一种实现图像不均匀亮度增强的方法技术

本发明专利技术提供一种实现图像不均匀亮度增强的方法，对一张亮度均匀的人脸图像，通过构造随机中心点高斯分布矩阵，并经伽马变换增强，再将增强后的分布矩阵乘上原图，实现图像亮度的不均匀增强。所述方法包括：S1，构造随机中心点高斯分布矩阵；S2，分布矩阵进行伽马变换增强：随机中心点高斯分布矩阵，经过伽马变换，获得不同辐射强度的亮度增强，伽马变换增强后的分布矩阵能够凸显或弱化对比度；S3，图像不均匀增强。匀增强。匀增强。

【技术实现步骤摘要】
一种实现图像不均匀亮度增强的方法


[0001]本专利技术涉及图像处理
，特别涉及一种实现图像不均匀亮度增强的方法。

技术介绍

[0002]现有的人脸识别技术，其本质上是建立一个人脸识别模型，基于该模型提取人脸部的特征向量，通过将新图片(“新人物”)和语料库中的特征向量进行匹配，从而判断“新人物”身份信息。基于深度学习的人脸识别模型，需要大量的人脸数据集来不断训练模型，从而使模型提取的特征向量能更好的表征人脸特征。而且训练人脸识别模型的数据集不仅要求体量大，还需要提供准确的标签，并可以兼容各种应用场景。
[0003]常规的训练集增强方法一般包括：图像亮度、色度、饱和度增强，图像翻转、旋转、缩放、裁剪、平移，添加高斯噪声等；这些数据增强方法一方面增加了训练的数据量，提高了模型的泛化能力；另一方面增加了噪声数据，提升了模型的鲁棒性。
[0004]然而，目前图像亮度增强的方法主要为均匀增强，即图像所有像素全部按相同系数增加或减小。如果原图像是亮度均匀的图像，这种常规的亮度增强是无法产生脸部某一区域有亮斑或亮点的效果。

技术实现思路

[0005]为了解决上述问题，本方法的目的在于：对一张亮度均匀的人脸图像，通过构造随机中心点高斯分布矩阵，并经伽马变换增强，再将增强后的分布矩阵乘上原图，实现图像亮度的不均匀增强。
[0006]具体地，本专利技术提供一种实现图像不均匀亮度增强的方法，所述方法包括以下步骤：
[0007]S1，构造随机中心点高斯分布矩阵：
[0008]标准高斯分布矩阵，图像上任何一点的亮度值由公式1计算可得；
[0009][0010]其中i,j表示图像上任何一点的坐标，以左上角为坐标原点，d表示图像上任何一点到图像中心点的距离，R表示图像的半径；
[0011]假设图像的高为H宽为W，随机中心点高斯分布矩阵，实际就是标准高斯分布矩阵中的中心点位置随机化，其中R、d的计算方法如公式4，5所示；
[0012][0013][0014]其中，σ为辐射半径的扩增系数，(c
x
,c
y
)为随机中心点且满足0≤c
x
≤H，0≤c
y
≤W；
[0015]其中，σ的取值要满足的是图像大部分面积被辐射到，即分布矩阵部分值不为0，故可按公式6进行取值；
[0016][0017]其中，其中i,j表示图像上任何一点的坐标；
[0018]R
m
实际上就是图像上某点到分布矩阵随机中心点的最大距离；
[0019]S2，分布矩阵进行伽马变换增强：
[0020]随机中心点高斯分布矩阵，经过伽马变换，获得不同辐射强度的亮度增强，伽马变换增强后的分布矩阵能够凸显或弱化对比度；
[0021]S3，图像不均匀增强：
[0022]将原始图像乘上构造的随机中心点高斯分布矩阵即增加偏移量，按公式7取值，即可获得图像不均匀增强的效果，
[0023]I
aug
＝(G+bias)*I
src
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式7
[0024]其中，G为构造的随机中心点高斯分布矩阵，bias为偏移量。
[0025]所述步骤S1中，标准高斯分布矩阵，映射到0～255灰度区间，实际就是一个从图像中心辐射的亮度分布图，亮度的范围从255到0,从图像中心到边缘亮度逐渐减弱，中心的亮度值最高为255，边缘的亮度值最低为0。
[0026]所述步骤S1中，假设图像的高为H宽为W，那么标准高斯分布矩阵的图像中心为相应R，d的计算方法如公式2，3所示；
[0027][0028][0029]所述步骤S2中，伽马变换中的gamma值小于1时，会拉伸图像中灰度级较低的区域，同时会压缩灰度级较高的部分；而gamma值大于1时，会拉伸图像中灰度级较高的区域，同时会压缩灰度级较低的部分。
[0030]所述步骤S3中，bias为偏移量，一般取值0.6～1.0。
[0031]由此，本申请的优势在于：
[0032]1.可实现均匀亮度图像的不均匀亮度增强，提升人脸识别模型训练集样本多样化，提升模型泛化能力及鲁棒性。
[0033]2.提出基于高斯分布矩阵的亮度不均匀增强方法，通过分布矩阵中心点随机化实现图像随机点光源辐射的效果。
[0034]3.通过对分布矩阵进一步的伽马变换增强，使分布矩阵更加多变，可进一步增加图像增强的多样性。
附图说明
[0035]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，并不构成对本专利技术的限定。
[0036]图1是本专利技术方法的流程示意图。
[0037]图2是标准高斯分布矩阵的示意图。
[0038]图3是随机中心点高斯分布矩阵的示意图。
[0039]图4(a)是伽马变换后的标准高斯分布矩阵的gamma系数0.5的示意图。
[0040]图4(b)是伽马变换后的标准高斯分布矩阵的gamma系数1.5的示意图。
[0041]图5(a)是lena原图。
[0042]图5(b)是分布矩阵的示意图。
[0043]图5(c)是相应增强图的示意图。
具体实施方式
[0044]为了能够更清楚地理解本专利技术的
技术实现思路
及优点，现结合附图对本专利技术进行进一步的详细说明。
[0045]如图1所示，本专利技术涉及一种实现图像不均匀亮度增强的方法，所述方法包括以下步骤：
[0046]S1，构造随机中心点高斯分布矩阵：
[0047]标准高斯分布矩阵，图像上任何一点的亮度值由公式1计算可得；
[0048][0049]其中i,j表示图像上任何一点的坐标，以左上角为坐标原点，d表示图像上任何一点到图像中心点的距离，R表示图像的半径；
[0050]假设图像的高为H宽为W，随机中心点高斯分布矩阵，实际就是标准高斯分布矩阵中的中心点位置随机化，其中R、d的计算方法如公式4，5所示；
[0051][0052][0053]其中，σ为辐射半径的扩增系数，(c
x
,c
y
)为随机中心点且满足0≤c
x
≤H，0≤c
y
≤W；
[0054]其中，σ的取值要满足的是图像大部分面积被辐射到，即分布矩阵部分值不为0，故可按公式6进行取值；
[0055][0056]其中，其中i,j表示图像上任何一点的坐标；R
m
实际上就是图像上某点到分布矩阵随机中心点的最大距离；
[0057]S2，分布矩阵进行伽马变换增强：
[0058]随机中心点高斯分布矩阵，经过伽马变换，获得不同辐射强度的亮度增强，伽马变换增强后的分布矩阵能够凸显或弱化对比度；
[0059]S3，图像不均匀增强：
[0060]将原始图像乘上构造的随机中心点高斯分布矩阵即增加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实现图像不均匀亮度增强的方法，其特征在于，所述方法包括以下步骤：S1，构造随机中心点高斯分布矩阵：标准高斯分布矩阵，图像上任何一点的亮度值由公式1计算可得；其中i,j表示图像上任何一点的坐标，以左上角为坐标原点，d表示图像上任何一点到图像中心点的距离，R表示图像的半径；假设图像的高为H宽为W，随机中心点高斯分布矩阵，实际就是标准高斯分布矩阵中的中心点位置随机化，其中R、d的计算方法如公式4，5所示；中心点位置随机化，其中R、d的计算方法如公式4，5所示；其中，σ为辐射半径的扩增系数，(c
x
,c
y
)为随机中心点且满足0≤c
x
≤H，0≤c
y
≤W；其中，σ的取值要满足的是图像大部分面积被辐射到，即分布矩阵部分值不为0，故可按公式6进行取值；其中，其中i,j表示图像上任何一点的坐标；R
m
实际上就是图像上某点到分布矩阵随机中心点的最大距离；S2，分布矩阵进行伽马变换增强：随机中心点高斯分布矩阵，经过伽马变换，获得不同辐射强度的亮度增强，伽马变换增强后的分布矩阵能够凸显或弱化对比度；S3，图像不均匀增强：将原始图像乘上构造的随机中心点高斯分布矩阵即增加偏移量，按公式7取值，...

【专利技术属性】
技术研发人员：马艳，
申请(专利权)人：合肥君正科技有限公司，
类型：发明
国别省市：