【技术实现步骤摘要】
本专利技术属于图像处理，涉及一种基于边界约束和低秩模型的低照度图像增强方法及系统。
技术介绍
1、图像增强处理是数字图像处理的一个重要分支。图像增强处理主要内容是突出图像中感兴趣的部分，减弱或去除不需要的信息。这样使有用信息得到加强，从而得到一种更加实用的图像或者转换成一种更适合人或机器进行分析处理的图像，图像增强的应用领域也十分广阔并涉及各种类型的图像。
2、直接放大微光图像可能是回忆黑暗区域可见性的最直观、最简单的方法。但是，这种操作产生了另一个问题，比如相对明亮的区域可能饱和，从而丢失相应的细节。通常增强手段有变分方法，旨在通过在直方图上施加不同的正则化项来提高增强性能，例如，通过寻求2d直方图(ldr)的分层差异表示来实现改进；通过融合初始估计的照度图(mf)的多个导数来调整照度；简单却又效果极佳，使得增强图像具有优秀的轮廓特征和更加自然的光照分布的单幅低照度图像增强算法(lime)。然而，在自然界中，他们通常都有过度和不足增强的风险，需要增加伽玛校正对图像进行非线性操作或者后续增加其他的去噪手段减少噪声，这样通常会使图像信息丢失部分细节在视觉上与真实场景不一致。
技术实现思路
1、本专利技术的目的在于解决现有技术中的问题，提供一种基于边界约束和低秩模型的低照度图像增强方法及系统，解决低照度图像增强中存在的色彩不准确，噪声破坏强的问题。
2、为达到上述目的，本专利技术采用以下技术方案予以实现：
3、基于边界约束和低秩模型的低照度图像增强方
4、获取图像数据，对图像数据进行估计，得到原始图像；
5、根据原始图像，得到r,g,b通道各个像素点的值，按照基于边界约束的光照图估计方法，计算得到照度图；
6、根据照度图，计算原始图像的反射图，将r从rgb色彩模型转化为yuv色彩模型，得到反射图的亮度分量；
7、根据反射图的亮度分量和原始图像，建立基于低秩约束的优化模型，通过交替迭代得到最终反射图；
8、将最终反射图作为yuv色彩模型的亮度分量，将图像从yuv模型转化为rgb模型，输出重构的增强图像。
9、进一步的，所述照度图的计算方法为：
10、选取r,g,b通道中的最大值作为初始化光照分量的边界约束，估计经过边界约束后图像像素点的照度值；
11、基于经过边界约束后图像像素点的照度值，采用取最小值滤波的方式，得到初始照度图；
12、对初始照度图以局部窗口半径，正则化参数进行引导滤波，得到照度图。
13、进一步的，所述经过边界约束后图像像素点的照度值为：
14、
15、其中，ic(x)表示输入图像三个色彩通道像素点的像素值，c＝r,g,b，c1表示图像的约束边界。
16、进一步的，所述原始图像的反射图的计算方法为：
17、
18、其中，表示照度图，i表示输入图像，r表示三原始图像的反射图。
19、进一步的，所述基于低秩约束的优化模型为：
20、
21、其中，l表示大小为m×n的低秩矩阵，j表示亮度分量，lm表示第m个图像块对应的d×d的低秩矩阵，其中d表示图像块大小，表示取目标函数值最小时l和j的值，表示照度图，i表示输入图像，表示与第m个图像块相似的q个图像块形成的矩阵，表示从j中提取的与第m个图像块相似的第q个图像块，||·||2表示·的二范数，λ表示一个常数，σ表示对角矩阵，其对角元素是矩阵lmlmt的特征值，σ1/2表示对角矩阵，其对角元素是矩阵lm的奇异值，ε表示防止分母为0的常数。
22、进一步的，所述交替迭代的过程为：
23、设置迭代次数，固定输入反射图，求解下一次迭代中图像块的低秩矩阵，拼接为整个图像的低秩分量；
24、固定低秩分量，求解下一次输入反射图，输入反射图的解为：
25、
26、其中，·表示点乘操作，表示照度图，i表示原始图像；
27、判断当前迭代次数是否小于设置迭代次数，若是，则继续执行；否则，结束迭代，输出最终反射图。
28、进一步的，所述下一次迭代中图像块的低秩矩阵为：
29、
30、其中，lm表示低秩矩阵，表示取当目标函数值最小时图像块的低秩结构lm的值，表示照度图，j表示亮度分量，i表示原始图像，表示相似图像块形成的矩阵，||·||2表示范数操作，σ1/2是对角矩阵，其对角元素是矩阵lm的奇异值，ε是防止分母为0的常数；
31、低秩矩阵lm的解为：
32、lm(k+1)＝u(σ-τdiag(w(k)))+vt
33、其中，uσvt表示的奇异值分解，表示lm的第j个奇异值在第k次迭代中获得的解。
34、基于边界约束和低秩模型的低照度图像增强系统，包括：
35、获取模块，所述获取模块用于获取图像数据，对图像数据进行估计，得到原始图像；
36、估计模块，所述估计模块用于根据原始图像，得到r,g,b通道各个像素点的值，按照基于边界约束的光照图估计方法，计算得到照度图；
37、重构模块，所述重构模块用于根据照度图，计算原始图像的反射图，将r从rgb色彩模型转化为yuv色彩模型，得到反射图的亮度分量；
38、迭代模块，所述迭代模块用于根据反射图的亮度分量和原始图像，建立基于低秩约束的优化模型，通过交替迭代得到最终反射图；
39、恢复模块，所述恢复模块用于将最终反射图作为yuv色彩模型的亮度分量，将图像从yuv模型转化为rgb模型，输出重构的增强图像。
40、一种终端设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤。
41、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
42、与现有技术相比，本专利技术具有以下有益效果：
43、本专利技术提供一种基于边界约束和低秩模型的低照度图像增强方法及系统，利用图像的物理先验知识，即大气散射模型中存在的物理规律，建立约束边界，反转这个大气散射过程，从而求得更合理的初始光照约束，对光照图进行滤波优化；对图像内的相似结构进行分块，建立低秩模型，进行优化求解，实现了高质量的图像增强和去噪效果。本专利技术提出了一种基于非局部低秩正则化的低照度图像增强算法，该方法基于图像的非局部相似性对图像进行了一个分块充足，形成一种类似于低秩的结构对图像进行约束，有效的保留了图像的结构特征，同时也能消除噪声，对于图像的亮度以及色彩的增强有一个良好的效果。挖掘了图像内像素块的相似性，基于边界约束和低秩模型对低照度图像进行增强，可用于对自然低照度图像进行重构。本专利技术与现有的he，cvc和ldr方法相比，具有增强图像色彩分明，自然清晰，噪声少的优点，可用于本文档来自技高网...
【技术保护点】
1.基于边界约束和低秩模型的低照度图像增强方法，其特征在于，包括：
2.根据权利要求1所述的基于边界约束和低秩模型的低照度图像增强方法，其特征在于，所述照度图的计算方法为：
3.根据权利要求2所述的基于边界约束和低秩模型的低照度图像增强方法，其特征在于，所述经过边界约束后图像像素点的照度值为：
4.根据权利要求1所述的基于边界约束和低秩模型的低照度图像增强方法，其特征在于，所述原始图像的反射图的计算方法为：
5.根据权利要求1所述的基于边界约束和低秩模型的低照度图像增强方法，其特征在于，所述基于低秩约束的优化模型为：
6.根据权利要求1所述的基于边界约束和低秩模型的低照度图像增强方法，其特征在于，所述交替迭代的过程为：
7.根据权利要求1所述的基于边界约束和低秩模型的低照度图像增强方法，其特征在于，所述下一次迭代中图像块的低秩矩阵为：
8.基于边界约束和低秩模型的低照度图像增强系统，其特征在于，包括：
9.一种终端设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。
...【技术特征摘要】
1.基于边界约束和低秩模型的低照度图像增强方法，其特征在于，包括：
2.根据权利要求1所述的基于边界约束和低秩模型的低照度图像增强方法，其特征在于，所述照度图的计算方法为：
3.根据权利要求2所述的基于边界约束和低秩模型的低照度图像增强方法，其特征在于，所述经过边界约束后图像像素点的照度值为：
4.根据权利要求1所述的基于边界约束和低秩模型的低照度图像增强方法，其特征在于，所述原始图像的反射图的计算方法为：
5.根据权利要求1所述的基于边界约束和低秩模型的低照度图像增强方法，其特征在于，所述基于低秩约束的优化模型为：
6.根据权利要求1所述的基于边界约束...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。