CN109903247A - 基于高斯颜色空间相关性的彩色图像高精度灰度化方法 - Google Patents
基于高斯颜色空间相关性的彩色图像高精度灰度化方法 Download PDFInfo
- Publication number
- CN109903247A CN109903247A CN201910134023.4A CN201910134023A CN109903247A CN 109903247 A CN109903247 A CN 109903247A CN 201910134023 A CN201910134023 A CN 201910134023A CN 109903247 A CN109903247 A CN 109903247A
- Authority
- CN
- China
- Prior art keywords
- channel
- image
- color space
- color
- correlation
- 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)
- Color Image Communication Systems (AREA)
Abstract
本发明公开了基于高斯颜色空间相关性的彩色图像高精度灰度化方法,具体按照以下步骤实施:步骤1:将彩色图像从RGB彩色空间转换到LMN彩色空间,并提取L分量作为亮度信息;步骤2:获取LMN彩色空间L、M、N三个通道的标准差σL,σM,σN和L、M、N三个通道间的相关系数ρLM,ρLN,ρMN;步骤3:采用二阶线性映射,通过步骤2的的标准差σL,σM,σN及相关系数ρLM,ρLN,ρMN获取色度信息C;步骤4:将步骤1的亮度信息与步骤3的色度信息C相加,归一化后输出灰度图像。利用色度信息补偿亮度信息灰度化后对比度的损失,很好的保留了原彩色图像对比度,使灰度图像更能符合人眼的主观感知,且运算速度快,易于执行,结果具有鲁棒性。
Description
技术领域
本发明属于数字图像处理技术领域,涉及基于高斯颜色空间相关性的彩色图像高精度灰度化方法。
背景技术
随着图像分析和计算机视觉的不断发展,几乎各个技术领域都避免不了需要进行数字图像的处理,彩色图像灰度化技术越来越受到重视。虽然绝大多数拍摄的图像是彩色照片,许多打印机仍然使用黑白打印。为了节约成本,许多出版物的大部分图片还是灰度图像。另外对于医学图像,彩色图像提供的信息量很少,直接灰度图像来进行后续计算更能提高运算效率。在这些问题上,反而对灰度图像预处理更重要。由于灰度图像能用较少的数据信息表示图像的大部分特征,灰度化在图像预处理等方面有很多应用,如边缘检测,特征提取等。为了减少输入图像的信息量或者是减少后续的运算量,都需要将彩色图像灰度化,这样不仅能够增加后续算法的处理速度,还能够大大提高***效率。此外,还有很多人偏好看起来更有艺术效果的黑白图像,这也衍生了灰度图像在艺术美学方面的应用,如中国水墨画渲染、黑白摄影等。
彩色图像灰度化是一个将三维通道转化为一维的降维过程,无法避免大量信息的丢失。如何在有限的灰度范围内尽可能地保持再现色彩的原始意图和比较突出的特点,并且使得到的灰度图像符合人眼的感知,是较大的技术问题。最简单直接的灰度化方法是取彩色空间中亮度分量或对三个分量加权求和,如matlab中rgb2gray函数。假设人类视觉对绿色通道信息更敏感,输出为彩色图像R,G,B三个通道固定系数(0.2989,0.5870,0.1140)的线性之和,或是取其他彩色空间如CIE LAB,HSI的亮度通道。现有的这些方法虽然运算量少,算法简单,但容易丢失细节信息,存在彩色图像灰度化后灰度图像不能完整保留原彩色图像意图的问题。
发明内容
本发明的目的是提供基于高斯颜色空间相关性的彩色图像高精度灰度化方法,用以改善彩色图像灰度化后灰度图像不能完整保留原彩色图像意图的问题。
本发明所采用的技术方案是基于高斯颜色空间相关性的彩色图像高精度灰度化方法,具体按照以下步骤实施:
步骤1:将彩色图像从RGB彩色空间转换到LMN彩色空间,并提取L分量作为亮度信息;
步骤2:获取LMN彩色空间L、M、N三个通道的标准差σL,σM,σN和L、M、N三个通道间的相关系数ρLM,ρLN,ρMN;
步骤3:采用二阶线性映射,通过步骤2的的标准差σL,σM,σN及相关系数ρLM,ρLN,ρMN获取色度信息C;
步骤4:将步骤1的亮度信息与步骤3的色度信息C相加,归一化后输出灰度图像。
本发明的特点还在于:
步骤1中LMN空间为高斯颜色空间,与RGB颜色空间之间的转换可以通过线性变换完成:
随后提取L作为图像的亮度信息作为灰度图像主要的部分。
步骤2中L通道的标准差σL及L、M通道的相关系数ρLM的表达式分别为:
其中N为L通道中所含像素数,μL为L通道的均值,μM为M通道的均值;同样的方法求出M和N通道的标准差σM,σN及L、N通道与M、N通道的相关系数ρLN,ρMN。
步骤3中色度信息C的映射函数采用二阶线性映射,对于空间Z中的平方项{L2,M2,N2},使用各通道标准差加权的策略,使对比度大的通道拥有更高的权重。对于空间Z中的交叉项{LM,LN,MN}的系数,使用各通道之间的相关系数ρ={ρLM,ρLN,ρMN}作为权重系数。将空间Z中的平方项与各通道标准差之积加上交叉项与各通道之间的相关性系数之积就得到了图像的色度信息C:
C=σL*L2+σM*M2+σN*N2+ρLM*L*M+ρLN*L*N+ρMN*M*N
步骤4中,灰度图像的映射函数g为亮度信息L与色度信息C之和:
g=L+C
最后通过归一化得到最终灰度结果:
其中gij为灰度图像中的每个像素点,gmin,gmax分别代表灰度图像中最小和最大的灰度值。
本发明的有益效果是,利用色度信息补偿亮度信息灰度化后对比度的损失,很好的保留了原彩色图像对比度,使灰度图像更能符合人眼的主观感知,且运算速度快,易于执行,结果具有鲁棒性。
附图说明
图1是本发明基于高斯颜色空间相关性的彩色图像高精度灰度化方法的算法框架图;
图2是本发明基于高斯颜色空间相关性的彩色图像高精度灰度化方法的流程图;
图3是本发明基于高斯颜色空间相关性的彩色图像高精度灰度化方法所用算法与其它算法的结果对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明公开了基于高斯颜色空间相关性的彩色图像高精度灰度化方法,具体按照以下步骤实施:
步骤1,转换彩色空间与提取亮度信息:
将彩色图像从RGB彩色空间转换到LMN彩色空间,LMN彩色空间为高斯颜色空间,与RGB颜色空间之间的转换可以通过线性变换完成:
LMN彩色空间分为亮度L通道和色度M、N通道。提取L作为灰度图像的亮度信息。
步骤2,计算LMN空间中的各通道间的相关性:
LMN空间各通道间的相关性包含了计算L、M、N三个通道的标准差σL,σM,σN及各通道间的相关系数ρLM,ρLN,ρMN。L通道的标准差σL及L、M通道的相关系数ρLM的表达式分别为:
其中N为L通道中所含像素数,μL为L通道的均值,μM为M通道的均值。同样的方法求出M和N通道的标准差σM,σN及L、N通道与M、N通道的相关系数ρLN,ρMN。
步骤3,计算色度信息:
由于标准差越大,各通道灰度值的动态变换范围越大,对比度也越大,通道内所含信息越丰富,对于空间Z中的平方项{L2,M2,N2},使用各项标准差加权的策略,使对比度大的通道拥有更高的权重。对于空间Z中的交叉项{LM,LN,MN}的系数,使用各通道之间的相关系数ρ={ρLM,ρLN,ρMN}作为权重系数,当两个通道相关程度高时,赋予更高的权重。将空间Z中的平方项与各通道标准差之积加上交叉项与各通道之间的相关性系数之积就得到了图像的色度信息C:
C=σL*L2+σM*M2+σN*N2+ρLM*L*M+ρLN*L*N+ρMN*M*N
步骤4,输出灰度图像:
灰度图像的映射函数g为亮度信息L与色度信息C之和:
g=L+C
再通过归一化后得到最后的灰度结果:
其中gij为灰度图像中的每个像素点,gmin,gmax分别代表灰度图像中最小和最大的灰度值。
本发明采取了一种高斯颜色模型,如图1所示。使用彩色图像的LMN空间,建立了关于亮度L,色度M、N三个通道的线性映射模型。然后将该模型的亮度通道L作为第一阶段灰度图像亮度信息,它是灰度图像主要的部分,第二阶段加入色度信息,作为第一阶段灰度值的补偿,增加图像的对比度。在第二阶段色度信息映射中,选择一种二阶线性映射函数,计算亮度分量L与色度分量M、N三个分量的标准差与各分量两两之间的相关系数,作为二阶映射函数的系数。最后将一阶的亮度分量加上二阶的色度相关性,得到最终灰度化结果。本发明方法的算法流程如图2所示。
本发明基于高斯颜色空间相关性的灰度化方法,与现有方法比较具有以下优点:传统的二阶线性映射由于参数的增加,给参数的优化求解带了困难,运算速度也变得非常缓慢,并且容易出现过拟合的现象,使灰度化结果不稳定,这在很大程度上阻碍了它们的实际使用。本章算法直接使用LMN空间各通道的相关性作为Z空间中各元素的系数,具有计算速度快,易于执行,结果具有鲁棒性且符合人眼感知的优点。
为验证其有效性,通过以下方法对本发明高精度的灰度化方法性能进行定性与定量的评估。
图3是本发明方法与matlab中rgb2gray函数,Lu提出的对比度保留算法(CP算法),Liu提出的半参数半优化算法SPDecolor在图像集与CSDD图像集的结果对比图。a列为原彩色图像,其中1~3行来自图像集,4~8行来自CSDD图像集。b列为rgb2gray结果,c列为Lu等所提CP算法,d列是Liu等人所提的SPDecolor算法,e列为本发明所提算法灰度化结果。从图中可以看出,b列的rgb2gray结果图丢失了大量的对比度信息,显示结果比较平坦,第三、四行的灰度结果丢失了原彩色图像的结构特征,但是rgb2gray结果具有稳定性。c列CP算法在某些情况能很好保持图像对比度,如第三、四行,但第三行的灰度图并不符合人类感知;且在第一行水果图第6行海报图出现亮度过亮的情况,第四、七行图像边缘过度锐化,第八行灰度结果出现伪影的现象。d列SPDecolor算法同样出现了对比度丢失的情况,如第二行花朵与叶子;第三行色条SPDecolor将原灰色背景映射为白色,第四行色块中将边缘过度锐化且丢失了原对比度;第六行海报人物的鼻尖出也丢失了原始结构。e列本发明所提算法能在保留对比度的同时,使灰度图像符合人眼的主观感知。
从上面分析结果来看,本发明所提算法能较好保留图像细节,灰度化后图像结果对比度比较明显,灰度结果具有稳定性,不会出现伪影等现象。
在定量评价中,使用Cadik数据集与CSDD数据集,对matlab中的rgb2gray函数,Lu等人的CP算法与Liu等人的半参数算法SPDecolor,与本章提出的基于多尺度图像融合的算法,分别度量灰度化后颜色对比度保持度CCPR及τ的值为1到15时CCPR的均值ACCPR,CCPR的取值范围为[0,1],且当它的值越接近1代表灰度化效果越好。结果如表1所示,表1的左侧和右侧分别为图像集的CCPR值与CSDD图像及的CCPR值。图像集包含的图像图案简单,可以看出,在表1左侧图像集的CCPR中我们的方法在大多数阈值水平上都优于其他方法。这与主观测量结果相符。在表1右侧CSDD图像及的结果中,由于CSDD包含了图案复杂颜色丰富的图像,几种算法的CCPR的值没有太大的区别,本章算法的CCPR值与SPDecolor比较接近。
图像集和CSDD图像集的CCPR值
表1
采取二阶线性映射的CP算法与SPDecor算法进行运行时间的比较,用于证明本文算法的运算效率,结果如表2所示。实验所使用平台为2.20GHz Corei5CPU笔记本,在MATLAB2016a中实现。从表3可以看出,对于不同分辨率的图像,本发明所采用算法的运行速度要比其他方法快,尤其是随着分辨率的增大,这种速度上的提升更为明显,这保障了本发明所采用算法的实时性。
灰度化算法运行时间比较
表2
通过以上实验图像及实验数据分析,说明了本发明能较好保留图像对比度,使灰度化后的图像符合人眼感知。此外,本发明方法的运行速度快,灰度化结果不易产生伪影晕轮等现象,具有较好的稳定性。
Claims (5)
1.基于高斯颜色空间相关性的彩色图像高精度灰度化方法,其特征在于,具体按照以下步骤实施:
步骤1:将彩色图像从RGB彩色空间转换到LMN彩色空间,并提取L分量作为亮度信息;
步骤2:获取LMN彩色空间L、M、N三个通道的标准差σL,σM,σN和L、M、N三个通道间的相关系数ρLM,ρLN,ρMN;
步骤3:采用二阶线性映射,通过步骤2的的标准差σL,σM,σN及相关系数ρLM,ρLN,ρMN获取色度信息C;
步骤4:将步骤1的亮度信息与步骤3的色度信息C相加,归一化后输出灰度图像。
2.根据权利要求1所述的基于高斯颜色空间相关性的彩色图像高精度灰度化方法,其特征在于,所述步骤1中LMN空间为高斯颜色空间,与RGB颜色空间之间的转换可以通过以下线性变换完成:
随后提取L作为图像的亮度信息作为灰度图像主要的部分。
3.根据权利要求1所述的基于高斯颜色空间相关性的彩色图像高精度灰度化方法,其特征在于,所述步骤2中L通道的标准差σL及L、M通道的相关系数ρLM的表达式分别为:
其中N为L通道中所含像素数,μL为L通道的均值,μM为M通道的均值;同样的方法获得M和N通道的标准差σM,σN及L、N通道与M、N通道的相关系数ρLN,ρMN。
4.根据权利要求1所述的基于高斯颜色空间相关性的彩色图像高精度灰度化方法,其特征在于,所述步骤3中色度信息C的映射函数采用二阶线性映射,对于空间Z中的平方项{L2,M2,N2},使用各通道标准差加权的策略,使对比度大的通道拥有更高的权重;对于空间Z中的交叉项{LM,LN,MN}的系数,使用各通道之间的相关系数ρ={ρLM,ρLN,ρMN}作为权重系数;将空间Z中的平方项与各通道标准差之积加上交叉项与各通道之间的相关性系数之积就得到了图像的色度信息C,计算公式如下:
C=σL*L2+σM*M2+σN*N2+ρLM*L*M+ρLN*L*N+ρMN*M*N。
5.根据权利要求1所述的基于高斯颜色空间相关性的彩色图像高精度灰度化方法,其特征在于,所述步骤4中通过亮度信息L与色度信息C之和获取灰度图像的映射函数g:
g=L+C
通过归一化得到最终灰度结果:
其中gij为灰度图像中的每个像素点,gmin,gmax分别代表灰度图像中最小和最大的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910134023.4A CN109903247B (zh) | 2019-02-22 | 2019-02-22 | 基于高斯颜色空间相关性的彩色图像高精度灰度化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910134023.4A CN109903247B (zh) | 2019-02-22 | 2019-02-22 | 基于高斯颜色空间相关性的彩色图像高精度灰度化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109903247A true CN109903247A (zh) | 2019-06-18 |
CN109903247B CN109903247B (zh) | 2023-02-03 |
Family
ID=66945503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910134023.4A Active CN109903247B (zh) | 2019-02-22 | 2019-02-22 | 基于高斯颜色空间相关性的彩色图像高精度灰度化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109903247B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801922A (zh) * | 2021-04-01 | 2021-05-14 | 暨南大学 | 一种彩色图-灰度图-彩色图转换方法 |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1225778A (zh) * | 1997-03-14 | 1999-08-11 | 索尼公司 | 色彩修正装置和修正方法,图像处理装置和处理方法 |
CN1678017A (zh) * | 2004-04-01 | 2005-10-05 | 株式会社东芝 | 图像形成装置 |
CN101441763A (zh) * | 2008-11-11 | 2009-05-27 | 浙江大学 | 基于颜色传递的多色调图像统一调整方法 |
CN101651772A (zh) * | 2009-09-11 | 2010-02-17 | 宁波大学 | 一种基于视觉注意的视频感兴趣区域的提取方法 |
CN101916370A (zh) * | 2010-08-31 | 2010-12-15 | 上海交通大学 | 人脸检测中非特征区域图像处理的方法 |
CN102723054A (zh) * | 2012-06-18 | 2012-10-10 | 西安电子科技大学 | Led显示屏非均匀性在线校正***和校正方法 |
CN103339921A (zh) * | 2011-01-31 | 2013-10-02 | 杜比实验室特许公司 | 恢复图像的颜色和非颜色相关的完整性的***和方法 |
US20130322746A1 (en) * | 2012-05-31 | 2013-12-05 | Apple Inc. | Systems and methods for ycc image processing |
CN103595982A (zh) * | 2013-11-07 | 2014-02-19 | 天津大学 | 基于灰度和彩色两颗传感器的彩色图像采集装置 |
CN104077612A (zh) * | 2014-07-15 | 2014-10-01 | 中国科学院合肥物质科学研究院 | 一种基于多特征稀疏表示技术的害虫图像识别方法 |
US20140348378A1 (en) * | 2013-05-21 | 2014-11-27 | Peking University Founder Group Co., Ltd. | Method and apparatus for detecting traffic video information |
CN104181546A (zh) * | 2014-08-25 | 2014-12-03 | 中国科学院武汉物理与数学研究所 | 彩色三维扫描激光雷达颜色信息采集显示方法 |
CN104200239A (zh) * | 2014-09-09 | 2014-12-10 | 河海大学常州校区 | 一种基于图像特征融合识别的签名鉴伪***及方法 |
CN104361593A (zh) * | 2014-11-14 | 2015-02-18 | 南京大学 | 一种基于hvs和四元数的彩色图像质量评价方法 |
CN104794690A (zh) * | 2015-04-01 | 2015-07-22 | 国家电网公司 | 基于sift匹配的立体图像彩色转灰度校正方法 |
CN104809710A (zh) * | 2015-05-14 | 2015-07-29 | 上海兆芯集成电路有限公司 | 图像去噪方法以及使用该方法的装置 |
CN105528609A (zh) * | 2014-09-28 | 2016-04-27 | 江苏省兴泽实业发展有限公司 | 一种基于字符位置的车牌定位方法 |
CN106023268A (zh) * | 2016-05-30 | 2016-10-12 | 南昌大学 | 一种基于两步参数子空间优化的彩色图像灰度化方法 |
CN106503719A (zh) * | 2016-09-27 | 2017-03-15 | 深圳增强现实技术有限公司 | 一种物体颜色提取与检测方法及装置 |
CN106780379A (zh) * | 2016-12-08 | 2017-05-31 | 哈尔滨工业大学 | 一种计量显微镜的彩色图像增强方法 |
CN107192995A (zh) * | 2017-05-23 | 2017-09-22 | 西北工业大学 | 一种多层次信息融合的纯方位水下目标跟踪算法 |
CN107392967A (zh) * | 2017-07-05 | 2017-11-24 | 温州大学 | 一种基于多峰高斯分布函数的彩色图像灰度化方法 |
CN107578399A (zh) * | 2017-07-25 | 2018-01-12 | 天津大学 | 基于边界特征分割的的全参考图像质量评价方法 |
CN108010024A (zh) * | 2017-12-11 | 2018-05-08 | 宁波大学 | 一种盲参考色调映射图像质量评价方法 |
CN108288258A (zh) * | 2018-04-23 | 2018-07-17 | 电子科技大学 | 一种针对恶劣天气条件下的低质图像增强方法 |
CN108961227A (zh) * | 2018-06-22 | 2018-12-07 | 西安理工大学 | 一种基于空域和变换域多特征融合的图像质量评价方法 |
-
2019
- 2019-02-22 CN CN201910134023.4A patent/CN109903247B/zh active Active
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1225778A (zh) * | 1997-03-14 | 1999-08-11 | 索尼公司 | 色彩修正装置和修正方法,图像处理装置和处理方法 |
CN1678017A (zh) * | 2004-04-01 | 2005-10-05 | 株式会社东芝 | 图像形成装置 |
CN101441763A (zh) * | 2008-11-11 | 2009-05-27 | 浙江大学 | 基于颜色传递的多色调图像统一调整方法 |
CN101651772A (zh) * | 2009-09-11 | 2010-02-17 | 宁波大学 | 一种基于视觉注意的视频感兴趣区域的提取方法 |
CN101916370A (zh) * | 2010-08-31 | 2010-12-15 | 上海交通大学 | 人脸检测中非特征区域图像处理的方法 |
CN103339921A (zh) * | 2011-01-31 | 2013-10-02 | 杜比实验室特许公司 | 恢复图像的颜色和非颜色相关的完整性的***和方法 |
US20130322746A1 (en) * | 2012-05-31 | 2013-12-05 | Apple Inc. | Systems and methods for ycc image processing |
CN102723054A (zh) * | 2012-06-18 | 2012-10-10 | 西安电子科技大学 | Led显示屏非均匀性在线校正***和校正方法 |
US20140348378A1 (en) * | 2013-05-21 | 2014-11-27 | Peking University Founder Group Co., Ltd. | Method and apparatus for detecting traffic video information |
CN103595982A (zh) * | 2013-11-07 | 2014-02-19 | 天津大学 | 基于灰度和彩色两颗传感器的彩色图像采集装置 |
CN104077612A (zh) * | 2014-07-15 | 2014-10-01 | 中国科学院合肥物质科学研究院 | 一种基于多特征稀疏表示技术的害虫图像识别方法 |
CN104181546A (zh) * | 2014-08-25 | 2014-12-03 | 中国科学院武汉物理与数学研究所 | 彩色三维扫描激光雷达颜色信息采集显示方法 |
CN104200239A (zh) * | 2014-09-09 | 2014-12-10 | 河海大学常州校区 | 一种基于图像特征融合识别的签名鉴伪***及方法 |
CN105528609A (zh) * | 2014-09-28 | 2016-04-27 | 江苏省兴泽实业发展有限公司 | 一种基于字符位置的车牌定位方法 |
CN104361593A (zh) * | 2014-11-14 | 2015-02-18 | 南京大学 | 一种基于hvs和四元数的彩色图像质量评价方法 |
CN104794690A (zh) * | 2015-04-01 | 2015-07-22 | 国家电网公司 | 基于sift匹配的立体图像彩色转灰度校正方法 |
CN104809710A (zh) * | 2015-05-14 | 2015-07-29 | 上海兆芯集成电路有限公司 | 图像去噪方法以及使用该方法的装置 |
CN106023268A (zh) * | 2016-05-30 | 2016-10-12 | 南昌大学 | 一种基于两步参数子空间优化的彩色图像灰度化方法 |
CN106503719A (zh) * | 2016-09-27 | 2017-03-15 | 深圳增强现实技术有限公司 | 一种物体颜色提取与检测方法及装置 |
CN106780379A (zh) * | 2016-12-08 | 2017-05-31 | 哈尔滨工业大学 | 一种计量显微镜的彩色图像增强方法 |
CN107192995A (zh) * | 2017-05-23 | 2017-09-22 | 西北工业大学 | 一种多层次信息融合的纯方位水下目标跟踪算法 |
CN107392967A (zh) * | 2017-07-05 | 2017-11-24 | 温州大学 | 一种基于多峰高斯分布函数的彩色图像灰度化方法 |
CN107578399A (zh) * | 2017-07-25 | 2018-01-12 | 天津大学 | 基于边界特征分割的的全参考图像质量评价方法 |
CN108010024A (zh) * | 2017-12-11 | 2018-05-08 | 宁波大学 | 一种盲参考色调映射图像质量评价方法 |
CN108288258A (zh) * | 2018-04-23 | 2018-07-17 | 电子科技大学 | 一种针对恶劣天气条件下的低质图像增强方法 |
CN108961227A (zh) * | 2018-06-22 | 2018-12-07 | 西安理工大学 | 一种基于空域和变换域多特征融合的图像质量评价方法 |
Non-Patent Citations (6)
Title |
---|
SHUIPL: "Anti-impulse-noiseEdgeDetectionviaAnisotropic MorphologicalDirectionalDerivatives", 《IEEETRANSACTIONSONIMAGEPROCESSING,2017,26(10)》 * |
周毅敏等: "多重光照色差下图像平滑美化处理算法", 《计算机科学》 * |
宋余庆等: "基于多特征融合的医学图像识别研究", 《计算机应用研究》 * |
徐光磊等: "组合数字彩色动感全息图的研究", 《激光与红外》 * |
杨钒等: "基于颜色对比度增强的红外与微光图像彩色融合方法", 《红外》 * |
谢正祥等: "基于视觉感知噪声模型的彩色图像质量评价和彩色图像质量最佳化", 《中国图象图形学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801922A (zh) * | 2021-04-01 | 2021-05-14 | 暨南大学 | 一种彩色图-灰度图-彩色图转换方法 |
CN112801922B (zh) * | 2021-04-01 | 2021-07-27 | 暨南大学 | 一种彩色图-灰度图-彩色图转换方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109903247B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527332B (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
CN109872285B (zh) | 一种基于变分约束的Retinex低照度彩色图像增强方法 | |
US11323676B2 (en) | Image white balance processing system and method | |
US7480419B2 (en) | Image signal processing | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CN104537634B (zh) | 动态图像中去除雨滴影响的方法和*** | |
CN106683080B (zh) | 一种视网膜眼底图像预处理方法 | |
CN105654436A (zh) | 一种基于前景背景分离的背光图像增强去噪方法 | |
CN106296620B (zh) | 一种基于直方图平移的色彩还原方法 | |
CN110473152B (zh) | 基于改进Retinex算法的图像增强方法 | |
Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
CN107767379A (zh) | Pcb板标注印刷质量检测方法 | |
CN109147005A (zh) | 一种用于红外图像的自适应染色方法、***、存储介质、终端 | |
CN107545550B (zh) | 细胞图像偏色校正方法 | |
CN109919859A (zh) | 一种户外场景图像去雾增强方法、计算设备及其存储介质 | |
CN105488475B (zh) | 手机中人脸检测方法 | |
WO2022227547A1 (zh) | 用于图像处理的方法、装置、电子设备及存储介质 | |
CN104809700A (zh) | 一种基于亮通道的低照度视频实时增强方法 | |
CN113436284A (zh) | 一种图像处理方法、装置、计算机设备和存储介质 | |
CN108711160A (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN106355596B (zh) | 一种融合均匀颜色信息和复合感受野模型的边缘检测方法 | |
CN109903247A (zh) | 基于高斯颜色空间相关性的彩色图像高精度灰度化方法 | |
CN114187515A (zh) | 图像分割方法和图像分割装置 | |
CN104240197B (zh) | 一种保持对比度、颜色一致性和灰度像素特征的消色方法 | |
CN107369157A (zh) | 一种自适应阈值Otsu图像分割方法及装置 |
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 |