CN110807748A - 一种基于高动态范围的新色调映射图像增强方法 - Google Patents

Abstract

本发明公开了一种基于高动态范围的新色调映射图像增强方法，其包括以下步骤：图像输入、灰度处理、数据转为对数域、获取R分量、局部自适应处理、对比度校正、输出图像实现兼容各种不同类型、不同光照条件下的图像增强处理。能有效避免在传统图像增强过程中容易出现光圈伪影、过度增强等问题。

Description

一种基于高动态范围的新色调映射图像增强方法

技术领域

本发明属于图像增强处理技术领域，涉及一种基于高动态范围的新色调映射图像增强方法。

背景技术

随着互联网和AI技术的发展，人们较多的需要从图像或视频处理中获取有用的信息，而有些图像在采集过程中由于光照环境、物体表面反光或硬件拍摄设备的问题，导致图片模糊不清、不能有效获取相关信息。此时就需要对图像进行增强处理，进而获取更多有用的信息。

目前已经有在用的技术有“多尺度视网膜增强”和“自适应对数增强”等。而这些技术又在不同程度上又有自己的弊端。比如容易受到光照等条件的影响，导致识别效果不佳，容易出现过度增强或增强效果达不到的情况。而且并不能兼容各种类型的图像增强处理。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于高动态范围的新色调映射图像增强方法。

什么是高动态范围：

现实世界中的场景是一个动态范围，场景的动态范围被定义为场景中最亮部分的亮度值和最暗部分的亮度值之比。而传统的显示设备所能显示的范围有限，该比值越高的图像，会导致图像的有些亮度信息在传统的显示设备上不能呈现。

为解决上述技术问题，本发明所采取的技术方案是：一种基于高动态范围的新色调映射图像增强方法，能够较完整的呈现图像信息。

其包括以下步骤：

步骤1，输入数据是OpenCV处理过的Mat类型的矩阵数据。

步骤2，使用图像色彩空间转换函数将图像从RGB模式转为灰度模式；

步骤3，数域转换，将Mat类型的矩阵数据转为对数域形式。

步骤4，R分量获取。

步骤5，局部自适应处理，将图像分成若干块，获取每一块的结构元素，使用引导滤波器进行滤波处理，降低图像低频区域并增强高频区域；

步骤6，对比度校正，采用基于场景的亮度值的对比度增强因子，引入非线性偏移来处理对数函数的非线性强度；

步骤7，输出图像。

上述技术方案中，所述步骤5中，将图像分成100块。

本发明的有益效果是：能够兼容各种不同类型、不同光照条件下的图像。

附图说明

图1是本发明物体的成像原理图。

图2是本发明的方法流程图。

图3 是本发明的引导图工作原理。

图4是本发明的矩阵模版示意图。

具体实施方式

下面结合附图对本发明作进一步详细的说明。

本发明的理论基础是物体的颜色不受入射光强度绝对值的影响，是由物体本身的反射能力决定。是以色感一致性（颜色恒常性）为基础。物体的图像是由光照图像L和反射率图像R的乘积构成，如图1所示。

如图2所示，基于高动态范围的新色调映射图像增强方法的具体步骤为：

步骤1、图像输入，给出一个图像路径，使用OpenCV中 imread函

数读取。得到Mat类型的矩阵数据，设为src，如下图，那么图像的长就是图像矩阵数据的列数src.cols，图像的宽就是行数src.rows。

步骤2、灰度处理，使用图像色彩模式转换函数cvtColor将图像从RGB模式转为灰度模式。

图像都是有R、G、B三种原色组成，将之转化成灰度处理有很多种方法，包括浮点算法、整数算法、移位算法、平均算法、仅取算法等。这里使用的是浮点算法。设灰度位Gray，灰度的获取公式为：

Gray =R*0.299 + G*0.587 + B*0.114

最终将图像从R、G、B三个维度转变成一个维度来处理图像。

步骤3、数域转换，将Mat类型的矩阵数据转为对数域形式。即为将S=R*L转化为log^(S)=log^(R)+log^(L)对数表示形式，其中R为反射率图像，L为光照图像，S为原始图像。

步骤4、R分量获取，从原始图像S中估测L分量，并将L分量从S分量中去除，得到R分量；L=f(S)，R=S-L。

步骤5、局部自适应处理：

1）将图像分成100个小块；

图像是经过处理的Mat类型的数据，分割成100小块，那么经过分割后的图像也是Mat类型的矩阵数据，设为kernelSize，如果经过分割后的图像小于（3*3），即3行3列，那么我们就设定划分的图像块为3，如果大于3，则图像块大小设定（src.rows/100,src.cols/100）。得到单块图像的大小为：

kernelSize = floor(std::max(3,std::max(src.rows/100,src.cols/100)));

2）获取每个小块的结构元素；

设每个小块的结构元素为kernel,则利用opencv函数getStructuringElement获取。kernel = cv::getStructuringElement(MORPH_RECT,Size(kernelSize,kernelSize)。

3）使用引导滤波器替换高斯滤波器进行滤波处理，降低“图像低频区域”并增强“高频区域”,保证了图像再现性和动态范围压缩。

引导滤波器的优势：

1) 引导滤波器是需要引导图的滤波器。引导图可以是单独的图像。

也可以是输入的图像本身。当引导图是输入图像本身时，引导滤波就可以保持图像边缘，降噪、平滑等，用于图像重建。

2) 高斯滤波算法采用的核函数相对于待处理的图像是分离的。意

味着对任意的图像都采用相同的操作，而引导滤波可以加入输入图像的信息。

3) 引导滤波器工作原理，如图三。

原理参数：p为输入图像，I 为引导图像，a,b是当窗口中心位于k时该线性函数的不变系数，q为输出图像。

步骤6、对比度矫正：

主要采用了基于场景的亮度值的对比度增强因子，引入非线性偏移来处理对数函数的非线性强度。

对比度增强算法包括：线性变换、分段线性变换、伽马变换、直方图正规化、全局直方图均衡化、局部自适应直方图均衡化。

本发明采用的是局部自适应增强因子，而自适应增强又分为自适应直方图均衡化（AHE）和本发明所使用的自适应对比度增强（ACE）。

AHE算法使用的是局部的直方图的相关信息对数据进行映射。需要大量的计算。

ACE算法使用的是反锐化掩膜技术，将图像分为低频和高频两个部分，低频部分可以通过低通滤波处理，高频部分可以用原图减去反锐化掩膜获取。

掩膜主要运用在图像卷积过程中，首先设定一个掩膜，然后根据掩膜的计算公式从上到下，从左到右对每个像素重新计算，得到对比度提高的矩阵数据：

如：定义一个掩膜，是一个3*3的矩阵（也就是opencv 内核结构），使用该因子进行图像卷积。卷积因子如下，公式为:

I(i,j)=5*I(i,j)-[I(i-1,j)+I(i+1,j)+I(I,j-1)+I(i,j+1)]

I(i,j)表示坐标为（i,j）的那个点。

线性滤波和非线性滤波：

图像处理过程中包括图像滤波，而图像滤波又分为线性滤波和非线性滤波。线性滤波是纯加减乘除运算的滤波，如均值滤波（像素灰度值的平均值）、高斯滤波（高斯加权平均值）非线性滤波：是一种逻辑运算，如求最大值、最小值等。本方法用到opencv 中minMaxLoc()函数，用来获取矩阵数据中的最小值和最大值，属于非线性偏移滤波。

线性滤波：

1.均值滤波，就是把滤波器模板邻域内的像素的平均值赋值给中心元素，如图4所示的矩阵模版。

2.高斯滤波，主要是利用二维高斯函数的分布来对图像进行平滑处理。

本方法利用的高斯函数是：

其中，x、y是中心点坐标，σ是方差。

非线性滤波：

1. 中值滤波，是利用像素点邻域灰度值的中值来代替该像素点的灰度值，优点是该方法可以有效去除脉冲噪声、椒盐噪声并能保留边缘特征。缺点是比线性均值滤波的处理速度慢，耗时是均值滤波的5倍以上。

2. 双边滤波，会结合图像空间临近度和像素相似度的折衷处理，同时会考虑空域信息和灰度相似性，达到去噪保边的目的。

步骤7、得到目标图像。

得到的图像数据是处理后的Mat数据,设为dst。可以通过imwrite()函数写到本地。如要写到本地D盘根目录，文件名为“dst.jpg”

imwrite(“D:/dst.jpg”,dst)。

以上的实施例只是在于说明而不是限制本发明，故凡依本发明专利申请范围所述的方法所做的等效变化或修饰，均包括于本发明专利申请范围内。

Claims (2)

1.一种基于高动态范围的新色调映射图像增强方法，其特征在于：包括以下步骤：

步骤1，图像输入，输入经OpenCV处理过的Mat类型的矩阵数据；

步骤2，灰度处理，使用图像色彩空间转换函数将图像从RGB模式转为灰度模式；

步骤3，将Mat矩阵数据转为对数域，即为将S=R*L转化为log(S)=log(R)+log(L)对数表示形式，其中R为反射率图像，L为光照图像，S为原始图像；

步骤4，获取R分量，从原始图像S中估测L分量，并将L分量从S分量中去除，得到R分量；L=f(S)，R=S-L；

步骤5，局部自适应处理，将图像分成若干块，获取每一块的结构元素，使用引导滤波器进行滤波处理，降低图像低频区域并增强高频区域；

步骤6，对比度校正，采用基于场景的亮度值的对比度增强因子，引入非线性偏移来处理对数函数的非线性强度；

步骤7，输出图像。

2.根据权利要求1所述的一种基于高动态范围的新色调映射图像增强方法，其特征在于：所述步骤5中，将图像分成100块。

Images