CN118247171A - 图像处理方法、图像处理装置和可读存储介质 - Google Patents
图像处理方法、图像处理装置和可读存储介质 Download PDFInfo
- Publication number
- CN118247171A CN118247171A CN202410662500.5A CN202410662500A CN118247171A CN 118247171 A CN118247171 A CN 118247171A CN 202410662500 A CN202410662500 A CN 202410662500A CN 118247171 A CN118247171 A CN 118247171A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- image processing
- occurrence probabilities
- processing method
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 86
- 230000001186 cumulative effect Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static 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
- G06T5/70—Denoising; Smoothing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
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
本发明涉及图像处理技术领域,提出了一种图像处理方法、图像处理装置和可读存储介质。图像处理方法包括:获取第一图像,第一图像是具有M个灰度级的图像;将第一图像分割为N个图像块,N个图像块互不重叠;根据N个图像块,获取M×N个出现概率,每个图像块对应M个灰度级的M个出现概率,出现概率是图像块中灰度级的像素点出现的概率;基于M×N个出现概率,确定M个灰度级的分布矩阵;根据分布矩阵,确定灰度分布曲线;根据灰度分布曲线,更新第一图像,以得到第二图像,抑制了图像的噪声,同时提升了图像的对比度。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种图像处理方法、图像处理装置和可读存储介质。
背景技术
由于图像处理技术的快速发展,观测人员对于显示设备或系统输出的图像提出了更高的要求,针对这种要求,科研人员会采取图像处理方法来提高图像的质量,改善图像的对比度,以达到观测人员的要求。但传统的图像处理方法存在图像噪点较多等技术问题。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的图像噪点较多,图像增强效果较差等技术问题。
为此,本发明的第一个方面在于提出一种图像处理方法。
本发明的第二个方面在于提出一种图像处理装置。
本发明的第三个方面在于提出另一种图像处理装置。
本发明的第四个方面在于提出一种可读存储介质。
有鉴于此,根据本发明的第一个方面,提出了一种图像处理方法,图像处理方法包括:获取第一图像,第一图像是具有M个灰度级的图像;将第一图像分割为N个图像块,N个图像块互不重叠;根据N个图像块,获取M×N个出现概率,每个图像块对应M个灰度级的M个出现概率,出现概率是图像块中灰度级的像素点出现的概率;基于M×N个出现概率,确定M个灰度级的分布矩阵;根据分布矩阵,确定灰度分布曲线;根据灰度分布曲线,更新第一图像,以得到第二图像。
本技术方案中的图像处理方法根据M×N个出现概率,确定M个灰度级的分布矩阵,再根据分布矩阵确定灰度分布曲线,将第一图像更新为第二图像,通过N个图像块能够获取图像不同区域的信息特征,抑制了第二图像的噪声,同时,提升了第二图像的对比度,保证了第二图像的图像增强效果。
根据本发明的第二个方面,提出了一种图像处理装置,图像处理装置包括:处理模块,用于获取第一图像,第一图像是具有M个灰度级的图像;处理模块,还用于将第一图像分割为N个图像块,N个图像块互不重叠;处理模块,还用于根据N个图像块,获取M×N个出现概率,每个图像块对应M个灰度级的M个出现概率,出现概率是图像块中灰度级的像素点出现的概率;处理模块,还用于基于M×N个出现概率,确定M个灰度级的分布矩阵;处理模块,还用于根据分布矩阵,确定灰度分布曲线;处理模块,还用于根据灰度分布曲线,更新第一图像,以得到第二图像。
本技术方案中的图像处理装置根据M×N个出现概率,确定M个灰度级的分布矩阵,再根据分布矩阵确定灰度分布曲线,将第一图像更新为第二图像,通过N个图像块能够获取图像不同区域的信息特征,抑制了第二图像的噪声,同时,提升了第二图像的对比度,保证了第二图像的图像增强效果。
根据本发明的第三个方面,提出了另一种图像处理装置,包括处理器和存储器,存储器中存储有程序或指令,该程序或指令被处理器执行时实现如上述任一技术方案中的图像处理方法的步骤。因此,该图像处理装置具备上述任一技术方案中的图像处理方法的全部有益效果,在此不再赘述。
根据本发明的第四个方面,提出了一种可读存储介质,其上存储有程序或指令,程序或指令被处理器执行时实现如上述任一技术方案中的图像处理方法。因此,该可读存储介质具备上述任一技术方案中的图像处理方法的全部有益效果,在此不再赘述。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本发明的实施例中的图像处理方法的流程示意图之一;
图2示出了本发明的实施例中的图像处理方法的流程示意图之二;
图3示出了本发明的实施例中的图像处理方法的流程示意图之三;
图4示出了本发明的实施例中的图像处理方法的流程示意图之四;
图5示出了本发明的实施例中的图像处理方法的流程示意图之五;
图6示出了本发明的实施例中的图像处理方法的流程示意图之六;
图7示出了本发明的实施例中的图像处理方法的流程示意图之七;
图8示出了本发明的实施例中的图像处理方法的示意图;
图9示出了本发明的实施例中的图像处理装置的结构框图之一;
图10示出了本发明的实施例中的图像处理装置的结构框图之二。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不限于下面公开的具体实施例的限制。
下面结合图1至图10,通过具体的实施例及其应用场景对本申请实施例提供的图像处理方法、图像处理装置和可读存储介质进行详细地说明。
如图1所示,本发明的实施例中提供了一种图像处理方法,图像处理方法包括:
步骤102,获取第一图像;
步骤104,将第一图像分割为N个图像块,N个图像块互不重叠;
步骤106,根据N个图像块,获取M×N个出现概率;
步骤108,基于M×N个出现概率,确定M个灰度级的分布矩阵;
步骤110,根据分布矩阵,确定灰度分布曲线;
步骤112,根据灰度分布曲线,更新第一图像,以得到第二图像。
在该实施例中,提出了一种图像处理方法,获取第一图像,其中,第一图像为具有M个灰度级的图像,灰度级用于表示图像的颜色深度。
示例性地,第一图像可以为实时采集的图像,可以具有256个灰度级。
示例性地,第一图像可以具有1024个灰度级。
将第一图像分割为N个图像块,其中,N个图像块为互不重叠的图像块。
示例性地,第一图像可以为1024×1024尺寸的图像,将第一图像分割为16个图像块,每个图像块的尺寸为256×256。
根据N个图像块,获取M×N个出现概率,其中,每个图像块对应M个灰度级的M个出现概率,出现概率是图像块中灰度级的像素点出现的概率。
示例性地,在将第一图像分割为N个图像块之后,确定每个图像块中M个灰度级的M个出现概率,进而得到M个灰度级的M×N个出现概率。
根据M×N个出现概率,确定M个灰度级的分布矩阵,其中,分布矩阵为表示M个灰度级分布情况的矩阵。
示例性地,可以通过计算M个灰度级的累积直方图,得到M个灰度级的分布矩阵。
根据分布矩阵,确定灰度分布曲线,其中,灰度分布曲线为表示M个灰度级的分布情况的曲线。
示例性地,灰度分布曲线可以为校准后的分布曲线。
根据灰度分布曲线,更新第一图像,以得到第二图像,其中,第二图像为增强后的图像。
示例性地,根据灰度分布曲线,调整第一图像的灰度,改善第一图像的对比度,得到第二图像。
本实施例中的图像处理方法根据M×N个出现概率,确定M个灰度级的分布矩阵,再根据分布矩阵确定灰度分布曲线,将第一图像更新为第二图像,通过N个图像块能够获取图像不同区域的信息特征,抑制了第二图像的噪声,同时,提升了第二图像的对比度,保证了第二图像的图像增强效果。
在一些实施例中,可选地,如图2所示,提出了一种图像处理方法,根据N个图像块,获取M×N个出现概率,包括:
步骤202,获取N个图像块对应的N个灰度直方图;
步骤204,根据M×N个出现次数,确定M×N个出现概率。
在该实施例中,获取N个图像块对应的N个灰度直方图,其中,灰度直方图用于表示图像块的灰度特征,每个灰度直方图均包括M个灰度级在图像块中的M个出现次数,出现次数为图像块中灰度级的像素点出现的次数。
示例性地,灰度直方图为H(x)={f1,f2,f3,…,fL},其中,H(x)为灰度直方图,L为灰度级的数量,f1,f2,f3,…,fL是L个灰度级出现的次数。
根据M×N个出现次数,确定M×N个出现概率。
示例性地,M×N个出现次数与M×N个出现概率一一对应。
本实施例中的图像处理方法根据M×N个出现次数,确定M×N个出现概率,保证了M×N个出现概率的数据准确性,进而保证分布矩阵的数据准确性。
在一些实施例中,可选地,如图3所示,提出了一种图像处理方法,根据M×N个出现次数,确定M×N个出现概率,包括:
步骤302,获取图像块的像素数量;
步骤304,分别计算M×N个出现次数与像素数量的比值,以得到M×N个出现概率。
在该实施例中,获取图像块的像素数量,其中,像素数量为图像块中像素点的数量。
示例性地,像素数量可以为256个。
分别计算M×N个出现次数与像素数量的比值,以得到M×N个出现概率。
示例性地,出现概率的计算公式可以为Pi(k)=fk/N(0<k<L),i表示第i个图像块,Pi(k)表示第i个图像块的出现概率,k表示第k个灰度级,fk为第k个灰度级的出现概率,N为像素数量。
本实施例中的图像处理方法通过分别计算M×N个出现次数与像素数量的比值,以得到M×N个出现概率,保证了M×N个出现概率的数据准确性,进而保证了分布矩阵的数据准确性。
在一些实施例中,可选地,如图4所示,提出了一种图像处理方法,基于M×N个出现概率,确定M个灰度级的分布矩阵,包括:
步骤402,根据M×N个出现概率,生成N个图像块对应的N个累积直方图;
步骤404,根据N个累积直方图,建立分布矩阵。
在该实施例中,根据M×N个出现概率,生成N个图像块对应的N个累积直方图,其中,累积直方图用于表示图像块的灰度累积概率。
示例性地,选择随机clipLimit(限制值),并根据传统CLAHE(Contrast LimitedAdaptive Histogram Equalization,限制对比度自适应直方图均衡化)方法计算累积直方图。
根据N个累积直方图,建立分布矩阵。
示例性地,根据CDF(Cumulative Distribution Function,累积直方图)公式,可以得到分布矩阵。
本实施例中的图像处理方法根据M×N个出现概率,生成N个图像块对应的N个累积直方图,再根据N个累积直方图,建立分布矩阵,保证了分布矩阵的数据准确性,进而保证了灰度分布曲线的曲线准确性。
在一些实施例中,可选地,如图5所示,提出了一种图像处理方法,根据分布矩阵,确定灰度分布曲线,包括:
步骤502,获取预设的期望矩阵;
步骤504,将分布矩阵设定为输入数据,并将期望矩阵设定为输出数据;
步骤506,根据输入数据和输出数据,确定分布矩阵对应的权重值;
步骤508,根据权重值和分布矩阵,确定灰度分布曲线。
在该实施例中,获取预设的期望矩阵,将分布矩阵设定为输入数据,并将期望矩阵设定为输出数据,其中,期望矩阵为预设的矩阵,输入数据为自变量数据,输出数据为因变量数据。
示例性地,输入数据可以为RLS(Recursive Least Squares,递归最小二乘法)算法的输入数据,输出数据可以为RLS算法的输出数据。
根据输入数据和输出数据,确定分布矩阵对应的权重值,再根据权重值和分布矩阵,确定灰度分布曲线,其中,权重值为分布矩阵对应的权重值。
示例性地,期望矩阵可以为均匀变化的线性输出矩阵。
本实施例中的图像处理方法根据输入数据和输出数据,确定分布矩阵对应的权重值,再根据权重值和分布矩阵,确定灰度分布曲线,保证了灰度分布曲线的数据准确性,进而保证了第二图像的图像质量。
在一些实施例中,可选地,如图6所示,提出了一种图像处理方法,根据输入数据和输出数据,确定分布矩阵对应的权重值,包括:
步骤602,根据递归最小二乘法,对输入数据和输出数据进行数据拟合,以确定输入数据和输出数据之间的数据对应关系;
步骤604,根据数据对应关系,确定权重值。
在该实施例中,根据递归最小二乘法,对输入数据和输出数据进行数据拟合,以确定输入数据和输出数据之间的数据对应关系,其中,数据对应关系表示输入数据和输出数据之间的拟合关系。
根据数据对应关系,确定权重值。
示例性地,根据输入矩阵、期望输出和遗忘因子,使用RLS算法找到最合适的权重值。
本实施例中的图像处理方法根据递归最小二乘法,对输入数据和输出数据进行数据拟合,以确定输入数据和输出数据之间的数据对应关系,再根据数据对应关系,确定权重值,保证了权重值的数据准确性,进而保证了灰度分布曲线的曲线准确性。
在一些实施例中,可选地,如图7所示,提出了一种图像处理方法,根据灰度分布曲线,更新第一图像,以得到第二图像,包括:
步骤702,获取第一图像中每一像素点对应的灰度值;
步骤704,根据灰度分布曲线,对灰度值进行数据更新,以得到第二图像。
在该实施例中,获取第一图像中每一像素点对应的灰度值,其中,灰度值表示像素点的灰度水平。
示例性地,获取第一图像中所有像素点对应的灰度值。
根据灰度分布曲线,对灰度值进行数据更新,以得到第二图像。
示例性地,使用三次样条插值法重构像素灰度值,得到第二图像。
示例性地,如图8所示,获取输入的第一图像,将第一图像分割为N个图像块,建立N个图像块对应的N个灰度直方图,进而得到N个图像块的N个累积直方图,获取第一图像的图像分布,通过累积分布函数和递归最小二乘法,确定最佳拟合曲线,再通过三次样条插值法,输出第二图像。
示例性地,将图像分为k个互不重叠的大小为m×n的子块,m和n是子块的长和宽。
计算每个子块的灰度直方图:灰度直方图为H(x)={f1,f2,f3,…,fL},其中,H(x)为灰度直方图,L为灰度级的数量,f1,f2,f3,…,fL是L个灰度级出现的次数。
计算每个灰度级的出现概率:Pi(k)=fk/N(0<k<L),i表示第i个图像块,Pi(k)表示第i个图像块的出现概率,k表示第k个灰度级,fk为第k个灰度级的出现概率,N为像素数量,L为灰度级的数量。
选择随机clipLimit(限制值),并计算其累积直方图:,其中,Pi(k)表示第i个图像块的出现概率,k表示第k个灰度级,L为灰度级的数量,CDFi(k)是第i个图像块中第k个灰度级的累积直方图。根据上述公式,可以得到图像中各个灰度级的分布矩阵Xk。
将分布矩阵Xk作为输入矩阵,根据输入矩阵、期望输出Dk和遗忘因子λ,使用RLS算法找到最合适的权重。其中,Dk为0~L的均匀变化的线性输出矩阵。
生成最佳拟合曲线,该曲线为新的CDF曲线。再使用三次样条插值法重构像素灰度值。
本实施例中的图像处理方法根据灰度分布曲线,对灰度值进行数据更新,以得到第二图像,提升了第二图像的图像质量。
上述方法可根据特定的特征和/或示例应用而采用各种不同的方式进行实施。例如,这些方法可以通过硬件、固件以及/或软件的组合来实施。例如,在硬件实施中,处理器可以在一个或多个应用专用集成电路、数字信号处理器、数字信号处理设备、可编程逻辑器件、现场可编程门阵列、控制器、微控制器、微处理器、电子设备、其他用于执行上述功能的设备单元和/或它们的组合中实现。
如图9所示,本发明的实施例中提供了一种图像处理装置900,图像处理装置900包括:
处理模块902,用于获取第一图像,第一图像是具有M个灰度级的图像;
处理模块902,还用于将第一图像分割为N个图像块,N个图像块互不重叠;
处理模块902,还用于根据N个图像块,获取M×N个出现概率,每个图像块对应M个灰度级的M个出现概率,出现概率是图像块中灰度级的像素点出现的概率;
处理模块902,还用于基于M×N个出现概率,确定M个灰度级的分布矩阵;
处理模块902,还用于根据分布矩阵,确定灰度分布曲线;
处理模块902,还用于根据灰度分布曲线,更新第一图像,以得到第二图像。
在该实施例中,提出了一种图像处理装置900,处理模块902获取第一图像,其中,第一图像为具有M个灰度级的图像,灰度级用于表示图像的颜色深度。
示例性地,第一图像可以为实时采集的图像,可以具有256个灰度级。
示例性地,第一图像可以具有1024个灰度级。
处理模块902将第一图像分割为N个图像块,其中,N个图像块为互不重叠的图像块。
示例性地,第一图像可以为1024×1024尺寸的图像,将第一图像分割为16个图像块,每个图像块的尺寸为256×256。
处理模块902根据N个图像块,获取M×N个出现概率,其中,每个图像块对应M个灰度级的M个出现概率,出现概率是图像块中灰度级的像素点出现的概率。
示例性地,在将第一图像分割为N个图像块之后,确定每个图像块中M个灰度级的M个出现概率,进而得到M个灰度级的M×N个出现概率。
处理模块902根据M×N个出现概率,确定M个灰度级的分布矩阵,其中,分布矩阵为表示M个灰度级分布情况的矩阵。
示例性地,可以通过计算M个灰度级的累积直方图,得到M个灰度级的分布矩阵。
处理模块902根据分布矩阵,确定灰度分布曲线,其中,灰度分布曲线为表示M个灰度级的分布情况的曲线。
示例性地,灰度分布曲线可以为校准后的分布曲线。
处理模块902根据灰度分布曲线,更新第一图像,以得到第二图像,其中,第二图像为增强后的图像。
示例性地,根据灰度分布曲线,调整第一图像的灰度,改善第一图像的对比度,得到第二图像。
本实施例中的图像处理装置900根据M×N个出现概率,确定M个灰度级的分布矩阵,再根据分布矩阵确定灰度分布曲线,将第一图像更新为第二图像,通过N个图像块能够获取图像不同区域的信息特征,抑制了第二图像的噪声,同时,提升了第二图像的对比度,保证了第二图像的图像增强效果。
在一些实施例中,可选地,图像处理装置900还包括:
处理模块902,还用于获取N个图像块对应的N个灰度直方图,每个灰度直方图均包括M个灰度级在图像块中的M个出现次数;
处理模块902,还用于根据M×N个出现次数,确定M×N个出现概率。
本实施例中的图像处理装置900根据M×N个出现次数,确定M×N个出现概率,保证了M×N个出现概率的数据准确性,进而保证分布矩阵的数据准确性。
在一些实施例中,可选地,图像处理装置900还包括:
处理模块902,还用于获取图像块的像素数量;
处理模块902,还用于分别计算M×N个出现次数与像素数量的比值,以得到M×N个出现概率。
本实施例中的图像处理装置900通过分别计算M×N个出现次数与像素数量的比值,以得到M×N个出现概率,保证了M×N个出现概率的数据准确性,进而保证了分布矩阵的数据准确性。
在一些实施例中,可选地,图像处理装置900还包括:
处理模块902,还用于根据M×N个出现概率,生成N个图像块对应的N个累积直方图;
处理模块902,还用于根据N个累积直方图,建立分布矩阵。
本实施例中的图像处理装置900根据M×N个出现概率,生成N个图像块对应的N个累积直方图,再根据N个累积直方图,建立分布矩阵,保证了分布矩阵的数据准确性,进而保证了灰度分布曲线的曲线准确性。
在一些实施例中,可选地,图像处理装置900还包括:
处理模块902,还用于获取预设的期望矩阵;
处理模块902,还用于将分布矩阵设定为输入数据,并将期望矩阵设定为输出数据;
处理模块902,还用于根据输入数据和输出数据,确定分布矩阵对应的权重值;
处理模块902,还用于根据权重值和分布矩阵,确定灰度分布曲线。
本实施例中的图像处理装置900根据输入数据和输出数据,确定分布矩阵对应的权重值,再根据权重值和分布矩阵,确定灰度分布曲线,保证了灰度分布曲线的数据准确性,进而保证了第二图像的图像质量。
在一些实施例中,可选地,图像处理装置900还包括:
处理模块902,还用于根据递归最小二乘法,对输入数据和输出数据进行数据拟合,以确定输入数据和输出数据之间的数据对应关系;
处理模块902,还用于根据数据对应关系,确定权重值。
本实施例中的图像处理装置900根据递归最小二乘法,对输入数据和输出数据进行数据拟合,以确定输入数据和输出数据之间的数据对应关系,再根据数据对应关系,确定权重值,保证了权重值的数据准确性,进而保证了灰度分布曲线的曲线准确性。
在一些实施例中,可选地,图像处理装置900还包括:
处理模块902,还用于获取第一图像中每一像素点对应的灰度值;
处理模块902,还用于根据灰度分布曲线,对灰度值进行数据更新,以得到第二图像。
本实施例中的图像处理装置900根据灰度分布曲线,对灰度值进行数据更新,以得到第二图像,提升了第二图像的图像质量。
在一些实施例中,可选地,如图10所示,提出了一种图像处理装置1000,图像处理装置1000包括处理器1002和存储器1004,存储器1004中存储有程序或指令,该程序或指令被处理器1002执行时实现如上述任一技术方案中的图像处理方法的步骤。因此,该图像处理装置1000具备上述任一技术方案中的图像处理方法的全部有益效果,在此不再赘述。
在一些实施例中,可选地,提供了一种可读存储介质,其上存储有程序或指令,程序或指令被处理器执行时实现如上述任一实施例中的图像处理方法,因而具有上述任一实施例中的图像处理方法的全部有益技术效果。
其中,可读存储介质,如只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
可读存储介质可以是一种有形设备,它可以保留和存储供指令执行设备使用的指令。计算机可读存储介质可以是电子存储设备、磁存储设备、光学存储设备、电磁存储设备、半导体存储设备或者上述设备的任何适当组合,但不限于此。计算机可读存储介质的更具体示例的非详尽列表包括:便携式计算机软盘、硬盘、随机存取存储器、只读存储器、可擦写可编程只读存储器、静态随机存取存储器、便携式光盘只读存储器、数字化通用磁盘、存储卡、软盘、编码机械设备(例如穿孔卡片或具有记录有指令的凸起结构的凹槽)以及上述设备的任何适当组合。 此处使用的计算机可读存储介质并不应被理解为传输信号本身,例如无线电波或其他自由传播的电磁波、通过波导或其他传输媒体传播的电磁波,或通过电线传输的电信号等。
需要明确的是,在本发明的权利要求书、说明书和说明书附图中,术语“多个”则指两个或两个以上,除非有额外的明确限定,术语“上”、“下”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,仅是为了更方便地描述本发明和使得描述过程更加简便,而不是为了指示或暗示所指的装置或元件必须具有所描述的特定方位、以特定方位构造和操作,因此这些描述不能理解为对本发明的限制;术语“连接”、“安装”、“固定”等均应做广义理解,举例来说,“连接”可以是多个对象之间的固定连接,也可以是多个对象之间的可拆卸连接,或一体地连接;可以是多个对象之间的直接相连,也可以是多个对象之间的通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据上述数据地具体情况理解上述术语在本发明中的具体含义。
在本发明的权利要求书、说明书和说明书附图中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本发明的权利要求书、说明书和说明书附图中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或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。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种图像处理方法,其特征在于,所述图像处理方法包括:
获取第一图像,所述第一图像是具有M个灰度级的图像;
将所述第一图像分割为N个图像块,N个所述图像块互不重叠;
根据N个所述图像块,获取M×N个出现概率,每个所述图像块对应M个所述灰度级的M个所述出现概率,所述出现概率是所述图像块中所述灰度级的像素点出现的概率;
基于M×N个所述出现概率,确定M个所述灰度级的分布矩阵;
根据所述分布矩阵,确定灰度分布曲线;
根据所述灰度分布曲线,更新所述第一图像,以得到第二图像。
2.根据权利要求1所述的图像处理方法,其特征在于,所述根据N个所述图像块,获取M×N个出现概率,包括:
获取N个所述图像块对应的N个灰度直方图,每个所述灰度直方图均包括M个所述灰度级在所述图像块中的M个出现次数;
根据M×N个所述出现次数,确定M×N个所述出现概率。
3.根据权利要求2所述的图像处理方法,其特征在于,所述根据M×N个所述出现次数,确定M×N个所述出现概率,包括:
获取所述图像块的像素数量;
分别计算M×N个所述出现次数与所述像素数量的比值,以得到M×N个所述出现概率。
4.根据权利要求1所述的图像处理方法,其特征在于,所述基于M×N个所述出现概率,确定M个所述灰度级的分布矩阵,包括:
根据M×N个所述出现概率,生成N个所述图像块对应的N个累积直方图;
根据N个所述累积直方图,建立所述分布矩阵。
5.根据权利要求1所述的图像处理方法,其特征在于,所述根据所述分布矩阵,确定灰度分布曲线,包括:
获取预设的期望矩阵;
将所述分布矩阵设定为输入数据,并将所述期望矩阵设定为输出数据;
根据所述输入数据和所述输出数据,确定所述分布矩阵对应的权重值;
根据所述权重值和所述分布矩阵,确定所述灰度分布曲线。
6.根据权利要求5所述的图像处理方法,其特征在于,所述根据所述输入数据和所述输出数据,确定所述分布矩阵对应的权重值,包括:
根据递归最小二乘法,对所述输入数据和所述输出数据进行数据拟合,以确定所述输入数据和所述输出数据之间的数据对应关系;
根据所述数据对应关系,确定所述权重值。
7.根据权利要求1至6中任一项所述的图像处理方法,其特征在于,所述根据所述灰度分布曲线,更新所述第一图像,以得到第二图像,包括:
获取所述第一图像中每一像素点对应的灰度值;
根据所述灰度分布曲线,对所述灰度值进行数据更新,以得到所述第二图像。
8.一种图像处理装置,其特征在于,所述图像处理装置包括:
处理模块,用于获取第一图像,所述第一图像是具有M个灰度级的图像;
所述处理模块,还用于将所述第一图像分割为N个图像块,N个所述图像块互不重叠;
所述处理模块,还用于根据N个所述图像块,获取M×N个出现概率,每个所述图像块对应M个所述灰度级的M个所述出现概率,所述出现概率是所述图像块中所述灰度级的像素点出现的概率;
所述处理模块,还用于基于M×N个所述出现概率,确定M个所述灰度级的分布矩阵;
所述处理模块,还用于根据所述分布矩阵,确定灰度分布曲线;
所述处理模块,还用于根据所述灰度分布曲线,更新所述第一图像,以得到第二图像。
9.一种图像处理装置,其特征在于,包括:
处理器;
存储器,所述存储器中存储有程序或指令,所述处理器在执行所述存储器中的所述程序或指令时实现如权利要求1至7中任一项所述的图像处理方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410662500.5A CN118247171B (zh) | 2024-05-27 | 2024-05-27 | 图像处理方法、图像处理装置和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410662500.5A CN118247171B (zh) | 2024-05-27 | 2024-05-27 | 图像处理方法、图像处理装置和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118247171A true CN118247171A (zh) | 2024-06-25 |
CN118247171B CN118247171B (zh) | 2024-09-17 |
Family
ID=91560688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410662500.5A Active CN118247171B (zh) | 2024-05-27 | 2024-05-27 | 图像处理方法、图像处理装置和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118247171B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059870A (zh) * | 2007-05-23 | 2007-10-24 | 华中科技大学 | 一种基于属性直方图的图像分割方法 |
CN111062884A (zh) * | 2019-12-05 | 2020-04-24 | Oppo广东移动通信有限公司 | 一种图像增强方法、装置、存储介质和终端设备 |
CN115471413A (zh) * | 2022-08-22 | 2022-12-13 | Oppo广东移动通信有限公司 | 图像处理方法及装置、计算机可读存储介质和电子设备 |
CN115471672A (zh) * | 2022-08-19 | 2022-12-13 | 北京旷视科技有限公司 | 图像处理方法、电子设备、存储介质及程序产品 |
-
2024
- 2024-05-27 CN CN202410662500.5A patent/CN118247171B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059870A (zh) * | 2007-05-23 | 2007-10-24 | 华中科技大学 | 一种基于属性直方图的图像分割方法 |
CN111062884A (zh) * | 2019-12-05 | 2020-04-24 | Oppo广东移动通信有限公司 | 一种图像增强方法、装置、存储介质和终端设备 |
CN115471672A (zh) * | 2022-08-19 | 2022-12-13 | 北京旷视科技有限公司 | 图像处理方法、电子设备、存储介质及程序产品 |
CN115471413A (zh) * | 2022-08-22 | 2022-12-13 | Oppo广东移动通信有限公司 | 图像处理方法及装置、计算机可读存储介质和电子设备 |
Non-Patent Citations (1)
Title |
---|
黄绿娥 等: "基于分级多尺度融合的河道水下图像增强", 《机电工程技术》, 22 April 2024 (2024-04-22) * |
Also Published As
Publication number | Publication date |
---|---|
CN118247171B (zh) | 2024-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019238029A1 (zh) | 卷积神经网络系统和卷积神经网络量化的方法 | |
CN110827229B (zh) | 一种基于纹理加权直方图均衡化的红外图像增强方法 | |
CN110610237A (zh) | 模型的量化训练方法、装置及存储介质 | |
CN111062884B (zh) | 一种图像增强方法、装置、存储介质和终端设备 | |
CN112967207B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN111160531B (zh) | 神经网络模型的分布式训练方法、装置及电子设备 | |
CN108242063B (zh) | 一种基于gpu加速的光场图像深度估计方法 | |
CN109978144B (zh) | 一种模型压缩方法和系统 | |
CN113379604B (zh) | 针对超分辨率网络的剪枝量化压缩方法、系统及介质 | |
CN111598796A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN117893455B (zh) | 图像亮度和对比度调整方法 | |
CN113642710B (zh) | 一种网络模型的量化方法、装置、设备和存储介质 | |
CN113159318B (zh) | 一种神经网络的量化方法、装置、电子设备及存储介质 | |
CN118247171B (zh) | 图像处理方法、图像处理装置和可读存储介质 | |
CN112785512B (zh) | 一种高斯模糊图像处理的优化方法 | |
CN112561050B (zh) | 一种神经网络模型训练方法及装置 | |
CN112149745A (zh) | 确定难例样本的方法、装置、设备及存储介质 | |
CN111083482A (zh) | 一种视频压缩网络训练方法、装置及终端设备 | |
CN112967208B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN116306879A (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
CN114140619A (zh) | 图像数据生成方法、模型训练方法、装置、设备及介质 | |
CN113902928A (zh) | 图像特征的提取方法、装置及电子设备 | |
CN117893766B (zh) | 物体检测分割方案 | |
CN113255576B (zh) | 人脸识别方法及装置 | |
CN114359067A (zh) | 一种处理红外图像的方法及装置 |
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 |