简单有效的低照度增强

最新推荐文章于 2024-06-15 13:26:16 发布

原创最新推荐文章于 2024-06-15 13:26:16 发布 · 3.4k 阅读

78 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#计算机视觉 #算法 #图像处理

图像增强专栏收录该内容

1 篇文章

订阅专栏

低照度图像增强：

本文基于《Adaptive and integrated neighborhood-dependent approach for nonlinear enhancement of color images》

先放图片：

增强图

其算法主要分为三步：

根据图像的亮度分布建立一个全局映射；
自适应对比度增强；
颜色恢复。

全局曲线调整：

首先计算出图像的亮度值，公式如下：
$I(x,y)=\frac{76.245\cdot I_R(x,y)+149.685\cdot I_B(x,y)+29.07\cdot I_G(x,y)}{255}$
对亮度进行归一化：
$I_N(x,y)=\frac{I(x,y)}{255}$
通过映射函数对图像进行线性增强：
$a=0.24,b=0.5\\In(x,y)=\frac{I(x,y)^a+(1-I(x,y))^b+I(x,y)^2}{2}$

对比度增强：

接着对 $I (x, y)$ 进行不同尺度的高斯核函数进行卷积运算，其结果包含图像相邻像素的亮度信息
$G(x,y)=Ke(\frac{-(X^2+y^2)}{c^2})$
c为尺度或是高斯环绕空间常数
$I_g(x,y)=I(x,y)\ast G(x,y)$
对比度增强：

$R(x,y)=I_n(x,y)^{r^{(x,y)}}\\r(x,y)=\frac{I_g(x,y)}{I(x,y)}$

线性组合：
$R(x,y)=\sum_i^3\omega _iR_i(x,y)$
$\omega$ 通常取1/3

颜色恢复：

使用线性颜色恢复：
$R_j(x,y)=\frac{I_j(x,y)}{I_n(x，y)}\\j为r,b,g$

代码：

matlab代码：

I=im2double(imread('hockey.png'));
I1=rgb2gray(I);
In=(I1.^(0.24)+(1-I1).*0.5+I1.^2)/2;
%通过高斯核对灰度增强图像做卷积运算
sigma=5;
window = double(uint8(3*sigma)*2 + 1);
G1=fspecial('gaussian',window,sigma);
Guass1=imfilter(I1,G1,'conv','replicate','same');
r1=Guass1./I1;
R1=In.^r1;
sigma=20;
window = double(uint8(3*sigma)*2 + 1);
G2=fspecial('gaussian',window,sigma);
Guass2=imfilter(I1,G2,'conv','replicate','same');
r2=Guass2./I1;
R2=In.^r2;
sigma=240;
window = double(uint8(3*sigma)*2 + 1);
G3=fspecial('gaussian',window,sigma);
Guass3=imfilter(I1,G3,'conv','replicate','same');
r3=Guass3./I1;
R3=In.^r3;
R=(R1+R2+R3)/3;
Rr=R.*(I(:,:,1)./I1);
Rg=R.*(I(:,:,2)./I1);
Rb=R.*(I(:,:,3)./I1);
rgb=cat(3,Rr,Rg,Rb);
imshow([I rgb]);

Python代码：

def Image_enhancing(image):
    img=cv2.cvtColor(image,cv2.COLOR_BGR2GARY)/255
    # img = 0.2989*image[:, :, 2]+0.5870*image[:, :, 1]+0.1140*image[:, :, 0]
    #二者效果一样,使用后者不需要再除以255
    img = replaceZeroes(img)
    img_n = (np.power(img, 0.24)+(1-img)*0.5+np.power(img, 2))/2
    sigma = 3
    window = 3*sigma*2+1

    guass1 = cv2.GaussianBlur(img, (window, window), sigma)
    r1 = guass1/img
    R1 = np.power(img_n, r1)
    sigma = 20
    window = 3*sigma*2+1

    guass2 = cv2.GaussianBlur(img, (window, window), sigma)
    r2 = guass2/img
    R2 = np.power(img_n, r2)
    sigma = 24
    window = 255

    guass3 = cv2.GaussianBlur(img, (window, window), sigma)
    r3 = guass3/img
    R3 = np.power(img_n, r3/255)
    R = (R1+R2+R3)/3
    Rr = R*(image[:, :, 2]/img_n)
    Rg = R*(image[:, :, 1]/img_n)
    Rb = R*(image[:, :, 0]/img_n)
    rgb = np.concatenate(
        (Rb[:, :, np.newaxis], Rg[:, :, np.newaxis], Rr[:, :, np.newaxis]), axis=2)
    return rgb+image

def replaceZeroes(img):
    min_nonzero = min(img[np.nonzero(img)])
    img[img == 0] = min_nonzero
    return img

几个要点：

读取图像时需要归一化，我将归一化放在转为灰度图之后；
显示增强图像时需要除以255；
cv2.imread()读取图片通道为BGR；
有文章说需要将增强图像超过1的部分设为1，详见此，但实际并没有遇到问题。