CN117314801A - 基于人工智能的模糊图像优化增强方法 - Google Patents
基于人工智能的模糊图像优化增强方法 Download PDFInfo
- Publication number
- CN117314801A CN117314801A CN202311261222.4A CN202311261222A CN117314801A CN 117314801 A CN117314801 A CN 117314801A CN 202311261222 A CN202311261222 A CN 202311261222A CN 117314801 A CN117314801 A CN 117314801A
- Authority
- CN
- China
- Prior art keywords
- gray level
- target
- pixel point
- enhancement
- pixel
- 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 52
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 51
- 238000004891 communication Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 6
- 238000013441 quality evaluation Methods 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001131 transforming 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
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
Abstract
本发明公开了基于人工智能的模糊图像优化增强方法,涉及图像处理技术领域,包括:根据像素点的梯度幅值和像素点邻域中像素点关联关系获取像素点的目标程度,并获取标记像素点;根据标记像素点的梯度幅值与其预设滑窗中的差异获取标记像素点的权重,并获得每个灰度级的权重,根据灰度级的权重获取灰度级的针对增强必要性,根据针对性增强的灰度级的分布确定灰度子区间,根据灰度子区间与原始灰度级子区间的隶属度关系获取灰度级子区间的增强映射方式,对目标图像进行均衡化增强得到优化增强后的图像。本发明通过将灰度直方图分为多段,进行不同程度的直方图均衡化增强,在保证图像质量的同时避免过增强或细节丢失的问题。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于人工智能的模糊图像优化增强方法。
背景技术
图像处理是一种广泛应用于数字图像领域的技术,它通过对图像进行一系列的算法处理,改变图像的质量、清晰度、对比度等特征,以达到优化和增强图像的目的。图像模糊是指图像中的细节不清晰或者边缘不明显,通常由图像采集设备的不完美性、运动模糊或者镜头失焦等因素引起。
传统的图像模糊优化方法主要包括滤波、去噪和锐化等技术。滤波方法通过对图像进行平滑处理,消除图像中的高频噪声,从而减少图像模糊。去噪方法通过对图像进行降噪处理,去除图像中的噪声干扰,提高图像的清晰度。锐化方法通过增强图像中的边缘和细节,使图像更加清晰。然而,传统的图像模糊优化方法存在一些问题。首先,滤波方法可能会导致图像细节的丢失,使图像变得过于平滑。其次,去噪方法可能会导致图像细节的模糊,使图像变得不清晰。最后,锐化方法可能会增加图像中的噪声,使图像变得更加杂乱。
本发明通过对采集的图像进行分析,通过获取图像的边缘细节,获取边缘细节的细节程度,通过细节程度将灰度统计直方图分为多段,每段进行不同程度的直方图均衡化增强,在保证图像质量的同时避免过增强或细节丢失的问题。
发明内容
本发明提供基于人工智能的模糊图像优化增强方法,以解决现有的问题。
本发明的基于人工智能的模糊图像优化增强方法采用如下技术方案:该方法包括以下步骤:
获取待优化增强的图像,通过对图像进行去噪预处理得到目标图像;将目标图像中任意一个像素点记为目标像素点;
根据目标像素点的梯度幅值和目标像素点邻域中像素点与目标像素点的关联关系获取目标像素点的目标程度,根据目标像素点的目标程度获取标记像素点;
根据标记像素点的梯度幅值与标记像素点在预设滑窗中平均梯度幅值的差异获取标记像素点的权重,根据每个灰度级中标记像素点的数量以及标记像素点的权重值获取标记像素点对应的每个灰度级的权重,根据每个灰度级的权重获取每个灰度级的针对增强必要性,将针对增强必要性大于预设阈值的所有灰度级记为针对性增强的灰度级;
根据所有针对性增强的灰度级的分布进行聚类,根据聚类获取的簇类个数确定灰度子区间,根据灰度子区间与原始灰度级子区间的隶属度关系获取灰度级子区间的增强映射方式,利用灰度级子区间的增强映射方式对目标图像进行均衡化增强得到优化增强后的图像。
优选的,所述根据目标像素点的梯度幅值和目标像素点邻域中像素点与目标像素点的关联关系获取目标像素点的目标程度,包括的具体步骤如下:
以目标像素点为中心建立预设大小的滑窗,目标像素点的目标程度为:
式中ga表示目标像素点的目标程度,fa表示目标像素点的梯度幅值,fmax表示预设大小的滑窗中所有像素点的梯度幅值的最大值,n表示滑窗的边长,sa表示滑窗中与目标像素点的梯度幅值相似且与目标像素点存在联通关系的像素点的个数。
优选的,所述滑窗中与目标像素点的梯度幅值相似且与目标像素点存在联通关系的像
素点的个数的获取方法如下:
以目标像素点为区域生长的中心点进行区域生长,生长过程为:获取与区域生长中心点存在相似关系并且位于区域生长中心点八邻域内的所有像素点,将所述的所有像素点标记为生长像素点;分别以每个生长像素点为区域生长中心点继续进行生长;
迭代重复所述生长过程,直至所有生长像素点的八邻域内不存在与生长像素点存在相似关系的像素点时停止迭代,迭代完成之后获得所有生长像素点;所有生长像素点的个数记为与目标像素点的梯度幅值相似且与目标像素点存在联通关系的像素点的个数。
优选的,所述根据目标像素点的目标程度获取标记像素点,包括的具体步骤如下:
将目标程度大于第一预设阈值的所有像素点进行标记,标记为标记像素。
优选的,所述根据标记像素点的梯度幅值与标记像素点在预设滑窗中平均梯度幅值的差异获取标记像素点的权重,包括的具体公式如下:
式中ta表示第a个标记像素点的权重值,fa′表示目标图像中第a个标记像素点的梯度幅值,表示目标图像中以第a个标记像素点为中心的且大小为n×n的滑窗中内所有像素点的梯度幅值的平均值,n为预设数值。
优选的,所述根据每个灰度级中标记像素点的数量以及标记像素点的权重值获取标记
像素点对应的每个灰度级的权重,包括的具体公式如下:
式中px表示第x个灰度级的权重值,mx表示第x个灰度级中标记像素点的个数,ti表示第x个灰度级中第i个标记像素点的权重值。
优选的,所述根据每个灰度级的权重获取每个灰度级的针对增强必要性,包括的具体公式如下:
式中qx表示第x的灰度级的针对增强必要性,px表示第x的灰度级的权重值,mx表示第x个灰度级中标记像素点的个数,Mx表示第x个灰度级中所有像素点的个数。
优选的,所述根据所有针对性增强的灰度级的分布进行聚类,根据聚类获取的簇类个
数确定灰度子区间,根据灰度子区间与原始灰度级子区间的隶属度关系获取灰度级子
区间的增强映射方式,包括的具体步骤如下:
采用均值漂移密度聚类进行聚类,聚类完成后获得的类簇个数记为N,采用最大类间方差法获取灰度级的N个阈值,将每个阈值作为分段点对灰度级区间进行区间划分,分段完成后得到多个灰度级子区间;将原始灰度级区间平均分为三份,其中原始灰度级区间的区间范围由第一目标图像中的最小灰度级与最大灰度级确定,从小到大分别记为低灰度级区间、中灰度级区间和高灰度级区间,根据每一个灰度级子区间位于低、中、高灰度级区间的隶属度进行映射方式的选择,若灰度级子区间全包含于低灰度级区间,则选择平方根映射,若灰度级子区间全包含于高灰度级区间,则选择对数映射,若灰度级子区间全包含于中灰度级区间,则选择线性映射,线性映射即为直方图均衡化中的累积分布函数,若灰度级子区间全包含于中灰度级区间,则选择线性映射。
本发明的技术方案的有益效果是:通过对图像进行预处理得到去噪后的图像,有利于减小噪声带来的干扰,通过计算像素点的目标程度,将对比度较低的像素点对应的灰度级进行针对性增强,通过对应像素点灰度级的分布自适应获取增强映射方式,采用自适应获取的增强映射方式对图像进行增强处理,在保证图像质量的同时避免过增强或细节丢失的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对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,下面描述中的附图仅仅是本发明的一些实施例,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为本发明一种基于人工智能的模糊图像优化增强方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的模糊图像优化增强方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的模糊图像优化增强方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的模糊图像优化增强方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取待优化增强的图像,通过对图像进行去噪预处理得到目标图像。
需要说明的是:当相机聚焦不准确、外界因素如风和震动等因素导致相机晃动、环境光线不足等原因会导致采集的图像出现模糊,例如道路监控采集系统在进行道路监控视频采集时,由于上述原因,会导致采集得到的部分监控视频帧或监控图像出现模糊,故本发明以道路监控视频或图像为例进行图像采集。
获取待优化增强的图像,其中待优化增强的图像通常为监控视频图像为例,将采集得到的监控视频或监控图像输入到图像质量评估模型中,本实施例采用的图像质量评估模型为NIMA图像质量评估模型,图像质量评估模型的目的是为了筛选出监控视频或监控图像中存在模糊的监控视频帧或监控图像,将存在模糊的监控视频帧或监控图像记为待优化增强的图像,图像质量评估模型为现有技术,本实施例不再进行赘述。采用高斯滤波对待优化增强的图像进行去噪处理,得到去噪后的图像,将去噪后的图像作为目标图像,其中待优化增强的图像存在多张,故将第一张去噪后的待优化增强的图像记为第一目标图像。
步骤S002:获取像素点的目标程度,根据像素点的目标程度获取标记像素点;根据标记像素点的梯度幅值获取标记像素点的权重,根据标记像素点的权重值获取标记像素点对应的每个灰度级的权重,根据每个灰度级的权重获取针对性增强的灰度级。
需要说明的是:图像模糊是由于图像局部细节的对比度较低所导致的,因此改善图像质量的方法可以采用增强图像局部细节对比度,采用直方图均衡化进行对比度增强会导致部分细节丢失,故通过获取图像中各个像素点的细节程度,根据像素点的细节程度对像素点进行分类,获取像素点的目标程度,根据像素点的目标程度对灰度统计直方图进行自适应区间划分,对不同的区间进行不同程度的非线性映射,低灰度区间采用平方根映射,增强图像的低灰度级细节,同时压缩高灰度级细节;高灰度区间采用对数映射,扩展高灰度级区域,并增强图像的高灰度级细节。在达到增强的效果的同时保留图像的细节,令最终的增强效果更好。
获取第一目标图像中所有像素点的梯度幅值,利用sobel算子计算第一目标图像中每个像素点水平和垂直方向的梯度fx,fy,则第一目标图像中第a个像素点的梯度幅值 其中fax表示第a个像素点的水平方向的梯度幅值,fay表示第a个像素点的垂直方向的梯度幅值,同理获取第一目标图像中所有像素点的梯度幅值。图像中的细节往往以边缘的形式体现,若第一目标图像中第a个像素点的梯度幅值与第一目标图像中第a个像素点邻域中像素点的梯度幅值相似,且第一目标图像中第a个像素点邻域中与第一目标图像中第a个像素点梯度幅值相似的像素点存在连通关系,则第一目标图像中第a个像素点的目标程度较大,故所述第一目标图像中第a个像素点的目标程度获取方法为:
将第一目标图像中第a个像素点记为目标像素点,以目标像素点为中心建立大小为n×n大小的滑窗,本实施例以n=7为例进行叙述,具体实施时可设置其他值,本实施例不进行具体限定,若滑窗中的像素点的梯度幅值与目标像素点的梯度幅值相似的像素点越多,且与目标像素点的梯度幅值相似的像素点与目标像素点存在联通关系,则目标像素点的目标程度越大,说明目标像素点更有可能属于边缘像素点,该像素点在增强时更应有较大的对比度,即目标像素点的目标程度为:
式中ga表示第一目标图像中第a个像素点的目标程度,fa表示第一目标图像中第a个像素点的梯度幅值,fmax表示第一目标图像中像素点的梯度幅值最大值,n表示以第一目标图像中第a个像素点为滑窗中心点建立的滑窗的边长,sa表示滑窗中与目标像素点的梯度幅值相似且与目标像素点存在联通关系的像素点的个数,其中梯度幅值差值的绝对值不大于Δf时,本实施例以Δf=7为例进行叙述,具体实施时可设置其他值,本实施例不进行具体限定,则判定该像素点与目标像素点为相似关系。
sa的具体获取方法如下:
以目标像素点为区域生长的中心点进行区域生长,若与目标像素点存在相似关系的像素点位于区域生长中心点的八邻域,以目标像素点为区域生长中心点进行生长,生长过程为:获取与区域生长中心点存在相似关系并且位于区域生长中心点八邻域内的所有像素点,将这些像素点标记为生长像素点;分别以每个生长像素点为区域生长中心点继续进行生长,迭代重复所述生长过程,直至所有生长像素点的八邻域内不存在与生长像素点存在相似关系的像素点时停止迭代,迭代完成之后获得的所有生长像素点。
上述获得的所有生长像素点就是与目标像素点的梯度幅值相似且与目标像素点存在联通关系的像素点,所有生长像素点的个数记为sa。
由此计算得到第一目标图像中第a个像素点的目标程度。同理获取所有像素点的目标程度,通过设定像素点的目标程度阈值Δ.g,本实施例以Δg=0.55为例进行叙述,具体实施时可设置其他值,对目标程度大于目标程度阈值Δg的所有像素点进行标记,标记为标记像素。
此时每一个标记像素点对应一个灰度级,其中灰度级区间为[0,255],共256个灰度级,对所有标记像素点的灰度级进行统计,建立统计直方图,统计直方图的横轴表示灰度级,纵轴表示各个灰度级对应的标记像素点的数量。
需要说明的是:在对细节进行优化增强时,往往对比度较低的细节更应该进行增强,故根据标记像素点的梯度幅值进行加权,梯度幅值较小的标记像素点分配较大的权重,因为梯度幅值较小的标记像素点更有可能为细节像素点且在增强过程中更有可能导致细节丢失,故通过标记像素点的分布对直方图进行自适应分区间,对于低灰度区间采用平方根映射,增强图像的低灰度级细节,同时压缩高灰度级细节;高灰度区间采用对数映射,扩展高灰度级区域,并增强图像的高灰度级细节。在达到增强的效果的同时保留图像的细节。
通过标记像素点的梯度幅值获取像素点的权重值,标记像素点的梯度幅值越小,在进行增强时越有可能造成细节丢失,故对该类型的像素点赋予较大的权重;标记像素点的梯度幅值越大,在进行增强时越不可能造成细节丢失,故对该类型的像素点赋予较小的权重,所述标记像素点的权重为:
式中ta表示第a个标记像素点的权重值,fa′表示第一目标图像中第a个标记像素点的梯度幅值,表示第一目标图像中以第a个标记像素点大小为n×n的滑窗中所有像素点的梯度幅值的平均值,第一目标图像中第a个标记像素点的梯度幅值与第一目标图像中以第a个标记像素点大小为n×n的滑窗中所有像素点的梯度幅值的平均值的差值的绝对值越小,说明第一目标图像中第a个标记像素点与其邻域中像素点的灰度差异越小,在进行增强映射时越有可能造成细节丢失,故对该像素点赋予更大的权重值。由此获取所有标记像素点的权重值。
根据标记像素点的权重值计算得到每个灰度级的权重值,所述灰度级的权重值为:
式中px表示第x个灰度级的权重值,mx表示第x个灰度级中标记像素点的个数,ti表示第x个灰度级中第i个标记像素点的权重值,由此得到第x的灰度级的权重值。
根据各个灰度级的权重、灰度级中标记像素点的占比获取各个灰度级的针对增强必要性,即对应灰度级的权重值越高、灰度级中标记像素点的占比越大,则该灰度级的针对增强必要性越大,即:
式中qx表示第x的灰度级的针对增强必要性,px表示第x的灰度级的权重值,mx表示第x个灰度级中标记像素点的个数,Mx表示第x个灰度级中所有像素点的个数。设定针对增强必要性阈值Δq,本实施例以Δq=0.6为例进行叙述,具体实施时可设置其他值,将针对增强必要性大于Δq的所有灰度级记为针对性增强的灰度级。
步骤S003:根据所有针对性增强的灰度级的分布进行聚类,根据聚类获取的簇类个数确定灰度子区间,根据灰度子区间获取灰度级子区间的增强映射方式,利用灰度级子区间的增强映射方式对目标图像进行增强得到优化增强后的图像。
根据需要进行针对性增强的灰度级的分布选择对应的非线性映射方式,对所有针对性增强的灰度级进行聚类,聚类采用均值漂移密度聚类进行聚类,聚类完成后获得的类簇个数记为N,均值漂移密度聚类为现有技术,本实施例不再进行赘述,根据获取的类簇数目对灰度级区间进行自适应分割,该灰度级区间为[0,255],采用最大类间方差法获取灰度级的N个阈值,将每个阈值作为分段点对灰度级区间进行区间划分,分段完成后得到多个灰度级子区间。
将原始灰度级区间平均分为三份,其中原始灰度级区间的区间范围由第一目标图像中的最小灰度级与最大灰度级确定,从小到大分别记为低灰度级区间、中灰度级区间和高灰度级区间,根据自适应获取得到的每一个灰度级子区间位于低、中、高灰度级区间的隶属度进行映射方式的选择,若灰度级子区间全包含于低灰度级区间,则选择平方根映射,若灰度级子区间全包含于高灰度级区间,则选择对数映射,若灰度级子区间全包含于中灰度级区间,则选择线性映射,线性映射即为直方图均衡化中的累积分布函数;
首先将低灰度级区间、中灰度级区间和高灰度级区间统称为原始灰度级子区间,若灰度级子区间包含于两个原始灰度级子区间,则计算其包含程度,所述包含程度的获取方法为:首先获取与灰度级子区间相交的两个原始灰度级子区间,然后获取灰度级子区间相交的两个原始灰度级子区间的相交比例,将相交比例记为包含程度,对应的灰度级子区间与所述原始灰度级子区间的相交比例越大,则对应的原始灰度子区间所对应的映射方式的优选程度越大,则该灰度级子区间的映射方式选择优选程度大的原始灰度子区间所对应的映射方式。
若包含程度相同时,选择更低的灰度级区间对应的映射方法。
非线性直方图均衡化可用于解决对比度不强的问题,其中不同的增强映射方式会有不同的效果,其中映射方式有指数映射、对数映射、幂次映射、平方根映射等,其中平方根映射可以增强图像的低灰度级细节,同时压缩高灰度级细节;对数映射可以扩展高灰度级区域,并增强图像的高灰度级细节,故本实施例选择平方根映射与对数映射。
所述非线性直方图均衡化增强的具体过程为:
计算第一目标图像的直方图,直方图表示图像中每个灰度级别的像素值的分布情况;将直方图进行归一化,归一化直方图将直方图的值映射到[0,1]的范围内,根据上述计算获取的映射方式对归一化直方图进行变换;其中平方根映射过程为:将采用平方根映射的每个灰度级的归一化直方图的值输入到平方根函数中,输出对应增强后的值;对数映射过程同理。对增强后的值进行反归一化。将增强后的值乘以图像总像素数量,得到反归一化后的直方图,根据反归一化后的直方图,对原始图像进行像素值映射。即将原始图像中每个像素的值映射到对应的增强后的像素值,完成非线性直方图均衡化第一目标图像中所有的像素点完成映射增强,得到增强后的图像,记为第一目标增强图像。同理对每一张目标图像进行处理,得到增强后的目标增强图像。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于人工智能的模糊图像优化增强方法,其特征在于,该方法包括以下步骤:
获取待优化增强的图像,通过对图像进行去噪预处理得到目标图像;将目标图像中任意一个像素点记为目标像素点;
根据目标像素点的梯度幅值和目标像素点邻域中像素点与目标像素点的关联关系获取目标像素点的目标程度,根据目标像素点的目标程度获取标记像素点;
根据标记像素点的梯度幅值与标记像素点在预设滑窗中平均梯度幅值的差异获取标记像素点的权重,根据每个灰度级中标记像素点的数量以及标记像素点的权重值获取标记像素点对应的每个灰度级的权重,根据每个灰度级的权重获取每个灰度级的针对增强必要性,将针对增强必要性大于预设阈值的所有灰度级记为针对性增强的灰度级;
根据所有针对性增强的灰度级的分布进行聚类,根据聚类获取的簇类个数确定灰度子区间,根据灰度子区间与原始灰度级子区间的隶属度关系获取灰度级子区间的增强映射方式,利用灰度级子区间的增强映射方式对目标图像进行均衡化增强得到优化增强后的图像。
2.根据权利要求1所述基于人工智能的模糊图像优化增强方法,其特征在于,所述根据目标像素点的梯度幅值和目标像素点邻域中像素点与目标像素点的关联关系获取目标像素点的目标程度,包括的具体步骤如下:
以目标像素点为中心建立预设大小的滑窗,目标像素点的目标程度为:
式中ga表示目标像素点的目标程度,fa表示目标像素点的梯度幅值,fmax表示预设大小的滑窗中所有像素点的梯度幅值的最大值,n表示滑窗的边长,sa表示滑窗中与目标像素点的梯度幅值相似且与目标像素点存在联通关系的像素点的个数。
3.根据权利要求2所述基于人工智能的模糊图像优化增强方法,其特征在于,所述滑窗中与目标像素点的梯度幅值相似且与目标像素点存在联通关系的像素点的个数的获取方法如下:
以目标像素点为区域生长的中心点进行区域生长,生长过程为:获取与区域生长中心点存在相似关系并且位于区域生长中心点八邻域内的所有像素点,将所述的所有像素点标记为生长像素点;分别以每个生长像素点为区域生长中心点继续进行生长;
迭代重复所述生长过程,直至所有生长像素点的八邻域内不存在与生长像素点存在相似关系的像素点时停止迭代,迭代完成之后获得所有生长像素点;所有生长像素点的个数记为与目标像素点的梯度幅值相似且与目标像素点存在联通关系的像素点的个数。
4.根据权利要求1所述基于人工智能的模糊图像优化增强方法,其特征在于,所述根据目标像素点的目标程度获取标记像素点,包括的具体步骤如下:
将目标程度大于第一预设阈值的所有像素点进行标记,标记为标记像素。
5.根据权利要求1所述基于人工智能的模糊图像优化增强方法,其特征在于,所述根据标记像素点的梯度幅值与标记像素点在预设滑窗中平均梯度幅值的差异获取标记像素点的权重,包括的具体公式如下:
式中ta表示第a个标记像素点的权重值,fa′表示目标图像中第a个标记像素点的梯度幅值,表示目标图像中以第a个标记像素点为中心的且大小为n×n的滑窗中内所有像素点的梯度幅值的平均值,n为预设数值。
6.根据权利要求1所述基于人工智能的模糊图像优化增强方法,其特征在于,所述根据每个灰度级中标记像素点的数量以及标记像素点的权重值获取标记像素点对应的每个灰度级的权重,包括的具体公式如下:
式中px表示第x个灰度级的权重值,mx表示第x个灰度级中标记像素点的个数,ti
表示第x个灰度级中第i个标记像素点的权重值。
7.根据权利要求1所述基于人工智能的模糊图像优化增强方法,其特征在于,所述根据每个灰度级的权重获取每个灰度级的针对增强必要性,包括的具体公式如下:
式中qx表示第x的灰度级的针对增强必要性,px表示第x的灰度级的权重值,mx表示第x个灰度级中标记像素点的个数,Mx表示第x个灰度级中所有像素点的个数。
8.根据权利要求1所述基于人工智能的模糊图像优化增强方法,其特征在于,所述根据所有针对性增强的灰度级的分布进行聚类,根据聚类获取的簇类个数确定灰度子区间,根据灰度子区间与原始灰度级子区间的隶属度关系获取灰度级子区间的增强映射方式,包括的具体步骤如下:
采用均值漂移密度聚类进行聚类,聚类完成后获得的类簇个数记为N,采用最大类间方差法获取灰度级的N个阈值,将每个阈值作为分段点对灰度级区间进行区间划分,分段完成后得到多个灰度级子区间;将原始灰度级区间平均分为三份,其中原始灰度级区间的区间范围由第一目标图像中的最小灰度级与最大灰度级确定,从小到大分别记为低灰度级区间、中灰度级区间和高灰度级区间,根据每一个灰度级子区间位于低、中、高灰度级区间的隶属度进行映射方式的选择,若灰度级子区间全包含于低灰度级区间,则选择平方根映射,若灰度级子区间全包含于高灰度级区间,则选择对数映射,若灰度级子区间全包含于中灰度级区间,则选择线性映射,线性映射即为直方图均衡化中的累积分布函数,若灰度级子区间全包含于中灰度级区间,则选择线性映射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311261222.4A CN117314801A (zh) | 2023-09-27 | 2023-09-27 | 基于人工智能的模糊图像优化增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311261222.4A CN117314801A (zh) | 2023-09-27 | 2023-09-27 | 基于人工智能的模糊图像优化增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117314801A true CN117314801A (zh) | 2023-12-29 |
Family
ID=89241994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311261222.4A Pending CN117314801A (zh) | 2023-09-27 | 2023-09-27 | 基于人工智能的模糊图像优化增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314801A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117558068A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市阿龙电子有限公司 | 基于多源数据融合的智能设备手势识别方法 |
CN117689590A (zh) * | 2024-01-31 | 2024-03-12 | 天津灵境智游科技有限公司 | 一种基于ai技术的ar的对象互动展示方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801244A (zh) * | 2019-02-19 | 2019-05-24 | 广州视源电子科技股份有限公司 | 图像增强方法、装置、计算机设备和存储介质 |
CN111583161A (zh) * | 2020-06-17 | 2020-08-25 | 上海眼控科技股份有限公司 | 模糊图像的增强方法、计算机设备和存储介质 |
CN114648530A (zh) * | 2022-05-20 | 2022-06-21 | 潍坊医学院 | 一种ct图像处理方法 |
CN116309584A (zh) * | 2023-05-22 | 2023-06-23 | 泰安光明爱尔眼科医院有限公司 | 一种用于白内障区域识别的图像处理系统 |
CN116468728A (zh) * | 2023-06-20 | 2023-07-21 | 深圳市锦红兴科技有限公司 | 一种五金冲压件模具生产质量检测方法 |
-
2023
- 2023-09-27 CN CN202311261222.4A patent/CN117314801A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801244A (zh) * | 2019-02-19 | 2019-05-24 | 广州视源电子科技股份有限公司 | 图像增强方法、装置、计算机设备和存储介质 |
CN111583161A (zh) * | 2020-06-17 | 2020-08-25 | 上海眼控科技股份有限公司 | 模糊图像的增强方法、计算机设备和存储介质 |
CN114648530A (zh) * | 2022-05-20 | 2022-06-21 | 潍坊医学院 | 一种ct图像处理方法 |
CN116309584A (zh) * | 2023-05-22 | 2023-06-23 | 泰安光明爱尔眼科医院有限公司 | 一种用于白内障区域识别的图像处理系统 |
CN116468728A (zh) * | 2023-06-20 | 2023-07-21 | 深圳市锦红兴科技有限公司 | 一种五金冲压件模具生产质量检测方法 |
Non-Patent Citations (2)
Title |
---|
DEBAPRIYA SENGUPTA ET AL: "Non-linear weight adjustment in adaptive gamma correction for image contrast enhancement", 《MULTIMEDIA TOOLS AND APPLICATIONS》, 24 September 2020 (2020-09-24) * |
MADHESWARI KANMANI ET AL: "An image contrast enhancement algorithm for grayscale images using particle swarm optimization", 《MULTIMED TOOLS APPL》, 29 January 2018 (2018-01-29) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117558068A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市阿龙电子有限公司 | 基于多源数据融合的智能设备手势识别方法 |
CN117558068B (zh) * | 2024-01-11 | 2024-03-19 | 深圳市阿龙电子有限公司 | 基于多源数据融合的智能设备手势识别方法 |
CN117689590A (zh) * | 2024-01-31 | 2024-03-12 | 天津灵境智游科技有限公司 | 一种基于ai技术的ar的对象互动展示方法 |
CN117689590B (zh) * | 2024-01-31 | 2024-04-16 | 天津灵境智游科技有限公司 | 一种基于ai技术的ar的对象互动展示方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527333B (zh) | 一种基于伽马变换的快速图像增强方法 | |
Tan et al. | Exposure based multi-histogram equalization contrast enhancement for non-uniform illumination images | |
CN108876743B (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
CN117314801A (zh) | 基于人工智能的模糊图像优化增强方法 | |
CN102682436B (zh) | 一种改进的多尺度Retinex理论的图像增强方法 | |
CN102789635B (zh) | 一种图像增强方法和装置 | |
CN110033417B (zh) | 一种基于深度学习的图像增强方法 | |
CN102521813B (zh) | 基于双平台直方图的红外图像自适应增强方法 | |
WO2022179335A1 (zh) | 视频处理方法、装置、电子设备以及存储介质 | |
CN111105371B (zh) | 一种低对比度红外图像的增强方法 | |
CN101877123A (zh) | 一种图像增强方法和装置 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN115908371B (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
CN114418904A (zh) | 一种基于改进直方图均衡化和增强高通滤波的红外图像增强方法 | |
CN115587945A (zh) | 高动态红外图像细节增强方法、系统及计算机存储介质 | |
CN111192213A (zh) | 图像去雾自适应参数的计算方法、图像去雾方法及系统 | |
CN110111280A (zh) | 一种多尺度梯度域引导滤波的低照度图像增强算法 | |
CN115797234B (zh) | 一种增强低对比度二维码图像识别效果的方法 | |
CN115660994B (zh) | 一种基于区域最小二乘估计的图像增强方法 | |
CN109859138A (zh) | 一种基于人眼视觉特性的红外图像增强方法 | |
CN116797468A (zh) | 基于软边重建的自校准深度曲线估计的低光照图像增强方法 | |
CN111583213B (zh) | 一种基于深度学习和无参考质量评价的图像生成方法 | |
CN113920136A (zh) | 一种改进的暗通道先验去雾算法 | |
Chandana et al. | An optimal image dehazing technique using dark channel 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 |