[發(fā)明專利]一種基于雙伽馬校正的全局自適應(yīng)灰度圖像增強方法

在審

• 申請?zhí)枺?/td>: 201910331737.4
• 申請日: 2019-04-24
• 公開（公告）號: CN110084760A
• 公開（公告）日: 2019-08-02
• 發(fā)明（設(shè)計）人: 李燦林;劉金華;畢麗華;吳青娥;吳慶崗;劉巖
• 申請（專利權(quán)）人: 鄭州輕工業(yè)學(xué)院
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于雙伽馬校正的全局自適應(yīng)灰度圖像增強方法，采用粒子群優(yōu)化算法結(jié)合圖像雙伽馬函數(shù)進行全局雙伽馬校正，主要步驟為：輸入灰度圖像并對粒子群優(yōu)化算法參數(shù)初始化；采用每個粒子位置對輸入圖像執(zhí)行雙伽馬校正獲得初步增強圖像，并計算對應(yīng)適應(yīng)度值，更新粒子個體和群體歷史最優(yōu)適應(yīng)度值和最優(yōu)位置；判斷是否滿足迭代尋優(yōu)終止條件，不滿足則更新各粒子慣性權(quán)重、學(xué)習(xí)因子、速度和位置并繼續(xù)迭代；否則使用最終群體最優(yōu)位置對輸入圖像進行雙伽馬校正、獲得最終增強圖像。本發(fā)明對低照度灰度圖像增強時，能有效提升圖像的對比度，同時避免局部亮區(qū)域的過度增強，增強后的灰度圖像的紋理和細節(jié)信息清晰完整，提高了整體視覺效果。

技術(shù)領(lǐng)域

本發(fā)明涉及灰度圖像處理技術(shù)領(lǐng)域，尤其涉及一種低照度光照不均條件下圖像增強方法。

背景技術(shù)

現(xiàn)實生活中，由于光照條件不足，經(jīng)常會產(chǎn)生非均勻照明的低照度灰度圖像，這樣的圖像首先給人帶來視覺上的不舒適，因為這些圖像存在被分析對象細節(jié)差別不明顯、光照不均和目標難以識別等問題，同時也不利于后續(xù)的圖像處理工作，為了改善這類圖像的視覺效果，有必要對它們進行圖像增強。

圖像增強可分為全局增強和局部增強。全局增強如直方圖均衡算法(histogramequalization，HE)算法通常會對較亮局部區(qū)域過度增強，導(dǎo)致圖像高亮度區(qū)域擴散、高照度區(qū)域細節(jié)丟失等問題；局部增強如限制對比度的自適應(yīng)直方圖均衡算法(contrastlimited adaptive histogram equalization，CLAHE)在感興趣的區(qū)域中提供了更大的對比度增強，然而，對暗部細節(jié)增強效果不佳、通常還會產(chǎn)生較多噪點，因此會降低觀看舒適度。非均勻照明低照度灰度圖像增強在圖像處理領(lǐng)域始終是一個挑戰(zhàn)，研究一種針對低照度光照不均條件下的圖像增強方法，是急需解決的問題。

發(fā)明內(nèi)容

針對照度不均、整體對比度低的灰度圖像，為了解決現(xiàn)有方法對圖像增強時出現(xiàn)的細節(jié)增強不明顯以及局部亮區(qū)域的過度增強問題，本發(fā)明提出了一種基于雙伽馬校正的全局自適應(yīng)灰度圖像增強方法，將群體智能技術(shù)與對比度增強技術(shù)相結(jié)合，采用粒子群優(yōu)化算法結(jié)合雙伽馬校正方法進行全局校正，并將灰度標準方差融入評價函數(shù)，結(jié)合熵和邊緣內(nèi)容構(gòu)建評價函數(shù)，采用適時調(diào)整學(xué)習(xí)因子的方法更新粒子速度和位置、避免算法出現(xiàn)早熟收斂現(xiàn)象、防止粒子陷入局部最優(yōu)，尋找最優(yōu)雙伽馬校正參數(shù)，根據(jù)客觀標準獲得最佳增強灰度圖像，能夠有效提升圖像的對比度，對低對比度的灰度圖像達到更自然的增強效果，明顯改善圖像中的高亮區(qū)域。

本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)的不足，提供一種低照度光照不均條件下圖像增強方法，解決現(xiàn)有圖像增強技術(shù)無法滿足由光照不均所造成的圖像局部亮區(qū)域的過度增強以及暗部細節(jié)增強效果不佳、噪點較多等問題。

本發(fā)明具體采用以下技術(shù)方案解決上述技術(shù)問題：

S1、輸入并讀取原始低照度條件下的非均勻照明灰度圖像；

S2、設(shè)置粒子群優(yōu)化算法參數(shù)并初始化每個粒子的位置和速度，利用評價函數(shù)的初始值初始化個體歷史最優(yōu)適應(yīng)度值和群體歷史最優(yōu)適應(yīng)度值，利用粒子初始位置初始化粒子個體最優(yōu)位置和群體最優(yōu)位置；

S3、利用每個粒子的位置作為校正參數(shù)對灰度圖像進行雙伽馬校正，得到各個粒子的初步增強圖像；

S4、將初步增強圖像的信息作為評價函數(shù)的輸入信息，得到每個粒子的適應(yīng)度值fitness；

S5、利用每個粒子的適應(yīng)度值fitness更新個體歷史最優(yōu)適應(yīng)度值，并將個體歷史最優(yōu)適應(yīng)度值對應(yīng)的粒子位置存儲在個體最優(yōu)位置中；

S6、利用所有粒子的適應(yīng)度值的最大值更新群體歷史最優(yōu)適應(yīng)度值，并將群體歷史最優(yōu)適應(yīng)度值對應(yīng)的粒子位置存儲在群體最優(yōu)位置中；

S7、判斷是否滿足迭代尋優(yōu)終止條件，若滿足，執(zhí)行步驟S9，否則，執(zhí)行步驟S8；