CN116681629A - 变电站主变压器可见光图像自适应对比度增强方法及系统 - Google Patents
变电站主变压器可见光图像自适应对比度增强方法及系统 Download PDFInfo
- Publication number
- CN116681629A CN116681629A CN202310969545.2A CN202310969545A CN116681629A CN 116681629 A CN116681629 A CN 116681629A CN 202310969545 A CN202310969545 A CN 202310969545A CN 116681629 A CN116681629 A CN 116681629A
- Authority
- CN
- China
- Prior art keywords
- image
- enhancement
- enhanced image
- visible light
- detail
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 230000002708 enhancing effect Effects 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 230000006835 compression Effects 0.000 claims abstract description 26
- 238000007906 compression Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 27
- 230000003044 adaptive effect Effects 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 238000005286 illumination Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011426 transformation method Methods 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
- G06T5/50—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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种变电站主变压器可见光图像自适应对比度增强方法及系统,方法包括对变电站主变压器的可见光图像进行基于导向滤波的两尺度分解,得到基础层和细节层;采用动态压缩的方式对所述基础层进行亮度增强,得到基础增强图像;采用局部增强的方式对所述细节层进行局部增强,得到细节增强图像;对包含所述基础增强图像和所述细节增强图像的一次增强图像进行二次增强处理,得到二次增强图像;对所述一次增强图像和所述二次增强图像进行加权融合,得到变电站主变压器可见光增强结果图;本发明在提高可见光图像对比度的同时避免出现了过增强和伪影等现象。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种变电站主变压器可见光图像自适应对比度增强方法及系统。
背景技术
大部分夜间环境存在光照强度低、外界辅助光源照射角度单一和光线亮度不均匀的现象,导致在夜间监测环境中,被检测对象的图像背景信息丢失严重。
对于夜间安防系统、监测系统等领域,提高夜间可见光图像质量是系统高效运行的关键因素。变电站主变压器可见光图像中细节的可见性往往受照明条件的影响,在夜间环境下,往往拍摄的可见光图像的对比度较低,对夜间拍摄的变电站主变压器的可见光图像进行全方位的图像增强,可以大幅度的提高图像信息的利用率、可信度和检测判别精度,为后期的图像融合任务提供高质量的源图像。
目前图像增强方式分为两类:一种是基于亮度的图像增强,一种是基于对比度的图像增强。目前夜间环境下变电站主变压器可见光图像仅仅利用亮度增强方法进行增强,无法提高许多细节部分的可见度。而如果采用传统的基于对比度图像增强的方式对夜间环境下的可见光图像增强,会出现过度增强、边缘锐化和图像模糊化等问题。常见的基于对比度的图像增强方式包括:
(1)伽马变换是一种用于矫正图像的方法,根据值的大小,对图像进行增强。对于过亮的图像,/>值设置成大于1,以此来进行灰度级压缩;而对于过暗的图像,/>值设置成小于1,以此来提高图像的对比度,使细节部分看的更加清楚。但基于伽马变换的图像增强在一定程度上虽然能够提高图像的对比度,但是由于/>值的选取是基于整张图像的,增强后的图像往往会出现过亮或过暗的现象。
(2)灰度变换作为最常见的一种空间域图像增强算法,通过设置灰度级变换函数的阈值,对灰度级大于该阈值的部分则提高亮度,对灰度级小于该阈值的部分则降低其亮度,从而提高图像的对比度。基于灰度变换的图像增强虽然在一定程度上提高了图像的对比度,但是增强效果的好坏取决于灰度变换方法的变换函数,然而对于某些特定的图像类型,难以找到合适的变换函数来进行灰度变换;此外,图像中任意一点处的增强效果仅依赖于该点处的灰度值,其鲁棒性需要进一步提高。
(3)直方图均衡化反映了灰度图像中每种灰度级出现的概率,通过把像素数分布相对较集中的灰度级的间距变大,对于那些像素数分布较分散的灰度级,将其灰度级之间的间距拉小,甚至将其间距变为0,增加像素灰度级的动态范围,从而提高图像的对比度。但基于直方图均衡化的图像增强有一定的局限性,如果需要增强的图像中大部分的像素集中分布在某些灰度级而另外的一些灰度级像素很少或没有,这种情况下直接使用直方图均衡化方法有可能会造成图像中一些灰度级的减少甚至丢失,体现在图像中就是灰度的断层或不连续,从而会导致增强后图像缺失一些细节信息,并降低了图像的分辨率。
(4)在利用频域滤波进行图像增强时,需要先将其从空间域中转换到频率域然后再进行处理。低通滤波和高通滤波是两种典型的频域滤波增强算法,高通滤波器最主要的功能是去掉信号中不必要的低频成分,从而在达到衰减或去除低频分量的效果的同时使信号中的高频成分顺利通过,其目的就是使图像的边界信息更加突出或清晰,从而提高图像的对比度。但由于图像中丰富的信息,如细节、边缘等都在低频部分,基于高频滤波的图像增强去掉了低频部分,只保留了高频部分,因此增强后的图像会丢失大量的必要的信息;而基于低频滤波的图像增强虽然去掉了高频部分的噪声,但同时也抑制了高频部分的有用信息,会抑制图像中的边界和细节信息,造成图像在不同程度上的模糊。
(5)利用Retinex理论进行图像增强时,其目的是为了从原始的可见光图像估计出入射图像,再根据源图像是由入射图像和反射图像构成,从而分解出反射图像,消除光照不均的影响,改善图像的视觉质量,从而提高可见光图像的对比度。基于Retinex理论对可见光图像进行增强虽然能使灰度动态范围压缩、颜色恒常、边缘增强这三方面达到平衡,但由于其假设光照是缓慢变化的,而实际情况并不是,在光照变化剧烈的地方会被当作细节给增强了,导致出现光晕现象。
另外,在相关技术中,公布号为CN107248150A的专利申请文献中提出了一种基于导向滤波显著区域提取的多尺度图像融合方法,对图像进行有效的多尺度分解,采用了基于导向滤波的显著性区域提取算法,有效提取对应图层的显著区域信息,使得融合结果更好的保留各自图像源的显著性信息;但在该专利文献提出的方法中,仅仅利用了导向滤波进行两尺度分解,对于分解得到的基础层和细节层没有进行对比度的处理,从而会使最后得到的结果存在着对比度不足,纹理细节信息不够突出等问题。
发明内容
本发明所要解决的技术问题在于如何对可见光图像的基础层和细节层进行自适应增强,提高增强效果。
本发明通过以下技术手段解决上述技术问题的:
一方面,本发明提出了一种变电站主变压器可见光图像自适应对比度增强方法,所述方法包括:
对变电站主变压器的可见光图像进行基于导向滤波的两尺度分解,得到基础层和细节层;
采用动态压缩的方式对所述基础层进行亮度增强,得到基础增强图像;
采用局部增强的方式对所述细节层进行局部增强,得到细节增强图像;
对包含所述基础增强图像和所述细节增强图像的一次增强图像进行二次增强处理,得到二次增强图像;
对所述一次增强图像和所述二次增强图像进行加权融合,得到变电站主变压器可见光增强结果图。
进一步地,所述对变电站主变压器的可见光图像进行基于导向滤波的两尺度分解,得到基础层和细节层,包括:
对所述可见光图像进行导向滤波处理,得到原始基础层,公式表示为:
式中,GF(I)表示对所述可见光图像I进行引导滤波操作,分别是决定引导滤波器大小和边缘保持度的参数;
将所述原始基础层转换到对数域后进行两尺度分解,得到所述基础层和所述细节层,公式表示为:
式中,表示所述基础层,/>表示所述细节层,ln( )表示对数变换。
进一步地,所述采用动态压缩的方式对所述基础层进行亮度增强,得到基础增强图像,包括:
根据动态压缩系数和恢复因子/>对所述基础层进行动态压缩,得到所述基础增强图像,其中,所述动态压缩系数/>和恢复因子/>根据/>定义,公式表示为:
式中,T为基本对比度,和/>分别表示基础层的最大像素值与最小像素值,log( )表示取对数操作。
进一步地,所述采用局部增强的方式对所述细节层进行局部增强,得到细节增强图像,包括:
将所述细节层从对数域转换到指数域后进行归一化处理,得到归一化后的细节层;
对所述归一化后的细节层利用局部均值和标准差进行区域的自适应对比度增强,得到所述细节层增强图像。
进一步地,所述对所述归一化后的细节层利用局部均值和标准差进行区域的自适应对比度增强,得到所述细节层增强图像,包括:
对所述归一化后的细节层中满足局部增强条件的局部区域内的像素值进行增强,得到所述细节层增强图像,公式表示为:
式中,表示细节层增强图像,C表示像素值放大倍数,/>表示满足所述局部增强条件的像素值,/>表示乘积;
其中,所述局部增强条件为:
mean(x,y)表示局部均值,sigma(x,y)表示局部标准差,表示全局均值,/>表示全局标准差。
进一步地,所述对包含所述基础增强图像和所述细节增强图像的一次增强图像进行二次增强处理,得到二次增强图像,包括:
采用自适应直方图均衡化方法对所述一次增强图像进行二次增强处理,得到所述二次增强图像,公式表示为:
式中,表示一次增强图像,/>表示二次增强图像,/>表示细节层增强图像,/>表示所述基础层,/>为动态压缩系数,/>为恢复因子,AHE( )表示自适应直方图均衡化操作,exp( )表示指数运算。
进一步地,所述变电站主变压器可见光增强结果图的计算公式为:
式中,表示一次增强图像,/>表示二次增强图像,/>表示权重。
进一步地,所述权重取值为0.9。
进一步地,所述基本对比度T的取值为10。
此外,本发明还提出了一种变电站主变压器可见光图像自适应对比度增强系统,所述系统包括:
分解模块,用于对变电站主变压器的可见光图像进行基于导向滤波的两尺度分解,得到基础层和细节层;
第一增强模块,用于采用动态压缩的方式对所述基础层进行亮度增强,得到基础增强图像;
第二增强模块,用于采用局部增强的方式对所述细节层进行局部增强,得到细节增强图像;
二次增强模块,用于对包含所述基础增强图像和所述细节增强图像的一次增强图像进行二次增强处理,得到二次增强图像;
加权融合模块,用于对所述一次增强图像和所述二次增强图像进行加权融合,得到变电站主变压器可见光增强结果图。
本发明的优点在于:
(1)本发明分别利用动态压缩和局部增强的方式对基于导向滤波得到的基础层和细节层进行增强,避免出现全局过增强的现象;并对包含基础增强图像和细节增强图像的一次增强图像进行二次增强,通过两次增强来提高最后的增强图像的亮度和对比度,同时为了弥补二次增强算法损失的细节信息,将基于导向滤波的一次增强图像和二次增强图像进行加权,从而进一步提高变电站主变压器的可见光图像的对比度。本发明不仅能够提高变电站主变压器的可见光图像的对比度,减少了细节信息损失,还避免出现了过增强和伪影等现象,通过对其基础层和细节层采用不同的增强策略,在提高基础层的亮度的同时,对细节层采用局部增强的方式,从而保留了细节信息,提高变电站主变压器可见光图像的对比度。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1是本发明一实施例提出的一种变电站主变压器可见光图像自适应对比度增强方法的流程示意图;
图2是本发明一实施例提出的一种变电站主变压器可见光图像自适应对比度增强方法的原理框图;
图3是本发明一实施例中对可见光图像进行增强的效果图,其中,(a)为原始可见光图像,(b)为基本对比度T=5时可见光图像的增强效果图,(c)为基本对比度T=10时可见光图像的增强效果图,(d)为基本对比度T=30时可见光图像的增强效果图;
图4是本发明一实施例提出的一种变电站主变压器可见光图像自适应对比度增强系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1至图2所示,本发明第一实施例公开了一种变电站主变压器可见光图像自适应对比度增强方法,所述方法包括以下步骤:
S10、对变电站主变压器的可见光图像进行基于导向滤波的两尺度分解,得到基础层和细节层;
需要说明的是,本实施例可利用无人机搭载摄像机对变电站主变压器进行拍摄,获取变电站主变压器的可见光图像。
S20、采用动态压缩的方式对所述基础层进行亮度增强,得到基础增强图像;
S30、采用局部增强的方式对所述细节层进行局部增强,得到细节增强图像;
S40、对包含所述基础增强图像和所述细节增强图像的一次增强图像进行二次增强处理,得到二次增强图像;
S50、对所述一次增强图像和所述二次增强图像进行加权融合,得到变电站主变压器可见光增强结果图。
本实施例对基于导向滤波得到的基础层和细节层进行基于动态压缩的亮度调整和局部自适应对比度增强,不仅提高了源图像的对比度,还突出了更多的纹理细节信息,使增强的图像更加的自然,不仅能够提高变电站主变压器的可见光图像的对比度,减少了细节信息损失,还避免出现了过增强和伪影等现象。另外还对包含基础增强图像和细节增强图像的一次增强图像进行二次增强,通过两次增强来提高最后的增强图像的亮度和对比度,同时为了弥补二次增强算法损失的细节信息,将基于导向滤波的一次增强图像和二次增强图像进行加权,进一步提高变电站主变压器的可见光图像的对比度。
在一实施例中,所述步骤S10:对变电站主变压器的可见光图像进行基于导向滤波的两尺度分解,得到基础层和细节层,具体包括以下步骤:
S11、对所述可见光图像进行导向滤波处理,得到原始基础层,公式表示为:
式中,GF(I)表示对所述可见光图像I进行引导滤波操作,分别是决定引导滤波器大小和边缘保持度的参数,选取/>,/>;
S12、将所述原始基础层转换到对数域后进行两尺度分解,得到所述基础层和所述细节层,公式表示为:
式中,表示所述基础层,/>表示所述细节层,ln( )表示对数变换。
在一实施例中,所述步骤S20:采用动态压缩的方式对所述基础层进行亮度增强,得到基础增强图像,包括:
根据动态压缩系数和恢复因子/>对所述基础层进行动态压缩,得到所述基础增强图像,其中,所述动态压缩系数/>和恢复因子/>根据/>定义,公式表示为:
式中,T为基本对比度,和/>分别表示基础层的最大像素值与最小像素值,log( )表示取对数操作。
需要说明的是,由于得到的基础层具有很高的动态范围,本实施例通过对基础层进行动态压缩以此来提高基础层的亮度。
在一实施例中,所述步骤步骤S30:采用局部增强的方式对所述细节层进行局部增强,得到细节增强图像,包括以下步骤:
S31、将所述细节层从对数域转换到指数域后进行归一化处理,得到归一化后的细节层;
具体地,将细节层从对数域转换到指数域然后归一化到[0,1],得到:
式中,为归一化后的细节层。
S32、对所述归一化后的细节层利用局部均值和标准差进行区域的自适应对比度增强,得到所述细节层增强图像。
本实施例为了解决可见光图像的细节部分对比度较低的问题,对细节层的细节信息进行局部增强以此突出可见光图像更多的细节和纹理信息。
在一实施例中,所述步骤S32:对所述归一化后的细节层利用局部均值和标准差进行区域的自适应对比度增强,得到所述细节层增强图像,包括:
对所述归一化后的细节层中满足局部增强条件的局部区域内的像素值进行增强,得到所述细节层增强图像,公式表示为:
式中,表示细节层增强图像,C表示像素值放大倍数,/>表示满足所述局部增强条件的像素值,/>表示乘积;
其中,所述局部增强条件为:
mean(x,y)表示局部均值,sigma(x,y)表示局部标准差;表示全局均值,/>表示全局标准差。
具体地,全局均值与全局标准差/>的计算公式如下:
式中,H和W分别代表源图像的高和宽,imhist为灰度直方图函数,i为灰度级,h(i)为归一化的灰度直方图,为乘积。
接着,得到其局部均值mean(x,y)和局部标准差sigma(x,y),选取的邻域大小为13*13。
本实施例通过对满足局部增强条件的细节层的局部区域的像素值进行增大,从而得到细节层增强图像。
在一实施例中,所述步骤S40:对包含所述基础增强图像和所述细节增强图像的一次增强图像进行二次增强处理,得到二次增强图像,包括:
采用自适应直方图均衡化方法对所述一次增强图像进行二次增强处理,得到所述二次增强图像,公式表示为:
式中,表示一次增强图像,/>表示二次增强图像,/>表示细节层增强图像,/>表示所述基础层,/>为动态压缩系数,/>为恢复因子,AHE( )表示自适应直方图均衡化操作,exp( )表示指数运算。
需要说明的是,自适应直方图均衡化与传统的直方图均衡化增强算法不同的是,它是一种局部增强算法,其原理是首先将图像分成若干块,然后对每一块子图像进行直方图均衡化,然后重新分布亮度来提高图像的对比度。
本实施例利用对增强的可见光图像进行亮度分配,使增强的可见光图像更加的自然。但由于自适应直方图均衡化在进行图像增强时出现细节丢失的现象,通过将一次增强图像和二次增强图像做加权以此来解决这个问题,从而进一步提高图像的对比度,公式表示:
式中,表示一次增强图像,/>表示二次增强图像,/>表示权重。
进一步地,为了保留源图像的细节信息,的值应设置的较大一些,在此自适应对比度增强算法,将/>的值设置为0.9。
在一实施例中,通过设置不同基本对比度T的值,从而得到不同的增强结果图如图3所示,从图3的结果来看,当T的值小于10时,增强结果如图(b)所示,增强的图像的亮度过高,出现了过增强的现象;而当T的值大于10时,增强结果如图(d)所示,增强图像的多处细节的对比度不够,综合两者增强的结果,将T的值设置为10,增强结果如图(c)所示,得到的增强图像不仅提高了对比度,也避免出现过增强的现象,使增强的变电站主变压器的可见光图像在视觉上看起来更加的自然。
目前的可见光图像受光照等环境因素影响,对比度较低,细节部分不够突出,给目标检测造成了很大的困难。通过对低对比度的可见光图像进行自适应对比度增强可以突出更多的细节信息和提高对比度,而在图像的目标检测中极其重要的就是特征提取部分,通过对可见光图像进行对比度增强,实际上是对其特征进行了增强,为更好的进行图像的目标检测提供了有力保障。
针对现有的变电站主变压器可见光图像增强方法存在的出现过增强现象、边缘锐化和图像模糊化等问题,以及无法对可见光图像的基础层和细节层进行自适应增强,无法对低对比度区域的细节信息进行有效增强等问题,本实施例提出了一种基于导向滤波的自适应对比度增强算法,解决了增强后由于过增强导致细节信息丢失和图像模糊化的问题,不仅能够有效的提高变电站主变压器可见光图像的基础层的亮度,还能对其细节层进行自适应增强,相比于其他算法得到的增强结果,具有更高的对比度和更少的信息损失。
此外,如图4所示,本发明第二实施例公开了一种变电站主变压器可见光图像自适应对比度增强系统,所述系统包括:
分解模块10,用于对变电站主变压器的可见光图像进行基于导向滤波的两尺度分解,得到基础层和细节层;
第一增强模块20,用于采用动态压缩的方式对所述基础层进行亮度增强,得到基础增强图像;
第二增强模块30,用于采用局部增强的方式对所述细节层进行局部增强,得到细节增强图像;
二次增强模块40,用于对包含所述基础增强图像和所述细节增强图像的一次增强图像进行二次增强处理,得到二次增强图像;
加权融合模块50,用于对所述一次增强图像和所述二次增强图像进行加权融合,得到变电站主变压器可见光增强结果图。
本实施例基于导向滤波的两尺度分解得到基础层和细节层,根据基础层和细节层的特点采用不同的增强方式来进行增强,然后再对一次增强结果进行二次增强,通过两次增强来提高最后的增强图像的亮度和对比度;为了弥补二次增强算法损失的细节信息,将基于导向滤波的一次增强结果和二次增强结果进行加权,从而进一步提高变电站主变压器的可见光图像的对比度。
在一实施例中,所述分解模块10,具体包括:
导向滤波处理单元,用于对所述可见光图像进行导向滤波处理,得到原始基础层,公式表示为:
式中,GF(I)表示对所述可见光图像I进行引导滤波操作,分别是决定引导滤波器大小和边缘保持度的参数;
尺度分解单元,用于将所述原始基础层转换到对数域后进行两尺度分解,得到所述基础层和所述细节层,公式表示为:
式中,表示所述基础层,/>表示所述细节层,ln( )表示对数变换
在一实施例中,所述第一增强模块20,具体用于:
根据动态压缩系数和恢复因子/>对所述基础层进行动态压缩,得到所述基础增强图像,其中,所述动态压缩系数/>和恢复因子/>根据/>定义,公式表示为:
式中,T为基本对比度,和/>分别表示基础层的最大像素值与最小像素值,log( )表示取对数操作。
在一实施例中,所述第二增强模块30,具体包括:
归一化单元,用于将所述细节层从对数域转换到指数域后进行归一化处理,得到归一化后的细节层;
细节增强单元,用于对所述归一化后的细节层利用局部均值和标准差进行区域的自适应对比度增强,得到所述细节层增强图像。
在一实施例中,所述细节增强单元,用于:
对所述归一化后的细节层中满足局部增强条件的局部区域内的像素值进行增强,得到所述细节层增强图像,公式表示为:
式中,表示细节层增强图像,C表示像素值放大倍数,/>表示满足所述局部增强条件的像素值,/>表示乘积;
其中,所述局部增强条件为:
mean(x,y)表示局部均值,sigma(x,y)表示局部标准差,表示全局均值,/>表示全局标准差。
在一实施例中,所述二次增强模块40,具体用于:
采用自适应直方图均衡化方法对所述一次增强图像进行二次增强处理,得到所述二次增强图像,公式表示为:
式中,表示一次增强图像,/>表示二次增强图像,/>表示细节层增强图像,/>表示所述基础层,/>为动态压缩系数,/>为恢复因子,AHE( )表示自适应直方图均衡化操作,exp( )表示指数运算。
在一实施例中,所述加权融合模块50采用的变电站主变压器可见光增强结果图的计算公式为:
式中,表示一次增强图像,/>表示二次增强图像,/>表示权重。
进一步地,所述权重取值为0.9。
进一步地,所述基本对比度T的取值为10。
需要说明的是,本发明所述变电站主变压器可见光图像自适应对比度增强系统的其他实施例或具有实现方法可参照上述各方法实施例,此处不再赘余。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种变电站主变压器可见光图像自适应对比度增强方法,其特征在于,所述方法包括:
对变电站主变压器的可见光图像进行基于导向滤波的两尺度分解,得到基础层和细节层;
采用动态压缩的方式对所述基础层进行亮度增强,得到基础增强图像;
采用局部增强的方式对所述细节层进行局部增强,得到细节增强图像;
对包含所述基础增强图像和所述细节增强图像的一次增强图像进行二次增强处理,得到二次增强图像;
对所述一次增强图像和所述二次增强图像进行加权融合,得到变电站主变压器可见光增强结果图。
2.如权利要求1所述的变电站主变压器可见光图像自适应对比度增强方法,其特征在于,所述对变电站主变压器的可见光图像进行基于导向滤波的两尺度分解,得到基础层和细节层,包括:
对所述可见光图像进行导向滤波处理,得到原始基础层,公式表示为:
式中,GF(I)表示对所述可见光图像I进行引导滤波操作,分别是决定引导滤波器大小和边缘保持度的参数;
将所述原始基础层转换到对数域后进行两尺度分解,得到所述基础层和所述细节层,公式表示为:
式中,表示所述基础层,/>表示所述细节层,ln( )表示对数变换。
3.如权利要求1所述的变电站主变压器可见光图像自适应对比度增强方法,其特征在于,所述采用动态压缩的方式对所述基础层进行亮度增强,得到基础增强图像,包括:
根据动态压缩系数和恢复因子/>对所述基础层进行动态压缩,得到所述基础增强图像,其中,所述动态压缩系数/>和恢复因子/>根据/>定义,公式表示为:
式中,T为基本对比度,和/>分别表示基础层的最大像素值与最小像素值,log( )表示取对数操作,/>表示基础层。
4.如权利要求1所述的变电站主变压器可见光图像自适应对比度增强方法,其特征在于,所述采用局部增强的方式对所述细节层进行局部增强,得到细节增强图像,包括:
将所述细节层从对数域转换到指数域后进行归一化处理,得到归一化后的细节层;
对所述归一化后的细节层利用局部均值和标准差进行区域的自适应对比度增强,得到所述细节层增强图像。
5.如权利要求4所述的变电站主变压器可见光图像自适应对比度增强方法,其特征在于,所述对所述归一化后的细节层利用局部均值和标准差进行区域的自适应对比度增强,得到所述细节层增强图像,包括:
对所述归一化后的细节层中满足局部增强条件的局部区域内的像素值进行增强,得到所述细节层增强图像,公式表示为:
式中,表示细节层增强图像,C表示像素值放大倍数,/>表示满足所述局部增强条件的像素值,/>表示乘积;
其中,所述局部增强条件为:
mean(x,y)表示局部均值,sigma(x,y)表示局部标准差,表示全局均值,/>表示全局标准差。
6.如权利要求1所述的变电站主变压器可见光图像自适应对比度增强方法,其特征在于,所述对包含所述基础增强图像和所述细节增强图像的一次增强图像进行二次增强处理,得到二次增强图像,包括:
采用自适应直方图均衡化方法对所述一次增强图像进行二次增强处理,得到所述二次增强图像,公式表示为:
式中,表示一次增强图像,/>表示二次增强图像,/>表示细节层增强图像,/>表示所述基础层,/>为动态压缩系数,/>为恢复因子,AHE( )表示自适应直方图均衡化操作,exp( )表示指数运算。
7.如权利要求1所述的变电站主变压器可见光图像自适应对比度增强方法,其特征在于,所述变电站主变压器可见光增强结果图的计算公式为:
式中,表示一次增强图像,/>表示二次增强图像,/>表示权重,/>表示乘积。
8.如权利要求7所述的变电站主变压器可见光图像自适应对比度增强方法,其特征在于,所述权重取值为0.9。
9.如权利要求3所述的变电站主变压器可见光图像自适应对比度增强方法,其特征在于,所述基本对比度T的取值为10。
10.一种变电站主变压器可见光图像自适应对比度增强系统,其特征在于,所述系统包括:
分解模块,用于对变电站主变压器的可见光图像进行基于导向滤波的两尺度分解,得到基础层和细节层;
第一增强模块,用于采用动态压缩的方式对所述基础层进行亮度增强,得到基础增强图像;
第二增强模块,用于采用局部增强的方式对所述细节层进行局部增强,得到细节增强图像;
二次增强模块,用于对包含所述基础增强图像和所述细节增强图像的一次增强图像进行二次增强处理,得到二次增强图像;
加权融合模块,用于对所述一次增强图像和所述二次增强图像进行加权融合,得到变电站主变压器可见光增强结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969545.2A CN116681629B (zh) | 2023-08-03 | 2023-08-03 | 变电站主变压器可见光图像自适应对比度增强方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969545.2A CN116681629B (zh) | 2023-08-03 | 2023-08-03 | 变电站主变压器可见光图像自适应对比度增强方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681629A true CN116681629A (zh) | 2023-09-01 |
CN116681629B CN116681629B (zh) | 2023-10-27 |
Family
ID=87787717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310969545.2A Active CN116681629B (zh) | 2023-08-03 | 2023-08-03 | 变电站主变压器可见光图像自适应对比度增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681629B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200219238A1 (en) * | 2020-03-18 | 2020-07-09 | Intel Corporation | Brightness and contrast enhancement for video |
US20220020120A1 (en) * | 2020-07-20 | 2022-01-20 | Samsung Electronics Co., Ltd. | Single-image detail and contrast enhancement |
CN114387195A (zh) * | 2021-12-17 | 2022-04-22 | 上海电力大学 | 一种基于非全局预增强的红外图像与可见光图像融合方法 |
CN114494042A (zh) * | 2022-01-05 | 2022-05-13 | 云南北方光电仪器有限公司 | 一种红外图像动态压缩及细节增强方法、存储介质及装置 |
CN115082334A (zh) * | 2022-05-30 | 2022-09-20 | 西安理工大学 | 结合逆光区域分割与自适应曝光校正的图像增强方法 |
CN116245771A (zh) * | 2023-03-22 | 2023-06-09 | 新光维医疗科技(苏州)股份有限公司 | 一种基于图像二次增强的内窥镜图像亮度自动增强方法及系统 |
-
2023
- 2023-08-03 CN CN202310969545.2A patent/CN116681629B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200219238A1 (en) * | 2020-03-18 | 2020-07-09 | Intel Corporation | Brightness and contrast enhancement for video |
US20220020120A1 (en) * | 2020-07-20 | 2022-01-20 | Samsung Electronics Co., Ltd. | Single-image detail and contrast enhancement |
CN114387195A (zh) * | 2021-12-17 | 2022-04-22 | 上海电力大学 | 一种基于非全局预增强的红外图像与可见光图像融合方法 |
CN114494042A (zh) * | 2022-01-05 | 2022-05-13 | 云南北方光电仪器有限公司 | 一种红外图像动态压缩及细节增强方法、存储介质及装置 |
CN115082334A (zh) * | 2022-05-30 | 2022-09-20 | 西安理工大学 | 结合逆光区域分割与自适应曝光校正的图像增强方法 |
CN116245771A (zh) * | 2023-03-22 | 2023-06-09 | 新光维医疗科技(苏州)股份有限公司 | 一种基于图像二次增强的内窥镜图像亮度自动增强方法及系统 |
Non-Patent Citations (2)
Title |
---|
JA BHUTTO.ET.: "An Improved Infrared and Visible Image Fusion Using an Adaptive Contrast Enhancement Method and Deep Learning Network with Transfer Learning", 《REMOTE SENS》, vol. 14, no. 4, pages 939 * |
胡家珲等: "基于多尺度加权引导滤波的红外图像增强方法", 《红外技术》, vol. 44, no. 10, pages 1082 - 1088 * |
Also Published As
Publication number | Publication date |
---|---|
CN116681629B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109064426B (zh) | 一种用于抑制低照度图像中眩光并增强图像的方法及装置 | |
Fang et al. | Improved single image dehazing using segmentation | |
CN111986120A (zh) | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 | |
Ma et al. | An effective fusion defogging approach for single sea fog image | |
CN108564597B (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
CN109377450B (zh) | 一种边缘保护的去噪方法 | |
CN111105371B (zh) | 一种低对比度红外图像的增强方法 | |
CN112116536A (zh) | 一种低光照图像增强方法及系统 | |
CN110298796B (zh) | 基于改进Retinex与对数图像处理的低照度图像增强方法 | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
CN113592750B (zh) | 一种基于梯度直方图的红外增强方法 | |
CN116188339A (zh) | 一种基于Retinex及图像融合的暗视觉图像增强方法 | |
Wei et al. | An image fusion dehazing algorithm based on dark channel prior and retinex | |
CN110969584A (zh) | 一种低照度图像增强方法 | |
Kansal et al. | Fusion-based image de-fogging using dual tree complex wavelet transform | |
CN114037641A (zh) | 一种低照度图像增强方法、装置、设备及介质 | |
CN116681629B (zh) | 变电站主变压器可见光图像自适应对比度增强方法及系统 | |
CN109698892B (zh) | 一种视频图像锐化方法和图像处理设备 | |
CN110807748A (zh) | 一种基于高动态范围的新色调映射图像增强方法 | |
CN115829967A (zh) | 一种工业金属表面缺陷图像去噪和增强方法 | |
CN112822343B (zh) | 一种面向夜间视频的清晰化方法及存储介质 | |
CN114418874A (zh) | 一种低照度图像增强方法 | |
Tang et al. | Sky-preserved image dehazing and enhancement for outdoor scenes | |
Goel | The implementation of image enhancement techniques using Matlab | |
Guo et al. | Image defogging based on regional gradient constrained prior |
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 |