专利名称：一种基于视觉神经网络的数字图像增强方法
技术领域：
本发明涉及图像处理领域，尤其涉及一种基于视觉神经网络的数字图像增强方法。
背景技术：
受数字成像设备技术发展的影响，人工成像设备的输出图像普遍和生理视觉系统的真实感知之间，普遍存在而又常常十分严重的差距。这一问题主要是由于下述两个局限性所导致1.外部光照光谱成分的变化导致成像设备输出的图像出现颜色失真，即所谓颜色恒常性(颜色保真)问题。2.成像设备有限的动态输出范围导致输出图像常常丢失场景光照较暗区域的细节和颜色信息，即所谓动态范围压缩问题。
颜色恒常性问题一般指在成像设备不同光源照明下的输出图像存在明显光谱颜色偏差的现象。对于数字成像设备，目前一般通过采用选择白平衡模式来补偿光谱偏移，但所使用的这些光谱校正手段均不具备动态范围压缩能力，相较人眼视觉观察，对于场景中光照暗区的细节常常无法同时真实显示。动态范围压缩的问题反映为场景中存在光照强度的巨大差异(常常超过10000:1)和常用的有限的数字图像输出范围(一般是Sbit量化，最大256)之间的不匹配。这种不匹配导致输出图像的细节表现力远较人眼视觉感知为弱。
发明内容
本发明主要内容是提供一种基于视觉神经网络的数字图像增强方法，用以解决现有技术的诸多不足，包括SI、获取待处理图像的图像强度并对所述图像强度进行动态范围压缩处理，得到压缩后图像；S2、提取所述待处理图像的对比度；S3、根据所述对比度对所述压缩后图像进行调制及合并处理，获得增强后图像；其中，所述S1、S2不分先后。其中，所述S2具体为对所述待处理图像进行中心窗口和环绕窗口的卷积滤波的计算，并根据计算得到的卷积滤波提取所述待处理图像的对比度。其中，所述S2在单空间尺度提取所述待处理图像的对比度。其中，所述S3根据所述对比度对所述压缩后图像进行调制及合并处理时所采用的公式为-.Outkn (i,j) = Gain [[xkn(U)] x, {hj)} +offset x I' (ij)。其中，所述S2在多空间尺度，提取所述待处理图像的对比度。其中，所述S3根据所述对比度对所述压缩后图像进行调制及合并处理时所采用的公式为-.Ontk (ij) = Gain^msxk (i,j)-msxk (i,j')]x/ (iJ)^+offsetχ (ij)。其中，所述S2采用不同大小的环绕Gaussian模板窗口函数对所述待处理图像进行中心窗口和环绕窗口的卷积滤波的计算，在多空间尺度完成对所述待处理图像的对比度的提取。其中，所述S2在进行中心窗口和环绕窗口的卷积滤波的计算时，每一个尺度上的中心窗口、环绕窗口的窗口函数均唯一使用Gaussian模板窗口函数。其中，在每一尺度上构建环绕Gaussian模板窗口时,环绕Gaussian窗口模板的标准差常数范围均位于图像长、宽数值中的较大值的1%到这一较大值的75%构成的区间内。其中，所述待处理图像是为对景物进行采集并进行A/D转换所获得的光栅化点阵图像。其中，所述中心窗口的尺寸为一个像素。
本发明的有益效果是提供一种基于视觉神经网络的数字图像增强方法，通过获取待处理图像的图像强度并对所述图像强度进行动态范围压缩处理，得到压缩后图像；提取所述待处理图像的对比度；以及，根据所述对比度对所述压缩后图像进行调制及合并处理，获得增强后图像，解决现有技术中颜色恒常性问题和动态范围压缩的问题，提高图像的显示质量。
图I是一种实施方式中基于视觉神经网络的数字图像增强方法流程图；图2是另一实施方式中基于视觉神经网络的数字图像增强方法流程图；图3是上述实施方式中在多空间尺度上对比度提取的流程图；图4是一种实施方式中基于视觉神经网络的数字图像增强装置的功能模块图。
具体实施例方式为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。本文公式中各个因子所表示的含义正如下表所示。
权利要求
1.一种基于视觉神经网络的数字图像增强方法，其特征在于，包括 51、获取待处理图像的图像强度并对所述图像强度进行动态范围压缩处理，得到压缩后图像； 52、提取所述待处理图像的对比度；以及， 53、根据所述对比度对所述压缩后图像进行调制及合并处理，获得增强后图像；其中，所述S1、S2不分先后。
2.根据权利要求I所述的基于视觉神经网络的数字图像增强方法，其特征在于，所述S2具体为对所述待处理图像进行中心窗口和环绕窗口的卷积滤波的计算，并根据计算得到的卷积滤波提取所述待处理图像的对比度。
3.根据权利要求I或2所述的基于视觉神经网络的数字图像增强方法，其特征在于所述S2在单空间尺度提取所述待处理图像的对比度。
4.根据权利要求3所述的基于视觉神经网络的数字图像增强方法，其特征在于，所述S3根据所述对比度对所述压缩后图像进行调制及合并处理时所采用的公式为
5.根据权利要求I或2所述的基于视觉神经网络的数字图像增强方法，其特征在于所述S2在多空间尺度提取所述待处理图像的对比度。
6.根据权利要求5所述的基于视觉神经网络的数字图像增强方法，其特征在于，所述S3根据所述对比度对所述压缩后图像进行调制及合并处理时所采用的公式为
7.根据权利要求5所述的基于视觉神经网络的数字图像增强方法，其特征在于所述S2采用不同大小的环绕Gaussian模板窗口函数对所述待处理图像进行中心窗口和环绕窗口的卷积滤波的计算，在多空间尺度完成对所述待处理图像的对比度的提取。
8.根据权利要求7所述的基于视觉神经网络的数字图像增强方法，其特征在于所述S2在进行中心窗口和环绕窗口的卷积滤波的计算时，每一个尺度上的中心窗口、环绕窗口的窗口函数均唯一使用Gaussian模板窗口函数。
9.根据权利要求7所述的基于视觉神经网络的数字图像增强方法，其特征在于在每一尺度上构建环绕Gaussian模板窗口时，环绕Gaussian窗口模板的标准差常数范围均位于图像长、宽数值中的较大值的1%到这一较大值的75%构成的区间内。
10.根据权利要求2所述的基于视觉神经网络的数字图像增强方法，其特征在于所述中心窗口的尺寸为一个像素。
全文摘要
本发明提供一种基于视觉神经网络的数字图像增强方法，包括S1、获取待处理图像的图像强度并对所述图像强度进行动态范围压缩处理，得到压缩后图像； S2、提取所述待处理图像的对比度；以及，S3、根据所述对比度对所述压缩后图像进行调制及合并处理，获得增强后图像；其中，所述S1、S2不分先后。本发明通过结合侧抑制神经网络、描述视网膜锥细胞响应的Weber法则，来完成图像增强的目的，解决了现有技术中提到的颜色恒常性问题和动态范围压缩的问题。
文档编号G06T5/00GK102881004SQ20121031956
公开日2013年1月16日 申请日期2012年8月31日 优先权日2012年8月31日
发明者蒲恬 申请人:电子科技大学