一种图像对比度增强方法及系统发明专利

专利名称：一种图像对比度增强方法及系统

专利类型：发明专利

专利申请号：CN202111460339.6

专利申请（专利权）人：中国航空工业集团公司洛阳电光设备研究所,西北工业大学
权利人地址：河南省洛阳市西工区凯旋西路25号

专利发明（设计）人：陈振国,陈水忠,揭斐然,万锦锦

专利摘要：本发明提供了一种图像对比度增强方法及系统，属于图像处理技术领域。首先获取待处理图像，并设置不同伽马参数对待处理图像进行校正，再将通过每一个校正后的图像分解成基础层和细节层，随后计算每一个校正后图像的基础层和细节层的加权系数矩阵，最后对每一个校正后图像基础层和细节层进行加权融合，得到图像对比度增强结果。该方法可以实现图像不同区域下不同灰度区间不同程度的对比度拉伸，同时既保留了图像原有的空间结构，又突出图像细节信息，融合过程中综合了不同伽马校正结果中的最优局部，使得待处理图像中不同区域下不同灰度区间都能获得良好的对比度和细节增强效果，更能适应不同情况下复杂图像的对比度增强需求。

主权利要求：
1.一种图像对比度增强方法，其特征在于，该方法包括以下步骤：
1)获取待处理图像G，设置至少两个伽马参数分别对待处理图像G进行校正，得到对应的至少两个校正后图像Gn；
2)将每一个校正后图像Gn都分解成基础层 和细节层 得到每一个校正后图像的基础层 和每一个校正后图像的细节层 每一个校正后图像的基础层 通过对所对应的校正后图像进行均值滤波得到；
3)计算每一个校正后图像的基础层和细节层的加权系数矩阵，得到每一个校正后图像基础层对应的加权系数矩阵 和每一个校正后图像细节层对应的加权系数矩阵
4)根据每一个校正后图像基础层的加权系数矩阵 和每一个校正后图像细节层的加权系数矩阵 对所有校正后图像的基础层和细节层进行加权融合，实现对待处理图像的图像增强；
所述步骤3)中校正后图像基础层的加权矩阵计算公式为：
所述步骤3)中校正后图像细节层的加权系数矩阵计算公式为：
式中，L为3×3的拉普拉斯算子，|Hn|是对Hn的取绝对值操作， 表示以Gn为指导图像、rB为第一窗口尺寸对 进行指导滤波操作， 是对 的取绝对值操作，表示以Gn为指导图像、rD为第二窗口尺寸对 进行指导滤波操作。
2.根据权利要求1所述的图像对比度增强方法，其特征在于，所述步骤2)中校正后图像分解基础层 和细节层 的公式为：式中，Gn为校正后的图像，A为均值滤波器，*为卷积运算。
3.根据权利要求1所述的图像对比度增强方法，其特征在于，所述步骤3)中第一窗口尺寸为第二窗口尺寸的二倍及以上。
4.根据权利要求1所述的图像对比度增强方法，其特征在于，所述第二窗口尺寸取值区间为[3，21]。
5.根据权利要求1所述的图像对比度增强方法，其特征在于，所述步骤4)中的加权融合公式为：式中，E为图像对比度增强结果，·为点乘运算。
6.根据权利要求1所述的图像对比度增强方法，其特征在于，当待处理图像较暗时，将小于1的伽马参数设置较小；当待处理图像较亮时，将大于1的伽马参数设置较大。
7.一种图像对比度增强系统，其特征在于，该系统包括处理器和存储器，所述处理器执行由所述存储器存储的计算机程序，以实现如上述权利要求1‑6任一项所述的图像对比度增强方法。 说明书 : 一种图像对比度增强方法及系统技术领域[0001] 本发明涉及一种图像对比度增强方法及系统，属于图像处理技术领域。背景技术[0002] 在数字图像的形成、传输或变换过程中，受多种不确定或不可控因素的影响，如光照不足、曝光不足或过量、逆光、阴影、信号衰减等，图像整体或局部可能呈现出对比度不足的现象，造成人眼观察的不适或者信息提取的困难，因此需要对其进行图像增强，以改善图像质量、丰富图像信息，加强图像判读和识别效果，满足人眼观察或处理分析需要。[0003] 对比度增强算法就是用某种亮度矫正函数修正原始灰度(或色彩)值的过程。传统的对比度增强算法主要包括直方图均衡、线性变换以及它们的衍生方法等，这些方法虽然简单但适应能力较弱，容易产生过增强现象，导致在对比度提升的同时会牺牲部分图像细节。近年来，又提出Retinex、同态滤波、基于内容的多通道低亮图像增强算法(CA‑CD)、权重分配自适应伽马校正的对比度增强算法(AGCWD)等自适应的对比度增强算法，这些增强算法通过对图像全局或局部的特征进行提取和分析，并依此自动选择合适的算法参数或者生成适合具有这些特征的校正函数，来实现对图像有针对性的自适应的有效处理。但是各个图像情况复杂，通过一个连续矫正函数实现图像某一区域对比度拉伸的同时往往也会抑制图像中其他区域的灰度(色彩)分布，无法满足混合多种特性的复杂图像的对比度增强需求，不利于后续图像处理和研究。发明内容[0004] 本发明的目的是提供一种图像对比度增强方法及系统，用于满足在不同情况下复杂图像的对比度增强需求。[0005] 本发明提供了一种图像对比度增强方法，该方法步骤如下：[0006] 1)获取待处理图像G；设置至少两个伽马参数分别对待处理图像G进行校正，得到对应的至少两个校正后图像Gn；[0007] 2)将每一个校正后图像Gn都分解成基础层 和细节层 得到每一个校正后图像的基础层 和每一个校正后图像的细节层 每一个校正后图像的基础层 通过对所对应的校正后图像进行均值滤波得到；[0008] 3)计算每一个校正后图像的基础层和细节层的加权系数矩阵，得到每一个校正后图像基础层对应的加权系数矩阵 和每一个校正后图像细节层对应的加权系数矩阵在计算每一个校正后图像基础层的加权系数矩阵时，先设定算子和第一窗口尺寸，利用设定算子计算各校正后图像基础层各像素点的特征强度，根据各校正后图像基础层同一像素位置对应的特征强度，得到基础层初步加权系数矩阵，并按照设定第一窗口尺寸对基础层初步加权系数矩阵进行指导滤波；在计算每一个校正后图像细节层的加权系数矩阵时，根据各校正后图像细节层同一像素位置的像素值的绝对值，得到细节层初步加权系数矩阵，再设定第二窗口尺寸，并按照设定第二窗口尺寸对细节层初步加权系数矩阵进行指导滤波；[0009] 4)根据每一个校正后图像基础层的加权系数矩阵 和每一个校正后图像细节层的加权系数矩阵 对所有校正后图像的基础层和细节层进行加权融合，实现对待处理图像的图像增强。[0010] 本发明还提供了一种图像对比度增强系统，该系统包括处理器和存储器，所述处理器执行由所述存储器存储的计算机程序，以实现如本发明所述的图像对比度增强方法。[0011] 本发明首先通过设置不同伽马参数对待处理图像进行校正，再将通过每一个伽马参数校后的图像分解成基础层和特征层，随后计算每一个校正后图像的基础层和细节层的加权系数矩阵，最后对每一个校正后图像基础层和每一个校正后图像细节层进行加权融合，得到图像对比度增强结果。该方法通过设置不同的伽马校正参数实现了对待处理图像不同区域下不同灰度区间不同程度的对比度拉伸，并将图像分解成基础层和细节层采用指导滤波进行平滑，既保留了图像原有的空间结构，又突出图像细节信息，最后融合过程中综合了不同伽马校正结果中的最优布局，使得待处理图像中不同区域不同灰度区间都能获得良好的对比度和细节增强效果，更能适应不同情况下复杂图像的对比度增强需求。[0012] 进一步地，为了在保留图像原有结构信息的同时突出图像细节信息，所述步骤2)中校正后图像分解基础层 和细节层 的公式为：[0013][0014][0015] 式中，Gn为伽马校正后的图像，A为均值滤波器，*为卷积运算。[0016] 进一步地，为了突出图像基础层的最优信息，所述步骤3)中校正后图像基础层的加权矩阵计算公式为：[0017][0018][0019][0020][0021][0022] 式中，L为3×3的拉普拉斯算子，|Hn|是对Hn的取绝对值操作， 表示以Gn为指导图像、rB为指导滤波窗口尺寸对 进行指导滤波操作。[0023] 进一步地，为了更好地实现基础层加权系数的平滑，所述第一窗口尺寸为第二窗口尺寸的二倍及以上。[0024] 进一步地，为了突出图像细节层的最优信息，所述步骤3)中校正后图像细节层的加权系数矩阵计算公式为：[0025][0026][0027][0028][0029] 式中， 是对 的取绝对值操作， 表示以Gn为指导图像、rD为指导滤波窗口尺寸对 进行指导滤波操作。[0030] 进一步地，为了实现图像细节层加权系数的平滑，所述第二窗口尺寸取值区间为[3，21]。[0031] 进一步地，所述步骤4)中的加权融合公式为：[0032][0033] 式中，E为图像对比度增强结果，·为点乘运算。[0034] 进一步地，为了使不同灰度信息下的图像能得到很好的对比度拉伸效果，当待处理图像较暗时，将小于1的伽马参数设置较小；当待处理图像较亮时，将大于1的伽马参数设置较大。附图说明[0035] 图1是本发明图像对比度增强方法的流程图；[0036] 图2是本发明实施例中待处理图像；[0037] 图3是本发明实施例中γ＝0.5时待处理图像的校正结果；[0038] 图4是本发明实施例中γ＝0.8时待处理图像的校正结果；[0039] 图5是本发明实施例中γ＝1.25时待处理图像的校正结果；[0040] 图6是本发明实施例中γ＝2时待处理图像的校正结果；[0041] 图7是本发明实施例中不同伽马校正结果融合后的图像对比度增强结果；[0042] 图8是本发明实施例中γ＝0.5时校正后图像分解得到的基础层图像；[0043] 图9是本发明实施例中γ＝0.5时基础层图像对应初始加权系数矩阵下的图像；[0044] 图10是本发明实施例中γ＝0.5时基础层图像对应滤波后权重系数矩阵下的图像；[0045] 图11是本发明实施例中γ＝0.5时校正后图像分解得到的细节层图像；[0046] 图12是本发明实施例中γ＝0.5时细节层图像对应初始加权系数矩阵下的图像；[0047] 图13是本发明实施例中γ＝0.5时细节层图像对应滤波后权重系数矩阵下的图像。具体实施方式[0048] 下面结合附图对本发明的具体实施方式作进一步地说明。[0049] 本发明提供的一种图像对比度增强方法，具体流程如图1所示。首先获取待处理图像，并设置至少两个伽马参数对待处理图像进行校正，再将通过每一个伽马参数校正后的图像分解成基础层和特征层，随后计算每一个校正后图像的基础层和细节层的加权系数矩阵，最后对每一个校正后图像基础层和每一个校正后图像细节层进行加权融合，实现图像对比度增强。该方法通过设置不同的伽马校正参数实现了对待处理图像不同区域不同灰度区间不同程度的对比度拉伸，并将图像分解成基础层和细节层采用指导滤波进行平滑，既保留了图像原有的空间结构，又突出图像细节信息，最后融合过程中综合了不同伽马校正结果中的最优局部，使得待处理图像中不同区域不同灰度区间都能获得良好的对比度和细节增强效果，更能适应不同情况下复杂图像的对比度增强需求。[0050] 步骤1.获取图像及图像校正[0051] 首先，获取待处理图像G，在本实施例中待处理图像如图2所示。本发明为了实现图像不同灰度区间不同程度的对比度拉伸，设置至少两个伽马参数γn，再通过设置的伽马参数分别对调处理图像进行校正，得到校正后图像Gn(n＝1，2，...，N)，其中N为设置的伽马参数个数。其中，伽马参数小于1是为了实现图像暗部区域的拉伸，增强图像暗部区域细节信息，在图像较暗的情况下，将小于1伽马参数设置越小越能增强图像暗部的细节信息；伽马参数大于1是为了实现图像亮部区域的拉伸，增强图像亮部区域细节信息，在图像较亮的情况下，将大于1的伽马参数设置越大越能增强图像亮部的细节信息。[0052] 在本实施例中，伽马参数γn设置为{0.5，0.8，1，1.25，2}，使用这5个伽马参数分别对待处理图像G进行校正，得到对应的5个校正后图像Gn(n＝1，...，5)；当γ＝0.5时，待处理图像的校正后图像如图3所示，当γ＝0.8时；待处理图像的校正后图像如图4所示；当γ＝1时，待处理图像不发生任何变化仍如图1所示；当γ＝1.25时，待处理图像的校正后图像如图5所示；当γ＝2时，待处理图像的校正后图像如图6所示。从图3和图4可以看出，对比图1，所取γ值小于1时，图像暗部区域的信息被增强，即图中右侧部分人脸和车窗内的影子得到增强，而亮部区域的信息被抑制，即图中左侧树木不如图2中清晰，同时γ取值越小时，待处理图像中暗部区域的细节增强越明显，拉伸效果越好，对待处理图像亮部区域的抑制越明显；从图5和图6可以看出，对比图2，所取γ值大于1时，图像亮部区域的信息被增强，即图中左侧部分树木更加清晰，而暗部区域信息被抑制，即图中右侧部分人脸和车窗中的影子明显不如图2清晰，同时γ取值越大时，待处理图像中暗部区域的细节增强越明显，拉伸效果越好，对待处理图像暗部区域的抑制越明显。[0053] 步骤2.校正后的图像分解[0054] 为了保留每一个校正后图像的原有结构信息，同时突出每一个校正后图像的细节信息，本发明将每一个校正后图像Gn(n＝1，2，...，N)分解成基础层 和细节层 其中基础层是通过对校正后图像进行均值滤波获得，细节层是校正后图像Gn减去基础层 即为细节层 将Gn(n＝1，...，N)分解成基础层 和细节层 的计算公式为：[0055][0056][0057] 式中，A为均值滤波器，*为卷积运算。[0058] 在本实施例中，通过步骤1可得到5个校正后图像，将这5个校正后图像都依据上述公式(1)和公式(2)分解成基础层和细节层。其中，当γ＝0.5时的校正后图像经过分解后生成的基础层如图8所示、细节层如图11所示，可以看出图3中基础信息和细节信息明显被分解，既保留了图像原有结构，还突出了图像细节。[0059] 步骤3.计算基础层和细节层的权重系数矩阵[0060] 通过步骤2得到每一个校正后图像的基础层 和细节层 为了提取每一个校正后图像的基础层信息和细节层信息，并得到每一个校正后图像的基础层和细节层的最优信息，本发明需要计算每一个校正后图像基础层和细节层的权重系数矩阵，根据计算得出的权重系数表征每一个校正后图像基础层和细节层中信息的重要程度。[0061] 其中，在计算每一个校正后图像基础层的权重系数矩阵时，先利用设定的拉普拉斯算子对校正后图像基础层进行卷积处理计算图像各像素点的特征强度，再比较各校正后图像基础层同一像素位置对应的特征强度，得到初步的基础层加权系数矩阵 再设定第一窗口尺寸，并按照第一窗口尺寸和校正后图像对初步的基础层加权系数矩阵进行指导滤波，得到每一个校正后图像基础层的权重系数矩阵 计算公式如下：[0062][0063][0064][0065][0066][0067] 式中，L为3×3的拉普拉斯算子，|Hn|是对Hn的取绝对值操作， 表示以Gn为指导图像、rB为第一窗口尺寸即指导滤波窗口尺寸对 进行指导滤波操作，rB为正整数，取值范围为[21，51]。在本实施例中，所设定算子为拉普拉斯算子，第一窗口尺寸设置为45。作为其他实施方式，算子的选择和第一窗口尺寸的设定均可根据具体输入图像确定。第一窗口尺寸的设置与第二窗口尺寸有关，一般情况下第一窗口尺寸为第二窗口尺寸的二倍及以上，但也不可设置过大。[0068] 其中，在计算每一个校正后图像细节层的权重系数矩阵时，先比较各校正后图像细节层同一像素位置像素值的绝对值，得到初步的细节层加权系数矩阵 再设定第二窗口尺寸，根据第二窗口尺寸对初步的细节层加权系数矩阵进行指导滤波处理，得到每一个校正后图像细节层的权重系数矩阵 计算公式如下：[0069][0070][0071][0072][0073] 式中， 是对 的取绝对值操作， 表示以Gn为指导图像、rD为第二窗口尺寸即指导滤波窗口尺寸对 进行指导滤波操作。rD为正整数，取值范围为[3，21]。在本实施例中，第二窗口尺寸设置为7。作为其他实施方式，第二窗口尺寸的设定可根据具体输入图像确定。[0074] 在本实施例中，对步骤2中得到的5个基础层和细节层采用上述权重计算公式进行计算，得到对应每个基础层和细节层的初始加权系数矩阵对应图像和滤波后权重系数矩阵对应图像。其中，在γ＝0.5时的基础层图像(图8)和细节层图像(图11)下，得到的基础层初步加权系数矩阵对应图像如图9所示，基础层通过滤波后的权重系数矩阵对应图像如图10所示，得到的细节层初步加权系数矩阵对应图像如图12所示，细节层通过滤波后的权重系数矩阵对应的图像如图13所示。通过计算基础层和细节层的权重系数，更好地凸显了图像中的基础信息和细节信息，得到了伽马校正后图像基础层和细节层的最优信息，进一步增强图像细节和图像对比度。[0075] 步骤4.图像加权融合[0076] 为了使待处理图像对比度增强，根据每一个校正后图像基础层和细节层的权重系数，即可得到每一个校正后图像基础层和细节层的最优信息，通过融合各个校正后图像基础层和细节层的最优信息，使得待处理图像中不同区域不同灰度区间都能获得良好的对比度和细节增强效果，完成待处理图像对比度增强。[0077] 根据步骤3得到的每一个校正后图像基础层的权重系数矩阵 和每一个校正后图像细节层的权重系数矩阵 对每一个校正后图像基础层 和每一个校正后图像细节层进行加权融合，得到图像增强结果E：[0078][0079] 式中，·为点乘运算。[0080] 在本实施例中，通过步骤3得到的5个校正后图像基础层和细节层对 和 进行加权融合，得到的图像对比度增强结果如图7所示。以伽马等于0.5为例，得到对比图2(原始图像)和图7，图7综合了上述每个校正后图像的增强效果，使得最终融合结果图像中的亮部和暗部均得到了良好的对比度和细节增强，从图7可以明显看出，较比于图2，右侧暗部区域的人脸和车窗里的影子都得到了增强，同时左侧亮部区域的树木更加清晰。证明了本发明在可以使得图像在不同灰度区间内都能获得良好的对比度和细节增强效果，能够满足图像的对比度增强需求。[0081] 系统实施例[0082] 本发明提出的系统包括处理器、存储器，存储器中存储有可在处理器上运行的计算机程序，所述处理器在执行计算机程序时实现上述方法实施例的方法。也就是说，以上方法实施例中的方法应理解为可由计算机程序指令实现图像对比度增强方法的流程。可提供这些计算机程序指令到处理器，使得通过处理器执行这些指令产生用于实现上述方法流程所指定的功能。[0083] 本实施例所指的处理器是指微处理器MCU或可编程逻辑器件FPGA等的处理装置；本实施例所指的存储器包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。例如：利用电能方式存储信息的各式存储器，RAM、ROM等；利用磁能方式存储信息的各式存储器，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的各式存储器，CD或DVD。当然，还有其他方式的存储器，例如量子存储器、石墨烯存储器等。[0084] 通过上述存储器、处理器以及计算机程序构成的装置，在计算机中由处理器执行相应的程序指令来实现，处理器可以搭载各种操作系统，如windows操作系统、linux系统、android、iOS系统等。作为其他实施方式，系统还可以包括显示器，显示器用于将图像对比度增强的结果展示出来，以供工作人员参考。

专利地区：河南

专利申请日期：2021-12-02

专利公开日期：2024-11-29

专利公告号：CN114418906B