CN103914811A - 一种基于高斯混合模型的图像增强算法 - Google Patents
一种基于高斯混合模型的图像增强算法 Download PDFInfo
- Publication number
- CN103914811A CN103914811A CN201410093657.7A CN201410093657A CN103914811A CN 103914811 A CN103914811 A CN 103914811A CN 201410093657 A CN201410093657 A CN 201410093657A CN 103914811 A CN103914811 A CN 103914811A
- Authority
- CN
- China
- Prior art keywords
- sigma
- histogram
- image
- formula
- algorithm
- 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
Landscapes
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
一种基于高斯混合模型的图像增强算法涉及图像处理技术领域,该方法是:首先,将彩色图像的亮度分量统计成直方图,对直方图进行混合高斯建模;其次,应用改进的EM算法,对直方图进行高斯混合模型估计,找到似然函数期望最大化的参数,同时自适应确定最佳的聚类数量;然后,根据相邻聚类的交点将直方图分区,获得多个子直方图;最后,根据有映射关系的子直方图面积比例相等找到映射后的聚类,并应用保持最大熵方法趋于人类视觉特性微调整映射函数,得到最终的增强图像。本发明采用的图像增强技术,有效地提高了图像的对比度,并且提升了处理速度。由本发明方法所获取的增强图像无论是在主观视觉感知方面还是客观评价方面都取得了很好的效果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于高斯混合模型的图像增强算法。
背景技术
图像信息越来越多的被人们用来识别和判断事物,解决实际的问题。但由于天气亮度、曝光条件等因素,导致图像亮度较暗甚至模糊,往往不能满足应用的需求,这会严重影响到对目标的识别。这一类图像一般呈现出灰度级比较集中,图像的对比度低的特性,因此,提高图像的对比度对图像进行后期处理是非常重要的。直方图修正技术因为其简单易实现而受到关注。其中,直方图均衡在提高图像对比度方面得到广泛应用,但目前基于直方图均衡的增强算法容易出现亮度饱和,细节丢失或者放大噪声的现象。
发明内容
为了提高图像的清晰度,本发明提供了一种图像增强技术,可以有效地提高图像的对比度,同时能保持图像细节并防止灰度级的过度拉伸。
本发明解决技术问题所采取的技术方案如下:
一种基于高斯混合模型的图像增强算法包括:
第一步、将彩色图像的亮度分量统计成直方图,对直方图进行混合高斯建模;
假设X为输入图像,数据为直方图数据h(x)={h(x1),h(x2),...,h(xN)},其灰度级的概率分布为p(x),则图像的直方图利用GMM构建出M个高斯聚类线性混合的形式,即
式(1)中,p(x|wn)是第n个聚类的概率密度函数,P(wn)是第n个聚类的加权系数;
第二步、利用改进的EM算法对直方图进行高斯混合模型估计,找到似然函数期望最大化的参数,同时自适应确定最佳的聚类数量;
上述改进的EM算法如下:
1)E步,由数据X和当前估计计算似然估计的期望值,由式(2)通过条件期望p(x|wn)求出p(wn|x),再由式(3)得到最终的期望函数:
式(3)中,p(wn|x)表示以第t次迭代结果作为参数的概率密度分布函数;
2)M步,求出满足最大化的参数 、和P(wn)依据下列公式更新求得
式中,h(x)为统计像素个数的直方图;p(wn|x)由p(x|wn)通过贝叶斯公式获得;应用拟合函数l(θ|x)趋于平稳状态判定迭代停止,这里选取前后差值为10-5为停止条件,在最大和最小聚类数量中选择使迭代最稳定的聚类个数作为最终的聚类数量;
最后得到逼近的直方图,N为图像最大灰度级,表现形式如下
第三步、根据相邻聚类的交点将直方图分区,获得多个子直方图;
第四步、根据有映射关系的子直方图累积概率密度CDF相等找到映射后的高斯聚类参数,进而通过高斯聚类的累积概率密度加权和求得灰度值的映射函数,并应用保持最大熵方法趋于人类视觉特性微调整映射函数,得到最终的增强图像。
本发明有益效果是:该算法能有效地保持图像细节,同时也防止了灰度级过拉伸造成的亮度饱和现象,有效地提高了图像的对比度,增强图像无论是在主观视觉感知方面还是客观评价方面都取得了很好的效果。
附图说明
图1是k=3时的高斯混合模型(GMM)逼近直方图。
图2是当u=0.5和u=0.2时的映射曲线。
图3是采用本发明方法增强前后的实验结果图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明基于高斯混合模型的图像增强算法,其步骤如下:
首先,将彩色图像的亮度分量统计成直方图,对直方图进行混合高斯建模,即初始化高斯参数。高斯混合模型(GaussianMixtureModeling,GMM)是具有不同参数的高斯分布线性混合,每个高斯聚类都对应一组均值、方差和加权系数。假设X为输入图像,数据为直方图数据h(x)={h(x1),h(x2),...,h(xN)},其灰度级的概率分布为p(x),则图像的直方图可以利用GMM构建出M个高斯聚类线性混合的形式,即
式(1)中,p(x|wn)是第n个聚类的概率密度函数,P(wn)是第n个聚类的加权系数。
其次,应用改进的EM算法(Expectation-maximizationalgorithm,最大期望算法),对直方图进行高斯混合模型(GMM)估计,找到似然函数期望最大化的参数,同时自适应确定最佳的聚类数量(不需要针对不同图像设置参数)。改进的EM算法可直接应用在直方图数据上,相比于处理图像矩阵节省了存储空间,并且提高了处理速度。改进的EM算法主要体现在M步上,加入直方图和灰度级信息,减少了计算量,通过迭代不断更新均值、方差和加权系数。EM算法具体过程如下:
1)E步,由数据X和当前估计计算似然估计的期望值,由式(2)通过条件期望p(x|wn)求出p(wn|x),再由式(3)得到最终的期望函数:
式(3)中,p(wn|x)表示以第t次迭代结果作为参数的概率密度分布函数。
2)M步,求出满足最大化的参数 、和P(wn)依据下列公式更新求得
式中,h(x)为统计像素个数的直方图。p(wn|x)由p(x|wn)通过贝叶斯公式获得。应用拟合函数l(θ|x)趋于平稳状态判定迭代停止,这里选取前后差值为10-5为停止条件,在最大和最小聚类数量中选择使迭代最稳定的聚类个数作为最终的聚类数量。
最后得到逼近的直方图,N为图像最大灰度级,表现形式如下
然后,根据相邻聚类的交点将直方图分区,获得多个子直方图。如图1所示,最优聚类个数M=3,灰色空心小圆圈表示高斯聚类有意义的交点,即分区点。灰色实心小圆圈表示直方图动态范围的端点。根据交点和端点将直方图分为四个部分,保证每个子区间都有一个高斯聚类占主导地位。
最后,根据有映射关系的子直方图累计概率密度CDF相等找到映射后的聚类,即输出图像中对应的高斯参数,其中,加权系数不变,公式如下
映射函数由GMM中所有聚类加权和求得,这里不会受原始均衡算法中应用累计概率密度造成的过增强现象,公式如下
最终的映射函数应用保持最大熵方法趋于人类视觉特性进行调整,得到增强后的图像。对求熵公式求导,得到极值点,即最大熵点。应用拉格朗日乘子法找到图像亮度uy的解,即
因此,已知uy后,存在一个唯一的λ与之对应,就可以通过式(10)找到最终的映射关系。
根据人眼的视觉特性,人眼对低灰度级识别能力较强,对高灰度级识别能力较弱。如图2所示,u=0.5时,c(y)函数呈线性;u=0.2时,c(y)是一个凹函数。通过对映射后函数进行调整,低灰度级适当压缩,高灰度级适当拉伸,使其更趋近于人类视觉特性,进而提高了图像的可识别能力。
图3为采用本发明基于高斯混合模型的图像增强算法后的三组实验结果图。
Claims (1)
1.一种基于高斯混合模型的图像增强算法,其特征在于,该算法包括如下步骤:
第一步、将彩色图像的亮度分量统计成直方图,对直方图进行混合高斯建模;
假设X为输入图像,数据为直方图数据h(x)={h(x1),h(x2),...,h(xN)},其灰度级的概率分布为p(x),则图像的直方图利用GMM构建出M个高斯聚类线性混合的形式,即
式(1)中,p(x|wn)是第n个聚类的概率密度函数,P(wn)是第n个聚类的加权系数;
第二步、利用改进的EM算法对直方图进行高斯混合模型估计,找到似然函数期望最大化的参数,同时自适应确定最佳的聚类数量;
上述改进的EM算法如下:
1)E步,由数据X和当前估计计算似然估计的期望值,由式(2)通过条件期望p(x|wn)求出p(wn|x),再由式(3)得到最终的期望函数:
式(3)中,p(wn|x)表示以第t次迭代结果作为参数的概率密度分布函数;
2)M步,求出满足最大化的参数 、和P(wn)依据下列公式更新求得
式中,h(x)为统计像素个数的直方图;p(wn|x)由p(x|wn)通过贝叶斯公式获得;应用拟合函数l(θ|x)趋于平稳状态判定迭代停止,这里选取前后差值为10-5为停止条件,在最大和最小聚类数量中选择使迭代最稳定的聚类个数作为最终的聚类数量;
最后得到逼近的直方图,N为图像最大灰度级,表现形式如下
第三步、根据相邻聚类的交点将直方图分区,获得多个子直方图;
第四步、根据有映射关系的子直方图累积概率密度CDF相等找到映射后的高斯聚类参数,进而通过高斯聚类的累积概率密度加权和求得灰度值的映射函数,并应用保持最大熵方法趋于人类视觉特性微调整映射函数,得到最终的增强图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410093657.7A CN103914811B (zh) | 2014-03-13 | 2014-03-13 | 一种基于高斯混合模型的图像增强算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410093657.7A CN103914811B (zh) | 2014-03-13 | 2014-03-13 | 一种基于高斯混合模型的图像增强算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103914811A true CN103914811A (zh) | 2014-07-09 |
CN103914811B CN103914811B (zh) | 2016-10-19 |
Family
ID=51040469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410093657.7A Active CN103914811B (zh) | 2014-03-13 | 2014-03-13 | 一种基于高斯混合模型的图像增强算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103914811B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701780A (zh) * | 2016-01-12 | 2016-06-22 | 中国科学院深圳先进技术研究院 | 一种遥感影像处理方法及*** |
CN106161984A (zh) * | 2016-08-31 | 2016-11-23 | 钧捷科技(北京)有限公司 | 视频图像强光抑制、轮廓及细节增强处理方法及*** |
CN109712146A (zh) * | 2018-12-14 | 2019-05-03 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种基于直方图的em多阈值图像分割方法及装置 |
CN109740638A (zh) * | 2018-12-14 | 2019-05-10 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种em算法二维直方图聚类的方法及装置 |
CN110235177A (zh) * | 2017-01-31 | 2019-09-13 | 株式会社爱考斯研究 | 图像处理装置、图像识别装置、图像处理程序以及图像识别程序 |
CN110400260A (zh) * | 2018-04-25 | 2019-11-01 | 展讯通信(上海)有限公司 | 图像处理方法及装置 |
CN110956593A (zh) * | 2019-11-20 | 2020-04-03 | 南京拓控信息科技股份有限公司 | 一种基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法 |
CN111050211A (zh) * | 2019-12-13 | 2020-04-21 | 广州酷狗计算机科技有限公司 | 视频处理方法、装置及存储介质 |
CN111709344A (zh) * | 2020-06-09 | 2020-09-25 | 上海海事大学 | 一种基于高斯混合模型的epll图像去光照识别处理方法 |
CN112446841A (zh) * | 2020-12-14 | 2021-03-05 | 中国科学院长春光学精密机械与物理研究所 | 一种自适应图像恢复方法 |
CN112700383A (zh) * | 2020-12-30 | 2021-04-23 | 南京齿贝犀科技有限公司 | 一种基于贝叶斯估计滤波的牙齿图像增强方法 |
CN113436103A (zh) * | 2021-06-28 | 2021-09-24 | 扆亮海 | 基于最佳人眼视觉的色调与对比度映射法 |
CN113971796A (zh) * | 2021-09-27 | 2022-01-25 | 上海赫千电子科技有限公司 | 一种智能车载盒子及驾驶疲劳监测方法 |
CN115082507A (zh) * | 2022-07-22 | 2022-09-20 | 聊城扬帆田一机械有限公司 | 一种路面切割机智能调控*** |
CN115170507A (zh) * | 2022-07-06 | 2022-10-11 | 鄄城鑫磊交通工程材料有限公司 | 基于图像数据的注浆管表面缺陷检测方法及*** |
CN117392038A (zh) * | 2023-12-05 | 2024-01-12 | 北京智源人工智能研究院 | 医学图像直方图均衡化方法、装置、电子设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310429A (zh) * | 2013-03-06 | 2013-09-18 | 西安电子科技大学 | 基于方向波域的隐马尔可夫树模型的图像增强方法 |
US20130329972A1 (en) * | 2012-06-08 | 2013-12-12 | Advanced Micro Devices, Inc. | Biomedical data analysis on heterogeneous platform |
-
2014
- 2014-03-13 CN CN201410093657.7A patent/CN103914811B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130329972A1 (en) * | 2012-06-08 | 2013-12-12 | Advanced Micro Devices, Inc. | Biomedical data analysis on heterogeneous platform |
CN103310429A (zh) * | 2013-03-06 | 2013-09-18 | 西安电子科技大学 | 基于方向波域的隐马尔可夫树模型的图像增强方法 |
Non-Patent Citations (3)
Title |
---|
TURGAY CELIK等: "Automatic Image Equalization and Contrast Enhancement Using Gaussian Mixture Modeling", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
宋磊 等: "一种基于高斯混合模型的改进EM算法研究", 《应用光学》 * |
李建存: "基于多尺度Retinex理论的遥感图像增强算法", 《西安工业大学学报》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701780B (zh) * | 2016-01-12 | 2018-09-28 | 中国科学院深圳先进技术研究院 | 一种遥感影像处理方法及*** |
CN105701780A (zh) * | 2016-01-12 | 2016-06-22 | 中国科学院深圳先进技术研究院 | 一种遥感影像处理方法及*** |
CN106161984B (zh) * | 2016-08-31 | 2020-03-31 | 钧捷智能(深圳)有限公司 | 视频图像强光抑制、轮廓及细节增强处理方法及*** |
CN106161984A (zh) * | 2016-08-31 | 2016-11-23 | 钧捷科技(北京)有限公司 | 视频图像强光抑制、轮廓及细节增强处理方法及*** |
CN110235177B (zh) * | 2017-01-31 | 2023-10-20 | 株式会社爱信 | 图像处理装置、图像识别装置、以及存储介质 |
CN110235177A (zh) * | 2017-01-31 | 2019-09-13 | 株式会社爱考斯研究 | 图像处理装置、图像识别装置、图像处理程序以及图像识别程序 |
CN110400260A (zh) * | 2018-04-25 | 2019-11-01 | 展讯通信(上海)有限公司 | 图像处理方法及装置 |
CN109740638A (zh) * | 2018-12-14 | 2019-05-10 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种em算法二维直方图聚类的方法及装置 |
CN109740638B (zh) * | 2018-12-14 | 2023-02-17 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种em算法二维直方图聚类的方法及装置 |
CN109712146A (zh) * | 2018-12-14 | 2019-05-03 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种基于直方图的em多阈值图像分割方法及装置 |
CN109712146B (zh) * | 2018-12-14 | 2023-06-09 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种基于直方图的em多阈值图像分割方法及装置 |
CN110956593A (zh) * | 2019-11-20 | 2020-04-03 | 南京拓控信息科技股份有限公司 | 一种基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法 |
CN111050211A (zh) * | 2019-12-13 | 2020-04-21 | 广州酷狗计算机科技有限公司 | 视频处理方法、装置及存储介质 |
CN111050211B (zh) * | 2019-12-13 | 2021-10-26 | 广州酷狗计算机科技有限公司 | 视频处理方法、装置及存储介质 |
CN111709344A (zh) * | 2020-06-09 | 2020-09-25 | 上海海事大学 | 一种基于高斯混合模型的epll图像去光照识别处理方法 |
CN111709344B (zh) * | 2020-06-09 | 2023-10-17 | 上海海事大学 | 一种基于高斯混合模型的epll图像去光照识别处理方法 |
CN112446841A (zh) * | 2020-12-14 | 2021-03-05 | 中国科学院长春光学精密机械与物理研究所 | 一种自适应图像恢复方法 |
CN112446841B (zh) * | 2020-12-14 | 2022-05-31 | 中国科学院长春光学精密机械与物理研究所 | 一种自适应图像恢复方法 |
CN112700383A (zh) * | 2020-12-30 | 2021-04-23 | 南京齿贝犀科技有限公司 | 一种基于贝叶斯估计滤波的牙齿图像增强方法 |
CN113436103A (zh) * | 2021-06-28 | 2021-09-24 | 扆亮海 | 基于最佳人眼视觉的色调与对比度映射法 |
CN113971796A (zh) * | 2021-09-27 | 2022-01-25 | 上海赫千电子科技有限公司 | 一种智能车载盒子及驾驶疲劳监测方法 |
CN115170507A (zh) * | 2022-07-06 | 2022-10-11 | 鄄城鑫磊交通工程材料有限公司 | 基于图像数据的注浆管表面缺陷检测方法及*** |
CN115082507B (zh) * | 2022-07-22 | 2022-11-18 | 聊城扬帆田一机械有限公司 | 一种路面切割机智能调控*** |
CN115082507A (zh) * | 2022-07-22 | 2022-09-20 | 聊城扬帆田一机械有限公司 | 一种路面切割机智能调控*** |
CN117392038A (zh) * | 2023-12-05 | 2024-01-12 | 北京智源人工智能研究院 | 医学图像直方图均衡化方法、装置、电子设备和存储介质 |
CN117392038B (zh) * | 2023-12-05 | 2024-03-08 | 北京智源人工智能研究院 | 医学图像直方图均衡化方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103914811B (zh) | 2016-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103914811B (zh) | 一种基于高斯混合模型的图像增强算法 | |
CN101882304B (zh) | 一种sar图像自适应去噪和特征增强方法 | |
CN110288550B (zh) | 基于先验知识引导条件生成对抗网络的单张图像去雾方法 | |
CN112614077A (zh) | 一种基于生成对抗网络的非监督低照度图像增强方法 | |
CN112200800B (zh) | 一种基于灰度直方图的电润湿显示器缺陷检测方法 | |
CN103578084A (zh) | 基于亮通道滤波的彩色图像增强方法 | |
CN103530847A (zh) | 一种红外图像增强方法 | |
CN108257099A (zh) | 一种基于视觉对比度分辨率的自适应红外图像增强方法 | |
CN110276764A (zh) | 基于K值估计的K-Means水下图像背景分割改进算法 | |
CN105447825A (zh) | 图像去雾方法及其*** | |
CN110852955A (zh) | 一种基于图像强度阈值和自适应切割的图像增强方法 | |
CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
CN102354388B (zh) | 一种自适应计算图像底层特征重要性权重的方法 | |
CN110807742A (zh) | 一种基于一体式网络的微光图像增强方法 | |
US20140098098A1 (en) | Method for accelerating monte carlo renders | |
CN105184790A (zh) | 一种烟田图像分割方法 | |
CN104636497A (zh) | 一种视频数据智能检索方法 | |
CN104915933A (zh) | 一种基于apso-bp耦合算法的雾天图像增强方法 | |
CN109285171A (zh) | 一种绝缘子憎水性图像分割装置及方法 | |
CN107045713A (zh) | 基于census立体匹配的低照度图像增强方法 | |
CN103618846A (zh) | 一种视频分析中抑制光线突然变化影响的背景去除方法 | |
CN116340846A (zh) | 一种弱监督下多示例多标签学习的混叠调制信号识别方法 | |
CN104915934A (zh) | 一种基于视网膜机制的灰度图像增强方法 | |
CN101923716A (zh) | 一种改善粒子滤波跟踪效果的方法 | |
Lin et al. | Tri-histogram equalization based on first order statistics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |