一种新型的非均匀光照图像对比度和细节增强方法

技术领域

本发明涉及一种图像增强方法，具体为一种新型的非均匀光照图像对比度和细节增强方法。

背景技术

在诸多计算机视觉领域，如图像检索、图像分割、目标检测与跟踪等，都需要细节清晰、亮度适当的输入图像。然而，在某些场景下，包括弱光照和曝光不足，采集到的图像质量较差。图像的低亮度和细节模糊均会影响计算机视觉任务处理的效果。因此，低照度图像增强仍然是计算机技术领域的研究热点。近年来，相关研究者们仍致力于弱光照图像增强技术。为了提高弱光照图像的主观和客观质量，学者们提出了诸多图像增强方法。

一般来说，针对非均匀光照图像的增强技术大致可分为两类：基于直方图的增强方法和基于Retinex理论的增强算法。直方图均衡化方法(HE)是一种应用广泛、简单易行的技术。但是，HE方法处理的结果并不理想，因为该方法可能会导致图像伪影和强度饱和效应。因此，学者们提出基于直方图的若干增强方法，并可以在一定程度上改善输出图像质量。然而，学者们所提的基于直方图算法也存在一些不足，其中包括图像结构信息丢失、不能较好地保持平均亮度以及存在欠增强或过增强现象。Retinex理论解释了人类视觉系统如何调节人类眼睛所感知的物体的颜色和亮度。该理论假设观测图像可以分解为反射分量和照明分量。研究人员提出了几种基于Retinex理论的图像增强算法模型。基于Retinex理论的算法的关键是对光照分量的准确估计，该类算法取得了一定的效果。但仍存在一些问题，如图像边缘锐化不够，图像部分细节信息丢失和图像颜色偏离原图等。

发明内容

发明目的：本发明提出一种新型的非均匀光照图像对比度和细节增强方法，可扩展图像的动态范围并提高非光照图像亮度分量的对比度，且更大程度地呈现图像的纹理细节。

技术方案：本发明所述的一种新型的非均匀光照图像对比度和细节增强方法，具体包括以下步骤：

(1)将预先获取的图像从RGB空间转至HSV空间，得到图像的亮度分量V，并将亮度分量V分解为基本层V

(2)基于归一化gamma变换的CLAHE方法处理基本层V

(3)采用多尺度细节增强方法，实现图像细节层V

进一步地，所述步骤(1)的实现过程如下：

将3×3低通滤波器应用于图像亮度分量V，得到基本层V

V

进一步地，所述步骤(2)实现过程如下：

gamma变换函数可定义为：

其中，V

进一步地，所述步骤(3)包括以下步骤：

(31)将高斯核应用于细节层V

V

其中，G

(32)提取基本细节层V

V

Vd

其中，w

(33)在得到增强后的基本层V

有益效果：与现有技术相比，本发明的有益效果：本发明可扩展图像的动态范围并提高非光照图像亮度分量的对比度，且更大程度地呈现图像的纹理细节。

附图说明

图1为本发明的流程图；

图2为原始图像；

图3为图2所示图像经过CLAHE处理后的图像；

图4为图3所示图像经过NGC处理后的图像；

图5为原始图像细节层；

图6为图5所示细节层增强后的效果图；

图7为图像V分量及V分量直方图，其中，(a)为原始图像V分量；(b)为V分量直方图；(c)为V*分量增强结果；(d)为V*分量直方图；

图8为非均匀光照图像示例图；

图9为女孩图像在各算法中增强对照图，其中，(a)为原始图像，(b)为MSRCR，(c)为CLAHE，(d)为AGCWD，(e)为SRLIE和(f)为本发明所提算法.

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明提供一种新型的非均匀光照图像对比度和细节增强方法，如图1所示，具体包括以下步骤：

步骤1：将预先获取的图像从RGB空间转至HSV空间，得到图像的亮度分量V，并将亮度分量V分解为基本层V

将预先获取的图像从RGB空间转至HSV空间，可以得到图像的亮度分量V，图像的亮度层V可被分解为基本层和细节层。细节层包含V分量的细节信息，基本层包含V分量平滑部分的信息。该处，采用3×3低通滤波器(LPF)：

将3×3低通滤波器(LPF)应用于图像亮度分量V后，可得到基本层V

V

步骤2：基于归一化gamma变换的CLAHE方法处理基本层V

本发明针对图像对比度低、整体亮度暗的问题，选择CLAHE作为处理方法。CLAHE是对传统自适应直方图均衡化的改进。该方法将增强函数应用于图像的所有邻域像素。经过CLAHE算法变换后，可以得到处理后的V

图2为原始图像，CLAHE方法可以在一定程度上提高图像的对比度，如图3所示。但CLAHE方法可导致增强图像的对比度不平衡，该现象是由于CLAHE对非均匀光照图像的亮度分量进行了过增强引起。为了解决该问题，本发明进一步引入了gamma变换函数，经过gamma变换函数，用CLAHE方法处理的图像可以有效避免亮度过增强和对比度较差的问题。gamma变换函数可定义为：

其中V

步骤3：采用多尺度细节增强方法，实现图像细节层V

根据步骤1和步骤2所述，对图像基本层V

V

其中，G

V

然后通过合并三个层生成增强型详细层V

Vd

其中，w

原始图像V分量和V分量直方图如图7(a)、(b)所示；在得到增强后的基本层V

输出亮度分量V*及其直方图分别如图7(c)(d)所示。

采用Windows 10操作系统，用MATLAB R2016a作为软件平台。计算机的主要配置为Intel(R)Core(TM)i7-4712MQ CPU@3.40GHz(with 32G memory)。从常用的图像增强公共数据集[DIP3/e Book Images，Caltech faces 1999dataset和NASA release images]中选取图像进行测试。上述公共数据集的部分图像光照条件较差，为非均匀光照图像。图8为了一些照明条件较差的图像的示例。图9为主观上女孩图像在各算法中增强对照图。通过三个客观评价指标来评估本发明所提算法和其他算法对图像增强的结果，包括：峰值信噪比(PSNR)、均方根对比度(rms)和离散信息熵(DE)。对比结果如表1、表2、表3所示。

表1测试图像的PSNR计算值对比

表2测试图像的DE计算值对比

表3测试图像的rms计算值对比