基于自适应形态学的彩色图像增强方法与流程

本发明属于图像处理技术领域，涉及一种彩色图像增强方法，具体涉及一种基于自适应形态学的彩色图像增强方法，可用于图像分析，图像理解等需要对图像进行增强预处理的领域。

背景技术：

自适应形态学是以经典形态学为基础，对彩色图像中的每个像素点自动选取不同形状和尺寸的自适应结构元素，然后使用自适应结构元素对彩色图像进行形态学运算，克服了经典形态学导致的过度膨胀或腐蚀的问题。

在实际应用中，各种自然或者人为条件都会影响图像的清晰程度，导致图像辨识度过低。彩色图像增强就是增强图像的清晰度，扩大图像中不同物体之间的差别，抑制不感兴趣的特征，改善图像质量，加强图像的分析和识别效果，以满足某些特殊分析的需求，是图像分析和图像理解领域发展的关键内容之一。

目前形态学彩色图像增强主要采用基于经典形态学的增强方法，其原理为预先选取固定形状和尺寸的结构元素在r、g、b三个通道分别对彩色图像进行顶帽变换提取亮特征，并对彩色图像进行黑帽变换提取暗特征，然后从彩色图像中减去暗特征，加上亮特征，最后合并三个通道的结果得到结果图像。如安静、张贵仓、刘燕妮发表的论文“基于多尺度top-hat变换的自适应彩色图像增强”(《计算机工程与科学》2017年7期第1317-1321页)，提出了一种基于数学形态学top-hat算法,以各分量标准差权重比例为调控因子的彩色图像增强方法。该算法使用固定形状的结构元素，分别在r、g、b三个通道下对彩色图像进行增强操作，然后将三个通道合并得到最后的增强图像。该方法的优点是：在提高彩色图像对比度的同时，避免了对彩色图像的过度增强。该方法的不足之处是：使用固定形状的结构元素对彩色图像进行增强操作，没有考虑彩色图像的局部特征，会导致增强后的彩色图像丢失大量的纹理细节，且在形态学运算时没有考虑彩色图像r、g、b三个通道的相关性，对三个通道分别处理，会导致增强后的图像存在严重的色彩失真。

技术实现要素：

本发明的目的在于克服上述现有技术存在的不足，提出了一种基于自适应形态学的彩色图像增强方法，旨在保证增强后的彩色图像具有完整的纹理细节，并减少增强后的彩色图像的颜色失真。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)选取彩色图像f的待处理像素点j：

输入行数为m、列数为n的彩色图像f，并将f中第xj行、第yj列的像素点j作为待处理像素点，其中，m≥3，n≥3，xj＝1，yj＝1；

(2)提取待处理像素点j的像素值：

提取待处理像素点j在rgb颜色空间中的像素值rj、gj、bj；

(3)选取待处理像素点j的像素点矩阵n(j)：

选取以待处理像素点j为中心的n×n个像素点，组成像素点j的像素点矩阵n(j)，其中n为大于等于3、小于m和n中数值小的奇数；

(4)构造待处理像素点j的超边e1j和e2j：

(4a)计算像素点矩阵n(j)中待处理像素点j到其它每一个像素点i之间的空间距离d(i,j)；

(4b)在rgb颜色空间中，提取像素点矩阵n(j)中除待处理像素点j以外的其它每一个像素点i的rgb像素值ri、gi和bi，并计算待处理像素点j与其它每一个像素点i的相似度s(i,j)：

s(i,j)＝exp(-(|ri-rj|+|gi-gj|+|bi-bj|)(|xi-xj|+|yi-yj|))

其中，exp表示自然常数e，|·|表示绝对值操作；

(4c)计算相似度阈值tj：

其中，ln表示以自然常数e为底的对数操作；

(4d)选取像素点矩阵n(j)中满足空间距离d(i,j)≤n-1的所有像素点i，并与像素点j构成超边e1j，同时选取像素点矩阵n(j)中满足相似度s(i,j)≥tj的所有像素点i，并与像素点j构成超边e2j；

(5)构造像素点矩阵n(j)中待处理像素点j对应的自适应结构元素se(j)：

se(j)＝e1j∩e2j

其中，∩表示交运算；

(6)判断彩色图像f中是否存在未构造自适应结构元素的像素点：

判断xj＝m且yj＝n是否成立，若是，执行步骤(7)，否则，判断yj＜n是否成立，若是，令yj＝yj+1，并执行步骤(2)，否则，令xj＝xj+1，令yj＝1，并执行步骤(2)；

(7)提取彩色图像f的亮特征l：

(7a)通过彩色图像f中的每一个像素点的自适应结构元素，对该自适应结构元素对应的像素点进行腐蚀运算；

(7b)对腐蚀后的每一个像素点进行膨胀运算，得到图像g1，然后通过g1提取彩色图像f的亮特征l：

l＝f-g1

(8)提取彩色图像f的暗特征d：

(8a)通过彩色图像f中的每一个像素点的自适应结构元素，对该自适应结构元素对应的像素点进行膨胀运算；

(8b)对膨胀后的每一个像素点进行腐蚀运算，得到图像g2，然后通过g2提取彩色图像f的暗特征d：

d＝g2-f

(9)对彩色图像f进行增强，并输出增强后的图像dst：

dst＝f+l-d。

本发明与现有技术相比，具有如下优点：

1.本发明在对彩色图像进行增强时，使用根据图像局部特征自动选取的自适应结构元素提取彩色图像的亮特征和暗特征，解决了现有技术中对彩色图像增强时使用固定形状和尺寸的结构元素提取彩色图像的亮特征和暗特征，导致增强后的彩色图像丢失大量的纹理细节的问题，有效的保证了增强后的彩色图像的纹理细节的完整性。

2.本发明在形态学运算时综合彩色图像r、g、b三个通道的像素值对彩色图像的像素点进行处理，解决了现有技术中在形态学运算时对彩色图像r、g、b三个通道分别进行处理，引入大量的新的颜色分量，导致增强后的彩色图像存在严重的颜色失真的问题，有效的减少了增强后的彩色图像的颜色失真。

附图说明

附图1为本发明的实现流程图；

附图2为原始彩色图像；

附图3为本发明和现有技术增强结果的仿真对比图。

具体实施方式

以下结合附图和具体实施例，对本发明作进一步详细描述。

参照图1、本发明包括如下步骤：

步骤1.选取彩色图像f的待处理像素点j：

输入行数为m、列数为n的彩色图像f，并将f中第xj行、第yj列的像素点j作为待处理像素点，其中，m≥3，n≥3，xj＝1，yj＝1；

步骤2.提取待处理像素点j的像素值：

提取待处理像素点j在rgb颜色空间中的像素值rj、gj、bj；

步骤3.选取待处理像素点j的像素点矩阵n(j)：

选取以待处理像素点j为中心的n×n个像素点，组成像素点j的像素点矩阵n(j)，其中n为大于等于3、小于m和n中数值小的奇数；

步骤4.构造待处理像素点j的超边e1j和e2j：

步骤4a)计算像素点矩阵n(j)中待处理像素点j到其它每一个像素点i之间的空间距离d(i,j)：

d(i,j)＝|xi-xj|+|yi-yj|

其中，|·|表示绝对值操作；

步骤4b)在rgb颜色空间中，提取像素点矩阵n(j)中除待处理像素点j以外的其它每一个像素点i的rgb像素值ri、gi和bi，并计算待处理像素点j与其它每一个像素点i的相似度s(i,j)：

s(i,j)＝exp(-(|ri-rj|+|gi-gj|+|bi-bj|)(|xi-xj|+|yi-yj|))

其中，exp表示自然常数e；

步骤4c)计算相似度阈值tj：

其中，ln表示以自然常数e为底的对数操作；

步骤4d)选取像素点矩阵n(j)中满足空间距离d(i,j)≤n-1的所有像素点i，并与像素点j构成超边e1j，同时选取像素点矩阵n(j)中满足相似度s(i,j)≥tj的所有像素点i，并与像素点j构成超边e2j；

步骤5.构造像素点矩阵n(j)中待处理像素点j对应的自适应结构元素se(j)：

se(j)＝e1j∩e2j

其中，∩表示交运算；

步骤6.判断彩色图像f中是否存在未构造自适应结构元素的像素点：

判断xj＝m且yj＝n是否成立，若是，执行步骤(7)，否则，判断yj＜n是否成立，若是，令yj＝yj+1，并执行步骤(2)，否则，令xj＝xj+1，令yj＝1，并执行步骤(2)；

步骤7.提取彩色图像f的亮特征l：

步骤7a)通过彩色图像f中的每一个像素点的自适应结构元素，对该自适应结构元素对应的像素点进行腐蚀运算：

步骤7a1)在rgb颜色空间中，提取彩色图像f中的每一个像素点的自适应结构元素中每个像素点v的像素值rv、gv、bv，并计算每个像素点v的幅值a(v)：

其中，表示取平方根操作步骤；

步骤7a2)选取彩色图像f中的每一个像素点的自适应结构元素中幅值a(v)最小的像素点v的rgb像素值作为该自适应结构元素对应的像素点腐蚀后的像素值；

步骤7b)对腐蚀后的每一个像素点进行膨胀运算，得到图像g1，然后通过g1提取彩色图像f的亮特征l：

l＝f-g1

步骤8.提取彩色图像f的暗特征d：

步骤8a)通过彩色图像f中的每一个像素点的自适应结构元素，对该自适应结构元素对应的像素点进行膨胀运算：

步骤8a1)在rgb颜色空间中，提取彩色图像f中的每一个像素点的自适应结构元素中每个像素点t的像素值rt、gt、bt，并计算每个像素点t的幅值a(t)：

其中，表示取平方根操作；

步骤8a2)选取彩色图像f中的每一个像素点的自适应结构元素中幅值a(t)最大的像素点t的rgb像素值作为该自适应结构元素对应的像素点膨胀后的像素值；

步骤8b)对膨胀后的每一个像素点进行腐蚀运算，得到图像g2，然后通过g2提取彩色图像f的暗特征d：

d＝g2-f

步骤9.对彩色图像f进行增强，并输出增强后的图像dst：

dst＝f+l-d。

以下结合仿真实验，对本发明的效果作进一步的描述。

1.仿真条件和内容：

本发明的仿真是在cpu为intel(r)core(tm)i5-3230m2.60ghz、内存4g的windows10系统上，使用microsoftvisualstudio2013和opencv库，对本发明和现有的形态学top-hat算法的增强结果进行对比仿真，原始彩色图像如图2所示，增强结果如图3所示。

2.仿真结果分析

参照图3，其中，图3(a)是采用最大尺度为2，调整因子为0.5的形态学top-hat算法的增强结果图。图3(b)是本发明方法的增强结果图，参数n的取值为3。从图3(a)可以看出，采用形态学top-hat算法对彩色图像进行增强后，图像的纹理变的比较粗糙，损失了较多的纹理细节。从图3(b)可以看出，采用本发明方法对彩色图像进行增强后，图像的对比度有明显的提升，同时图像的纹理比较平滑，有效的保证了增强后的彩色图像的纹理细节的完整性。