[发明专利]灰度图像增强方法、计算机可读介质及计算机系统

说明书

本发明属于图像处理技术领域,公开了一种灰度图像增强方法、计算机可读介质及计算机系统，利用基于离散模糊的亮度掩模和基于高斯场的目标函数，进行细节显著性模型估计，充分挖掘灰度图像单通道数据中的细节信息，生成出图像中细节显著性映射图；然后利用非均匀伽马校正，实现最终的图像增强。本发明还公开了计算机可读介质及计算机系统。本发明充分挖掘灰度图像单通道数据中的信息，在提升图像暗区域亮度的同时，避免了图像亮区域因过曝而导致的细节丢失。在仅依靠单通道数据的条件下，提高了细节保留能力，改善了图像增强的效果。

技术领域

本发明属于图像处理技术领域，具体涉及一种灰度图像增强方法、计算机可读介质及计算机系统。

背景技术

虽然现在很容易就可以获取场景的真彩图像，但是灰度图像依旧是许多应用的主要选择，甚至是唯一选择，例如微光成像、热红外成像、短波红外成像和核磁共振成像等，这些成像技术在夜视、遥感、缺陷检测和医学成像等领域起着关键作用。高清晰度、高可见性的图像是成像技术永恒的目标，但是由于特殊的应用场景和传感器本身属性的限制，常常会使所拍摄的灰度图像具有亮度低、动态范围窄、对比度低和噪声高等缺点。因此，需要有优质的灰度图像增强方法来改善图像像质。

将图像分解为反射层和亮度层的Retinex成像模型被常常用于图像增强，研究人员提出了许多相关方法，例如基于亮度映射图估计的微光图像增强方法（LIME），引入了最大RGB先验以提高亮度层估计的性能。又如Marques等人提出了一种利用局部对比度和多尺度融合策略的水下微光图像增强方法（L2UWE），在RGB图像中提取对比度暗通道，以此估计亮度层并消除图像中的暗区域。Ren等人提出了一种低秩正则化的Retinex模型（LR3M），以实现鲁棒的微光图像增强与降噪，该方法同样需要利用图像RGB三通道的平均值作为亮度层估计的初值。

目前现有的图像增强方法，与前述的三种方法类似，都是针对彩色图像的，所以非常依赖图像中多通道RGB彩色数据，对于灰度图像的增强效果就会退化，其原因在于灰度图像只能提供单通道数据，其包含的信息量要比彩色图像少很多。与彩色图像相比，灰度图像无法全面地反映目标场景的特性。

发明内容

本发明针对现有技术中存在的问题，提出了一种能够提高细节保留能力的灰度图像增强方法。

为实现上述目的，本发明提供一种灰度图像增强方法，包括以下步骤：

步骤1：对原始灰度图像进行线性拉伸，使灰度范围缩放至[0,1]之间，得到第一图像，然后对第一图像进行对数变换得到第二图像；

步骤2：利用双边滤波模型对第二图像进行模糊，然后利用离散模型对已模糊的第二图像进行二次模糊，得到基于离散模糊的亮度掩模；

步骤3：将第二图像和基于离散模糊的亮度掩模输入至目标函数中，利用梯度下降优化对目标函数进行迭代优化，得到最优的细节显著性模型参数；

步骤4：利用细节显著性模型与步骤3得到的最优的细节显著性模型参数，计算出细节显著性映射图；

步骤5：以步骤4所得的细节显著性映射图为基础，对原始灰度图像进行非均匀地伽马校正，实现灰度图像增强。

其中，所述步骤1中对原始灰度图像进行线性拉伸的方法为：根据公式计算获得第一图像中第个像素的线性拉伸结果，依次对原始灰度图像中的每个像素进行计算，使原始灰度图像的灰度范围缩放至[0,1]之间，得到第一图像；其中，表示原始灰度图像中第个像素的灰度值，为第一图像中第个像素的线性拉伸结果，为原始灰度图像中的最大灰度值，为原始灰度图像中的最小灰度值。

进一步，步骤2所述的离散模型进行图像模糊的具体步骤为：将图像中横坐标和纵坐标都为奇数（或偶数）的像素点的值设置为0。

进一步，步骤3中对目标函数的迭代优化包括以下步骤：