[发明专利]一种基于OTSU的光照不均非线性自适应校正方法

说明书

本发明提供了一种基于OTSU的光照不均非线性自适应校正方法。该方法针对光照不均的叶部病害图像，算法包括：对原始图像进行高斯滤波和自适应均衡化预处理，将色彩空间转至HSV并通过通道拆分分离出图像的V分量；使用多尺度Retinex算法估计出V分量的光照分量，结合OTSU计算出的亮暗区域的最佳分割阈值和构造的非线性亮度校正函数，将亮暗区域的亮度分别自适应调整，再和原始V分量融合得到校正后的V分量；对HSV空间的S分量进行Gamma校正，将原始HSV图像的H分量、改进后的V分量、校正后的S分量，三个分量重组合成新的HSV图像；将新的HSV图像和原始的HSV图像经过双线性插值法进行融合得到最终增强的HSV图像，再转为RGB图像，即经过基于OTSU的光照不均非线性自适应校正方法的增强图像。该方法能有效降低光照不均对图像的影响，在暗区域增强的同时保障了亮区域的自适应增强，且亮度信息不过度增强，提升了图像的清晰度和亮度的均匀性。

技术领域

本发明涉及图像增强的领域，具体涉及一种基于OTSU的光照不均非线性自适应校正方法。

背景技术

在蔬菜种植生长过程中，植物病态状况大多数可以根据叶部形态观察到，但常规人员无法通过人眼快速识别病害。随着人工智能技术的发展，机器视觉也逐渐应用于农产品病害识别中，但自然环境下的不均匀光照会影响图像识别效率。为了解决光照不均对图像的影响问题，业内已经采用了直方图均衡化、同态滤波、Retinex相关理论、梯度域以及变换域如小波变换的一系列算法，其效果各有不同，但是都仍有不足之处。

本发明针对光照不均匀的图像，提出一种基于OTSU的光照不均非线性自适应校正方法，将图像进行初步预处理和通道分离，采用多尺度Retinex算法估计出V分量的光照分量，结合OTSU算法计算出光照分量图的亮暗区域的分割阈值，以这个阈值为界限，将图像亮度区域分为亮和暗两类，提出非线性校正函数，其中设计的参数，可实现对不同图像进行自适应的调整，此函数可以自适应调整亮区域和暗区域的亮度值，具有很强的鲁棒性和稳定性。本方法提高了光照不均匀图像对比度和清晰度，对过暗区域增强的同时保障亮区域的自适应增强，且亮度信息不过度增强。

发明内容

本发明提供了一种基于OTSU的光照不均非线性自适应校正方法，采用多尺度Retinex算法(MSR)提取图像光照分量，再利用OTSU计算出光照分量的亮暗区域的最佳分割阈值，融合所提出的非线性全局亮度校正函数，并且设计了自适应参数，实现非均匀光照图像的亮暗区域亮度值的自适应调整。相关流程框图参见图1，具体包括以下步骤：

(1)对原图进行图像高斯滤波和自适应直方图均衡化(AHE)预处理，使得图像不受明显噪声影响，且直方图分布均匀化，得到初步预处理图像。

(2)对步骤1得到的预处理图像进行HSV颜色空间转换，由R、G、B三分量的颜色空间转至HSV颜色空间，三分量分别为：色调H、饱和度S和亮度V，图像亮度信息存储在亮度V分量中，所以再通过通道拆分得到亮度V分量。

(3)将V分量输入到设计的自适应亮度调整系统，输出改进后的V_c分量。

自适应亮度调整系统：使用多尺度Retinex算法(MSR)，以步骤2得到的V分量作为引导图像，估计出其光照分量L(x,y)。

L(x,y)＝∑{w_n[q_n(x,y)*V(x,y)]} (1.1)

式中n＝1,2,3，q_n(x,y)分别为3个尺度的引导滤波函数；w_n为q_n(x,y)占的权重，取*表示卷积运算。估算出V分量的光照分量L(x,y)。

采用OTSU计算出光照分量的亮暗区域的最佳分割阈值k^*。根据标准差构造出非线性全局亮度校正函数δ(x,y)，表示为：