CN117408906A - 微光图像增强方法及系统 - Google Patents
微光图像增强方法及系统 Download PDFInfo
- Publication number
- CN117408906A CN117408906A CN202311720917.4A CN202311720917A CN117408906A CN 117408906 A CN117408906 A CN 117408906A CN 202311720917 A CN202311720917 A CN 202311720917A CN 117408906 A CN117408906 A CN 117408906A
- Authority
- CN
- China
- Prior art keywords
- image
- light
- value
- dividing
- enhancement
- 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 52
- 238000001914 filtration Methods 0.000 claims abstract description 81
- 239000011159 matrix material Substances 0.000 claims description 65
- 238000012545 processing Methods 0.000 claims description 50
- 238000005096 rolling process Methods 0.000 claims description 35
- 238000012937 correction Methods 0.000 claims description 22
- 230000002708 enhancing effect Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000001028 reflection method Methods 0.000 claims description 12
- 230000001131 transforming effect Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 36
- 238000004422 calculation algorithm Methods 0.000 description 42
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 8
- 235000011941 Tilia x europaea Nutrition 0.000 description 8
- 239000004571 lime Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 238000002834 transmittance Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004297 night vision 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
- G06T5/50—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
- G06T2207/20024—Filtering details
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种微光图像增强方法，包括获取待增强的原始微光图像；进行取反得到反转图像；进行高斯低通滤波得到预处理图像；进行第一次增强得到中间增强图像；变换到YCbCr空间对亮度分量进行增强后再变回RGB空间得到粗增强图像；根据粗增强图像将原始微光图像划分为深色系原始微光图像和浅色系原始微光图像；针对浅色系原始微光图像和深色系原始微光图像，分别进行针对性图像增强，完成原始微光图像的增强。本发明还公开了一种实现所述微光图像增强方法的系统。本发明将微光图像判定为深色系图像和浅色系图像，并针对性的进行图像增强；因此本发明不仅能够实现微光图像的增强，而且可靠性更高，精确性更好，图像增强效果更好。
Description
技术领域
本发明属于数字图像处理领域，具体涉及一种微光图像增强方法及系统。
背景技术
随着经济技术的发展和人们生活水平的提高，数字图像处理技术已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。
在暗景，即微光条件下，图像采集系统获取的图像通常极暗，而且表现出对比度低、噪声大、特征信息人眼难以提取等特点。对微光图像进行增强，能够帮助人们获取更多的信息，从而在水下探测、红外夜视等领域具有极大的应用意义。
传统的微光图像增强方案，应用较为广泛的有基于直方图均衡化的方案和基于Retinex模型的方案。基于直方图均衡化的方案，通过对微光图像的直方图重新分布，使得增强后图像的直方图分布变宽，达到增强图像亮度和对比度的效果；但是，该类方案降低了图像在边缘处的清晰度，而且对噪声比较敏感。基于Retinex模型的方案，通过估计图像的亮度分量，并对亮度分量进行增强，再与反射分量相乘获得增强后的图像；但是这类方案的增强效果依赖于人为设置的先验条件和约束，增强结果易出现增强不足或过度，且对噪声比较敏感。
发明内容
本发明的目的之一在于提供一种可靠性高、精确性好且图像增强效果较好的微光图像增强方法。
本发明的目的之二在于提供一种实现所述微光图像增强方法的系统。
本发明提供的这种微光图像增强方法，包括如下步骤：
S1. 获取待增强的原始微光图像；
S2. 对步骤S1获取的原始微光图像进行取反操作，得到反转图像；
S3. 对步骤S2得到的反转图像进行高斯低通滤波处理，得到预处理图像；
S4. 基于大气光条件和介质透射率，对步骤S3得到的预处理图像进行第一次增强，得到中间增强图像；
S5. 将步骤S4得到的中间增强图像变换到YCbCr空间，对亮度分量进行增强后再变换回RGB空间，得到粗增强图像；
S6. 根据步骤S5得到的粗增强图像的RGB分量数据与设定的亮度阈值之间的关系，将原始微光图像划分为深色系原始微光图像和浅色系原始微光图像；
S7. 针对浅色系原始微光图像，在高斯低通滤波处理阶段引入滚动导向滤波处理，再进行亮度增强和自动色阶处理；针对深色系原始微光图像，进行高斯低通滤波后再采用完美反射法进行白平衡处理并进行亮度增强；最终，完成原始微光图像的增强。
所述的待增强的原始微光图像为RGB图像，且图像各个通道的灰度值在0~1之间。
所述的步骤S2，具体包括如下步骤：
计算得到反转图像为，/>为反转图像的灰度值矩阵，/>为原始微光图像的灰度值矩阵。
所述的步骤S3，具体包括如下步骤：
根据反转图像，计算高斯低通滤波参数为/>，其中/>为根据反转图像的三通道的像素矩阵转换得到的列向量，/>为/>的欧几里德范数；
根据得到的高斯低通滤波参数，对反转图像进行高斯低通滤波，得到预处理图像。
所述的步骤S4，具体包括如下步骤：
采用如下算式计算得到中间增强图像：式中/>为中间图像的灰度值矩阵；/>为预处理图像的灰度值矩阵；/>为大气光矩阵；/>为修正后的介质透射率矩阵，且/>，/>为原始微光图像的灰度均值，/>为介质透射率矩阵，且，/>为自然度保真项且取值为/>，/>为反转图像的灰度值矩阵在c通道的值，/>，/>表示为R通道，/>表示为G通道，/>表示为B通道。
所述的自然度保真项，具体取值为。
所述的步骤S5，具体包括如下步骤：
将步骤S4得到的中间增强图像变换到YCbCr空间；
针对得到的图像，对亮度分量进行伽马校正；伽马校正的系数，取值为反转图像对应像素处的RGB三通道的均值；
将校正后的图像再变换回RGB空间，得到粗增强图像。
所述的步骤S6，具体包括如下步骤：
针对粗增强图像，按照RGB模型的映射关系对每幅图像的像素进行亮度映射，并取RGB模型中的G\B数据对测试集图像的整体像素亮度水平进行统计分析，以PSNR指标（PeakSignal-to-Noise Ratio）及SSIM（Structural Similarity Index Measure）指标为优化指标，对测试集所有图像进行统计聚类；定义为粗增强后图像的B通道分量大于88的概率，为粗增强后图像的G通道分量大于61的概率；通过/>和/>的组合规律，建立色系判别模型的判定依据：
若位于区间[0.0000,0.4028]或[0.5243,0.5400]或[0.5671,0.5761]或[0.9462,0.9690]或[0.9790,1]，则直接将对应的图片划分为深色系图像；
若的值位于[0.4029,0.4280]且/>的值位于[0.0000,0.1640]或[0.1860,0.2945]或[0.3292,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.4280,0.5243]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.5400,0.5671]且/>的值位于[0.0000,0.1250]或[0.3292,0.3890]或[0.4799,0.4950]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.5671,0.5981]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.5981,0.6520]且/>的值位于[0.0000,0.4640]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.6520,0.6700]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.6700,0.6894]且/>的值位于[0.0000,0.2945]或[0.3130,0.4560]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.6894,0.7210]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.7210,0.7645]且/>的值位于[0.0000,0.2640]或[0.3651,0.4580]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.7645,0.7920]且/>的值位于[0.0000,0.2640]或[0.3651,0.5087]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.7920,0.8165]且/>的值位于[0.0000,0.2640]或[0.3651,0.3850]或[0.4300,0.5087]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.8165,0.8739]且/>的值位于[0.0000,0.2945]或[0.3130,0.3850]或[0.4300,0.6160]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.8739,0.8820]且/>的值位于[0.6452,0.6531]或[0.7170,0.7320]时的图像将被划分为浅色系，其余/>取值的为深色系;
若的值位于[0.8820,0.9180]且/>的值位于[0.0000,0.1055]或[0.2560,0.2945]或[0.6452,0.6660]或[0.6890,0.7560]或[0.8077,0.8257]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.9180,0.9337]且/>的值位于[0.0000,0.2945]或[0.3130,0.3850]或[0.4350,0.4560]或[0.6531,0.6770]或[0.6890,0.7560]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.9337,0.9462]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]或[0.6531,0.6770]或[0.6890,0.7372]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.9690,0.9790]且/>的值位于[04350,0.6890]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像。
所述的步骤S7，具体包括如下步骤：
（1）若原始微光图像为浅色系图像：
在获取反转图像后，进行滚动导向滤波处理，处理过程中的边缘恢复阶段，采用迭代更新的方式进行图像更新；
滚动导向滤波处理后，再经过高斯低通滤波；
在亮度增强阶段，增加额外的亮度分量；
最后，进行自动色阶处理，完成最终的原始微光图像的增强；
（2）若原始微光图像为深色系图像：
对反转图像进行高斯低通滤波处理；
采用完美反射法进行白平衡处理；
最后进行亮度增强，完成最终的原始微光图像的增强。
所述的步骤S7，具体包括如下步骤：
（1）若原始微光图像为浅色系图像：
在获取反转图像后，进行滚动导向滤波：采用如下算式进行滤波处理：式中/>为p像素点滚动导向滤波后的图像灰度值；为第一归一化因子且/>，p和q为图像像素点的三维坐标，为以像素点p为中心的设定范围邻域，/>为高斯滤波器的标准差；/>为反转后图像在/>邻域内q点的灰度值；/>为p、q两点的距离；
在边缘恢复阶段，采用迭代的方式更新滤波图像；采用如下算式计算得到第k+1次迭代更新得到的图像：式中为第k+1次迭代更新得到的p像素点的灰度值；/>为第二归一化因子，且，/>为第k次迭代更新得到的p像素点的灰度值，/>为第k次迭代更新得到的q像素点的灰度值，/>为高斯滤波范围权重系数；
滚动导向滤波处理后，再经过高斯低通滤波：高斯低通滤波时，卷积核大小为，方差设定为/>，/>为第k+1次迭代更新得到的灰度值矩阵转换成的列向量，/>为欧几里得德范数。
修正自然度保真项为/>，k为设定的权重值；
在亮度增强阶段，增加额外的亮度分量：采用如下算式对亮度分量进行伽马校正：式中/>为浅色系图像经过滚动导向滤波后的图像从RGB空间转化到YCbCr空间后的亮度分量矩阵；/>为矩阵/>中的元素按/>对应元素做乘方运算（例如：）；/>为额外增加的亮度分量值；/>为浅色系图像经过滚动导向滤波后的图像RGB三通道灰度值的均值矩阵（二维，例如：原矩阵为三维/>，均值矩阵为/>，值为RGB三个通道灰度值的平均值），且，/>为浅色系图像滚动导向滤波后的图像的灰度值矩阵，/>为求/>矩阵RGB三个通道灰度值的平均值；
最后，进行自动色阶处理，完成最终的原始微光图像的增强：对伽马校正后并转换到RGB的图像灰度值矩阵，对于RGB三个通道均做如下处理：对于在c通道某点灰度值高于高阈值/>的像素点，将像素值设置为1，c取值为R、G或B，并对应于R通道、G通道或B通道；对于在c通道某点灰度值低于低阈值/>的像素点，将像素值设置为/>；对于剩余的像素点，采用公式/>进行灰度值拉伸处理，其中/>为拉伸处理前像素点的灰度值，/>为拉伸处理后像素点的灰度值；
（2）若原始微光图像为深色系图像：
对反转图像进行高斯低通滤波处理：高斯低通滤波参数设置为，/>为欧几里德范数；
采用完美反射法进行白平衡处理；
修正自然度保真项为/>，k为设定的权重值；
最后进行亮度增强，完成最终的原始微光图像的增强：采用如下算式对亮度分量进行伽马校正：式中/>为深色系图像经过滚动导向滤波后的图像从RGB空间转化到YCbCr空间后的亮度分量矩阵；/>为矩阵/>中的元素按/>对应元素做乘方运算（例如：/>）；/>为额外增加的第二亮度分量值；为经过滚动导向滤波后的图像RGB三通道灰度值的均值矩阵（二维，例如：原矩阵为三维/>，均值矩阵为/>，值为RGB三个通道灰度值的平均值），且。
本发明还提供了一种实现所述微光图像增强方法的系统，包括数据获取模块、图像反转模块、预处理模块、中间增强模块、粗增强模块、图像划分模块和图像增强模块；数据获取模块、图像反转模块、预处理模块、中间增强模块、粗增强模块、图像划分模块和图像增强模块依次串接；数据获取模块用于获取待增强的原始微光图像，并将数据上传图像反转模块；图像反转模块用于根据接收到数据，对原始微光图像进行取反操作，得到反转图像，并将数据上传预处理模块；预处理模块用于根据接收到数据，对反转图像进行高斯低通滤波处理，得到预处理图像，并将数据上传中间增强模块；中间增强模块用于根据接收到数据，基于大气光条件和介质透射率，对预处理图像进行第一次增强，得到中间增强图像，并将数据上传粗增强模块；粗增强模块用于根据接收到数据，将中间增强图像变换到YCbCr空间，对亮度分量进行增强后再变换回RGB空间，得到粗增强图像，并将数据上传图像划分模块；图像划分模块用于根据接收到数据，根据粗增强图像的RGB分量数据与设定的亮度阈值之间的关系，将原始微光图像划分为深色系原始微光图像和浅色系原始微光图像，并将数据上传图像增强模块；图像增强模块用于根据接收到数据，针对浅色系原始微光图像，在高斯低通滤波处理阶段引入滚动导向滤波处理，再进行亮度增强和自动色阶处理；针对深色系原始微光图像，进行高斯低通滤波后再采用完美反射法进行白平衡处理并进行亮度增强；最终，完成原始微光图像的增强。
本发明提供的这种微光图像增强方法及系统，将微光图像判定为深色系图像和浅色系图像，并针对性的进行图像增强；因此本发明方法不仅能够实现微光图像的增强，而且可靠性更高，精确性更好，图像增强效果更好。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法实施例的LOL测试图像“玻璃与窗台”的增强效果对比示意图；（a）为原始微光图像，（b）为正常曝光图像，（c）为LIME图像增强算法的效果图像，（d）为Robust图像增强算法的效果图像，（e）为DIEREC图像增强算法的效果图像，（f）为R2RNet图像增强算法的效果图像，（g）为SCI图像增强算法的效果图像，（h）为URetinex图像增强算法的效果图像，（i）为本发明方法的效果图像。
图3为本发明方法实施例的LOL测试图像“天空与房子”的增强效果对比示意图，（a）为原始微光图像，（b）为正常曝光图像，（c）为LIME图像增强算法的效果图像，（d）为Robust图像增强算法的效果图像，（e）为DIEREC图像增强算法的效果图像，（f）为R2RNet图像增强算法的效果图像，（g）为SCI图像增强算法的效果图像，（h）为URetinex图像增强算法的效果图像，（i）为本发明方法的效果图像。
图4为本发明方法实施例的LOL测试图像“城堡与灯”的增强效果对比示意图，（a）为原始微光图像，（b）为正常曝光图像，（c）为LIME图像增强算法的效果图像，（d）为Robust图像增强算法的效果图像，（e）为DIEREC图像增强算法的效果图像，（f）为R2RNet图像增强算法的效果图像，（g）为SCI图像增强算法的效果图像，（h）为URetinex图像增强算法的效果图像，（i）为本发明方法的效果图像。
图5为本发明系统的功能模块示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种微光图像增强方法，包括如下步骤：
S1. 获取待增强的原始微光图像；所述的待增强的原始微光图像为RGB图像，且图像各个通道的灰度值在0~1之间；
S2. 对步骤S1获取的原始微光图像进行取反操作，得到反转图像；具体包括如下步骤：
计算得到反转图像为，/>为反转图像的灰度值矩阵，/>为原始微光图像的灰度值矩阵；
S3. 对步骤S2得到的反转图像进行高斯低通滤波处理，得到预处理图像；具体包括如下步骤：
根据反转图像，计算高斯低通滤波参数为/>，其中/>为根据反转图像的三通道的像素矩阵转换得到的列向量，/>为/>的欧几里德范数；
根据得到的高斯低通滤波参数，对反转图像进行高斯低通滤波，得到预处理图像；
S4. 基于大气光条件和介质透射率，对步骤S3得到的预处理图像进行第一次增强，得到中间增强图像；具体包括如下步骤：
采用如下算式计算得到中间增强图像：式中/>为中间图像的灰度值矩阵；/>为预处理图像的灰度值矩阵；/>为大气光矩阵，具体实施时可以设置为全1矩阵；/>为修正后的介质透射率矩阵，用以抑制噪声的影响，且/>，/>为原始微光图像的灰度均值，/>为介质透射率矩阵，且/>，/>为自然度保真项且取值为/>，/>为反转图像的灰度值矩阵在c通道的值，/>，/>表示为R通道，表示为G通道，/>表示为B通道；
值越小，图像亮度越低，为了使亮度偏高的图像看起来更真实以及更大程度地提升亮度偏低图像的亮度值，本发明中的/>的优选取值为/>；
S5. 将步骤S4得到的中间增强图像变换到YCbCr空间，对亮度分量进行增强后再变换回RGB空间，得到粗增强图像；具体包括如下步骤：
将步骤S4得到的中间增强图像变换到YCbCr空间；
针对得到的图像，对亮度分量进行伽马校正；伽马校正的系数，取值为反转图像对应像素处的RGB三通道的均值；
将校正后的图像再变换回RGB空间，得到粗增强图像；
S6. 根据步骤S5得到的粗增强图像的RGB分量数据与设定的亮度阈值之间的关系，将原始微光图像划分为深色系原始微光图像和浅色系原始微光图像；具体包括如下步骤：
针对粗增强图像，按照RGB模型的映射关系对每幅图像的像素进行亮度映射，并取RGB模型中的G\B数据对测试集图像的整体像素亮度水平进行统计分析，以PSNR指标（PeakSignal-to-Noise Ratio）及SSIM（Structural Similarity Index Measure）指标为优化指标，对测试集所有图像进行统计聚类；定义为粗增强后图像的B通道分量大于88的概率，为粗增强后图像的G通道分量大于61的概率；通过/>和/>的组合规律，建立色系判别模型的判定依据：
若位于区间[0.0000,0.4028]或[0.5243,0.5400]或[0.5671,0.5761]或[0.9462,0.9690]或[0.9790,1]，则直接将对应的图片划分为深色系图像；
若的值位于[0.4029,0.4280]且/>的值位于[0.0000,0.1640]或[0.1860,0.2945]或[0.3292,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.4280,0.5243]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.5400,0.5671]且/>的值位于[0.0000,0.1250]或[0.3292,0.3890]或[0.4799,0.4950]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.5671,0.5981]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.5981,0.6520]且/>的值位于[0.0000,0.4640]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.6520,0.6700]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.6700,0.6894]且/>的值位于[0.0000,0.2945]或[0.3130,0.4560]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.6894,0.7210]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.7210,0.7645]且/>的值位于[0.0000,0.2640]或[0.3651,0.4580]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.7645,0.7920]且/>的值位于[0.0000,0.2640]或[0.3651,0.5087]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.7920,0.8165]且/>的值位于[0.0000,0.2640]或[0.3651,0.3850]或[0.4300,0.5087]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.8165,0.8739]且/>的值位于[0.0000,0.2945]或[0.3130,0.3850]或[0.4300,0.6160]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.8739,0.8820]且/>的值位于[0.6452,0.6531]或[0.7170,0.7320]时的图像将被划分为浅色系，其余/>取值的为深色系;
若的值位于[0.8820,0.9180]且/>的值位于[0.0000,0.1055]或[0.2560,0.2945]或[0.6452,0.6660]或[0.6890,0.7560]或[0.8077,0.8257]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.9180,0.9337]且/>的值位于[0.0000,0.2945]或[0.3130,0.3850]或[0.4350,0.4560]或[0.6531,0.6770]或[0.6890,0.7560]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.9337,0.9462]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]或[0.6531,0.6770]或[0.6890,0.7372]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.9690,0.9790]且/>的值位于[04350,0.6890]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
S7. 针对浅色系原始微光图像，在高斯低通滤波处理阶段引入滚动导向滤波处理，再进行亮度增强和自动色阶处理；针对深色系原始微光图像，进行高斯低通滤波后再采用完美反射法进行白平衡处理并进行亮度增强；最终，完成原始微光图像的增强；具体包括如下步骤：
（1）若原始微光图像为浅色系图像：
在获取反转图像后，进行滚动导向滤波处理，处理过程中的边缘恢复阶段，采用迭代更新的方式进行图像更新；
滚动导向滤波处理后，再经过高斯低通滤波；
在亮度增强阶段，增加额外的亮度分量；
最后，进行自动色阶处理，完成最终的原始微光图像的增强；
（2）若原始微光图像为深色系图像：
对反转图像进行高斯低通滤波处理；
采用完美反射法进行白平衡处理；
最后进行亮度增强，完成最终的原始微光图像的增强；
具体实施时，则包括如下步骤：
（1）若原始微光图像为浅色系图像：
在获取反转图像后，进行滚动导向滤波：采用如下算式进行滤波处理：式中/>为p像素点滚动导向滤波后的图像灰度值；为第一归一化因子且/>，p和q为图像像素点的三维坐标，为以像素点p为中心的设定范围邻域，/>为高斯滤波器的标准差；/>为反转后图像在/>邻域内q点的灰度值；/>为p、q两点的距离；
在边缘恢复阶段，采用迭代的方式更新滤波图像；采用如下算式计算得到第k+1次迭代更新得到的图像：式中为第k+1次迭代更新得到的p像素点的灰度值；/>为第二归一化因子，且，/>为第k次迭代更新得到的p像素点的灰度值，/>为第k次迭代更新得到的q像素点的灰度值，/>为高斯滤波范围权重系数；
滚动导向滤波处理后，再经过高斯低通滤波：高斯低通滤波时，卷积核大小为，方差设定为/>，/>为第k+1次迭代更新得到的灰度值矩阵转换成的列向量，/>为欧几里得德范数；
修正自然度保真项为/>，k为设定的权重值；
在亮度增强阶段，增加额外的亮度分量：采用如下算式对亮度分量进行伽马校正：式中/>为浅色系图像经过滚动导向滤波后的图像从RGB空间转化到YCbCr空间后的亮度分量矩阵；/>为矩阵/>中的元素按/>对应元素做乘方运算（例如：）；/>为额外增加的亮度分量值；/>为浅色系图像经过滚动导向滤波后的图像RGB三通道灰度值的均值矩阵（二维，例如：原矩阵为三维/>，均值矩阵为/>，值为RGB三个通道灰度值的平均值），且，/>为浅色系图像滚动导向滤波后的图像的灰度值矩阵，/>为求/>矩阵RGB三个通道灰度值的平均值；
最后，进行自动色阶处理，完成最终的原始微光图像的增强：对伽马校正后并转换到RGB的图像灰度值矩阵，对于RGB三个通道均做如下处理：对于在c通道某点灰度值高于高阈值/>的像素点，将像素值设置为1，c取值为R、G或B，并对应于R通道、G通道或B通道；对于在c通道某点灰度值低于低阈值/>的像素点，将像素值设置为/>；对于剩余的像素点，采用公式/>进行灰度值拉伸处理，其中/>为拉伸处理前像素点的灰度值，/>为拉伸处理后像素点的灰度值；
（2）若原始微光图像为深色系图像：
对反转图像进行高斯低通滤波处理：高斯低通滤波参数设置为，/>为欧几里德范数；
采用完美反射法进行白平衡处理；
修正自然度保真项为/>，k为设定的权重值；
最后进行亮度增强，完成最终的原始微光图像的增强：采用如下算式对亮度分量进行伽马校正：式中/>为深色系图像经过滚动导向滤波后的图像从RGB空间转化到YCbCr空间后的亮度分量矩阵；/>为矩阵/>中的元素按/>对应元素做乘方运算（例如：/>）；/>为额外增加的第二亮度分量值；为经过滚动导向滤波后的图像RGB三通道灰度值的均值矩阵（二维，例如：原矩阵为三维/>，均值矩阵为/>，值为RGB三个通道灰度值的平均值），且。
以下结合实施例，对本发明方法的效果进行进一步说明：
选择来自LOL数据集中的230组微光图像与正常曝光图像进行测试， 230组图像均为像素的图像；
对数据进行粗算法处理后，有86张被划分为浅色系、144张被划分为深色系，并测得粗算法的平均处理时间为0.05 s，浅色系的平均处理时间为2.65 s，深色系的平均处理时间为0.11 s；
客观指标对比：
精细化算法最终指标与其它算法在LOL测试集上230张图像的指标平均值对比表如表1所示：
表1 评价指标对比示意表
式中为深色系图像经过滚动导向滤波后的图像从RGB空间转化到YCbCr空间后的亮度分量矩阵；/>为矩阵/>中的元素按/>对应元素做乘方运算（例如：）；/>为额外增加的第二亮度分量值；/>为经过滚动导向滤波后的图像RGB三通道灰度值的均值矩阵（二维，例如：原矩阵为三维/>，均值矩阵为/>，值为RGB三个通道灰度值的平均值），且/>。
以下结合实施例，对本发明方法的效果进行进一步说明：
选择来自LOL数据集中的230组微光图像与正常曝光图像进行测试， 230组图像均为像素的图像；
对数据进行粗算法处理后，有86张被划分为浅色系、144张被划分为深色系，并测得粗算法的平均处理时间为0.05 s，浅色系的平均处理时间为2.65 s，深色系的平均处理时间为0.11 s；
客观指标对比：
精细化算法最终指标与其它算法在LOL测试集上230张图像的指标平均值对比表如表1所示：
表1 评价指标对比示意表
其中，LIME图像增强算法为GUO Xiaojie于2017年在论文《Low-Light ImageEnhancement via Illumination Map Estimation》上提出的图像增强算法；Robust图像增强算法为LI Mading于2018年在论文《Structure-Revealing Low-Light ImageEnhancement Via Robust Retinex Model》上提出的图像增强算法；DIEREC图像增强算法为ZHANG Qing于2019年在论文《Dual Illumination Estimation for Robust ExposureCorrection》上提出的图像增强算法；R2RNet图像增强算法为 HAI Jiang于2021年在论文《Low-light image enhancement via Real-low to Real-normal Network》上提出的图像增强算法；SCI图像增强算法为MA Long于2022年在论文《Toward Fast, Flexible, andRobust Low-Light Image Enhancement》上提出的图像增强算法；URetinex图像增强算法为 WU Wenbin于2022年在论文《URetinex-Net: Retinex-based Deep Unfolding Networkfor Low-light Image Enhancement》上提出的图像增强算法；SSIM指标为StructuralSimilarity Index Measure指标，用于评价增强图像与正常曝光图像的结构相似度，该指标越高表明图像增强算法的性能越好；PSNR指标为Peak Signal-to-Noise Ratio指标，用于评价增强图像与正常曝光图像的峰值信噪比，该指标越高表明图像增强算法的性能越好；AB指标为Average Brightness指标，用于评价增强图像与正常曝光图像的像素平均亮度；
通过表1可以看到，本发明方法与所选6种方法在LOL测试集上的实验指标对比中，PSNR取得了最好的效果，相较于第二位高出近2.7dB；SSIM值相较于第一位低0.05，位列第二；AB指标反映了恢复图像的平均像素亮度，对比之下本发明方法最为接近给定对照图像的平均像素亮度。综合来看，本发明方法恢复的图像在LOL集上的定量对比取得了优异的指标值。
主观感受对比：
从LOL数据集中选取三个具有代表性的场景，用于主观评价，分别如图2~图4所示；
如图2（c）、（e）、（g）所示，其增强效果对比度过高，色彩失真严重，尤其是LIME算法；Robust去噪程度过于严重，丢失了许多细节，玻璃上的泥印被处理得比较模糊，图像纹理难以分辨，如图2（d）所示；而R2RNet、URetinex算法增强效果对比度过低，整体表现偏白，如图2（f）、（h）所示，色彩显得单调，特别是R2RNet所对应的图像，图像反映的有效信息大为减少。此外LIME、DIEREC、R2RNet窗户的边框出现了较大的突变，如图2（c）、（e）、（f）所示，视觉表现得突兀、不和谐。
如图3（f）、（g）所示，R2RNet和SCI效果明显较差，在两座建筑交界处出现了严重的局部过曝，致使该处边界感不明显，视觉观感也大为降低；而Robust、URetinex房屋的边缘则出现了不同程度的黑边，视觉感受不自然，如图3（d）、（h）中方框放大的局部图所示，而且URetinex恢复图像中的天空色彩，不能正确反映原图的信息。在图4的灯泡边缘，LIME、Robust、URetinex出现异常边缘，如图4（c）、（d）、（h）所示，视觉效果较差，其中LIME和Robust只有边缘较细的一圈边缘，而URetinex则出现较宽的边缘阴影，本发明方法由于在估计介质透射率时只考虑单一像素三通道的灰度值，所以避免了在类似强光场景下边缘环的出现；R2RNet则增强过度，整体偏白，色彩还原度较低，如图4（f）所示，其在白字区域还出现严重的色彩失真，原图深色底被复原成浅色底，色彩失真严重。综合以上主观评价，本发明方法的色彩还原度高，并保留图像的细节，在整体视觉感受和细节恢复上效果均比较好。
如图5所示为本发明系统的功能模块示意图：本发明公开的这种实现所述微光图像增强方法的系统，包括数据获取模块、图像反转模块、预处理模块、中间增强模块、粗增强模块、图像划分模块和图像增强模块；数据获取模块、图像反转模块、预处理模块、中间增强模块、粗增强模块、图像划分模块和图像增强模块依次串接；数据获取模块用于获取待增强的原始微光图像，并将数据上传图像反转模块；图像反转模块用于根据接收到数据，对原始微光图像进行取反操作，得到反转图像，并将数据上传预处理模块；预处理模块用于根据接收到数据，对反转图像进行高斯低通滤波处理，得到预处理图像，并将数据上传中间增强模块；中间增强模块用于根据接收到数据，基于大气光条件和介质透射率，对预处理图像进行第一次增强，得到中间增强图像，并将数据上传粗增强模块；粗增强模块用于根据接收到数据，将中间增强图像变换到YCbCr空间，对亮度分量进行增强后再变换回RGB空间，得到粗增强图像，并将数据上传图像划分模块；图像划分模块用于根据接收到数据，根据粗增强图像的RGB分量数据与设定的亮度阈值之间的关系，将原始微光图像划分为深色系原始微光图像和浅色系原始微光图像，并将数据上传图像增强模块；图像增强模块用于根据接收到数据，针对浅色系原始微光图像，在高斯低通滤波处理阶段引入滚动导向滤波处理，再进行亮度增强和自动色阶处理；针对深色系原始微光图像，进行高斯低通滤波后再采用完美反射法进行白平衡处理并进行亮度增强；最终，完成原始微光图像的增强。
Claims (10)
1.一种微光图像增强方法，其特征在于包括如下步骤：
S1. 获取待增强的原始微光图像；
S2. 对步骤S1获取的原始微光图像进行取反操作，得到反转图像；
S3. 对步骤S2得到的反转图像进行高斯低通滤波处理，得到预处理图像；
S4. 基于大气光条件和介质透射率，对步骤S3得到的预处理图像进行第一次增强，得到中间增强图像；
S5. 将步骤S4得到的中间增强图像变换到YCbCr空间，对亮度分量进行增强后再变换回RGB空间，得到粗增强图像；
S6. 根据步骤S5得到的粗增强图像的RGB分量数据与设定的亮度阈值之间的关系，将原始微光图像划分为深色系原始微光图像和浅色系原始微光图像；
S7. 针对浅色系原始微光图像，在高斯低通滤波处理阶段引入滚动导向滤波处理，再进行亮度增强和自动色阶处理；针对深色系原始微光图像，进行高斯低通滤波后再采用完美反射法进行白平衡处理并进行亮度增强；最终，完成原始微光图像的增强。
2.根据权利要求1所述的微光图像增强方法，其特征在于所述的待增强的原始微光图像为RGB图像，且图像各个通道的灰度值在0~1之间；
所述的步骤S2，具体包括如下步骤：
计算得到反转图像为，/>为反转图像的灰度值矩阵，/>为原始微光图像的灰度值矩阵。
3.根据权利要求2所述的微光图像增强方法，其特征在于所述的步骤S3，具体包括如下步骤：
根据反转图像，计算高斯低通滤波参数为/>，其中/>为根据反转图像的三通道的像素矩阵转换得到的列向量，/>为/>的欧几里德范数；
根据得到的高斯低通滤波参数，对反转图像进行高斯低通滤波，得到预处理图像。
4.根据权利要求3所述的微光图像增强方法，其特征在于所述的步骤S4，具体包括如下步骤：
采用如下算式计算得到中间增强图像：式中/>为中间图像的灰度值矩阵；/>为预处理图像的灰度值矩阵；/>为大气光矩阵；/>为修正后的介质透射率矩阵，且，/>为原始微光图像的灰度均值，/>为介质透射率矩阵，且，/>为自然度保真项且取值为/>，/>为反转图像的灰度值矩阵在c通道的值，/>，/>表示为R通道，/>表示为G通道，/>表示为B通道。
5.根据权利要求4所述的微光图像增强方法，其特征在于所述的自然度保真项，具体取值为。
6.根据权利要求4所述的微光图像增强方法，其特征在于所述的步骤S5，具体包括如下步骤：
将步骤S4得到的中间增强图像变换到YCbCr空间；
针对得到的图像，对亮度分量进行伽马校正；伽马校正的系数，取值为反转图像对应像素处的RGB三通道的均值；
将校正后的图像再变换回RGB空间，得到粗增强图像。
7.根据权利要求6所述的微光图像增强方法，其特征在于所述的步骤S6，具体包括如下步骤：
针对粗增强图像，按照RGB模型的映射关系对每幅图像的像素进行亮度映射，并取RGB模型中的G\B数据对测试集图像的整体像素亮度水平进行统计分析，以PSNR指标及SSIM指标为优化指标，对测试集所有图像进行统计聚类；定义为粗增强后图像的B通道分量大于88的概率，/>为粗增强后图像的G通道分量大于61的概率；通过/>和/>的组合规律，建立色系判别模型的判定依据：
若位于区间[0.0000,0.4028]或[0.5243,0.5400]或[0.5671,0.5761]或[0.9462,0.9690]或[0.9790,1]，则直接将对应的图片划分为深色系图像；
若的值位于[0.4029,0.4280]且/>的值位于[0.0000,0.1640]或[0.1860,0.2945]或[0.3292,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.4280,0.5243]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.5400,0.5671]且/>的值位于[0.0000,0.1250]或[0.3292,0.3890]或[0.4799,0.4950]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.5671,0.5981]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.5981,0.6520]且/>的值位于[0.0000,0.4640]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.6520,0.6700]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.6700,0.6894]且/>的值位于[0.0000,0.2945]或[0.3130,0.4560]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.6894,0.7210]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.7210,0.7645]且/>的值位于[0.0000,0.2640]或[0.3651,0.4580]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.7645,0.7920]且/>的值位于[0.0000,0.2640]或[0.3651,0.5087]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.7920,0.8165]且/>的值位于[0.0000,0.2640]或[0.3651,0.3850]或[0.4300,0.5087]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.8165,0.8739]且/>的值位于[0.0000,0.2945]或[0.3130,0.3850]或[0.4300,0.6160]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.8739,0.8820]且/>的值位于[0.6452,0.6531]或[0.7170,0.7320]时的图像将被划分为浅色系，其余/>取值的为深色系;
若的值位于[0.8820,0.9180]且/>的值位于[0.0000,0.1055]或[0.2560,0.2945]或[0.6452,0.6660]或[0.6890,0.7560]或[0.8077,0.8257]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.9180,0.9337]且/>的值位于[0.0000,0.2945]或[0.3130,0.3850]或[0.4350,0.4560]或[0.6531,0.6770]或[0.6890,0.7560]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.9337,0.9462]且/>的值位于[0.0000,0.2945]或[0.3130,0.6140]或[0.6531,0.6770]或[0.6890,0.7372]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像；
若的值位于[0.9690,0.9790]且/>的值位于[04350,0.6890]，则将对应的图片划分为浅色系图像，同时将剩余其余/>取值的图片划分为深色系图像。
8.根据权利要求7所述的微光图像增强方法，其特征在于所述的步骤S7，具体包括如下步骤：
（1）若原始微光图像为浅色系图像：
在获取反转图像后，进行滚动导向滤波处理，处理过程中的边缘恢复阶段，采用迭代更新的方式进行图像更新；
滚动导向滤波处理后，再经过高斯低通滤波；
在亮度增强阶段，增加额外的亮度分量；
最后，进行自动色阶处理，完成最终的原始微光图像的增强；
（2）若原始微光图像为深色系图像：
对反转图像进行高斯低通滤波处理；
采用完美反射法进行白平衡处理；
最后进行亮度增强，完成最终的原始微光图像的增强。
9.根据权利要求8所述的微光图像增强方法，其特征在于所述的步骤S7，具体包括如下步骤：
（1）若原始微光图像为浅色系图像：
在获取反转图像后，进行滚动导向滤波：采用如下算式进行滤波处理：式中/>为p像素点滚动导向滤波后的图像灰度值；为第一归一化因子且/>，p和q为图像像素点的三维坐标，为以像素点p为中心的设定范围邻域，/>为高斯滤波器的标准差；/>为反转后图像在/>邻域内q点的灰度值；/>为p、q两点的距离；
在边缘恢复阶段，采用迭代的方式更新滤波图像；采用如下算式计算得到第k+1次迭代更新得到的图像：
式中/>为第k+1次迭代更新得到的p像素点的灰度值；/>为第二归一化因子，且，/>为第k次迭代更新得到的p像素点的灰度值，/>为第k次迭代更新得到的q像素点的灰度值，/>为高斯滤波范围权重系数；
滚动导向滤波处理后，再经过高斯低通滤波：高斯低通滤波时，卷积核大小为，方差设定为/>，/>为第k+1次迭代更新得到的灰度值矩阵转换成的列向量，/>为欧几里得德范数；
修正自然度保真项为/>，k为设定的权重值；
在亮度增强阶段，增加额外的亮度分量：采用如下算式对亮度分量进行伽马校正：式中/>为浅色系图像经过滚动导向滤波后的图像从RGB空间转化到YCbCr空间后的亮度分量矩阵；/>为矩阵/>中的元素按/>对应元素做乘方运算；/>为额外增加的亮度分量值；/>为浅色系图像经过滚动导向滤波后的图像RGB三通道灰度值的均值矩阵，且/>，/>为浅色系图像滚动导向滤波后的图像的灰度值矩阵，/>为求/>矩阵RGB三个通道灰度值的平均值；
最后，进行自动色阶处理，完成最终的原始微光图像的增强：对伽马校正后并转换到RGB的图像灰度值矩阵，对于RGB三个通道均做如下处理：对于在c通道某点灰度值高于高阈值/>的像素点，将像素值设置为1，c取值为R、G或B，并对应于R通道、G通道或B通道；对于在c通道某点灰度值低于低阈值/>的像素点，将像素值设置为/>；对于剩余的像素点，采用公式/>进行灰度值拉伸处理，其中/>为拉伸处理前像素点的灰度值，/>为拉伸处理后像素点的灰度值；
（2）若原始微光图像为深色系图像：
对反转图像进行高斯低通滤波处理：高斯低通滤波参数设置为/>，为欧几里德范数；
采用完美反射法进行白平衡处理；
修正自然度保真项为/>，k为设定的权重值；
最后进行亮度增强，完成最终的原始微光图像的增强：采用如下算式对亮度分量进行伽马校正：式中/>为深色系图像经过滚动导向滤波后的图像从RGB空间转化到YCbCr空间后的亮度分量矩阵；/>为矩阵/>中的元素按/>对应元素做乘方运算；/>为额外增加的第二亮度分量值；/>为经过滚动导向滤波后的图像RGB三通道灰度值的均值矩阵，且/>。
10.一种实现权利要求1~9之一所述的微光图像增强方法的系统，其特征在于包括数据获取模块、图像反转模块、预处理模块、中间增强模块、粗增强模块、图像划分模块和图像增强模块；数据获取模块、图像反转模块、预处理模块、中间增强模块、粗增强模块、图像划分模块和图像增强模块依次串接；数据获取模块用于获取待增强的原始微光图像，并将数据上传图像反转模块；图像反转模块用于根据接收到数据，对原始微光图像进行取反操作，得到反转图像，并将数据上传预处理模块；预处理模块用于根据接收到数据，对反转图像进行高斯低通滤波处理，得到预处理图像，并将数据上传中间增强模块；中间增强模块用于根据接收到数据，基于大气光条件和介质透射率，对预处理图像进行第一次增强，得到中间增强图像，并将数据上传粗增强模块；粗增强模块用于根据接收到数据，将中间增强图像变换到YCbCr空间，对亮度分量进行增强后再变换回RGB空间，得到粗增强图像，并将数据上传图像划分模块；图像划分模块用于根据接收到数据，根据粗增强图像的RGB分量数据与设定的亮度阈值之间的关系，将原始微光图像划分为深色系原始微光图像和浅色系原始微光图像，并将数据上传图像增强模块；图像增强模块用于根据接收到数据，针对浅色系原始微光图像，在高斯低通滤波处理阶段引入滚动导向滤波处理，再进行亮度增强和自动色阶处理；针对深色系原始微光图像，进行高斯低通滤波后再采用完美反射法进行白平衡处理并进行亮度增强；最终，完成原始微光图像的增强。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311720917.4A CN117408906B (zh) | 2023-12-14 | 2023-12-14 | 微光图像增强方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311720917.4A CN117408906B (zh) | 2023-12-14 | 2023-12-14 | 微光图像增强方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117408906A true CN117408906A (zh) | 2024-01-16 |
| CN117408906B CN117408906B (zh) | 2024-03-19 |
Family
ID=89494757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311720917.4A Active CN117408906B (zh) | 2023-12-14 | 2023-12-14 | 微光图像增强方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117408906B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060033825A1 (en) * | 2004-08-11 | 2006-02-16 | Keh-Tsong Li | Method for enhancing images of non-uniform brightness |
| CN103177424A (zh) * | 2012-12-07 | 2013-06-26 | 西安电子科技大学 | 一种低照度图像的增强和去噪方法 |
| CN104252698A (zh) * | 2014-06-25 | 2014-12-31 | 西南科技大学 | 一种基于半逆法的快速单幅图像去雾算法 |
| CN106056559A (zh) * | 2016-06-30 | 2016-10-26 | 河海大学常州校区 | 基于暗通道先验的非均匀光场水下目标探测图像增强方法 |
| CN108133470A (zh) * | 2017-12-11 | 2018-06-08 | 深圳先进技术研究院 | 红外图像与微光彩色图像融合系统及方法 |
| WO2020107308A1 (zh) * | 2018-11-29 | 2020-06-04 | 唐山曹妃甸联城科技有限公司 | 一种基于Retinex的微光图像快速增强方法及其装置 |
| CN111918095A (zh) * | 2020-08-05 | 2020-11-10 | 广州市百果园信息技术有限公司 | 一种暗光增强方法、装置、移动终端和存储介质 |
| CN115660964A (zh) * | 2022-08-18 | 2023-01-31 | 贵州大学 | 基于阈值分区加权亮度分量的夜间道路图像增强方法 |
-
2023
- 2023-12-14 CN CN202311720917.4A patent/CN117408906B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060033825A1 (en) * | 2004-08-11 | 2006-02-16 | Keh-Tsong Li | Method for enhancing images of non-uniform brightness |
| CN103177424A (zh) * | 2012-12-07 | 2013-06-26 | 西安电子科技大学 | 一种低照度图像的增强和去噪方法 |
| CN104252698A (zh) * | 2014-06-25 | 2014-12-31 | 西南科技大学 | 一种基于半逆法的快速单幅图像去雾算法 |
| CN106056559A (zh) * | 2016-06-30 | 2016-10-26 | 河海大学常州校区 | 基于暗通道先验的非均匀光场水下目标探测图像增强方法 |
| CN108133470A (zh) * | 2017-12-11 | 2018-06-08 | 深圳先进技术研究院 | 红外图像与微光彩色图像融合系统及方法 |
| WO2020107308A1 (zh) * | 2018-11-29 | 2020-06-04 | 唐山曹妃甸联城科技有限公司 | 一种基于Retinex的微光图像快速增强方法及其装置 |
| CN111918095A (zh) * | 2020-08-05 | 2020-11-10 | 广州市百果园信息技术有限公司 | 一种暗光增强方法、装置、移动终端和存储介质 |
| CN115660964A (zh) * | 2022-08-18 | 2023-01-31 | 贵州大学 | 基于阈值分区加权亮度分量的夜间道路图像增强方法 |
Non-Patent Citations (2)
| Title |
|---|
| JUNCHAO ZHANG 等: "Multi-exposure image fusion via perception enhanced structural patch decomposition", WWW.ELSEVIER.COM/LOCATE/INFFUS, 21 July 2023 (2023-07-21), pages 101895 * |
| 王崟 等: "基于加权融合策略的单幅图像去雾算法", 光电子技术, vol. 38, no. 1, 31 March 2018 (2018-03-31), pages 32 - 39 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117408906B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107767354B (zh) | 一种基于暗原色先验的图像去雾算法 | |
| CN105761227B (zh) | 基于暗通道先验与白平衡的水下图像增强方法 | |
| CN106846263B (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
| CN102750674B (zh) | 基于自适应容差的视频图像去雾方法 | |
| CN102170574B (zh) | 一种实时视频去雾处理系统 | |
| KR102261532B1 (ko) | 단일 스케일 영상 융합에 기반한 안개 제거 시스템 및 방법 | |
| CN106897981A (zh) | 一种基于引导滤波的低照度图像增强方法 | |
| CN104794688A (zh) | 基于深度信息分离天空区域的单幅图像去雾方法及装置 | |
| CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
| CN107292830A (zh) | 低照度图像增强及评价方法 | |
| He et al. | Single image dehazing with white balance correction and image decomposition | |
| CN112435184B (zh) | 一种基于Retinex和四元数的雾霾天图像识别方法 | |
| CN106846258A (zh) | 一种基于加权最小平方滤波的单幅图像去雾方法 | |
| CN111325688A (zh) | 融合形态学聚类优化大气光的无人机图像去雾方法 | |
| CN112070691A (zh) | 一种基于U-Net的图像去雾方法 | |
| CN113487509B (zh) | 一种像素聚类及透射率融合的遥感图像雾气去除方法 | |
| CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 | |
| Honda et al. | Make my day-high-fidelity color denoising with near-infrared | |
| CN117726545A (zh) | 一种使用非局部雾线和多重曝光融合的图像去雾方法 | |
| CN117408906B (zh) | 微光图像增强方法及系统 | |
| CN113379631B (zh) | 一种图像去雾的方法及装置 | |
| CN113284058B (zh) | 一种基于迁移理论的水下图像增强方法 | |
| Negru et al. | Exponential image enhancement in daytime fog conditions | |
| CN111028184B (zh) | 一种图像增强方法及系统 | |
| CN114170101A (zh) | 基于高低频信息的结构纹理保持弱光图像增强方法及系统 |
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 |