CN110136084A - 基于离散小波变换的自动clahe图像增强方法、装置、***及存储介质 - Google Patents
基于离散小波变换的自动clahe图像增强方法、装置、***及存储介质 Download PDFInfo
- Publication number
- CN110136084A CN110136084A CN201910404895.8A CN201910404895A CN110136084A CN 110136084 A CN110136084 A CN 110136084A CN 201910404895 A CN201910404895 A CN 201910404895A CN 110136084 A CN110136084 A CN 110136084A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- clip
- histogram
- sub
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012937 correction Methods 0.000 claims abstract description 33
- 230000002708 enhancing effect Effects 0.000 claims abstract description 17
- 230000015556 catabolic process Effects 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000005520 cutting process Methods 0.000 claims description 35
- 238000013507 mapping Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
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
- G06T5/90—Dynamic range modification of images or parts thereof
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于离散小波变换的自动CLAHE图像增强方法,包括依次执行如下步骤:第一步骤:将输入的YUV图像从YUV空间转换到RGB颜色空间;第二步骤:RGB提取HSV空间的V分量并进行初步伽马校正,从而得到伽玛校正图像;第三步骤:使用离散小波变换将伽马校正后的图像分解为低频系数和高频系数。本发明的有益效果是:将具有根据图片纹理性质自动设置切割点clip point的Auto CLAHE方法与具有分离图片高低频信息的离散小波变换DWT方法结合,并应用伽马校正增强图像对比度方法对图片进行处理,在有效增强图像对比度同时,能抑制不利因素,如噪声等的增强。
Description
技术领域
本发明涉及视频图像处理领域,尤其涉及一种基于离散小波变换的自动CLAHE图像增强方法、装置、***及存储介质。
背景技术
在视频图像处理中,对比度增强是一种很重要的处理技术,可以有效提高视觉质量。一般来说,对比度越大,图像越清晰醒目,色彩也越鲜明;而对比度小,视觉上会觉得整个画面暗沉沉的。高对比度对于图像的清晰度、细节表现、灰度层次表现都有很大提高。一般采用自适应直方图均衡化(AHE)、对比度限制的自适应直方图均衡化(CLAHE)方法等提高图像对比度。但这些方法仍旧存在明显不足,如AHE有过度放大图像中相同区域噪声问题,CLAHE相比于AHE具有限制这种不利放大的功能,但抑制效果具有局限性,且面临着对比度过度拉伸问题。
发明内容
本发明提供了一种基于离散小波变换的自动CLAHE图像增强方法,包括依次执行如下步骤:
第一步骤:将输入的YUV图像从YUV空间转换到RGB颜色空间;
第二步骤:RGB提取HSV空间的V分量并进行初步伽马校正,从而得到伽玛校正图像;
第三步骤:使用离散小波变换将伽马校正后的图像分解为低频系数和高频系数;
第四步骤:使用伽马校正、Auto CLAHE增强低频系数并保持高频系数不变以限制噪声增强;
第五步骤:采用第四步骤的新低频系数与保留的高频系数进行逆离散小波变换操作来重建图像,得到改善的图片;
第六步骤:将改善的图片和原始图像的HSV空间的V分量之间的比例作为输入YUV图像的尺度缩放因子,缩放原始YUV图像以得到最终的输出图像。
作为本发明的进一步改进,在所述第四步骤中,切割点clip point自动设置的Auto CLAHE方法,其步骤具体如下:
步骤1:图像补块;
对原始灰度图进行补块padding操作,使处理对象的尺寸扩展为子块的整数倍,将补块后的图片分成不相互重叠的子块区域,总的图片块数表示为M×N,图片长宽按照最接近256的整数倍数填充,填充方法遵从从上到下呈镜像将原图像像素拷贝到要扩充的padding区域,原图像的第一行拷贝到上边沿补充的最后一行;
步骤2:直方图生成;
根据矩阵图像中的灰阶计算每个子块区域的直方图,直方图横坐标为灰阶大小k,纵坐标为灰阶为k的像素数量;
步骤3:自动直方图切割;
通过切割点clip point计算子块区域对比度限制的直方图,像素数量超过clippoint设置值的像素将被切割掉;
步骤4:灰阶映射和插值;
通过四个不同的映射mapping,使用双线性插值来计算子块像素的新灰度分配,以消除区域边界伪影;
步骤5:图像去块;
对图像去除多余的padding空间,恢复为原图像尺寸;
步骤6:全局直方图均衡化;
将去块depadding后的灰度图进行全局直方图均衡化。
作为本发明的进一步改进,在所述步骤1中,图像padding延展size的算法流程为:
S1:首先,判断图像的长H是否可以被256整除;若是,则n=[H/256],若否,则取
S2:判断H能否被n整除:若是,在P=H/n为偶数时,不需要padding,在P=H/n为奇数时,扩充数为n;若否,则取m=([H/n]+1)*n-H,此时,若[H/n]是奇数,则扩充数为m,否则,扩充数为m+n;P为计算的中间变量。
作为本发明的进一步改进,在所述步骤3中,动态范围越大的子块,标准差越大,分配的clip point数值越高,设计clip point形式为:
其中,β是切割点clip point的值,S是每个块中的像素数量,R是块内的动态范围,σ是子块的标准差;Avg子块像素的平均值,c是一个较小数值;
在所述步骤3中,像素分配到每个灰阶的平均值为:
Navggray=Nclip/Ngray
其中,切割的像素总数表示为Nclip,子块中的灰阶数量表示为Ngray;在所述步骤3中,所述通过切割点clip point计算子块区域对比度限制的直方图切割原则为:
If Hregion(i)>NCL then
Hregion_clip(i)=NCL
Else if Hregion(i)+Navggray>NCL then
Hregion_clip(i)=NCL
Else Hregion_clip(i)=Hregion(i)+NCL
其中,Hregion(i)和Hregion_elip(i)是每个子块区域在灰阶i的原始直方图和切割处理后的直方图,NCL表示clip point的数值大小;
在所述步骤3中,还包括重新分配切割下来的多余像素直到多余像素分配完全,重新分配像素原则为:
step=Ngray/Nremian
其中,Nremian是切割余留的像素数量,step是至少为1的正整数。
本发明还公开了一种基于离散小波变换的自动CLAHE图像增强装置,包括:
输入单元:用于将输入的YUV图像从YUV空间转换到RGB颜色空间;校正单元:用于RGB提取HSV空间的V分量并进行初步伽马校正,从而得到伽玛校正图像;
分解单元:用于使用离散小波变换将伽马校正后的图像分解为低频系数和高频系数;
处理单元:用于使用伽马校正、Auto CLAHE增强低频系数并保持高频系数不变以限制噪声增强;
重构图像单元:用于采用处理单元的新低频系数与保留的高频系数进行逆离散小波变换操作来重建图像,得到改善的图片;
输出单元:用于将改善的图片和原始图像的HSV空间的V分量之间的比例作为输入YUV图像的尺度缩放因子,缩放原始YUV图像以得到最终的输出图像。
作为本发明的进一步改进,在所述处理单元中,切割点clip point自动设置的Auto CLAHE方法,包括:
图像补块模块:对原始灰度图进行补块padding操作,使处理对象的尺寸扩展为子块的整数倍,将补块后的图片分成不相互重叠的子块区域,总的图片块数表示为M×N,图片长宽按照最接近256的整数倍数填充,填充方法遵从从上到下呈镜像将原图像像素拷贝到要扩充的padding区域,原图像的第一行拷贝到上边沿补充的最后一行;
直方图生成模块:根据矩阵图像中的灰阶计算每个子块区域的直方图,直方图横坐标为灰阶大小k,纵坐标为灰阶为k的像素数量;
自动直方图切割模块:通过切割点clip point计算子块区域对比度限制的直方图,像素数量超过clip point设置值的像素将被切割掉;
灰阶映射和插值模块:通过四个不同的映射mapping,使用双线性插值来计算子块像素的新灰度分配,以消除区域边界伪影;
图像去块模块:对图像去除多余的padding空间,恢复为原图像尺寸;
全局直方图均衡化模块:将去块depadding后的灰度图进行全局直方图均衡化。
作为本发明的进一步改进,在所述图像补块模块中,图像padding延展size的算法流程包括:
首先,判断图像的长H是否可以被256整除;若是,则n=[H/256],若否,则取
然后,判断H能否被n整除:若是,在P=H/n为偶数时,不需要padding,在P=H/n为奇数时,扩充数为n;若否,则取m=([H/n]+1)*n-H,此时,若[H/n]是奇数,则扩充数为m,否则,扩充数为m+n;P为计算的中间变量。
作为本发明的进一步改进,在所述自动直方图切割模块中,动态范围越大的子块,标准差越大,分配的clip point数值越高,设计clip point形式为:
其中,β是切割点clip point的值,S是每个块中的像素数量,R是块内的动态范围,σ是子块的标准差;Avg子块像素的平均值,c是一个较小数值;
在所述自动直方图切割模块中,像素分配到每个灰阶的平均值为:
Navggray=Nclip/Ngray
其中,切割的像素总数表示为Nclip,子块中的灰阶数量表示为Ngray;在所述自动直方图切割模块中,所述通过切割点clip point计算子块区域对比度限制的直方图切割原则为:
If Hregion(i)>NCL then
Hregion_clip(i)=NCL
Else if Hregion(i)+Navggray>NCL then
Hregion_clip(i)=NCL
Else Hregion_clip(i)=Hregion(i)+NCL
其中,Hregion(i)和Hregion_clip(i)是每个子块区域在灰阶i的原始直方图和切割处理后的直方图,NCL表示clip point的数值大小;
在所述自动直方图切割模块中,还包括重新分配切割下来的多余像素直到多余像素分配完全,重新分配像素原则为:
Step=Ngray/Nremian
其中,Nremian是切割余留的像素数量,step是至少为1的正整数。
本发明还公开了一种基于离散小波变换的自动CLAHE图像增强***,包括:存储器、处理器以及存储在所述存储器上的计算机程序,所述计算机程序配置为由所述处理器调用时实现权利要求中所述的方法的步骤。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现权利要求中所述的方法的步骤。
本发明的有益效果是:本发明的一种基于离散小波分解的自动CLAHE图像增强方法,它将具有根据图片纹理性质自动设置切割点clip point的Auto CLAHE方法与具有分离图片高低频信息的离散小波变换DWT方法结合,并应用伽马校正增强图像对比度方法对图片进行处理,在有效增强图像对比度同时,能抑制不利因素,如噪声等的增强。
附图说明
图1是本发明Auto CLAHE-DWT实现流程图;
图2是本发明Auto CLAHE实现流程图;
图3是本发明图像padding延展size的算法流程。
具体实施方式
名词解释:
padding:补块;
mapping:映射;
depadding:去块;
如图1所示,本发明公开了一种基于离散小波变换的自动CLAHE图像增强方法,包括依次执行如下步骤:
第一步骤:将输入的YUV图像从YUV空间转换到RGB颜色空间;
第二步骤:RGB提取HSV空间的V分量并进行初步伽马校正,从而得到伽玛校正图像;
第三步骤:使用离散小波变换(DWT)将伽马校正后的图像分解为近似(低频)系数和细节(高频)系数;
第四步骤:由于高频分量对应于细节信息并且包含原始图像的大多数噪声,使用伽马校正、Auto CLAHE增强低频系数并保持高频系数不变以限制噪声增强;
第五步骤:采用第四步骤的新低频系数与保留的高频系数进行逆离散小波变换(逆DWT)操作来重建图像,得到改善的图片;
第六步骤:将改善的图片和原始图像的HSV空间的V分量之间的比例作为输入YUV图像的尺度缩放因子,缩放原始YUV图像以得到最终的输出图像。
如图2所示,在所述第四步骤中,切割点clip point自动设置的Auto CLAHE方法,其步骤具体如下:
步骤1:图像补块;
对原始灰度图进行补块padding操作,使处理对象的尺寸扩展为子块的整数倍,将补块后的图片分成不相互重叠的子块区域,总的图片块数表示为M×N,图片长宽按照最接近256的整数倍数填充,填充方法遵从从上到下呈镜像将原图像像素拷贝到要扩充的padding区域,原图像的第一行拷贝到上边沿补充的最后一行;
步骤2:直方图生成;
根据矩阵图像中的灰阶计算每个子块区域的直方图,直方图横坐标为灰阶大小k,纵坐标为灰阶为k的像素数量;
步骤3:自动直方图切割;
通过切割点clip point计算子块区域对比度限制的直方图,像素数量超过clippoint设置值的像素将被切割掉;
步骤4:灰阶映射和插值;
通过四个不同的映射mapping,使用双线性插值来计算子块像素的新灰度分配,以消除区域边界伪影;
步骤5:图像去块;
对图像去除多余的padding空间,恢复为原图像尺寸;
步骤6:全局直方图均衡化;
为了不降低动态范围,将去块depadding后的灰度图进行全局直方图均衡化。
如图3所示,在所述步骤1中,图像padding延展size的算法流程为:S1:首先,判断图像的长H是否可以被256整除;若是,则n=[H/256],若否,则取
S2:判断H能否被n整除:若是,在P=H/n为偶数时,不需要padding,在P=H/n为奇数时,扩充数为n;若否,则取m=([H/n]+1)*n-H,此时,若[H/n]是奇数,则扩充数为m,否则,扩充数为m+n;P为计算的中间变量。
宽度延展方法与长度延展方式相同。
在所述步骤3中,由于每个子块平均灰度值和标准差可以表示子块的纹理,动态范围越大的子块,标准差越大,分配的clip point数值越高,设计clip point形式为:
其中,β是切割点clip point的值,S是每个块中的像素数量,R是块内的动态范围,σ是子块的标准差;Avg子块像素的平均值,c是一个较小数值,以避免分母为0。子块的纹理越多,σ/Avg越大,从而获得更大的clip point,纹理区域分配的剪切值更大,因此图像增强程度越大,反之亦然。
在所述步骤3中,像素分配到每个灰阶的平均值为:
Navggray=Nclip/Ngray
其中,切割的像素总数表示为Nclip,子块中的灰阶数量表示为Ngray;
在所述步骤3中,所述通过切割点clip point计算子块区域对比度限制的直方图切割原则为:
If Hregion(i)>NCL then
Hregion_clip(i)=NCL
Else if Hregion(i)+Navggray>NCL then
Hregion_clip(i)=NCL
Else Hregion_clip(i)=Hregion(i)+NCL
其中,Hregion(i)和Hregion_clip(i)是每个子块区域在灰阶i的原始直方图和切割处理后的直方图,NCL表示clip point的数值大小;
在所述步骤3中,还包括重新分配切割下来的多余像素直到多余像素分配完全,重新分配像素原则为:
step=Ngray/Nremian,
其中,Nremian是切割余留的像素数量,step是至少为1的正整数。程序从灰阶的最小值到最大值开始搜索,如果灰阶中像素数量小于NCL,程序将分配一个像素给此灰阶。如果搜索结束,像素没有分配完,程序将重新计算step,开始新一轮的搜索直到余留的像素完全分配。
本发明还公开了一种基于离散小波变换的自动CLAHE图像增强装置,其特征在于,包括:
输入单元:用于将输入的YUV图像从YUV空间转换到RGB颜色空间;校正单元:用于RGB提取HSV空间的V分量并进行初步伽马校正,从而得到伽玛校正图像;
分解单元:用于使用离散小波变换(DWT)将伽马校正后的图像分解为近似(低频)系数和细节(高频)系数;
处理单元:由于高频分量对应于细节信息并且包含原始图像的大多数噪声,用于使用伽马校正、Auto CLAHE增强低频系数并保持高频系数不变以限制噪声增强;
重构图像单元:用于采用处理单元的新低频系数与保留的高频系数进行逆离散小波变换(逆DWT)操作来重建图像,得到改善的图片;
输出单元:用于将改善的图片和原始图像的HSV空间的V分量之间的比例作为输入YUV图像的尺度缩放因子,缩放原始YUV图像以得到最终的输出图像。
在所述处理单元中,切割点clip point自动设置的Auto CLAHE方法,包括:
图像补块模块:对原始灰度图进行补块padding操作,使处理对象的尺寸扩展为子块的整数倍,将补块后的图片分成不相互重叠的子块区域,总的图片块数表示为M×N,图片长宽按照最接近256的整数倍数填充,填充方法遵从从上到下呈镜像将原图像像素拷贝到要扩充的padding区域,原图像的第一行拷贝到上边沿补充的最后一行;
直方图生成模块:根据矩阵图像中的灰阶计算每个子块区域的直方图,直方图横坐标为灰阶大小k,纵坐标为灰阶为k的像素数量;
自动直方图切割模块:通过切割点clip point计算子块区域对比度限制的直方图,像素数量超过clip point设置值的像素将被切割掉;
灰阶映射和插值模块:通过四个不同的映射mapping,使用双线性插值来计算子块像素的新灰度分配,以消除区域边界伪影;
图像去块模块:对图像去除多余的padding空间,恢复为原图像尺寸;
全局直方图均衡化模块:为了不降低动态范围,将去块depadding后的灰度图进行全局直方图均衡化。
在所述图像补块模块中,图像padding延展size的算法流程包括:
首先,判断图像的长H是否可以被256整除;若是,则n=[H/256],若否,则取
然后,判断H能否被n整除:若是,在P=H/n为偶数时,不需要padding,在P=H/n为奇数时,扩充数为n;若否,则取m=([H/n]+1)*n-H,此时,若[H/n]是奇数,则扩充数为m,否则,扩充数为m+n;
P为计算的中间变量。
宽度延展方法与长度延展方式相同。
在所述自动直方图切割模块中,由于每个子块平均灰度值和标准差可以表示子块的纹理,动态范围越大的子块,标准差越大,分配的clip point数值越高,设计clip point形式为:
其中,β是切割点clip point的值,S是每个块中的像素数量,R是块内的动态范围,σ是子块的标准差;Avg子块像素的平均值,c是一个较小数值,以避免分母为0。子块的纹理越多,σ/Avg越大,从而获得更大的clip point,纹理区域分配的剪切值更大,因此图像增强程度越大,反之亦然。在所述自动直方图切割模块中,像素分配到每个灰阶的平均值为:
Navggray=Nclip/Ngray
其中,切割的像素总数表示为Nclip,子块中的灰阶数量表示为Ngray;在所述自动直方图切割模块中,所述通过切割点clip point计算子块区域对比度限制的直方图切割原则为:
If Hregion(i)>NCL then
Hregion_clip(i)=NCL
Else if Hregion(i)+Navggray>NCL then
Hregion_clip(i)=NCL
Else Hregion_clip(i)=Hregion(i)+NCL
其中,Hregion(i)和Hregion_clip(i)是每个子块区域在灰阶i的原始直方图和切割处理后的直方图,NCL表示clip point的数值大小;
在所述自动直方图切割模块中,还包括重新分配切割下来的多余像素直到多余像素分配完全,重新分配像素原则为:
step=Ngray/Nremian
其中,Nremian是切割余留的像素数量,step是至少为1的正整数。程序从灰阶的最小值到最大值开始搜索,如果灰阶中像素数量小于NCL,程序将分配一个像素给此灰阶。如果搜索结束,像素没有分配完,程序将重新计算step,开始新一轮的搜索直到余留的像素完全分配。
本发明还公开了一种基于离散小波变换的自动CLAHE图像增强***,包括:存储器、处理器以及存储在所述存储器上的计算机程序,所述计算机程序配置为由所述处理器调用时实现权利要求中所述的方法的步骤。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现权利要求中所述的方法的步骤。
本发明的有益效果是:本发明的一种基于离散小波分解的自动CLAHE图像增强方法,它将具有根据图片纹理性质自动设置切割点clip point的Auto CLAHE方法与具有分离图片高低频信息的离散小波变换DWT方法结合,并应用伽马校正增强图像对比度方法对图片进行处理,在有效增强图像对比度同时,能抑制不利因素,如噪声等的增强。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于离散小波变换的自动CLAHE图像增强方法,其特征在于,包括依次执行如下步骤:
第一步骤:将输入的YUV图像从YUV空间转换到RGB颜色空间;
第二步骤:RGB提取HSV空间的V分量并进行初步伽马校正,从而得到伽玛校正图像;
第三步骤:使用离散小波变换将伽马校正后的图像分解为低频系数和高频系数;
第四步骤:使用伽马校正、Auto CLAHE增强低频系数并保持高频系数不变以限制噪声增强;
第五步骤:采用第四步骤的新低频系数与保留的高频系数进行逆离散小波变换操作来重建图像,得到改善的图片;
第六步骤:将改善的图片和原始图像的HSV空间的V分量之间的比例作为输入YUV图像的尺度缩放因子,缩放原始YUV图像以得到最终的输出图像。
2.根据权利要求1所述的自动CLAHE图像增强方法,其特征在于,在所述第四步骤中,切割点clip point自动设置的Auto CLAHE方法,其步骤具体如下:
步骤1:图像补块;
对原始灰度图进行补块padding操作,使处理对象的尺寸扩展为子块的整数倍,将补块后的图片分成不相互重叠的子块区域,总的图片块数表示为M×N,图片长宽按照最接近256的整数倍数填充,填充方法遵从从上到下呈镜像将原图像像素拷贝到要扩充的padding区域,原图像的第一行拷贝到上边沿补充的最后一行;
步骤2:直方图生成;
根据矩阵图像中的灰阶计算每个子块区域的直方图,直方图横坐标为灰阶大小k,纵坐标为灰阶为k的像素数量;
步骤3:自动直方图切割;
通过切割点clip point计算子块区域对比度限制的直方图,像素数量超过clip point设置值的像素将被切割掉;
步骤4:灰阶映射和插值;
通过四个不同的映射mapping,使用双线性插值来计算子块像素的新灰度分配,以消除区域边界伪影;
步骤5:图像去块;
对图像去除多余的padding空间,恢复为原图像尺寸;
步骤6:全局直方图均衡化;
将去块depadding后的灰度图进行全局直方图均衡化。
3.根据权利要求2所述的自动CLAHE图像增强方法,其特征在于,在所述步骤1中,图像padding延展size的算法流程为:
S1:首先,判断图像的长H是否可以被256整除;若是,则n=[H/256],若否,则取
S2:判断H能否被n整除:若是,在P=H/n为偶数时,不需要padding,在P=H/n为奇数时,扩充数为n;若否,则取m=([H/n]+1)*n-H,此时,若[H/n]是奇数,则扩充数为m,否则,扩充数为m+n;P为计算的中间变量。
4.根据权利要求3所述的自动CLAHE图像增强方法,其特征在于,在所述步骤3中,动态范围越大的子块,标准差越大,分配的clip point数值越高,设计clip point形式为:
其中,β是切割点clip point的值,S是每个块中的像素数量,R是块内的动态范围,σ是子块的标准差;Avg子块像素的平均值,c是一个较小数值;
在所述步骤3中,像素分配到每个灰阶的平均值为:
Navggray=Nclip/Ngray
其中,切割的像素总数表示为Nclip,子块中的灰阶数量表示为Ngray;
在所述步骤3中,所述通过切割点clip point计算子块区域对比度限制的直方图切割原则为:
If Hregion(i)>NCL then
Hregion_clip(i)=NCL
Else if Hregion(i)+Navggray>NCL then
Hregion_clip(i)=NCL
Else Hregion_clip(i)=Hregion(i)+NCL
其中,Hregion(i)和Hregion_clip(i)是每个子块区域在灰阶i的原始直方图和切割处理后的直方图,NCL表示clip point的数值大小;
在所述步骤3中,还包括重新分配切割下来的多余像素直到多余像素分配完全,重新分配像素原则为:
step=Ngray/Nremian
其中,Nremian是切割余留的像素数量,step是至少为1的正整数。
5.一种基于离散小波变换的自动CLAHE图像增强装置,其特征在于,包括:
输入单元:用于将输入的YUV图像从YUV空间转换到RGB颜色空间;
校正单元:用于RGB提取HSV空间的V分量并进行初步伽马校正,从而得到伽玛校正图像;
分解单元:用于使用离散小波变换将伽马校正后的图像分解为低频系数和高频系数;
处理单元:用于使用伽马校正、Auto CLAHE增强低频系数并保持高频系数不变以限制噪声增强;
重构图像单元:用于采用处理单元的新低频系数与保留的高频系数进行逆离散小波变换操作来重建图像,得到改善的图片;
输出单元:用于将改善的图片和原始图像的HSV空间的V分量之间的比例作为输入YUV图像的尺度缩放因子,缩放原始YUV图像以得到最终的输出图像。
6.根据权利要求5所述的自动CLAHE图像增强方法,其特征在于,在所述处理单元中,切割点clip point自动设置的Auto CLAHE方法,包括:
图像补块模块:对原始灰度图进行补块padding操作,使处理对象的尺寸扩展为子块的整数倍,将补块后的图片分成不相互重叠的子块区域,总的图片块数表示为M×N,图片长宽按照最接近256的整数倍数填充,填充方法遵从从上到下呈镜像将原图像像素拷贝到要扩充的padding区域,原图像的第一行拷贝到上边沿补充的最后一行;
直方图生成模块:根据矩阵图像中的灰阶计算每个子块区域的直方图,直方图横坐标为灰阶大小k,纵坐标为灰阶为k的像素数量;
自动直方图切割模块:通过切割点clip point计算子块区域对比度限制的直方图,像素数量超过clip point设置值的像素将被切割掉;
灰阶映射和插值模块:通过四个不同的映射mapping,使用双线性插值来计算子块像素的新灰度分配,以消除区域边界伪影;
图像去块模块:对图像去除多余的padding空间,恢复为原图像尺寸;
全局直方图均衡化模块:将去块depadding后的灰度图进行全局直方图均衡化。
7.根据权利要求6所述的自动CLAHE图像增强方法,其特征在于,在所述图像补块模块中,图像padding延展size的算法流程包括:
首先,判断图像的长H是否可以被256整除;若是,则n=[H/256],若否,则取
然后,判断H能否被n整除:若是,在P=H/n为偶数时,不需要padding,在P=H/n为奇数时,扩充数为n;若否,则取m=([H/n]+1)*n-H,此时,若[H/n]是奇数,则扩充数为m,否则,扩充数为m+n;P为计算的中间变量。
8.根据权利要求7所述的自动CLAHE图像增强方法,其特征在于,在所述自动直方图切割模块中,动态范围越大的子块,标准差越大,分配的clip point数值越高,设计clippoint形式为:
其中,β是切割点clip point的值,S是每个块中的像素数量,R是块内的动态范围,σ是子块的标准差;Avg子块像素的平均值,c是一个较小数值;
在所述自动直方图切割模块中,像素分配到每个灰阶的平均值为:
Navggray=Nclip/Ngray
其中,切割的像素总数表示为Nclip,子块中的灰阶数量表示为Ngray;
在所述自动直方图切割模块中,所述通过切割点clip point计算子块区域对比度限制的直方图切割原则为:
If Hregion(i)>NCL then
Hregion_clip(i)=NCL
Else if Hregion(i)+Navggray>NCL then
Hregion_clip(i)=NCL
Else Hregion_clip(i)=Hregion(i)+NCL
其中,Hregion(i)和Hregion_clip(i)是每个子块区域在灰阶i的原始直方图和切割处理后的直方图,NCL表示clip point的数值大小;
在所述自动直方图切割模块中,还包括重新分配切割下来的多余像素直到多余像素分配完全,重新分配像素原则为:
step=Ngray/Nremian
其中,Nremian是切割余留的像素数量,step是至少为1的正整数。
9.一种基于离散小波变换的自动CLAHE图像增强***,其特征在于:包括:存储器、处理器以及存储在所述存储器上的计算机程序,所述计算机程序配置为由所述处理器调用时实现权利要求1-4中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现权利要求1-4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910404895.8A CN110136084A (zh) | 2019-05-16 | 2019-05-16 | 基于离散小波变换的自动clahe图像增强方法、装置、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910404895.8A CN110136084A (zh) | 2019-05-16 | 2019-05-16 | 基于离散小波变换的自动clahe图像增强方法、装置、***及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110136084A true CN110136084A (zh) | 2019-08-16 |
Family
ID=67574437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910404895.8A Pending CN110136084A (zh) | 2019-05-16 | 2019-05-16 | 基于离散小波变换的自动clahe图像增强方法、装置、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136084A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709898A (zh) * | 2020-06-20 | 2020-09-25 | 昆明物理研究所 | 基于优化clahe的红外图像增强方法与*** |
CN112308793A (zh) * | 2020-10-21 | 2021-02-02 | 淮阴工学院 | 一种新型的非均匀光照图像对比度和细节增强方法 |
CN112712134A (zh) * | 2021-01-15 | 2021-04-27 | 中冶赛迪重庆信息技术有限公司 | 一种原料颗粒分类识别方法、***、介质及电子终端 |
CN112785532A (zh) * | 2021-01-12 | 2021-05-11 | 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 |
CN112967208A (zh) * | 2021-04-23 | 2021-06-15 | 北京恒安嘉新安全技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
WO2021120790A1 (zh) * | 2019-12-19 | 2021-06-24 | 腾讯科技(深圳)有限公司 | 一种图像增强的方法、装置及计算机可读存储介质 |
CN113989137A (zh) * | 2021-10-21 | 2022-01-28 | 武汉博视电子有限公司 | 一种脸部肌肤图像色素沉着提取并形成棕区光谱的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537678A (zh) * | 2015-01-15 | 2015-04-22 | 常州工学院 | 一种从单幅遥感图像中去除云雾的方法 |
CN105931201A (zh) * | 2016-04-20 | 2016-09-07 | 北京航空航天大学 | 一种基于小波变换的图像主观视觉效果增强方法 |
CN106296600A (zh) * | 2016-08-01 | 2017-01-04 | 大连理工大学 | 一种基于小波变换图像分解的对比度增强方法 |
CN106709891A (zh) * | 2016-11-15 | 2017-05-24 | 哈尔滨理工大学 | 基于小波变换与自适应变换结合的图像处理方法 |
CN108389163A (zh) * | 2018-01-22 | 2018-08-10 | 西安工程大学 | 一种基于暗光彩色图像的自适应增强方法 |
CN108961172A (zh) * | 2018-05-17 | 2018-12-07 | 贵州莜桔西科技有限公司 | 一种基于Gamma校正的图像对比度增强方法 |
CN109064413A (zh) * | 2018-07-03 | 2018-12-21 | 赛诺微医疗科技(浙江)有限公司 | 图像对比度增强方法及采用其的图像采集医疗设备 |
-
2019
- 2019-05-16 CN CN201910404895.8A patent/CN110136084A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537678A (zh) * | 2015-01-15 | 2015-04-22 | 常州工学院 | 一种从单幅遥感图像中去除云雾的方法 |
CN105931201A (zh) * | 2016-04-20 | 2016-09-07 | 北京航空航天大学 | 一种基于小波变换的图像主观视觉效果增强方法 |
CN106296600A (zh) * | 2016-08-01 | 2017-01-04 | 大连理工大学 | 一种基于小波变换图像分解的对比度增强方法 |
CN106709891A (zh) * | 2016-11-15 | 2017-05-24 | 哈尔滨理工大学 | 基于小波变换与自适应变换结合的图像处理方法 |
CN108389163A (zh) * | 2018-01-22 | 2018-08-10 | 西安工程大学 | 一种基于暗光彩色图像的自适应增强方法 |
CN108961172A (zh) * | 2018-05-17 | 2018-12-07 | 贵州莜桔西科技有限公司 | 一种基于Gamma校正的图像对比度增强方法 |
CN109064413A (zh) * | 2018-07-03 | 2018-12-21 | 赛诺微医疗科技(浙江)有限公司 | 图像对比度增强方法及采用其的图像采集医疗设备 |
Non-Patent Citations (4)
Title |
---|
HUANG LIDONG ET AL: "Combination of contrast limited adaptive histogram equalisation and discrete wavelet transform for image enhancement", 《IET IMAGE PROCESSING》 * |
YAKUN CHANG等: "Automatic Contrast-Limited Adaptive Histogram Equalization With Dual Gamma Correction", 《IEEE ACCESS》 * |
杨艳等: "基于双字典学习的眼底图像血管分割", 《光电子•激光》 * |
肖晓: "基于Retinex的图像增强算法研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021120790A1 (zh) * | 2019-12-19 | 2021-06-24 | 腾讯科技(深圳)有限公司 | 一种图像增强的方法、装置及计算机可读存储介质 |
CN111709898A (zh) * | 2020-06-20 | 2020-09-25 | 昆明物理研究所 | 基于优化clahe的红外图像增强方法与*** |
CN111709898B (zh) * | 2020-06-20 | 2023-05-23 | 昆明物理研究所 | 基于优化clahe的红外图像增强方法与*** |
CN112308793A (zh) * | 2020-10-21 | 2021-02-02 | 淮阴工学院 | 一种新型的非均匀光照图像对比度和细节增强方法 |
CN112785532A (zh) * | 2021-01-12 | 2021-05-11 | 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 |
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 |
CN112712134A (zh) * | 2021-01-15 | 2021-04-27 | 中冶赛迪重庆信息技术有限公司 | 一种原料颗粒分类识别方法、***、介质及电子终端 |
CN112967208A (zh) * | 2021-04-23 | 2021-06-15 | 北京恒安嘉新安全技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN112967208B (zh) * | 2021-04-23 | 2024-05-14 | 北京恒安嘉新安全技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN113989137A (zh) * | 2021-10-21 | 2022-01-28 | 武汉博视电子有限公司 | 一种脸部肌肤图像色素沉着提取并形成棕区光谱的方法 |
CN113989137B (zh) * | 2021-10-21 | 2024-07-26 | 武汉博视电子有限公司 | 一种脸部肌肤图像色素沉着提取并形成棕区光谱的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136084A (zh) | 基于离散小波变换的自动clahe图像增强方法、装置、***及存储介质 | |
US7433514B2 (en) | Tone mapping of high dynamic range images | |
US10129437B2 (en) | Image processing apparatus, image processing method, recording medium, and program | |
CN106780417B (zh) | 一种光照不均图像的增强方法及*** | |
US8837854B2 (en) | Image processing method for boundary resolution enhancement | |
US20030189579A1 (en) | Adaptive enlarging and/or sharpening of a digital image | |
Lai et al. | Improved local histogram equalization with gradient-based weighting process for edge preservation | |
EP1975871A2 (en) | Picture processing apparatus and method | |
WO2002027657A2 (en) | Image sharpening by variable contrast stretching | |
Tsai | Adaptive local power-law transformation for color image enhancement | |
CN104574361A (zh) | 一种乳腺外周组织均衡的图像处理方法和装置 | |
CN110298792B (zh) | 低光照图像增强与去噪方法、***及计算机设备 | |
CN106169181A (zh) | 一种图像处理方法及*** | |
CN104680485A (zh) | 一种基于多分辨率的图像去噪方法及装置 | |
US7623723B2 (en) | Method for random point and patterned noise reduction in digital images | |
CN110322404B (zh) | 一种图像增强方法及*** | |
CN108961206A (zh) | 一种去雾效果的无参考客观评价方法 | |
CN112017263B (zh) | 基于深度学习的试卷智能生成方法和*** | |
DE102020133244A1 (de) | Kantenbewusste Aufwärtsskalierung für verbesserte Bildschirminhaltsqualität | |
CN114187222A (zh) | 一种低照度图像的增强方法、***及可存储介质 | |
CN110415188A (zh) | 一种基于多尺度形态学的hdr图像色调映射方法 | |
Battiato et al. | ALZ: adaptive learning for zooming digital images | |
Prabukumar et al. | Compressed domain contrast and brightness improvement algorithm for colour image through contrast measuring and mapping of DWT coefficients | |
US8139898B2 (en) | Image process method and apparatus for image enlargement and enhancement | |
CN109658364A (zh) | 图像处理方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |