CN116263942A - 一种调整图像对比度的方法、存储介质及计算机程序产品 - Google Patents
一种调整图像对比度的方法、存储介质及计算机程序产品 Download PDFInfo
- Publication number
- CN116263942A CN116263942A CN202210398213.9A CN202210398213A CN116263942A CN 116263942 A CN116263942 A CN 116263942A CN 202210398213 A CN202210398213 A CN 202210398213A CN 116263942 A CN116263942 A CN 116263942A
- Authority
- CN
- China
- Prior art keywords
- image block
- ith
- value
- brightness
- image
- 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 82
- 238000004590 computer program Methods 0.000 title claims abstract description 21
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 124
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 230000000875 corresponding effect Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 18
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003796 beauty Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001537207 Flammulina Species 0.000 description 1
- 241000319489 Phora Species 0.000 description 1
- 238000011166 aliquoting Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本申请实施例提供一种调整图像对比度的方法、存储介质及计算机程序产品,该方法包括:根据图像局域对比度调整算法对第i原图像块进行对比度调整得到第i图像块,其中,所述第i原图像块是对待处理的原始图像进行划分得到的任意图像块;对所述第i图像块进行亮度修正,得到与所述第i原图像块对应的第i目标图像块;根据所述第i目标图像块得到目标图像。本申请的一些实施例通过对采用图像局域对比度调整算法得到的图像块进行亮度调整,有效改善了仅采用图像局域对比度调整算法得到的图像上存在的佛光或者斑点等现象。
Description
技术领域
本申请涉及图像处理领域,具体而言本申请实施例涉及一种调整图像对比度的方法、存储介质及计算机程序产品。
背景技术
图像局域对比度调整算法是现有的常规技术,相对于全局对比度调整算法(如直方图均衡化),局域对比度调整算法(如CLAHE等)的调整效果更好,但是在设置对比度调整强度比较大的时候,图像局域对比度调整算法会存在一些严重缺陷,例如,出现边缘佛光或者出现局域亮斑或者局域黑斑。
因此如何有效改善图像局域对比度调整算法的显示效果成了亟待解决的技术问题。
发明内容
本申请实施例的目的在于提供一种调整图像对比度的方法、存储介质及计算机程序产品,通过本申请实施例提供的新的图像局域对比度调整算法有效改善了佛光以及局部斑块等问题。
第一方面,本申请的一些实施例提供一种调整图像对比度的方法,该方法包括:根据图像局域对比度调整算法对第i原图像块进行对比度调整得到第i图像块,其中,所述第i原图像块是对待处理的原始图像进行划分得到的任意图像块;对所述第i图像块进行亮度修正,得到与所述第i原图像块对应的第i目标图像块;根据所述第i目标图像块得到目标图像。
本申请的一些实施例通过对采用图像局域对比度调整算法得到的图像块进行亮度调整,有效改善了仅采用图像局域对比度调整算法得到的图像上存在的佛光或者斑点等现象。
在本申请的一些实施例中,所述对所述第i图像块进行亮度修正得到与所述第i原图像块对应的第i目标图像块,包括:获取亮度修正系数值,其中,所述亮度修正系数值与所述第i原图像块的亮度相关;至少根据所述亮度修正系数值对所述第i图像块进行亮度修正,得到与所述第i原图像块对应的第i目标图像块。
本申请的一些实施例通过第i原图像块的亮度确定亮度修正系数值,可以使得经过亮度修正后的图像块与周边的图像块的亮度尽可能接近,避免出现佛光或者斑点。
在一些实施例中,所述获取亮度修正系数值,包括:获取所述第i原图像块的亮度特征值,得到原始亮度特征值;获取所述第i图像块的亮度特征值,得到初始调整亮度特征值;根据所述原始亮度特征值以及所述初始调整亮度特征值得到所述亮度修正系数值。
本申请的一些实施例通过获取与第i图像块对应的原始图像块的亮度特征,进而可以根据该亮度特征对第i图像块进行亮度修正,提升得到的第i目标图像块与周围邻近图像块之间的亮度的匹配性,避免出现佛光或者斑点等。
在一些实施例中,所述获取所述第i原图像块的亮度特征值得到原始亮度特征值,包括:求解所述第i原图像块上所有像素点的像素值的均值得到所述原始亮度平均值;所述获取所述第i图像块的亮度特征值得到初始调整亮度特征值,包括:求解所述第i图像块上所有像素点的像素值的均值得到所述初始调整亮度平均值;所述根据所述原始亮度特征值以及所述初始调整亮度特征值得到所述亮度修正系数值,包括:求解所述原始亮度平均值和所述初始调整亮度平均值的比值得到所述亮度修正系数值;或者,求解所述初始调整亮度平均值与所述原始亮度平均值初始调整亮度平均值的比值得到所述亮度修正系数值。
本申请的一些实施例通过第i原始图像块的平均亮度值来表征第i原始图像块的原始亮度特征值,通过第i图像块的平均亮度值来表征第i图像块的初始调整亮度特征值,可以提升得到的亮度修正系数值的准确性。
在一些实施例中,所述至少根据所述亮度修正系数值对所述第i图像块进行亮度修正得到与所述第i原图像块对应的第i目标图像块,包括:将所述第i图像块上各像素点的像素值与所述亮度修正系数值相乘或者相除得到所述第i目标图像块上相应像素点的值。
本申请的一些实施例将第i图像块与得到的亮度修正系数值相乘可以将第i图像块的亮度调整至第i原图像块的平均亮度水平,避免对比度调整后的图像会出现佛光或者斑点。
在一些实施例中,所述至少根据所述亮度修正系数值对所述第i图像块进行亮度修正,包括:获取所述第i原图像块的纹理属性值,其中,所述纹理属性值用于表征纹理在所述第i原图像块上的分布特征;根据所述纹理属性值和所述亮度修正系数值得到目标亮度修正系数值,并根据所述目标亮度修正系数值对所述第i图像块进行亮度修正,其中,所述目标亮度修正系数值用于表征对所述第i图像块的亮度调整强度。
本申请的一些实施例还通过纹理属性值来确定最终的目标亮度修正系数值,进而可以在避免出现佛光或者斑点等现象的基础上还可以进一步提升得到的图像的对比度。
在一些实施例中,所述获取所述第i原图像块的纹理属性值,包括:获取所述第i原图像块的边缘纹理信息,得到纹理图像块;将所述纹理图像块划分为N个子图像块,并统计所述N个子图像块上的纹理分布特征;根据所述纹理分布特征得到所述纹理属性值。
本申请的一些实施例通过对第i原图像块进行分块并统计在各子图像块上纹理的分布情况来得到纹理属性值,提升得到的该值的准确性。
在一些实施例中,所述统计所述N个子图像块上的纹理分布特征,包括:确定无纹理的子图像块在所述N个子图像块中的占比;所述根据所述纹理分布特征得到所述纹理属性值,包括:所述纹理属性值与所述占比正相关;或者,所述统计所述N个子图像块上的纹理分布特征,包括:确定存在纹理的子图像块在所述N个子图像块中的占比;所述根据所述纹理分布特征得到所述纹理属性值,包括:所述纹理属性值与所述占比负相关。
本申请的一些实施例通过统计无纹理子图像块或者有纹理图像块的占比来确定纹理属性值的大小,实现了纹理属性值的量化。
在一些实施例中,所述目标亮度修正系数值的计算公式如下:
1.0+(x-1.0)*y
其中,x为所述亮度修正系数值,y为所述纹理属性值且y的取值范围为大于或等于第一数值且小于或等于第二数值,所述第二数值大于所述第一数值。
在本申请的一些实施例中,所述根据所述目标亮度修正系数对所述第i图像块进行亮度修正包括:将所述第i图像块上各像素点的像素值乘以或除以所述目标亮度修正系数值,得到所述第i目标图像块。
本申请的一些实施例通过目标亮度修正系数值对第i图像块进行亮度修正,通过该目标亮度修正系数值实现了对于与纹理丰富的原图像块对应的第i图像块不进行亮度调整而对于与纹理相对缺乏的原图像块对应的第i图像块进行亮度调整,这样能够提升对比度调整效果。
在一些实施例中,所述重复上述过程得到与所述原始图像对应的目标图像,包括:重复上述过程得到所有目标图像块,将所述所有目标图像块进行缝合线拼接得到所述目标图像。
本申请的一些是类似通过缝合技术实现目标图像块的拼接进而得到目标图像。
在一些实施例中,所述图像局域对比度调整算法包括局部直方图均衡算法。
本申请的一些实施例采用局域直方图均衡算法实现图像局域对比调整算法。
第二方面,本申请的一些实施例提供一种调整图像对比度的装置,所述装置包括:图像局域对比度调整模块,被配置为根据图像局域对比度调整算法对第i原图像块进行对比度调整得到第i图像块,其中,所述第i原图像块是对待处理的原始图像进行划分得到的任意图像块;亮度调整模块,被配置为对所述第i图像块进行亮度修正,得到与所述第i原图像块对应的第i目标图像块;目标图像获取模块,被配置为根据所述第i目标图像块得到目标图像。
第三方面,本申请的一些实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时可实现上述第一方面任一实施例所述的方法。
第四方面,本申请的一些实施例提供一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述程序时可实现如上述第一方面任一实施例所述的方法。
第五方面,本申请的一些实施例提供一种计算机程序产品,所述的计算机程序产品包括计算机程序,其中,所述的计算机程序被处理器执行时可实现如上述第一方面任一实施例所述的方法。
第六方面,本申请的一些实施例提供一种图像处理器,所述图像处理器被配置为实现如上述第一方面任一实施例所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本申请实施例提供的图像获取系统组成示意图;
图2为相关技术提供的获取对比度调整后的图像的流程图;
图3为本申请实施例提供的采用相关技术的图像局域对比度调整算法后得到的对比度调整后的图像;
图4为本申请实施例提供的调整图像对比度的方法对应的流程图之一;
图5为本申请实施例提供的调整图像对比度的方法对应的流程图之二;
图6为本申请实施例提供的调整图像对比度的方法对应的流程图之三;
图7为本申请实施例提供的调整图像对比度的装置组成框图;
图8为本申请实施例提供的电子设备组成示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
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定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
近年来,基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(Artificial Intelligence,AI)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科,涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支,具体是让机器识别世界,计算机视觉技术通常包括人脸识别、活体检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、行为识别、三维重建、虚拟现实、增强现实、同步定位与地图构建(SLAM)、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步,该项技术在众多领域展开了应用,例如安防、城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。
本申请的发明人在研究中发现图像对比度调整算法(例如,全局直方图均衡算法或者局域直方图均衡算法)会导致图像对比度增强的同时亮度一并发生不可控的明显变化,因此可以理解的是当基于区域块来做局域图像对比度调整的时候可能出现某个图像块的亮度和周围明显不同,这样就会导致最终图像在这些区域块上过渡不自然,表现形式就是对比度调整后的图像上出现类似佛光或者亮黑斑块。
至少为了解决上述问题本申请的一些实施例对采用图像局域对比度调整算法得到的图像块进行亮度调整以改善异常局域块,最终改善局域对比度调整后结果图像效果。本申请的一些实施例还通过纹理信息分析方式,确定对采用图像局域对比度调整算法得到的图像块的调整亮度修正强度,尽可能的保证不出现佛光和异常斑块情况下的,对比度调整算法效果。
请参看图1,图1为相关技术提供的调整图像对比度的系统,该系统包括:镜头100、图像传感器200以及图像处理器300。下面结合图1示例性阐述获取显示图像的过程。
图1的太阳光照射杯子400,该杯子400反射的光线穿过镜头100到达图像传感器200,该图像传感器会将由杯子反射的光信号转换为电信号得到原始图像(即RAW图像数据或简称为RAW数据)。由于由图像传感器采集的原始图像并不能直接用于显示或者目标分割或者识别等,因此如图1所示,还需要将图像传感器200采集的原始图像经过图像处理器300进行处理得到能够直接用于显示或者用于目标识别或者分类等用途的目标图像。
下面结合CMOS类型的图像传感器介绍图像处理器300的功能。
由图1的图像传感器输出的图像为RAW图像,RAW图像就是CMOS或者CCD图像感应器将捕捉到的光源信号转化为数字信号的原始数据。图1的图像处理器至少用于根据从图像传感器获取的每一个像素的数据(即RAW RGB dataRaw data(Raw RGB))经过彩色插值得到RGB图像。在一些实施例中,图像处理器还会进一步将RGB图像转化为YUV格式图像。
可以理解的是,图1的图像处理器还可以用于对输入图像进行黑电平校正处理、镜头晕影校正处理、坏点校正处理、自动白平衡处理、高动态范围图像处理、位压缩处理、Bayer域的降噪处理、去马赛克处理等。本申请的实施例并不对图像处理器的包括的处理器模块的类型以及各处理模块在图像处理器中前后位置进行限定。
在经过图像处理器300处理后就得到了目标图像,其中,部分目标图像需要输出到高清接口如监视器、手机和电脑显示器等终端设备上,还有部分目标图像要用于图像识别与目标定位领域中,例如,智能机器人或者目标定位等。本申请的实施例并不限定目标图像的具体用途。
在本申请的一些实施例中,图像处理器300需要对图像进行图像对比度调整。需要说明的是,在图像处理器300对图像的对比度进行调整时包括多种算法。例如,相关技术公开了采用全局直方图均衡算法)或者局域对比度调整算法(例如,局域直方图均衡算法)等。可以理解的是,全局直方图均衡算法对于整幅图像的像素使用相同的直方图变换,对于那些像素值分布比较均衡的图像来说,算法的效果很好。然后,如果图像中包括明显比图像其它区域暗或者亮的部分,在这些部分的对比度将得不到有效的增强。局域直方图均衡算法包括自适应直方图均衡化AHE算法或者限制对比度自适应直方图均衡化CLAHE算法等,其中,AHE算法,就是每个像素通过其周边一个矩形范围内的像素的直方图进行均衡化。CLAHE同自适应直方图均衡不同的地方主要是其对比度限幅。
下面结合图2示例性阐述采用局域对比度调整算法来调整图像对比度的方法流程。如图2所示,对比度调整过程包括:S101,将原始图像划分为多个待亮度调整的原图像块。例如,将原始图像(即需要进行对比度调整的图像)的横向和纵向均平分为8份,得到多个原图像块。S102,利用图像局域对比度调整算法(例如,局域直方图均衡算法)对每个原图像块进行对比调整,得到对比度调整后的各图像块。例如,将前一步的第i原图像块利用直方图均衡算法进行对比调整得到第i图像块。S103,将对比度调整后的各图像块进行缝合得到对比度调整图像。例如,获取与所有原图像块对应的对比度调整后的图像块,并将所有这些图像块进行缝合得到对比度调整图像。
可以理解的是,正如上文所描述的当基于区域块来进行对比度调整时,可能出现某个块的亮度和周围明显不同,这样就会导致最终图像在这些区域块上过渡不自然,表现形式就是对比度调整后的图像上出现佛光或者亮黑斑块(例如图3示出的第一区域150)。
下面结合图4示例性阐述由图像处理器执行的调整图像对比度的方法,且与现有技术不同的是采用这种方法得到的对比度调整后的目标图像上的佛光和斑点现象明显得到改善。
如图4所示,本申请的一些实施例提供一种调整图像对比度的方法,该方法包括:S210,根据图像局域对比度调整算法对第i原图像块进行对比度调整得到第i图像块,其中,所述第i原图像块是对待处理的原始图像进行划分得到的任意图像块。S220,对所述第i图像块进行亮度修正,得到与所述第i原图像块对应的第i目标图像块。S230,根据所述第i目标图像块得到目标图像,也就是说,重复S210以及S220的图像处理过程得到与原始图像(即待对比度调整的图像)对应的目标图像。
需要说明的是,为了获取与原始图像对应的对比度调整后的目标图像可以重复执行上述S210以及S220得到各目标图像块,然后利用缝合等方式将这些目标图像块进行拼接,得到目标图像。可以理解的是,S230涉及的该目标图像由于对采用图像局域对比度调整算法(例如,局域直方图均衡算法等)得到的各图像块进行了亮度修正,因此可以有效改善得到的图像上存在的佛光以及斑点等问题。
下面示例性阐述上述过程。
S210涉及的原始图像即需要进行对比度调整的图像,可以理解的是,该图像属于灰度图像。例如,采用图1的镜头拍摄一张图像并获取该图像的灰度图像,基于该灰度图像进行对比度调整。
S210涉及的第i原图像块是对原始图像(即需要进行对比度调整的图像)进行图像分块得到的。例如,在本申请的一些实施例中,将原始图像的横向和纵向均进行N等分得到多个原图像块。在本申请的一些实施例中,将原始图像进行分块,且这些原图像块组合正好覆盖整张原始图像,且不同原图像块之间无相同像素点重叠。在本申请的一些实施例中,将原始图像进行分块,且这些原图像块之间可以存在重叠区域。
S210涉及的图像局域对比度调整算法包括局域直方图均衡算法AHE或者添加对比度限制的局部直方图均衡化CLAHE等。
在本申请的一些实施例中,S220至少根据第i图像块的亮度特征对所述第i图像块进行亮度修正。例如,在本申请的一些实施例中S220根据第i原图像块的亮度特征对第i图像块进行亮度修正。在本申请的一些实施例中,S220根据第i原图像块的亮度特征以及纹理分布特征对第i图像块进行亮度修正,例如,通过第i原图像块的亮度特征确定最大亮度调整量,根据该第i原图像块的纹理分布特征确定具体的亮度调整量。在本申请的一些实施例中,S220根据第i原图像块和其临近的原图像块的亮度特征对第i图像块进行亮度修正。
下面示例性阐述S220的实现过程。
如图5所示S220示例性包括:S221,获取亮度修正系数值,其中,所述亮度修正系数值与所述第i原图像块的亮度相关。以及S222,至少根据所述亮度修正系数值对所述第i图像块进行亮度修正,得到与所述第i原图像块对应的第i目标图像块。
下面以对原始图像划分得到的第i原始图像块为例示例性阐述图4的各步骤。
S221涉及的亮度修正系数值的获取方式包括如下示例。
在本申请的一些实施例中,将第i图像块的亮度调整至第i原图像块的亮度,对应的亮度修正系数值为第i原图像块的整体亮度均值与第i图像块整体亮度均值的比值或者所述亮度修正系数值为第i图像块整体亮度均值与第i原图像块的整体亮度均值的比值。在本申请的一些实施例中,将第i图像块的亮度调整至包含第i原图块在内的多个相邻原图像块的平均亮度,对应的亮度修正系数值为第i原图像块和与该第i原图像块相邻的多个原图像块的平均亮度值与第i图像块的整体亮度均值的比值或者所述亮度修正系数值为第i图像块的整体平均亮度值与第i原始图像块和与该第i原图像块相邻的多个原图像块的平均亮度值的比值。
下面以将第i图像块的亮度调整至与第i原图像块的亮度相关的亮度为例,示例性阐述获取S221的亮度修正系数值的过程。
例如,在本申请的一些实施例中,S221示例性包括:
第一步,获取所述第i原图像块的亮度特征值,得到原始亮度特征值。
需要说明的是,该原始亮度特征值可以是整个第i原图像块上所有像素点的灰度值的均值,或者是整个第i原图像块上部分像素点的灰度值的均值。
例如,求解所述第i原图像块上所有像素点的像素值的均值得到所述原始亮度平均值。
第二步,获取所述第i图像块的亮度特征值,得到初始调整亮度特征值。
需要说明的是,该初始调整亮度特征值可以是整个第i图像块上所有像素点的灰度值的均值,或者是整个第i图像块上部分像素点的灰度值的均值。
例如,求解所述第i图像块上所有像素点的像素值的均值得到所述初始调整亮度平均值。
第三步,根据所述原始亮度特征值以及所述初始调整亮度特征值得到所述亮度修正系数值。
例如,求解所述原始亮度平均值和所述初始调整亮度平均值的比值得到所述亮度修正系数值;或者,求解所述初始调整亮度平均值与所述原始亮度平均值的比值得到所述亮度修正系数值。
可以理解的是,本申请的一些实施例通过第i原始图像块的平均亮度值来表征第i原始图像块的原始亮度特征值,通过第i图像块的平均亮度值来表征第i图像块的初始调整亮度特征值,可以提升得到的亮度修正系数值的准确性。
S222涉及的获取第i目标图像块的方式包括如下示例。
在本申请的一些实施例中,S222示例性包括:将所述第i图像块上各像素点的像素值与所述亮度修正系数值相乘(若所述修正系数值为所述原始亮度平均值和所述初始调整亮度平均值的比值)或者相除(若所述修正系数值为所述初始调整亮度平均值与所述原始亮度平均值的比值)得到所述第i目标图像块。本申请的一些实施例将第i图像块与得到的亮度修正系数值相乘或者相除可以将第i图像块的亮度调整至第i原图像块的平均亮度水平,避免对比度调整后的图像会出现佛光或者斑点。
为了进一步提升对比度调整算法的效果,在本申请的一些实施例中,S222示例性包括:
第一步,获取所述第i原图像块的纹理属性值,其中,所述纹理属性值用于表征纹理在所述第i原图像块上的分布特征。
例如,该第一步包括:统计纹理区域面积与第i原图像块面积的比值,得到纹理属性值。
例如,该第一步包括:获取所述第i原图像块的边缘纹理信息,得到纹理图像块,将所述纹理图像块划分为N个子图像块并统计所述N个子图像块上的纹理分布特征,以及根据所述纹理分布特征得到所述纹理属性值。
需要说明的是,在本申请的一些实施例中,上述统计所述N个子图像块上的纹理分布特征示例性包括:确定无纹理的子图像块在所述N个子图像块中的占比,相应的上述根据所述纹理分布特征得到所述纹理属性值示例性包括:若所述占比越大则设置的所述纹理属性值越大,若所述占比越小则设置的所述纹理属性值越大(即所述纹理属性值与所述占比正相关)。在本申请的一些实施例中,上述统计所述N个子图像块上的纹理分布特征示例性包括:确定无纹理的子图像块在所述N个子图像块中的占比,相应的上述根据所述纹理分布特征得到所述纹理属性值示例性包括:若所述占比越大则设置的所述纹理属性值越大,若所述占比越小则设置的所述纹理属性值越小(即所述纹理属性值与所述占比负相关)。
在本申请的一些实施例中,纹理属性值的取值范围为大于等于零且小于等于1,则根据占比确定纹理属性值的大小。例如,将纹理图像块划分为10个子图像块,经统计得到该10个子图像块中有7个不存在纹理,则对应的纹理属性值为0.7。例如,将纹理图像块划分为10个子图像块,经统计得到该10个子图像块中有3个存在纹理,则对应的纹理属性值为0.3。
第二步,根据所述纹理属性值和所述亮度修正系数值得到目标亮度修正系数值,并根据所述目标亮度修正系数值对所述第i图像块进行亮度修正,其中,所述目标亮度修正系数值用于表征对所述第i图像块的亮度调整强度。该第二步示例性包括:将所述第i图像块上各像素点的像素值乘以或除以所述目标亮度修正系数值,得到所述第i目标图像块。
下面示例性阐述第二步涉及的目标亮度修正系数值的计算公式。
例如,在本申请的一些实施例中,上述统计所述N个子图像块上的纹理分布特征示例性包括:确定无纹理的子图像块在所述N个子图像块中的占比,相应的上述根据所述纹理分布特征得到所述纹理属性值示例性包括:若所述占比越大则设置的所述纹理属性值越大,若所述占比越小则设置的所述纹理属性值越小。这种情况下目标亮度修正系数值的计算公式如下:1.0+(x-1.0)*y,其中,x为所述亮度修正系数值,y为所述纹理属性值且y的取值范围为大于或等于第一数值且小于或等于第二数值,所述第二数值大于所述第一数值的,若所述占比为百分之百时则y取值为所述第二数值。
可以理解的是,本申请的一些实施例通过对第i原图像块进行分块并统计在各子图像块上纹理的分布情况来得到纹理属性值,提升得到的该值的准确性。本申请的一些实施例通过统计无纹理子图像块的占比来确定纹理属性值的大小,实现了纹理属性值的量化。本申请的一些实施例还提供了一种通过统计包含纹理子图像块的占比来确定纹理属性值的方法,实现了纹理属性值的量化操作。本申请的一些实施例通过目标亮度修正系数对第i图像块进行亮度修正,实现了对于纹理丰富的原图像块不进行亮度调整(可以认为进行的是目标亮度修正系数值为1的亮度修正)而对于纹理相对缺乏的图像块进行亮度修正,保证与纹理丰富的原图像块对应的第i图像块的对比度效果更好。
下面结合图6以局域直方图均衡算法为例示例性阐述获取对比度调整后的目标图像的方法。
如图6所示,在本申请的一些实施例中,调整图像对比度的方法包括:
S301,将原始图像分成多个原图像块,第i原图像块为划分得到的任一一个原图像块。
具体地,将输入原始图像的横向和纵向均进行16等分得到多个小方格图像即得到多个原图像块(即将输入原始图像分成16x16个互不重叠的原图像块),这些原图像块中的任意一个原图像块表征为ai,i的取值为大于等于1且小于等于对图像进行划分得到的总图像块数目。
S302,对第i原图像块进行直方图均衡化得到第i图像块。
具体地,对S301得到的每个原图像块ai计算全局直方图均衡化后的调整直方图,得到与各图像块ai分别对应的第i图像块bi(即第i图像块)。
S303,计算第i原图像块和第i图像块之间平均亮度比例参数值(作为亮度修正系数值的一个示例)。
具体地,计算第i原图像块ai的平均亮度与第i图像块bi平均亮度的比值得到平均亮度比例参数值x。
需要说明的是,如果这里是用“ai平均亮度/bi平均亮度”得到x,则若仅根据亮度修正系数对第i图像块进行亮度修正的运算即:x2*(bi图像块上各像素点的值)。如果这里是bi平均亮度/ai平均亮度得到x,则若仅根据亮度修正系数对第i图像块进行亮度修正的运算即:(bi图像块上各像素点的值)/x2。可以理解的是,如果仅根据亮度修正系数值对第i图像块进行亮度修正则不必执行S304、S305以及S306获取纹理属性的步骤。
S304,计算第i原图像块的边缘纹理信息,得到边缘纹理图像块。
具体地,通过边缘提取算法、canny算法或者sobel算法等纹理提取算法计算第i原图像块的纹理信息。
需要说明的是,该处的边缘纹理图像块是一副与第i原图像块ai大小相同的用于反映纹理特征的图像块,且在该图像块上各像素点的像素值越大,则表示纹理梯度越高,反之就越靠近0。
S305,将边缘纹理图像块进一步划分为多个子图像块,并统计边缘纹理信息在每个子图像块中出现次数,得到第i原图像块的纹理分布参数值(作为纹理属性值的一个示例),该纹理分布参数值是用于表征纹理分布的参数值。
例如,将边缘纹理图像继续划分成小方格得到多个子图像块,这些小方格可以互不重叠且所有小方格正好覆盖边缘纹理图像。例如,将边缘纹理图像继续划分成小方格得到多个子图像块,这些小方格可以存在重叠,对于重叠区域进行均值叠加处理。统计边缘纹理是否在每个小方格里面都有分布,分布的越广泛,则设置纹理分布参数值y(或称为纹理属性值)越接近0.0,反之接近1.0。例如,每个小方格里面都有边缘信息则分布系数参数值y的取值为0.0,所有小方格里面都没有边缘信息则分布系数参数值y为1.0。需要说明的是,在得到所有子图像块中如果每个里面都有梯度信息,表示分布最广泛,如果一个子图像块中都不存在梯度信息则表示分布最不广泛。例如,将边缘纹理图像划分为10个子图像块,如果这10个值图像块中有3个子图像块均检测到边缘纹理而剩余7个不存在纹理信息,此时纹理属性值y的取值为0.7,可以理解的是,在本申请的另一些实施例中纹理分布参数值y的取值也可以为0.3,此时相当于分布的越广泛,则设置纹理分布参数值y(或称为纹理属性值)越接近1.0,反之接近0.0。
S306,通过第i原图像块的平均亮度比例参数值和纹理分布参数值得到目标亮度修正系数值,并通过目标亮度修正系数值对第i图像块进行亮度调整,得到第i目标图像块。
具体的,若亮度修正系数值x表示为ai平均亮度/bi平均亮度且纹理参数值y在纹理分布越广泛时设置为0,反之设置为1,则目标亮度修正系数值x2的计算公式为:
X2=1.0+(x-1.0)*y
其中,x为亮度修正系数值,y为纹理属性值。
可以理解的是,上述目标亮度修正系数值x2的计算公式表征的含义为:当纹理参数值y为0的时候表示该纹理图像子块的纹理信息丰富,不需要做亮度修正,当y为1的时候表示需要做最强的亮度修正。
若采用上述目标亮度修正系数值x2的计算公式,则上述通过目标亮度修正系数值对第i图像块进行亮度调整得到第i目标图像块示例性包括:使用目标亮度修正系数值x2对第i图像块bi进行整体亮度调整,即将第i图像块bi上的各像素点的值均乘以系数x2。可以理解的是,若亮度修正系数值x表示为bi平均亮度/ai平均亮度,则使用目标亮度修正系数值x2对第i图像块bi进行整体亮度调整,即将第i图像块bi上的各像素点的值均除以系数x2。
S307,重复上述过程,得到所有目标图像块,并通过缝合线拼接对各目标图像块进行处理,得到目标图像。
需要说明的是,对所有目标图像块进行图像缝合线拼接,得到最终对比度调整后结果图像。或者说前面基于原始图像进行分块时候让每个图像块之间存在重叠区域(即不同原始图像块ai之间可以存在重叠),对重叠区域取均值迭代,也可以去掉缝合线问题。对各目标图像块进行缝合处理的方法属于现有技术,因此在此不做过多赘述。
结合图6对应的上述示例不难发现,在本申请的一些实施例中,分别计算每个对比度调整后的图像块亮度和调整前图像块整体亮度,将调整后的块亮度整体修正回原来的亮度水平,只保证他们有对比度相关变化,进而做到改善佛光等这些问题,但是这种做法会导致结果图像对比度效果比不做调整时候会差一些。经过本申请的发明人进一步分析发现佛光这些情况,通常出现在某个图像块存在大面积的无纹理区域时候,而大面积无纹理区域地方实际上并不需要做对比度调整,因此本申请的一些实施例对每个原图像块进行梯度分析,只有在这种存在大面积无纹理区域的原图像块(例如,第i原图像块)才对对应的调整后的图像块(例如,第i图像块)进行比较强的亮度抑制,可以保证在佛光等问题明显改善的情况下,对比度调整效果和原本效果基本持平。
请参考图7,图7示出了本申请实施例提供的调整图像对比度的装置,应理解,该装置与上述图4方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该装置的具体功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。装置包括至少一个能以软件或固件的形式存储于存储器中或固化在装置的操作系统中的软件功能模块,该调整图像对比度的装置包括:图像局域对比度调整模块101、亮度调整模块102以及目标图像获取模块103。
图像局域对比度调整模块,被配置为根据图像局域对比度调整算法对第i原图像块进行对比度调整得到第i图像块,其中,所述第i原图像块是对待处理的原始图像进行划分得到的任意图像块。
亮度调整模块102,被配置为对所述第i图像块进行亮度修正,得到与所述第i原图像块对应的第i目标图像块。
目标图像获取模块103,被配置为根据所述第i目标图像块得到目标图像。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
本申请的一些实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时可实现上述调整图像对比度的方法。
本申请的一些实施例提供一种计算机程序产品,所述的计算机程序产品包括计算机程序,其中,所述的计算机程序被处理器执行时可实现如上述调整图像对比度的方法。
本申请的一些实施例提供一种图像处理器,该图像处理器被配置为执行如图4所示的调整图像对比度的方法。
如图8所示,本申请的一些实施例提供一种电子设备,包括存储器510、处理器520、总线530以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述程序时可实现如上述调整图像对比度的方法。
处理器520可以处理数字信号,可以包括各种计算结构。例如复杂指令集计算机结构、结构精简指令集计算机结构或者一种实行多种指令集组合的结构。在一些示例中,处理器520可以是微处理器。
存储器510可以用于存储由处理器520执行的指令或指令执行过程中相关的数据。这些指令和/或数据可以包括代码,用于实现本申请实施例描述的一个或多个模块的一些功能或者全部功能。本公开实施例的处理器520可以用于执行存储器510中的指令以实现图4中所示的方法。存储器510包括动态随机存取存储器、静态随机存取存储器、闪存、光存储器或其它本领域技术人员所熟知的存储器。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。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定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
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。
Claims (14)
1.一种调整图像对比度的方法,其特征在于,所述方法包括:
根据图像局域对比度调整算法对第i原图像块进行对比度调整得到第i图像块,其中,所述第i原图像块是对待处理的原始图像进行划分得到的任意图像块;
对所述第i图像块进行亮度修正,得到与所述第i原图像块对应的第i目标图像块;
根据所述第i目标图像块得到目标图像。
2.如权利要求1所述的方法,其特征在于,
所述对所述第i图像块进行亮度修正,得到与所述第i原图像块对应的第i目标图像块,包括:
获取亮度修正系数值,其中,所述亮度修正系数值与所述第i原图像块的亮度相关;
至少根据所述亮度修正系数值对所述第i图像块进行亮度修正,得到与所述第i原图像块对应的第i目标图像块。
3.如权利要求2所述的方法,其特征在于,
所述获取亮度修正系数值,包括:
获取所述第i原图像块的亮度特征值,得到原始亮度特征值;
获取所述第i图像块的亮度特征值,得到初始调整亮度特征值;
根据所述原始亮度特征值以及所述初始调整亮度特征值得到所述亮度修正系数值。
4.如权利要求3所述的方法,其特征在于,
所述获取所述第i原图像块的亮度特征值,得到原始亮度特征值,包括:
求解所述第i原图像块上所有像素点的像素值的均值得到所述原始亮度平均值;
所述获取所述第i图像块的亮度特征值得到初始调整亮度特征值,包括:
求解所述第i图像块上所有像素点的像素值的均值得到所述初始调整亮度平均值;
所述根据所述原始亮度特征值以及所述初始调整亮度特征值得到所述亮度修正系数值,包括:
求解所述原始亮度平均值和所述初始调整亮度平均值的比值得到所述修正系数值;或者,求解所述初始调整亮度平均值与所述原始亮度平均值的比值得到所述修正系数值。
5.如权利要求2-4任一项所述的方法,其特征在于,
所述至少根据所述亮度修正系数值对所述第i图像块进行亮度修正得到与所述第i原图像块对应的第i目标图像块,包括:
将所述第i图像块上各像素点的像素值与所述亮度修正系数值相乘或者相除得到所述第i目标图像块上相应像素点的值。
6.如权利要求2-4任一项所述的方法,其特征在于,
所述至少根据所述亮度修正系数值对所述第i图像块进行亮度修正,包括:
获取所述第i原图像块的纹理属性值,其中,所述纹理属性值用于表征纹理在所述第i原图像块上的分布特征;
根据所述纹理属性值和所述亮度修正系数值得到目标亮度修正系数值,并根据所述目标亮度修正系数值对所述第i图像块进行亮度修正。
7.如权利要求6所述的方法,其特征在于,
所述获取所述第i原图像块的纹理属性值,包括:
获取所述第i原图像块的纹理信息,得到纹理图像块;
将所述纹理图像块划分为N个子图像块,并统计所述N个子图像块上的纹理分布特征;
根据所述纹理分布特征得到所述纹理属性值。
8.如权利要求7所述的方法,其特征在于,
所述统计所述N个子图像块上的纹理分布特征,包括:
确定无纹理的子图像块在所述N个子图像块中的占比;
所述根据所述纹理分布特征得到所述纹理属性值,包括:
所述纹理属性值与所述占比正相关;
或者
所述统计所述N个子图像块上的纹理分布特征,包括:
确定存在纹理的子图像块在所述N个子图像块中的占比;
所述根据所述纹理分布特征得到所述纹理属性值,包括:
所述纹理属性值与所述占比负相关。
9.如6-8任一项所述的方法,其特征在于,所述目标亮度修正系数值的计算公式如下:
1.0+(x-1.0)*y
其中,x为所述亮度修正系数值,y为所述纹理属性值且y的取值范围为大于或等于第一数值且小于或等于第二数值,所述第二数值大于所述第一数值。
10.如权利要求6-9任一项所述的方法,其特征在于,
所述根据所述目标亮度修正系数对所述第i图像块进行亮度修正包括:
将所述第i图像块上各像素点的像素值乘以或除以所述目标亮度修正系数值,得到所述第i目标图像块。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时可实现权利要求1-10中任意一项权利要求所述的方法。
12.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述程序时可实现权利要求1-10中任意一项权利要求所述的方法。
13.一种计算机程序产品,其特征在于,所述的计算机程序产品包括计算机程序,其中,所述的计算机程序被处理器执行时可实现如权利要求1-10中任意一项权利要求所述的方法。
14.一种图像处理器,其特征在于,所述图像处理器被配置为实现如权利要求1-10任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210398213.9A CN116263942A (zh) | 2022-04-15 | 2022-04-15 | 一种调整图像对比度的方法、存储介质及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210398213.9A CN116263942A (zh) | 2022-04-15 | 2022-04-15 | 一种调整图像对比度的方法、存储介质及计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116263942A true CN116263942A (zh) | 2023-06-16 |
Family
ID=86722817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210398213.9A Pending CN116263942A (zh) | 2022-04-15 | 2022-04-15 | 一种调整图像对比度的方法、存储介质及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116263942A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218042A (zh) * | 2023-11-09 | 2023-12-12 | 广东蛟龙电器有限公司 | 一种发质类型视觉分析检测方法 |
-
2022
- 2022-04-15 CN CN202210398213.9A patent/CN116263942A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218042A (zh) * | 2023-11-09 | 2023-12-12 | 广东蛟龙电器有限公司 | 一种发质类型视觉分析检测方法 |
CN117218042B (zh) * | 2023-11-09 | 2024-02-20 | 广东蛟龙电器有限公司 | 一种发质类型视觉分析检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11457138B2 (en) | Method and device for image processing, method for training object detection model | |
Liang et al. | Single underwater image enhancement by attenuation map guided color correction and detail preserved dehazing | |
Emberton et al. | Underwater image and video dehazing with pure haze region segmentation | |
CN110248096B (zh) | 对焦方法和装置、电子设备、计算机可读存储介质 | |
Kim et al. | Optimized contrast enhancement for real-time image and video dehazing | |
CN109754377B (zh) | 一种多曝光图像融合方法 | |
WO2021022983A1 (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
EP4198875A1 (en) | Image fusion method, and training method and apparatus for image fusion model | |
Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
CN111402146A (zh) | 图像处理方法以及图像处理装置 | |
CN108431751B (zh) | 背景去除 | |
CN109214996B (zh) | 一种图像处理方法及装置 | |
CN116681636B (zh) | 基于卷积神经网络的轻量化红外与可见光图像融合方法 | |
CN114627034A (zh) | 一种图像增强方法、图像增强模型的训练方法及相关设备 | |
CN111311503A (zh) | 一种夜晚低亮度图像增强系统 | |
CN109325905B (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN116263942A (zh) | 一种调整图像对比度的方法、存储介质及计算机程序产品 | |
Fuh et al. | Mcpa: A fast single image haze removal method based on the minimum channel and patchless approach | |
Hong et al. | Single image dehazing based on pixel-wise transmission estimation with estimated radiance patches | |
CN109859138B (zh) | 一种基于人眼视觉特性的红外图像增强方法 | |
CN116468636A (zh) | 低照度增强方法、装置、电子设备和可读存储介质 | |
CN110648297A (zh) | 图像去雾方法、系统、电子设备和存储介质 | |
CN112822343B (zh) | 一种面向夜间视频的清晰化方法及存储介质 | |
Nair et al. | Benchmarking single image dehazing methods | |
CN116917954A (zh) | 图像检测方法、装置和电子设备 |
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 |