一种基于拉普拉斯金字塔的图像主观视觉效果增强方法与流程

本发明提供一种基于拉普拉斯金字塔的图像主观视觉效果增强方法，属于图像处理技术领域。

背景技术：

图像增强是图像处理的重要处理步骤，它可以有效地改善图像质量，提高图像主观视觉效果。其中对比度受限自适应直方图均衡化是最为常用的局部图像增强算法之一，它首先把图像分为多个连续不重叠的图像块，然后再分别进行直方图修正和均衡化得到对应的灰度映射函数，最后进行双线性插值缓解不同图像块之间的不连续效应。该算法可以有效地增强局部图像的细节信息，提高图像主观视觉效果，但其存在如下问题：(1)图像块效益明显，如果相邻图像块之间的映射函数差别比较大，经过双线性插值以后，其边界块效应依然会比较明显；(2)图像过增强问题，如果子图像存在大面积灰度比较接近的区域，经过直方图修正后，其峰值依然明显，容易造成过增强；(3)图像放大噪声问题，由于图像噪声和细节都属于图像高频信息，对比度受限自适应直方图均衡化方法在增强图像局部细节的时候会放大图像的噪声。

技术实现要素：

本发明的目的是提供一种基于拉普拉斯金字塔的图像主观视觉效果增强方法，它能够缓解传统对比度受限自适应直方图均衡化方法增强后图像中可能出现的边界效应、过增强和噪声过大等问题，显著提升图像主观视觉效果。

为实现上述目的，本发明的基于拉普拉斯金字塔的图像主观视觉效果增强方法，其步骤如下：

步骤s1：图像拉普拉斯金字塔分解；

所述的拉普拉斯金字塔分解步骤中，是对输入图像进行拉普拉斯金字塔分解得到近似图像lpk和多尺度细节图像lpk(k＝1,2,...,k-1)；然后将多尺度细节图像缩放至近似图像一样大小，求出缩放后图像均值得到多尺度细节均值图像其中，k为拉普拉斯金字塔层数，lp_resizedk(k＝1,2,...,k-1)为缩放后多尺度细节图像。

步骤s2：近似图像增强；

所述的近似图像增强步骤中，采用改进对比度受限自适应直方图均衡化算法对步骤s1中得到的近似图像进行增强；其中，该步骤包括：

步骤s21，将步骤s1中获取的图像lpk分割为round(m/s)×round(n/s)个大小为s×s的连续不重叠子块，记为其中m×n为lpk图像尺寸，round表示取整操作。子块在图像lp_mean中对应(位置一样)的子块记为lp_meanⁱ(i＝1,2,...,s²)。对图像中的每个像素点(x,y)(x＝1,2,...,m,y＝1,2,...,n)进行遍历，在像素点灰度值对应的直方图个数加上log(lp_meanⁱ(x,y))：

其中，为子块图像对应的直方图。进一步，求出所有子块直方图的均值，记为

从步骤s21中子块图像直方图中的定义可以看出，其和像素的数目和其对应的细节信息相关，而且包含细节信息越少的像素点对直方图的影响越小。当图像中存在大量灰度级接近的背景区域时，其在传统灰度直方图中会形成一个峰值，进而导致图像过增强；由于灰度级接近的区域其包含的细节信息较小，其对我们定义的直方图影响较小，可以有效避免峰值。

步骤s22，把步骤s21中获取的各子块图像直方图和直方图均值hk进行加权操作得到各子块图像加权后直方图：

其中加权系数从加权系数的定义可以看出，子块直方图和均值直方图的差异越大，其对应的权值越小。因此，加权后的直方图可以自适应降低子块直方图之间的差异，避免增强后图像子块之间边界效应太明显的现象

步骤s23，对步骤s22中获取的各子块加权后直方图进行累加和归一化操作，得到各子块映射函数

其中，

步骤s24，采用传统对比度受限自适应直方图均衡化增强算法中的双线性插值方法，对步骤s23中获取的各子块图像映射函数进行插值得到图像中每个像素的映射灰度级，并进行灰度替换，完成近似图像增强，得到增强后近似图像

步骤s3：多尺度细节图像增强；

所述的多尺度细节图像增强步骤中，对步骤s1中得到的各尺度细节图像lpk(k＝1,2,...,k-1)进行放大，得到增强后细节图像。

其中为增强后细节图像，mean(|lpk|)为细节图像lpk绝对值均值，a(1＜a＜3)为增强系数。对多尺度细节图像进行放大，可以增强图像细节、锐化图像。通过设定自适应阈值，可以在一定程度上抑制噪声的放大。

步骤s4：拉普拉斯逆变换

所述拉普拉斯逆变换步骤中，是对步骤s2中增强后的近似图像和步骤s3中增强后的各尺度细节图像进行拉普拉斯逆变换得到增强后图像。

与现有技术相比本发明的技术效果在于：传统对比度受限自适应图像均衡化算法统计每个子块图像的灰度直方图，容易出现直方图峰值，导致过增强。虽然其对直方图进行了修正，但当峰值比较明显时，过增强问题依然存在。本发明提出的图像直方图是对图像进行拉普拉斯分解，然后基于多尺度细节图像包含的细节信息来统计子块图像直方图。基于该直方图，本发明可以有效避免传统对比度受限自适应图像均衡化算法中可能出现的图像过增强现象。

尤其，传统对比度受限自适应图像均衡化算法可能出现边界效应，当相邻子块图像直方图差异较大时，子块图像边界的不连续现象尤为明显。本发明所提出的子块图像直方图加权算法，该算法对子块图像直方图和所有子块图像均值直方图进行加权，自适应降低子块图像直方图之间的差异，有效避免对比度受限自适应图像均衡化中可能出现的边界效应。

尤其，传统对比度受限自适应图像均衡化算法对图像局部细节增强的同时，容易放大图像的噪声。本发明是对图像进行拉普拉斯分解，得到多尺度高频细节图和低频近似图像。图像噪声属于高频信息，基本都包含在细节图中，只需要对低频近似图像进行增强，可有效地避免图像噪声过大。

附图说明

图1为本发明的流程图；

图2为本发明步骤s3的流程图

图3为本发明的一个实施例中处理前的原始图像；

图4为四个子块图像的灰度直方图和本发明的加权后细节直方图；

图5为采用传统对比度受限自适应直方图均衡化算法增强后图像；

图6为采用本发明的方法增强后。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

本发明所述的一种基于拉普拉斯金字塔的图像主观视觉效果增强方法，其流程图如图1所示，包括一下步骤：

步骤s1：图像拉普拉斯金字塔分解

采用现有技术对输入图像进行拉普拉斯金字塔分解得到近似图像lpk和多尺度细节图像lpk(k＝1,2,...,k-1)；然后将多尺度细节图像缩放至近似图像一样大小，求出缩放后图像均值得到多尺度细节均值图像其中，k为拉普拉斯金字塔层数，lp_resizedk(k＝1,2,...,k-1)为缩放后多尺度细节图像。

步骤s2：近似图像增强；对步骤s1中获取的近似图像lpk进行增强，其包括如下步骤：

步骤s21，将步骤s1获取的图像lpk分割为round(m/s)×round(n/s)个大小为s×s的连续不重叠子块，记为其中m×n为lpk图像尺寸，round表示取整操作。子块在图像lp_mean中对应(位置一样)的子块记为lp_meanⁱ(i＝1,2,...,s²)。对图像中的每个像素点(x,y)(x＝1,2,...,m,y＝1,2,...,n)进行遍历，在像素点灰度值对应的直方图个数加上log(lp_meanⁱ(x,y))：

其中，为子块图像对应的直方图。进一步，求出所有子块直方图的均值，记为

步骤s22，把步骤s21中获取的各子块图像直方图和直方图均值hk进行加权操作得到各子块图像加权后直方图：

其中加权系数

步骤s23，对步骤s22中获取的各子块加权后直方图进行累加和归一化操作，得到各子块映射函数

其中，

步骤s24，采用传统对比度受限自适应直方图均衡化增强算法中的双线性插值方法，对步骤s23中获取的各子块图像映射函数进行插值得到图像中每个像素的映射灰度级，并进行灰度替换，完成近似图像增强，得到增强后近似图像

步骤s3：多尺度细节图像增强

对步骤s1中得到的各尺度细节图像lpk(k＝1,2,...,k-1)进行如下放大：

其中为增强后细节图像，mean(|lpk|)为细节图像lpk绝对值均值，a(1＜a＜3)为增强系数。

步骤s4：拉普拉斯逆变换

对步骤s2中增强后的近似图像和步骤s3中增强后的各尺度细节图像进行拉普拉斯逆变换得到增强后图像。

为验证本专利提出算法的有效性、合理性、可行性及科学性，对图3中原始图像采用传统对比度受限自适应直方图均衡化和本发明的方法进行增强。拉普拉斯分解层数k＝2，子块图像数目为4，细节增强系数a＝1.5。图4是原始图像四个子块图像的灰度直方图和对应的加权后细节直方图；图5是传统对比度受限自适应直方图均衡化算法增强后图像；图6是应用本发明的方法增强后图像。从图4中可以看出，原始图像中大面积的灰色背景区域灰度比较接近，因而在传统灰度直方图中形成了个峰值。我们的直方图由像素点个数和其包含的细节信息共同决定。由于图像中的背景区域比较平缓，包含的细节信息较小，其对直方图的影响较小。因此我们的细节直方图中没有产生峰值。另一方面，通过直方图加权后，子块图像之间的直方图差异明显变小。从图5中可以看出，由于传统灰度直方图存在峰值，导致直方图均衡化出现过增强现象；另外，由于子块直方图之间差异比较明显，子图像边界之间存在少量不连续现象。从图6中可以看出，我们算法能够有效避免图像过增强、边界效应和噪声的放大，大幅提升图像主观视觉效果。