CN116563166A - 一种图像增强方法、装置、存储介质和设备 - Google Patents
一种图像增强方法、装置、存储介质和设备 Download PDFInfo
- Publication number
- CN116563166A CN116563166A CN202310577299.6A CN202310577299A CN116563166A CN 116563166 A CN116563166 A CN 116563166A CN 202310577299 A CN202310577299 A CN 202310577299A CN 116563166 A CN116563166 A CN 116563166A
- Authority
- CN
- China
- Prior art keywords
- image
- component
- scale
- follows
- processing
- 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 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 74
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 94
- 230000006870 function Effects 0.000 claims description 50
- 238000005286 illumination Methods 0.000 claims description 33
- 210000001525 retina Anatomy 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000012546 transfer Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 13
- 230000000903 blocking effect Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 229910052739 hydrogen Inorganic materials 0.000 claims description 12
- 238000010008 shearing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001360 synchronised 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像增强技术领域，尤其涉及一种图像增强方法、装置、存储介质和设备，包括如下步骤：步骤A、扫描目标工件，获取图像，并对图像进行多尺度分解，获得图像的照射分量和反射分量；步骤B、通过改进的直方图均衡算法对照射分量进行均衡处理；步骤C、通过改进的高通滤波器对反射分量进行滤波处理；步骤D、将处理后的反射分量和照射分量按比例进行融合，得到增强后的图像。本发明解决了现有技术存在的图像对比度低，细节不明显导致图像模糊，且背景噪声明显的问题；提高了低灰度、低对比度图像的质量，使图像细节增强效果得到改善。
Description
技术领域
本发明涉及图像增强技术领域，尤其涉及一种图像增强方法、装置、存储介质和设备。
背景技术
X射线成像技术广泛应用在工业无损检测、医疗、军事等领域，工业X射线成像系统利用X射线对工件的穿透能力，以及在穿透过程中不同密度的材料和不同物体结构对X射线衰减程度的差异，将工件结构形成影像；目前，工业X射线图像增强技术主要分为两个技术路线：空间域处理和频域处理；空间域处理是以对X射线图像像素的直接处理为基础，比如图像去噪、锐化和直方图均衡等方法；频域处理则是将图像的空间域转换为频域信息后对图像进行处理，如傅里叶变换、小波变换等；
然而，工业X射线数字图像存在背景噪声、目标和背景的空间对比度及细节对比度较差、图像模糊等问题，这给工业射线检测和射线图像诊断分析带来了困难，因此，图像增强技术成为了解决这些问题的重要手段。
为此，公开号为CN106570836A、公开日为2017-04-17的专利文献公开了一种辐射图像局部增强方法，包括如下步骤：S1：对扫描得到的辐射图像进行预处理得到归一化图像；S2：将归一化图像按亮度信息划分为暗部区域和亮部区域；S3：分别对归一化图像的暗部区域和亮部区域的边缘信息进行增强处理，得到边缘增强后的图像；S4：分别对归一化图像的暗部区域和亮部区域的细节信息进行增强处理，得到细节增强后的图像；S5：对边缘和细节增强后的图像通过对数变换拉伸图像中较暗区域的灰度范围，得到图像质量提高后的X射线图像。与现有的图象增强算法相比，该方法通过对原始图像的细节部分处理和整体的对比度调整来提高图像的特征细节等，并通过去噪模型抑制图像的噪声，提高图像质量。
但是，该专利主要还存在以下几个方面的问题：
1、处理后的图像对比度提高不够明显，尤其对于对比度低的X射线图像处理效果不太理想；
2、增强了图像对比度的同时，部分噪声也随之增大，使得图像背景噪声明显；
3、对于灰度级别分布特别不均匀的图像，处理后会产生锯齿感，从而图像不够清晰；
为此，有必要提出一种图像增强方法来解决上述技术问题。
发明内容
针对现有技术中所存在的不足，本发明提供了一种图像增强方法、装置、存储介质和设备，主要采用改进的直方图均衡化算法对照射分量进行处理，提高图像的整体对比度；采用改进的高通滤波器对反射分量进行处理，对图像的细节进行增强；有效地解决了现有技术中DR图像对比度低，细节增强效果不理想，存在背景噪声的问题。
第一方面，本发明提供一种图像增强方法，包括如下步骤：
步骤A、扫描目标工件，获取图像，并对图像进行多尺度分解，获得图像的照射分量和反射分量；
步骤B、通过改进的直方图均衡算法对照射分量进行均衡处理；
步骤C、通过改进的高通滤波器对反射分量进行滤波处理；
步骤D、将处理后的反射分量和照射分量按比例进行融合，得到增强后的图像。
优选地，步骤A中，基于单尺度视网膜算法对图像进行多尺度分解处理，算法流程如下：
步骤A1、通过色彩恒常理论对图像进行分量化处理，得到对应的反射分量和照射分量；所述分量化处理表达式为：
I(x,y)＝L(x,y)×R(x,y)；
其中，I(x,y)表示图像，L(x,y)表示照射分量，R(x,y)表示反射分量；
步骤A2、为了便于计算，将反射分量和照射分量统一到对数领域，其表达式为：
lg(I(x,y))＝lg(L(x,y))+lg(R(x,y))；
步骤A3、通过单尺度视网膜算法对图像进行处理，单尺度视网膜算法的表达式为：
R(x,y)＝lg(L(x,y))-lg[L(x,y)*G(x,y)]；
其中，*表示图像的卷积运算；G(x,y)表示低通滤波函数，用于估计图像的照射分量，其表达式为：
其中，c表示尺度；K表示归一化常数，其设置满足：
∫∫G(x,y)dxdy＝1；
步骤A4、采用多尺度视网膜算法对图像的动态范围进行压缩，多尺度视网膜算法的表达式为：
其中，RM(x,y)表示反射分量，n表示尺度数目，ωk表示第k个尺度所对应的权重，默认设置为ω1＝ω2＝ω3。
优选地，步骤B中改进的直方图均衡算法基于限制对比度自适应直方图均衡化对照射分量进行处理，具体流程如下：
步骤B1、把图像分为M×N个连续且不重叠的子区域，M×N的大小由局部细节的增强强度决定；
步骤B2、分别计算每个子块区域的灰度直方图H(i)；
步骤B3、构造限制函数，把图像的分块区域均匀化调整，利用图像像素与分块区域灰度的转换函数进行双线性插值计算；
步骤B4、将像素点附近的各个分块进行插值处理，降低子块之间的互相影响。
优选地，所述步骤B3的具体计算公式为：
设定一个限制值T，当H(i)≥T时，H(i)＝Hmax；当H(i)<T时，H(i)＝H(i)+L；
其中，T，L，Hmax三者关系为：Hmax＝L+T；
L的取值为：
其中，Ng表示子区域灰度级数量，S表示阴影值，N∑S为阴影部分总像素数目。
优选地，所述步骤B4的具体实现步骤为：
步骤B41、将图像平均分成等面积的几块矩形；
步骤B42、计算每个小块的直方图、累积分布函数以及对应的变换函数；
步骤B43、通过对四个相邻像素块进行内插变换来得到其它像素块的像素值；
步骤B44、对各个领域的直方图按照像素块的对应阈值进行剪切处理。
优选地，步骤C中，所述高通滤波器包括：巴特沃斯高通滤波器。
优选地，所述通过改进的高通滤波器对反射分量进行处理，截止频率距原点为D0且N阶的巴特沃斯型高通滤波器传递函数为：
其中，D0为指定的非负数值，D(u,v)表示(u,v)点距频率矩形中心的距离；
改进后的巴特沃斯高通滤波器的传递函数为：
Hhfe(u,v)＝a+bHhp(n,v)；
其中，Hhp(n,v)表示巴特沃斯高通滤波器的传递函数，a表示偏移量，b表示乘数。
优选地，步骤D中，所述将处理后的反射分量和照射分量按比例进行融合，其表达式为：
F＝wIL'I+wpR'I；
其中，wI和wp分别表示图像融合的权重，并且wI+wp＝1；LI表示预处理后的照射分量，RI表示处理后的反射分量。
第二方面，本发明提供一种图像增强装置，包括：
分量处理单元，用于扫描目标工件，获取图像，并对图像进行多尺度分解，获得图像的照射分量和反射分量；
均衡处理单元，用于通过改进的直方图均衡算法对照射分量进行均衡处理；
滤波处理单元，用于通过改进的高通滤波算法对反射分量进行滤波处理；
图像增强单元，用于将处理后的反射分量和照射分量按比例进行融合，得到增强后的图像。
优选地，所述分量处理单元包括：
分量化处理模块，用于通过色彩恒常理论对图像进行分量化处理，得到对应的反射分量和照射分量；所述分量化处理表达式为：
I(x,y)＝L(x,y)×R(x,y)；
其中，I(x,y)表示图像，L(x,y)表示照射分量，R(x,y)表示反射分量；
分量统一模块，用于为了便于计算，将反射分量和照射分量统一到对数领域，其表达式为：
lg(I(x,y))＝lg(L(x,y))+lg(R(x,y))；
单尺度处理模块，用于通过单尺度视网膜算法对图像进行处理，单尺度视网膜算法的表达式为：
R(x,y)＝lg(L(x,y))-lg[L(x,y)*G(x,y)]；
其中，*表示图像的卷积运算；G(x,y)表示低通滤波函数，用于估计图像的照射分量，其表达式为：
其中，c表示尺度；K表示归一化常数，其设置满足：
∫∫G(x,y)dxdy＝1；
多尺度处理模块，采用多尺度视网膜算法对图像的动态范围进行压缩，多尺度视网膜算法的表达式为：
其中，RM(x,y)表示反射分量，n表示尺度数目，ωk表示第k个尺度所对应的权重，默认设置为ω1＝ω2＝ω3。
优选地，所述均衡处理单元包括：
区域分割模块，用于把图像分为M×N个连续且不重叠的子区域，M×N的大小由局部细节的增强强度决定；
直方图计算模块，用于分别计算每个子块区域的灰度直方图H(i)；
区域调整模块，用于构造限制函数，把图像的分块区域均匀化调整，利用图像像素与分块区域灰度的转换函数进行双线性插值计算；
插值处理模块，用于将像素点附近的各个分块进行插值处理，降低子块之间的互相影响。
优选地，所述区域调整模块中具体计算公式为：设定一个限制值T，当H(i)≥T时，H(i)＝Hmax；当H(i)<T时，H(i)＝H(i)+L；
其中，T，L，Hmax三者关系为：Hmax＝L+T；
L的取值为：
其中，Ng表示子区域灰度级数量，S表示阴影值，N∑S为阴影部分总像素数目。
优选地，所述插值处理模块包括：
图像均分模块，用于将图像平均分成等面积的几块矩形；
像素块计算模块，用于计算每个小块的直方图、累积分布函数以及对应的变换函数；
内插变换模块，用于通过对四个相邻像素块进行内插变换来得到其它像素块的像素值；
剪切处理模块，用于对各个领域的直方图按照像素块的对应阈值进行剪切处理。
优选地，所述滤波处理单元通过巴特沃斯高通滤波器进行设置。
优选地，所述巴特沃斯高通滤波器，用于对反射分量进行处理，截止频率距原点为D0且N阶的巴特沃斯型高通滤波器传递函数为：
其中，D0为指定的非负数值，D(u,v)表示(u,v)点距频率矩形中心的距离；
改进后的巴特沃斯高通滤波器的传递函数为：
Hhfe(u,v)＝a+bHhp(n,v)；
其中，Hhp(n,v)表示巴特沃斯高通滤波器的传递函数，a表示偏移量，b表示乘数。
优选地，所述图像增强单元包括图像增强模块，所述图像增强模块用于将处理后的反射分量和照射分量按比例进行融合，其表达式为：
F＝wIL'I+wpR'I；
其中，wI和wp分别表示图像融合的权重，并且wI+wp＝1；LI表示预处理后的照射分量，RI表示处理后的反射分量。
第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：步骤A、扫描目标工件，获取图像，并对图像进行多尺度分解，获得图像的照射分量和反射分量；步骤B、通过改进的直方图均衡算法对照射分量进行均衡处理；步骤C、通过改进的高通滤波算法对反射分量进行滤波处理；步骤D、将处理后的反射分量和照射分量按比例进行融合，得到增强后的图像。
第四方面，本发明提供一种计算机设备，所述计算机设备包括处理器和存储器；所述存储器存储有至少一条指令，所述至少一条指令用于被所述处理器执行时实现以下步骤：步骤A、扫描目标工件，获取图像，并对图像进行多尺度分解，获得图像的照射分量和反射分量；步骤B、通过改进的直方图均衡算法对照射分量进行均衡处理；步骤C、通过改进的高通滤波算法对反射分量进行滤波处理；步骤D、将处理后的反射分量和照射分量按比例进行融合，得到增强后的图像。
相比于现有技术，本发明具有如下有益效果：通过改进后的直方图均衡化算法提升传统的自适应图像增强算法的泛化能力，改善了灰度范围差异较大的图像处理效果，同时对图像噪声进行了针对性去噪；通过改进的高通滤波器进行处理使得图像的零频率不被过滤掉，从而进一步提升图像的边缘和细节，防止处理后的图像产生锯齿感；
综上，本发明对图像的细节进行增强的同时，提高了低灰度、低对比度图像的质量，有效地优化了图像在评价指标SSIM和PSNR的表现，便于检测人员对工件感兴趣区域的查看和后续图像处理算法的使用，基于上述理由本发明可以在图像处理等领域广泛推广。
附图说明
图1为一种图像增强方法、装置、存储介质和设备的方法流程图；
图2为本发明实施例提供的限制函数前后对比图；
图3为本发明实施例提供的一种图像增强装置的示意图；
图4为本发明实施例提供的计算机设备的结构示意图。
具体实施方式
下面结合附图及实施例对本发明中的技术方案进一步说明。
图1为本发明实施例提供的一种图像增强方法的方法流程图，如图1所示，包括如下步骤：
步骤A、扫描目标工件，获取图像，并对图像进行多尺度分解，获得图像的照射分量和反射分量；
步骤B、通过改进的直方图均衡算法对照射分量进行处理，提高图像整体对比度；
步骤C、通过改进的巴特沃斯高通滤波器对反射分量进行处理，增强图像细节；
步骤D、将处理后的反射分量和照射分量按比例进行融合，得到增强后的图像。
通过对图像进行多尺度分解处理，获取图像的照射分量和反射分量；采用改进后的直方图均衡算法对照射分量进行增强，使图像灰度级分布较广且呈现均匀分布，提高图像的对比度；采用改进的高通滤波器对反射分量进行滤波处理，增强图像的细节部分，使图像的边缘和细节突出。
优选地，步骤A中，基于单尺度视网膜算法对图像进行多尺度分解处理，算法流程如下：
步骤A1、通过色彩恒常理论对图像进行分量化处理，得到对应的反射分量和照射分量；量化处理表达式为：
I(x,y)＝L(x,y)×R(x,y)；
其中，I(x,y)表示图像，L(x,y)表示照射分量，R(x,y)表示反射分量；
步骤A2、为了便于计算，将反射分量和照射分量统一到对数领域，其表达式为：
lg(I(x,y))＝lg(L(x,y))+lg(R(x,y))；
步骤A3、通过单尺度视网膜算法对图像进行处理，单尺度视网膜算法的表达式为：
R(x,y)＝lg(L(x,y))-lg[L(x,y)*G(x,y)]；
其中，*表示图像的卷积运算；G(x,y)表示低通滤波函数，用于估计图像的照射分量，其表达式为：
其中，c表示尺度；K表示归一化常数，其设置满足：
∫∫G(x,y)dxdy＝1；
步骤A4、采用多尺度视网膜算法对图像的动态范围进行压缩，多尺度视网膜算法的表达式为：
其中，RM(x,y)表示反射分量，n表示尺度数目，ωk表示第k个尺度所对应的权重，默认设置为ω1＝ω2＝ω3。
需要说明的是，通过基于单尺度视网膜算法对图像进行多尺度分解处理，以提高图像增强算法的效果；其中，步骤A3所述的单尺度视网膜算法中，c的取值特别重要；c的取值太小，可以增强图像暗区域的细节，但导致颜色失真；c的取值太大，图像的细节信息增强不够；因此采用多尺度视网膜算法对图像的动态范围进行压缩，多尺度视网膜算法在多个尺度上对图像进行分解，并且在每个尺度上都为不同的光照成分分配权重。
优选地，步骤B中，改进的直方图均衡算法基于限制对比度自适应直方图均衡化对照射分量进行处理，具体流程如下：
步骤B1、把图像分为M×N个连续且不重叠的子区域；M×N的大小由局部细节的增强强度决定；
步骤B2、分别计算每个子块区域的灰度直方图H(i)；
步骤B3、构造限制函数，把图像的分块区域均匀化调整，利用图像像素与分块区域灰度的转换函数进行双线性插值计算；
步骤B4、将像素点附近的各个分块进行插值处理，降低子块之间的互相影响。
需要说明的是，照射分量反映了图像的边缘信息，对应图像的低频部分，传统的直方图均衡化算法易使图像的灰度级缺失和出现明显的阶跃现象，会导致图像的细节产生撕裂感；同时，如果对限制函数选取不当，会造成图像边缘出现伪影现象；
因此，本申请采用改进后的直方图均衡化算法，将输入图像的灰度级映射到输出图像,使输出图像各灰度级分布较广且呈现相对均匀分布,从而图像的对比度得到增强，以CLAHE算法(限制对比度自适应直方图均衡化)为基础，对照射分量进行增强，提高图像的整体质量。
图2表示限制函数处理前后对比图；如图2所示，左为限制函数处理前图像，右为限制函数处理后图像；
步骤B3的具体计算公式为：
设定一个限制值T，当H(i)≥T时，H(i)＝Hmax；当H(i)<T时，H(i)＝H(i)+L；
其中，T，L，Hmax三者关系为：Hmax＝L+T；
L的取值为：
其中，Ng表示子区域灰度级数量，S表示阴影值，N∑S为阴影部分总像素数目。
优选地，步骤B4的具体实现步骤为：
步骤B41、将图像平均分成等面积的几块矩形；
步骤B42、计算每个小块的直方图、累积分布函数以及对应的变换函数；
步骤B43、通过对四个相邻像素块进行内插变换来得到其它像素块的像素值；
步骤B44、对各个领域的直方图按照像素块的对应阈值进行剪切处理。
需要说明的是，传统的自适应直方图均衡化算法中计算转换函数的过程非常耗时，所以在CLAHE算法(限制对比度自适应直方图均衡化)中使用了插值计算，使得算法的效率得到提升，并且在图像的质量方面不受影响，具体的：
首先，将图像平均分成等面积的几块矩形，然后计算每个小块的直方图、累积分布函数以及对应的变换函数；这个变换函数与小块的中心像素的原始定义是一致的；通过对四个相邻像素块进行内插变换来得到其它像素块的像素值，CLAHE算法对各个领域的直方图按照像素块的对应阈值进行剪切处理，限制像素块内区域对比度的放大倍数；
通过基于CLAHE算法的改进的直方图均衡化算法解决了AHE算法(自适应直方图均衡化算法)中噪声同步增强的问题，也较好的继承了AHE算法中特征细节增强效果得到改善的优点。
优选地，步骤C中，高通滤波器包括：巴特沃斯高通滤波器。
优选地，通过改进的高通滤波器对反射分量进行处理，截止频率距原点为D0且N阶的巴特沃斯型高通滤波器传递函数为：
其中，D0为指定的非负数值，D(u,v)表示(u,v)点距频率矩形中心的距离；
改进后的巴特沃斯高通滤波器的传递函数为：
Hhfe(u,v)＝a+bHhp(n,v)；
其中，Hhp(n,v)表示巴特沃斯高通滤波器的传递函数，a表示偏移量，b表示乘数。
需要说明的是，反射分量决定了图像的细节信息，对应图像的高频部分，但是经过高通滤波后，图像的平均强度会减小，甚至为0；
因此，采用巴特沃斯高通滤波器削弱图像的低频成分而高频成分可以保持不变，并对巴特沃斯高通滤波器加一个偏移量，滤波器乘以一个大于1的常数再和偏移量相加，使零频率不被滤波器过滤掉，且图像的边缘和细节得到突出，从而对图像的细节部分进行增强。
优选地，步骤D中，将处理后的反射分量和照射分量按比例进行融合，其表达式为：
F＝wIL'I+wpR'I；
其中，wI和wp分别表示图像融合的权重，并且wI+wp＝1；LI表示预处理后的照射分量，RI表示处理后的反射分量。
需要说明的是，将经过上述步骤处理后的照射分量和反射分量按照一定比例进行融合，得到增强后的图像。
在一个具体的实施例中，为了验证本申请的有效性，对已采集到的射线图像进行实验验证，通过主观评价和客观评价相结合的方法对图像增强效果进行分析。
表1
| 方法 | PSNR |
| 动态直方图均衡技术 | 0.856 |
| 非锐化掩膜图像增强技术 | 0.871 |
| 本发明算法 | 0.890 |
如表1所示，PSNR表示图像的峰值信噪比，其值越接近1，表示图像质量越高；分析上述实验结果可以得出：相比以上动态直方图均衡技术和非锐化掩膜图像增强技术两种增强算法，本实施例所述的图像增算法具有更高的质量提升。
本发明实施例二提供一种图像增强装置，如图3所示，为一种图像增强装置的示意图，包括：
分量处理单元，用于扫描目标工件，获取图像，并对图像进行多尺度分解，获得图像的照射分量和反射分量；
均衡处理单元，用于通过改进的直方图均衡算法对照射分量进行均衡处理；
滤波处理单元，用于通过改进的高通滤波算法对反射分量进行滤波处理；
图像增强单元，用于将处理后的反射分量和照射分量按比例进行融合，得到增强后的图像；
优选地，分量处理单元包括：
分量化处理模块，用于通过色彩恒常理论对图像进行分量化处理，得到对应的反射分量和照射分量；分量化处理表达式为：
I(x,y)＝L(x,y)×R(x,y)；
其中，I(x,y)表示图像，L(x,y)表示照射分量，R(x,y)表示反射分量；
分量统一模块，用于为了便于计算，将反射分量和照射分量统一到对数领域，其表达式为：
lg(I(x,y))＝lg(L(x,y))+lg(R(x,y))；
单尺度处理模块，用于通过单尺度算法对图像进行处理，单尺度算法的表达式为：
R(x,y)＝lg(L(x,y))-lg[L(x,y)*G(x,y)]；
其中，*表示图像的卷积运算；G(x,y)表示低通滤波函数，用于估计图像的照射分量，其表达式为：
其中，c表示尺度；K表示归一化常数，其设置满足：
∫∫G(x，y)dxdy＝1；
多尺度处理模块，采用多尺度视网膜算法对图像的动态范围进行压缩，多尺度视网膜算法的表达式为：
其中，RM(x,y)表示反射分量，n表示尺度数目，ωk表示第k个尺度所对应的权重，默认设置为ω1＝ω2＝ω3。
优选地，均衡处理单元包括：
区域分割模块，用于把图像分为M×N个连续且不重叠的子区域，M×N的大小由局部细节的增强强度决定；
直方图计算模块，用于分别计算每个子块区域的灰度直方图H(i)；
区域调整模块，用于构造限制函数，把图像的分块区域均匀化调整，利用图像像素与分块区域灰度的转换函数进行双线性插值计算；
插值处理模块，用于将像素点附近的各个分块进行插值处理，降低子块之间的互相影响。
优选地，区域调整模块中具体计算公式为：设定一个限制值T，当H(i)≥T时，H(i)＝Hmax；当H(i)<T时，H(i)＝H(i)+L；
其中，T，L，Hmax三者关系为：Hmax＝L+T；
L的取值为：
其中，Ng表示子区域灰度级数量，S表示阴影值，N∑S为阴影部分总像素数目。
优选地，插值处理模块包括：
图像均分模块，用于将图像平均分成等面积的几块矩形；
像素块计算模块，用于计算每个小块的直方图、累积分布函数以及对应的变换函数；
内插变换模块，用于通过对四个相邻像素块进行内插变换来得到其它像素块的像素值；
剪切处理模块，用于对各个领域的直方图按照像素块的对应阈值进行剪切处理。
优选地，滤波处理单元通过巴特沃斯高通滤波器进行设置。
优选地，巴特沃斯高通滤波器，用于对反射分量进行处理，截止频率距原点为D0且N阶的巴特沃斯型高通滤波器传递函数为：
其中，D0为指定的非负数值，D(u,v)表示(u,v)点距频率矩形中心的距离；
改进后的巴特沃斯高通滤波器的传递函数为：
Hhfe(u,v)＝a+bHhp(n,v)；
其中，Hhp(n,v)表示巴特沃斯高通滤波器的传递函数，a表示偏移量，b表示乘数。
优选地，图像增强单元包括图像增强模块，图像增强模块用于将处理后的反射分量和照射分量按比例进行融合，其表达式为：
F＝wIL'I+wpR'I；
其中，wI和wp分别表示图像融合的权重，并且wI+wp＝1；LI表示预处理后的照射分量，RI表示处理后的反射分量。
本发明实施例三还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中基于图像增强方法。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
基于同一技术构思，还提供了一种计算机设备。参照图4所示，为本发明实施例提供的计算机设备的结构示意图，包括处理器、存储器、和总线。其中，存储器用于存储执行指令，包括内存和外部存储器；这里的内存也称内存储器，用于暂时存放处理器中的运算数据，以及与硬盘等外部存储器交换的数据，处理器通过内存与外部存储器进行数据交换。存储器具体用于存储执行本发明实施例一种图像增强方法重建算法对应的程序逻辑代码，并由处理器来控制执行。也即，当计算机设备运行时，处理器与存储器之间通过总线通信，使得处理器执行存储器中存储的应用程序代码，进而用于控制实施例一种图像增强方法的完整重建。处理器可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器、网络处理器等；还可以是数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。其中，存储器可以是，但不限于，随机存取存储器，只读存储器，可编程只读存储器，可擦除只读存储器，电可擦除只读存储器等。
可以理解的是，实施例斯以及图4中示意的结构并不构成对计算机设备的具体限定。在实际使用中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (18)
1.一种图像增强方法，其特征在于，包括如下步骤：
步骤A、扫描目标工件，获取图像，并对图像进行多尺度分解，获得图像的照射分量和反射分量；
步骤B、通过改进的直方图均衡算法对照射分量进行均衡处理；
步骤C、通过改进的高通滤波器对反射分量进行滤波处理；
步骤D、将处理后的反射分量和照射分量按比例进行融合，得到增强后的图像。
2.根据权利要求1所述的一种图像增强方法，其特征在于，步骤A中，基于单尺度视网膜算法对图像进行多尺度分解处理，算法流程如下：
步骤A1、通过色彩恒常理论对图像进行分量化处理，得到对应的反射分量和照射分量；所述分量化处理表达式为：
I(x,y)＝L(x,y)×R(x,y)；
其中，I(x,y)表示图像，L(x,y)表示照射分量，R(x,y)表示反射分量；
步骤A2、为了便于计算，将反射分量和照射分量统一到对数领域，其表达式为：
lg(I(x,y))＝lg(L(x,y))+lg(R(x,y))；
步骤A3、通过单尺度视网膜算法对图像进行处理，单尺度视网膜算法的表达式为：
R(x,y)＝lg(L(x,y))-lg[L(x,y)*G(x,y)]；
其中，*表示图像的卷积运算；G(x,y)表示低通滤波函数，用于估计图像的照射分量，其表达式为：
其中，c表示尺度；K表示归一化常数，其设置满足：
∫∫G(x,y)dxdy＝1；
步骤A4、采用多尺度视网膜算法对图像的动态范围进行压缩，多尺度视网膜算法的表达式为：
其中，RM(x,y)表示反射分量，n表示尺度数目，ωk表示第k个尺度所对应的权重，默认设置为ω1＝ω2＝ω3。
3.根据权利要求1所述的一种图像增强方法，其特征在于，步骤B中改进的直方图均衡算法基于限制对比度自适应直方图均衡化对照射分量进行处理，具体流程如下：
步骤B1、把图像分为M×N个连续且不重叠的子区域，M×N的大小由局部细节的增强强度决定；
步骤B2、分别计算每个子块区域的灰度直方图H(i)；
步骤B3、构造限制函数，把图像的分块区域均匀化调整，利用图像像素与分块区域灰度的转换函数进行双线性插值计算；
步骤B4、将像素点附近的各个分块进行插值处理，降低子块之间的互相影响。
4.根据权利要求3所述的一种图像增强方法，其特征在于，所述步骤B3的具体计算公式为：
设定一个限制值T，当H(i)≥T时，H(i)＝Hmax；当H(i)<T时，H(i)＝H(i)+L；
其中，T，L，Hmax三者关系为：Hmax＝L+T；
L的取值为：
其中，Ng表示子区域灰度级数量，S表示阴影值，N∑S为阴影部分总像素数目。
5.根据权利要求3所述的一种图像增强方法，其特征在于，所述步骤B4的具体实现步骤为：
步骤B41、将图像平均分成等面积的几块矩形；
步骤B42、计算每个小块的直方图、累积分布函数以及对应的变换函数；
步骤B43、通过对四个相邻像素块进行内插变换来得到其它像素块的像素值；
步骤B44、对各个领域的直方图按照像素块的对应阈值进行剪切处理。
6.根据权利要求1所述的一种图像增强方法，其特征在于，步骤C中，所述高通滤波器包括：巴特沃斯高通滤波器。
7.根据权利要求6所述的一种图像增强方法，其特征在于，所述通过改进的高通滤波器对反射分量进行处理，截止频率距原点为D0且N阶的巴特沃斯型高通滤波器传递函数为：
其中，D0为指定的非负数值，D(u,v)表示(u,v)点距频率矩形中心的距离；
改进后的巴特沃斯高通滤波器的传递函数为：
Hhfe(u,v)＝a+bHhp(n,v)；
其中，Hhp(n,v)表示巴特沃斯高通滤波器的传递函数，a表示偏移量，b表示乘数。
8.根据权利要求1所述的一种图像增强方法，其特征在于，步骤D中，所述将处理后的反射分量和照射分量按比例进行融合，其表达式为：
F＝wIL′I+wpR′I；
其中，wI和wp分别表示图像融合的权重，并且wI+wp＝1；LI表示预处理后的照射分量，RI表示处理后的反射分量。
9.一种图像增强装置，其特征在于，包括：
分量处理单元，用于扫描目标工件，获取图像，并对图像进行多尺度分解，获得图像的照射分量和反射分量；
均衡处理单元，用于通过改进的直方图均衡算法对照射分量进行均衡处理；
滤波处理单元，用于通过改进的高通滤波算法对反射分量进行滤波处理；
图像增强单元，用于将处理后的反射分量和照射分量按比例进行融合，得到增强后的图像。
10.根据权利要求9所述的一种图像增强装置，其特征在于，所述分量处理单元包括：
分量化处理模块，用于通过色彩恒常理论对图像进行分量化处理，得到对应的反射分量和照射分量；所述分量化处理表达式为：
I(x,y)＝L(x,y)×R(x,y)；
其中，I(x,y)表示图像，L(x,y)表示照射分量，R(x,y)表示反射分量；
分量统一模块，用于为了便于计算，将反射分量和照射分量统一到对数领域，其表达式为：
lg(I(x,y))＝lg(L(x,y))+lg(R(x,y))；
单尺度处理模块，用于通过单尺度视网膜算法对图像进行处理，单尺度视网膜算法的表达式为：
R(x,y)＝lg(L(x,y))-lg[L(x,y)*G(x,y)]；
其中，*表示图像的卷积运算；G(x,y)表示低通滤波函数，用于估计图像的照射分量，其表达式为：
其中，c表示尺度；K表示归一化常数，其设置满足：
∫∫G(x,y)dxdy＝1；
多尺度处理模块，采用多尺度视网膜算法对图像的动态范围进行压缩，多尺度视网膜算法的表达式为：
其中，RM(x,y)表示反射分量，n表示尺度数目，ωk表示第k个尺度所对应的权重，默认设置为ω1＝ω2＝ω3。
11.根据权利要求9所述的一种图像增强装置，其特征在于，所述均衡处理单元包括：
区域分割模块，用于把图像分为M×N个连续且不重叠的子区域，M×N的大小由局部细节的增强强度决定；
直方图计算模块，用于分别计算每个子块区域的灰度直方图H(i)；
区域调整模块，用于构造限制函数，把图像的分块区域均匀化调整，利用图像像素与分块区域灰度的转换函数进行双线性插值计算；
插值处理模块，用于将像素点附近的各个分块进行插值处理，降低子块之间的互相影响。
12.根据权利要求11所述的一种图像增强装置，其特征在于，所述区域调整模块中具体计算公式为：设定一个限制值T，当H(i)≥T时，H(i)＝Hmax；当H(i)<T时，H(i)＝H(i)+L；
其中，T，L，Hmax三者关系为：Hmax＝L+T；
L的取值为：
其中，Ng表示子区域灰度级数量，S表示阴影值，N∑S为阴影部分总像素数目。
13.根据权利要求11所述的一种图像增强装置，其特征在于，所述插值处理模块包括：
图像均分模块，用于将图像平均分成等面积的几块矩形；
像素块计算模块，用于计算每个小块的直方图、累积分布函数以及对应的变换函数；
内插变换模块，用于通过对四个相邻像素块进行内插变换来得到其它像素块的像素值；
剪切处理模块，用于对各个领域的直方图按照像素块的对应阈值进行剪切处理。
14.根据权利要求9所述的一种图像增强装置，其特征在于，所述滤波处理单元通过巴特沃斯高通滤波器进行设置。
15.根据权利要求14所述的一种图像增强装置，其特征在于，所述巴特沃斯高通滤波器，用于对反射分量进行处理，截止频率距原点为D0且N阶的巴特沃斯型高通滤波器传递函数为：
其中，D0为指定的非负数值，D(u,v)表示(u,v)点距频率矩形中心的距离；
改进后的巴特沃斯高通滤波器的传递函数为：
Hhfe(u,v)＝a+bHhp(n,v)；
其中，Hhp(n,v)表示巴特沃斯高通滤波器的传递函数，a表示偏移量，b表示乘数。
16.根据权利要求9所述的一种图像增强装置，其特征在于，所述图像增强单元包括图像增强模块，所述图像增强模块用于将处理后的反射分量和照射分量按比例进行融合，其表达式为：
F＝wIL′I+wpR′I；
其中，wI和wp分别表示图像融合的权重，并且wI+wp＝1；LI表示预处理后的照射分量，RI表示处理后的反射分量。
17.一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：所述存储介质存储有至少一条指令，所述至少一条指令用于被处理器执行以实现如权利要求1至8中任一项所述的一种图像增强方法。
18.一种计算机设备，其特征在于：所述计算机设备包括处理器和存储器；所述存储器存储有至少一条指令，所述至少一条指令用于被所述处理器执行以实现如权利要求1-8中任意一项所述的一种图像增强方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310577299.6A CN116563166A (zh) | 2023-05-19 | 2023-05-19 | 一种图像增强方法、装置、存储介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310577299.6A CN116563166A (zh) | 2023-05-19 | 2023-05-19 | 一种图像增强方法、装置、存储介质和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116563166A true CN116563166A (zh) | 2023-08-08 |
Family
ID=87491349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310577299.6A Pending CN116563166A (zh) | 2023-05-19 | 2023-05-19 | 一种图像增强方法、装置、存储介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116563166A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116778261A (zh) * | 2023-08-21 | 2023-09-19 | 山东恒信科技发展有限公司 | 基于图像处理的原料油等级分类方法 |
-
2023
- 2023-05-19 CN CN202310577299.6A patent/CN116563166A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116778261A (zh) * | 2023-08-21 | 2023-09-19 | 山东恒信科技发展有限公司 | 基于图像处理的原料油等级分类方法 |
| CN116778261B (zh) * | 2023-08-21 | 2023-11-14 | 山东恒信科技发展有限公司 | 基于图像处理的原料油等级分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111583157B (zh) | 图像处理方法、系统及计算机可读存储介质 | |
| CN107358586B (zh) | 一种图像增强方法、装置及设备 | |
| Jiang et al. | Unsupervised decomposition and correction network for low-light image enhancement | |
| US8542944B2 (en) | Method and apparatus for multi-scale based dynamic range compression and noise suppression | |
| Kanwal et al. | Region based adaptive contrast enhancement of medical X-ray images | |
| CN110717956B (zh) | 一种有限角投影超像素引导的l0范数最优化重建方法 | |
| KR20070026466A (ko) | 컴퓨터 단층촬영 영상을 개선하기 위한 방법, 컴퓨터프로그램 제품 및 장치 | |
| CN111210395B (zh) | 基于灰度值映射的Retinex水下图像增强方法 | |
| Al‐Ameen et al. | A new algorithm for improving the low contrast of computed tomography images using tuned brightness controlled single‐scale Retinex | |
| KR102195047B1 (ko) | 3d이미지 품질을 향상시키는 방법과 장치 | |
| CN116563166A (zh) | 一种图像增强方法、装置、存储介质和设备 | |
| CN111353958A (zh) | 图像处理方法、装置及系统 | |
| Hasikin et al. | Adaptive fuzzy intensity measure enhancement technique for non-uniform illumination and low-contrast images | |
| Patel et al. | A review on image contrast enhancement techniques | |
| Koyuncu et al. | Elimination of white Gaussian noise in arterial phase CT images to bring adrenal tumours into the forefront | |
| Shedbalkar et al. | A comparative analysis of filters for noise reduction and smoothening of brain MRI images | |
| CN107578374B (zh) | X光图像的拉伸方法及计算机可读存储介质 | |
| Yilmaz et al. | Noise removal of CBCT images using an adaptive anisotropic diffusion filter | |
| Prakoso et al. | Enhancement methods of brain MRI images: A Review | |
| CN116109618A (zh) | 血管成像方法、装置、电子设备和介质 | |
| Kumar et al. | Automatic tissue attenuation-based contrast enhancement of low-dynamic X-Ray images | |
| Chen et al. | Enhancement and denoising method for low-quality MRI, CT images via the sequence decomposition Retinex model, and haze removal algorithm | |
| CN114119790A (zh) | 医学成像方法、装置、电子设备和存储介质 | |
| Paul et al. | MR image enhancement using an extended neighborhood filter | |
| CN108876734B (zh) | 图像去噪方法、装置、电子设备及存储介质 |
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 |