结合逆光区域分割与自适应曝光校正的图像增强方法技术

本发明专利技术公开了一种结合逆光区域分割与自适应曝光校正的图像增强方法，首先输入原始逆光图像，计算其形态学梯度图，并进行多尺度形态学梯度重建，获得保留物体有效轮廓信息的梯度重建图；然后进行基于分水岭的超像素分割方法，生成具有精确边界的超像素图像，将其直方图谷点作为阈值进行逆光区域分类；对逆光图像使用不同的伽马参数进行校正，获取欠曝光图像和过度曝光图像，对源图像、两幅曝光图像分别进行边缘检测，获取其边缘图；最后进行交并运算，得到最终的增强图像。本发明专利技术解决了现有技术中存在的算法复杂度高、运行耗时过长、局部增强过度、恢复的逆光区域与正常背景之间亮度不协调等问题。不协调等问题。不协调等问题。

【技术实现步骤摘要】
结合逆光区域分割与自适应曝光校正的图像增强方法


[0001]本专利技术属于逆光图像增强
，具体涉及一种结合逆光区域分割与自适应曝光校正的图像增强方法。

技术介绍

[0002]生活中由于光照环境、光照角度或恶劣天气的影响，经常会拍摄出质量不佳的图像，本文主要研究逆光条件下所获图像的增强方法。逆光图像往往主体亮度低，与周围环境形成巨大的反差，导致图像中的重要区域不易被人的视觉感官所接受，更不能被机器快速识别。目前，针对逆光图像的研究甚少，有许多问题亟待进一步剖析和解决，如现有增强算法存在未充分考虑光照正常区域与曝光不足区域的亮度差异问题，易导致局部区域曝光过度或增强不足；基于区域分割的逆光图像算法依赖于阈值计算的准确性或分类、分割的精确度，往往过程复杂且运行耗时过长。因此，如何快速检测和判别出逆光区域并对其进行与背景亮度相协调的自适应增强具有重要的研究意义。
[0003]目前，专门针对逆光图像的增强算法大致从两个角度出发：基于特征融合的增强方法和基于区域分割的增强方法。特征融合方法可以通过不同的色调映射函数将多尺度特征融合为单一特征，以恢复图像的亮度、对比度、细节轮廓和颜色等信息。这些输入通常提高了逆光图像的对比度，细节信息，轮廓信息等，再引入权值映射来增强图像的可见性。但针对不同损失程度和角度的逆光图像直接使用该类方法，仍会出现局部区域增强不足、色彩或对比度失真等问题。从分割角度出发的算法，通常是对对逆光图像中的逆光前景和其他背景进行划分，然后分别用不同的色调映射函数增强后再组合。虽然这类方法考虑到了不同区域的亮度差异，但依赖于阈值计算的准确性或分类、分割的精确度，不仅过程复杂、耗时长，还具有一定的局限性。

技术实现思路

[0004]本专利技术的目的是提供一种结合逆光区域分割与自适应曝光校正的图像增强方法，解决了现有技术中存在的算法复杂度高、运行耗时过长、局部增强过度、恢复的逆光区域与正常背景之间亮度不协调等问题。
[0005]本专利技术所采用的技术方案是，结合逆光区域分割与自适应曝光校正的图像增强方法，具体按照以下步骤实施：
[0006]步骤1、输入原始逆光图像，计算其形态学梯度图，并进行多尺度形态学梯度重建，获得保留物体有效轮廓信息的梯度重建图；
[0007]步骤2、利用步骤1所得梯度图进行基于分水岭的超像素分割方法，生成具有精确边界的超像素图像，将其直方图谷点作为阈值进行逆光区域分类；
[0008]步骤3、对逆光图像使用不同的伽马参数进行校正，获取欠曝光图像和过度曝光图像，对源图像、两幅曝光图像分别进行边缘检测，获取其边缘图；
[0009]步骤4、将步骤3得到的三幅边缘图按一定规则进行交并运算，计算出细节可恢复
度作为曝光调节的参数，对步骤2判别出的逆光区域进行自适应校正，得到最终的增强图像。
[0010]本专利技术的特点还在于，
[0011]步骤1具体如下：
[0012]输入原始逆光图像I，从图像的膨胀结果中减去腐蚀结果，产生形态学梯度，对于一副图像f(x，y)，梯度图g(x，y)用公式(1)表示：
[0013][0014]其中，s(x，y)为圆盘状结构元素，和分别表示膨胀运算和腐蚀运算；
[0015]形态学开闭重建的定义分别用公式(2)和公式(3)表示：
[0016][0017]C
S
(g)＝R
f
[(g
·
S)]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0018]式中，O表示形态学开重建结果，C表示形态学闭重建结果，S为圆盘状结构元素，f和g分别表示原始图像和梯度图像，R表示重建运算，和
·
分别表示形态学开运算和形态学闭运算。O与C都能够去除梯度图像中的区域最小值来避免过分割，两者结合的混合运算可更好地平滑图像并去除噪声，用公式(4)表示：
[0019]CO
s
(g)＝C
S
[O
S
(g)]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0020]多尺度形态学梯度重建算法MMGR，用公式(5)表示：
[0021][0022]式中，表示对图像f进行多尺度形态学梯度重建的结果，表示图像f的混合重建结果，r1、r2分别表示圆盘状结构元S的最小半径和最大半径，用来控制最小和最大区域的大小，r1≤r≤r2，r1，r2∈N+。g≤f，∨表示计算出这些混合重建结果的点态最大值，以此获取输入图像的多尺度形态学梯度重建图R。
[0023]步骤2具体如下：
[0024]步骤2.1、利用所述步骤1得到的重建梯度图R进行基于分水岭的分割算法：通过检测R的局部极小值，并搜索出与极小值的灰度相近的邻域像素，当相邻的两个极小值对应的邻域像素相遇时，就可以确定局部区域的轮廓水线，由此可以较为准确分割出不同的区域，生成具有精确边界的超像素图像P；
[0025]步骤2.2、首先对超像素图像P中的每个区域分别计算平均亮度，然后利用其灰度直方图的波谷作为阈值对各区域进行分类：平均灰度值小于阈值的区域可被归类为逆光区I
B
，其它则归类为曝光正常区域I
O
；
[0026]步骤3具体如下：
[0027]步骤3.1、将输入的逆光图像I转换为灰度图G，对其分别做γ＝2.2和γ＝0.455的伽马变换，得到欠曝光图像G
L
和过曝光图像G
H
；
[0028]步骤3.2、对步骤3.1得到的原灰度图G与两幅不同程度曝光图像G
L
、G
H
分别使用Canny边缘检测：首先，使用高斯滤波平滑图像，同时增大边缘宽度；其次，计算梯度值和方向；然后，抑制非极大值，需要进行边缘细化以保留梯度变化中的锐利部分；最后，使用双阈
值检测边缘，去除可能的非边缘点。使用Canny检测算子后得到原始边缘图像E、欠曝光图的边缘图像E
γ
和过曝光图的边缘图像E
γ
‑1。
[0029]步骤4具体如下：
[0030]利用所述步骤3得到的原始边缘图像E、欠曝光图的边缘图像E
γ
和过曝光图的边缘图像E
γ
‑1分别计算暗区边缘像素图像E
L
和亮区的边缘像素图像E
H
，分别表示为：
[0031]E
L
＝E
γ
‑1‑
E
γ
∩E
γ
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0032]E
H
＝E
γ
‑
E
γ
∩E
γ
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0033]暗区的细节可视度ξ
L
和亮区的细节可视度ξ
H
分别表示为：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.结合逆光区域分割与自适应曝光校正的图像增强方法，其特征在于，具体按照以下步骤实施：步骤1、输入原始逆光图像，计算其形态学梯度图，并进行多尺度形态学梯度重建，获得保留物体有效轮廓信息的梯度重建图；步骤2、利用步骤1所得梯度图进行基于分水岭的超像素分割方法，生成具有精确边界的超像素图像，将其直方图谷点作为阈值进行逆光区域分类；步骤3、对逆光图像使用不同的伽马参数进行校正，获取欠曝光图像和过度曝光图像，对源图像、两幅曝光图像分别进行边缘检测，获取其边缘图；步骤4、将步骤3得到的三幅边缘图按一定规则进行交并运算，计算出细节可恢复度作为曝光调节的参数，对步骤2判别出的逆光区域进行自适应校正，得到最终的增强图像。2.根据权利要求1所述的结合逆光区域分割与自适应曝光校正的图像增强方法，其特征在于，所述步骤1具体如下：输入原始逆光图像I，从图像的膨胀结果中减去腐蚀结果，产生形态学梯度，对于一副图像f(x，y)，梯度图g(x，y)用公式(1)表示：其中，s(x,y)为圆盘状结构元素，和分别表示膨胀运算和腐蚀运算；形态学开闭重建的定义分别用公式(2)和公式(3)表示：C
S
(g)＝R
f
[(g
·
S)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，O表示形态学开重建结果，C表示形态学闭重建结果，S为圆盘状结构元素，f和g分别表示原始图像和梯度图像，R表示重建运算，和
·
分别表示形态学开运算和形态学闭运算，O与C都能够去除梯度图像中的区域最小值来避免过分割，两者结合的混合运算可更好地平滑图像并去除噪声，用公式(4)表示：CO
S
(g)＝C
S
[O
S
(g)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)多尺度形态学梯度重建算法MMGR，用公式(5)表示：式中，表示对图像f进行多尺度形态学梯度重建的结果，表示图像f的混合重建结果，r1、r2分别表示圆盘状结构元S的最小半径和最大半径，用来控制最小和最大区域的大小，r1≤r≤r2，r1，r2∈N+，g≤f，∨表示计算出这些混合重建结果的点态最大值，以此获取输入图像的多尺度形态学梯度重建图R。3.根据权利要求2所述的结合逆光区域分割与自适应曝光校正的图像增强方法，其特征在于，所述步骤2具体如下：步骤2.1、利用所述步骤1得到的重建梯度图R进行基于分水岭的分割算法：通过检测R的局部极小值，并搜索出与极小值的灰度相近的邻域像素，当相邻的...

【专利技术属性】
技术研发人员：赵明华，程丹妮，胡静，都双丽，石程，李鹏，王琳，王理，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：