CN107527333B - 一种基于伽马变换的快速图像增强方法 - Google Patents
一种基于伽马变换的快速图像增强方法 Download PDFInfo
- Publication number
- CN107527333B CN107527333B CN201710637673.1A CN201710637673A CN107527333B CN 107527333 B CN107527333 B CN 107527333B CN 201710637673 A CN201710637673 A CN 201710637673A CN 107527333 B CN107527333 B CN 107527333B
- Authority
- CN
- China
- Prior art keywords
- value
- image
- gray
- gamma
- gray level
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000009466 transformation Effects 0.000 title claims description 27
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 238000009499 grossing Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 34
- 238000010606 normalization Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- RYYVLZVUVIJVGH-UHFFFAOYSA-N trimethylxanthine Natural products CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 1
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种基于伽马变换的快速图像增强方法,方法包括:输入待增强图像,统计图像的灰度直方图;接着利用插值法对原始图像灰度直方图进行平滑处理;然后根据平滑以后的直方图统计图像灰度值的平均值,图像灰度值的众数,图像灰度值的中位数;根据这三个指标值的大小关系,预判断伽马变换中的γ的取值范围,然后利用局部遍历法确定最优的γ值;最后根据最优的γ值对图像进行增强处理并输出增强后的图像。本发明自适应的快速的获得伽马变换的γ值,实现了快速的图像自适应增强,使图像增强算法有更高的效率和更好的图像质量,是一种快速自适应的图像增强方法。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于伽马变换的快速图像增强方法。
背景技术
图像增强作为图像处理的重要内容之一,其宗旨在于通过一定的手段对原图像进行适当的变换,尽可能多的突出图像中用户感兴趣的特征,并抑制图像中某些无关紧要的冗余特征,使得增强后的图像符合人的视觉响应特性。图像增强是由基本图像处理到高级图像分析的关键步骤,其任务是使图像拥有更好的视觉特性,根据已知的应用领域,有针对性的强调图像的全局特性或某些局部特性,将原来模糊的区域变清晰或强调某些感兴趣的特征。
图像的质量通常在数字图像获取的过程中会由于不均匀照明等影响从而下降,图像通常表现得偏暗或者偏亮。这对提取需要的图像信息造成了一定障碍。因而,通常在对图像进行分析处理前,要对图像进行增强。图像增强是图像处理的基本步骤之一,主要的目的是增强图像的亮度以及对比度,从而突出一幅图像中的某些信息,同时削弱或去除某些不需要信息。在数字图像处理领域,通常实用的增强方法有两大类:基于空域的方法和基于频域的方法。具体的方法有:直方图均衡化、直方图规定化、拉普拉斯锐化、灰度变换法等,其中灰度变换可使图像动态范围增大,扩展图像对比度,特征明显,图像更加清晰,成为图像最常用的增强方式。灰度变换可分为线性变换、分段线性变换、非线性变换三类。
伽马变换是一种常用的非线性变换,其基本形式为s=crγ。当γ值小于1时,会拉伸图像中灰度级较低的区域,同时会压缩灰度级较高的部分,使得图像的低灰度区对比度得到增强;当γ值大于1时,会拉伸图像中灰度级较高的区域,同时会压缩灰度级较低的部分,使得图像的高灰度区对比度得到增强;当γ值等于1时,属于线性变换,不改变原图像。
发明内容
本发明的目的是:为了解决图像增强中图像的对比度偏亮或者偏暗的问题,在此提出了一种通过利用伽马变换的快速图像增强方法。
为了达到上述目的,本发明所采用的技术方案是:一种基于伽马变化的快速图像增强方法,其特征在于,所述方法包括如下步骤:
步骤1:输入待进行增强的原始图像S,用F(i,j)表示原始图像在像素点(i,j)处的灰度值,读取原始图像S各个像素点的灰度值;
步骤2:读取原始图像S的各点灰度值,统计各个灰度级k出现的次数,记为G(k),其中,灰度级k的取值范围为0-255,得到原始图像的灰度直方图T;
步骤3:利用原始图像的灰度直方图T,设定对灰度直方图T进行插值的步长step,对于灰度直方图T上的灰度级k,根据步长step对原始图像的灰度直方图T进行插值平滑处理,得到平滑后的灰度直方图T′,再次统计各个灰度级k出现的次数,记为G(k)′,扫描G(k)′,得到平滑后图像的最大灰度值Gmax和最小灰度值Gmin,并将平滑处理后的图像进行归一化处理记为I′,将图像的灰度值变换到[0,1]区间;
步骤4:根据步骤3得到的归一化后的图像I′,对于灰度级k从0到255,再次扫描G(k)′,经过统计学方法得到归一化后的图像I′中的灰度值的中位数Median、灰度值的众数Mode和平均灰度值Mean;
步骤5:根据步骤4得到的灰度值的中位数Median、众数Mode和平均灰度值Mean,比较这三个统计量的大小关系,若众数Mode<中位数Median<平均灰度值Mean,则将γ值的取值范围定为大于1,即γ∈(1,Gm);若平均灰度值Mean<中位数Median<众数Mode,则将γ值的取值范围定为小于1,即γ∈(0,1);
步骤6:根据步骤5中得到的初步确定的γ值的取值范围,设定一个变量p,特别地,当γ∈(1,Gm)时,设为p=1;当γ∈(0,1)时,设为p=0.1;在γ值的取值区间中按照数值间隔p取定γ的值,对每一个取到的γ值计算相应的评价值,取评价值最优的γ值;
步骤7:根据步骤6所得的最优的γ值对经过归一化处理后的图像I′进行伽马变换处理,并对伽马变换处理后的增强图像进行反归一化处理;
步骤8:输出增强后的图像。
作为优选,所述步骤3中,将原始图像灰度直方图进行插值平滑处理所采用的公式为:
上式中F(i,j)表示原始图像在像素点(i,j)处的灰度值,temp表示像素点(i,j)经过插值平滑处理后的灰度值,step表示预先设定的进行插值的步长,步长越大,直方图会变得越顺滑,同样的也会损失更多的细节;
将平滑处理后的图像进行归一化处理所采用的公式为:
上式中F(i,j)表示经过平滑处理的图像在像素点(i,j)处的灰度值,F′(i,j)表示归一化处理后图像在像素点(i,j)处的灰度值,Gmax是图像最大灰度值,Gmin是图像最小灰度值。
作为优选,所述步骤4中,中位数Median是指在灰度直方图T′中所有像素按照按灰度值从0到255排列的中间值,即中位数Median是把数据较高的一半与较低的一半分开的值Median∈(0,255);众数Mode是指在灰度直方图T′中数量最多的灰度级,即Mode=max(G(k)′),其中G(k)′是指灰度级k出现的次数;灰度平均值Mean是指灰度直方图T′中所有像素点灰度值的平均值,采用的公式如下:
其中F(i,j)′表示像素点(i,j)经过灰度直方图平滑后的灰度值,M、N是指原图像S的宽和高。
作为优选,所述步骤5中,一般的取Gm=10。
作为优选,所述步骤5中,大多数情况下,图像像素的灰度值分布是不对称的,表现在灰度直方图中的数据可能是正倾斜的,或者是负倾斜的;特别地,当众数Mode<中位数Median<平均灰度值Mean时表现为正倾斜数据,是指图像灰度值集中在较小的灰度级中,即图像偏暗,因此初步将γ值的取值范围定为大于1,即γ∈(1,Gm),此时图像的高灰度区域对比度将得到增强;当平均灰度值Mean<中位数Median<众数Mode时表现为负倾斜数据,是指图像灰度值集中在较大的灰度级中,即图像偏亮,因此初步将γ值的取值范围定为小于1,即γ∈(0,1),此时图像的低灰度区域对比度将得到增强。
作为优选,所述步骤6包括如下步骤:
步骤6.1:判断γ值的取值范围,当γ∈(1,Gm)时,设为p=1;当γ∈(0,1)时,设为p=0.1;
步骤6.2:计算当前γ1值的评价值fit1,记当前的评价值为最优评价值,即fitbest=fit1,保留当前评价值最优的γ1值;
步骤6.3:更新γ值,γ=γ+p,计算评价值fit2;
步骤6.4:若fit2>fitbest,则更新最优的评价值fitbest=fit2,保留当前评价最优的γ值,然后进入步骤6.5;若fit2≤fitbest,则顺序执行步骤6.5;
步骤6.5:判断是否达到终止条件,即循环遍历γ值10次,若是,则输出评价值最优的γ值;若否,则返回执行步骤6.3。
作为优选,所述步骤6中,评价增强图像质量标准采用的公式为:
其中,M、N分别代表图像的宽、高,F′(x,y)表示像素点(x,y)变换后的灰度值,fit值越大,表示图像的对比度越大,图像增强效果越好,取评价值最优的γ值来增强图像。
作为优选,所述步骤7中,伽马变换采用的公式为:
s=crγ
其中c是正常数,通常取c=1,γ值由步骤6得到,r表示输入图像的灰度值,r∈[0,1],s表示输出图像的灰度值;γ值的幂律曲线将较窄范围的暗色输入值映射为较宽范围的输出值,相反地,对于输入高灰度级值时也成立;γ值小于1时,会拉伸图像中灰度级较低的区域,同时会压缩灰度级较高的部分,使得图像的低灰度区对比度得到增强;γ值大于1时,会拉伸图像中灰度级较高的区域,同时会压缩灰度级较低的部分,使得图像的高灰度区对比度得到增强;当γ等于1时,属于线性变换,不改变原图像;
对归一化伽马变换后的图像进行反变换处理,其采用的公式为
F″(i,j)=(G′max-G′min)g′(i,j)+G′min
式中,G′max和G′min分别为变换后图像的最大和最小灰度值,对于8位灰度图像,G′max=255,G′min=0,g′(i,j)是指采用归一化的伽马变换增强后像素点(i,j)的灰度值,F″(i,j)为进行反归一化后像素点(i,j)的灰度值。
与现有技术相比,本发明的有益效果是:本发明提出的一种基于伽马变换的快速图像增强方法,输入待增强图像,统计图像的灰度直方图;接着利用插值法对原始图像灰度直方图进行平滑处理;然后根据平滑以后的直方图统计图像灰度值的平均值,图像灰度值的众数,图像灰度值的中位数;根据这三个指标值的大小关系,预判断伽马变换中的γ的取值范围,然后利用局部遍历法确定最优的γ值;最后根据最优的γ值对图像进行增强处理并输出增强后的图像。该方法简单易行,操作性强,为图像增强提供了一种新的简便方法。
附图说明
图1为本发明实施例的流程图。
图2为获得最优评价γ值的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
参见图1及图2所示,本发明所采用的技术方案是:一种基于伽马变换的快速图像增强方法,其特征在于,包括以下步骤:
步骤1:输入待进行增强的原始图像S,用F(i,j)表示原始图像在像素点(i,j)处的灰度值,读取原始图像S各个像素点的灰度值。
步骤2:读取原始图像S的各点灰度值,统计各个灰度级k出现的次数,记为G(k),其中,灰度级k的取值范围为0-255,得到原始图像的灰度直方图T。
步骤3:利用原始图像的灰度直方图T,设定对灰度直方图T进行插值的步长step,对于灰度直方图T上的灰度级k,根据步长step对原始图像的灰度直方图T进行插值平滑处理,进行插值平滑处理所采用的公式为:
上式中F(i,j)表示原始图像在像素点(i,j)处的灰度值,temp表示像素点(i,j)经过插值平滑处理后的灰度值,step表示预先设定的进行插值的步长,步长越大,直方图会变得越顺滑,同样的也会损失更多的细节。
得到平滑后的灰度直方图T′,再次统计各个灰度级k出现的次数,记为G(k)′,扫描G(k)′,得到平滑后图像的最大灰度值Gmax和最小灰度值Gmin,并将平滑处理后的图像进行归一化处理记为I′,将图像的灰度值变换到[0,1]区间。
将平滑处理后的图像进行归一化处理所采用的公式为:
上式中F(i,j)表示经过平滑处理的图像在像素点(i,j)处的灰度值,F′(i,j)表示归一化处理后图像在像素点(i,j)处的灰度值,Gmax是图像最大灰度值,Gmin是图像最小灰度值。
步骤4:根据步骤3得到的归一化后的图像I′,再次扫描G(k)′,经过统计学方法得到平滑后的灰度直方图T′中的灰度值的中位数Median、灰度值的众数Mode和平均灰度值Mean。其中,灰度值的中位数Median是指在灰度直方图T′中所有像素按照按灰度值从低到高排列的中间值,即灰度值的中位数Median是把数据较高的一半与较低的一半分开的值,Median∈(0,255);灰度值的众数Mode是指在图像I′中数量最多的灰度级,即Mode=max(G(k)′),其中G(k)′是指灰度级k出现的次数;平均灰度值Mean是指图像I′中所有像素点灰度值的平均值,采用的公式如下:
其中F(i,j)′表示图像I′在像素点(i,j)的灰度值,M、N是指原图像S的宽和高。
步骤5:大多数情况下,图像像素的灰度值分布是不对称的,表现在灰度直方图中的数据可能是正倾斜的,或者是负倾斜的。根据步骤4得到的灰度值的中位数Median、众数Mode和平均灰度值Mean,判断这三个统计量的大小关系。当众数Mode<中位数Median<平均灰度值Mean时表现为正倾斜数据,是指图像灰度值集中在较小的灰度级中,即图像偏暗,因此初步将γ值的取值范围定为大于1,即γ∈(1,Gm),一般的取Gm=10,此时图像的高灰度区域对比度将得到增强;当平均灰度值Mean<中位数Median<众数Mode时表现为负倾斜数据,是指图像灰度值集中在较大的灰度级中,即图像偏亮,因此初步将γ值的取值范围定为小于1,即γ∈(0,1),此时图像的低灰度区域对比度将得到增强。
步骤6:根据步骤5中得到的初步确定的γ值的取值范围,设定一个较小的数p,特别地,当γ∈(1,Gm)时,设为p=1;当γ∈(0,1)时,设为p=0.1;在γ值的取值区间中按照数值间隔p取定γ的值,对每一个取到的γ值计算相应的评价值,取评价值最优的γ值。包括如下步骤:
步骤6.1:判断γ值的取值范围,当γ∈(1,Gm)时,设为P=1;当γ∈(0,1)时,设为P=0.1;
步骤6.2:计算当前γ1值的评价值fit1,记当前的评价值为最优评价值,即fitbest=fit1,保留当前评价值最优的γ1值;
步骤6.3:更新γ值,γ=γ+p,计算评价值fit2;
步骤6.4:若fit2>fitbest,则更新最优的评价值fitbest=fit2,保留当前评价最优的γ值,然后进入步骤6.5;若fit2≤fitbest,则顺序执行步骤6.5;
步骤6.5:判断是否达到终止条件,即循环遍历γ值10次,若是,则输出评价值最优的γ值;若否,则返回执行步骤6.3;
其中评价增强图像质量标准采用的公式为:
其中,M、N分别代表图像的宽、高,F′(x,y)表示像素点(x,y)变换后的灰度值,fit值越大,表示图像的对比度越大,图像增强效果越好,取评价值最优的γ值来增强图像。
步骤7:根据步骤6所得的最优的γ值对图像执行伽马变换,采用的公式为:
s=crγ
其中c是正常数,通常取c=1,γ值由步骤6得到,r表示输入图像的灰度值,r∈[0,1],s表示输出图像的灰度值。γ值的幂律曲线将较窄范围的暗色输入值映射为较宽范围的输出值,相反地,对于输入高灰度级值时也成立。γ值小于1时,会拉伸图像中灰度级较低的区域,同时会压缩灰度级较高的部分,使得图像的低灰度区对比度得到增强;γ值大于1时,会拉伸图像中灰度级较高的区域,同时会压缩灰度级较低的部分,使得图像的高灰度区对比度得到增强;当γ等于1时,属于线性变换,不改变原图像。
之后对归一化伽马变换后的图像进行反变换处理,其采用的公式为
F″(i,j)=(G′max-G′min)g′(i,j)+G′min
式中,G′max和G′min分别为变换后图像的最大和最小灰度值,对于8位灰度图像,G′max=255,G′min=0,g′(i,j)是指采用归一化的伽马变换增强后像素点(i,j)的灰度值,F″(i,j)为进行反归一化后像素点(i,j)的灰度值。步骤8:输出增强后的图像。
步骤8:输出增强后的图像。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种基于伽马变换的快速图像增强方法,其特征在于,所述方法包括如下步骤:
步骤1:输入待进行增强的原始图像S,用f(i,j)表示原始图像在像素点(i,j)处的灰度值,读取原始图像S各个像素点的灰度值;
步骤2:读取原始图像S的各点灰度值,统计各个灰度级k出现的次数,记为G(k),其中,灰度级k的取值范围为0-255,得到原始图像的灰度直方图T;
步骤3:利用原始图像的灰度直方图T,设定对灰度直方图T进行插值的步长step,对于灰度直方图T上的灰度级k,根据步长step对原始图像的灰度直方图T进行插值平滑处理,得到平滑后的灰度直方图T',再次统计各个灰度级k出现的次数,记为G(k)',扫描G(k)',得到平滑后图像的最大灰度值Gmax和最小灰度值Gmin,并将平滑处理后的图像进行归一化处理记为I',将图像的灰度值变换到[0,1]区间;
步骤4:根据步骤3得到的归一化后的图像I',对于灰度级k从0到255,再次扫描G(k)',经过统计学方法得到归一化后的图像I'中的灰度值的中位数Median、灰度值的众数Mode和平均灰度值Mean;
步骤5:根据步骤4得到的灰度值的中位数Median、众数Mode和平均灰度值Mean,比较这三个统计量的大小关系,若众数Mode<中位数Median<平均灰度值Mean,则将γ值的取值范围定为大于1,即γ∈(1,Gm);若平均灰度值Mean<中位数Median<众数Mode,则将γ值的取值范围定为小于1,即γ∈(0,1);
步骤6:根据步骤5中得到的初步确定的γ值的取值范围,设定一个变量p,当γ∈(1,Gm)时,设为p=1;当γ∈(0,1)时,设为p=0.1;在γ值的取值区间中按照数值间隔p取定γ的值,对每一个取到的γ值计算相应的评价值,取评价值最优的γ值;
步骤7:根据步骤6所得的最优的γ值对经过归一化处理后的图像I'进行伽马变换处理,并对伽马变换处理后的增强图像进行反归一化处理;
步骤8:输出增强后的图像。
3.根据权利要求1所述的一种基于伽马变换的快速图像增强方法,其特征在于:所述步骤5中,取Gm=10。
4.根据权利要求1或3所述的一种基于伽马变换的快速图像增强方法,其特征在于:所述步骤5中,图像像素的灰度值分布是不对称的,表现在灰度直方图中的数据是正倾斜的,或者是负倾斜的;当众数Mode<中位数Median<平均灰度值Mean时表现为正倾斜数据,是指图像灰度值集中在较小的灰度级中,即图像偏暗,因此初步将γ值的取值范围定为大于1,即γ∈(1,Gm),此时图像的高灰度区域对比度将得到增强;当平均灰度值Mean<中位数Median<众数Mode时表现为负倾斜数据,是指图像灰度值集中在较大的灰度级中,即图像偏亮,因此初步将γ值的取值范围定为小于1,即γ∈(0,1),此时图像的低灰度区域对比度将得到增强。
5.根据权利要求1所述的一种基于伽马变换的快速图像增强方法,其特征在于:所述步骤6包括如下步骤:
步骤6.1:判断γ值的取值范围,当γ∈(1,Gm)时,设为p=1;当γ∈(0,1)时,设为p=0.1;
步骤6.2:计算当前γ1值的评价值fit1,记当前的评价值为最优评价值,即fitbest=fit1,保留当前评价值最优的γ1值;
步骤6.3:更新γ值,γ=γ+p,计算评价值fit2;
步骤6.4:若fit2>fitbest,则更新最优的评价值fitbest=fit2,保留当前评价最优的γ值,然后进入步骤6.5;若fit2≤fitbest,则顺序执行步骤6.5;
步骤6.5:判断是否达到终止条件,即循环遍历γ值10次,若是,则输出评价值最优的γ值;若否,则返回执行步骤6.3。
7.根据权利要求1所述的一种基于伽马变换的快速图像增强方法,其特征在于:所述步骤7中,伽马变换采用的公式为:
s=crγ
其中c是正常数,取c=1,γ值由步骤6得到,r表示输入图像的灰度值,r∈[0,1],s表示输出图像的灰度值;γ值的幂律曲线将较窄范围的暗色输入值映射为较宽范围的输出值,相反地,对于输入高灰度级值时也成立;γ值小于1时,会拉伸图像中灰度级较低的区域,同时会压缩灰度级较高的部分,使得图像的低灰度区对比度得到增强;γ值大于1时,会拉伸图像中灰度级较高的区域,同时会压缩灰度级较低的部分,使得图像的高灰度区对比度得到增强;当γ等于1时,属于线性变换,不改变原图像;
对归一化伽马变换后的图像进行反变换处理,其采用的公式为
f”(i,j)=(G'max-G'min)g'(i,j)+G'min
式中,G'max和G'min分别为变换后图像的最大和最小灰度值,对于8位灰度图像,G'max=255,G'min=0,g'(i,j)是指采用归一化的伽马变换增强后像素点(i,j)的灰度值,f”(i,j)为进行反归一化后像素点(i,j)的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710637673.1A CN107527333B (zh) | 2017-07-31 | 2017-07-31 | 一种基于伽马变换的快速图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710637673.1A CN107527333B (zh) | 2017-07-31 | 2017-07-31 | 一种基于伽马变换的快速图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107527333A CN107527333A (zh) | 2017-12-29 |
CN107527333B true CN107527333B (zh) | 2021-03-02 |
Family
ID=60680169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710637673.1A Expired - Fee Related CN107527333B (zh) | 2017-07-31 | 2017-07-31 | 一种基于伽马变换的快速图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107527333B (zh) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108172198A (zh) | 2018-01-02 | 2018-06-15 | 京东方科技集团股份有限公司 | 图像处理装置、存储介质、显示设备及图像处理方法 |
CN108288041B (zh) * | 2018-01-26 | 2021-02-02 | 大连民族大学 | 一种行人目标错检去除的预处理方法 |
CN108334899A (zh) * | 2018-01-28 | 2018-07-27 | 浙江大学 | 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法 |
CN108629754B (zh) * | 2018-05-03 | 2019-05-24 | 中国人民解放军国防科技大学 | 一种isar图像自适应细节增强方法 |
CN108876738A (zh) * | 2018-06-08 | 2018-11-23 | 陕西师范大学 | 一种基于伽马校正的sar单景图像内部亮度补偿方法 |
CN109377462A (zh) * | 2018-10-23 | 2019-02-22 | 上海鹰瞳医疗科技有限公司 | 眼底图像处理方法及设备 |
CN109754422B (zh) * | 2018-10-30 | 2022-09-13 | 兰州交通大学 | 基于灰度突变的扣件区域定位方法 |
CN111325670A (zh) * | 2018-12-13 | 2020-06-23 | 杭州海康威视数字技术股份有限公司 | 一种数据增强方法、装置及电子设备 |
CN110189266B (zh) * | 2019-05-09 | 2023-01-03 | 湖北工业大学 | 一种自适应的快速图像增强方法 |
CN110264418A (zh) * | 2019-05-31 | 2019-09-20 | 苏州精观医疗科技有限公司 | 图像对比度增强方法、***及装置 |
CN111596834B (zh) * | 2019-09-06 | 2020-12-15 | 深圳新为云动教育科技有限公司 | 视频播放app控制*** |
CN110717919A (zh) * | 2019-10-15 | 2020-01-21 | 阿里巴巴(中国)有限公司 | 图像处理方法、装置、介质和计算设备 |
CN112700375A (zh) * | 2019-10-22 | 2021-04-23 | 杭州三坛医疗科技有限公司 | 一种光照补偿方法及装置 |
CN111161163B (zh) * | 2019-12-05 | 2023-03-07 | 华侨大学 | 一种直方图双重伽马校正的红外图像对比度增强方法 |
CN111105748B (zh) * | 2020-01-10 | 2021-05-25 | 富满微电子集团股份有限公司 | 基于伽玛表的led显示方法及装置 |
CN111553852B (zh) * | 2020-04-13 | 2023-10-27 | 中国资源卫星应用中心 | 一种光学遥感影像快视图的生成方法及装置 |
CN112785532B (zh) * | 2021-01-12 | 2022-11-18 | 安徽大学 | 基于加权直方图分布伽玛校正的奇异值均衡图像增强算法 |
CN112862709B (zh) * | 2021-01-27 | 2024-05-03 | 昂视智能(深圳)有限公司 | 图像特征增强方法、装置及可读存储介质 |
CN114298916B (zh) * | 2021-11-11 | 2023-04-18 | 电子科技大学 | 一种基于灰度拉伸和局部增强的X-Ray图像增强方法 |
CN114677497A (zh) * | 2022-05-18 | 2022-06-28 | 浙江大华技术股份有限公司 | 一种图像处理方法及装置 |
CN115526806B (zh) * | 2022-10-25 | 2023-10-20 | 昆山腾云达信息咨询技术服务中心(有限合伙) | 基于人工智能的黑光图像自动校色方法 |
CN116030052B (zh) * | 2023-03-27 | 2023-06-16 | 惠州威尔高电子有限公司 | 电脑显示板层压工序蚀刻质量检测方法 |
CN116468958B (zh) * | 2023-05-18 | 2024-04-05 | 中维建技术有限公司 | 通信铁塔安全检测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5832123A (en) * | 1995-11-24 | 1998-11-03 | Kokusai Electric Co., Ltd. | Method and apparatus for producing an enhanced two-grayscale image |
CN104376543A (zh) * | 2014-11-28 | 2015-02-25 | 湖北工业大学 | 一种基于杜鹃搜索算法的自适应图像增强方法 |
-
2017
- 2017-07-31 CN CN201710637673.1A patent/CN107527333B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5832123A (en) * | 1995-11-24 | 1998-11-03 | Kokusai Electric Co., Ltd. | Method and apparatus for producing an enhanced two-grayscale image |
CN104376543A (zh) * | 2014-11-28 | 2015-02-25 | 湖北工业大学 | 一种基于杜鹃搜索算法的自适应图像增强方法 |
Non-Patent Citations (2)
Title |
---|
基于不同图像质量评价标准的自适应辐射图像增强;郭肖静 等;《原子能科学技术》;20120930;第46卷;第724-728页 * |
数字图像增强的研究及其实现;张威;《中国优秀硕士学位论文全文数据库信息科技辑》;20150115(第1期);第12-16页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107527333A (zh) | 2017-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527333B (zh) | 一种基于伽马变换的快速图像增强方法 | |
Cao et al. | Contrast enhancement of brightness-distorted images by improved adaptive gamma correction | |
Yeganeh et al. | A novel approach for contrast enhancement based on histogram equalization | |
Ju et al. | Single image dehazing via an improved atmospheric scattering model | |
CN105608676B (zh) | 一种视频图像的增强方法及装置 | |
Gupta et al. | Minimum mean brightness error contrast enhancement of color images using adaptive gamma correction with color preserving framework | |
CN111915535B (zh) | 一种图像去噪的方法及装置 | |
CN110189266B (zh) | 一种自适应的快速图像增强方法 | |
CN105139366A (zh) | 一种基于空间域的图像增强方法 | |
CN117314801B (zh) | 基于人工智能的模糊图像优化增强方法 | |
CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
Sanila et al. | Underwater image enhancement using white balance, USM and CLHE | |
Kumari et al. | Fast single image and video deweathering using look-up-table approach | |
Huang et al. | An advanced gradient histogram and its application for contrast and gradient enhancement | |
CN110111280B (zh) | 一种多尺度梯度域引导滤波的低照度图像增强方法 | |
CN104616259A (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
Muniraj et al. | Underwater image enhancement by modified color correction and adaptive Look-Up-Table with edge-preserving filter | |
WO2020107308A1 (zh) | 一种基于Retinex的微光图像快速增强方法及其装置 | |
CN111489333B (zh) | 一种无参考夜间自然图像质量评价方法 | |
KR101516632B1 (ko) | 동영상의 평균 밝기 변화율을 유지하는 시각적 임계치를 이용한 이분할 히스토그램 평활화 장치 | |
KR102525546B1 (ko) | 영상 처리 방법 및 이를 수행하는 영상 처리 장치 | |
CN111080563A (zh) | 一种基于遍历寻优的直方图均衡方法 | |
CN104952052A (zh) | 一种对emccd图像进行增强的方法 | |
Chandana et al. | An optimal image dehazing technique using dark channel prior | |
Chang et al. | Perceptual contrast enhancement of dark images based on textural coefficients |
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 | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210302 Termination date: 20210731 |