CN115170420A - 一种图像对比度的处理方法及*** - Google Patents

一种图像对比度的处理方法及*** Download PDF

Info

Publication number
CN115170420A
CN115170420A CN202210798303.7A CN202210798303A CN115170420A CN 115170420 A CN115170420 A CN 115170420A CN 202210798303 A CN202210798303 A CN 202210798303A CN 115170420 A CN115170420 A CN 115170420A
Authority
CN
China
Prior art keywords
image
picture
brightness
processing
illumination
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.)
Withdrawn
Application number
CN202210798303.7A
Other languages
English (en)
Inventor
张赛
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.)
Nanjing Aosu Zhili Information Technology Co ltd
Original Assignee
Nanjing Aosu Zhili Information Technology 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 Nanjing Aosu Zhili Information Technology Co ltd filed Critical Nanjing Aosu Zhili Information Technology Co ltd
Priority to CN202210798303.7A priority Critical patent/CN115170420A/zh
Publication of CN115170420A publication Critical patent/CN115170420A/zh
Withdrawn legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T5/73—Deblurring; Sharpening
    • G06T5/75—Unsharp masking
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种图像对比度的处理方法及***，包括以下步骤：训练神经网络，识别低照度图片和高照度图片；通过摄像头获取监控视频，截取所需图片部分，对原始图像构造亮度直方图；分析亮度直方图的图像特征，并求取亮度平均值；选取所需增强对比度的图片区域；并识别图片的像素点；通过摄像头内的光发生装置，对所需图片部分对应的实物进行照射，照射到实物并反射的光经CCD相机接收；将图片去极化，增强图片中的彩色区域；将图像进行反锐化。本发明准确判断其光照度的情况，并进行准确处理，有效地提高了图像的分类速度和分类精度，进行反锐化，能够显著的提高图片的对比度和分辨率，且能够有效降低图片噪声，进一步提高图像的质量。

Description

一种图像对比度的处理方法及***
技术领域
本发明涉及图像对比度处理技术领域，特别涉及一种图像对比度的处理方法及***。
背景技术
图像含有的信息量巨大，而且在多媒体技术发达的今天，人们都希望能看到清晰逼真的画面，这就对图像的质量要求也越来越高，对要求图像的处理技术也随之得到提升。在生活中，人们发现照片的灰暗，以至于照片的某些细节信息人眼观察不到。在图像的采集、处理、存储、显示或传输的过程中，有可能受到光电***失真、噪声干扰、曝光不足或过量、相对运动、传输误码等的影响，从而使图像本身的质量降低，这就影响了图像的后续处理。我们知道，图像作为信息的载体，如果图像中所承载的信息被掩盖了，那么不只是模糊了我们的视觉，还会阻碍图像的后续处理。因此，对图像进行图像的对比度增强就变得尤为重要
在阴天、夜晚以及物体遮挡等低照度条件下，获得的图像往往存在动态范围较小、细节信息丢失严重并且含有大量噪声等问题。因此，低照度图像会严重影响甚至限制人眼或者计算机视觉***的性能。对低照度图像进行增强处理，能够提升图像的清晰度，凸显场景的纹理细节，极大地提高图像的质量，从而为完成目标识别与追踪、图像分割等任务提供数据质量的保证。因此，研究低照度图像的增强具有重要的理论意义和实际应用价值。
发明内容
基于上述技术问题，本发明的目的在于提供一种图像对比度的处理方法及***，对所需为实现上述目的，本发明提供如下技术方案：
一种图像对比度的处理方法，包括以下步骤：
S1、训练神经网络，识别低照度图片和高照度图片；
S2、通过摄像头获取监控视频，截取所需图片部分，对原始图像构造亮度直方图；
S3、分析亮度直方图的图像特征，并求取亮度平均值；
S4、选取所需增强对比度的图片区域；并识别图片的像素点；
S5、对识别完照度的图片进行计算亮度差值，当像素点的亮度减去亮度平均值之间的差值大于预设值时，将此像素点的亮度降低；
当亮度平均值减去像素点的亮度的差值大于预设值时，将此像素点的亮度增高；
S6、通过摄像头内的光发生装置，对所需图片部分对应的实物进行照射，照射到实物并反射的光经CCD相机接收；
S7、将步骤S5重复5次及以上，将图片去极化，增强图片中的彩色区域；
S8、将图像进行反锐化，对图片进行最后的对比度增强步骤。
优选的，步骤S4中训练神经网络包括：
S11、收集大量成对的正常光照图像和低光照图像作为训练样本；
S12、对神经网络算法模型进行初始化；
S13、进行网络训练，将所选正常光照图像和低光照图像作为训练样本作为训练数据集；
S14、调整权值，采取调整过的权值重复计算，直到误差满足要求。
优选的，步骤S5中具体还包括：
对识别完照度的图片进行计算亮度差值是基于整张图片的练度平均值。
优选的，步骤S8中的对图像进行反锐化具体为：
根据所选图片的噪声水平选取合适的参数值，计算所选图片的局部方差、增益系数和动态水平期望值，接着计算输出图像的局部方差，通过代价函数计算图像的局部方差的期望值和计算值的平方误差，通过平方误差自适应地迭代更新尺度矢量，接着再次计算增强图像，重复上述步骤，直至处理完所选图片的所有像素点。
一种图像对比度的处理***，包括：
摄像头，用于接收直拍画面；
图像提取模块，用于提取摄像头所拍摄到的图像；
亮度提取模块，对图像提取模块提取的图片的亮度进行提取计算，求取该图片的亮度平均值。
优选的，还包括：
光发生装置，所述光发生装置安装在所述摄像头的内部，作为光源，能够向外发射自然光；
CCD相机，识别所述光发生装置发射的光源照射到物体上所反射的光，识别图像信息，并将其转化成数字信号；
数据处理计算机，用于对数字信号进行处理。
优选的，包括：
神经网络训练模块，用于对神经网络进行训练，使其能够对低照度图片和高照度图片进行识别，并进行区分。
与现有技术相比，本发明的有益效果是：
1.本发明通过设置神经网络对所选图片的光照度进行识别，并经过数据处理计算机进行处理，准确判断其光照度的情况，并进行准确处理，提高收敛速率，并减小误差估计，加快了网络迭代速度，增强判断的准确性，有效地提高了图像的分类速度和分类精度。
2.本发明通过设置光发生装置和CCD相机，对图片进行多次的提取，进行反锐化，能够显著的提高图片的对比度和分辨率，且能够有效降低图片噪声，进一步提高图像的质量。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图；
图2为本发明的***示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。
请参阅图1至图2，本发明提供一种技术方案：
一种图像对比度的处理方法，包括以下步骤：
S1、训练神经网络，识别低照度图片和高照度图片；
S11、收集大量成对的正常光照图像和低光照图像作为训练样本；
S12、对神经网络算法模型进行初始化；
确定作用函数f(x):
Figure BDA0003733028440000031
S13、进行网络训练，将所选正常光照图像和低光照图像作为训练样本作为训练数据集；计算实际输出和误差：
Figure BDA0003733028440000032
式中：Wij为连接权；θj为阈值；Xi为第i个神经元的输入值；Yj为实际输出；
Figure BDA0003733028440000033
式中：Tj为期望输出；
S14、调整权值，采取调整过的权值重复计算，直到误差满足要求。
Figure BDA0003733028440000041
式中：η为学习率。
S2、分析亮度直方图的图像特征，并求取亮度平均值；
S3、选取所需增强对比度的图片区域；并识别图片的像素点；
S4、通过摄像头获取监控视频，截取所需图片部分，对原始图像构造亮度直方图；
S5、对识别完照度的图片进行计算亮度差值，当像素点的亮度减去亮度平均值之间的差值大于预设值时，将此像素点的亮度降低；
当亮度平均值减去像素点的亮度的差值大于预设值时，将此像素点的亮度增高；对识别完照度的图片进行计算亮度差值是基于整张图片的练度平均值。
S6、通过摄像头内的光发生装置，对所需图片部分对应的实物进行照射，照射到实物并反射的光经CCD相机接收；
S7、将步骤S5重复5次及以上，将图片去极化，增强图片中的彩色区域；
S8、将图像进行反锐化，根据所选图片的噪声水平选取合适的参数值，计算所选图片的局部方差、增益系数和动态水平期望值，接着计算输出图像的局部方差，通过代价函数计算图像的局部方差的期望值和计算值的平方误差，通过平方误差自适应地迭代更新尺度矢量，接着再次计算增强图像，重复上述步骤，直至处理完所选图片的所有像素点，对图片进行最后的对比度增强步骤。
增强后的图像y(n,m)是根据原始图像x(n,m)中得到的：
y(n，m)＝x(n，m)+λz(n，m)
式中，z(n,m)表示为滤波输出信号，λ是个正的尺度因子它控制着输出图像的对比度增强的程度。
图像对比度的计算公式为：
Figure BDA0003733028440000042
式中，δ(i,j)表示相邻像素点之间的亮度差异，Pδ(i,j)为相邻像素点之间的亮度差为δ的像素分布概率。
在反锐化处理过后，图片的对比度和分辨率有肉眼可辨的提升，且图片的噪声会被降低，接着将反锐化的图片叠加在处理过光强度的图片上端，最终得到处理后的图片，处理后的图片中的细节更多的被展示出来，图像的对比度有显著的提高；
且由于是光发生器对事物进行照射，利用光反射是的CCD相机接收，所以多次曝光的图片在亮度上较高，所以在处理原图片为低亮度的图片时，所叠加后的图片更加符合正常亮度，让处理后的图片看着更加舒适。
一种图像对比度的处理***，包括：
摄像头，用于接收直拍画面；
图像提取模块，用于提取摄像头所拍摄到的图像；
亮度提取模块，对图像提取模块提取的图片的亮度进行提取计算，求取该图片的亮度平均值。
光发生装置，所述光发生装置安装在所述摄像头的内部，作为光源，能够向外发射自然光；
CCD相机，识别所述光发生装置发射的光源照射到物体上所反射的光，识别图像信息，并将其转化成数字信号；
数据处理计算机，用于对数字信号进行处理。
神经网络训练模块，用于对神经网络进行训练，使其能够对低照度图片和高照度图片进行识别，并进行区分。
当本***之前，首先会向神经网络模块输出大量的训练素材，及大量的低照度图片和高照度图片，对神经网络进行训练，直至神经网络能够对图片的光照情况进行有效识别，让识别正确率达到期望值；
接着通过摄像头获取监控视频，图像提取模块对摄像头所拍摄的图片进行提取，也可以对直接输入的图片进行识别提取，接着亮度提取模块对图像提取模块提取的图片的亮度进行提取计算，并求取该图片的亮度平均值，其中可以将图片放大，对每一个像素点的亮度进行监测，并提取计算；最后经数据处理计算机对图片进行对比度增强处理；
如若图片是摄像头所采取到的，那么接着启动光发生装置，对采集是图片的实物进行多次照射，CCD相机对反射光源进行识别，多次采取到的图片会进入到数据处理计算机对图片进行对比度增强处理；本方法通过多次测量，对采取的图片质量有较大的提升，并且能够有效降低图像噪声，减轻后续图片处理的负担。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种图像对比度的处理方法，其特征在于，包括以下步骤：
S1、训练神经网络，识别低照度图片和高照度图片；
S2、通过摄像头获取监控视频，截取所需图片部分，对原始图像构造亮度直方图；
S3、分析亮度直方图的图像特征，并求取亮度平均值；
S4、选取所需增强对比度的图片区域；并识别图片的像素点；
S5、对识别完照度的图片进行计算亮度差值，当像素点的亮度减去亮度平均值之间的差值大于预设值时，将此像素点的亮度降低；
当亮度平均值减去像素点的亮度的差值大于预设值时，将此像素点的亮度增高；
S6、通过摄像头内的光发生装置，对所需图片部分对应的实物进行照射，照射到实物并反射的光经CCD相机接收；
S7、将步骤S5重复5次及以上，将图片去极化，增强图片中的彩色区域；
S8、将图像进行反锐化，对图片进行最后的对比度增强步骤。
2.根据权利要求1所述的一种图像对比度的处理方法，其特征在于，步骤S1中训练神经网络包括：
S11、收集大量成对的正常光照图像和低光照图像作为训练样本；
S12、对神经网络算法模型进行初始化；
S13、进行网络训练，将所选正常光照图像和低光照图像作为训练样本作为训练数据集；
S14、调整权值，采取调整过的权值重复计算，直到误差满足要求。
3.根据权利要求1所述的一种图像对比度的处理方法，其特征在于，步骤S5中具体还包括：
对识别完照度的图片进行计算亮度差值是基于整张图片的练度平均值。
4.根据权利要求1所述的一种图像对比度的处理方法，其特征在于，步骤S8中的对图像进行反锐化具体为：
根据所选图片的噪声水平选取合适的参数值，计算所选图片的局部方差、增益系数和动态水平期望值，接着计算输出图像的局部方差，通过代价函数计算图像的局部方差的期望值和计算值的平方误差，通过平方误差自适应地迭代更新尺度矢量，接着再次计算增强图像，重复上述步骤，直至处理完所选图片的所有像素点。
5.一种图像对比度的处理***，适应于权利要求1-4所述的一种图像对比度的处理方法，其特征在于，包括：
摄像头，用于接收直拍画面；
图像提取模块，用于提取摄像头所拍摄到的图像；
亮度提取模块，对图像提取模块提取的图片的亮度进行提取计算，求取该图片的亮度平均值。
6.根据权利要求5所述的一种图像对比度的处理***，其特征在于，还包括：
光发生装置，所述光发生装置安装在所述摄像头的内部，作为光源，能够向外发射自然光；
CCD相机，识别所述光发生装置发射的光源照射到物体上所反射的光，识别图像信息，并将其转化成数字信号；
数据处理计算机，用于对数字信号进行处理。
7.根据权利要求6所述的一种图像对比度的处理***，其特征在于，包括：
神经网络训练模块，用于对神经网络进行训练，使其能够对低照度图片和高照度图片进行识别，并进行区分。
CN202210798303.7A 2022-07-06 2022-07-06 一种图像对比度的处理方法及*** Withdrawn CN115170420A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210798303.7A CN115170420A (zh) 2022-07-06 2022-07-06 一种图像对比度的处理方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210798303.7A CN115170420A (zh) 2022-07-06 2022-07-06 一种图像对比度的处理方法及***

Publications (1)

Publication Number Publication Date
CN115170420A true CN115170420A (zh) 2022-10-11

Family

ID=83490873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210798303.7A Withdrawn CN115170420A (zh) 2022-07-06 2022-07-06 一种图像对比度的处理方法及***

Country Status (1)

Country Link
CN (1) CN115170420A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664411A (zh) * 2022-10-14 2023-08-29 天翼数字生活科技有限公司 低照度图像处理方法和***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664411A (zh) * 2022-10-14 2023-08-29 天翼数字生活科技有限公司 低照度图像处理方法和***

Similar Documents

Publication Publication Date Title
CN108777815B (zh) 视频处理方法和装置、电子设备、计算机可读存储介质
CN108197546B (zh) 人脸识别中光照处理方法、装置、计算机设备及存储介质
CN111292264A (zh) 一种基于深度学习的图像高动态范围重建方法
CN108900769A (zh) 图像处理方法、装置、移动终端及计算机可读存储介质
CN108875619B (zh) 视频处理方法和装置、电子设备、计算机可读存储介质
CN111064904A (zh) 一种暗光图像增强方法
CN111225162B (zh) 图像曝光的控制方法、***、可读存储介质及摄像设备
CN115223004A (zh) 基于改进的多尺度融合生成对抗网络图像增强方法
CN113643214B (zh) 一种基于人工智能的图像曝光校正方法及***
CN112561813B (zh) 人脸图像增强方法、装置、电子设备及存储介质
CN115063331B (zh) 基于多尺度块lbp算子无鬼影多曝光图像融合方法
CN111242860A (zh) 超级夜景图像的生成方法、装置、电子设备及存储介质
CN115170420A (zh) 一种图像对比度的处理方法及***
CN114429476A (zh) 图像处理方法、装置、计算机设备以及存储介质
CN117152182B (zh) 一种超低照度网络相机图像处理方法、装置及电子设备
CN117649694A (zh) 一种基于图像增强的人脸检测方法、***及装置
CN112365425A (zh) 一种低照度图像增强方法和***
Park et al. Image enhancement for extremely low light conditions
CN111667498A (zh) 一种面向光学卫星视频的运动舰船目标自动检测方法
CN116188930A (zh) 一种基于融合事件相机的场景识别方法及***
CN114638764B (zh) 基于人工智能的多曝光图像融合方法及***
CN116258653A (zh) 一种基于深度学习的微光图像增强方法和***
CN113379631B (zh) 一种图像去雾的方法及装置
CN115482175A (zh) 红外图像与可见光图像的多尺度融合方法、装置及设备
CN114549386A (zh) 一种基于自适应光照一致性的多曝光图像融合方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20221011

WW01 Invention patent application withdrawn after publication