CN112348763A - 图像增强方法、装置、电子设备及介质 - Google Patents
图像增强方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN112348763A CN112348763A CN202011240530.5A CN202011240530A CN112348763A CN 112348763 A CN112348763 A CN 112348763A CN 202011240530 A CN202011240530 A CN 202011240530A CN 112348763 A CN112348763 A CN 112348763A
- Authority
- CN
- China
- Prior art keywords
- layer image
- value
- histogram
- image
- threshold
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 79
- 238000013507 mapping Methods 0.000 claims abstract description 69
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 230000001186 cumulative effect Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种图像增强方法、装置、电子设备及介质。该方法包括:根据基本层图像的灰度值对应直方图值的均值和标准差,确定双平台直方图均衡化的上平台阈值和下平台阈值,对基本层图像进行双平台直方图均衡化处理,得到目标基本层图像;基于增益系数对细节层图像进行增益处理,并基于分段函数进行分段映射处理,得到目标细节层图像;将目标基本层图像和目标细节层图像融合后得到增强目标图像;基本层图像和细节层图像为对目标图像进行滤波处理得到的。上述方案能够有效解决了背景过度拉伸的问题,并避免对图像噪声过度增强的同时,增强图像的细节。
Description
技术领域
本申请实施例涉及图像处理技术领域,尤其涉及一种图像增强方法、装置、电子设备及介质。
背景技术
数字图像细节增强(Digital Detail Enhancement,DDE)技术是近年来迅速发展的图像处理技术,DDE算法通过增强场景中目标与背景之间的对比度以及目标自身表面细微结构(如边缘、轮廓、纹理等)的对比度来提高对细小目标检测、识别的能力,增强对图像内容和关键细节信息理解的准确性,可为人眼判断或后续自动识别和跟踪提供基础。
目前的图像增强技术对于灰度级集中,灰度值变化范围小的图像进行处理时,不能解决背景过度拉伸的问题,场景适用性差。并且存在图像噪声增强、部分细节丢失等问题。
发明内容
本发明实施例提供一种图像增强方法、装置、电子设备及介质,以在不对噪声进行增强的前提下,增强图像细节,提高对不同图像的适用性。
在一个实施例中,本申请实施例提供了一种图像增强方法,该方法包括:
确定基本层图像的直方图中,灰度值对应直方图值的均值和标准差,并根据所述均值和所述标准差确定双平台直方图均衡化的上平台阈值和下平台阈值;
基于所述上平台阈值和所述下平台阈值,对所述基本层图像进行双平台直方图均衡化处理,得到目标基本层图像;
基于增益系数对细节层图像进行增益处理,并基于分段函数对增益后的细节层图像进行分段映射处理,得到目标细节层图像;
将所述目标基本层图像和所述目标细节层图像进行融合,得到增强目标图像;
其中,所述基本层图像和所述细节层图像为对目标图像进行分层处理得到的。
在另一个实施例中,本申请实施例还提供了一种图像增强装置,该装置包括:
阈值确定模块,用于确定基本层图像的直方图中,灰度值对应直方图值的均值和标准差,并根据所述均值和所述标准差确定双平台直方图均衡化的上平台阈值和下平台阈值;
均衡化处理模块,用于基于所述上平台阈值和所述下平台阈值,对所述基本层图像进行双平台直方图均衡化处理,得到目标基本层图像;
细节层处理模块,用于基于增益系数对细节层图像进行增益处理,并基于分段函数对增益后的细节层图像进行分段映射处理,得到目标细节层图像;
融合模块,用于将所述目标基本层图像和所述目标细节层图像进行融合,得到增强目标图像;
其中,所述基本层图像和所述细节层图像为对目标图像进行分层处理得到的。
在又一个实施例中,本申请实施例还提供了一种电子设备,包括:一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本申请实施例任一项所述的图像增强方法。
在再一个实施例中,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例中任一项所述的图像增强方法。
本申请实施例中,通过确定基本层图像的直方图中,灰度值对应直方图值的均值和标准差,并根据所述均值和所述标准差确定双平台直方图均衡化的上平台阈值和下平台阈值;基于所述上平台阈值和所述下平台阈值,对所述基本层图像进行双平台直方图均衡化处理,得到目标基本层图像,从而适应性确定上、下平台阈值进行均衡化处理,解决了对于动态范围小的图像背景过度拉伸的问题,对不同特性的图像都具有适用性。通过基于增益系数对细节层图像进行增益处理,并基于分段函数对增益后的细节层图像进行分段映射处理,得到目标细节层图像;将所述目标基本层图像和所述目标细节层图像进行融合,得到增强目标图像,从而有效地增强图像细节,避免过度增强图像噪声,实现理想的图像增强效果。
附图说明
图1为本发明一种实施例提供的图像增强方法的流程图;
图2为本发明一种实施例提供的图像增强方法的具体实现流程图;
图3为本发明另一实施例提供的图像增强方法的流程图;
图4为本发明另一实施例提供的区间直方图确定示意图;
图5为本发明又一实施例提供的图像增强方法的流程图;
图6为本发明又一实施例提供的细节层图像扩展示意图;
图7为本发明又一实施例提供的细节层图像分段映射示意图;
图8为本发明一种实施例提供的图像增强装置的结构示意图;
图9为本发明一种实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明一种实施例提供的图像增强方法的流程图。本实施例提供的图像增强方法可适用于对图像进行增强处理的情况。该方法具体可以由图像增强装置执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在能够实现本申请实施例提供的图像增强方法的电子设备中。参见图1,本申请实施例的方法具体包括:
S110、确定基本层图像的直方图中,灰度值对应直方图值的均值和标准差,并根据所述均值和所述标准差确定双平台直方图均衡化的上平台阈值和下平台阈值。
在本申请实施例中,如图2所示,对于待增强的目标图像,首先进行分层处理得到基本层图像和细节层图像,分层处理的过程可以为:对目标图像进行低通滤波得到基本层图像,再从目标图像中除去基本层图像得到细节层图像。也可以为对目标图像进行平滑滤波处理得到基本层图像,对目标图像进行锐化滤波处理得到细节层图像。也可以通过其他方式得到基本层图像和基本层图像,在此不作具体限定。通过分层处理得到基本层图像和细节层图像,从而对于基本层图像和细节层图像分别处理,针对背景和细节针对性的采用不同的方式进行处理,以提高图像增强的效果。在基本层图像的直方图中,横坐标为灰度值,纵坐标为基本层图像中各灰度值对应的像素点数量,在本申请实施例中,直方图值即为直方图的纵坐标。
目前的双平台直方图均衡化的上、下平台阈值的确定方式单一固定,无法根据不同图像的特性,适应性地确定适用于该图像的上、下平台阈值进行直方图均衡化,直方图均衡化效果不理想。在本申请实施例中,结合基本层图像的直方图均值和标准差,针对性地确定上平台阈值和下平台阈值,从而能够对噪声进行有效地抑制,对细节进行适度放大增强。
在本申请实施例中,上平台阈值可以为均值和标准差的和,下平台阈值可以为均值和标准差的差。也可以根据其他均值和标准差的关系,确定上平台阈值和下平台阈值,在此不做限定,只要是根据均值和标准差确定上平台阈值和下平台阈值的方案,均在本申请的保护范围之内。
S120、基于所述上平台阈值和所述下平台阈值,对所述基本层图像进行双平台直方图均衡化处理,得到目标基本层图像。
在本申请实施例中,基于上平台阈值和下平台阈值,对基本层图像进行双平台直方图均衡化处理的方案包括:采用上平台阈值和下平台阈值,对基本层直方图中各灰度值对应的直方图值进行修正,如果直方图值小于或等于下平台阈值,则将该直方图值修正为下平台阈值,如果直方图值大于下平台阈值,小于上平台阈值,则直方图值保持不变,如果直方图值大于或等于上平台阈值,则将直方图值修正为上平台阈值。根据修正后的直方图值,计算各灰度值对应的累计直方图值,基于各灰度值对应的累计直方图值,基本层图像的总像素数以及灰度级映射范围,对灰度值进行重新分配,使灰度值映射分布至灰度级映射范围之间。基于灰度值的映射关系,对基本层图像中各像素点的灰度值进行映射,以使基本层图像各像素点的灰度值映射分布于灰度级映射范围内,得到目标基本层图像。
S130、基于增益系数对细节层图像进行增益处理,并基于分段函数对增益后的细节层图像进行分段映射处理,得到目标细节层图像。
其中,增益系数可以根据实际情况进行确定。将细节层图像的各像素点的灰度值乘以增益系数,得到增益后的细节层图像,从而实现对细节层图像的细节进行增强处理。
如果对细节层图像整体全部进行增益处理,则同时也对细节层图像中的噪声进行了增益处理,因此,在本申请实施例中,在对细节层图像进行增益处理之后,基于分段函数对增益后的细节层图像进行分段映射处理,以削弱噪声像素点,增强细节点。分段函数可以根据实际情况进行适应性确定,可以将小于预设灰度值下限的噪声点,和大于预设灰度值上限的噪声点的灰度值设置为常数,而位于预设灰度值下限和预设灰度值上限之间的细节点的灰度值进行增益,从而突出细节点的特征。
S140、将所述目标基本层图像和所述目标细节层图像进行融合,得到增强目标图像。
示例性的,将目标基本层图像和目标细节层图像相加进行融合,得到增强目标图像,实现对目标图像的增强。
本申请实施例中,通过确定基本层图像的直方图中,灰度值对应直方图值的均值和标准差,并根据所述均值和所述标准差确定双平台直方图均衡化的上平台阈值和下平台阈值;基于所述上平台阈值和所述下平台阈值,对所述基本层图像进行双平台直方图均衡化处理,得到目标基本层图像,从而适应性确定上下平台与之进行均衡化处理,从而解决了对于动态范围小的图像背景过度拉伸的问题,对不同图像具有适用性。通过基于增益系数对细节层图像进行增益处理,并基于分段函数对增益后的细节层图像进行分段映射处理,得到目标细节层图像;将所述目标基本层图像和所述目标细节层图像进行融合,得到增强目标图像,从而有效地增强图像细节,避免过度增强图像噪声,实现理想的图像增强效果。
图3为本发明另一实施例提供的图像增强方法的流程图。本申请实施例为对上述实施例的进一步优化,未在本实施例中详细描述的细节详见上述实施例。参见图3,本实施例提供的图像增强方法可以包括:
S210、在所述基本层图像的直方图中,确定总像素数的中值对应的中值灰度值,或者总像素数的均值对应的中值灰度值。
示例性的,确定基本层图像的总像素数的中值,在基本层图像的直方图中,确定中值对应的灰度值,作为中值灰度值。或者也可以确定基本层图像的总像素数的均值,在基本层图像的直方图中,确定均值对应的灰度值,作为中值灰度值。如图4所示,在基本层图像直方图的纵坐标中,锁定总像素数的中值对应的纵坐标,确定该纵坐标对应的横坐标rangeMid,即为中值灰度值。
S220、根据灰度级映射范围最小值至所述中值灰度值的灰度值区间对应的第一区间直方图,确定应直方图值的第一均值和第一标准差。
示例性的,灰度级映射范围为[rangeDown,rangeUp],灰度级映射范围最小值为rangeDown,灰度级映射范围最大值为rangeUp,灰度级映射范围最小值至中值灰度值的灰度值区间为[rangeDown,rangeMid],则该区间对应的第一区间直方图即为图4中的S1部分的直方图。根据S1确定直方图值的第一均值和第一标准差。第一均值即为S1中所有纵坐标的和除以(rangeMid-rangeDown)。再针对S1中的各点的直方图值以及第一均值,计算第一标准差。
S230、根据所述中值灰度值至灰度级映射范围最大值的灰度值区间对应的第二区间直方图,确定直方图值的第二均值和第二标准差。
示例性的,中值灰度值至灰度级映射范围最大值的灰度值区间为[rangeMid,rangeUp],该区间对应的第二区间直方图即为图4中的S2部分的直方图。根据S2确定直方图值的第二均值和第二标准差。第二均值即为S2中所有纵坐标的和除以(rangeUp-rangeMid),再针对S2中的各点的直方图值以及第二均值,计算第二标准差。
S240、根据所述第一均值、所述第一标准差、所述第二均值和所述第二标准差,确定所述上平台阈值和所述下平台阈值。
示例性的,基于如下公式,根据所述第一均值、所述第一标准差、所述第二均值和所述第二标准差,确定所述上平台阈值和所述下平台阈值:
其中,T1为上平台阈值,T2为下平台阈值,mean1为第一均值,mean2为第二均值,std1为第一标准差,std2为第二标准差,0≤k≤3。参数k可以进行调节,以调节上平台阈值和下平台阈值,本申请研究人员实验结果为,当k取1.5时,得到上平台阈值和下平台阈值对基本层图像进行均衡化处理时具有较好的效果。
S250、基于所述上平台阈值和所述下平台阈值,对所述基本层图像进行双平台直方图均衡化处理,得到目标基本层图像。
示例性的,将得到的上平台阈值T1和下平台阈值T2带入到双平台阈值修正公式中可以得到经过双平台修正后的统计直方图值PT(k):
其中PT(k)表示基本层图像的双平台直方图值,即经过双平台调整后的基本层图像的直方图值;H(k)表示基本层图像未经过双平台调整的直方图值。
根据直方图值PT(k)可以计算出灰度值k对应的累积直方图CT(k):
其中,L-1为最大灰度值。
由上式得到的CT(k)对图像灰度级进行重新分配,便可得到最终被均衡化的灰度值映射表DT(k):
使用灰度值映射表DT(k)对基本层图像BaseX的像素值进行灰度值映射得到映射后的基本层图像像素值:
BaseY(i,j)=DT(BaseX(i,j))
其中BaseX(i,j)为基本层图像在像素点(i,j)位置的灰度值,BaseY(i,j)为基本层图像在像素点(i,j)位置的灰度值。
S260、基于增益系数对细节层图像进行增益处理,并基于分段函数对增益后的细节层图像进行分段映射处理,得到目标细节层图像。
S270、将所述目标基本层图像和所述目标细节层图像进行融合,得到增强目标图像。
在本申请实施例中,确定灰度级映射范围的过程包括:通过所述基本层图像的直方图,确定各灰度值对应的累计直方图值,并根据基本层图像的总像素数确定上限阈值和下限阈值;若累计直方图值大于或等于所述下限阈值,且与所述下限阈值的差值最小,则将该累计直方图值对应的灰度值作为灰度级映射范围最小值;若累计直方图值大于或等于所述上限阈值,且与所述上限阈值的差值最小,则将该累计直方图值对应的灰度值作为灰度级映射范围最大值。
基于如下公式,根据基本层图像的总像素数确定上限阈值和下限阈值:
tUp=M×(1-t)
tDown=M×t;
其中,tUp为上下阈值,tDown为下限阈值,M为基本层图像的总像素数,0≤t≤1。
其中t为比例系数,范围为[0,1],t越小映射范围越大,t越大映射范围越小,影响最终图像的亮度,实验测试t取0.15图像效果较好。
如果累计直方图值正好大于或等于tDown,也就是如果累计直方图值大于或等于所述下限阈值,并且在所有大于或等于下限阈值的累计直方图值中,与下限阈值的差值最小,记录该累计直方图值对应的灰度值rangeDown。如果累计直方图值正好大于或等于tUp,也就是累计直方图值大于或等于所述上限阈值,并且在所有大于或等于上限阈值的累计直方图值中,与所述上限阈值的差值最小,记录该累计直方图值对应的灰度值rangeUp,最终的灰度级映射范围为R计算公式为:
其中range=rangeUp-rangeDown。
上述方案的有益效果在于,通过根据总像素数适应性确定上限阈值和下限阈值,并根据实际的累计直方图特征确定灰度级映射范围,从而能够考虑到基本层图像的灰度特征,针对性地确定适用于对该基本层图像进行映射的灰度级映射范围,避免了采用单一固定的灰度级映射范围,或者不合适的灰度级映射范围进行图像映射导致背景过度拉伸的问题。
本申请实施例中的方案,通过根据两部分直方图的均值和标准差计算上平台阈值和下平台阈值,从而能够结合直方图的特性适应性地确定上平台阈值和下平台阈值,从而在基于上平台阈值和下平台阈值进行均衡化时有更好的效果,有效地抑制噪声点,增强细节点。
图5为本发明又一实施例提供的图像增强方法的流程图。本申请实施例为对上述实施例的进一步优化,未在本实施例中详细描述的细节详见上述实施例。参见图5,本实施例提供的图像增强方法可以包括:
S310、确定基本层图像的直方图中,灰度值对应直方图值的均值和标准差,并根据所述均值和所述标准差确定双平台直方图均衡化的上平台阈值和下平台阈值。
S320、基于所述上平台阈值和所述下平台阈值,对所述基本层图像进行双平台直方图均衡化处理,得到目标基本层图像。
S330、基于预设遍历矩阵,以所述细节层图像中各像素点作为所述预设遍历矩阵的中心,对所述细节层图像进行遍历,确定各像素点的灰度值的方差。
示例性的,根据预设遍历矩阵的规格对细节层图像进行扩边处理,以使各像素点都能位于预设遍历矩阵的中心。例如,如果预设遍历矩阵为3*3的矩阵,则在细节层图像外扩展一层像素点,以使各像素点都能位于预设遍历矩阵的中心。如图6所示,其中,阴影部分为细节层图像,虚线部分为扩展像素点,扩展像素点的灰度值可以与其相邻的细节层图像的像素点的灰度值相同,也可以全部设置为0,可以根据实际情况设置,在此不做限定。如果预设遍历矩阵的半径为N个单位(以像素为单位),则需扩边N个单位。采用预设遍历矩阵对扩边后的细节层图像进行从左往右从上到下逐像素遍历,并计算当前像素位置(i,j)处为中心的预设遍历矩阵中像素点灰度值的方差σ(i,j)。
S340、确定所述细节层图像中各像素点的方差均值。
具体的,针对细节层图像中的各像素点,经过预设遍历矩阵遍历之后,都对应得到一个方差,计算各像素点对应的方差的方差均值。
S350、根据所述方差和所述方差均值,确定增益系数。
基于如下公式确定所述增益系数:
S360、基于增益系数对细节层图像进行增益处理。
基于如下公式对细节层图像进行增益处理:
detailImg2(i,j)=detailImg1(i,j)×f(i,j)
其中detailImg2(i,j)为增益处理后细节层图像的灰度值,detailImg1(i,j)为增益处理前的细节层图像的灰度值。
上述方案的有益效果在于,通过根据细节层图像中局部方差判断局部区域的边缘程度,根据边缘程度进一步计算局部增益系数并对细节层进行增益处理,通过自适应增益对细节层处理可以保留细节层中边缘细节,并对噪声进行抑制从而提高图像的信噪比。
S370、基于分段函数对增益后的细节层图像进行分段映射处理,得到目标细节层图像。
基于如下分段函数对增益后的细节层图像进行分段映射处理,得到目标细节层图像:
其中,core、th1、th2为预设灰度值阈值,core<th1<th2,k1、b1、k2、b2为预设参数,DETAILX为分段映射处理前的细节层图像各像素点的灰度值,DETAILY为分段映射处理后的细节层图像各像素点的灰度值。
图7为分段函数的一种举例情况,其中坐标系中横坐标为DetailX表示增益处理后细节层图像detailImg2灰度值的绝对值,maxX为细节层图像灰度值的最大值,纵坐标DetailY表示细节层图像最后输出的灰度值,输出灰度值最大值maxY为显示器的可显示的最大灰度级,例如255。参数core可以抑制噪点,core越大噪声抑制越明显,但过大会使边缘细节损失。参数th1控制中等细节的锐化程度,增大th1和Y1可增强中等细节,参数th2控制强边缘的锐化程度,增大th2可增强边缘。图7中的k1>k2,实际上也可以为k1<k2,在此不作具体限定,k1、b1、k2、b2的具体值也不做具体限定,只要是按照此函数对增益后的细节层图像进行分段映射处理的方案,均在本申请的保护范围之内。
S380、将所述目标基本层图像和所述目标细节层图像进行融合,得到增强目标图像。
示例性的,可以基于如下公式对目标基本层图像和目标细节层图像进行融合,得到增强目标图像:
OutImg=α×BaseY+β×DetailY
BaseY为目标基本层图像,DetailY为目标细节层图像,α为亮度增强因子,β为细节增强因子,α越大图像亮度越大,β越大图像细节程度越大,本实施例中α取1.5,β取3。
本申请实施例中,通过根据局部边缘程度计算局部增益系数并对细节层进行增益处理可以突出局部细节,通过分段线性映射函数对细节层图像灰度值进行映射可以有效抑制噪声,二者结合有效提升了细节层图像的保边降噪效果。
图8为本发明一种实施例提供的图像增强装置的结构示意图。该装置可适用于对图像进行增强处理的情况。该装置可以由软件和/或硬件的方式实现,该装置可以集成在电子设备中。参见图8,该装置具体包括:
阈值确定模块410,用于确定基本层图像的直方图中,灰度值对应直方图值的均值和标准差,并根据所述均值和所述标准差确定双平台直方图均衡化的上平台阈值和下平台阈值;
均衡化处理模块420,用于基于所述上平台阈值和所述下平台阈值,对所述基本层图像进行双平台直方图均衡化处理,得到目标基本层图像;
细节层处理模块430,用于基于增益系数对细节层图像进行增益处理,并基于分段函数对增益后的细节层图像进行分段映射处理,得到目标细节层图像;
融合模块440,用于将所述目标基本层图像和所述目标细节层图像进行融合,得到增强目标图像;
其中,所述基本层图像和所述细节层图像为对目标图像进行分层处理得到的。
在本申请实施例中,所述阈值确定模块410,包括:
中止灰度值确定单元,用于在所述基本层图像的直方图中,确定总像素数的中值对应的中值灰度值,或者总像素数的均值对应的中值灰度值;
第一确定单元,用于根据灰度级映射范围最小值至所述中值灰度值的灰度值区间对应的第一区间直方图,确定应直方图值的第一均值和第一标准差;
第二确定单元,用于根据所述中值灰度值至灰度级映射范围最大值的灰度值区间对应的第二区间直方图,确定直方图值的第二均值和第二标准差;
阈值确定单元,用于根据所述第一均值、所述第一标准差、所述第二均值和所述第二标准差,确定所述上平台阈值和所述下平台阈值。
在本申请实施例中,阈值确定单元,具体用于:
基于如下公式,根据所述第一均值、所述第一标准差、所述第二均值和所述第二标准差,确定所述上平台阈值和所述下平台阈值:
其中,T1为上平台阈值,T2为下平台阈值,mean1为第一均值,mean2为第二均值,std1为第一标准差,std2为第二标准差,0≤k≤3。
在本申请实施例中,所述装置还包括:
灰度级映射范围确定模块,用于通过以下步骤确定灰度级映射范围:
通过所述基本层图像的直方图,确定各灰度值对应的累计直方图值,并根据基本层图像的总像素数确定上限阈值和下限阈值;
若累计直方图值大于或等于所述下限阈值,且与所述下限阈值的差值最小,则将该累计直方图值对应的灰度值作为灰度级映射范围最小值;
若累计直方图值大于或等于所述上限阈值,且与所述上限阈值的差值最小,则将该累计直方图值对应的灰度值作为灰度级映射范围最大值。
在本申请实施例中,所述灰度级映射范围确定模块,具体用于:
基于如下公式,根据基本层图像的总像素数确定上限阈值和下限阈值:
tUp=M×(1-t)
tDown=M×t;
其中,tUp为上下阈值,tDown为下限阈值,M为基本层图像的总像素数,0≤t≤1。
在本申请实施例中,细节层处理模块430,包括:
方差确定单元,用于基于预设遍历矩阵,以所述细节层图像中各像素点作为所述预设遍历矩阵的中心,对所述细节层图像进行遍历,确定各像素点的灰度值的方差;
方差均值确定单元,用于确定所述细节层图像中各像素点的方差均值;
增益系数确定单元,用于根据所述方差和所述方差均值,确定增益系数。
在本申请实施例中,细节层处理模块430,具体用于:
基于如下公式确定所述增益系数:
在本申请实施例中,细节层处理模块430,具体用于:
基于如下分段函数对增益后的细节层图像进行分段映射处理,得到目标细节层图像:
其中,core、th1、th2为预设灰度值阈值,core<th1<th2,k1、b1、k2、b2为预设参数,DETAILX为分段映射处理前的细节层图像各像素点的灰度值,DETAILY为分段映射处理后的细节层图像各像素点的灰度值。
本申请实施例所提供的图像增强装置可执行本申请任意实施例所提供的图像增强方法,具备执行方法相应的功能模块和有益效果。
图9为本发明一种实施例提供的电子设备的结构示意图。图9示出了适于用来实现本申请实施例的示例性电子设备512的框图。图9显示的电子设备512仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示,电子设备512可以包括:一个或多个处理器516;存储器528,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器516执行,使得所述一个或多个处理器516实现本申请实施例所提供的图像增强方法,包括:
确定基本层图像的直方图中,灰度值对应直方图值的均值和标准差,并根据所述均值和所述标准差确定双平台直方图均衡化的上平台阈值和下平台阈值;
基于所述上平台阈值和所述下平台阈值,对所述基本层图像进行双平台直方图均衡化处理,得到目标基本层图像;
基于增益系数对细节层图像进行增益处理,并基于分段函数对增益后的细节层图像进行分段映射处理,得到目标细节层图像;
将所述目标基本层图像和所述目标细节层图像进行融合,得到增强目标图像;
其中,所述基本层图像和所述细节层图像为对目标图像进行分层处理得到的。
电子设备512的组件可以包括但不限于:一个或者多个处理器或者处理器516,存储器528,连接不同设备组件(包括存储器528和处理器516)的总线518。
总线518表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备512典型地包括多种计算机设备可读存储介质。这些存储介质可以是任何能够被电子设备512访问的可用存储介质,包括易失性和非易失性存储介质,可移动的和不可移动的存储介质。
存储器528可以包括易失性存储器形式的计算机设备可读存储介质,例如随机存取存储器(RAM)530和/或高速缓存存储器532。电子设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机设备存储介质。仅作为举例,存储***534可以用于读写不可移动的、非易失性磁存储介质(图9未显示,通常称为“硬盘驱动器”)。尽管图9中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光存储介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据存储介质接口与总线418相连。存储器528可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540,可以存储在例如存储器528中,这样的程序模块542包括但不限于操作设备、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
电子设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信,还可与一个或者多个使得用户能与该电子设备512交互的设备通信,和/或与使得该电子设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且,电子设备512还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图9所示,网络适配器520通过总线518与电子设备512的其它模块通信。应当明白,尽管图9中未示出,可以结合电子设备512使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID设备、磁带驱动器以及数据备份存储设备等。
处理器516通过运行存储在存储器528中的多个程序中其他程序的至少一个,从而执行各种功能应用以及数据处理,例如实现本申请实施例所提供的一种图像增强方法。
本发明一种实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行图像增强方法,包括:
确定基本层图像的直方图中,灰度值对应直方图值的均值和标准差,并根据所述均值和所述标准差确定双平台直方图均衡化的上平台阈值和下平台阈值;
基于所述上平台阈值和所述下平台阈值,对所述基本层图像进行双平台直方图均衡化处理,得到目标基本层图像;
基于增益系数对细节层图像进行增益处理,并基于分段函数对增益后的细节层图像进行分段映射处理,得到目标细节层图像;
将所述目标基本层图像和所述目标细节层图像进行融合,得到增强目标图像;
其中,所述基本层图像和所述细节层图像为对目标图像进行分层处理得到的。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的存储介质的任意组合。计算机可读存储介质可以是计算机可读信号存储介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的设备、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请实施例中,计算机可读存储介质可以是任何包含或存储程序的有形存储介质,该程序可以被指令执行设备、装置或者器件使用或者与其结合使用。
计算机可读的信号存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号存储介质还可以是计算机可读存储介质以外的任何计算机可读存储介质,该计算机可读存储介质可以发送、传播或者传输用于由指令执行设备、装置或者器件使用或者与其结合使用的程序。
计算机可读存储介质上包含的程序代码可以用任何适当的存储介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或设备上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种图像增强方法,其特征在于,所述方法包括:
确定基本层图像的直方图中,灰度值对应直方图值的均值和标准差,并根据所述均值和所述标准差确定双平台直方图均衡化的上平台阈值和下平台阈值;
基于所述上平台阈值和所述下平台阈值,对所述基本层图像进行双平台直方图均衡化处理,得到目标基本层图像;
基于增益系数对细节层图像进行增益处理,并基于分段函数对增益后的细节层图像进行分段映射处理,得到目标细节层图像;
将所述目标基本层图像和所述目标细节层图像进行融合,得到增强目标图像;
其中,所述基本层图像和所述细节层图像为对目标图像进行分层处理得到的。
2.根据权利要求1所述的方法,其特征在于,确定基本层图像的直方图中,灰度值对应直方图值的均值和标准差,并根据所述均值和所述标准差确定双平台直方图均衡化的上平台阈值和下平台阈值,包括:
在所述基本层图像的直方图中,确定总像素数的中值对应的中值灰度值,或者总像素数的均值对应的中值灰度值;
根据灰度级映射范围最小值至所述中值灰度值的灰度值区间对应的第一区间直方图,确定应直方图值的第一均值和第一标准差;
根据所述中值灰度值至灰度级映射范围最大值的灰度值区间对应的第二区间直方图,确定直方图值的第二均值和第二标准差;
根据所述第一均值、所述第一标准差、所述第二均值和所述第二标准差,确定所述上平台阈值和所述下平台阈值。
4.根据权利要求2所述的方法,其特征在于,确定灰度级映射范围的过程包括:
通过所述基本层图像的直方图,确定各灰度值对应的累计直方图值,并根据基本层图像的总像素数确定上限阈值和下限阈值;
若累计直方图值大于或等于所述下限阈值,且与所述下限阈值的差值最小,则将该累计直方图值对应的灰度值作为灰度级映射范围最小值;
若累计直方图值大于或等于所述上限阈值,且与所述上限阈值的差值最小,则将该累计直方图值对应的灰度值作为灰度级映射范围最大值。
5.根据权利要求4所述的方法,其特征在于,基于如下公式,根据基本层图像的总像素数确定上限阈值和下限阈值:
tUp=M×(1-t)
tDown=M×t;
其中,tUp为上下阈值,tDown为下限阈值,M为基本层图像的总像素数,0≤t≤1。
6.根据权利要求1所述的方法,其特征在于,基于增益系数对细节层图像进行增益处理之前,所述方法还包括:
基于预设遍历矩阵,以所述细节层图像中各像素点作为所述预设遍历矩阵的中心,对所述细节层图像进行遍历,确定各像素点的灰度值的方差;
确定所述细节层图像中各像素点的方差均值;
根据所述方差和所述方差均值,确定增益系数。
9.一种图像增强装置,其特征在于,所述装置包括:
阈值确定模块,用于确定基本层图像的直方图中,灰度值对应直方图值的均值和标准差,并根据所述均值和所述标准差确定双平台直方图均衡化的上平台阈值和下平台阈值;
均衡化处理模块,用于基于所述上平台阈值和所述下平台阈值,对所述基本层图像进行双平台直方图均衡化处理,得到目标基本层图像;
细节层处理模块,用于基于增益系数对细节层图像进行增益处理,并基于分段函数对增益后的细节层图像进行分段映射处理,得到目标细节层图像;
融合模块,用于将所述目标基本层图像和所述目标细节层图像进行融合,得到增强目标图像;
其中,所述基本层图像和所述细节层图像为对目标图像进行分层处理得到的。
10.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一项所述的图像增强方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一项所述的图像增强方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011240530.5A CN112348763B (zh) | 2020-11-09 | 2020-11-09 | 图像增强方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011240530.5A CN112348763B (zh) | 2020-11-09 | 2020-11-09 | 图像增强方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348763A true CN112348763A (zh) | 2021-02-09 |
CN112348763B CN112348763B (zh) | 2024-05-14 |
Family
ID=74430051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011240530.5A Active CN112348763B (zh) | 2020-11-09 | 2020-11-09 | 图像增强方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348763B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819730A (zh) * | 2021-03-04 | 2021-05-18 | 苏州微清医疗器械有限公司 | 一种图像增强处理方法及装置、存储介质 |
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 |
CN113160087A (zh) * | 2021-04-29 | 2021-07-23 | 平安科技(深圳)有限公司 | 图像增强方法、装置、计算机设备及存储介质 |
CN113191990A (zh) * | 2021-05-28 | 2021-07-30 | 浙江宇视科技有限公司 | 一种图像处理方法、装置、电子设备及介质 |
CN114359083A (zh) * | 2021-12-24 | 2022-04-15 | 北京航空航天大学 | 一种面向干扰环境的高动态热红外图像自适应预处理方法 |
CN115660997A (zh) * | 2022-11-08 | 2023-01-31 | 杭州微影软件有限公司 | 一种图像数据处理方法、装置及电子设备 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101027645A (zh) * | 2004-09-23 | 2007-08-29 | 摩托罗拉公司 | 路由收敛时间的动态减少 |
CN101114340A (zh) * | 2007-09-06 | 2008-01-30 | 成都方程式电子有限公司 | 直方图均衡化图像处理的vlsi实现***及方法 |
CN101170641A (zh) * | 2007-12-05 | 2008-04-30 | 北京航空航天大学 | 一种基于阈值分割的图像边缘检测方法 |
CN101510302A (zh) * | 2009-03-25 | 2009-08-19 | 北京中星微电子有限公司 | 一种图像增强方法和装置 |
CN102521813A (zh) * | 2011-11-21 | 2012-06-27 | 华中科技大学 | 基于双平台直方图的红外图像自适应增强方法 |
CN102693531A (zh) * | 2012-01-11 | 2012-09-26 | 河南科技大学 | 基于自适应双平台的红外图像增强方法 |
CN103208107A (zh) * | 2012-01-17 | 2013-07-17 | 展讯通信(上海)有限公司 | 终端、图像的修复方法和装置 |
CN104834579A (zh) * | 2014-02-10 | 2015-08-12 | 富士施乐株式会社 | 故障预测***和故障预测设备 |
CN106530245A (zh) * | 2016-10-27 | 2017-03-22 | 长安大学 | 一种无人机载隧道火灾红外图像分频段增强方法 |
CN106875358A (zh) * | 2017-02-09 | 2017-06-20 | 聚龙智瞳科技有限公司 | 基于Bayer格式的图像增强方法及图像增强装置 |
CN107016654A (zh) * | 2017-03-29 | 2017-08-04 | 华中科技大学鄂州工业技术研究院 | 一种基于引导图像滤波的自适应红外图像细节增强方法 |
CN107408067A (zh) * | 2015-04-09 | 2017-11-28 | 索尼互动娱乐股份有限公司 | 信息处理设备、中继设备、信息处理***和软件更新方法 |
CN108090886A (zh) * | 2018-01-11 | 2018-05-29 | 南京大学 | 一种高动态范围红外图像的显示与细节增强方法 |
EP3340167A1 (en) * | 2016-12-22 | 2018-06-27 | Thomson Licensing | Displaying method for displaying an image on a first display device and at least a portion of the same image on a second display device |
CN108257101A (zh) * | 2018-01-16 | 2018-07-06 | 上海海洋大学 | 一种基于最优复原参数的水下图像增强方法 |
CN109377464A (zh) * | 2018-10-08 | 2019-02-22 | 嘉应学院 | 一种红外图像的双平台直方图均衡化方法及其应用*** |
WO2019062842A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳开立生物医疗科技股份有限公司 | 超声波图像处理方法及装置、超声诊断装置及存储介质 |
CN110009574A (zh) * | 2019-02-13 | 2019-07-12 | 中山大学 | 一种亮度、色彩自适应与细节丰富的低动态范围图像逆向生成高动态范围图像的方法 |
CN210864684U (zh) * | 2019-12-31 | 2020-06-26 | 深圳市君视芯科技有限公司 | 一种可调试扩展性开发板 |
-
2020
- 2020-11-09 CN CN202011240530.5A patent/CN112348763B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101027645A (zh) * | 2004-09-23 | 2007-08-29 | 摩托罗拉公司 | 路由收敛时间的动态减少 |
CN101114340A (zh) * | 2007-09-06 | 2008-01-30 | 成都方程式电子有限公司 | 直方图均衡化图像处理的vlsi实现***及方法 |
CN101170641A (zh) * | 2007-12-05 | 2008-04-30 | 北京航空航天大学 | 一种基于阈值分割的图像边缘检测方法 |
CN101510302A (zh) * | 2009-03-25 | 2009-08-19 | 北京中星微电子有限公司 | 一种图像增强方法和装置 |
CN102521813A (zh) * | 2011-11-21 | 2012-06-27 | 华中科技大学 | 基于双平台直方图的红外图像自适应增强方法 |
CN102693531A (zh) * | 2012-01-11 | 2012-09-26 | 河南科技大学 | 基于自适应双平台的红外图像增强方法 |
CN103208107A (zh) * | 2012-01-17 | 2013-07-17 | 展讯通信(上海)有限公司 | 终端、图像的修复方法和装置 |
CN104834579A (zh) * | 2014-02-10 | 2015-08-12 | 富士施乐株式会社 | 故障预测***和故障预测设备 |
CN107408067A (zh) * | 2015-04-09 | 2017-11-28 | 索尼互动娱乐股份有限公司 | 信息处理设备、中继设备、信息处理***和软件更新方法 |
CN106530245A (zh) * | 2016-10-27 | 2017-03-22 | 长安大学 | 一种无人机载隧道火灾红外图像分频段增强方法 |
EP3340167A1 (en) * | 2016-12-22 | 2018-06-27 | Thomson Licensing | Displaying method for displaying an image on a first display device and at least a portion of the same image on a second display device |
CN106875358A (zh) * | 2017-02-09 | 2017-06-20 | 聚龙智瞳科技有限公司 | 基于Bayer格式的图像增强方法及图像增强装置 |
CN107016654A (zh) * | 2017-03-29 | 2017-08-04 | 华中科技大学鄂州工业技术研究院 | 一种基于引导图像滤波的自适应红外图像细节增强方法 |
WO2019062842A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳开立生物医疗科技股份有限公司 | 超声波图像处理方法及装置、超声诊断装置及存储介质 |
CN108090886A (zh) * | 2018-01-11 | 2018-05-29 | 南京大学 | 一种高动态范围红外图像的显示与细节增强方法 |
CN108257101A (zh) * | 2018-01-16 | 2018-07-06 | 上海海洋大学 | 一种基于最优复原参数的水下图像增强方法 |
CN109377464A (zh) * | 2018-10-08 | 2019-02-22 | 嘉应学院 | 一种红外图像的双平台直方图均衡化方法及其应用*** |
CN110009574A (zh) * | 2019-02-13 | 2019-07-12 | 中山大学 | 一种亮度、色彩自适应与细节丰富的低动态范围图像逆向生成高动态范围图像的方法 |
CN210864684U (zh) * | 2019-12-31 | 2020-06-26 | 深圳市君视芯科技有限公司 | 一种可调试扩展性开发板 |
Non-Patent Citations (3)
Title |
---|
JIAN SUN: "Spatial multiplexing of squeezed light by coherence diffusion", 《ARXIV》 * |
YOUSHI YE: "A adaptive dual-platform deep space infrared image enhancement algorithm based on linear gray scale transformation", 《PROCEEDINGS OF THE 33RD CHINESE CONTROL CONFERENCE》 * |
张海朝: "一种自适应红外图像增强算法", 《兰州理工大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819730A (zh) * | 2021-03-04 | 2021-05-18 | 苏州微清医疗器械有限公司 | 一种图像增强处理方法及装置、存储介质 |
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 |
CN113160087A (zh) * | 2021-04-29 | 2021-07-23 | 平安科技(深圳)有限公司 | 图像增强方法、装置、计算机设备及存储介质 |
CN113160087B (zh) * | 2021-04-29 | 2024-03-19 | 平安科技(深圳)有限公司 | 图像增强方法、装置、计算机设备及存储介质 |
CN113191990A (zh) * | 2021-05-28 | 2021-07-30 | 浙江宇视科技有限公司 | 一种图像处理方法、装置、电子设备及介质 |
CN114359083A (zh) * | 2021-12-24 | 2022-04-15 | 北京航空航天大学 | 一种面向干扰环境的高动态热红外图像自适应预处理方法 |
CN114359083B (zh) * | 2021-12-24 | 2022-11-29 | 北京航空航天大学 | 一种面向干扰环境的高动态热红外图像自适应预处理方法 |
CN115660997A (zh) * | 2022-11-08 | 2023-01-31 | 杭州微影软件有限公司 | 一种图像数据处理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112348763B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348763B (zh) | 图像增强方法、装置、电子设备及介质 | |
US11120532B2 (en) | Methods for enhancing image contrast and related image processing systems thereof | |
CN110827229B (zh) | 一种基于纹理加权直方图均衡化的红外图像增强方法 | |
CN110458827B (zh) | 医学影像坏点的检测方法、装置、设备及介质 | |
WO2021114564A1 (zh) | 一种低对比度红外图像的增强方法 | |
CN112116542B (zh) | 图像对比度增强方法、装置、电子设备和存储介质 | |
CN113222866A (zh) | 灰度图像增强方法、计算机可读介质及计算机*** | |
CN111563851A (zh) | 一种基于动态高斯参数的图像映射方法 | |
CN111325685A (zh) | 一种基于多尺度相对梯度直方图均衡化的图像增强算法 | |
CN113570507B (zh) | 一种图像降噪方法、装置、设备及存储介质 | |
CN116402816B (zh) | 一种体检ct影像数据的管理方法及*** | |
CN116563172B (zh) | 一种vr全球化在线教育互动优化增强方法及装置 | |
CN113888438A (zh) | 图像处理方法、装置及存储介质 | |
CN113592750A (zh) | 一种基于梯度直方图的红外增强方法 | |
CN111833262A (zh) | 图像降噪方法、装置及电子设备 | |
CN113393394B (zh) | 基于伽马变换的低照度灰度图像增强方法、装置及存储介质 | |
CN114418848B (zh) | 视频处理方法、装置、存储介质及电子设备 | |
WO2023005123A1 (zh) | 光心确定方法、装置、电子设备及介质 | |
CN113191990B (zh) | 一种图像处理方法、装置、电子设备及介质 | |
WO2022205934A1 (zh) | 视差图优化方法、装置、电子设备及计算机可读存储介质 | |
CN113160103B (zh) | 图像处理方法及装置、存储介质、终端 | |
CN115187545A (zh) | 高空间分辨率遥感图像的处理方法、***及存储介质 | |
CN112785509B (zh) | 图像对比度的增强方法、装置、设备和介质 | |
CN117994160B (zh) | 一种图像处理方法及*** | |
CN115829845A (zh) | 图像增强方法、装置、电子设备及介质 |
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 |