定所述原始图像中每张图片的所述次分量。
在第一方面的一种可能实现方式中,所述主成分析函数包括:
Xk=(R1,R2,…,Rm)/(X1k,X2k,...,Xnk)(k=1,2,…m)
其中,Xk表示主分量,
(R1,R2,...,Rm)表示多维特征向量,(X1k,X2k,...,Xnk)T表示所述多维特征向量和原始图像序列组成的矩阵,m表示多维特征向量对应特征指标的数量。
在第一方面的一种可能实现方式中,所述分别对所述主分量序列和所述次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列,包括:
分别将所述主分量序列和所述次分量序列分解为多个主分量复平面波和多个次分量复平面波;
分别对所述主分量复平面波和所述次分量复平面波求和,得到目标主分量复平面波和目标次分量复平面波;
根据所述目标主分量复平面波,利用主分量二维傅里叶正变换公式对所述主分量序列进行二维傅里叶正变换,得到所述主分量图像变换序列,及根据所述目标次分量复平面波,利用次分量二维傅里叶正变换公式对所述次分量序列进行二维傅里叶正变换,得到所述次分量图像变换序列。
在第一方面的一种可能实现方式中,所述主分量二维傅里叶正变换公式,包括:
其中,F(u,v)表示主分量图像变换序列,f(x,y)表示主分量序列,e-2jπ(ux+vy)表示目标主分量复平面波。
在第一方面的一种可能实现方式中,所述对所述点加序列进行二维傅里叶反变换,得到目标图像序列,包括:
识别所述点加序列中每张图片的元素点,分析所述元素点的二维波形;
根据所述二维波形,利用二维傅里叶反变换函数对所述点加序列进行反变换,得到目标图像序列。所述二维傅里叶反变换函数,包括:
其中,f(u,v)表示目标图像序列,F(x,y)表示点加序列,e-2jπ(ux+vy)表示二维波形。
第二方面,本发明提供了一种图像增强装置,所述装置包括:
图像主成分析模块,用于获取原始图像序列,对所述原始图像序列中每张图像进行主成分析,得到所述原始图像序列中每张图像的主分量和次分量,分别对所述所述原始图像序列中每张图像的主分量和次分量进行组合,得到主分量图像序列和次分量图像序列;
二维傅里叶正变换模块,用于分别对所述主分量序列和所述次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列;
高频滤波模块,用于利用预设的高频滤波器对所述次分量图像变换序列进行高频滤波,得到第一分量图像序列;
曝光滤波模块,用于利用预设的曝光滤波器对所述第一分量图像序列进行曝光滤波,得到第二分量图像序列;
聚焦滤波模块,用于利用预设的聚焦滤波器对所述第二分量图像序列进行聚焦滤波,得到第三分量图像序列;
目标图像获取模块,用于将所述第三分量图像序列和所述主分量图像变换序列进行序列点加,得到点加图像序列,对所述点加序列进行二维傅里叶反变换,得到目标图像序列。
第三方面,本发明提供一种电子设备,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,以使所述至少一个处理器能够执行如上述第一方面中任意一项所述的图像增强方法。
第四方面,本发明提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任意一项所述的图像增强方法。
与现有技术相比,本方案的技术原理及有益效果在于:
本发明实施例通过获取原始图像序列可以获取原始的图像信息为后期增强图像效果提供原始数据,紧接着,本发明实施例通过分别对所述主分量序列和所述次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列明确图像高频区域从而有效去除,提高图像效果;其次,本发明实施例通过利用预设的高频滤波器对所述次分量图像变换序列进行高频滤波,得到第一分量图像序列可以针对性去除所述次分量图像地高频干扰,减少计算负荷地同时提高图像质量,再次,本发明实施例通过利用预设的曝光滤波器对所述第一分量图像序列进行曝光滤波,得到第二分量图像序列再次的对图像的干扰元素进行消除,进一步提高了图像的图像质量,通过利用预设的聚焦滤波器对所述第一分量图像序列进行聚焦滤波,得到第三分量图像序列可以对图像进行三次处理,去除聚焦干扰,更进一步提高了图片质量,最后,发明实施例通过将所述第三分量图像序列和所述主分量图像变换序列进行序列点加,得到点加图像序列可以将去干扰的图像序列和主分量图像序列结合得到完整序列为最后进行序列转化提供图像基础,过对所述点加序列进行二维傅里叶正变换,得到目标图像序列将处理好的图像序列中每张图片转化为正常的二维图像序列。因此,本发明实施例提出的一种图像增强方法、装置、电子设备以及存储介质,可以实现生成完整高效的增强图像,提高图像的增幅效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种图像增强方法的流程示意图;
图2为本发明一实施例中图1提供的一种图像增强方法的其中一个步骤的流程示意图;
图3为本发明一实施例中图1提供的一种图像增强方法的另外一个步骤的流程示意图;
图4为本发明一实施例提供的一种图像增强装置的模块示意图;
图5为本发明一实施例提供的实现图像增强方法的电子设备的内部结构示意图。
具体实施方式
应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种图像增强方法,所述图像增强方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之,所述图像增强方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图1所示,是本发明一实施例提供的图像增强方法的流程示意图。其中,图1中描述的图像增强方法包括:
S1、获取原始图像序列,对所述原始图像序列中每张图像进行主成分析,得到所述原始图像序列中每张图像的主分量和次分量,分别对所述所述原始图像序列中每张图像的主分量和次分量进行组合,得到主分量图像序列和次分量图像序列。
本发明实施例通过获取原始图像序列可以获取原始的图像信息为后期增强图像效果提供原始数据;其中,所述原始图像序列是指由多张图片构成的图片序列,例如毕业照册、结婚照册等图像序列。
进一步地,本发明实施例通过对所述原始图像序列中每张图像进行主成分析,得到所述原始图像序列中每张图像的主分量和次分量可以将图片主要部分和次要部分进行区分,将主分量作为后续处理的基础,提高图像的图像效果;其中,所述主分量是指将所述原始图像进行主成分析后得到比较重要的部分图像元素;所述次分量是指将所述原始图像进行主成分析后得到去除主分量后的图像元素。
作为本发明的一个实施例,参阅图2所示,所述对所述原始图像序列中每张图像进行主成分析,得到所述原始图像序列中每张图像的主分量和次分量,包括:
S201、提取所述原始图像序列中每张图像的特征指标;
S202、将所述每张图像的所述特征指标进行组合,得到多维特征向量;
S203、根据所述多维特征向量,利用主成分析函数计算所述原始图像序列中每张图片的所述主分量,并根据所述主分量,确定所述原始图像中每张图片的所述次分量。
其中,所述特征指标是指原始图像中能代表其中每张图像的特征数据,例如一张图片的颜色、风格等数据;所述多维特征向量是指由多个所述特征指标来组成的特征向量。
进一步地,本发明一可选实施例中,所述提取所述原始图像中每张图像的特征指标可以利用特征指标提取模型提取。
进一步地,本发明一可选实施例中,所述主成分析函数,包括:
Xk=(R1,R2,…,Rm)/(X1k,X2k,…,Xnk)(k=1,2,…m)
其中,Xk表示主分量,
(R1,R2,...,Rm)表示多维特征向量,(X1k,X2k,...,Xnk)T表示所述多维特征向量和原始图像序列组成的矩阵,m表示多维特征向量对应特征指标的数量。
进一步地,本发明实施例通过分别对所述所述原始图像序列中每张图像的主分量和次分量进行组合,得到主分量图像序列和次分量图像序列可以将主分量图像和次分量图像进行组合方便后期统一处理。
作为本发明的一个实施例,所述分别对所述所述原始图像序列中每张图像的主分量和次分量进行组合,得到主分量图像序列和次分量图像序列可以通过Excel表格完成。
S2、分别对所述主分量序列和所述次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列。
本发明实施例通过分别对所述主分量序列和所述次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列明确图像高频区域从而有效去除,提高图像效果,其中,所述主分量图像变换序列是指将所述主分量序列进行二维傅里叶正变换后得到的图像序列;所述次分量图像变换序列是指将所述次分量序列进行二维傅里叶正变换后得到的图像序列。
作为本发明的一个实施例,参阅图3所示,所述分别对所述主分量序列和所述次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列,包括:
S301、分别将所述主分量序列和所述次分量序列分解为多个主分量复平面波和多个次分量复平面波;
S302、分别对所述主分量复平面波和所述次分量复平面波求和,得到目标主分量复平面波和目标次分量复平面波;
S303、根据所述目标主分量复平面波和所述目标次分量复平面波,根据所述目标主分量复平面波,利用主分量二维傅里叶正变换公式对所述主分量序列进行二维傅里叶正变换,得到所述主分量图像变换序列,及根据所述目标次分量复平面波,利用次分量二维傅里叶正变换公式对所述次分量序列进行二维傅里叶正变换,得到所述次分量图像变换序列。
其中,所述复平面波是指将图像分解成的二维的层次图像;目标主分量复平面波是指将多个二维的复平面波进行求和得到的复平面波之和。
进一步地本发明一可选实施例中,所述主分量二维傅里叶正变换公式,包括:
其中,F(u,v)表示主分量图像变换序列,f(x,y)表示主分量序列,e-2jπ(ux+vy)表示目标主分量复平面波。
需要说明的是,在本发明中,所述次分量二维傅里叶正变换公式与所述主分量二维傅里叶正变换公式实现的原理相同,在此不做进一步地赘述。
S3、利用预设的高频滤波器对所述次分量图像变换序列进行高频滤波,得到第一分量图像序列。
本发明实施例通过利用预设的高频滤波器对所述次分量图像变换序列进行高频滤波,得到第一分量图像序列可以针对性去除所述次分量图像地高频干扰,减少计算负荷地同时提高图像质量。其中,所述第一分量图像序列是指将所述次分量图像进行高频干扰去除后的图像序列。
作为本发明的一个实施例,所述利用预设的高频滤波器对所述次分量图像变换序列进行高频滤波,得到第一分量图像序列,包括:利用所述高频滤波器的第一元素分析层分析所述次分量图像变换序列的第一图像元素;利用所述高频滤波器的高频识别层识别对所述第一图像元素的高频元素;利用所述高频滤波器中点乘函数去除所述次分量图像变换序列中的所述高频元素,得到所述第一分量图像序列。
其中,所述第一元素分析层是指用来分析图像元素的层;所述第一图像元素是指是指图像的元素点;所述高频识别层是指用来识别所述第一图像元素中高频元素的层;所述高频去除层是指所述第一图像元素中高频元素去除的层。
进一步地,本发明一可选实施例中,所述预设的高频滤波器,包括:
进一步地,本发明一可选实施例中,所述利用所述点乘函数,包括:
R1H1,R2H1,…,RNH1=R1,R2,…,RN.H1(u,v)
其中,所述R1H1,R2H1,...,RNH1表示第一分量图像序列;R1,R2,...,RN表示次分量图像变换序列,H1(u,v)表示高频滤波器。
S4、利用预设的曝光滤波器对所述第一分量图像序列进行曝光滤波,得到第二分量图像序列。
本发明实施例通过利用预设的曝光滤波器对所述第一分量图像序列进行曝光滤波,得到第二分量图像序列再次的对图像的干扰元素进行消除,进一步提高了图像的图像质量。其中所述第二分量图像序列指将所述第一分量图像序列进行曝光去除后的图像序列。
作为本发明的一个实施例,所述利用预设的曝光滤波器对所述第一分量图像序列进行曝光滤波,得到第二分量图像序列,包括:利用所述曝光滤波器的第二元素分析层分析所述第一分量图像序列中的第二图像元素;利用所述曝光滤波器的元素曝光识别层识别所述第二图像元素中曝光元素;利用所述曝光滤波器的曝光滤波函数去除所述第一分量图像序列中的所述曝光元素,得到所述第二分量图像序列。
其中,所述第二元素分析层指用来分析图像元素的层;所述元素曝光识别层是指用来识别图像元素中含有曝光元素的层;所述去曝光层是指用来去除所述曝光元素的层。
进一步地,本发明一可选实施例中,所述预设的曝光滤波器,包括:
H2(u,v)=exp[c(u2+v2)5/6]
其中,所述H2(u,v)表示曝光滤波器,c表示长时间曝光成像的干扰相关的常数,u,v表示曝光滤波器空间坐标位置。
进一步地,本发明一可选实施例中,所述曝光滤波函数,包括:
R1H1H2,R2H1H2,…,RNH1H2=R1H1,R2H1,…,RNH1.H2(u,v)
其中,所述R1H1H2,R2H1H2,...,RNH1H2表示所述第二分量图像序列;R1H1,R2H1,...,RNH1表示所述第一分量图像序列;H2(u,v)表示曝光滤波器。
S5、利用预设的聚焦滤波器对所述第二分量图像序列进行聚焦滤波,得到第三分量图像序列。
本发明实施例通过利用预设的聚焦滤波器对所述第一分量图像序列进行聚焦滤波,得到第三分量图像序列可以对图像进行三次处理,去除聚焦干扰,更进一步提高了图片质量。其中所述第三分量图像序列是指对所述第二分量图像序列进行聚焦去扰后得到的图片序列。
作为本发明的一个实施例,所述利用预设的聚焦滤波器对所述第二分量图像序列进行聚焦滤波,得到第三分量图像序列,包括:利用所述聚焦滤波器的第三元素分析层分析所述第二分量图像序列的第三图像元素,利用所述聚焦滤波器的元素聚焦提取层提取所述第三图像元素的聚焦元素;利用所述聚焦滤波器的去聚焦函数去除所述第二分量图像序列的所述聚焦元素,得到所述第三分量图像序列。
其中,所述第三元素分析层指用来分析图像元素的层;所述元素聚焦提取层是指用来识别图像元素中含有聚焦元素的层;所述去聚焦层是指用来去除所述聚焦元素的层。
进一步地,本发明一可选实施例中,所述预设的聚焦滤波器,包括:
进一步地,本发明一可选实施例中,所述去聚焦函数,包括:
R1H1H2H3,R2H1H2H3,…,RNH1H2H3=R1H1H2,R2H1H2,…,RNH1H2.H3(u,v)
其中,所述R1H1H2H3,R2H1H2H3,...,RNH1H2H3表示所述第三分量图像序列;R1H1H2,R2H1H2,...,RNH1H2表示所述第二分量图像序列;H3(u,v)表示聚焦滤波器。
S6、将所述第三分量图像序列和所述主分量图像变换序列进行序列点加,得到点加图像序列,对所述点加序列进行二维傅里叶反变换,得到目标图像序列。
本发明实施例通过将所述第三分量图像序列和所述主分量图像变换序列进行序列点加,得到点加图像序列可以将去干扰的图像序列和主分量图像序列结合得到完整序列为最后进行序列转化提供图像基础。其中所述点加图像序列是指将所述第三分量图像序列和所述主分量图像变换序列利用点加函数进行结合得到的新的序列。
进一步地,本发明实施例通过对所述点加序列进行二维傅里叶正变换,得到目标图像序列将处理好的图像序列中每张图片转化为正常的二维图像序列。
作为本发明的一个实施例,所述对所述点加序列进行二维傅里叶反变换,得到目标图像序列,包括:识别所述点加序列中每张图片的元素点;分析所述元素点的二维波形;根据所述二维波形,利用二维傅里叶反变换函数对所述点加序列进行反变换,得到目标图像序列。
其中,所述元素点是指图像的组成像素;所述二维波形是指每个像素点的二维形态,例如,坐标,频率等形态。
进一步地,本发明一可选实施例中,所述二维傅里叶反变换函数,包括:
其中,f(u,v)表示目标图像序列,F(x,y)表示点加序列,e-2jπ(ux+vy)表示二维波形。
本发明实施例通过获取原始图像序列可以获取原始的图像信息为后期增强图像效果提供原始数据,紧接着,本发明实施例通过分别对所述主分量序列和所述次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列明确图像高频区域从而有效去除,提高图像效果;其次,本发明实施例通过利用预设的高频滤波器对所述次分量图像变换序列进行高频滤波,得到第一分量图像序列可以针对性去除所述次分量图像地高频干扰,减少计算负荷地同时提高图像质量,再次,本发明实施例通过利用预设的曝光滤波器对所述第一分量图像序列进行曝光滤波,得到第二分量图像序列再次的对图像的干扰元素进行消除,进一步提高了图像的图像质量,通过利用预设的聚焦滤波器对所述第一分量图像序列进行聚焦滤波,得到第三分量图像序列可以对图像进行三次处理,去除聚焦干扰,更进一步提高了图片质量,最后,发明实施例通过将所述第三分量图像序列和所述主分量图像变换序列进行序列点加,得到点加图像序列可以将去干扰的图像序列和主分量图像序列结合得到完整序列为最后进行序列转化提供图像基础,过对所述点加序列进行二维傅里叶正变换,得到目标图像序列将处理好的图像序列中每张图片转化为正常的二维图像序列。因此,本发明实施例提出的一种图像增强方法,可以实现生成完整高效的增强图像,提高图像的增幅效果。
如图4所示,是本发明图像增强装置功能模块图。
本发明所述图像增强装置400可以安装于电子设备中。根据实现的功能,所述图像增强装置可以包括图像主成分析模块401、二维傅里叶正变换模块402、高频滤波模块403、曝光滤波模块404、聚焦滤波模块405以及目标图像获取模块406。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本发明实施例中,关于各模块/单元的功能如下:
所述图像主成分析模块401,用于获取原始图像序列,对所述原始图像序列中每张图像进行主成分析,得到所述原始图像序列中每张图像的主分量和次分量,分别对所述所述原始图像序列中每张图像的主分量和次分量进行组合,得到主分量图像序列和次分量图像序列;
所述二维傅里叶正变换模块402,用于分别对所述主分量序列和所述次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列;
所述高频滤波模块403,用于利用预设的高频滤波器对所述次分量图像变换序列进行高频滤波,得到第一分量图像序列;
所述曝光滤波模块404,用于利用预设的曝光滤波器对所述第一分量图像序列进行曝光滤波,得到第二分量图像序列;
所述聚焦滤波模块405,用于利用预设的聚焦滤波器对所述第二分量图像序列进行聚焦滤波,得到第三分量图像序列;
所述目标图像获取模块406,用于将所述第三分量图像序列和所述主分量图像变换序列进行序列点加,得到点加图像序列,对所述点加序列进行二维傅里叶反变换,得到目标图像序列。
详细地,本发明实施例中所述图像增强装置400中的所述各模块在使用时采用与上述的图1至图3中所述的图像增强方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明实现图像增强方法的电子设备的结构示意图。
所述电子设备可以包括处理器50、存储器51、通信总线52以及通信接口53,还可以包括存储在所述存储器51中并可在所述处理器50上运行的计算机程序,如图像增强程序。
其中,所述处理器50在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器50是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器51内的程序或者模块(例如执行图像增强程序等),以及调用存储在所述存储器51内的数据,以执行电子设备的各种功能和处理数据。
所述存储器51至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器51在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器51在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器51不仅可以用于存储安装于电子设备的应用软件及各类数据,例如数据库配置化连接程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线52可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器51以及至少一个处理器50等之间的连接通信。
所述通信接口53用于上述电子设备5与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,所述用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器50逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利发明范围上并不受此结构的限制。
所述电子设备中的所述存储器51存储的数据库配置化连接程序是多个计算机程序的组合,在所述处理器50中运行时,可以实现:
获取原始图像序列,对所述原始图像序列中每张图像进行主成分析,得到所述原始图像序列中每张图像的主分量和次分量,分别对所述所述原始图像序列中每张图像的主分量和次分量进行组合,得到主分量图像序列和次分量图像序列;
分别对所述主分量序列和所述次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列;
利用预设的高频滤波器对所述次分量图像变换序列进行高频滤波,得到第一分量图像序列;
利用预设的曝光滤波器对所述第一分量图像序列进行曝光滤波,得到第二分量图像序列;
利用预设的聚焦滤波器对所述第二分量图像序列进行聚焦滤波,得到第三分量图像序列;
将所述第三分量图像序列和所述主分量图像变换序列进行序列点加,得到点加图像序列,对所述点加序列进行二维傅里叶反变换,得到目标图像序列。
具体地,所述处理器50对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非易失性计算机可读取存储介质中。所述存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取原始图像序列,对所述原始图像序列中每张图像进行主成分析,得到所述原始图像序列中每张图像的主分量和次分量,分别对所述所述原始图像序列中每张图像的主分量和次分量进行组合,得到主分量图像序列和次分量图像序列;
分别对所述主分量序列和所述次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列;
利用预设的高频滤波器对所述次分量图像变换序列进行高频滤波,得到第一分量图像序列;
利用预设的曝光滤波器对所述第一分量图像序列进行曝光滤波,得到第二分量图像序列;
利用预设的聚焦滤波器对所述第二分量图像序列进行聚焦滤波,得到第三分量图像序列;
将所述第三分量图像序列和所述主分量图像变换序列进行序列点加,得到点加图像序列,对所述点加序列进行二维傅里叶反变换,得到目标图像序列。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种图像增强方法,其特征在于,所述方法包括:
获取原始图像序列,对所述原始图像序列中每张图像进行主成分析,得到所述原始图像序列中每张图像的主分量和次分量,分别对所述所述原始图像序列中每张图像的主分量和次分量进行组合,得到主分量图像序列和次分量图像序列;
分别对所述主分量序列和所述次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列;
利用预设的高频滤波器对所述次分量图像变换序列进行高频滤波,得到第一分量图像序列;
利用预设的曝光滤波器对所述第一分量图像序列进行曝光滤波,得到第二分量图像序列;
利用预设的聚焦滤波器对所述第二分量图像序列进行聚焦滤波,得到第三分量图像序列;
将所述第三分量图像序列和所述主分量图像变换序列进行序列点加,得到点加图像序列,对所述点加序列进行二维傅里叶反变换,得到目标图像序列。
2.根据权利要求1所述的方法,其特征在于,所述对所述原始图像序列中每张图像进行主成分析,得到所述原始图像序列中每张图像的主分量和次分量,包括:
提取所述原始图像序列中每张图像的特征指标;
将所述每张图像的所述特征指标进行组合,得到多维特征向量;
根据所述多维特征向量,利用主成分析函数计算所述原始图像序列中每张图片的所述主分量,并根据所述主分量,确定所述原始图像中每张图片的所述次分量。
3.根据权利要求2所述的方法,其特征在于,所述主成分析函数包括:
Xk=(R1,R2,...,Rm)/(X1k,X2k,...,Xnk)T(k=1,2,...m)
其中,Xk表示主分量,
(R1,R2,...,Rm)表示多维特征向量,(X1k,X2k,...,Xnk)T表示所述多维特征向量和原始图像序列组成的矩阵,m表示多维特征向量对应特征指标的数量。
4.根据权利要求1所述的方法,其特征在于,所述分别对所述主分量序列和所述次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列,包括:
分别将所述主分量序列和所述次分量序列分解为多个主分量复平面波和多个次分量复平面波;
分别对所述主分量复平面波和所述次分量复平面波求和,得到目标主分量复平面波和目标次分量复平面波;
根据所述目标主分量复平面波,利用主分量二维傅里叶正变换公式对所述主分量序列进行二维傅里叶正变换,得到所述主分量图像变换序列,及根据所述目标次分量复平面波,利用次分量二维傅里叶正变换公式对所述次分量序列进行二维傅里叶正变换,得到所述次分量图像变换序列。
6.根据权利要求1所述的方法,其特征在于,所述对所述点加序列进行二维傅里叶反变换,得到目标图像序列,包括:
识别所述点加序列中每张图片的元素点,分析所述元素点的二维波形;
根据所述二维波形,利用二维傅里叶反变换函数对所述点加序列进行反变换,得到目标图像序列。
8.一种图像增强方法装置,其特征在于,所述装置包括:
图像主成分析模块,用于获取原始图像序列,对所述原始图像序列中每张图像进行主成分析,得到所述原始图像序列中每张图像的主分量和次分量,分别对所述所述原始图像序列中每张图像的主分量和次分量进行组合,得到主分量图像序列和次分量图像序列;
二维傅里叶正变换模块,用于分别对所述主分量序列和所述次分量序列进行二维傅里叶正变换,得到主分量图像变换序列和次分量图像变换序列;
高频滤波模块,用于利用预设的高频滤波器对所述次分量图像变换序列进行高频滤波,得到第一分量图像序列;
曝光滤波模块,用于利用预设的曝光滤波器对所述第一分量图像序列进行曝光滤波,得到第二分量图像序列;
聚焦滤波模块,用于利用预设的聚焦滤波器对所述第二分量图像序列进行聚焦滤波,得到第三分量图像序列;
目标图像获取模块,用于将所述第三分量图像序列和所述主分量图像变换序列进行序列点加,得到点加图像序列,对所述点加序列进行二维傅里叶反变换,得到目标图像序列。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的图像增强方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的图像增强方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211175231.7A CN115482174A (zh) | 2022-09-26 | 2022-09-26 | 图像增强方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211175231.7A CN115482174A (zh) | 2022-09-26 | 2022-09-26 | 图像增强方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115482174A true CN115482174A (zh) | 2022-12-16 |
Family
ID=84394759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211175231.7A Pending CN115482174A (zh) | 2022-09-26 | 2022-09-26 | 图像增强方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115482174A (zh) |
-
2022
- 2022-09-26 CN CN202211175231.7A patent/CN115482174A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107911753A (zh) | 用于在视频中添加数字水印的方法和装置 | |
CN111666994A (zh) | 样本图像数据增强方法、装置、电子设备及存储介质 | |
CN111652845A (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
WO2019019595A1 (zh) | 图片匹配方法及电子设备方法、装置、电子设备及介质 | |
CN112233125A (zh) | 图像分割方法、装置、电子设备及计算机可读存储介质 | |
CN108304562B (zh) | 一种搜题方法、搜题装置及智能终端 | |
CN111639704A (zh) | 目标识别方法、装置及计算机可读存储介质 | |
Goyal et al. | Dataset augmentation with synthetic images improves semantic segmentation | |
CN113506305B (zh) | 三维点云数据的图像增强方法、语义分割方法及装置 | |
CN112991151B (zh) | 图像处理方法、图像生成方法、装置、设备和介质 | |
CN104067308A (zh) | 图像中的对象选择 | |
Frantc et al. | Machine learning approach for objective inpainting quality assessment | |
CN113436078A (zh) | 一种自适用图像超分辨率重构方法及装置 | |
CN113887439A (zh) | 基于图像识别的自动预警方法、装置、设备及存储介质 | |
CN117455762A (zh) | 基于全景行车记录仪的记录画面分辨率提升方法及系统 | |
CN115908175A (zh) | 低照度图像多级增强方法、装置、电子设备以及存储介质 | |
CN115482174A (zh) | 图像增强方法、装置、电子设备及存储介质 | |
Khan et al. | Hybrid sharpening transformation approach for multifocus image fusion using medical and nonmedical images | |
CN111027533A (zh) | 一种点读坐标的变换方法、系统、终端设备及存储介质 | |
Xiao et al. | Image Inpainting Detection Based on High-Pass Filter Attention Network. | |
CN110942056A (zh) | 服饰关键点定位方法、装置、电子设备及介质 | |
CN110853115B (zh) | 一种开发流程页面的创建方法及设备 | |
CN116823700A (zh) | 一种图像质量的确定方法和装置 | |
CN111383299B (zh) | 图像的处理方法、装置及计算机可读存储介质 | |
Miah et al. | Developing Riemann–Liouville-Fractional Masks for Image Enhancement |
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 |