CN104318529A - 处理在恶劣环境中所拍摄低照度图像的方法 - Google Patents

Abstract

本发明公开了处理在恶劣环境中所拍摄低照度图像的方法，第一步：通过现有3D降噪算法处理所采集的连续若干帧低照度图像；第二步：通过现有非局部均值(NLM)滤波算法处理已经3D降噪算法所处理过的连续若干帧低照度图像；第三步：采用高动态范围图像增强算法：通过高动态范围图像增强算法公式①对已经非局部均值(NLM)滤波算法处理的该连续若干帧低照度图像计算出其中每一像素点(x，y)的亮度值并以该连续若干帧低照度图像中每一像素点(x，y)的亮度值输出图像。本发明能明显进一步提高低照度视频的画面质量及其视觉效果。

Description

处理在恶劣环境中所拍摄低照度图像的方法

技术领域

本发明涉及处理低照度视频图像的软件执行技术程序，特别是处理在恶劣环境中所拍摄低照度图像的方法。

背景技术

通常，获取图像或视频是在理想光照条件下进行的，但实际使用情况确是往往不得不在低照度环境下获取图像或者视频。这些在低照度环境下获取的图像或者视频的画面质量偏差，往往不能分辨图像细节，影响视觉效果且影响后续进一步的处理效果。低照度环境下获取的图像及视频的主要特点为：1、图像亮度整体偏暗；2、与理想光照条件下获取的图像相比，含有大量噪声；3、由于光照条件的限制以及光源本身的影响，RGB中某些分量相对其他分量偏低。

目前世界范围内已有的同类产品技术及存在的缺陷列举及分析：目前，为了能在非常暗的光线下采集到更清楚、更清晰的图像，大部分通过以下方法来实现：①在进行拍摄时，加红外补光灯，这种方法最重要的问题是会明显增加成本；②在拍摄时增加光圈，这种方法会使摄像机镜头尺寸变大，当光圈大于F1.4之后会显著增加***性成本；③在拍摄时增加曝光时间，这种方法的显著缺点是被摄物体运动时会有明显拖影，造成清晰度的影响；④增强从传感器来的光学信号强度，提高增益。增加传感器的增益缺点是噪声也会被一起放大，所以图像上会有很多噪点，原始图像就变得不是那么清晰。另外，噪声变大以后，编码会变得非常困难，因为分不清是图像的细节还是噪声，所以它会把一些噪声当成图像来做编码。这种方法的重点是区分噪声和真正的图像，在去掉噪声的同时要能保证图像的高清晰度。由于上述第①至第③所示现有方法的明显缺陷及技术改进的困难性，现在大部分方法都主要针对上述第④种方法，即对传感器增益进行改进，因此，第④种方法可以细分为两个环节：图像增强或图像降噪。

目前图像增强环节的主要方法为：a)直方图均衡化—直方图均衡化是图像增强空域法中的最常用、最重要的算法之一，它以概率理论为基础，基本的思想是通过均衡化处理调整图像灰度分布，达到改善图像对比度的目的。由于图像对比度是决定一幅图像主观质量的重要因素，因此，直方图均衡化被广泛应用于图像的增强处理。经直方图均衡化处理后，图片的对比度明显加强，图像也更加清晰，从直方图来看，处理后的图像直方图分布更趋均匀。但是，直方图均衡化增强存在着两点不足之处：其一，处理后的图像灰度级有所减少，致使某些细节消失；其二，某些图像，如直方图有高峰等，经处理后其对比度易产生不自然的过分增强问题，例如，有些卫星图像或医学图像因灰度分布过度集中，在对此类图像进行直方图均衡化处理时，其结果往往会出现过亮或过暗的现象，达不到增强视觉效果的目的。此外，对于图像的有限灰度级，量化误差也经常引起信息丢失，导致一些敏感的边缘因与相邻像素点的合并而消失，这是直方图修正增强无法避免的问题。b)变换域法—变换域法是通过某种变换将图像转换到另一个空间域，再对系数进行某种处理，最后对系数进行反变换得到增强后的图像。常见的变换域方法有高通滤波，小波变换等。高通滤波法首先对图像进行傅里叶变换，然后通过一个高通滤波器，增强高频分量(即增强图像的细节)，同时抑制低频分量，最后再对图像进行傅里叶反变换而得到增强后的图像。c)Retinex图像增强算法—Retinex(视网膜“Retina”和大脑皮层“Cortex”的缩写)理论是一种建立在科学实验和科学分析基础上的基于人类视觉***(Human Visual System)的图像增强理论。该算法的基本原理模型是一种被称为色彩的理论，并在颜色恒常性的基础上提出的一种基于理论的图像增强方法。Retinex理论的基本内容是物体的颜色是由物体对长波(红)、中波(绿)和短波(蓝)光线的反射能力决定的，而不是由反射光强度的绝对值决定的，物体的色彩不受光照非均性的影响，具有一致性，即Retinex理论是以色感一致性(颜色恒常性)为基础的。该理论认为，物体的亮度是由入射分量(即照度分量)和反射分量共同决定的，即表达式I(x,y)＝L(x,y)R(x,y)，I(x,y)表示图像亮度，L(x,y)表示照度分量，R(x,y)表示反射分量。通过取对数，可以使L(x,y)和R(x,y)的关系由相乘变成相加，即表达式logI(x,y)＝logL(x,y)+logR(x,y)，照度分量与光源有关，而反射分量与物体本身的颜色特性有关，即反射分量反映了物体的真实颜色。Retinex理论的思想是通过从图像中移除光源照度的影响，即对照度进行统一化，获得反射分量，即为反映物体真实颜色的图像。Retinex算法主要有三种，SSR(Single-Scale Retinex)、MSR(Multi-Scale Retinex)和MSRCR(Multi-ScaleRetinex with Color Restoration)。SSR的表达式为：logR_i(x,y)＝logI_i(x,y)-log(F(x,y)*I_i(x,y))，i∈{R,G,B}，表示RGB三个通道，*表示卷积，F(x,y)为低通滤波器，通常选用归一化的高斯滤波器。SSR的本质是通过一个邻域的加权平均获得图像的照度估计，再在对数域通过相减去除，以得到反射分量。SSR的缺点是会在图像边缘产生晕效应。为解决这一问题，MSR则被提出，即MSR的表达式为：

$\log R_i(x,y)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{w}_n(\log I_i(x,y)-\log (F_n(x,y)*I_i(x,y)))$

在MSR的表达式中，N一般取3，w_n表示加权系数，去1/3，F_n(x,y)表示方差不同的高斯滤波器。MSR本质上是SSR的平均，它使用了3个不同的高斯滤波器，分别对应小、中、大3个尺度，对这3个高斯滤波器的输出取均值即为MSR。SSR和MSR是分别对RGB三个通道进行处理，其共同的缺点是可能会产生颜色失真。因此，在MSR基础上MSRCR又被提出，MSRCR方法是在MSR的基础上加入调整因子，MSRCR的表达式为：

$\log R_i(x,y)={\mathrm{\α}}_i(x,y)\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{w}_n(\log I_i(x,y)-\log (F_n(x,y)*I_i(x,y)))$

在MSRCR的表达式中，，i∈{R,G,B}，表示RGB三个通道，α_i(x,y)是基于RGB三个分量的调整因子。MSRCR在一定程度上可以解决SSR和MSR的偏色问题，但其缺点是并不能从根本上解决偏色问题且计算量比较大。

Retinex方法最核心的缺陷就是增强后结果会出现偏色现象，会影响图像的视觉效果及对图像细节的分辨。针对图像降噪的主要方法为：①传统空域滤波图像降噪技术—传统空域滤波图像降噪技术主要包括有维纳滤波、中值滤波、均值滤波等。对于低照度图像中单一的脉冲噪声或高斯噪声，传统空域滤波图像降噪技术可以起到有效的降噪作用，但当图中的噪声为脉冲噪声和高斯噪声的混合形式时，单一的中值滤波或均值滤波很难取得令人满意的降噪效果。②均值滤波是简单地对以某个像素为中心的窗口中的像素取平均，来取代中心像素点；均值滤波主要用来抑制图像中的高斯噪声，算法简单，但会造成整个图像尤其是边界的模糊，给后续处理带来困难。③中值滤波是一种典型的非线性滤波器，它通过对某个窗口中的像素取中值进行滤波；中值滤波主要用来抑制脉冲噪声，当滤波窗口较小时，可以很好的保护图像细节，但当窗口内受到脉冲噪声污染的像素点个数超过整个滤波窗口内像素个数的一半时，中值滤波将完全失效；此时增大滤波窗口虽可以滤除脉冲噪声，但图像又会变得模糊且将大幅增大运算量。

传统的空域滤波图像降噪技术往往都只能针对单一的噪声进行抑制，对于低照度图像中种类较多且较复杂的噪声来说，传统的空域滤波降噪技术的降噪效果非常有限，其主要方法为：①频域滤波图像降噪技术—在频率域中图像的降噪主要采用低通滤波和同态滤波来实现。低通滤波：对图像进行Fourier变换得到图像的频谱，其中的直流分量表示图像的平均灰度，大面积的背景区域和缓慢变化区域在频域中表现为低频分量，图像的边缘、细节、跳跃部分以及噪声都以高频分量出现。因此，在频域中对图像的频谱使用低通滤波可消除噪声，平滑图像，但与此同时，也可能滤除某些图像的边缘和细节信号所对应的频率分量而使图像边界变得模糊。②同态滤波是对图像的灰度范围进行调整，以改善图像的质量。同态滤波法是在对数域中对图像进行滤波，在压缩图像整体灰度范围的同时扩张用户感兴趣的灰度范围。③小波变换图像降噪—小波变换在图像降噪中的算法大体分为三类：线性滤波器降噪法、小波阈值收缩降噪法和小波系数模型法。线性滤波器降噪法算法简单，易于实现。直接将空间域的各种滤波器作用于小波域。但该类方法处理过的图像视觉效果一般，和原图有较大差距。小波阈值收缩降噪法是目前研究最为广泛的方法，小波阈值法又分成硬阈值法和自适应阈值法。阈值降噪主要基于如下事实，即比较大的小波系数一般都是以实际信号为主，而比较小的系数则很大程度上是噪声，因此可以通过选择合适的小波阈值，将小于阈值的系数置为零，而保留大于阈值的小波系数，对处理过的小波系数进行逆变换，实现图像的降噪和重现。硬阈值法计算量较小，可以很好的保留图像边缘等局部特征，但图像会出现视觉失真等现象。自适应阈值法图像处理结果相对平滑的多，但计算量较大，且会造成边缘模糊等失真现象。小波系数模型法主要基于以下特点来进行降噪：图像的有用信号在各层相应位置上的小波系数之间往往具有很强的相关性，而噪声的小波系数则具有弱相关或不相关的特点。该方法的降噪效果一般比阈值降噪法稍好，但缺点是计算量较大，不能用于实时图像处理。④基于稀疏表示的图像去噪—基于稀疏表示的图像去噪方法需要进行迭代操作，计算量较大，很难实时处理，在实时处理中很少使用。

发明内容

本发明的目的在于提供一种处理在恶劣环境中所拍摄低照度图像的方法，能明显进一步提高低照度视频的画面质量及其视觉效果。

本发明的目的是这样实现的：一种处理在恶劣环境中所拍摄低照度图像的方法，第一步：通过现有3D降噪算法处理所采集的连续若干帧低照度图像，对按时间先后顺序依次所采集的连续若干帧低照度图像进行对比筛选处理，将该连续若干帧低照度图像互不重叠的噪点自动滤出，使其中的共有最相似像素匹配；第二步：通过现有非局部均值(NLM)滤波算法处理已经3D降噪算法所处理过的连续若干帧低照度图像，对按时间先后顺序依次所采集的连续若干帧图像中所有像素点都进行非均值量化计算；第三步：采用高动态范围图像增强算法：通过高动态范围图像增强算法公式①对已经非局部均值(NLM)滤波算法处理的该连续若干帧低照度图像计算出其中每一像素点(x，y)的亮度值并以该连续若干帧低照度图像中每一像素点(x，y)的亮度值输出图像，其公式为：

① $L_{\mathrm{out}}^{\tanh }(x,y)={\left\{\frac{N(x,y)L_{\mathrm{in}}(x,y)}{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}\tanh \left(\frac{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}{m(x,y)}\right)\right\}}_0^1$

在高动态范围图像增强算法公式①中，是归一化因子，为输入图像中一像素点(x，y)相应所在局部矩形视窗中的最大亮度值，m(x，y)作为线性函数以控制双曲正切函数的曲率并由输入图像局部矩形视窗统计特性而算得，为输入图像中一像素点(x，y)相应所在局部矩形视窗中的平均亮度值，m_max则为基于输入图像局部矩形视窗统计特性而算得的最大量化值，m_min则为基于输入图像局部矩形视窗统计特性而算得的最小量化值，s作为尺度因子以对双曲正切函数的曲率进行控制，L_in(x,y)为输入图像中一像素点(x，y)的实际亮度值，ε为对应于输入图像中像素点(x，y)相应所在局部矩形视窗中的平均亮度值的余量修正值。

本发明创造性地性地提出彩色低照度增强算法框架，将3D降噪算法、非局部均值降噪算法及高动态范围图像增强算法进行有机结合以解决低照度图像难以增强的问题。不但在图像处理效果上优于国内目前产品，并且在视频处理中可以达到实时处理的效果。

本发明根据实际低照度环境下获取的图像及视频的特点及视频帧间的相关性，提出了一个全新的用于低照度增强的算法框架，该框架包括了3D降噪、非局部均值降噪及宽动态范围图像增强等。本发明针对低照度图像含有大量噪声的特点，进行降噪处理，以免在后续处理当中进一步放大已有噪声。本发明在降噪过程中，在其第一步中利用视频中的帧间信息，执行初步3D降噪算法处理，在其第二步中对经3D降噪算法处理后的每一帧图像进行非局部均值降噪，以进一步降低噪声，便后续处理，在其第三部中对于降噪后的图像，再针对其低照度(即低动态范围)的特性，对每一帧图像执行本发明核心终极处理程序—高动态范围图像增强算法，即可达到最终优化的被增强低照度(视频)图像。

本发明通过经实践，其能明显进一步提高低照度视频的画面质量及其视觉效果。

附图说明

下面将结合附图对本发明作进一步说明；

图1为本发明所采用的现有非局部均值(NLM)滤波算法的举例示意图。

具体实施方式

一种处理在恶劣环境中所拍摄低照度图像的方法，第一步：通过现有3D降噪算法处理所采集的连续若干帧低照度图像，对按时间先后顺序依次所采集的连续若干帧低照度图像进行对比筛选处理，将该连续若干帧低照度图像互不重叠的噪点自动滤出，使其中的共有最相似像素匹配；第二步：通过现有非局部均值(NLM)滤波算法处理已经3D降噪算法所处理过的连续若干帧低照度图像，对按时间先后顺序依次所采集的连续若干帧图像中所有像素点都进行非均值量化计算；第三步：采用高动态范围图像增强算法：通过高动态范围图像增强算法公式①对已经非局部均值(NLM)滤波算法处理的该连续若干帧低照度图像计算出其中每一像素点(x，y)的亮度值并以该连续若干帧低照度图像中每一像素点(x，y)的亮度值输出图像，其公式为：

① $L_{\mathrm{out}}^{\tanh }(x,y)={\left\{\frac{N(x,y)L_{\mathrm{in}}(x,y)}{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}\tanh \left(\frac{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}{m(x,y)}\right)\right\}}_0^1$

在高动态范围图像增强算法公式①中，是归一化因子，为输入图像中一像素点(x，y)相应所在局部矩形视窗中的最大亮度值，m(x，y)作为线性函数以控制双曲正切函数的曲率并由输入图像局部矩形视窗统计特性而算得，为输入图像中一像素点(x，y)相应所在局部矩形视窗中的平均亮度值，m_max则为基于输入图像局部矩形视窗统计特性而算得的最大量化值，m_min则为基于输入图像局部矩形视窗统计特性而算得的最小量化值，s作为尺度因子以对双曲正切函数的曲率进行控制，L_in(x,y)为输入图像中一像素点(x，y)的实际亮度值，ε为对应于输入图像中像素点(x，y)相应所在局部矩形视窗中的平均亮度值的余量修正值。

在完成第一步或第二部或第三部之后，采用现有线性色彩映射算法对相应已经第一步或第二部或第三部处理的图像进行处理。

本发明算法详细步骤介绍：①3D降噪算法：视频图像中最常见的噪声模型是高斯白噪声，其噪点的出现是随机的，因此，每一帧图像出现的噪点的位置和强度是不相同的。3D降噪是通过对前后几帧的图像进行对比筛选处理，将不重叠的噪点自动滤出，并还原图像中的原始真实信息。(注：现有的降噪算法在降低噪声的同时，容易出现块效应和边缘模糊等问题，反而降低了图像的主观质量，而本算法利用多帧之间最相似像素匹配的方法，有效杜绝了模糊和拖影等现象的产生，在降低噪声的同时最大程度的保证了图像的质量。采用本3D降噪算法的摄像机，图像噪点会明显减少，图像会更透彻，从而显示出比较纯净细腻的画面。)②非局部均值降噪：非局部均值(NLM)滤波算法是由Buades等人于2005年提出来的一种图像降噪算法，它的主要原理为：如图1举例所示，首先取图像中的一点s，以s为中心3为直径得到一个相似窗Δs，然后再以s为中心7为直径得到一个搜索窗Ws。从Ws最左上角的最左最上点t开始，以t为中心3为半径得到相似窗Δt，根据Δs与Δt相减的二阶范数[1]||Δs–Δt||2通过查表可以得到t点相对于s点的权重wt(二阶范数值越小权重就越大)，然后相似窗Δt沿着图1所示的往复的Z形折线箭头所示方向以Z形轨迹向右向下逐行依次连续经像素移动，同理，利用同样的方法，窗口每移动一个像素就可以计算出该窗口中心点t相对于s点的权重，直到t点移动到搜索窗的最右上角的最右最下点结束，最后将搜索窗中所有的点乘以自身的权重再相加即可得到降噪后的s点值。对原始图像中的所有点都按照非局部均值(NLM)滤波算法处理一遍，即可得到降噪后的图像。该滤波算法的核心思想是在搜索窗的大的像素范围内(甚至是全图像中)搜寻尽可能多的与被滤波像素相似的其他像素参与到滤波过程之中，它不仅参考了局部点的灰度，而且比较了整个邻域的几何组态，以实现更好的滤波效果，在降噪的同时最大程度的保留了图像的细节。③高动态范围图像增强算法—本算法使用一种带有局部对比度保护的低动态范围图像增强处理方法，该算法不仅可以控制颜色的饱和度，使颜色失真最小化，在图像处理的量化指标上及视觉效果比较上，都可以到达良好的图像输出效果，并且能提高视频增强过程中整个过程的计算效率，可以对视频信号进行实时处理。对于本算法，增强后的图像满足局部对比度保护，即：

公式一： $L_{\mathrm{out}}(x,y)=\frac{L_{\mathrm{out}}^{\mathrm{avg}}(x,y)}{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)}{L}_{\mathrm{in}}(x,y)$

在公式一中，L_in(x,y)、分别表示输入图像中像素点(x，y)的亮度值及相应的局部平均亮度值。L_out(x,y)、分别表示输出图像中像素点(x，y)的亮度值及相应的局部平均亮度值。由上式可以得到：

公式二： $L_{\mathrm{out}}(x,y)={\left\{r(x,y)L_{\mathrm{in}}(x,y)\right\}}_0^1,$ 其中 $r(x,y)=\frac{T\left[L_{\mathrm{in}}^{\mathrm{avg}}(x,y)\right]}{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)}$

在公式二中，算子表示L的取值范围在{a，b}之间，r(x,y)表示在(x，y)点的映射系数，T为一连续可微的映射函数。通过进行合理的比较与选择，在本方法中，T为特征由图像局部统计特性决定的自适应双曲正切函数。它有以下几个主要优点：1)它可以提供自适应的图像动态范围调整；2)对于任意的正输入值，输出值的取值范围为0到1，这就能保证输出范围始终位于期望的范围之内；3)它可以对低照度的像素部分进行增强，而对于照度正常的像素部分予以保留，即：

公式三： $L_T^{\tanh }(x,y)=N(x,y)\tanh \left(L_{\mathrm{in}}(x,y){\left[m(x,y)\right]}^{-1}\right)$

在公式三中， $N(x,y)={\left[\tanh (L_{\mathrm{in}}^{\max }/m(x,y))\right]}^{-1}$ 是归一化因子，用来保证 $L_T^{\tanh }(x,y)=1$ 时，参数m(x，y)用来控制双曲正切函数的曲率且它通过图像的局部统计特性来进行计算。最简单的图像局部统计特性是使用局部窗口的局部均值，因此，定义m(x，y)为图像局部均值的一个线性函数，即：

公式四： $m(x,y)=L_{\mathrm{in}}^{\mathrm{avg}}(x,y)s+m_{\min }$

在公式四中，为尺度因子，依据参数m_min和m_max被设定，m_max则为则为基于输入图像局部统计特性而算得的最大量化值，m_min则为基于输入图像局部统计特性而算得的最小量化值，可以对双曲正切函数的曲率进行控制，并用来确定传递函数T的动态范围压缩能力。

由以上四个公式可推导出高动态范围图像增强算法的最终表达式：

公式五： $L_{\mathrm{out}}^{\tanh }(x,y)={\left\{\frac{N(x,y)L_{\mathrm{in}}(x,y)}{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}\tanh \left(\frac{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}{m(x,y)}\right)\right\}}_0^1$

在公式五中，ε为对应于输入图像中像素点(x，y)相应的局部平均亮度值的余量修正值。在增强过程当中，为了避免偏色现象，本算法可与线性色彩映射算法相结合，旨在低照度增强的同时保留原图的色彩信息。

Claims (2)

1.一种处理在恶劣环境中所拍摄低照度图像的方法，其特征在于如下处理步骤：第一步：通过现有3D降噪算法处理所采集的连续若干帧低照度图像，对按时间先后顺序依次所采集的连续若干帧低照度图像进行对比筛选，将该连续若干帧低照度图像互不重叠的噪点自动滤出，使其中的共有最相似像素匹配；第二步：通过现有非局部均值(NLM)滤波算法处理已经3D降噪算法所处理过的连续若干帧低照度图像，对按时间先后顺序依次所采集的连续若干帧图像中所有像素点都进行非均值量化计算；第三步：采用高动态范围图像增强算法：通过高动态范围图像增强算法公式①对已经非局部均值(NLM)滤波算法处理的该连续若干帧低照度图像计算出其中每一像素点(x，y)的亮度值并以该连续若干帧低照度图像中每一像素点(x，y)的亮度值输出图像，其公式为：

① $L_{\mathrm{out}}^{\tanh }(x,y)={\left\{\frac{N(x,y)L_{\mathrm{in}}(x,y)}{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}\tanh \left(\frac{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}{m(x,y)}\right)\right\}}_0^1$

在高动态范围图像增强算法公式①中，是归一化因子，为输入图像中一像素点(x，y)相应所在局部矩形视窗中的最大亮度值，m(x，y)作为线性函数以控制双曲正切函数的曲率并由输入图像局部矩形视窗统计特性而算得，为输入图像中一像素点(x，y)相应所在局部矩形视窗中的平均亮度值，m_max则为基于输入图像局部矩形视窗统计特性而算得的最大量化值，m_min则为基于输入图像局部矩形视窗统计特性而算得的最小量化值，s作为尺度因子以对双曲正切函数的曲率进行控制，L_in(x,y)为输入图像中一像素点(x，y)的实际亮度值，ε为对应于输入图像中像素点(x，y)相应所在局部矩形视窗中的平均亮度值的余量修正值。

2.根据权利要求1所述的处理在恶劣环境中所拍摄低照度图像的方法，其特征是：在完成第一步或第二部或第三部之后，采用现有线性色彩映射算法对相应已经第一步或第二部或第三部处理的图像进行处理。