CN113222866B - 灰度图像增强方法、计算机可读介质及计算机*** - Google Patents

灰度图像增强方法、计算机可读介质及计算机*** Download PDF

Info

Publication number
CN113222866B
CN113222866B CN202110770482.9A CN202110770482A CN113222866B CN 113222866 B CN113222866 B CN 113222866B CN 202110770482 A CN202110770482 A CN 202110770482A CN 113222866 B CN113222866 B CN 113222866B
Authority
CN
China
Prior art keywords
image
detail
significance
pixel
gray
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.)
Active
Application number
CN202110770482.9A
Other languages
English (en)
Other versions
CN113222866A (zh
Inventor
杨锋
顾燕
赵维骏
吕扬
焦国力
郭一亮
朱波
董隽媛
李海生
周新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North Night Vision Technology Nanjing Research Institute Co ltd
Original Assignee
North Night Vision Technology Nanjing Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North Night Vision Technology Nanjing Research Institute Co ltd filed Critical North Night Vision Technology Nanjing Research Institute Co ltd
Priority to CN202110770482.9A priority Critical patent/CN113222866B/zh
Publication of CN113222866A publication Critical patent/CN113222866A/zh
Application granted granted Critical
Publication of CN113222866B publication Critical patent/CN113222866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T2207/20028—Bilateral filtering

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明属于图像处理技术领域,公开了一种灰度图像增强方法、计算机可读介质及计算机***，利用基于离散模糊的亮度掩模和基于高斯场的目标函数，进行细节显著性模型估计，充分挖掘灰度图像单通道数据中的细节信息，生成出图像中细节显著性映射图；然后利用非均匀伽马校正，实现最终的图像增强。本发明还公开了计算机可读介质及计算机***。本发明充分挖掘灰度图像单通道数据中的信息，在提升图像暗区域亮度的同时，避免了图像亮区域因过曝而导致的细节丢失。在仅依靠单通道数据的条件下，提高了细节保留能力，改善了图像增强的效果。

Description

灰度图像增强方法、计算机可读介质及计算机***
技术领域
本发明属于图像处理技术领域，具体涉及一种灰度图像增强方法、计算机可读介质及计算机***。
背景技术
虽然现在很容易就可以获取场景的真彩图像，但是灰度图像依旧是许多应用的主要选择，甚至是唯一选择，例如微光成像、热红外成像、短波红外成像和核磁共振成像等，这些成像技术在夜视、遥感、缺陷检测和医学成像等领域起着关键作用。高清晰度、高可见性的图像是成像技术永恒的目标，但是由于特殊的应用场景和传感器本身属性的限制，常常会使所拍摄的灰度图像具有亮度低、动态范围窄、对比度低和噪声高等缺点。因此，需要有优质的灰度图像增强方法来改善图像像质。
将图像分解为反射层和亮度层的Retinex成像模型被常常用于图像增强，研究人员提出了许多相关方法，例如基于亮度映射图估计的微光图像增强方法（LIME），引入了最大RGB先验以提高亮度层估计的性能。又如Marques等人提出了一种利用局部对比度和多尺度融合策略的水下微光图像增强方法（L2UWE），在RGB图像中提取对比度暗通道，以此估计亮度层并消除图像中的暗区域。Ren等人提出了一种低秩正则化的Retinex模型（LR3M），以实现鲁棒的微光图像增强与降噪，该方法同样需要利用图像RGB三通道的平均值作为亮度层估计的初值。
目前现有的图像增强方法，与前述的三种方法类似，都是针对彩色图像的，所以非常依赖图像中多通道RGB彩色数据，对于灰度图像的增强效果就会退化，其原因在于灰度图像只能提供单通道数据，其包含的信息量要比彩色图像少很多。与彩色图像相比，灰度图像无法全面地反映目标场景的特性。
发明内容
本发明针对现有技术中存在的问题，提出了一种能够提高细节保留能力的灰度图像增强方法。
为实现上述目的，本发明提供一种灰度图像增强方法，包括以下步骤：
步骤1：对原始灰度图像进行线性拉伸，使灰度范围缩放至[0,1]之间，得到第一图像，然后对第一图像进行对数变换得到第二图像；
步骤2：利用双边滤波模型对第二图像进行模糊，然后利用离散模型对已模糊的第二图像进行二次模糊，得到基于离散模糊的亮度掩模；
步骤3：将第二图像和基于离散模糊的亮度掩模输入至目标函数中，利用梯度下降优化对目标函数进行迭代优化，得到最优的细节显著性模型参数；
步骤4：利用细节显著性模型与步骤3得到的最优的细节显著性模型参数，计算出细节显著性映射图；
步骤5：以步骤4所得的细节显著性映射图为基础，对原始灰度图像进行非均匀地伽马校正，实现灰度图像增强。
其中，所述步骤1中对原始灰度图像进行线性拉伸的方法为：根据公式
Figure 89970DEST_PATH_IMAGE001
计算获得第一图像中第
Figure 124922DEST_PATH_IMAGE002
个像素的线性拉伸结果，依次对原始灰度图像中的每个像素进行计算，使原始灰度图像的灰度范围缩放至[0,1]之间，得到第一图像；其中，
Figure 98695DEST_PATH_IMAGE003
表示原始灰度图像中第
Figure 928110DEST_PATH_IMAGE002
个像素的灰度值，
Figure 49650DEST_PATH_IMAGE004
为第一图像中第
Figure 888293DEST_PATH_IMAGE002
个像素的线性拉伸结果，
Figure 247730DEST_PATH_IMAGE005
为原始灰度图像中的最大灰度值，
Figure 713959DEST_PATH_IMAGE006
为原始灰度图像中的最小灰度值。
进一步，步骤2所述的离散模型进行图像模糊的具体步骤为：将图像中横坐标和纵坐标都为奇数（或偶数）的像素点的值设置为0。
进一步，步骤3中对目标函数的迭代优化包括以下步骤：
步骤301：设细节显著性模型阶数初值为1，细节显著性系数向量初值为零向量；
步骤302：基于目标函数的一阶导数，利用拟牛顿法对目标函数进行解优化，得到使目标函数最小的最优细节显著性系数向量；
步骤303：令细节显著性模型阶数加1，并将细节显著性系数向量初值更新为步骤302所得的最优细节显著性系数向量；
步骤304：重复步骤302和步骤303，直到目标函数值开始变大为止，此时所得的最优细节显著性系数向量为最终的优化结果。
优选地，其中的目标函数为：
Figure 791637DEST_PATH_IMAGE007
；
其中，
Figure 699550DEST_PATH_IMAGE008
表示第二图像中第
Figure 179073DEST_PATH_IMAGE002
个像素的值，
Figure 819132DEST_PATH_IMAGE009
表示原始灰度图像中像素点总数，
Figure 384106DEST_PATH_IMAGE010
为范围系数，
Figure 830131DEST_PATH_IMAGE011
为调节常数；
细节显著性模型为：
Figure 367423DEST_PATH_IMAGE012
；
其中，
Figure 975121DEST_PATH_IMAGE013
表示基于离散模糊的亮度掩模
Figure 292970DEST_PATH_IMAGE014
中第
Figure 214790DEST_PATH_IMAGE002
个像素的值，其对应的空间坐标向量为
Figure 668905DEST_PATH_IMAGE015
，
Figure 444575DEST_PATH_IMAGE016
和
Figure 249720DEST_PATH_IMAGE017
表示反射系数，
Figure 771969DEST_PATH_IMAGE018
为细节显著性模型的阶数。
进一步，所述步骤4中的显著性映射图的获取方法为：根据公式
Figure 80590DEST_PATH_IMAGE019
计算获得细节显著性映射图
Figure 30092DEST_PATH_IMAGE020
，其中，
Figure 994637DEST_PATH_IMAGE021
为根据步骤3得到最优的细节显著性模型参数而确定的最优细节显著性模型，
Figure 320576DEST_PATH_IMAGE022
表示第二图像。
进一步，所述对原始灰度图像进行非均匀地伽马校正的方法为：根据公式
Figure 749283DEST_PATH_IMAGE023
计算最终增强图像
Figure 869686DEST_PATH_IMAGE024
为矩阵对位幂运算，
Figure 587106DEST_PATH_IMAGE025
表示获取的灰度图像，
Figure 451157DEST_PATH_IMAGE026
为均值矩阵，其大小与细节显著性映射图
Figure 468791DEST_PATH_IMAGE020
一致且每个元素都是
Figure 291254DEST_PATH_IMAGE027
的均值。
本发明还提供了一种存储软件的计算机可读介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括上述灰度图像增强方法的流程。
本发明还提供了一种计算机***，包括：
一个或多个处理器；
存储器，存储可***作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括上述灰度图像增强方法的流程。
与现有技术相比，本发明利用基于离散模糊的亮度掩模和基于高斯场的目标函数，进行细节显著性模型估计，充分挖掘灰度图像单通道数据中的细节信息，生成出图像中细节显著性映射图；然后利用非均匀伽马校正，实现最终的图像增强，以提升图像暗区域的亮度，增强其中细节，同时防止亮区域过曝而导致的纹理丢失，由此，解决现有图像增强方法因依赖多通道彩色数据而导致对灰度单通道图像增强效果不佳的问题。
与现有技术相比，本发明具有如下显著优点：本发明利用基于高斯场的目标函数与基于离散模糊的亮度掩模，充分挖掘灰度图像单通道数据中的信息，在提升图像暗区域亮度的同时，避免了图像亮区域因过曝而导致的细节丢失，从而在仅依靠单通道数据的条件下，提高了细节保留能力，改善了图像增强的效果。
附图说明
图1为本发明提供的基于细节显著性估计的灰度图像增强方法的流程图；
图2为本发明方法与其他方法在可见光灰度图像增强上的对比示意图；
图3为本发明方法与其他方法在短波红外图像增强上的对比示意图；
图4为本发明方法与其他方法在热红外图像增强上的对比示意图。
具体实施方式
下面将结合本发明实例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本实施例提供的基于细节显著性估计的灰度图像增强方法，包括以下步骤：
步骤1：对原始灰度图像进行线性拉伸，使灰度范围缩放至
Figure 27129DEST_PATH_IMAGE028
之间，得到第一图像，然后对第一图像进行对数变换得到第二图像；
步骤2：利用双边滤波模型对第二图像进行模糊处理，然后利用离散模型对已模糊的第二图像进行二次模糊，得到基于离散模糊的亮度掩模；
步骤3：将第二图像和基于离散模糊的亮度掩模输入至目标函数中，利用梯度下降优化对目标函数进行迭代优化，得到最优的细节显著性模型参数；
步骤4：利用细节显著性模型与步骤3得到的最优的细节显著性模型参数，获得细节显著性映射图；
步骤5：以步骤4所得的细节显著性映射图为基础，对原始灰度图像进行非均匀地伽马校正，实现灰度图像增强。
下面我们结合附图所示，更加具体的描述各个步骤的示例性实现。
步骤1：对原始灰度图像进行线性拉伸，使灰度范围缩放至[0,1]之间，然后进行对数变换，将对第一图像进行对数变换得到第二图像。
根据本发明的一种具体实施方式，线性拉伸的过程采用下述公式(1)进行处理：
Figure 918641DEST_PATH_IMAGE001
(1)
其中，
Figure 790782DEST_PATH_IMAGE003
表示原始灰度图像中第
Figure 784145DEST_PATH_IMAGE002
个像素的灰度值，
Figure 7316DEST_PATH_IMAGE004
为第一图像中第
Figure 416432DEST_PATH_IMAGE002
个像素的线性拉伸结果，
Figure 408659DEST_PATH_IMAGE005
为原始灰度图像中的最大灰度值，
Figure 307345DEST_PATH_IMAGE006
为原始灰度图像中的最小灰度值。
根据本发明的一种具体实施方式，使用底为
Figure 17812DEST_PATH_IMAGE029
的对数进行图像的对数变换，具体形式如下：
Figure 230618DEST_PATH_IMAGE030
(2)
其中，
Figure 342931DEST_PATH_IMAGE022
表示对数变换后的第二图像，
Figure 412518DEST_PATH_IMAGE025
为原始灰度图像进行线性拉伸后所获得的第一图像。
步骤2：利用双边滤波模型对步骤1得到的第二图像进行模糊，获得第三图像，然后利用离散模型对已模糊的图像进行二次模糊，得到基于离散模糊的亮度掩模
Figure 610281DEST_PATH_IMAGE014
。
根据本发明的一种具体实施方式，步骤2中双边滤波的模型如下：
Figure 358270DEST_PATH_IMAGE031
(3)
其中，
Figure 590668DEST_PATH_IMAGE032
为第二图像中第
Figure 565577DEST_PATH_IMAGE002
个像素的双边滤波后的结果，上标bf是双边滤波的英文的缩写，
Figure 250637DEST_PATH_IMAGE033
为第二图像中以第
Figure 805246DEST_PATH_IMAGE034
为中心的滤波窗口，
Figure 892151DEST_PATH_IMAGE035
为滤波窗口中的像素编号，
Figure 303540DEST_PATH_IMAGE036
表示第
Figure 413579DEST_PATH_IMAGE035
个像素的空间坐标向量，
Figure 303037DEST_PATH_IMAGE037
表示第
Figure 510028DEST_PATH_IMAGE002
个像素的空间坐标向量，
Figure 826740DEST_PATH_IMAGE038
表示第二图像中第j个像素的灰度值；
Figure 424074DEST_PATH_IMAGE008
表示第二图像中第i个像素的灰度值，
Figure 117224DEST_PATH_IMAGE039
表示2范数。
其中，
Figure 910212DEST_PATH_IMAGE040
为以第
Figure 663404DEST_PATH_IMAGE034
为中心的滤波窗口的归一化权重，具体为如下形式：
Figure 810352DEST_PATH_IMAGE041
(4)
其中，
Figure 244875DEST_PATH_IMAGE042
和
Figure 160879DEST_PATH_IMAGE043
分别为尺度参数。
根据本发明的一种具体实施方式，双边滤波的尺度参数
Figure 288235DEST_PATH_IMAGE044
，
Figure 656899DEST_PATH_IMAGE045
。
根据本发明的一种具体实施方式，步骤2所述的离散模型进行图像模糊的具体步骤为：将图像中横坐标和纵坐标都为奇数（或偶数）的像素点的值设置为0。
步骤3：将第二图像
Figure 957430DEST_PATH_IMAGE046
以及基于离散模糊的亮度掩模
Figure 665623DEST_PATH_IMAGE014
输入至目标函数中，利用梯度下降优化技术对目标函数进行迭代优化，估计出最优的细节显著性模型参数。
根据本发明的一种具体实施方式，步骤3中的细节显著性模型采用如下形式：
Figure 26198DEST_PATH_IMAGE012
(5)
其中，
Figure 85420DEST_PATH_IMAGE013
表示基于离散模糊的亮度掩模
Figure 924063DEST_PATH_IMAGE014
中第
Figure 546150DEST_PATH_IMAGE002
个像素的值，第
Figure 15309DEST_PATH_IMAGE002
个像素对应的空间坐标向量为
Figure 92986DEST_PATH_IMAGE015
，其中，
Figure 899DEST_PATH_IMAGE047
示第
Figure 480422DEST_PATH_IMAGE002
个像素在空间内的横坐标，
Figure 917220DEST_PATH_IMAGE048
示第
Figure 685456DEST_PATH_IMAGE002
个像素在空间内的纵坐标，
Figure 600322DEST_PATH_IMAGE016
和
Figure 465510DEST_PATH_IMAGE017
表示反射系数，
Figure 276471DEST_PATH_IMAGE018
为细节显著性模型的阶数。
细节显著性模型对应的矩阵形式如下：
Figure 328741DEST_PATH_IMAGE049
(6)
其中，
Figure 47298DEST_PATH_IMAGE050
，表示
Figure 766992DEST_PATH_IMAGE051
维的向量，包含了式（5）中所有的
Figure 542663DEST_PATH_IMAGE016
。
Figure 285491DEST_PATH_IMAGE052
，表示
Figure 807739DEST_PATH_IMAGE053
维的向量，其中包含了式（5）中所有的
Figure 116361DEST_PATH_IMAGE017
。
因此，
Figure 331441DEST_PATH_IMAGE054
表示
Figure 92724DEST_PATH_IMAGE055
维的细节显著性系数向量。其中，
Figure 418663DEST_PATH_IMAGE056
。
其中，
Figure 785053DEST_PATH_IMAGE057
是包含了所有
Figure 905456DEST_PATH_IMAGE058
的
Figure 685193DEST_PATH_IMAGE051
维向量，
Figure 752506DEST_PATH_IMAGE059
是包含了所有
Figure 770141DEST_PATH_IMAGE060
的
Figure 327024DEST_PATH_IMAGE053
维向量，所以
Figure 325549DEST_PATH_IMAGE061
表示基于离散模糊的亮度掩模
Figure 727711DEST_PATH_IMAGE014
中第
Figure 68694DEST_PATH_IMAGE002
个像素的
Figure 796478DEST_PATH_IMAGE062
维多项式向量。
Figure 754070DEST_PATH_IMAGE063
表示矩阵转置。
根据本发明的一种具体实施方式，步骤3中的目标函数为如下形式：
Figure 491082DEST_PATH_IMAGE064
(7)
其中，
Figure 483309DEST_PATH_IMAGE065
表示第二图像中第
Figure 116415DEST_PATH_IMAGE002
个像素的值，
Figure 30145DEST_PATH_IMAGE009
表示原始灰度图像中像素点总数，
Figure 305268DEST_PATH_IMAGE010
为范围系数，
Figure 152002DEST_PATH_IMAGE011
为调节常数，用于平衡目标函数中第一项和第二项。
步骤3中的目标函数的一阶导数为如下形式：
Figure 221589DEST_PATH_IMAGE066
(8)
根据本发明的一种具体实施方式，目标函数范围系数
Figure 153773DEST_PATH_IMAGE067
，调节常数
Figure 167341DEST_PATH_IMAGE068
。
根据本发明的一种具体实施方式，步骤3中对目标函数的迭代优化采用利用拟牛顿法，主要包括以下步骤：
步骤301：设细节显著性模型阶数初值为1，细节显著性系数向量初值为零向量；
步骤302：基于目标函数的一阶导数（8），利用拟牛顿法对目标函数（7）进行解优化，得到使目标函数最小的最优细节显著性系数向量
Figure 399739DEST_PATH_IMAGE054
；
步骤303：令细节显著性模型阶数加1，即
Figure 374648DEST_PATH_IMAGE069
，并将细节显著性系数向量初值更新为上一步所得的最优细节显著性系数向量；
步骤304：重复步骤302和步骤303，直到目标函数值开始变大为止，此时所得的最优细节显著性系数向量为最终的优化结果。
根据本发明的一种具体实施方式，得到最优细节显著性系数向量之后，将其代入细节显著性模型（5）中，就可以得到最优的细节显著性模型。
步骤4：利用细节显著性模型与步骤3所估计出的最优参数，计算出细节显著性映射图。
根据本发明的一种具体实施方式，步骤4中的显著性映射图计算公式如下：
Figure 59707DEST_PATH_IMAGE019
(9)
其中，
Figure 411054DEST_PATH_IMAGE020
表示细节显著性映射图，即为
Figure 435642DEST_PATH_IMAGE020
矩阵，
Figure 581452DEST_PATH_IMAGE021
表示步骤3所解出的最优细节显著性模型，
Figure 488229DEST_PATH_IMAGE022
表示第二图像，将得到的最优细节显著性模型中
Figure 908846DEST_PATH_IMAGE013
替换为
Figure 584678DEST_PATH_IMAGE008
，采用第二图像
Figure 370231DEST_PATH_IMAGE022
得到的显著性映射图中的细节更加的清晰。
步骤5：以步骤4所得的细节显著性映射图为基础，对原图进行非均匀地伽马校正，实现灰度图像增强。
根据本发明的一种具体实施方式，步骤5所述的非均匀地伽马校正具体形式如下：
Figure 764303DEST_PATH_IMAGE023
(10)
其中，
Figure 723032DEST_PATH_IMAGE070
为最终增强图像，
Figure 518950DEST_PATH_IMAGE071
为矩阵对位幂运算，
Figure 472475DEST_PATH_IMAGE025
表示获取的灰度图像，
Figure 88264DEST_PATH_IMAGE026
为均值矩阵，均值矩阵
Figure 850683DEST_PATH_IMAGE026
的大小与
Figure 501108DEST_PATH_IMAGE020
矩阵的大小相同，同时均值矩阵
Figure 628464DEST_PATH_IMAGE026
中每个元素均为都是
Figure 997128DEST_PATH_IMAGE020
矩阵中所有元素的均值。利用公式（10），实现最终的灰度图像增强。
图2、图3和图4分别展示了本发明方法与LR3M、LIME和L2UWE三种方法在可见光、短波红外和热红外图像上的增强效果对比。与其他同类方法相比，本发明方法可以准确提升灰度图像暗区域中的亮度，增强其中的细节纹理，同时不会像其他方法那样使亮区域过曝而丢失细节。
本发明还提供了一种存储软件的计算机可读介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括如前述灰度图像增强方法的流程。
本发明还提供了一种计算机***，包括：一个或多个处理器；存储器，存储可***作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括如前述灰度图像增强方法的流程。
应当理解，本发明的前述灰度图像增强方法的示例可以在任何包含具有数据存储和数据处理的计算机***中，前述的计算机***可以是至少一个包括处理器和存储器的电子处理***或者电子设备，例如PC电脑，不论是个人用PC电脑、商用PC电脑，或者图形处理用PC电脑、服务器级PC电脑。这些PC电脑通过具有数据接口和/或网络接口，实现有线和/或无线的数据传输，尤其是图像数据。
在另一些实施例，该计算机***还可以是服务器，尤其是云服务器，具有数据存储、处理以及网络通讯功能。
作为示例的计算机***通常包括由***总线连接的至少一个处理器、存储器和网络接口。网络接口用于与其他设备/***进行通信。
处理器用于提供***的计算和控制。
存储器包括非易失性存储器和缓存。
非易失性存储器通常具有海量存储能力，可以存储操作***以及计算机程序，这些计算机程序可以包括可***作的指令，这些指令在通过一个或多个处理器执行时使得一个或多个处理器能够执行本发明前述实施例的灰度图像增强方法的过程。
在需要或者合理的实现方式中，前述计算机***，不论是PC设备或者服务器，还可以包括比图示中更多或者更少的部件，或者组合，或者采用不同的硬件、软件等不同部件或者不同的部署方式。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (6)

1.一种灰度图像增强方法，其特征在于：包括以下步骤：
步骤1：对原始灰度图像进行线性拉伸，使灰度范围缩放至
Figure DEST_PATH_IMAGE001
之间，得到第一图像，然 后对第一图像进行对数变换得到第二图像；
步骤2：利用双边滤波模型对第二图像进行模糊处理，然后利用离散模型对已模糊的第二图像进行二次模糊，得到基于离散模糊的亮度掩模；
步骤3：将第二图像和基于离散模糊的亮度掩模输入至目标函数中，利用梯度下降优化对目标函数进行迭代优化，得到最优的细节显著性模型参数；
步骤4：利用细节显著性模型与步骤3得到的最优的细节显著性模型参数，获得细节显著性映射图；
步骤5：以步骤4所得的细节显著性映射图为基础，对原始灰度图像进行非均匀地伽马校正，实现灰度图像增强；
其中，所述目标函数为：
Figure 683743DEST_PATH_IMAGE002
；
其中，
Figure DEST_PATH_IMAGE003
表示第二图像中第i个像素的值，M表示原始灰度图像中像素点总数，
Figure 489631DEST_PATH_IMAGE004
为范围 系数，
Figure DEST_PATH_IMAGE005
为调节常数；
Mi表示基于离散模糊的亮度掩模M中第i个像素的值，第i个像素对应的空间坐标向量为
Figure 410314DEST_PATH_IMAGE006
，x i 表示第i个像素在空间内的横坐标，y i 表示第i个像素在空间内的纵坐标；
Figure DEST_PATH_IMAGE007
表示
Figure 946469DEST_PATH_IMAGE008
维的细节显著性系数向量；其中，
Figure DEST_PATH_IMAGE009
,N为细节显 著性模型的阶数；
其中，
Figure DEST_PATH_IMAGE011
表示基于离散模糊的亮度掩模M中第i个像素的
Figure 774223DEST_PATH_IMAGE012
维多项式向 量；
所述获得细节显著性映射图，包括以下步骤：
根据以下公式计算获得细节显著性映射图D：
Figure DEST_PATH_IMAGE013
；
其中，
Figure 472052DEST_PATH_IMAGE014
为根据步骤3得到最优的细节显著性模型参数而确定的最优细节显著性模 型，
Figure DEST_PATH_IMAGE015
表示第二图像；
所述对原始灰度图像进行非均匀地伽马校正，包括以下步骤：
根据以下公式计算最终增强图像S：
Figure 614451DEST_PATH_IMAGE016
；
其中，运算符
Figure DEST_PATH_IMAGE017
为矩阵对位幂运算，L表示获取的原始灰度图像，m为均值矩阵，其大小与 细节显著性映射图D一致且每个元素都是细节显著性映射图D的均值。
2.根据权利要求1所述的灰度图像增强方法，其特征在于：所述对原始灰度图像进行线性拉伸，包括以下步骤：
根据以下公式依次对原始灰度图像中的每个像素进行计算，获得第一图像中第i个像素的线性拉伸结果，使原始灰度图像的灰度范围缩放至[0,1]之间，得到第一图像：
Figure 685788DEST_PATH_IMAGE018
；
其中，
Figure DEST_PATH_IMAGE019
表示原始灰度图像中第
Figure 230033DEST_PATH_IMAGE020
个像素的灰度值，
Figure DEST_PATH_IMAGE021
为第一图像中的第i个像素的线 性拉伸结果，
Figure 364342DEST_PATH_IMAGE022
为原始灰度图像中的最大灰度值，
Figure DEST_PATH_IMAGE023
为原始灰度图像中的最 小灰度值。
3.根据权利要求1所述的灰度图像增强方法，其特征在于：所述利用双边滤波模型对第二图像进行模糊处理，包括以下步骤：
将第二图像的横坐标和纵坐标都为奇数的像素点的值设置为0；或者
将第二图像的横坐标和纵坐标都为偶数的像素点的值设置为0。
4.根据权利要求1所述的灰度图像增强方法，其特征在于：所述利用梯度下降优化对目标函数进行迭代优化，包括以下步骤：
步骤301：设细节显著性模型阶数初值为1，细节显著性系数向量初值为零向量；
步骤302：基于目标函数的一阶导数，利用拟牛顿法对目标函数进行解优化，得到使目标函数最小的最优细节显著性系数向量；
步骤303：令细节显著性模型阶数加1，并将细节显著性系数向量初值更新为步骤302所得的最优细节显著性系数向量；
步骤304：重复步骤302和步骤303，直到目标函数值开始变大为止，此时所得的最优的细节显著性系数向量为最终的优化结果。
5.一种存储软件的计算机可读介质，其特征在于：所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括如权利要求1-4中任意一项所述的灰度图像增强方法的流程。
6.一种计算机***，其特征在于，包括：
一个或多个处理器；
存储器，存储可***作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括如权利要求1-4中任意一项所述的灰度图像增强方法的流程。
CN202110770482.9A 2021-07-08 2021-07-08 灰度图像增强方法、计算机可读介质及计算机*** Active CN113222866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110770482.9A CN113222866B (zh) 2021-07-08 2021-07-08 灰度图像增强方法、计算机可读介质及计算机***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110770482.9A CN113222866B (zh) 2021-07-08 2021-07-08 灰度图像增强方法、计算机可读介质及计算机***

Publications (2)

Publication Number Publication Date
CN113222866A CN113222866A (zh) 2021-08-06
CN113222866B true CN113222866B (zh) 2022-03-25

Family

ID=77081146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110770482.9A Active CN113222866B (zh) 2021-07-08 2021-07-08 灰度图像增强方法、计算机可读介质及计算机***

Country Status (1)

Country Link
CN (1) CN113222866B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399442B (zh) * 2022-01-15 2023-09-12 石坚 基于参数自适应的非线性图像增强方法及***
CN115619659B (zh) * 2022-09-22 2024-01-23 北方夜视科技(南京)研究院有限公司 基于正则化高斯场模型的低照度图像增强方法与***
CN116433663B (zh) * 2023-06-13 2023-08-18 肥城恒丰塑业有限公司 一种土工格室质量智能检测方法
CN117710365B (zh) * 2024-02-02 2024-05-03 中国电建集团华东勘测设计研究院有限公司 缺陷管道图像的处理方法、装置及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678727A (zh) * 2016-01-12 2016-06-15 四川大学 基于异构多核构架的红外光与可见光图像实时融合***
CN112435204A (zh) * 2020-10-30 2021-03-02 北方夜视技术股份有限公司 图像融合方法、***、计算机可读介质以及计算机***

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436647A (zh) * 2011-11-14 2012-05-02 江苏技术师范学院 一种自适应灰度映射的图像增强方法
KR101341616B1 (ko) * 2012-05-10 2013-12-13 중앙대학교 산학협력단 세부정보 추정에 의한 영상 개선 장치 및 방법
CN105205794B (zh) * 2015-10-27 2017-11-03 西安电子科技大学 一种低照度图像的同步增强去噪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678727A (zh) * 2016-01-12 2016-06-15 四川大学 基于异构多核构架的红外光与可见光图像实时融合***
CN112435204A (zh) * 2020-10-30 2021-03-02 北方夜视技术股份有限公司 图像融合方法、***、计算机可读介质以及计算机***

Also Published As

Publication number Publication date
CN113222866A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113222866B (zh) 灰度图像增强方法、计算机可读介质及计算机***
CN108694705B (zh) 一种多帧图像配准与融合去噪的方法
WO2022141178A1 (zh) 图像处理方法及装置
US10198801B2 (en) Image enhancement using self-examples and external examples
Hassan et al. The Retinex based improved underwater image enhancement
Zhou et al. Multi-scale retinex-based adaptive gray-scale transformation method for underwater image enhancement
CN111968062B (zh) 基于暗通道先验镜面高光图像增强方法、装置及存储介质
WO2021139635A1 (zh) 超级夜景图像的生成方法、装置、电子设备及存储介质
CN112991197B (zh) 一种基于暗通道的细节保留的低照度视频增强方法及装置
CN110827218A (zh) 基于图像hsv透射率加权校正的机载图像去雾方法
CN112116542A (zh) 图像对比度增强方法、装置、电子设备和存储介质
CN110717864B (zh) 一种图像增强方法、装置、终端设备及计算机可读介质
WO2020107308A1 (zh) 一种基于Retinex的微光图像快速增强方法及其装置
CN114240767A (zh) 一种基于曝光融合的图像宽动态范围处理方法及装置
CN111652821B (zh) 基于梯度信息的微光视频图像降噪处理方法、装置和设备
CN116993616A (zh) 一种单幅低照度场景图像增强方法及增强***
CN112825189B (zh) 一种图像去雾方法及相关设备
CN117218039A (zh) 图像处理方法、装置、计算机设备及存储介质
WO2023215371A1 (en) System and method for perceptually optimized image denoising and restoration
CN114897811A (zh) 基于卷积梯度优化的图像Retinex增强方法、***与计算机可读介质
CN110796609B (zh) 基于尺度感知和细节增强模型的低光图像增强方法
CN114529460A (zh) 低照度场景智慧公路监测快速去雾方法、装置和电子设备
CN113096033A (zh) 基于Retinex模型自适应结构的低光照图像增强方法
Wu et al. Contrast enhancement based on discriminative co-occurrence statistics
Wang et al. Adaptive Bright and Dark Channel Combined with Defogging Algorithm Based on Depth of Field

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