基于模拟曝光和多尺度融合的低照度彩色图像增强方法技术

本发明专利技术公开了一种基于模拟曝光和多尺度融合的低照度彩色图像增强方法，属于数字图像处理领域。本发明专利技术用局部自适应的伽马校正模拟曝光序列，这些曝光序列包含低照度彩色图像在不同模拟曝光程度下的信息；然后在多尺度层面融合这些序列，用以提取图像序列中高信息熵的图像特征。本发明专利技术不仅能够提高图像的亮度和对比度、还能避免亮部区域发生过度增强现象，同时可以避免颜色失真，算法增强结果具有自然感。感。感。

【技术实现步骤摘要】
基于模拟曝光和多尺度融合的低照度彩色图像增强方法


[0001]本专利技术属于图像处理
，具体为一种基于模拟曝光和多尺度融合的低照度彩色图像增强方法。

技术介绍

[0002]随着图像处理技术的不断发展，人们愈发希望可以在复杂的场景下获得高质量的图像。在微光、背光、多光源等低照度场景下，由于拍摄场景和设备的限制，采集的图像经常出现信息丢失、对比度低、色彩失真、存在噪声、缺乏自然感等一系列问题，图像呈现较低的亮度和对比度，以至于丢失部分信息，人眼观感不佳，也不利于后期分割、识别等高级图像任务。要在这种情况下获得高质量图像，需要花费较高的人力和物力成本去改变环境或设备，因此彩色低照度图像增强算法显得尤为重要，低照度图像处理相关理论与技术一直受到广泛关注。
[0003]彩色低照度图像增强方法可以分为基于直方图均衡化、基于Retinex理论、基于图像融合和基于深度学习的方法。基于直方图均衡化的增强算法是对图像局部或全局像素进行重新映射，使其直方图呈现较为合理的分布。该类方法容易导致图像过度增强和颜色失真，增强结果比较脆弱，很难有效增强细节信息。Retinex理论认为拍摄目标的本质属性存在于反射图像中，对低照度图像进行准确无误的光照估计是增强低照度图像的关键。该类方法对于光照图的精准估计需要较大的运算资源，参数的设置对于最终增强结果具有较大的影响，很容易出现无法令人眼满意的增强效果。基于图像融合的增强算法是在多幅图像中提取高信息熵的区域，然后进行互补融合，将具有特征优势的信息保留在最终增强结果中，主要包括多曝光图像融合和单幅图像模拟多曝光融合。该方法一般直接进行亮度重映射，模拟曝光图像不自然且存在颜色失真，进而导致融合结果质量不高。基于深度学习的增强方法通过网络训练模型参数，使得增强结果和理想参考图像之间的误差更小，需要大量训练数据集，数据集获取过程较为困难，往往耗费大量的人力、物力和财力。

技术实现思路

[0004]本专利技术的目的在于提出了一种基于模拟曝光和多尺度融合的低照度彩色图像增强方法，以解决现有的彩色低照度图像增强方法中存在细节丢失、过度增强和颜色失真等问题。
[0005]实现本专利技术目的的技术方案为：一种基于模拟曝光和多尺度融合的低照度彩色图像增强方法，具体步骤为：
[0006]步骤1：对低照度彩色图像进行聚类分割，分为不同亮度的四个局部子块；
[0007]步骤2：构建用于模拟曝光的局部自适应伽马校正模型，所述局部自适应伽马校正模型包括：对局部子块所有像素亮度响应进行统计，对局部子块所有像素概率分布函数进行统计以及对低照度图像所有像素进行亮度校正；
[0008]步骤3：对低照度图像进行四次局部自适应伽马校正，得到模拟曝光序列；
[0009]步骤4：估计模拟曝光序列中每幅图像的权重图，权重指标包括对比度权重，饱和度权重、良好曝光度权重和颜色对比度权重，将所有权重图相乘并进行归一化处理得到最终权重图；
[0010]步骤5：将待融合的模拟曝光序列在多尺度层面进行加权融合获得清晰图像。
[0011]优选地，根据亮度值将图像分割为极亮、亮部、暗部和极暗共计四个局部子块。
[0012]优选地，对局部子块所有像素亮度响应进行统计的具体公式为：
[0013]图像子块I
subk
的平均亮度响应为：
[0014][0015]其中，G(x)＝exp[
‑
(x
‑
a)2/2b2]，a＝1，b＝0.4，f(k)为平均亮度响应，I
subk
为第k个局部子块，n为图像子块I
subk
中像素个数。
[0016]优选地，对局部子块所有像素概率分布函数进行统计的具体公式为：
[0017][0018]α＝1
‑
f(k)
[0019]其中，pdf(
·
)为像素概率密度函数，pdf
w
(
·
)为加权概率密度函数，f(k)为平均亮度响应因子，l
k
表示低照度图像子块I
subk
中每个像素的强度值，pdf
max
(
·
)为像素概率密度函数中最大值，pdf
min
(
·
)为像素概率密度函数中最小值，k＝1,2,3,4。
[0020]优选地，对低照度图像所有像素进行亮度校正的具体公式为：
[0021][0022][0023]其中，l表示输入图像I
in
每个像素的强度值，l
max
表示输入图像最大像素强度值，cdf
w
(
·
)为加权累积分布函数。
[0024]优选地，估计模拟曝光序列中每幅图像的权重图，将所有权重图相乘并进行归一化处理得到最终权重图的具体方法为：
[0025]由拉普拉斯滤波器对低照度彩色图像的灰度图滤波，并取绝对值得到对比度权重W
C,k
；
[0026]由低照度彩色图像RGB通道之间的标准差计算得到饱和度权重W
S,k
；
[0027]良好曝光度权重W
E,k
为：
[0028][0029]其中，I
expk
为第k幅模拟曝光图像，u＝0.5，σ＝0.2；
[0030]颜色对比度权重W
Col,k
为：
[0031]W
Col,k
＝I
expk
(1+cos(βH
expk
+φ)S
expk
)
[0032]其中H
expk
为原始低照度图像HSV颜色空间的H分量，S
expk
为S分量，β＝2，φ＝250
°
；
[0033]使用乘法对四个权重进行整合，得到包含不同度量的综合权重图W
k
，即：
[0034]W
k
＝W
C,k
×
W
S,k
×
W
E,k
×
W
Col,k
[0035]对综合权重图W
k
进行归一化处理得到最终权重图即：
[0036][0037]优选地，将曝光序列I
expk
分解为拉普拉斯金字塔L
l
(I
expk
)，将权重图分解为高斯金字塔将二者相乘得到融合后的拉普拉斯金字塔即：
[0038][0039]其中l＝log2(min(h,w))表示层数，h和w表示图像的高和宽，k表示第k幅模拟曝光图像；
[0040]对融合后的拉普拉斯金字塔上采样得输出结果I
out
，即：
[0041][0042]其中，U
d
(
·
)表示上采用算子，d＝2...

【技术保护点】

【技术特征摘要】
1.一种基于模拟曝光和多尺度融合的低照度彩色图像增强方法，其特征在于，具体步骤为：步骤1：对低照度彩色图像进行聚类分割，分为不同亮度的四个局部子块；步骤2：构建用于模拟曝光的局部自适应伽马校正模型，所述局部自适应伽马校正模型包括：对局部子块所有像素亮度响应进行统计，对局部子块所有像素概率分布函数进行统计以及对低照度图像所有像素进行亮度校正；步骤3：对低照度图像进行四次局部自适应伽马校正，得到模拟曝光序列；步骤4：估计模拟曝光序列中每幅图像的权重图，权重指标包括对比度权重，饱和度权重、良好曝光度权重和颜色对比度权重，将所有权重图相乘并进行归一化处理得到最终权重图；步骤5：将待融合的模拟曝光序列在多尺度层面进行加权融合获得清晰图像。2.根据权利要求1所述的基于模拟曝光和多尺度融合的低照度彩色图像增强方法，其特征在于，根据亮度值将图像分割为极亮、亮部、暗部和极暗共计四个局部子块。3.根据权利要求1基于模拟曝光和多尺度融合的低照度彩色图像增强方法，其特征在于，对局部子块所有像素亮度响应进行统计的具体公式为：其中，G(x)＝exp[
‑
(x
‑
a)2/2b2]，a＝1，b＝0.4，f(k)为平均亮度响应，I
subk
为第k个局部子块，n为图像子块I
subk
中像素个数。4.根据权利要求1所述的基于模拟曝光和多尺度融合的低照度彩色图像增强方法，其特征在于，对局部子块所有像素概率分布函数进行统计的具体公式为：α＝1
‑
f(k)其中，pdf(
·
)为像素概率密度函数，pdf
w
(
·
)为加权概率密度函数，f(k)为平均亮度响应因子，l
k
表示低照度图像子块I
subk
中每个像素的强度值，pdf
max
(
·
)为像素概率密度函数中最大值，pdf
min
(
·
)为像素概率密度函数中最小值，k＝1,2,3,4。5.根据权利要求4基于模拟曝光和多尺度融合的低照度彩色图像增强方法，其特征在于，对低照度图像所有像素进行亮度校正的具体公式为：于，对低照度图像所有像素进行亮度校正的具体公式为：其中，l表示输入图像I
in
每个像素的强度值，l...

【专利技术属性】
技术研发人员：张闻文，韩永成，何伟基，陈钱，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：