CN116993616A - 一种单幅低照度场景图像增强方法及增强系统 - Google Patents
一种单幅低照度场景图像增强方法及增强系统 Download PDFInfo
- Publication number
- CN116993616A CN116993616A CN202311013081.4A CN202311013081A CN116993616A CN 116993616 A CN116993616 A CN 116993616A CN 202311013081 A CN202311013081 A CN 202311013081A CN 116993616 A CN116993616 A CN 116993616A
- Authority
- CN
- China
- Prior art keywords
- image
- frequency component
- low
- brightness
- channel
- 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 49
- 238000005286 illumination Methods 0.000 title claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000012937 correction Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000002156 mixing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 38
- 230000004927 fusion Effects 0.000 claims description 26
- 238000009499 grossing Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 7
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000003384 imaging method Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
-
- 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
本申请提供的单幅低照度场景图像增强方法及增强系统,通过提取单幅低照度场景图像的亮度通道V;对亮度通道V进行亮度校正,生成不同亮度等级图像序列;对每幅图像进行分解获取低频分量及高频分量;分别构建低频分量与高频分量对应的混合权重函数;将低频分量与高频分量乘以对应的权重函数并加权融合,将融合图像转回RGB颜色空间;对融合图像进行平滑锐化滤波计算得到增强图像,与现有技术相比,无需建立复杂的物理模型,没有诸多复杂的参数设置,也不依赖摄像机的先验知识,能够较好地保持亮区与暗区细节,并能反映真实场景不同层次信息的完整性,增强后的图像清晰、明亮、颜色自然,有效地提高了低照度场景图像的视觉质量与动态范围。
Description
技术领域
本申请涉及图像处理技术领域,特别涉及一种单幅低照度场景图像增强方法及增强系统。
背景技术
高质量图像是后续各项应用任务的基础与保障。在对弱光或者光照不均匀等低照度场景成像时,由于成像设备动态范围有限,通过调整成像设备的曝光时间往往不能解决图像中某些区域曝光不足或局部过曝等问题,较难直接获取清晰、高对比度的内容全可视图像;因此,对在外界光照较弱或局部区域光照不均匀时的图像进行增强处理,是极为重要的研究内容,对多个科学与工程领域,如:遥感成像、医学影像、智能交通、安防监控及工业生产等系统具有重要意义。
当前主流低照度场景图像增强方法主要有基于直方图的方法、基于Retinex的方法、基于大气散射模型的方法和基于深度学习的方法。基于直方图的方法是通过调整直方图的分布对图像亮度进行拉伸重排,该方法简单有效,被广泛应用于各个领域,然而该方法对噪声敏感,在提升图像亮度的同时可能会出现过度增强的现象。基于Retinex的方法将图像看作由照明分量和反射分量构成,反射分量包含图像的彩色与纹理信息,在处理后容易造成颜色失真,传统的Retinex方法通常对照明分量估计以得到更好的对比度和细节特征,与反射分量重新组合得到最终结果;总结现有方法,部分方法在某些场景下增强结果不自然,局部易出现过增强或欠增强现象;虽然有一些改进方法增强效果较好,但在纹理丰富的区域仍会丢失细节信息。基于大气散射模型的方法对比低照度图像的反转图像与雾图像间的相似性增强低照度图像,但该类方法易在增强图像中造成模糊与噪声,且有时大气散射模型估计的传输可能不准确。受卷积神经网络在各类图像处理和计算机视觉任务的成功启发,近期涌现了一些基于深度学习的低照度图像增强技术,也提供了较高的增强性能,但该类方法主要缺点是其性能高度依赖于训练数据集;此外,该类方法具有较高的内存复杂性,导致其难以在计算和内存资源有限的应用程序中使用。
发明内容
鉴于此,有必要针对现有技术中存在的缺陷提供一种无需建立复杂的物理模型,在提高图像暗区域可视性的同时,还能保留图像的细节和颜色自然度的单幅低照度场景图像增强方法及增强系统。
为解决上述问题,本申请采用下述技术方案:
本申请目的之一,提供了一种单幅低照度场景图像增强方法,包括下述步骤:
提取单幅低照度场景图像的亮度通道V;
对所述亮度通道V进行亮度校正,生成不同亮度等级图像序列;
对不同亮度等级图像序列中的每幅图像进行分解获取低频分量及高频分量;
根据曝光适度评价分别构建低频分量与高频分量对应的混合权重函数;
将所述低频分量与所述高频分量乘以对应的权重函数并加权融合,将融合图像转回RGB颜色空间;
对融合图像进行平滑锐化滤波计算突出图像细节与对比度得到增强图像。
在其中一些实施例中,在提取单幅低照度场景图像的亮度通道V的步骤中,具体包括下述步骤:
对单幅低照度场景图像的图像像素值进行归一化处理,得到归一化图像;
将所述归一化图像转到HSV颜色空间,提取亮度通道V、饱和度通道S与色调通道H。
在其中一些实施例中,在对所述亮度通道V进行亮度校正,生成不同亮度等级图像序列的步骤中,具体包括下述步骤:
采用Gamma变换对输入的单幅图像亮度通道V进行亮度校正。
在其中一些实施例中,在对不同亮度等级图像序列中的每幅图像进行分解获取低频分量及高频分量的步骤中,具体包括下述步骤:
对不同亮度等级图像序列中的每幅图像采用加权最小二乘滤波器进行分解计算低频分量,进而得到高频分量。
在其中一些实施例中,在对不同亮度等级图像序列中的每幅图像采用加权最小二乘滤波器进行分解计算低频分量,进而得到高频分量的步骤中,具体包括下述步骤:
基于加权最小二乘滤波器对序列中的每幅图像进行滤波计算,估计不同亮度图像的低频信息,得到低频信息对应滤波后的低频图像Ln;其中,参数λ=0.5,α=1;
式中:第一项子公式确保输入图像和滤波后的低频分量图像之间的相似性二者间距离越小,滤波图像和输入的亮度图像之间的相似性就越高;式中的第二项子公式为正则项,通过计算偏导数来获得平滑度;λ是保持两个子公式之间平衡的正则化因子,λ值越高,输出图像越平滑,wx和wy是平滑因子,Vn是输入图像的对数形式,即Vn=log(Gn),指数α表示输入图像梯度的灵敏度,ε是接近0的正常数,argmin(·)是计算使目标函数取最小值时的低频分量图像Ln值。
通过亮度图像与低频图像相减可以计算对应的高频分量Hn,公式如下:
Hn=Gn-Ln
在其中一些实施例中,在根据曝光适度评价分别构建低频分量与高频分量对应的混合权重函数的步骤中,具体包括下述步骤:
基于局部平均亮度用作曝光特征评估图像局部曝光质量;
根据整幅图像的亮度和图像大小计算图像的全局平均亮度,评估第n幅图像的全局曝光质量;
结合局部和全局曝光质量构建低频分量的混合权重函数WL n;
对亮度图像进行均值滤波,计算每个像素位置处的局部邻域的平均亮度,确定所述图像的高频分量的权重函数进行曝光适度评价WH n。
在其中一些实施例中,在将所述低频分量与所述高频分量乘以对应的权重函数并加权融合,将融合图像转回RGB颜色空间的步骤中,具体包括下述步骤:
对亮度图像的高频分量、低频分量分别乘以对应的权重函数,由以下公式进行加权求和得到融合图像Q:
对融合后的亮度通道图像Q结合原始输入图像的饱和度通道S和色调通道H转换回RGB颜色空间,得到图像F。
在其中一些实施例中,在对融合图像进行平滑锐化滤波计算突出图像细节与对比度得到增强图像的步骤中,具体包括下述步骤:
基于自引导滤波对所述融合后图像F作平滑锐化处理,其中,选取引导图像为融合图像F本身,对融合图像与引导图像进行分块处理;
计算融合图像中图像块与引导图像中对应图像块之间的协方差
计算平滑锐化滤波图像块相关参数αk值;
计算自引导滤波的权重系数ωk值;
采用加权和形式得到平滑锐化滤波后的增强图像。
本申请目的之二,提供了一种所述的单幅低照度场景图像增强方法的增强系统,包括:
亮度通道提取单元,用于提取单幅低照度场景图像的亮度通道V;
校正单元,用于对所述亮度通道V进行亮度校正,生成不同亮度等级图像序列;
分解单元,用于对不同亮度等级图像序列中的每幅图像进行分解获取低频分量及高频分量;
函数构建单元,用于根据曝光适度评价分别构建低频分量与高频分量对应的混合权重函数;
融合单元,用于将所述低频分量与所述高频分量乘以对应的权重函数并加权融合,将融合图像转回RGB颜色空间;
图像增强单元,用于对融合图像进行平滑锐化滤波计算突出图像细节与对比度得到增强图像。
本申请采用上述技术方案,其有益效果如下:
本申请提供的单幅低照度场景图像增强方法及增强系统,通过提取单幅低照度场景图像的亮度通道V;对所述亮度通道V进行亮度校正,生成不同亮度等级图像序列;对不同亮度等级图像序列中的每幅图像进行分解获取低频分量及高频分量;根据曝光适度评价分别构建低频分量与高频分量对应的混合权重函数;将所述低频分量与所述高频分量乘以对应的权重函数并加权融合,将融合图像转回RGB颜色空间;对融合图像进行平滑锐化滤波计算突出图像细节与对比度得到增强图像,与现有技术相比,本申请提供的图像增强方法及系统,无需建立复杂的物理模型,没有诸多复杂的参数设置,也不依赖摄像机的先验知识,能够较好地保持亮区与暗区细节,并能反映真实场景不同层次信息的完整性,增强后的图像清晰、明亮、颜色自然,有效地提高了低照度场景图像的视觉质量与动态范围,可为获取低照度或不均匀光照场景的高动态成像提供技术支持。
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或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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的附图。
图1为本发明实施例1提供的单幅低照度场景图像增强方法的步骤流程图;
图2为本发明实施例1中随γ变化的亮度通道图像及其直方图的示意图;
图3为本发明实施例1中加权最小二乘滤波器分解得到低频分量图像与对应的高频分量图像;
图4为本发明实施例1中单幅低照度场景图像增强方法的增强结果图;
图5为本发明实施例1中单幅低照度场景图像增强方法的增强结果图;
图6为本发明实施例2提供的单幅低照度场景图像增强系统的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
在本申请的描述中,需要理解的是,术语“上”、“下”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
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一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。
实施例1
请参阅图1,为本申请实施例提供的单幅低照度场景图像增强方法的步骤流程图,包括下述步骤S110至步骤S160,以下详细说明各个步骤的实现方式。
步骤S110:提取单幅低照度场景图像的亮度通道V。
在本实施例中,在提取单幅低照度场景图像的亮度通道V的步骤中,具体包括下述步骤S111至步骤S112,以下详细说明各个步骤的实现方式。
步骤S111:对单幅低照度场景图像的图像像素值进行归一化处理,得到归一化图像。
步骤S112:将所述归一化图像转到HSV颜色空间,提取亮度通道V、饱和度通道S与色调通道H。
可以理解,对于RGB彩色图像,如果直接对红色R、绿色G、蓝色B通道执行校正,则较难保证所有通道都能按适当比例增强或衰减,可能会导致校正后图像颜色失真。在HSV颜色空间中,H、S、V通道彼此独立,对亮度的操作不影响图像的颜色信息,因此,本发明对输入图像进行颜色空间转换。
将RGB图像转为HSV图像的转换公式如下:
V=max(R,G,B) (1)
式中,R、G和B分别是输入图像RGB颜色空间中的红色、绿色和蓝色通道,H、S和V分别是HSV颜色空间中色调、饱和度和亮度通道,且0≤H<360,0≤S≤1,0≤V≤1;从RGB空间转换到HSV空间之后,可以获得与每个通道值相对应的子图像。
步骤S120:对所述亮度通道V进行亮度校正,生成不同亮度等级图像序列。
在本实施例中,在对所述亮度通道V进行亮度校正,生成不同亮度等级图像序列的步骤中,具体包括下述步骤:采用Gamma变换对输入的单幅图像亮度通道V进行亮度校正。
可以理解,Gamma变换能对图像像素分布进行拉伸以获得视觉域中的曝光校正,从而得到不同亮度级的图像序列。
G=Vγ (4)
式中,G表示经Gamma变换后的校正图像,V表示归一化的亮度图像,γ表示Gamma亮度校正控制参数。
综合考虑计算时间与算法性能,本实施例分别设置γ=1、0.5、0.3,获取三幅不同亮度级的图像Gn,n是图像的幅数,n=1,2,3,当γ=1时,为原图;随着Gamma亮度校正控制参数γ值的减小,原来图像中曝光不足的暗区域亮度得到了提升,内容趋于正常显示;但是本来亮区域特征趋向于过度曝光,甚至达到过度饱和,导致局部区域纹理信息丢失;为在一幅图像中同时得到暗区和亮区内容信息,本发明后续对得到的三幅亮度校正图像进行分解与融合计算,合成一幅能同时保留不同亮度层次特征的融合图像。
请参阅图2,为本实施例提供的进行亮度通道图像进行亮度校正后的结果,可见输出图像和直方图随着γ的变化而变化;随着γ的减小,输出图像的亮度增强,灰度直方图的分布变宽,这表明调整后的图像的整体亮度和对比度都有所提高。
步骤S130:对不同亮度等级图像序列中的每幅图像进行分解获取低频分量及高频分量。
在本实施例中,在对不同亮度等级图像序列中的每幅图像进行分解获取低频分量及高频分量的步骤中,具体包括下述步骤:
对不同亮度等级图像序列中的每幅图像采用加权最小二乘滤波器进行分解计算低频分量,进而得到高频分量。
具体地,所述对序列中的每幅图像采用加权最小二乘滤波器进行分解,得到低频分量和高频分量:
输入亮度通道图像序列Gn;
基于加权最小二乘滤波器估计不同亮度图像Gn的低频信息,该图像平滑且尽可能接近原图像。给定一个输入图像,通过以下公式进行滤波计算得到其低频分量图像Ln。
式(5)中,第一项子公式确保输入图像和滤波后的低频分量图像之间的相似性。二者间距离越小,滤波图像和输入的亮度图像之间的相似性就越高;式(5)中的第二项子公式为正则项,通过计算偏导数来获得平滑度;λ是保持两个子公式之间平衡的正则化因子,λ值越高,输出图像越平滑。wx和wy是平滑因子,Vn是输入图像的对数形式,即Vn=log(Gn),指数α表示输入图像梯度的灵敏度,ε是接近0的正常数。argmin(·)是计算使目标函数取最小值时的低频分量图像Ln值;根据本发明应用场景的图像特点,本发明取值λ=0.5,α=1进行计算。
加权最小二乘滤波器得到低频分量图像能较好地保留输入图像的对比度信息,但容易损失掉局部细节信息,所以本发明通过亮度图像与滤波图像相减可以得到高频分量。
Hn=Gn-Ln (8)
如图3所示,基于加权最小二乘滤波器分解得到的低频分量图像与对应的高频分量图像,为便于查看高频分量中的内容信息,给出子图(e)~(g)高频分量图像的颜色反转图像(h)~(j)。
步骤S140:根据曝光适度评价分别构建低频分量与高频分量对应的混合权重函数。
在本实施例中,在根据曝光适度评价分别构建低频分量与高频分量对应的混合权重函数的步骤中,具体包括下述步骤S141至步骤S144,以下详细说明各个步骤的实现方式。
步骤S141:基于局部平均亮度用作曝光特征评估图像局部曝光质量。
具体地,基于局部平均亮度用作曝光特征评估图像局部曝光质量,为了保持低频分量及其权重图之间的结构一致性,低频分量本身被应用为局部曝光特征,通过下式得到其权重系数W1;
其中,σL是高斯扩散参数,保留了图像中具有良好曝光的局部结构,σL=0.5。
步骤S142:根据整幅图像的亮度和图像大小计算图像的全局平均亮度,评估第n幅图像的全局曝光质量。
具体地,根据整幅图像的亮度和图像大小评估第n幅图像的全局曝光质量GGn,通过下式得到其权重系数W2;
其中,σG是高斯扩散参数,促进了整幅图像的空间亮度一致性,σG=0.2。
步骤S143:结合局部和全局亮度构建低频分量的混合权重函数WL n。
具体地,结合局部和全局亮度构建低频分量的混合权重函数WL n;
步骤S144:对输入的亮度通道图像进行均值滤波,计算每个像素位置处的局部邻域的平均亮度,确定所述图像的高频分量的权重函数进行曝光适度评价WH n。
具体地,计算高频分量的权重函数,计算每个像素位置处的局部邻域的平均亮度,以评估其曝光质量。第n幅亮度图像的高频分量的权重计算如下:
对亮度图像进行均值滤波,计算每个像素位置处的局部邻域的平均亮度,确定所述图像的高频分量的权重函数进行曝光适度评价WH n;
其中,hn通过与均值滤波做卷积得到,卷积核为7×7,σH=0.12。
通过上述计算,可以为亮度良好的像素分配较大的权值,为亮度不足区域的像素分配较小的权值。
步骤S150:将所述低频分量与所述高频分量乘以对应的权重函数并加权融合,将融合图像转回RGB颜色空间。
在本实施例中,所述将低频分量与高频分量乘以对应的权重函数并加权融合,将融合图像转回RGB颜色空间,包括下述步骤S151至步骤S152,以下详细说明各个步骤的实现方式。
步骤S151:构造完亮度图像序列的所有分量的混合权重值之后,通过加权对低频分量图像和高频分量图像进行融合,以获得亮暗区域细节丰富的融合图像。
步骤S152:将融合后的亮度图像Q,结合原始图像的色调通道H与饱和度通道S,通过如下公式转换回RGB颜色空间图像F:
式中,表示向下取整符号;
步骤S160:对融合图像进行平滑锐化滤波计算突出图像细节与对比度得到增强图像。
在本实施例中,在对融合图像进行平滑锐化滤波计算突出图像细节与对比度得到增强图像的步骤中,具体包括下述步骤S161至步骤S165,以下详细说明各个步骤的实现方式。
步骤S161:基于自引导滤波计算平滑锐化输出,选取引导图像为融合图像本身,对融合图像与引导图像进行分块处理。
具体地,基于自引导滤波计算平滑锐化输出,选取引导图像为融合图像本身,对融合图像与引导图像进行分块处理。
步骤S162:计算融合图像中图像块与引导图像中对应图像块之间的协方差
具体地,对融合图像以r为半径进行分块,求解引导图像与融合图像的图像块协方差
式中,μk是引导图像和融合图像间对应第k个图像块的平均值。
步骤S163:计算平滑锐化滤波图像块相关参数αk值。
具体地,求解平滑锐化滤波重要参数图像块相关参数αk值;
式中,σk是输入图像的图像块方差;β是用户定义参数,用于控制锐化增益;参数τ确定平滑或锐化级别,τ<1表示平滑,以及τ>1表示锐化,此外τ=1表示没有过滤,而τ=0表示迭代引导滤波。
步骤S164:计算自引导滤波的权重系数ωk值。
具体地,求解自引导滤波的权重系数ωk值;
自引导滤波的权重系数ωk的计算公式为:
式中,ck是确保的归一化因子,s是预定义的尺度参数,σ2是整个图像上所有σk 2的平均值。
步骤S165:采用加权和形式得到平滑锐化滤波后的增强图像。
具体地,采用加权和形式计算滤波后的增强图像。
平滑锐化滤波器有四个参数需要确定,即:图像块半径(r)、比例因子(s)、锐化增益(β)和锐化平滑因子(τ),根据本发明应用场景,为使滤波后图像纹理明显且对比度增强,本发明设置r=10,s=1,β=0.1,τ=3。
经过上述计算处理,最终可得到场景亮度明显提升、亮暗区信息全可视、色彩生动且信息丰富的增强图像,如图4与图5所示,从增强结果中可见,本发明提高了图像对比度及边缘清晰度,有效增强了融合图像的视觉质量与动态范围。
本申请上述实施例1提供的图像增强方法,无需建立复杂的物理模型,没有诸多复杂的参数设置,也不依赖摄像机的先验知识,能够较好地保持亮区与暗区细节,并能反映真实场景不同层次信息的完整性,增强后的图像清晰、明亮、颜色自然,有效地提高了低照度场景图像的视觉质量与动态范围,可为获取低照度或不均匀光照场景的高动态成像提供技术支持。
实施例2
请参阅图6,为本申请实施例2提供的单幅低照度场景图像增强系统的结构示意图,包括:
亮度通道提取单元110,用于提取单幅低照度场景图像的亮度通道V;
校正单元120,用于对所述亮度通道V进行亮度校正,生成不同亮度等级图像序列;
分解单元130,用于对不同亮度等级图像序列中的每幅图像进行分解获取低频分量及高频分量;
函数构建单元140,用于根据曝光适度评价分别构建低频分量与高频分量对应的混合权重函数;
融合单元150,用于将所述低频分量与所述高频分量乘以对应的权重函数并加权融合,将融合图像转回RGB颜色空间;
图像增强单元160,用于对融合图像进行平滑锐化滤波计算突出图像细节与对比度得到增强图像。
本申请上述实施例2提供的图像增强系统,其详细的实现方式可参考实施例1,这里不再赘述。
本申请上述实施例2提供的图像增强系统,无需建立复杂的物理模型,没有诸多复杂的参数设置,也不依赖摄像机的先验知识,能够较好地保持亮区与暗区细节,并能反映真实场景不同层次信息的完整性,增强后的图像清晰、明亮、颜色自然,有效地提高了低照度场景图像的视觉质量与动态范围,可为获取低照度或不均匀光照场景的高动态成像提供技术支持。
可以理解,以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上仅为本申请的较佳实施例而已,仅具体描述了本申请的技术原理,这些描述只是为了解释本申请的原理,不能以任何方式解释为对本申请保护范围的限制。基于此处解释,凡在本申请的精神和原则之内所作的任何修改、等同替换和改进,及本领域的技术人员不需要付出创造性的劳动即可联想到本申请的其他具体实施方式,均应包含在本申请的保护范围之内。
Claims (9)
1.一种单幅低照度场景图像增强方法,其特征在于,包括下述步骤:
提取单幅低照度场景图像的亮度通道V;
对所述亮度通道V进行亮度校正,生成不同亮度等级图像序列;
对不同亮度等级图像序列中的每幅图像进行分解获取低频分量及高频分量;
根据曝光适度评价分别构建低频分量与高频分量对应的混合权重函数;
将所述低频分量与所述高频分量乘以对应的权重函数并加权融合,将融合图像转回RGB颜色空间;
对融合图像进行平滑锐化滤波计算突出图像细节与对比度得到增强图像。
2.如权利要求1所述的单幅低照度场景图像增强方法,其特征在于,在提取单幅低照度场景图像的亮度通道V的步骤中,具体包括下述步骤:
对单幅低照度场景图像的图像像素值进行归一化处理,得到归一化图像;
将所述归一化图像转到HSV颜色空间,提取亮度通道V、饱和度通道S与色调通道H。
3.如权利要求1所述的单幅低照度场景图像增强方法,其特征在于,在对所述亮度通道V进行亮度校正,生成不同亮度等级图像序列的步骤中,具体包括下述步骤:
采用Gamma变换对输入的单幅图像亮度通道V进行亮度校正。
4.如权利要求1所述的单幅低照度场景图像增强方法,其特征在于,在对不同亮度等级图像序列中的每幅图像进行分解获取低频分量及高频分量的步骤中,具体包括下述步骤:
对不同亮度等级图像序列中的每幅图像采用加权最小二乘滤波器进行分解计算低频分量,进而得到高频分量。
5.如权利要求4所述的单幅低照度场景图像增强方法,其特征在于,在对不同亮度等级图像序列中的每幅图像采用加权最小二乘滤波器进行分解计算低频分量,进而得到高频分量的步骤中,具体包括下述步骤:
基于加权最小二乘滤波器对序列中的每幅图像进行滤波计算,估计不同亮度图像的低频信息,得到低频信息对应滤波后的低频图像Ln;其中,参数λ=0.5,α=1;
式中:第一项子公式确保输入图像和滤波后的低频分量图像之间的相似性,二者间距离越小,滤波图像和输入的亮度图像之间的相似性就越高;式中的第二项子公式为正则项,通过计算偏导数来获得平滑度;λ是保持两个子公式之间平衡的正则化因子,λ值越高,输出图像越平滑,wx和wy是平滑因子,Vn是输入图像的对数形式,即Vn=log(Gn),指数α表示输入图像梯度的灵敏度,ε是接近0的正常数,argmin(·)是计算使目标函数取最小值时的低频分量图像Ln值;
通过亮度图像与低频分量图像相减可以计算对应的高频分量Hn,公式如下:
Hn=Gn-Ln。
6.如权利要求5所述的单幅低照度场景图像增强方法,其特征在于,在根据曝光适度评价分别构建低频分量与高频分量对应的混合权重函数的步骤中,具体包括下述步骤:
基于局部平均亮度用作曝光特征评估图像局部曝光质量;
根据整幅图像的亮度和图像大小计算图像的全局平均亮度,评估第n幅图像的全局曝光质量;
结合局部和全局曝光质量构建低频分量的混合权重函数WL n;
对亮度图像进行均值滤波,计算每个像素位置处的局部邻域的平均亮度,确定所述图像的高频分量的权重函数进行曝光适度评价WH n。
7.如权利要求6所述的单幅低照度场景图像增强方法,其特征在于,在将所述低频分量与所述高频分量乘以对应的权重函数并加权融合,将融合图像转回RGB颜色空间的步骤中,具体包括下述步骤:
对亮度图像的高频分量、低频分量分别乘以对应的权重函数,由以下公式进行加权求和得到融合图像Q:
对融合后的亮度通道图像Q结合原始输入图像的饱和度通道S和色调通道H转换回RGB颜色空间,得到图像F。
8.如权利要求1所述的单幅低照度场景图像增强方法,其特征在于,在对融合图像进行平滑锐化滤波计算突出图像细节与对比度得到增强图像的步骤中,具体包括下述步骤:
基于自引导滤波对所述融合后图像F作平滑锐化处理,其中,选取引导图像为融合图像F本身,对融合图像与引导图像进行分块处理;
计算融合图像中图像块与引导图像中对应图像块之间的协方差
计算平滑锐化滤波图像块相关参数αk值;
计算自引导滤波的权重系数ωk值;
采用加权和形式得到平滑锐化滤波后的增强图像。
9.一种如权利要求1所述的单幅低照度场景图像增强方法的增强系统,其特征在于,包括:
亮度通道提取单元,用于提取单幅低照度场景图像的亮度通道V;
校正单元,用于对所述亮度通道V进行亮度校正,生成不同亮度等级图像序列;
分解单元,用于对不同亮度等级图像序列中的每幅图像进行分解获取低频分量及高频分量;
函数构建单元,用于根据曝光适度评价分别构建低频分量与高频分量对应的混合权重函数;
融合单元,用于将所述低频分量与所述高频分量乘以对应的权重函数并加权融合,将融合图像转回RGB颜色空间;
图像增强单元,用于对融合图像进行平滑锐化滤波计算突出图像细节与对比度得到增强图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311013081.4A CN116993616A (zh) | 2023-08-11 | 2023-08-11 | 一种单幅低照度场景图像增强方法及增强系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311013081.4A CN116993616A (zh) | 2023-08-11 | 2023-08-11 | 一种单幅低照度场景图像增强方法及增强系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993616A true CN116993616A (zh) | 2023-11-03 |
Family
ID=88533757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311013081.4A Pending CN116993616A (zh) | 2023-08-11 | 2023-08-11 | 一种单幅低照度场景图像增强方法及增强系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993616A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422656A (zh) * | 2023-12-14 | 2024-01-19 | 西南交通大学 | 一种低照度模糊交通图像增强方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110182510A1 (en) * | 2010-01-28 | 2011-07-28 | Wei Hong | Methods and Systems for Image Noise Filtering |
CN112348754A (zh) * | 2020-10-30 | 2021-02-09 | 南京邮电大学 | 一种低照度彩色图像增强方法及装置 |
CN112734650A (zh) * | 2019-10-14 | 2021-04-30 | 武汉科技大学 | 一种基于虚拟多曝光融合的不均匀光照图像增强方法 |
CN115439384A (zh) * | 2022-09-05 | 2022-12-06 | 中国科学院长春光学精密机械与物理研究所 | 一种无鬼影多曝光图像融合方法、装置 |
CN116563133A (zh) * | 2023-03-13 | 2023-08-08 | 南京理工大学 | 基于模拟曝光和多尺度融合的低照度彩色图像增强方法 |
-
2023
- 2023-08-11 CN CN202311013081.4A patent/CN116993616A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110182510A1 (en) * | 2010-01-28 | 2011-07-28 | Wei Hong | Methods and Systems for Image Noise Filtering |
CN112734650A (zh) * | 2019-10-14 | 2021-04-30 | 武汉科技大学 | 一种基于虚拟多曝光融合的不均匀光照图像增强方法 |
CN112348754A (zh) * | 2020-10-30 | 2021-02-09 | 南京邮电大学 | 一种低照度彩色图像增强方法及装置 |
CN115439384A (zh) * | 2022-09-05 | 2022-12-06 | 中国科学院长春光学精密机械与物理研究所 | 一种无鬼影多曝光图像融合方法、装置 |
CN116563133A (zh) * | 2023-03-13 | 2023-08-08 | 南京理工大学 | 基于模拟曝光和多尺度融合的低照度彩色图像增强方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422656A (zh) * | 2023-12-14 | 2024-01-19 | 西南交通大学 | 一种低照度模糊交通图像增强方法、装置、设备及介质 |
CN117422656B (zh) * | 2023-12-14 | 2024-04-12 | 西南交通大学 | 一种低照度模糊交通图像增强方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Shallow-water image enhancement using relative global histogram stretching based on adaptive parameter acquisition | |
CN108876743B (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
Celik | Spatial mutual information and PageRank-based contrast enhancement and quality-aware relative contrast measure | |
Schettini et al. | Contrast image correction method | |
CN112288658A (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
KR102045538B1 (ko) | 패치 기반 다중 노출 영상 융합 방법 및 장치 | |
WO2012170462A2 (en) | Automatic exposure correction of images | |
Zhou et al. | Multi-scale retinex-based adaptive gray-scale transformation method for underwater image enhancement | |
CN113222866B (zh) | 灰度图像增强方法、计算机可读介质及计算机系统 | |
Dharejo et al. | A color enhancement scene estimation approach for single image haze removal | |
CN115115554B (zh) | 基于增强图像的图像处理方法、装置和计算机设备 | |
Park et al. | Generation of high dynamic range illumination from a single image for the enhancement of undesirably illuminated images | |
Yang et al. | Underwater image enhancement using scene depth-based adaptive background light estimation and dark channel prior algorithms | |
CN114331873A (zh) | 一种基于区域划分的非均匀光照彩色图像校正方法 | |
Rahman et al. | Efficient image enhancement model for correcting uneven illumination images | |
Shutova et al. | NTIRE 2023 challenge on night photography rendering | |
CN116993616A (zh) | 一种单幅低照度场景图像增强方法及增强系统 | |
Parihar et al. | A comprehensive analysis of fusion-based image enhancement techniques | |
Tang et al. | A local flatness based variational approach to retinex | |
Dhara et al. | Exposedness-based noise-suppressing low-light image enhancement | |
Chen et al. | Underwater image enhancement based on color balance and multi-scale fusion | |
Zhu et al. | Underwater image enhancement based on colour correction and fusion | |
CN110175967B (zh) | 图像去雾处理方法、系统、计算机设备和存储介质 | |
Katırcıoğlu | Colour image enhancement with brightness preservation and edge sharpening using a heat conduction matrix | |
CN117218039A (zh) | 图像处理方法、装置、计算机设备及存储介质 |
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 |