CN103679656A - 一种图像自动锐化方法 - Google Patents

Abstract

本发明涉及一种图像自动锐化方法，其通过对原始图像进行灰度化处理及边缘检测，并进行边缘强度的直方图统计进而计算出灰度图像的模糊概率，从而根据所述模糊概率设置原始图像的锐化度，最后根据该锐化度并结合高斯模糊图像对原始图像进行自动锐化处理，使得锐化量不依赖于显示条件和用户的视觉***，不仅可以实现自动锐化，而且提高了图像的锐化处理质量。

Description

一种图像自动锐化方法

技术领域

本发明涉及一种图像增强方法，特别是一种图像自动锐化方法。

背景技术

在拍摄了数字图像之后，经常要对其进行锐化以减少或消除模糊、增强图像焦点或模拟更好的分辨率。可通过去卷积方法或者通过利用钝化掩模滤波器(unsharp mask fi lter)来执行锐化以增加图像内边缘的对比度。钝化掩模滤波器通过定义的阈值识别与周围像素不同的像素，并且通过指定的锐化量增加对比度。用户可以确定并设置锐化量，这使得锐化量依赖于显示条件和用户的视觉***。换而言之，尽管锐化量是钝化掩模滤波器中的一个主要参数，但是通常根据主观判断而非客观判断来设置锐化量。因此，如何通过客观判断来设置锐化量成为我们消除图像模糊的重点。

发明内容

本发明为解决上述问题，提供了一种图像自动锐化方法，其通过客观判断方法来设置锐化量，是一种基于图像模糊度而进行自动锐化的图像增强方法。

为实现上述目的，本发明采用的技术方案为：

一种图像自动锐化方法，其特征在于，包括以下步骤：

10.接收原始图像；

20.对原始图像进行灰度化处理，得到灰度图像；

30.对灰度图像进行边缘检测，并进行边缘强度的直方图统计；

40.根据所述直方图统计的结果计算出灰度图像的模糊概率；

50.对原始图像进行高斯模糊处理，得到高斯模糊图像；

60.根据所述模糊概率设置原始图像的锐化度，并根据该锐化度结合高斯模糊图像的颜色值对原始图像进行自动锐化处理。

作为一种较佳实施例：所述步骤30进一步包括：

31.对灰度图像进行强边缘与弱边缘检测，并得到强边缘结果和弱边缘结果；

32.对灰度图像进行分块，并对各个块及其所对应的强边缘结果和弱边缘结果进行统计，得到边缘强度的直方图统计。

作为一种较佳实施例：所述步骤32进一步包括以下步骤：

步骤321.对灰度图像进行分块；

步骤322.对每块的强边缘结果进行分析，判断是否属于边缘块；如果是，则执行步骤323.；

步骤323.计算边缘块里的每个像素点的梯度；

步骤324.根据每个像素点的梯度计算该像素点所对应的梯度方向；

步骤325.根据每块对应的弱边缘结果与步骤324中所述的梯度方向寻找每个像素点的边缘连续性强度；

步骤326.计算每块的对比度差，并对每块的边缘连续性强度进行直方图统计。

作为一种较佳实施例：所述步骤321中对灰度图像进行分块，其每块的大小为16～128个像素。

作为一种较佳实施例：所述步骤322中判断是否属于边缘块，是根据判断强边缘结果属于边缘的像素点个数是否大于块像素点总数的预定百分比，且该预定百分比的范围是0.1％～2％。

作为一种较佳实施例：所述步骤323中，像素点的梯度计算公式为：

grad=(next-prev)／2，

其中，grad为当前像素点的梯度值；next为当前像素点的后一个像素点的值；prev为当前像素点的前一个像素点的值。

作为一种较佳实施例：所述步骤324中，像素点所对应的梯度方向的计算，是根据像素点的梯度的X方向和Y方向的梯度值，进行反正切得到的角度。

作为一种较佳实施例：所述步骤325中，像素点的边缘连续性强度的计算是利用梯度方向上的像素点是否在弱边缘结果里属于边缘，以此得到每个像素点是边缘的连续性的强度。

作为一种较佳实施例：所述步骤326中，对比度差的计算方法，是计算每块里的像素值的最大值与最小值，两者相减得到差值，再得到最终的对比度差；其中，

差值范围在0-51之间时，其对比度差为5；

差值范围在52-256之间时，其对比度差为3。

作为一种较佳实施例：所述步骤326中，直方图统计公式为：

$\mathrm{index}=0.5+100*(1-e^{{(-\mathrm{continue}[x\left]\right[y]/\mathrm{block})}^{3.6}});$

其中，index为直方图的序号值，范围为0～100；continue为边缘连续性强度值，block为对比度差值。

作为一种较佳实施例：所述步骤20中，对原始图像进行灰度化处理的计算公式为以下公式的其中一个：

Gray=0.299*Red+0.587*Green+0.114*Blue：

或者

Gray=(Red*306+Green*601+Blue*117+512)／1024；

其中，Gray为得到的灰度图像上对应像素点的颜色值，Red、Green、Blue分别为原始图像上红、绿、蓝三个通道对应像素点的颜色值。

作为一种较佳实施例：所述步骤40中，所述灰度图像的模糊概率的计算公式为：

$\mathrm{score}=1.0-\left(\underset{i=0}{\overset{64}{\mathrm{\Σ}}}\mathrm{hist}\right[i\left]\right)/\mathrm{nCount};$

其中，score为模糊的概率，范围为0.0～1.0，1.0表示模糊的概率最高，0.0表示模糊的概率最低；hist为直方图统计后得到的数组；nCount为进行直方图统计的总数。

作为一种较佳实施例：所述步骤50中的高斯模糊处理是用正态分布计算图像中每个像素的变换，其中，

在N维空间的正态分布方程为：

$G\left(r\right)=\frac{1}{{\sqrt{2\mathrm{\π}{\mathrm{\σ}}^2}}^N}{e}^{{-r}^2/\left({2\mathrm{\σ}}^2\right)};$

在二维空间的正态分布方程为：

$G(u,v)=\frac{1}{{2\mathrm{\π\σ}}^2}{e}^{-(u^2+v^2)/\left({2\mathrm{\σ}}^2\right)};$

其中r是模糊半径(r²=u²+v²)，σ是正态分布的标准偏差，u是原像素点在x轴上的位置偏移值，v是原像素点在y轴上的位置偏移值。

作为一种较佳实施例：所述步骤60中，根据所述模糊概率设置原始图像的锐化度，其中设置锐化度的公式为：

depth=max((blur-0.4)／k，0.0)；

其中，depth为该图像的锐化度；blur为原始图像的模糊概率；k为一个固定值，范围从2到10。

作为一种较佳实施例：所述步骤60中，根据所述锐化度结合高斯模糊图像的颜色值对原始图像进行自动锐化处理，其计算公式为：

resultColor=min(max((depth+1)*color-depth*gaussColor，0)，255)；

其中，depth为设置的锐化度，resultColor为锐化后的各像素点的颜色值；color为原始图像各像素点的颜色值；gaussColor为原始图像高斯模糊后各个像素点的颜色值。

本发明的有益效果是：

(1).通过对原始图像进行灰度化处理及边缘检测，并进行边缘强度的直方图统计进而计算出灰度图像的模糊概率，从而根据所述模糊概率设置原始图像的锐化度，最后根据该锐化度并结合高斯模糊图像对原始图像进行自动锐化处理，使得锐化量不依赖于显示条件和用户的视觉***，不仅可以实现自动锐化，而且提高了图像的锐化处理质量；

(2).对灰度图像进行分块，并对各个块及其所对应的强边缘结果和弱边缘结果进行统计，得到边缘强度的直方图统计，使得计算出的模糊概率更精确，从而使得锐化量更合理。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明图像自动锐化方法的流程简图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明的一种图像自动锐化方法，包括以下步骤：

10.接收原始图像；

20.对原始图像进行灰度化处理，得到灰度图像；

30.对灰度图像进行边缘检测，并进行边缘强度的直方图统计；

40.根据所述直方图统计的结果计算出灰度图像的模糊概率，也就是原始图像的模糊概率；

50.对原始图像进行高斯模糊处理，得到高斯模糊图像；

60.根据所述模糊概率设置原始图像的锐化度，并根据该锐化度结合高斯模糊图像的颜色值对原始图像进行自动锐化处理。

本实施例中，所述步骤30进一步包括：

31.对灰度图像进行强边缘与弱边缘检测，并得到强边缘结果和弱边缘结果；

32.对灰度图像进行分块，并对各个块及其所对应的强边缘结果和弱边缘结果进行统计，得到边缘强度的直方图统计。

具体来说，强边缘检测的方法可以是Canny边缘检测算法或阈值边缘检测算法，弱边缘检测的方法有是Sobel边缘检测算法或Prewitt边缘检测算法。上述边缘检测方法为现有检测方法，在此不累述。

本实施例中，所述步骤32进一步包括以下步骤：

步骤321.对灰度图像进行分块；

步骤322.对每块的强边缘结果进行分析，判断是否属于边缘块；如果是，则执行步骤323.；

步骤323.计算边缘块里的每个像素点的梯度；

步骤324.根据每个像素点的梯度计算该像素点所对应的梯度方向；

步骤325.根据每块对应的弱边缘结果与步骤324中所述的梯度方向寻找每个像素点的边缘连续性强度；

步骤326.计算每块的对比度差，并对每块的边缘连续性强度进行直方图统计。

本实施例中，所述步骤321中对灰度图像进行分块，其每块的大小为16～128个像素；优选为64个像素。

本实施例中，所述步骤322中判断是否属于边缘块，是根据判断强边缘结果属于边缘的像素点个数是否大于块像素点总数的预定百分比，且该预定百分比的范围是0.1％～2％。

本实施例中，所述步骤323中，像素点的梯度计算公式为：

grad=(next-prev)／2，

其中，grad为当前像素点的梯度值；next为当前像素点的后一个像素点的值；prev为当前像素点的前一个像素点的值。

本实施例中，所述步骤324中，像素点所对应的梯度方向的计算，是根据像素点的梯度的X方向和Y方向的梯度值，进行反正切得到的角度。

本实施例中，所述步骤325中，像素点的边缘连续性强度的计算是利用梯度方向上的像素点是否在弱边缘结果里属于边缘，以此得到每个像素点是边缘的连续性的强度。

本实施例中，所述步骤326中，对比度差的计算方法，是计算每块里的像素值的最大值与最小值，两者相减得到差值，再得到最终的对比度差；其中，

差值范围在0-51之间时，其对比度差为5；

差值范围在52-256之间时，其对比度差为3。

本实施例中，所述步骤326中，直方图统计公式为：

$\mathrm{index}=0.5+100*(1-e^{{(-\mathrm{continue}[x\left]\right[y]/\mathrm{block})}^{3.6}});$

其中，index为直方图的序号值，范围为0～100；continue为边缘连续性强度值，block为对比度差值。

本实施例中，所述步骤20中，对原始图像进行灰度化处理的计算公式为以下公式的其中一个：

Gray=0.299*Red+0.587*Green+0.114*Blue；

或者

Gray=(Red*306+Green*601+Blue*117+512)／1024；

其中，Gray为得到的灰度图像上对应像素点的颜色值，Red、Green、Blue分别为原始图像上红、绿、蓝三个通道对应像素点的颜色值。

本实施例中，所述步骤40中，所述灰度图像的模糊概率的计算公式为：

$\mathrm{score}=1.0-\left(\underset{i=0}{\overset{64}{\mathrm{\Σ}}}\mathrm{hist}\right[i\left]\right)/\mathrm{nCount};$

其中，score为模糊的概率，范围为0.0～1.0，1.0表示模糊的概率最高，0.0表示模糊的概率最低；hist为直方图统计后得到的数组；nCount为进行直方图统计的总数。

本实施例中，所述步骤50中的高斯模糊处理是用正态分布计算图像中每个像素的变换，其中，

在N维空间的正态分布方程为：

$G\left(r\right)=\frac{1}{{\sqrt{2\mathrm{\π}{\mathrm{\σ}}^2}}^N}{e}^{{-r}^2/\left({2\mathrm{\σ}}^2\right)};$

在二维空间的正态分布方程为：

$G(u,v)=\frac{1}{{2\mathrm{\π\σ}}^2}{e}^{-(u^2+v^2)/\left({2\mathrm{\σ}}^2\right)};$

其中r是模糊半径(r²=u²+v²)，σ是正态分布的标准偏差，u是原像素点在x轴上的位置偏移值，v是原像素点在y轴上的位置偏移值。

本实施例中，所述步骤60中，根据所述模糊概率设置原始图像的锐化度，其中设置锐化度的公式为：

depth=max((blur-0.4)／k，0.0)；

其中，depth为该图像的锐化度；blur为原始图像的模糊概率；k为一个固定值，范围从2到10，其中k的最优值为6。

本实施例中，所述步骤60中，根据所述锐化度结合高斯模糊图像的颜色值对原始图像进行自动锐化处理，其计算公式为：

resultColor=min(max((depth+1)*color-depth*gaussColor，0)，255)；

其中，depth为设置的锐化度，resultColor为锐化后的各像素点的颜色值；color为原始图像各像素点的颜色值；gaussColor为原始图像高斯模糊后各个像素点的颜色值。

上述说明示出并描述了本发明的优选实施例，如前，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (15)

1.一种图像自动锐化方法，其特征在于，包括以下步骤：

10.接收原始图像；

20.对原始图像进行灰度化处理，得到灰度图像；

30.对灰度图像进行边缘检测，并进行边缘强度的直方图统计；

40.根据所述直方图统计的结果计算出灰度图像的模糊概率；

50.对原始图像进行高斯模糊处理，得到高斯模糊图像；

60.根据所述模糊概率设置原始图像的锐化度，并根据该锐化度结合高斯模糊图像的颜色值对原始图像进行自动锐化处理。

2.根据权利要求1所述的一种图像自动锐化方法，其特征在于：所述步骤30进一步包括：

31.对灰度图像进行强边缘与弱边缘检测，并得到强边缘结果和弱边缘结果；

32.对灰度图像进行分块，并对各个块及其所对应的强边缘结果和弱边缘结果进行统计，得到边缘强度的直方图统计。

3.根据权利要求2所述的一种图像自动锐化方法，其特征在于：所述步骤32进一步包括以下步骤：

步骤321.对灰度图像进行分块；

步骤322.对每块的强边缘结果进行分析，判断是否属于边缘块；如果是，则执行步骤323.；

步骤323.计算边缘块里的每个像素点的梯度；

步骤324.根据每个像素点的梯度计算该像素点所对应的梯度方向；

步骤325.根据每块对应的弱边缘结果与步骤324中所述的梯度方向寻找每个像素点的边缘连续性强度；

步骤326.计算每块的对比度差，并对每块的边缘连续性强度进行直方图统计。

4.根据权利要求3所述的一种图像自动锐化方法，其特征在于：所述步骤321中对灰度图像进行分块，其每块的大小为16～128个像素。

5.根据权利要求3所述的一种图像自动锐化方法，其特征在于：所述步骤322中判断是否属于边缘块，是根据判断强边缘结果属于边缘的像素点个数是否大于块像素点总数的预定百分比，且该预定百分比的范围是0.1％～2％。

6.根据权利要求3所述的一种图像自动锐化方法，其特征在于：所述步骤323中，像素点的梯度计算公式为：

grad=(next-prev)／2，

其中，grad为当前像素点的梯度值；next为当前像素点的后一个像素点的值；prev为当前像素点的前一个像素点的值。

7.根据权利要求3所述的一种图像自动锐化方法，其特征在于：所述步骤324中，像素点所对应的梯度方向的计算，是根据像素点的梯度的X方向和Y方向的梯度值，进行反正切得到的角度。

8.根据权利要求3所述的一种图像自动锐化方法，其特征在于：所述步骤325中，像素点的边缘连续性强度的计算是利用梯度方向上的像素点是否在弱边缘结果里属于边缘，以此得到每个像素点是边缘的连续性的强度。

9.根据权利要求3所述的一种图像自动锐化方法，其特征在于：所述步骤326中，对比度差的计算方法，是计算每块里的像素值的最大值与最小值，两者相减得到差值，再得到最终的对比度差；其中，

差值范围在0-51之间时，其对比度差为5；

差值范围在52-256之间时，其对比度差为3。

10.根据权利要求3所述的一种图像自动锐化方法，其特征在于：所述步骤326中，直方图统计公式为：

$\mathrm{index}=0.5+100*(1-e^{{(-\mathrm{continue}[x\left]\right[y]/\mathrm{block})}^{3.6}});$

其中，index为直方图的序号值，范围为0～100；continue为边缘连续性强度值，block为对比度差值。

11.根据权利要求1所述的一种图像自动锐化方法，其特征在于：所述步骤20中，对原始图像进行灰度化处理的计算公式为以下公式的其中一个：

Gray=0.299*Red+0.587*Green+0.114*Blue：

或者

Gray=(Red*306+Green*601+Blue*117+512)／1024；

其中，Gray为得到的灰度图像上对应像素点的颜色值，Red、Green、Blue分别为原始图像上红、绿、蓝三个通道对应像素点的颜色值。

12.根据权利要求1所述的一种图像自动锐化方法，其特征在于：所述步骤40中，所述灰度图像的模糊概率的计算公式为：

$\mathrm{score}=1.0-\left(\underset{i=0}{\overset{64}{\mathrm{\Σ}}}\mathrm{hist}\right[i\left]\right)/\mathrm{nCount};$

其中，score为模糊的概率，范围为0.0～1.0，1.0表示模糊的概率最高，0.0表示模糊的概率最低；hist为直方图统计后得到的数组；nCount为进行直方图统计的总数。

13.根据权利要求1所述的一种图像自动锐化方法，其特征在于：所述步骤50中的高斯模糊处理是用正态分布计算图像中每个像素的变换，其中，

在N维空间的正态分布方程为：

$G\left(r\right)=\frac{1}{{\sqrt{2\mathrm{\π}{\mathrm{\σ}}^2}}^N}{e}^{{-r}^2/\left({2\mathrm{\σ}}^2\right)};$

在二维空间的正态分布方程为：

$G(u,v)=\frac{1}{{2\mathrm{\π\σ}}^2}{e}^{-(u^2+v^2)/\left({2\mathrm{\σ}}^2\right)};$

其中r是模糊半径(r²=u²+v²)，σ是正态分布的标准偏差，u是原像素点在x轴上的位置偏移值，v是原像素点在y轴上的位置偏移值。

14.根据权利要求1所述的一种图像自动锐化方法，其特征在于：所述步骤60中，根据所述模糊概率设置原始图像的锐化度，其中设置锐化度的公式为：

depth=max((blur-0.4)／k，0.0)；

其中，depth为该图像的锐化度；blur为原始图像的模糊概率；k为一个固定值，范围从2到10。

15.根据权利要求1所述的一种图像自动锐化方法，其特征在于：所述步骤60中，根据所述锐化度结合高斯模糊图像的颜色值对原始图像进行自动锐化处理，其计算公式为：

resultColor=min(max((depth+1)*color-depth*gaussColor，0)，255)；

其中，depth为设置的锐化度，resultColor为锐化后的各像素点的颜色值；color为原始图像各像素点的颜色值；gaussColor为原始图像高斯模糊后各个像素点的颜色值。

Images