CN116912115A - 一种水下图像自适应增强方法、系统、设备及存储介质 - Google Patents
一种水下图像自适应增强方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116912115A CN116912115A CN202310823034.XA CN202310823034A CN116912115A CN 116912115 A CN116912115 A CN 116912115A CN 202310823034 A CN202310823034 A CN 202310823034A CN 116912115 A CN116912115 A CN 116912115A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- edge
- homomorphic
- underwater
- 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 63
- 238000001914 filtration Methods 0.000 claims abstract description 94
- 238000003708 edge detection Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 16
- 230000001965 increasing effect Effects 0.000 claims description 16
- 238000013441 quality evaluation Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001629 suppression Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000003707 image sharpening Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 9
- 238000003672 processing method Methods 0.000 abstract description 8
- 238000005286 illumination Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000002922 simulated annealing Methods 0.000 description 3
- 238000000137 annealing Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation 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
- G06T5/20—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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及计算机视觉技术领域,尤其涉及一种水下图像自适应增强方法、系统、设备及存储介质,包括:利用加权系数对原始水下图像进行锐化处理,将得到的锐化图像依次进行自适应中值滤波和自适应边缘检测,得到边缘增强图像;根据边缘增强图像、原始水下图像和锐化图像,得到融合图像;根据获取到的同态滤波参数最优值对融合图像进行同态滤波增强,得到水下增强图像。本发明对水下光照不均的图像进行自适应增强处理,解决了传统基于边缘检测的水下图像处理方法在处理复杂图像时会产生大量噪声和错误信息,导致获取到的水下图像质量较差的问题,使得增强后的图像细节更加丰富清晰,整体图像的对比度以及标准化亮度等都能得到进一步提升。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种水下图像自适应增强方法、系统、设备及存储介质。
背景技术
水下图像边缘增强是水下视觉研究中的一个重要课题,它的研究意义在于可以提高水下图像的质量和清晰度,从而更好地实现水下目标检测和识别等任务,传统的水下图像边缘增强方法包括基于传统图像处理方法和深度学习方法,传统图像处理方法包括滤波、锐化、边缘检测等,而深度学习方法则通过大量的水下图像数据训练神经网络,从而提高水下图像边缘增强的效果,其中,相较于深度学习的方法,基于传统图像处理方法通常具有更快的处理速度和更小的计算资源消耗,应用成本更低,而且传统图像处理方法的算法理论和应用经验相对成熟,具有一定的可靠性和稳定性。
然而,传统图像处理方法也存在一定的问题,比如:难以适应水下环境中的光照变化、散射、色偏等问题,滤波是常用的图像处理方法之一,可以用于去除图像中的噪声和平滑图像,但滤波会导致图像细节信息的损失,因此需要根据具体情况进行选择,锐化可以提高图像的清晰度和边缘的锐度,能够突出图像的边缘和细节,但是在处理一些噪声较多的图像时会导致噪声的放大,而边缘检测是用于检测图像中边缘信息的方法,能够提取出图像中的重要信息,但在处理复杂图像时会产生大量噪声和错误信息,导致获取到的水下图像质量较差,从而限制了其应用,而排除复杂环境因素对于水下图像的干扰是十分重要的,因此,亟需一种针对基于边缘检测的水下图像增强方法,以满足用户当前对于高质量水下图像提升的需求。
发明内容
本发明提供了一种水下图像自适应增强方法、系统、设备及存储介质,解决的技术问题是,传统基于边缘检测的水下图像处理方法在处理复杂图像时会产生大量噪声和错误信息,导致获取到的水下图像质量较差。
为解决以上技术问题,本发明提供了一种水下图像自适应增强方法、系统、设备及存储介质。
第一方面,本发明提供了一种水下图像自适应增强方法,所述方法包括以下步骤:
采集原始水下图像,并利用预先获取的加权系数对所述原始水下图像进行锐化处理,得到锐化图像;
将所述锐化图像进行自适应中值滤波,得到自适应中值滤波图像;
对所述自适应中值滤波图像进行自适应边缘检测,得到边缘增强图像;
获取所述锐化图像的二值图像,并将所述二值图像和所述边缘增强图像进行按位与操作,得到边缘图像;
根据所述锐化图像的亮度,将所述边缘图像与所述原始水下图像或者所述锐化图像融合,得到融合图像;
确定同态滤波参数最优值,根据所述同态滤波参数最优值对所述融合图像进行同态滤波增强,得到水下增强图像。
在进一步的实施方案中,所述加权系数根据所述原始水下图像中每个像素点的像素值确定,所述锐化图像的计算公式为:
Isharpen(x,y)=(1-M)×f(x,y)+M×g(x,y)
其中,
式中,Isharpen(x,y)表示锐化图像;M表示加权系数;f(x,y)表示原始水下图像;g(x,y)表示原始水下图像经过拉普拉斯算子卷积之后得到的卷积图像;θ表示原始水下图像的暗点占比;Darksum表示原始水下图像的暗点个数,其中,暗点根据所述原始水下图像中每个像素点的像素值以及预设的原始图像暗点阈值确定;r表示原始水下图像所对应灰度图矩阵的行数;c表示原始水下图像所对应灰度图矩阵的列数。
在进一步的实施方案中,所述将所述锐化图像进行自适应中值滤波,得到自适应中值滤波图像的步骤包括:
将所述锐化图像转换至灰度图像,设定滤波器初始窗口的尺寸,获取所述滤波器初始窗口内所述灰度图像的最大灰度值、最小灰度值以及灰度中值;
判断所述灰度中值是否位于最大灰度值和最小灰度值之间,若所述灰度中值位于最大灰度值和最小灰度值之间,则判断所述滤波器初始窗口内每一像素点的灰度值是否在所述最小灰度值和所述最大灰度值之间,若不在,则判定当前的灰度中值是噪声,输出所述灰度中值;
若所述滤波器初始窗口内每一像素点的灰度值在所述最小灰度值和所述最大灰度值之间,则判定当前的灰度中值不是噪声,保留并输出当前像素点的灰度值;
若所述灰度中值未位于最大灰度值和最小灰度值之间,则以预设窗口增加规则增大滤波器初始窗口的尺寸,并在增大的滤波器初始窗口内查找非噪声点,若增加至滤波器所允许的最大窗口尺寸且未查找到非噪声点,则输出灰度中值。
在进一步的实施方案中,所述对所述自适应中值滤波图像进行自适应边缘检测,得到边缘增强图像的步骤包括:
根据索贝尔算子计算自适应中值滤波图像的梯度幅值和梯度方向;
利用所述梯度幅值和所述梯度方向对所述自适应中值滤波图像进行非极大值抑制,并利用预先获取的双阈值对非极大值抑制后的自适应中值滤波图像进行处理,形成边缘增强图像;
其中,所述双阈值包括高边缘阈值和低边缘阈值,所述高边缘阈值和低边缘阈值的获取步骤为:
将所述锐化图像转换至灰度图像,计算所述灰度图像中所有像素点的像素平均值和像素标准差,将像素平均值和像素标准差作差得到低边缘阈值,对所述锐化图像利用大津法得到高边缘阈值。
在进一步的实施方案中,所述融合图像包括亮融合图像或暗融合图像,所述根据所述锐化图像的亮度,将所述边缘图像与所述原始水下图像或者所述锐化图像融合,得到融合图像的步骤包括:
根据所述锐化图像中每个像素点的像素值,确定所述锐化图像的暗点占比;
根据所述暗点占比以及预设的锐化图像暗点阈值,将所述锐化图像分类为暗图像或亮图像;
若将所述锐化图像分类为亮图像,将所述边缘图像与所述原始水下图像融合,得到亮融合图像;
若将所述锐化图像分类为暗图像,将所述边缘图像与所述锐化图像融合,得到暗融合图像。
在进一步的实施方案中,所述确定同态滤波参数最优值的步骤包括:
确定各个同态滤波器参数的初始最优值;其中,同态滤波器参数包括高频权重、低频权重、高斯函数斜率值和低高频比例区分值;
利用所述同态滤波器参数的初始最优值,对所述融合图像进行同态滤波,得到图像质量初始评估结果;
对所述同态滤波器参数的初始最优值添加随机扰动,得到同态滤波器扰动参数;
根据同态滤波器扰动参数对所述述融合图像进行同态滤波,得到图像质量扰动评估结果;
根据所述图像质量初始评估结果和所述图像质量扰动评估结果,得到质量评估变化值;
根据所述质量评估变化值确定同态滤波器扰动参数概率值;
对所述同态滤波器扰动参数添加随机扰动,更新同态滤波器扰动参数,并重复上述步骤,直至达到预设的迭代次数;
根据所述同态滤波器扰动参数概率值,确定最优的同态滤波器扰动参数,并将其作为同态滤波参数最优值。
在进一步的实施方案中,所述确定各个同态滤波器参数的初始最优值的步骤包括:
预先设置各个同态滤波器参数的初始值和取值范围;
对所有的同态滤波器参数进行遍历,每遍历到一个同态滤波器参数,将当前的同态滤波器参数作为目标同态滤波器参数,根据除目标同态滤波器参数之外的所有同态滤波器参数的初始值,获取所述目标同态滤波器参数的取值范围内的图像质量评估变化曲线;
根据所述图像质量评估变化曲线的图像质量评估值,确定所述目标同态滤波器参数的初始最优值。
第二方面,本发明提供了一种水下图像自适应增强系统,所述系统包括:
图像锐化模块,用于采集原始水下图像,并利用预先获取的加权系数对所述原始水下图像进行锐化处理,得到锐化图像;
边缘增强模块,用于将所述锐化图像进行自适应中值滤波,得到自适应中值滤波图像;对所述自适应中值滤波图像进行自适应边缘检测,得到边缘增强图像;
图像融合模块,用于获取所述锐化图像的二值图像,并将所述二值图像和所述边缘增强图像进行按位与操作,得到边缘图像;以及,根据所述锐化图像的亮度,将所述边缘图像与所述原始水下图像或者所述锐化图像融合,得到融合图像;
滤波增强模块,用于确定同态滤波参数最优值,根据所述同态滤波参数最优值对所述融合图像进行同态滤波增强,得到水下增强图像。
第三方面,本发明还提供了一种计算机设备,包括处理器和存储器,所述处理器与所述存储器相连,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器中存储的计算机程序,以使得所述计算机设备执行实现上述方法的步骤。
第四方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明提供了一种水下图像自适应增强方法、系统、设备及存储介质,所述方法通过利用加权系数对原始水下图像进行锐化处理,得到锐化图像;将锐化图像进行自适应中值滤波,得到自适应中值滤波图像,对自适应中值滤波图像进行自适应边缘检测,得到边缘增强图像,以利用边缘增强图像和锐化图像,得到边缘图像;根据锐化图像的亮度,将边缘图像与原始水下图像或者锐化图像融合,得到融合图像;确定同态滤波参数最优值,根据同态滤波参数最优值对融合图像进行同态滤波增强,得到水下增强图像。与现有技术相比,该方法结合滤波、锐化与边缘检测等算法实现了针对水下图像的自适应增强方法,使得图像增强效果更好,而且具有计算简单实时性强的特点。
附图说明
图1是本发明实施例提供的水下图像自适应增强方法流程示意图;
图2是本发明实施例提供的水下图像自适应增强过程示意图;
图3是本发明实施例提供的原始水下图像示意图;
图4是本发明实施例提供的原始水下图像增强后的水下增强图像结果图;
图5是本发明实施例提供的水下图像自适应增强系统框图;
图6是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
下面结合附图具体阐明本发明的实施方式,实施例的给出仅仅是为了说明目的,并不能理解为对本发明的限定,包括附图仅供参考和说明使用,不构成对本发明专利保护范围的限制,因为在不脱离本发明精神和范围基础上,可以对本发明进行许多改变。
参考图1,本发明实施例提供了一种水下图像自适应增强方法,如图1所示,该方法包括以下步骤:
S1.采集原始水下图像,并利用预先获取的加权系数对所述原始水下图像进行锐化处理,得到锐化图像。
在本实施例中,所述利用预先获取的加权系数对所述原始水下图像进行锐化处理,得到锐化图像的步骤包括:
根据所述原始水下图像中每个像素点的像素值以及预设的原始图像暗点阈值,确定原始水下图像的暗点及暗点个数;
根据暗点个数计算原始水下图像的暗点占比,根据原始水下图像的暗点占比确定加权系数;
利用拉普拉斯算子对原始水下图像进行卷积,得到卷积图像,其中,对于数字图像,拉普拉斯算子可以简化为:
g(x,y)=f(x,y)*H
式中,g(x,y)表示原始水下图像经过拉普拉斯算子卷积之后得到的卷积图像;f(x,y)表示原始水下图像;H表示拉普拉斯卷积模板;
利用所述卷积图像和所述加权系数,对所述原始水下图像进行锐化处理,得到锐化图像,其中,所述锐化图像的计算公式为:
Isharpen(x,y)=(1-M)×f(x,y)+M×g(x,y)
其中,
式中,Isharpen(x,y)表示锐化图像;M表示加权系数,与原始水下图像和卷积图像叠加的权重有关,一般来说,M为负数,观察大量水下图像的直方图与锐化效果可得知,M的取值与原始水下图像的亮度有关;f(x,y)表示原始水下图像;g(x,y)表示原始水下图像经过拉普拉斯算子卷积之后得到的卷积图像;θ表示原始水下图像的暗点占比;Darksum表示原始水下图像的暗点个数,其中,暗点根据所述原始水下图像中每个像素点的像素值以及预设的原始图像暗点阈值确定;r表示原始水下图像所对应灰度图矩阵的行数;c表示原始水下图像所对应灰度图矩阵的列数。
拉普拉斯算子是图像邻域内像素灰度差分计算的基础,其是通过二阶微分推导出的图像邻域增强算法,其基本思想是当邻域的中心像素灰度低于它所在邻域内的其他像素的平均灰度时,此中心像素的灰度应该进一步降低;当高于时,进一步提高中心像素的灰度,从而实现图像锐化处理,在算法实现过程中,通过对邻域中心像素的四方向或八方向求梯度,并将梯度和相加来判断中心像素灰度与邻域内其他像素灰度的关系,并用梯度运算的结果对像素灰度进行调整,然而拉普拉斯算子强调的是图像中灰度的突变,并不强调灰度级缓慢变化的区域,因此,本实施例将原始水下图像和卷积图像叠加,可以增强边界的灰度值,以实现锐化。
本实施例通过对原始水下图像进行锐化处理,可以使模糊的原始水下图像更加清晰,能够针对引起图像模糊的原因而进行相应地锐化操作,需要说明的是,图像的模糊实质就是图像受到平均或积分运算造成的,因此,可以对图像进行还原运算如微分运算来使图像清晰化,从频谱角度来分析,图像模糊的实质是其高频分量被衰减,因而,可以通过高通滤波操作来使原始水下图像更加清晰。
S2.将所述锐化图像进行自适应中值滤波,得到自适应中值滤波图像。
在本实施例中,所述将所述锐化图像进行自适应中值滤波,得到自适应中值滤波图像的步骤包括:
将所述锐化图像转换至灰度图像,设定滤波器初始窗口的尺寸,获取所述滤波器初始窗口内所述灰度图像的最大灰度值、最小灰度值以及灰度中值;
判断所述灰度中值是否位于最大灰度值和最小灰度值之间,若所述灰度中值位于最大灰度值和最小灰度值之间,则判断所述滤波器初始窗口内每一像素点的灰度值是否在所述最小灰度值和所述最大灰度值之间,若在所述滤波器初始窗口内不存在当前像素点的灰度值在所述最小灰度值和所述最大灰度值之间,则判定当前的灰度中值是噪声,利用所述灰度中值替换当前像素点的灰度值,输出所述灰度中值;
若在所述滤波器初始窗口内存在当前像素点的灰度值在所述最小灰度值和所述最大灰度值之间,则判定当前的灰度中值不是噪声,保留并输出当前像素点的灰度值;
若所述灰度中值未位于最大灰度值和最小灰度值之间,则以预设窗口增加规则增大滤波器初始窗口的尺寸,并在增大的滤波器初始窗口内查找非噪声点,直至增加至滤波器所允许的最大窗口尺寸,若增加至滤波器所允许的最大窗口尺寸且未查找到非噪声点,则输出灰度中值。
中值滤波的基本原理是通过比较一定领域内的像素值的大小,取出其中值作为这个领域的中心像素新的值,假设对一定领域内的所有像素从小到大进行排序,如果存在孤立的噪声点,那么从小到大排序的这个数组中,那些孤立的噪声会分布在两边,取出的中值点可以很好地保留像素信息,而滤除了噪声点的影响,由于中值滤波器受滤波窗口大小影响较大,若滤波器窗口较小,对噪声的过滤效果较差;反之会对图像造成一定的模糊效果,从而丢失一部分细节信息,而自适应中值滤波器能够根据预设好的条件,动态地改变中值滤波器的窗口尺寸,以同时兼顾去噪声作用和保护细节的效果,因此,本实施例采用自适应中值滤波对图像进行滤波,减少锐化图像中水下噪声的干扰。
S3.对所述自适应中值滤波图像进行自适应边缘检测,得到边缘增强图像。
图像的边缘是指图像局部区域亮度变化显著的部分,该区域的灰度剖面一般可以看作是一个阶跃,即从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值,Canny边缘检测算子是目前最优的边缘检测算法,其目标为找到一个最优的边缘,其最优边缘的定义为:(1)算法能够尽可能的标出图像中的实际边缘;(2)标识出的边缘要与实际图像中的边缘尽可能接近;(3)图像中的边缘只能标记一次。
在本实施例中,所述对所述自适应中值滤波图像进行自适应边缘检测,得到边缘增强图像的步骤包括:
根据Sobel算子(索贝尔算子)计算自适应中值滤波图像的梯度幅值和梯度方向;本实施例选择Sobel算子计算梯度幅值和梯度方向,相对于其他边缘算子,通过Sobel算子获取的图像边缘粗大明亮,Sobel算子是两个3*3的矩阵,分别为Sx和Sy,其中,Sx用来计算图像x方向的像素梯度矩阵Gx,Sy用来计算图像y方向的像素梯度矩阵Gy,计算公式如下所示:
式子中,Imedian表示自适应中值滤波图像,*表示互相关运算。
梯度幅值和方向的计算公式为:
θ=arc tan(Gy,Gx)
式中,Gxy表示梯度幅值,θ表示梯度方向;
利用所述梯度幅值和所述梯度方向对所述自适应中值滤波图像进行非极大值抑制,并利用预先获取的双阈值对非极大值抑制后的自适应中值滤波图像进行处理,形成边缘增强图像;其中,所述双阈值包括高边缘阈值和低边缘阈值,所述高边缘阈值和低边缘阈值的获取步骤为:
将所述锐化图像转换至灰度图像,计算所述灰度图像中所有像素点的像素平均值和像素标准差,将像素平均值和像素标准差作差得到低边缘阈值,对所述锐化图像利用大津法得到高边缘阈值。
传统的canny边缘检测算子通过设置指定的高边缘阈值和低边缘阈值来区分边缘像素,但是对于每一张图片,使得边缘检测效果更好的高边缘阈值和低边缘阈值通常并不相同,因此,一般采用手动调试的方法确定,导致算法鲁棒性较差,本实施例采用自适应的方法来确定高边缘阈值和低边缘阈值,将所述锐化图像转化为灰度图像,计算其像素的平均值和标准差,将像素的平均值和标准差做差得到低边缘阈值,对锐化图像利用大津法得到高边缘阈值,能够提高算法鲁棒性,提高边缘检测效果。
在本实施例中,所述利用所述梯度幅值和所述梯度方向对所述自适应中值滤波图像进行非极大值抑制,并利用预先获取的双阈值对非极大值抑制后的自适应中值滤波图像进行处理,形成边缘增强图像的步骤包括:
对所述梯度幅值进行非极大值抑制,得到非极大值抑制后的自适应中值滤波图像,将当前像素点的梯度强度与沿正负梯度方向上的相邻像素点的梯度强度进行比较,若当前像素点的梯度强度为极值,则保留当前像素点并将当前像素点作为边缘像素点,若当前像素点的梯度强度不是极值,则对当前像素点进行抑制,不将其作为边缘像素点;需要说明的是,为了更精确计算,通常在跨越梯度方向的两个相邻像素之间使用线性插值来得到要参与比较的像素梯度;
对非极大值抑制后的自适应中值滤波图像进行双阈值处理,若所述边缘像素点的梯度强度大于高边缘阈值,则所述边缘像素点为强边缘像素点,并保留所述强边缘像素点;
若所述边缘像素点的梯度强度大于低边缘阈值且小于所述高边缘阈值,则所述边缘像素点为弱边缘像素点;
若所述边缘像素点的梯度强度小于低边缘阈值,则说明该边缘像素点为非边缘点,抑制该边缘像素点;
提取所述弱边缘像素点周围的多个领域像素点,若所述多个领域像素点中存在所述强边缘像素点,则保留所述弱边缘像素点;
连接所有保留的所述强边缘像素点和保留的所述弱边缘像素点,形成边缘增强图像。
需要说明的是,强边缘像素点可以认为是真的边缘,弱边缘像素点则可能是真的边缘,也可能是噪声或颜色变化引起的,为得到精确的结果,由噪声或颜色变化引起的弱边缘像素点应该去掉,由于通常认为真实边缘引起的弱边缘点和强边缘点是连通的,而由噪声引起的弱边缘点则不会,因此,检测一个弱边缘点的八连通领域像素,只要有强边缘点存在,那么这个弱边缘点被认为是真是边缘保留下来,搜索所有连通的弱边缘,如果一条连通的弱边缘的任何一个点和强边缘点连通,则保留这条弱边缘,否则抑制这条弱边缘,从而在消除了多余的梯度响应基础上,进一步消除噪声的影响,提高边缘检测精度。
S4.获取所述锐化图像的二值图像,并将所述二值图像和所述边缘增强图像进行按位与操作,得到边缘图像。
具体地,本实施例将所述锐化图像转换至灰度图像,并将所述灰度图像二值化,得到二值图像,将所述边缘增强图像作为掩膜图像,将所述二值图像和所述掩膜图像进行按位与操作,得到边缘图像。
S5.根据所述锐化图像的亮度,将所述边缘图像与所述原始水下图像或者所述锐化图像融合,得到融合图像,其中,所述融合图像包括亮融合图像或暗融合图像。
在本实施例中,所述根据所述锐化图像的亮度,将所述边缘图像与所述原始水下图像或者所述锐化图像融合,得到融合图像的步骤包括:
根据所述锐化图像中每个像素点的像素值,确定所述锐化图像的暗点占比;
根据所述暗点占比以及预设的锐化图像暗点阈值,将所述锐化图像分类为暗图像或亮图像;
若将所述锐化图像分类为亮图像,将所述边缘图像与所述原始水下图像融合,得到亮融合图像;
若将所述锐化图像分类为暗图像,将所述边缘图像与所述锐化图像融合,得到暗融合图像。
具体地,本实施例利用所述锐化图像的暗点占比来判断锐化图像属于亮图像还是暗图像,若锐化图像的暗点占比不超过预设的锐化图像暗点阈值,则认为锐化图像属于整体偏亮的亮图像,将边缘图像与原始水下图像进行融合,否则认为这张图像属于整体偏暗的暗图像,将边缘图像与锐化图像进行融合,需要说明的是,由于对原始水下图像锐化会导致图像亮度增强,若原始水下图像整体偏暗,那么将边缘图像与锐化图像进行融合能够改善原始图像偏暗的问题;若原始水下图像整体偏亮,那么将边缘图像与锐化图像进行融合会使得图像出现局部亮度增强过度的问题,因此,将增强后的边缘图像与原始图像进行融合效果更好,因此,本实施例在图像融合之前判断锐化图像属于亮图像还是暗图像的步骤,再根据亮暗情况选择不同的融合策略,能够避免图像出现局部亮度增强过度的情况,提高水下图像质量。
S6.确定同态滤波参数最优值,根据所述同态滤波参数最优值对所述融合图像进行同态滤波增强,得到水下增强图像。
同态滤波算法是基于灰度图由场景的入射光和目标上的反射光两部分构成的理论基础,同态滤波利用去除乘性噪声,可以同时增加对比度以及标准化亮度,达到图像增强的目的,同态滤波的效果很大程度上取决于同态滤波器的参数设置,传统的同态滤波器参数为提前制定的参数,对于不同的图像都使用相同的参数进行滤波,无法更自适应地使图像取得最好的效果,本发明实施例采用自适应调整同态滤波器的参数设置的方法,能够得到使得图像评分最高的同态滤波器的参数组合,对不同的图像进行处理时有更好的效果。
本实施例在确定同态滤波参数最优值之前,需要预先确定各个同态滤波器参数的初始最优值,具体包括:
预先设置各个同态滤波器参数的初始值和取值范围;其中,同态滤波器参数包括高频权重、低频权重、高斯函数斜率值和低高频比例区分值;
对所有的同态滤波器参数进行遍历,每遍历到一个同态滤波器参数,将当前的同态滤波器参数作为目标同态滤波器参数,根据除目标同态滤波器参数之外的所有同态滤波器参数的初始值,获取所述目标同态滤波器参数的取值范围内的图像质量评估变化曲线;
根据所述图像质量评估变化曲线的图像质量评估值,确定所述目标同态滤波器参数的初始最优值。
本实施例首先根据预先将高频权重的初始值设置为2、低频权重的初始值设置为0.5、高斯函数斜率值的初始值设置为4、低高频比例区分值的初始值设置为10,其次将高频权重、低频权重、高斯函数斜率值、低高频比例区分值的取值范围分别设置为1~10、0~1、1~20、0~20,固定高频权重的初始值、低频权重的初始值、高斯函数斜率值的初始值,计算水下图像质量评估值UIQM随低高频比例区分值的取值范围变化的曲线图,根据曲线图确定出当UIQM达到最大值时低高频比例区分值的取值,即为低高频比例区分值的初始最优值,以此类推,分别确定高频权重、低频权重、高斯函数斜率值的初始最优值,相比于现有技术直接指定各个参数,本实施例能够针对图像质量的优劣程度设计不同的同态滤波器参数值。
在获取到各个同态滤波器参数的初始最优值之后,本实施例基于模拟退火法,根据各个同态滤波器参数的初始最优值确定同态滤波参数最优值,具体过程为:
利用所述同态滤波器参数的初始最优值,对所述融合图像进行同态滤波,得到图像质量初始评估结果;
对所述同态滤波器参数的初始最优值添加随机扰动,得到同态滤波器扰动参数;
根据同态滤波器扰动参数对所述述融合图像进行同态滤波,得到图像质量扰动评估结果;
根据所述图像质量初始评估结果和所述图像质量扰动评估结果,得到质量评估变化值;
根据所述质量评估变化值确定同态滤波器扰动参数概率值;
对所述同态滤波器扰动参数添加随机扰动,更新同态滤波器扰动参数,并重复上述步骤,直至达到预设的迭代次数;
根据所述同态滤波器扰动参数概率值,确定最优的同态滤波器扰动参数,并将其作为同态滤波参数最优值。
本实施例对融合图像进行基于模拟退火法的同态滤波增强,利用模拟退火法确定同态滤波参数的最优值,相比于直接对原始图像进行同态滤波,本实施例采用的方法能够充分增强图像细节,使图像更加清晰,从而使图像达到更好的视觉效果。
最后,本实施例根据所述同态滤波参数最优值对所述融合图像进行同态滤波增强,得到水下增强图像,具体步骤包括:
利用照度-反射模型来对融合图像进行频域处理,所述照度-反射模型的计算公式为:
F(x,y)=i(x,y)·r(x,y)
式中,F(x,y)表示融合图像;i(x,y)表示照度分量,即融合图像中的低频部分;r(x,y)表示反射分量,即融合图像中的高频部分;
对所述融合图像取对数运算,得到对数图像,计算公式为:
ln F(x,y)=ln i(x,y)+ln r(x,y)
对所述对数图像进行傅里叶变换,得到对数图像的频域表达式:
DFT[ln F(x,y)[=DFT[ln i(x,y)[+DFT[ln r(x,y)]
上式可以整理为:
F(u,v)=I(u,v)+R(u,v)
利用频域滤波器H(u,v)对频域函数F(u,v)进行频域滤波,实现在频域中对照度分量进行削弱,对反射分量进行增强,计算公式为:
F(u,v)·H(u,v)=I(u,v)·H(u,v)+R(u,v)·H(u,v)
对F(u,v)gH(u,v)进行傅里叶反变换,计算公式为:
hF(x,y)=hi(x,y)+hr(x,y)
对上式进行取指数运算即可得到水下增强图像g(x,y),计算公式为:
式中,g(x,y)表示水下增强图像。
由于非均匀光照表现于缓慢变化的入射分量中,属于低频成分,而反射分量能够反映融合图像的细节、反差等特性,属于高频成分,因此,本实施例根据照度-反射模型对融合图像进行处理,能够削弱融合图像的低频成分,适当增强高频分量,从而达到克服非均匀光照度,压缩动态范围与增强对比度的目的,图4为本实施例提供的原始水下图像增强后的水下增强图像结果图。
本发明实施例提供了一种水下图像自适应增强方法,所述方法利用拉普拉斯算子对原始水下图像进行锐化处理,得到锐化图像,再进行自适应中值滤波,去除锐化图像中的噪声,得到自适应中值滤波图像,同时利用边缘检测算子对自适应中值滤波图像进行自适应边缘检测,得到边缘增强图像,利用锐化图像、原始水下图像对边缘增强图像进行增强、融合处理,对融合图像进行基于模拟退火法的同态滤波增强,进一步增加图像的对比度以及标准化亮度。本发明的水下图像自适应增强方法结合了滤波、锐化与边缘检测等算法,对光照不均的水下图像增强有很好的效果,同时能适应图像梯度与亮度的变化,使得图像的增强效果更好。
需要说明的是,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一个实施例中,如图5所示,本发明实施例提供了一种水下图像自适应增强系统,所述系统包括:
图像锐化模块101,用于采集原始水下图像,并利用预先获取的加权系数对所述原始水下图像进行锐化处理,得到锐化图像;
边缘增强模块102,用于将所述锐化图像进行自适应中值滤波,得到自适应中值滤波图像;对所述自适应中值滤波图像进行自适应边缘检测,得到边缘增强图像;
图像融合模块103,用于获取所述锐化图像的二值图像,并将所述二值图像和所述边缘增强图像进行按位与操作,得到边缘图像;以及,根据所述锐化图像的亮度,将所述边缘图像与所述原始水下图像或者所述锐化图像融合,得到融合图像;
滤波增强模块104,用于确定同态滤波参数最优值,根据所述同态滤波参数最优值对所述融合图像进行同态滤波增强,得到水下增强图像。
关于一种水下图像自适应增强系统的具体限定可以参见上述对于一种水下图像自适应增强方法的限定,此处不再赘述。本领域普通技术人员可以意识到,结合本申请所公开的实施例描述的各个模块和步骤,能够以硬件、软件或者两者结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本发明实施例提供了一种水下图像自适应增强系统,所述系统通过图像锐化模块实现对原始水下图像的锐化处理;通过边缘增强图像实现对锐化图像的自适应中值滤波以及自适应边缘检测;通过图像融合模块实现利用锐化图像、原始水下图像对边缘增强图像进行增强、融合处理;通过滤波增强模块实现对融合图像进行基于模拟退火法的同态滤波增强,进一步增加图像的对比度以及标准化亮度。与现有技术相比,本申请能充分利用水下图像自身丰富的梯度信息实现图像增强处理,使得处理后的图像视觉质量提高、纹理信息丰富,可以适用于在不同环境下的水下图像。
图6是本发明实施例提供的一种计算机设备,包括存储器、处理器和收发器,它们之间通过总线连接;存储器用于存储一组计算机程序指令和数据,并可以将存储的数据传输给处理器,处理器可以执行存储器存储的程序指令,以执行上述方法的步骤。
其中,存储器可以包括易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者;处理器可以是中央处理器、微处理器、特定应用集成电路、可编程逻辑器件或其组合。通过示例性但不是限制性说明,上述可编程逻辑器件可以是复杂可编程逻辑器件、现场可编程逻辑门阵列、通用阵列逻辑或其任意组合。
另外,存储器可以是物理上独立的单元,也可以与处理器集成在一起。
本领域普通技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有相同的部件布置。
在一个实施例中,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例提供的一种水下图像自适应增强方法、系统、设备及存储介质,其一种水下图像自适应增强方法综合了滤波、锐化与边缘检测等算法实现对光照不均的水下图像自适应增强方法,显著减少了处理复杂图像时产生的大量噪声和错误信息,而且可以体现图像更多的细节信息,算法运算量小,处理速度快,且成本低。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如SSD)等。
本领域技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
以上所述实施例仅表达了本申请的几种优选实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本申请的保护范围。因此,本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种水下图像自适应增强方法,其特征在于,包括以下步骤:
采集原始水下图像,并利用预先获取的加权系数对所述原始水下图像进行锐化处理,得到锐化图像;
将所述锐化图像进行自适应中值滤波,得到自适应中值滤波图像;
对所述自适应中值滤波图像进行自适应边缘检测,得到边缘增强图像;
获取所述锐化图像的二值图像,并将所述二值图像和所述边缘增强图像进行按位与操作,得到边缘图像;
根据所述锐化图像的亮度,将所述边缘图像与所述原始水下图像或者所述锐化图像融合,得到融合图像;
确定同态滤波参数最优值,根据所述同态滤波参数最优值对所述融合图像进行同态滤波增强,得到水下增强图像。
2.如权利要求1所述的一种水下图像自适应增强方法,其特征在于,所述加权系数根据所述原始水下图像中每个像素点的像素值确定,所述锐化图像的计算公式为:
Isharpen(x,y)=(1-M)×f(x,y)+M×g(x,y)
其中,
式中,Isharpen(x,y)表示锐化图像;M表示加权系数;f(x,y)表示原始水下图像;g(x,y)表示原始水下图像经过拉普拉斯算子卷积之后得到的卷积图像;θ表示原始水下图像的暗点占比;Darksum表示原始水下图像的暗点个数,其中,暗点根据所述原始水下图像中每个像素点的像素值以及预设的原始图像暗点阈值确定;r表示原始水下图像所对应灰度图矩阵的行数;c表示原始水下图像所对应灰度图矩阵的列数。
3.如权利要求1所述的一种水下图像自适应增强方法,其特征在于,所述将所述锐化图像进行自适应中值滤波,得到自适应中值滤波图像的步骤包括:
将所述锐化图像转换至灰度图像,设定滤波器初始窗口的尺寸,获取所述滤波器初始窗口内所述灰度图像的最大灰度值、最小灰度值以及灰度中值;
判断所述灰度中值是否位于最大灰度值和最小灰度值之间,若所述灰度中值位于最大灰度值和最小灰度值之间,则判断所述滤波器初始窗口内每一像素点的灰度值是否在所述最小灰度值和所述最大灰度值之间,若不在,则判定当前的灰度中值是噪声,输出所述灰度中值;
若所述滤波器初始窗口内每一像素点的灰度值在所述最小灰度值和所述最大灰度值之间,则判定当前的灰度中值不是噪声,保留并输出当前像素点的灰度值;
若所述灰度中值未位于最大灰度值和最小灰度值之间,则以预设窗口增加规则增大滤波器初始窗口的尺寸,并在增大的滤波器初始窗口内查找非噪声点,若增加至滤波器所允许的最大窗口尺寸且未查找到非噪声点,则输出灰度中值。
4.如权利要求1所述的一种水下图像自适应增强方法,其特征在于,所述对所述自适应中值滤波图像进行自适应边缘检测,得到边缘增强图像的步骤包括:
根据索贝尔算子计算自适应中值滤波图像的梯度幅值和梯度方向;
利用所述梯度幅值和所述梯度方向对所述自适应中值滤波图像进行非极大值抑制,并利用预先获取的双阈值对非极大值抑制后的自适应中值滤波图像进行处理,形成边缘增强图像;
其中,所述双阈值包括高边缘阈值和低边缘阈值,所述高边缘阈值和低边缘阈值的获取步骤为:
将所述锐化图像转换至灰度图像,计算所述灰度图像中所有像素点的像素平均值和像素标准差,将像素平均值和像素标准差作差得到低边缘阈值,对所述锐化图像利用大津法得到高边缘阈值。
5.如权利要求1所述的一种水下图像自适应增强方法,其特征在于,所述融合图像包括亮融合图像或暗融合图像,所述根据所述锐化图像的亮度,将所述边缘图像与所述原始水下图像或者所述锐化图像融合,得到融合图像的步骤包括:
根据所述锐化图像中每个像素点的像素值,确定所述锐化图像的暗点占比;
根据所述暗点占比以及预设的锐化图像暗点阈值,将所述锐化图像分类为暗图像或亮图像;
若将所述锐化图像分类为亮图像,将所述边缘图像与所述原始水下图像融合,得到亮融合图像;
若将所述锐化图像分类为暗图像,将所述边缘图像与所述锐化图像融合,得到暗融合图像。
6.如权利要求1所述的一种水下图像自适应增强方法,其特征在于,所述确定同态滤波参数最优值的步骤包括:
确定各个同态滤波器参数的初始最优值;其中,同态滤波器参数包括高频权重、低频权重、高斯函数斜率值和低高频比例区分值;
利用所述同态滤波器参数的初始最优值,对所述融合图像进行同态滤波,得到图像质量初始评估结果;
对所述同态滤波器参数的初始最优值添加随机扰动,得到同态滤波器扰动参数;
根据同态滤波器扰动参数对所述述融合图像进行同态滤波,得到图像质量扰动评估结果;
根据所述图像质量初始评估结果和所述图像质量扰动评估结果,得到质量评估变化值;
根据所述质量评估变化值确定同态滤波器扰动参数概率值;
对所述同态滤波器扰动参数添加随机扰动,更新同态滤波器扰动参数,并重复上述步骤,直至达到预设的迭代次数;
根据所述同态滤波器扰动参数概率值,确定最优的同态滤波器扰动参数,并将其作为同态滤波参数最优值。
7.如权利要求6所述的一种水下图像自适应增强方法,其特征在于,所述确定各个同态滤波器参数的初始最优值的步骤包括:
预先设置各个同态滤波器参数的初始值和取值范围;
对所有的同态滤波器参数进行遍历,每遍历到一个同态滤波器参数,将当前的同态滤波器参数作为目标同态滤波器参数,根据除目标同态滤波器参数之外的所有同态滤波器参数的初始值,获取所述目标同态滤波器参数的取值范围内的图像质量评估变化曲线;
根据所述图像质量评估变化曲线的图像质量评估值,确定所述目标同态滤波器参数的初始最优值。
8.一种水下图像自适应增强系统,其特征在于,所述系统包括:
图像锐化模块,用于采集原始水下图像,并利用预先获取的加权系数对所述原始水下图像进行锐化处理,得到锐化图像;
边缘增强模块,用于将所述锐化图像进行自适应中值滤波,得到自适应中值滤波图像;对所述自适应中值滤波图像进行自适应边缘检测,得到边缘增强图像;
图像融合模块,用于获取所述锐化图像的二值图像,并将所述二值图像和所述边缘增强图像进行按位与操作,得到边缘图像;以及,根据所述锐化图像的亮度,将所述边缘图像与所述原始水下图像或者所述锐化图像融合,得到融合图像;
滤波增强模块,用于确定同态滤波参数最优值,根据所述同态滤波参数最优值对所述融合图像进行同态滤波增强,得到水下增强图像。
9.一种计算机设备,其特征在于:包括处理器和存储器,所述处理器与所述存储器相连,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器中存储的计算机程序,以使得所述计算机设备执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机程序,当所述计算机程序被运行时,实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310823034.XA CN116912115A (zh) | 2023-07-05 | 2023-07-05 | 一种水下图像自适应增强方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310823034.XA CN116912115A (zh) | 2023-07-05 | 2023-07-05 | 一种水下图像自适应增强方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116912115A true CN116912115A (zh) | 2023-10-20 |
Family
ID=88359505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310823034.XA Pending CN116912115A (zh) | 2023-07-05 | 2023-07-05 | 一种水下图像自适应增强方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912115A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196999A (zh) * | 2023-11-06 | 2023-12-08 | 浙江芯劢微电子股份有限公司 | 一种自适应视频流图像边缘增强方法和系统 |
-
2023
- 2023-07-05 CN CN202310823034.XA patent/CN116912115A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196999A (zh) * | 2023-11-06 | 2023-12-08 | 浙江芯劢微电子股份有限公司 | 一种自适应视频流图像边缘增强方法和系统 |
CN117196999B (zh) * | 2023-11-06 | 2024-03-12 | 浙江芯劢微电子股份有限公司 | 一种自适应视频流图像边缘增强方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416740B (zh) | 一种消除椒盐噪声的迭代自适应中值滤波方法 | |
US9443286B2 (en) | Gray image processing method and apparatus based on wavelet transformation | |
CN109377450B (zh) | 一种边缘保护的去噪方法 | |
CN108109123B (zh) | 一种图像去噪方法 | |
CN109584198B (zh) | 一种人脸图像质量评价方法、装置及计算机可读存储介质 | |
KR101684990B1 (ko) | 양방향 필터의 시그마 변수를 이용한 차량 영상 디블러 방법 | |
CN116468641A (zh) | 一种红外血管图像增强处理方法 | |
CN116912115A (zh) | 一种水下图像自适应增强方法、系统、设备及存储介质 | |
CN113989168A (zh) | 一种针对椒盐噪声的自适应非局部均值滤波方法 | |
CN110688871A (zh) | 一种基于条码识别的边缘检测方法 | |
Indu et al. | A noise fading technique for images highly corrupted with impulse noise | |
CN112053302B (zh) | 高光谱图像的去噪方法、装置及存储介质 | |
Patil et al. | Bilateral filter for image denoising | |
Santosh et al. | Efficient techniques for denoising of speckle and highly corrupted impulse noise images | |
CN107622269A (zh) | 复杂背景下基于几何约束的熔丝管管体识别方法 | |
CN115829967A (zh) | 一种工业金属表面缺陷图像去噪和增强方法 | |
CN115965552A (zh) | 用于低信噪比图像序列的频空时域联合去噪与恢复系统 | |
CN116245764A (zh) | 一种图像去噪方法、装置、设备和存储介质 | |
CN104966271A (zh) | 基于生物视觉感受野机制的图像去噪方法 | |
RU2405200C2 (ru) | Способ и устройство быстрого фильтрования шума цифровых изображений | |
CN115841632A (zh) | 输电线路提取方法、装置以及双目测距方法 | |
CN112927151B (zh) | 一种基于边缘增强和卷积神经网络的图像去噪方法 | |
Suneetha et al. | An Improved Denoising of Medical Images Based on Hybrid Filter Approach and Assess Quality Metrics | |
CN114723663A (zh) | 针对目标检测对抗攻击的预处理防御方法 | |
Baboshina et al. | Combined use of a bilateral and median filter to suppress gaussian noise in images |
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 |