RU2586585C1 - Способ повышения визуальной информативности цифровых изображений - Google Patents

Способ повышения визуальной информативности цифровых изображений Download PDF

Info

Publication number
RU2586585C1
RU2586585C1 RU2015112564/08A RU2015112564A RU2586585C1 RU 2586585 C1 RU2586585 C1 RU 2586585C1 RU 2015112564/08 A RU2015112564/08 A RU 2015112564/08A RU 2015112564 A RU2015112564 A RU 2015112564A RU 2586585 C1 RU2586585 C1 RU 2586585C1
Authority
RU
Russia
Prior art keywords
component
components
reconstructed
image
coefficients
Prior art date
Application number
RU2015112564/08A
Other languages
English (en)
Inventor
Елена Игоревна Травина
Original Assignee
Закрытое акционерное общество "МНИТИ" (сокращенно ЗАО "МНИТИ")
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Закрытое акционерное общество "МНИТИ" (сокращенно ЗАО "МНИТИ") filed Critical Закрытое акционерное общество "МНИТИ" (сокращенно ЗАО "МНИТИ")
Priority to RU2015112564/08A priority Critical patent/RU2586585C1/ru
Application granted granted Critical
Publication of RU2586585C1 publication Critical patent/RU2586585C1/ru

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems

Abstract

Изобретение относится к области цифровой обработки изображений и может быть использовано для улучшения цифрового цветного или полутонового изображения. Технический результат заключается в повышении визуальной информативности цифровых изображений и достигается за счет анализа структур изображения с использованием оценки яркостного контраста, вычисляемой на каждом уровне разложения как частное от деления абсолютного значения суммы детализирующих коэффициентов компоненты L на сумму коэффициентов аппроксимации компоненты L; по результатам анализа структуры изображения после получения матриц реконструированных детализирующих составляющих компонент L,a,b выполняют сглаживание шумовой микроструктуры изображения путем вычисления на каждом уровне разложения нормированной интегральной гистограммы абсолютных значений элементов матрицы реконструированной детализирующей составляющей компоненты L с получением функции коэффициентов сглаживания шумовой микроструктуры, поэлементного преобразования матриц реконструированных детализирующих составляющих компонент L,a,b изображения функцией коэффициентов сглаживания шумовой микроструктуры. 1 н. и 3 з.п. ф-лы, 6 ил.

Description

Изобретение относится к области цифровой обработки изображений и может быть использовано для улучшения цифрового цветного или полутонового изображения.
Известен способ получения изображения повышенной визуальной информативности [1], заключающийся в том, что выполняют трехуровневую декомпозицию вейвлетом Хаара исходного изображения, представленного матрицей яркостей, путем дискретного стационарного вейвлет-преобразования с получением на третьем уровне разложения аппроксимирующей составляющей изображения в виде матрицы коэффициентов аппроксимации и матриц горизонтальных, вертикальных и диагональных детализирующих коэффициентов на каждом уровне разложения; на третьем уровне разложения вычисляют гистограмму яркости с использованием матрицы коэффициентов аппроксимации, вычисляют функцию коррекции яркости и функцию коррекции яркостного контраста с использованием гистограммы яркости и зависимости светлотного контраста от яркости, формируют матрицы коэффициентов коррекции яркостного контраста с использованием функции коррекции яркостного контраста и матрицы коэффициентов аппроксимации, преобразуют матрицу коэффициентов аппроксимации функцией коррекции яркости; выполняют свертку матрицы коэффициентов коррекции яркостного контраста аппроксимирующим оператором реконструкции; на каждом уровне разложения суммируют матрицы детализирующих коэффициентов с получением матрицы детализирующей составляющей изображения, на каждом уровне разложения сглаживают шумовую микроструктуру изображения путем преобразования детализирующей составляющей с использованием нормированной интегральной гистограммы абсолютных значений элементов матрицы детализирующей составляющей изображения; выполняют реконструкцию результирующего изображения обратным дискретным стационарным вейвлет-преобразованием с коррекцией детализирующих составляющих путем свертки операторами реконструкции на каждом уровне разложения матрицы коэффициентов аппроксимации с получением реконструированной аппроксимирующей составляющей и свертки матриц детализирующих коэффициентов, суммирования матриц реконструированных детализирующих коэффициентов с получением матрицы реконструированной детализирующей составляющей изображения, поэлементного умножения матриц реконструированной детализирующей составляющей и коэффициентов коррекции яркостного контраста на каждом уровне разложения, вычисления яркостно-контрастного распределения с использованием значений реконструированной аппроксимирующей и преобразованной детализирующей составляющих первого уровня разложения, вычисления коэффициента повышения резкости с использованием яркостно-контрастного распределения, умножения элементов матрицы преобразованной детализирующей составляющей первого уровня разложения на коэффициент повышения резкости, и поэлементного суммирования на каждом уровне разложения преобразованных матриц аппроксимирующей и детализирующей составляющих с получением аппроксимирующей составляющей следующего уровня разложения.
К недостаткам известного способа относятся: отсутствие функциональной адаптации к структуре и качеству исходного изображения; чрезмерное контрастирование больших фрагментов изображения с невыраженной детальностью, особенно заметное при обработке цветных изображений, поскольку при формировании корректирующих функций не учитывается распределение локальных контрастов обрабатываемого изображения; сглаживание шумовой микроструктуры при помощи корректирующей функции на основе вычисляемого значения шумового порога не является избирательным, приводя к потере малоразмерных образований с низким локальным контрастом, которые могут представлять интерес.
Техническим результатом заявляемого решения является повышение визуальной информативности цифровых изображений.
Технический результат достигается тем, что преобразуют исходное изображение, представленное R,G,B составляющими, в трехкомпонентную цветовую систему Lab с компонентой L, матрица которой характеризует яркость исходного изображения, и матриц компонент а и b, характеризующих его цвет; из матрицы каждой компоненты а и b вычитают среднее значение ее элементов, затем выполняют трехуровневую декомпозицию матриц компонент L,a,b вейвлетом Хаара путем дискретного стационарного вейвлет-преобразования, выполняют реконструкцию результирующего изображения обратным дискретным стационарным вейвлет-преобразованием с коррекцией составляющих декомпозиции компонент L,a,b, при этом на каждом уровне разложения выполняют операторами реконструкции свертку матриц коэффициентов аппроксимации с получением реконструированных аппроксимирующих составляющих компонент L,a,b и свертку матриц детализирующих коэффициентов компонент L,a,b с получением матриц реконструированных детализирующих коэффициентов компонент L,a,b; затем матрицы реконструированных детализирующих коэффициентов каждой из компонент L,a,b суммируют и получают реконструированные детализирующие составляющие компонент L,a,b; на третьем уровне разложения вычисляют яркостно-контрастное распределение с использованием значений реконструированных аппроксимирующей и детализирующей составляющих компоненты L, а также гистограмму яркости с использованием значений реконструированной аппроксимирующей составляющей компоненты L, затем вычисляют функцию коррекции яркости путем объединения значений гистограммы яркости, яркостно-контрастного распределения и зависимости воспринимаемого яркостного контраста от яркости, вычисляют функцию коррекции яркостного контраста с использованием функции коррекции яркости, вычисляют матрицу коэффициентов коррекции яркостного контраста с использованием функции коррекции яркостного контраста и реконструированной матрицы коэффициентов аппроксимации компоненты L; на третьем уровне разложения вычисляют цветояркостную зависимость с использованием абсолютных значений элементов матриц реконструированных аппроксимирующих составляющих компонент L,a,b, вычисляют функцию коррекции контраста по насыщенности путем объединения элементов цветояркостной зависимости и яркостно-контрастного распределения, вычисляют матрицы коэффициентов коррекции контраста по насыщенности с использованием функции коррекции контраста по насыщенности и значений элементов матрицы реконструированной аппроксимирующей составляющей компоненты L, затем поэлементно умножают матрицы реконструированных аппроксимирующих составляющих компонент а и b на матрицу коррекции контраста по насыщенности, преобразуют значения элементов реконструированной аппроксимирующей составляющей компоненты L функцией коррекции яркости; на каждом уровне разложения выполняют коррекцию яркостаого контраста путем поэлементного умножения матриц реконструированной детализирующей составляющей компоненты L и коэффициентов коррекции яркостного контраста, а также коррекцию контраста по насыщенности путем поэлементного умножения матриц реконструированных детализирующих составляющих компонент а и b и матрицы коэффициентов коррекции контраста по насыщенности, при этом на каждом уровне разложения, кроме третьего, выполняют свертку матриц коэффициентов коррекции яркостного контраста и контраста по насыщенности аппроксимирующим оператором реконструкции; суммируют матрицы скорректированных аппроксимирующей и детализирующей составляющих каждой компоненты L,a,b с получением аппроксимирующих составляющих компонент L,a,b следующего уровня разложения; затем преобразуют реконструированные компоненты L,a,b в составляющие RGB результирующего изображения.
Технический результат может быть достигнут также тем, что согласно способу выполняют анализ структуры изображения с использованием оценки яркостного контраста, вычисляемой на каждом уровне разложения как частное от деления абсолютного значения суммы детализирующих коэффициентов компоненты L на сумму коэффициентов аппроксимации компоненты L; по результатам анализа структуры изображения после получения матриц реконструированных детализирующих составляющих компонент L,a,b выполняют сглаживание шумовой микроструктуры изображения путем вычисления на каждом уровне разложения нормированной интегральной гистограммы абсолютных значений элементов матрицы реконструированной детализирующей составляющей компоненты L с получением функции коэффициентов сглаживания шумовой микроструктуры, поэлементного преобразования матриц реконструированных детализирующих составляющих компонент L,a,b изображения функцией коэффициентов сглаживания шумовой микроструктуры.
Технический результат может быть достигнут также тем, что согласно способу выполняют анализ структуры изображения с использованием оценки яркостного контраста, вычисляемой на каждом уровне разложения как частное от деления абсолютного значения суммы детализирующих коэффициентов компоненты L на сумму коэффициентов аппроксимации компоненты L; по результатам анализа структуры изображения перед суммированием матриц скорректированных аппроксимирующей и детализирующей составляющих каждой компоненты L,a,b изображения выполняют повышение резкости изображения путем вычисления яркостно-контрастного распределения с использованием значений преобразованных аппроксимирующей и детализирующей составляющих компоненты L первого уровня разложения, вычисляют коэффициент повышения резкости с использованием яркостно-контрастного распределения, умножают на коэффициент повышения резкости элементы матрицы реконструированной детализирующей составляющей изображения.
Технический результат может быть достигнут также тем, что согласно способу выполняют анализ структуры изображения с использованием оценки яркостного контраста, вычисляемой на каждом уровне разложения как частное от деления абсолютного значения суммы детализирующих коэффициентов компоненты L на сумму коэффициентов аппроксимации компоненты L; после получения матриц реконструированных детализирующих составляющих компонент L,a,b изображения выполняют сглаживание шумовой микроструктуры изображения путем вычисления на каждом уровне разложения нормированной интегральной гистограммы абсолютных значений элементов матрицы реконструированной детализирующей составляющей компоненты L с получением функции коэффициентов сглаживания шумовой микроструктуры, поэлементного преобразования матриц реконструированных детализирующих составляющих компонент L,a,b изображения функцией коэффициентов сглаживания шумовой микроструктуры, при этом перед суммированием матриц скорректированных аппроксимирующей и детализирующей составляющих каждой компоненты L,a,b выполняют повышение резкости изображения путем вычисления яркостно-контрастного распределения с использованием значений преобразованных аппроксимирующей и детализирующей составляющих компоненты L первого уровня разложения, вычисляют коэффициент повышения резкости с использованием яркостно-контрастного распределения, умножают на коэффициент повышения резкости элементы матрицы реконструированной и преобразованной детализирующей составляющей изображения.
На фиг. 1 представлена схема реализации способа повышения визуальной информативности цветных изображений, где:
src - обозначение исходного изображения;
R, G, B - обозначение компонент изображения в цветовой системе RGB;
L,a,b - обозначение компонент изображения в цветовой системе Lab;
n - уровень декомпозиции (n=0 соответствует уровню изображению);
Ν - глубина декомпозиции;
А - матрица коэффициентов аппроксимации (аппроксимирующая составляющая изображения);
D - детализирующая составляющая изображения;
Dh, Dv, Dd - матрицы горизонтальных, вертикальных и диагональных детализирующих коэффициентов;
A ˜
Figure 00000001
 - реконструированная аппроксимирующая составляющая изображения (результат свертки оператором реконструкции);
D ˜
Figure 00000002
 - реконструированная детализирующая составляющая изображения;
proc - обозначение результата обработки;
LUTa - функция коррекции яркости;
M - матрица коэффициентов коррекции.
На фиг. 2 представлена схема реализации способа по п. 2 с вычислением оценок яркостного контраста, анализом структуры изображения и сглаживанием шумовой микроструктуры, где
Cn - оценка локальных контрастов на уровне разложения n.
На фиг. 3 представлена схема реализации способа по п. 3 с вычислением оценок яркостного контраста, анализом структуры изображения и повышением резкости изображения, где
Cn - оценка локальных контрастов на уровне разложения n.
На фиг. 4 представлена схема реализации способа по п. 4 с вычислением оценок яркостного контраста, анализом структуры изображения, сглаживанием шумовой микроструктуры и повышением резкости изображения, где
Cn - оценка локальных контрастов на уровне разложения n.
Способ реализуют путем выполнения:
- преобразования исходного изображения RGB в цветовую систему Lab;
- установления цветового баланса изображения;
- декомпозиции компонент L, a, b изображения;
- реконструкции компонент L, a, b изображения с коррекцией составляющих декомпозиции компонент L, a, b;
- преобразования скорректированных компонент L, a, b в составляющие RGB результирующего изображения.
На фиг. 5 представлен пример применения описанного способа с использованием анализа структуры изображения и повышения резкости. Вверху помещено исходное изображение, внизу - результат обработки описанным способом.
На фиг. 6 представлен пример применения описанного способа с использованием анализа структуры изображения, сглаживания шумовой микроструктуры и повышения резкости. Вверху помещено исходное изображение, внизу - результат обработки описанным способом.
Преобразуют исходное изображение, представленное компонентами R, G, B, в трехкомпонентную цветовую систему Lab с компонентой L, матрица которой характеризует яркость исходного изображения, и матриц компонент a и b, характеризующих его цвет [2].
Выполняют переход от цветовой системы RGB в цветовую систему XYZ в два этапа. На первом этапе выполняют переход к линеаризованному RGB-представлению исходного изображения:
Figure 00000003
где
Figure 00000004
- составляющие R, G, B исходного изображения;
На втором этапе преобразуют линеаризованное RGB-представление изображения в цветовую систему XYZ:
Figure 00000005
Затем выполняют переход от цветовой системы XYZ к системе Lab согласно следующим соотношениям:
Figure 00000006
где xw, yw, zw - координаты опорного белого цвета.
Устанавливают цветовой баланс изображения путем компенсации цветовых сдвигов Δ компонент a, b:
Figure 00000007
где s - количество элементов матрицы цветовой компоненты.
Затем компенсируют цветовой сдвиг компонент a, b следующим образом:
Figure 00000008
Выполняют трехуровневую декомпозицию компонент L, a, b вейвлетом Хаара путем дискретного стационарного вейвлет-преобразования следующим образом:
Figure 00000009
где А - аппроксимирующая составляющая изображения (матрица коэффициентов аппроксимации);
* - обозначение свертки;
a, h, v, d - операторы декомпозиции;
↑ - обозначение повышающей дискретизации;
n - уровень декомпозиции;
N - глубина декомпозиции (N=3).
Выполняют реконструкцию компонент L, a, b при помощи дискретного обратного стационарного вейвлет-преобразования с коррекцией составляющих декомпозиции компонент L, a, b. На каждом уровне реконструкции выполняют свертку матриц составляющих декомпозиции каждой компоненты L, a, b операторами реконструкции:
Figure 00000010
где А - аппроксимирующая составляющая изображения, характеризующая яркостные свойства изображения (матрица коэффициентов аппроксимации);
Figure 00000011
- реконструированная аппроксимирующая составляющая изображения (матрица реконструированных коэффициентов аппроксимации);
* - обозначение свертки;
Figure 00000012
- операторы реконструкции;
↓ - обозначение понижающей дискретизации;
n - уровень декомпозиции (n=0 соответствует уровню изображения);
N - глубина декомпозиции (N=3);
Dh, Dv, Dd - матрицы горизонтальных, вертикальных и диагональных детализирующих коэффициентов;
Figure 00000013
- матрицы реконструированных горизонтальных, вертикальных и диагональных детализирующих коэффициентов.
На каждом уровне разложения формируют реконструированные детализирующие составляющие компонент L, a, b:
Figure 00000014
На уровне N вычисляют параметры яркостно-контрастной коррекции, представляющей собой улучшение глобального яркостного контраста с учетом особенности зрительного восприятия при помощи корректирующих функций.
Вычисляют яркостно-контрастное распределение ψL(a), используя составляющие компоненты L:
Figure 00000015
где
Figure 00000016
- реконструированная аппроксимирующая составляющая яркостной компоненты L на уровне N;
Figure 00000017
- реконструированная детализирующая составляющая яркостной компоненты L на уровне N.
Вычисляют гистограмму яркости pL(α), используя в качестве яркости значения реконструированных коэффициентов аппроксимации:
Figure 00000018
где µ - количество элементов с яркостью α.
Нормируют распределения, полученные согласно выражениям (11, 12):
Figure 00000019
где a min, a max - минимальное и максимальное значения элементов матрицы
Figure 00000020
s - количество элементов матриц
Figure 00000021
компонент L, a, b.
Получают объединенное распределения FL(a):
Figure 00000022
затем распределение FL(α) объединяют с завимостью светлотного (воспринимаемого человеком) контраста от яркости
Figure 00000023
Figure 00000024
где
Figure 00000025
Figure 00000026
- результат дифференцирования формулы Вышецки (Wyszecki) [3], устанавливающей соотношение между яркостью
Figure 00000027
и светлотой W, характеристизующей воспринимаемую человеком яркость;
a min, a max - минимальное и максимальное значения элементов матрицы
Figure 00000028
Вычисляют табличную функцию коррекции яркости LUTL(α):
Figure 00000029
где
Figure 00000030
- максимальное допустимое значение коэффициентов аппроксимации компоненты L на уровне N определяется реализацией вейвлет-преобразования;
s - количество элементов матрицы
Figure 00000031
компоненты L.
Затем получают функцию коэффициентов коррекции локальных яркостных контрастов RL(α):
Figure 00000032
После чего на уровне N поэлементно формируют матрицу коэффициентов коррекции яркостного контраста
Figure 00000033
Figure 00000034
На уровне N вычисляют параметры цветояркостной коррекции, представляющей собой улучшение контраста по насыщенности при помощи корректирующих функций с учетом преобразования яркостного контраста.
Вычисляют цветояркостные распределения ψа,b(α), используя составляющие компонент а, b:
Figure 00000035
где
Figure 00000036
- реконструированная аппроксимирующая составляющая яркостной компоненты L на уровне N;
Figure 00000037
- реконструированные аппроксимирующие составляющие цветовых компонент компоненты а и b на уровне N.
Затем вычисляют объединенное цветояркостное распределение ψab(α):
Figure 00000038
Нормируют объединенное цветояркостное распределение ψab(α) и получают нормированное цветояркостное распределение ψab(α):
Figure 00000039
где a min, a max - минимальное и максимальное значения элементов матрицы
Figure 00000040
s - количество элементов матрицы
Figure 00000041
компоненты L, а, b.
Дополняют нормированное цветояркостное распределение ψab(α):
Figure 00000042
Вычисляют табличную функцию коррекции цветового LUTab(α):
Figure 00000043
где
Figure 00000044
- максимальное допустимое значение коэффициентов аппроксимации компонент а, b на уровне N определяется реализацией вейвлет-преобразования;
λ - коэффициент, определяющий используемый цветовой диапазон (λ≈0.5…0.8).
Затем получают функцию коэффициентов коррекции локальных контрастов по насыщенности Rab(α):
Figure 00000045
После чего на уровне N поэлементно формируют матрицу коэффициентов коррекции контраста по насыщенности
Figure 00000046
Figure 00000047
На уровне N выполняют коррекцию яркости, поэлементно преобразуя матрицу реконструированной аппроксимирующей составляющей яркостной компоненты L:
Figure 00000048
а также коррекцию контраста по насыщенности путем поэлементного умножения матриц реконструированных аппроксимирующих составляющих цветовых компонент а, b и матрицы коэффициентов коррекции контраста по насыщенности
Figure 00000049
Figure 00000050
где
Figure 00000051
- оператор поэлементного умножения матриц.
На каждом уровне разложения n выполняют коррекцию яркостного контраста путем поэлементного умножения матрицы реконструированной детализирующей составляющей компоненты L и матрицы коэффициентов коррекции яркостного контраста
Figure 00000052
Figure 00000053
где
Figure 00000054
- оператор поэлементного умножения матриц.
а также коррекцию контраста по насыщенности путем поэлементного умножения матриц реконструированных детализирующих составляющих компонент а и b и матрицы коэффициентов коррекции контраста по насыщенности
Figure 00000055
Figure 00000056
При этом на каждом уровне разложения n, кроме n=N, выполняют локальное согласование коэффициентов коррекции яркостного контраста и контраста по насыщенности с детализирующими коэффициентами и путем реконструкции матриц коэффициентов коррекции:
Figure 00000057
где
Figure 00000058
- аппроксимирующий оператор реконструкции;
* - обозначение свертки;
Получают аппроксимирующие составляющие компонент L, а, b следующего уровня разложения путем суммирования матриц скорректированных аппроксимирующей и детализирующей составляющих каждой компоненты L, a, b:
Figure 00000059
Преобразуют реконструированные и скорректированные компоненты
Figure 00000060
в составляющие
Figure 00000061
результирующего изображения следующим образом [2].
Осуществляют переход к цветовой системе XYZ:
Figure 00000062
Figure 00000063
где - X, Y, Z матрицы компонент изображения в цветовой системе XYZ.
Затем выполняют переход к цветовой системе RGB:
Figure 00000064
где
Figure 00000065
- матрицы компонент результирующего изображения в цветовой системе RGB.
Результатом является повышение визуальной информативности изображения за счет повышения различимости его локальных особенностей с разной степенью детализации при сохранении структуры исходного изображения путем преобразований яркости, яркостного контраста и контраста по насыщенности. Эти преобразования учитывают особенности зрительного восприятия и не требуют вмешательства оператора, являясь адаптивными к структуре обрабатываемого изображения. Естественная структура и отсутствие артефактов в результирующем изображении достигаются путем согласованных преобразований составляющих декомпозиции комнонент L, a, b изображения на каждом уровне разложения обрабатываемого изображения.
Существует способ повышения визуальной информативности цифровых изображений, осуществляемый с выполнением анализа структуры изображения и сглаживания шумовой микроструктуры изображения (Фиг. 2).
На уровне разложения n вычисляют оценку яркостного контраста Cn с использованием коэффициентов аппроксимации и детализирующих коэффициентов компоненты L:
Figure 00000066
Затем выполняют сравнение значений оценок яркостного контраста каждого уровня, и при (С3<С2<С1) выявляют необходимость сглаживания шумовой микроструктуры.
После получения матриц реконструированных детализирующих составляющих компонент L, a, b выполняют сглаживание шумовой микроструктуры на каждом уровне разложения n. Для этого вычисляют гистограмму абсолютных значений элементов матрицы реконструированной детализирующей составляющей компоненты
Figure 00000067
Figure 00000068
где η - количество элементов со значением β.
Вычисляют нормированную интегральную гистограмму абсолютных значений элементов матрицы реконструированной детализирующей составляющей с получением функции коэффициентов сглаживания шумовой микроструктуры
Figure 00000069
Figure 00000070
где dmax - максимальное абсолютное значение элементов матрицы
Figure 00000071
Поэлементно преобразуют матрицы реконструированных детализирующих составляющих компонент L, а, b:
Figure 00000072
Применение процедуры сглаживания шумовой микроструктуры к зашумленным изображениям со слабовыраженной детальностью позволяет избежать усиления яркостного и цветового шумов в результате коррекции яркости, яркостного контраста и контраста по насыщенности, а также повысить различимость крупных и средних деталей изображения, что является повышением визуальной информативности цифровых изображений.
Существует способ повышения визуальной информативности цифровых изображений, осуществляемый с выполнением анализа структуры изображения и повышения резкости изображения (Фиг. 3).
На уровне разложения n вычисляют оценку яркостного контраста Cn согласно выражению (35). Затем выполняют сравнение значений оценок яркостного контраста каждого уровня и при (С3>С2>С1) выявляют необходимость повышения резкости изображения.
Перед суммированием матриц скорректированных аппроксимирующей и детализирующей составляющих каждой компоненты L, a, b изображения выполняют повышение резкости изображения, представляющее собой усиление мелкомасштабной детальности.
Вычисляют яркостно-контрастные распределения мелкомасштабной детальности:
Figure 00000073
где Ω+(α), Ω-(α) - яркостно-контрастные распределения преобразуемого изображения для положительных и отрицательных локальных яркостных контрастов компоненты L.
Получают объединенное распределение Ω(α), характеризующее зависимость мелкомасштабной детальности от яркости:
Figure 00000074
Коэффициент повышения резкости вычисляют на основе зависимости:
Figure 00000075
где Ksharp(α) - характеризует зависимость возможных значений коэффициентов усиления локальных контрастов от яркости;
Ωдоп(α) - зависимость допустимых значений локальных контрастов от яркости:
Figure 00000076
где
Figure 00000077
- максимальное допустимое значение коэффициентов аппроксимации уровня l компоненты L зависит от реализации вейвлет-преобразования.
Коэффициент повышения резкости инициализируют средним значением коэффициента дополнительного контрастирования для ненулевых значений Ksharp(α):
Figure 00000078
где
Figure 00000079
- максимальное допустимое значение коэффициентов аппроксимации уровня l компоненты L зависит от реализации вейвлет-преобразования.
Figure 00000080
- среднее значение коэффициента дополнительного усиления яркостных контрастов на итерации i;
s - количество ненулевых отсчетов Ksharp(α).
На последующих итерациях i коэффициент повышения резкости уточняют следующим образом:
Figure 00000081
Значение коэффициента повышения резкости Kr считается найденным при выполнении условия:
Figure 00000082
где δ - значение изменения среднего значения коэффициента дополнительного контрастирования (δ=0.1…0.01).
Повышают резкость изображения, дополнительно умножая матрицу реконструированной и преобразованной детализирующей составляющей компоненты L первого уровня (n=1) на коэффициент повышения резкости Kr:
Figure 00000083
Применение процедуры повышения резкости изображения к изображениям с высоким уровнем детализации при отсутствии шумовой микроструктуры позволяет увеличить различимость мелких деталей изображения, что является повышением визуальной информативности цифровых изображений.
Существует способ повышения визуальной информативности цифровых изображений, осуществляемый с выполнением анализа структуры изображения, сглаживания шумовой микроструктуры и повышения резкости изображения (Фиг. 4).
На уровне разложения n вычисляют оценку яркостного контраста Cn согласно выражению (35). Затем выполняют сравнение значений оценок яркостного контраста каждого уровня и при
Figure 00000084
выявляют необходимость сглаживания шумовой микроструктуры и повышения резкости изображения.
После получения матриц реконструированных детализирующих составляющих компонент L, a, b выполняют сглаживание шумовой микроструктуры на каждом уровне разложения n согласно выражениям (36-38).
Перед суммированием матриц скорректированных аппроксимирующей и детализирующей составляющих каждой компоненты L, a, b изображения выполняют повышение резкости изображения согласно выражениям (39-46).
Применение процедур сглаживания шумовой микроструктуры и повышения резкости к изображениям со средним уровнем детализации и возможным наличием шумовой микроструктуры позволяет избежать усиления яркостного и цветового шумов в результате коррекции яркости, яркостного контраста и контраста по насыщенности, повысить различимость средних и мелких деталей изображения, что является повышением визуальной информативности цифровых изображений.
Источники информации
1. Патент РФ №2448367. Способ повышения визуальной информативности цифровых полутоновых изображений / приоритет изобретения от 11.04.2011 г. / Травина Е.И. - Бюл. 11 от 20.04.2012. - 16 с.
2. Вудс Р., Гонсалес Р. Цифровая обработка изображений. - М.: Техносфера, 2005. - 1072 с.
3. Джадд Д., Вышецки Г. Цвет в науке и технике. - М.: Мир, 1978. - 296 с.

Claims (4)

1. Способ повышения визуальной информативности цифровых изображений, заключающийся в том, что выполняют трехуровневую декомпозицию вейвлетом Хаара исходного изображения, представленного матрицей яркостей, путем дискретного стационарного вейвлет-преобразования с получением на третьем уровне разложения аппроксимирующей составляющей изображения в виде матрицы коэффициентов аппроксимации и матриц горизонтальных, вертикальных и диагональных детализирующих коэффициентов на каждом уровне разложения; на третьем уровне разложения вычисляют гистограмму яркости с использованием матрицы коэффициентов аппроксимации, вычисляют функцию коррекции яркости и функцию коррекции яркостного контраста с использованием гистограммы яркости и зависимости светлотного контраста от яркости, формируют матрицы коэффициентов коррекции яркостного контраста с использованием функции коррекции яркостного контраста и матрицы коэффициентов аппроксимации, преобразуют матрицу коэффициентов аппроксимации функцией коррекции яркости; выполняют свертку матрицы коэффициентов коррекции яркостного контраста аппроксимирующим оператором реконструкции; на каждом уровне разложения суммируют матрицы детализирующих коэффициентов с получением матрицы детализирующей составляющей изображения, на каждом уровне разложения сглаживают шумовую микроструктуру изображения путем преобразования детализирующей составляющей с использованием нормированной интегральной гистограммы абсолютных значений элементов матрицы детализирующей составляющей изображения; выполняют реконструкцию результирующего изображения обратным дискретным стационарным вейвлет-преобразованием с коррекцией детализирующих составляющих путем свертки операторами реконструкции на каждом уровне разложения матрицы коэффициентов аппроксимации с получением реконструированной аппроксимирующей составляющей и свертки матриц детализирующих коэффициентов, суммирования матриц реконструированных детализирующих коэффициентов с получением матрицы реконструированной детализирующей составляющей изображения, поэлементного умножения матриц реконструированной детализирующей составляющей и коэффициентов коррекции яркостного контраста на каждом уровне разложения, вычисления яркостно-контрастного распределения с использованием значений реконструированной аппроксимирующей и преобразованной детализирующей составляющих первого уровня разложения, вычисления коэффициента повышения резкости с использованием яркостно-контрастного распределения, умножения элементов матрицы преобразованной детализирующей составляющей первого уровня разложения на коэффициент повышения резкости, и поэлементного суммирования на каждом уровне разложения преобразованных матриц аппроксимирующей и детализирующей составляющих с получением аппроксимирующей составляющей следующего уровня разложения; отличающийся тем, что преобразуют исходное изображение, представленное R, G, B составляющими, в трехкомпонентную цветовую систему Lab с компонентой L, матрица которой характеризует яркость исходного изображения, и матриц компонент a и b, характеризующих его цвет; из матрицы каждой компоненты а и b вычитают среднее значение ее элементов, затем выполняют трехуровневую декомпозицию компонент L, a, b вейвлетом Хаара путем дискретного стационарного вейвлет-преобразования, выполняют реконструкцию компонент L, a, b изображения обратным дискретным стационарным вейвлет-преобразованием с коррекцией составляющих декомпозиции компонент L, a, b, при этом на каждом уровне разложения выполняют операторами реконструкции свертку матриц коэффициентов аппроксимации с получением реконструированных аппроксимирующих составляющих компонент L, a, b и свертку матриц детализирующих коэффициентов компонент L, a, b с получением матриц реконструированных детализирующих коэффициентов компонент L, a, b; затем матрицы реконструированных детализирующих коэффициентов каждой из компонент L, a, b суммируют и получают реконструированные детализирующие составляющие компонент L, a, b; на третьем уровне разложения вычисляют яркостно-контрастное распределение с использованием значений реконструированных аппроксимирующей и детализирующей составляющих компоненты L, а также гистограмму яркости с использованием значений реконструированной аппроксимирующей составляющей компоненты L, затем вычисляют функцию коррекции яркости путем объединения значений гистограммы яркости, яркостно-контрастного распределения и зависимости воспринимаемого яркостного контраста от яркости, вычисляют функцию коррекции яркостного контраста с использованием функции коррекции яркости, вычисляют матрицу коэффициентов коррекции яркостного контраста с использованием функции коррекции яркостного контраста и реконструированной матрицы коэффициентов аппроксимации компоненты L; на третьем уровне разложения вычисляют цветояркостную зависимость с использованием абсолютных значений элементов матриц реконструированных аппроксимирующих составляющих компонент L, a, b, вычисляют функцию коррекции контраста по насыщенности путем объединения элементов цветояркостной зависимости и яркостно-контрастного распределения, вычисляют матрицы коэффициентов коррекции контраста по насыщенности с использованием функции коррекции контраста по насыщенности и значений элементов матрицы реконструированной аппроксимирующей составляющей компоненты L, затем поэлементно умножают матрицы реконструированных аппроксимирующих составляющих компонент а и b на матрицу коррекции контраста по насыщенности, преобразуют значения элементов реконструированной аппроксимирующей составляющей компоненты L функцией коррекции яркости; на каждом уровне разложения выполняют коррекцию яркостного контраста путем поэлементного умножения матриц реконструированной детализирующей составляющей компоненты L и коэффициентов коррекции яркостного контраста, а также коррекцию контраста по насыщенности путем поэлементного умножения матриц реконструированных детализирующих составляющих компонент а и b и матрицы коэффициентов коррекции контраста по насыщенности, при этом на каждом уровне разложения, кроме третьего, выполняют свертку матриц коэффициентов коррекции яркостного контраста и контраста по насыщенности аппроксимирующим оператором реконструкции; суммируют матрицы скорректированных аппроксимирующей и детализирующей составляющих каждой компоненты L, a, b с получением аппроксимирующих составляющих компонент L, a, b следующего уровня разложения; затем преобразуют реконструированные компоненты L, a, b в составляющие RGB результирующего изображения.
2. Способ по п. 1, отличающийся тем, что выполняют анализ структуры изображения с использованием оценки яркостного контраста, вычисляемой на каждом уровне разложения как частное от деления абсолютного значения суммы детализирующих коэффициентов компоненты L на сумму коэффициентов аппроксимации компоненты L; по результатам анализа структуры изображения после получения матриц реконструированных детализирующих составляющих компонент L, a, b выполняют сглаживание шумовой микроструктуры изображения путем вычисления на каждом уровне разложения нормированной интегральной гистограммы абсолютных значений элементов матрицы реконструированной детализирующей составляющей компоненты L с получением функции коэффициентов сглаживания шумовой микроструктуры, поэлементного преобразования матриц реконструированных детализирующих составляющих компонент L, a, b изображения функцией коэффициентов сглаживания шумовой микроструктуры.
3. Способ по п. 1, отличающийся тем, что выполняют анализ структуры изображения с использованием оценки яркостного контраста, вычисляемой на каждом уровне разложения как частное от деления абсолютного значения суммы детализирующих коэффициентов компоненты L на сумму коэффициентов аппроксимации компоненты L; по результатам анализа структуры изображения перед суммированием матриц скорректированных аппроксимирующей и детализирующей составляющих каждой компоненты L, a, b изображения выполняют повышение резкости изображения путем вычисления яркостно-контрастного распределения с использованием значений преобразованных аппроксимирующей и детализирующей составляющих компоненты L первого уровня разложения, вычисляют коэффициент повышения резкости с использованием яркостно-контрастного распределения, умножают на коэффициент повышения резкости элементы матрицы реконструированной детализирующей составляющей изображения.
4. Способ по п. 1, отличающийся тем, что выполняют анализ структуры изображения с использованием оценки яркостного контраста, вычисляемой на каждом уровне разложения как частное от деления абсолютного значения суммы детализирующих коэффициентов компоненты L на сумму коэффициентов аппроксимации компоненты L; после получения матриц реконструированных детализирующих составляющих компонент L, a, b изображения выполняют сглаживание шумовой микроструктуры изображения путем вычисления на каждом уровне разложения нормированной интегральной гистограммы абсолютных значений элементов матрицы реконструированной детализирующей составляющей компоненты L с получением функции коэффициентов сглаживания шумовой микроструктуры, поэлементного преобразования матриц реконструированных детализирующих составляющих компонент L, a, b изображения функцией коэффициентов сглаживания шумовой микроструктуры, при этом перед суммированием матриц скорректированных аппроксимирующей и детализирующей составляющих каждой компоненты L, a, b выполняют повышение резкости изображения путем вычисления яркостно-контрастного распределения с использованием значений преобразованных аппроксимирующей и детализирующей составляющих компоненты L первого уровня разложения, вычисляют коэффициент повышения резкости с использованием яркостно-контрастного распределения, умножают на коэффициент повышения резкости элементы матрицы реконструированной и преобразованной детализирующей составляющей изображения.
RU2015112564/08A 2015-04-07 2015-04-07 Способ повышения визуальной информативности цифровых изображений RU2586585C1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2015112564/08A RU2586585C1 (ru) 2015-04-07 2015-04-07 Способ повышения визуальной информативности цифровых изображений

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2015112564/08A RU2586585C1 (ru) 2015-04-07 2015-04-07 Способ повышения визуальной информативности цифровых изображений

Publications (1)

Publication Number Publication Date
RU2586585C1 true RU2586585C1 (ru) 2016-06-10

Family

ID=56115506

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2015112564/08A RU2586585C1 (ru) 2015-04-07 2015-04-07 Способ повышения визуальной информативности цифровых изображений

Country Status (1)

Country Link
RU (1) RU2586585C1 (ru)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861957A (zh) * 2020-07-02 2020-10-30 Tcl华星光电技术有限公司 图像融合方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5854851A (en) * 1993-08-13 1998-12-29 Sophis View Technologies Ltd. System and method for diagnosis of living tissue diseases using digital image processing
RU2174710C1 (ru) * 2000-03-20 2001-10-10 Общевойсковая Академия Вооруженных Сил Российской Федерации Способ автоматического улучшения полутонового изображения
EP1347414A1 (en) * 2002-02-22 2003-09-24 Agfa-Gevaert Method for enhancing the contrast of an image.
RU2343538C1 (ru) * 2007-10-31 2009-01-10 Закрытое Акционерное Общество "Импульс" Способ коррекции цифровых рентгеновских изображений
RU2448367C1 (ru) * 2011-04-11 2012-04-20 Закрытое акционерное общество "МНИТИ" ЗАО "МНИТИ" Способ повышения визуальной информативности цифровых полутоновых изображений

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5854851A (en) * 1993-08-13 1998-12-29 Sophis View Technologies Ltd. System and method for diagnosis of living tissue diseases using digital image processing
US5946407A (en) * 1993-08-13 1999-08-31 Bamberger; Philippe System and method for scanning medical images using adjustable exposure time and brightness
RU2174710C1 (ru) * 2000-03-20 2001-10-10 Общевойсковая Академия Вооруженных Сил Российской Федерации Способ автоматического улучшения полутонового изображения
EP1347414A1 (en) * 2002-02-22 2003-09-24 Agfa-Gevaert Method for enhancing the contrast of an image.
DE60214967T2 (de) * 2002-02-22 2007-07-26 Agfa-Gevaert Verfahren zur Kontrastverbesserung eines Bildes
RU2343538C1 (ru) * 2007-10-31 2009-01-10 Закрытое Акционерное Общество "Импульс" Способ коррекции цифровых рентгеновских изображений
RU2448367C1 (ru) * 2011-04-11 2012-04-20 Закрытое акционерное общество "МНИТИ" ЗАО "МНИТИ" Способ повышения визуальной информативности цифровых полутоновых изображений

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861957A (zh) * 2020-07-02 2020-10-30 Tcl华星光电技术有限公司 图像融合方法及装置
CN111861957B (zh) * 2020-07-02 2024-03-08 Tcl华星光电技术有限公司 图像融合方法及装置

Similar Documents

Publication Publication Date Title
Yeganeh et al. A novel approach for contrast enhancement based on histogram equalization
CN107527333B (zh) 一种基于伽马变换的快速图像增强方法
CN105303532B (zh) 一种小波域Retinex图像去雾方法
WO2019091270A1 (zh) 图像增强方法及系统
Vishwakarma et al. Color image enhancement techniques: a critical review
Parthasarathy et al. An automated multi scale retinex with color restoration for image enhancement
EP1111907B1 (en) A method for enhancing a digital image with noise-dependent control of texture
US6856704B1 (en) Method for enhancing a digital image based upon pixel color
EP2833317B1 (en) Image display device and/or method therefor
CN110889812B (zh) 一种多尺度融合图像特征信息的水下图像增强方法
US8406559B2 (en) Method and system for enhancing image sharpness based on local features of image
Kapoor et al. Colour image enhancement based on histogram equalization
Oak et al. Contrast enhancement of brain MRI images using histogram based techniques
RU2622095C1 (ru) Способ улучшения цифровых цветных изображений
Jordanski et al. Dynamic recursive subimage histogram equalization algorithm for image contrast enhancement
JP2016158058A (ja) 画像処理装置、画像処理方法、及びプログラム
Sengar et al. Color image enhancement by scaling the discrete wavelet transform coefficients
RU2448367C1 (ru) Способ повышения визуальной информативности цифровых полутоновых изображений
US20040170339A1 (en) Selective thickening of dark features by biased sharpening filters
RU2586585C1 (ru) Способ повышения визуальной информативности цифровых изображений
Singh et al. Image enhancement by adaptive power-law transformations
JP6161847B1 (ja) 画像処理装置及び画像処理方法
CN110992287B (zh) 一种非均匀光照视频的清晰化方法
Omarova et al. Application of the Clahe method contrast enhancement of X-Ray Images
Viswanath Enhancement of brain tumor images

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20190408