【CN110197471A】一种图像对比度增强方法【专利】
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日
(21)申请号 201910154634.5
(22)申请日 2019.03.01
(71)申请人 合肥工业大学地址 230000 安徽省芜湖市屯溪路193号
(72)发明人 郝世杰 汪雷宇 张又明 洪日昌 汪萌
(74)专利代理机构 北京睿智保诚专利代理事务所(普通合伙) 11732代理人 杨海明
(51)Int.Cl.G06T 5/40(2006.01)
(54)发明名称一种图像对比度增强方法(57)摘要本发明公开一种图像对比度增强方法，所述增强方法包括：采集待处理的图像，获得原始图像；将所述原始图像采用色彩处理方法进行色彩处理，获得色彩处理图像；将所述色彩处理图像进行数据预处理，获得预处理色彩图像；将所述原始图像进行预增强处理，获得第一增强图像；根据所述色彩处理图像、所述第一增强图像和所述原始图像采用图像增强方法，获得第二增强图像。本发明提供的图像增强方法能够在像素级别感知图像的结构，进行非均一的增强，产生对比
度得到增强且兼具自然性的结果。
权利要求书1页 说明书2页 附图1页CN 110197471 A2019.09.03
CN 110197471
A1.一种图像对比度增强方法，其特征在于，所述增强方法包括：
采集待处理的图像，获得原始图像I；
将所述原始图像采用色彩处理方法进行色彩处理，获得色彩处理图像L；
将所述色彩处理图像L进行数据预处理，获得预处理色彩图像；
将所述原始图像I进行预增强处理，获得第一增强图像；
根据所述色彩处理图像L、所述第一增强图像和所述原始图像I采用图像增强方法，获得第二增强图像。
2.根据权利要求1所述的一种图像对比度增强方法，其特征在于，所述将所述原始图像
采用色彩处理方法进行色彩处理，获得色彩处理图像L具体包括：
对所述原始图像做最大化颜色通道技术处理，获得色彩处理图像L。
3.根据权利要求1所述的一种图像对比度增强方法，其特征在于，所述将所述色彩处理
图像L进行数据预处理，获得预处理色彩图像具体包括：
对所述色彩处理图像L进行取反和开操作，获得预处理色彩图像1-L。
4.根据权利要求1所述的一种图像对比度增强方法，其特征在于，所述将所述原始图像
I进行预增强处理，获得第一增强图像具体包括：
对所述原始图像I采用简化的Retinex模型处理，获得第一增强图像。
5.根据权利要求1所述的一种图像对比度增强方法，其特征在于，所述根据所述色彩处
理图像L、所述第一增强图像和所述原始图像I采用图像增强方法，获得第二增强图像具
体包括：第二增强图像
。权 利 要 求 书1/1页
2CN 110197471 A
医学影像处理中的图像增强算法使用技巧分享
医学影像处理中的图像增强算法使用技巧分享
图像增强是医学影像处理中的重要任务之一，它旨在改善图像的质量，使医生能够更准确地诊断和治疗疾病。在医学影像处理领域，图像增强算法扮演着关键角色，它们能够增强图像的对比度、清晰度和边缘特征，从而提供更有用的信息。
在本文中，我们将分享一些医学影像处理中的图像增强算法使用技巧，帮助读者在实践中获得更好的结果。
1. 直方图均衡化(Histogram Equalization)
直方图均衡化是一种简单却有效的图像增强方法，它通过重新分布图像像素的灰度级来增强图像的对比度。在医学影像处理中，直方图均衡化可以帮助凸显影像中的重要结构和特征。使用该算法时，需要考虑到不同图像具有不同的亮度分布特点，因此可能需要自适应的直方图均衡化算法来应对不同场景下的图像增强需求。
2. 噪声去除滤波器(Noise Removal Filters)
噪声是医学影像处理中常见的问题之一，它会影响图像的质量和对比度。为了去除噪声并增强图像，可以使用各种滤波器，如中值滤波器、高斯滤波器和均值滤波器。中值滤波器可以有效地去除脉冲噪声，而高斯滤波器和均值滤波器则可以平滑图像并减少高频噪声。根据图像的性质和需求，选择适当的滤波器非常关键。
3. 边缘增强(Edge Enhancement)
边缘增强是一种用于增强图像边缘特征的方法，它可以使医生更容易地检测和分析图像中的病灶和结构。在医学影像处理中，常用的边缘增强算法包括Laplacian增强、Sobel增强和Canny边缘检测。这些算法能够突出显示图像中的边缘信息，并减少噪声的干扰。然而，在使用边缘增强算法时，需要注意避免过度增强图像，以免造成误诊。
4. 对比度增强(Contrast Enhancement)
对比度增强是一种改善图像对比度的方法，它可以使图像中的细节更加清晰可见。在医学影像处理中，常见的对比度增强算法包括直方图拉伸、伽马校正和局部对比度增强。直方图拉伸可以通过拉伸图像的灰度级范围来改善图像的对比度。伽马校正则可以通过调整像素亮度的非线性关系来增强图像的细节。局部对比度增强算法则可以基于图像的局部特征来增强图像的对比度。
图像增强的方法有哪些
图像增强的方法有哪些
图像增强的方法包括以下几种：
1. 直方图均衡化（Histogram equalization）：通过调整图像的像素分布，增强图像的对比度。
2. 自适应直方图均衡化（Adaptive histogram equalization）：与直方图均衡化类似，但是对图像的小区域进行局部均衡化，可以更好地保留细节信息。
3. 均值滤波（Mean filter）：用图像中像素的平均值替代该像素的值，平滑图像的同时增强细节。
4. 中值滤波（Median filter）：用图像中像素的中值替代该像素的值，能够有效去除椒盐噪声，保留图像边缘。
5. 高斯滤波（Gaussian filter）：使用高斯函数对图像进行平滑，可以模糊图像的同时去除噪声。
6. 锐化增强（Sharpening）：利用锐化算子对图像进行卷积，突出图像的边缘和细节。
7. 退化与恢复（Degradation and restoration）：通过建立图像模糊模型和噪声模型，对退化图像进行恢复。
8. 增强滤波（Enhancement filter）：通过设计特定的增强滤波器，对图像进行增强，如Sobel滤波器、Prewitt滤波器等。
9. 超分辨率（Super-resolution）：通过使用多帧图像或者其他方法，提高低分辨率图像的细节和清晰度。
以上仅是图像增强的一些常见方法，随着图像处理技术的不断发展，还有很多其他方法可以用于图像增强。
图像增强的方法有哪些 2
图像增强的方法有哪些
图像增强是指通过一系列的处理方法，改善图像的质量和视觉效果，使得图像更加清晰、鲜艳、易于理解和分析。图像增强技术在计算机视觉、医学影像、遥感图像等领域有着广泛的应用。本文将介绍图像增强的几种常见方法，包括灰度拉伸、直方图均衡化、滤波和增强、空间域增强、频域增强等。
首先，灰度拉伸是一种简单而有效的图像增强方法。它通过扩展图像的灰度动态范围，将原本灰暗的区域拉伸到整个灰度范围内，从而增强了图像的对比度和细节。灰度拉伸通常适用于灰度动态范围较窄的图像，比如受到光照影响的图像或者拍摄条件不佳的图像。
其次，直方图均衡化是一种常用的图像增强方法。它通过重新分布图像的灰度级，使得图像的直方图在整个灰度范围内均匀分布，从而增强了图像的对比度和视觉效果。直方图均衡化适用于灰度动态范围较窄或者灰度分布不均匀的图像，能够有效地改善图像的质量。
另外，滤波和增强也是常见的图像增强方法。滤波可以去除图像中的噪声和干扰，增强图像的清晰度和细节。常用的滤波方法包括均值滤波、中值滤波、高斯滤波等。在滤波的基础上，可以对图像进行锐化、边缘增强等操作，从而进一步改善图像的质量。
此外，空间域增强和频域增强也是图像增强的重要方法。空间域增强是指直接对图像的像素进行操作，比如对比度调整、颜色增强、锐化等。而频域增强则是通过对图像的频谱进行操作，比如傅里叶变换、滤波等。这些方法能够有效地改善图像的质量和视觉效果。
总的来说，图像增强是一项重要的技术，能够改善图像的质量和视觉效果，提高图像的可读性和分析性。在实际应用中，可以根据图像的特点和需求，选择合适的增强方法进行处理，以获得更加清晰、鲜艳、易于理解和分析的图像。希望本文介绍的几种常见方法能够为图像增强技术的应用提供一些参考和帮助。
如何应对图像识别中的低对比度问题(一)
图像识别是一项重要的技术，它广泛应用于人脸识别、自动驾驶、安防监控等领域。然而，在实际应用中，我们常常会遇到一个问题，那就是低对比度。低对比度指的是图像中亮度级别之间的差异很小，使得目标物与背景之间的辨别困难。本文将探讨如何应对图像识别中的低对比度问题。
低对比度是图像识别中常见的挑战之一。当图像受到光线环境的限制或采集设备的性能不佳时，图像的对比度就会下降。这会导致图像中的细节丢失，使得图像识别算法难以准确地提取特征。解决这个问题的关键在于提升图像的对比度。
提升图像对比度的方法有很多种。首先，我们可以采用直方图均衡化的方法。直方图均衡化通过对图像的像素值进行重新分布，增强了图像的对比度。具体操作可以通过计算图像的累积分布函数来实现。在实际应用中，我们可以使用OpenCV等开源库来完成直方图均衡化操作。
除了直方图均衡化，另一种常用的方法是对比度拉伸。对比度拉伸是通过调整图像的亮度级别来增强对比度。这可以通过线性变换来实现，即对图像的每个像素值进行缩放。较低的像素值将映射到较高的亮度级别，从而增强了对比度。类似地，我们也可以使用开源库来实现对比度拉伸。
除了以上两种方法，还有一些其他的技术可以应用于图像对比度增强。其中一种方法是多尺度处理。多尺度处理将图像分为不同尺度的子图像，然后对每个子图像进行对比度增强。通过提取不同尺度的特征，可以提高图像识别算法的鲁棒性。还有一种方法是自适应对比度增强。自适应对比度增强利用图像的局部信息，根据不同区域的对比度特性进行增强。这可以有效地提升图像的质量和对比度。
除了算法层面的应对措施，我们在采集图像时也可以采取一些策略来防止低对比度问题。例如，合理的光线设置是非常重要的。通过增加光源、优化光源角度以及使用反光板等手段，可以提升采集图像的对比度。此外，选择性能优良的采集设备也是关键。高质量的摄像头能够提供更好的图像质量和对比度。因此，在实际应用中，我们需要充分考虑采集设备的性能和光线条件。
matlab对比度增强函数
matlab对比度增强函数
一种常见的matlab对比度增强函数是imadjust函数。它可以通过线性拉伸实现对比度增强，也可以通过非线性变换实现复杂的对比度增强，具体如下：
1. 线性拉伸：使用imadjust函数的默认参数即可实现线性拉伸。imadjust(I)会对图像I进行线性拉伸，使得像素值分布在[0,1]区间内。这种对比度增强的方法通常适用于像素值范围较小或分布比较均匀的图像。
2. 非线性变换：使用imadjust函数的另一种形式，即imadjust(I,[low_in high_in],[low_out high_out])可以实现非线性变换。这种方法通常适用于需要调整图像中特定像素值范围的对比度的情况。比如，如果想要增强图像中低对比度区域的细节，可以将像素值范围调整为[0.1 0.5]，即imadjust(I,[0.1
0.5],[0 1])。
除了imadjust函数，还可以使用histeq函数实现对比度增强。histeq函数会根据图像的直方图均衡化来增强对比度，使得图像中的灰度级数目更加均匀。histeq(I)会对图像I进行直方图均衡化，它适用于像素分布广泛的图像。
图像增强最全的几种方法和手段
图像增强最全的几种方法和手段
图像处理
学 院 信息工程学院
姓 名 钟佳杭
班 级 14级物联网工程
学 号 144090301032
1、 图像增强的原理及应用前景
图象增强是图像处理的基本内容之一，图像增强是指按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要信息的处理方法，其目的是使得处理后的图像对某种特定的应用，比原始图像更合适。增强图象中的有用信息，它是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。
近年来，随着消费型和专业型数码相机的日益普及，海量的图像数据正在被产生．但由于场景条件的影响，很多在高动态范围场景、昏暗环境或特殊光线条件下拍摄的图像视觉效果不佳，需要进行后期增强处理调整动态范围或提取一致色感才能满足显示和印刷的要求。人类视觉系统具有强烈的全局和区域的自适应性和非线性，在多种不同的光照条件下都能清晰地辨识细节，具有电子设备所不可比拟的优势。因此，图像增强引起了广泛的关注，很多图像增强方法在设计时考虑描述和模仿人类视觉系统的特性，以期获得符合人类视觉系统特性的增强效果。
2图像增强的算法分类
图像增强算法可分成两大类：频率域法和空间域法。前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。基于频域的算法是在图像的某种变换域内对图像的变换系数值进行某种修正，是一种间接增强的算法。
采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。基于空域的算法处理时直接对图像灰度级做运算，具有代表性的空间域算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。 基于空域的算法分为点运算算法和邻域去噪算法。点运算算法即灰度级校正、灰度变换和直方图修正等，目的或使图像成像均匀，或扩大图像动态范围，扩展对比度。邻域增强算法分为图像平滑和锐化两种。平滑一般用于消除图像噪声，
对比度增强算法
对比度增强算法
对比度增强算法是一种常用的图像处理技术，用于提高图像中的亮度差异，使得图像更加清晰、鲜明。在数字图像处理领域，对比度是指图像中不同灰度级之间的差异程度。较高的对比度意味着图像中的亮度差异更加明显，而较低的对比度则使得图像看起来模糊、缺乏细节。
对比度增强算法的目标是调整图像的灰度级分布，使得图像中的亮度差异更加鲜明。这样可以使得图像中的细节更加清晰可见，提高观看体验和图像分析的准确性。下面将介绍几种常见的对比度增强算法。
1. 线性拉伸算法
线性拉伸算法是最简单的对比度增强算法之一。它通过将图像的灰度级范围进行线性映射，使得图像中的最低灰度级对应于黑色，最高灰度级对应于白色。这样可以将原本较暗或较亮的区域进行拉伸，增强图像的对比度。
2. 直方图均衡化算法
直方图均衡化算法是一种常用的对比度增强算法。它通过对图像的灰度级进行统计分析，将灰度级分布较为集中的区域进行拉伸，使得图像中的灰度级分布更加均匀。这样可以增强图像的细节，使得图像更加清晰。
3. 自适应直方图均衡化算法
自适应直方图均衡化算法是对直方图均衡化算法的改进。它通过将图像分成多个小区域，在每个小区域内进行直方图均衡化，从而保持图像的局部对比度。这样可以避免直方图均衡化算法在增强图像细节的同时，引入过多的噪声。
4. 对比度拉伸算法
对比度拉伸算法是一种非线性的对比度增强算法。它通过将图像的灰度级进行非线性映射，强调图像中的亮度差异。对比度拉伸算法可以根据不同的应用需求，调整图像中不同灰度级的映射关系，以实现对比度的增强。
对比度增强算法在很多领域都有广泛的应用。在医学影像中，对比度增强可以帮助医生更好地观察和诊断疾病。在安防监控系统中，对比度增强可以提高图像的清晰度和辨识度，从而更好地识别目标物体。在图像处理软件中，对比度增强可以提供更多的图像编辑选项，使用户能够根据自己的需求进行图像处理。
对比度增强算法是一种常用的图像处理技术，可以提高图像中的亮度差异，使得图像更加清晰、鲜明。不同的对比度增强算法有不同的原理和适用范围，可以根据具体的应用需求选择合适的算法进行处理。对比度增强算法在图像处理领域有着广泛的应用前景，将对图像分析、医学诊断、安防监控等领域产生重要影响。
增强图像对比度的方法
增强图像对比度的方法
增强图像对比度是指通过一系列图像处理操作，使图像中不同区域的亮度值之间的差异更加明显，以提高图像的视觉效果和可读性。下面是一些常用的增强图像对比度的方法：
1. 直方图均衡化：
直方图均衡化是一种常见的增强图像对比度的方法。它通过调整图像的灰度值分布，使得图像中各个灰度级别的像素点分布更加均匀，从而增强图像的对比度。
具体步骤如下：
（1）计算图像的直方图，统计每个灰度级别的像素个数。
（2）计算累积直方图，即将每个灰度级别的像素个数累积起来，得到累积灰度级个数。
（3）根据累积直方图和原始图像的灰度级别，计算调整后的灰度级别，并将其应用到原始图像上，得到均衡化后的图像。
直方图均衡化可以有效增强图像的对比度，但有时也会导致细节丢失和噪声增加。
2. 自适应直方图均衡化：
自适应直方图均衡化是对传统直方图均衡化的改进方法。传统直方图均衡化是对整个图像进行处理，很难同时对亮度变化较大的区域和亮度变化较小的区域进行适当的增强。自适应直方图均衡化则将图像分成许多小的区域，并对每个区域分别进行直方图均衡化，从而提高了增强效果。
具体步骤如下：
（1）将图像划分成小的区域。
（2）对每个区域进行直方图均衡化。
（3）将均衡化后的区域拼接起来，得到增强后的图像。
自适应直方图均衡化可以在增强图像对比度的同时，保留图像的细节信息。
3. 对比度拉伸：
对比度拉伸是一种简单有效的增强图像对比度的方法。它通过对图像的像素值进行线性拉伸，将原始图像中像素值的范围映射到新的范围之内，从而增强图像的对比度。
具体步骤如下：
（1）计算原始图像中的最小像素值和最大像素值。
（2）通过线性映射将原始图像中的像素值范围映射到新的范围之内。
对比度拉伸可以简单快速地增强图像的对比度，但有时会导致图像的灰度失去平衡，使得整体图像过亮或过暗。
4. 线性拉伸： 线性拉伸是对比度拉伸的一种改进方法。它通过定义一个合适的斜率和截距，将原始图像的像素值进行线性转换，从而增强图像的对比度。
图像处理技术的图像亮度对比度调整技巧
图像处理技术的图像亮度对比度调整技巧
图像处理技术是一门涉及数字图像处理和计算机视觉的学科，其应用广泛，包括图像增强、特征提取、目标检测等众多领域。其中一个重要的任务是调整图像的亮度和对比度。通过调整图像的亮度和对比度，可以改善图像的视觉效果，使其更加清晰明亮。本文将介绍几种常用的图像亮度对比度调整技巧。
1. 线性变换法：线性变换法是最简单也是最常见的图像亮度和对比度调整方法。它通过线性变换调整图像的亮度和对比度。对于亮度调整，可以通过给图像的每个像素值增加或减少一个常数来实现。例如，如果想增加图像的亮度，可以将图像中的每个像素值都加上一个正常数；反之，如果要减小图像的亮度，可以将图像中的每个像素值都减去一个正常数。对于对比度调整，可以通过将图像的每个像素值乘以一个倍数来实现。如果倍数大于1，可以增加对比度；反之，如果倍数小于1，可以减小对比度。
2. 直方图均衡化：直方图均衡化是一种常用的提高图像对比度的方法。它通过重新分配图像的像素值，使得图像的直方图变得更加均匀。具体而言，直方图均衡化通过计算图像中每个像素值的累积分布函数，并将其映射到一个均匀分布的像素值范围内。这样可以使得图像中的灰度级更加均匀分布，从而增强图像的对比度。
3. γ校正：γ校正是一种通过非线性变换调整图像亮度的方法。它是根据人眼对亮度的感知特性而提出的。人眼对低亮度区域更加敏感，而对高亮度区域较不敏感。因此，通过调整图像中每个像素值的幂次，可以改变图像的整体亮度。具体而言，如果幂数大于1，可以增加亮度；反之，如果幂数小于1，可以减小亮度。γ校正可以在显示设备上校正图像的亮度，也可以校正传感器上捕获的图像。
4. 自适应直方图均衡化：自适应直方图均衡化是直方图均衡化的一种改进方法。它通过将图像分割成小的区域，并在每个区域内分别进行直方图均衡化，从而保留了图像的细节信息。自适应直方图均衡化可以有效解决直方图均衡化在处理图像中包含大片相似区域时出现的过度增强或减弱对比度的问题。 总结起来，图像处理技术中的图像亮度和对比度调整是一项重要任务，可以通过线性变换法、直方图均衡化、γ校正和自适应直方图均衡化等方法实现。不同方法适用于不同场景和需求。了解并掌握这些技巧，可以帮助我们更好地改善和优化图像视觉效果，提高图像处理的准确性和可视化效果。
基于Retinex理论的彩色眼底图像增强方法研究
第二章 主要眼底图像增强方法
彩色眼底图像增强对医学诊断具有重要的作用，目前主要的彩色眼底图像增强方法有：直方图均衡化、对比度受限自适应直方图均衡化以及Hessian矩阵增强方法。
2.1 直方图均衡化方法
一般来说，图像对比度的可用较为常见的两种方法进行增强处理，分别为间接对比度增强方法是直方图拉伸方法和直方图均衡化(Histogram Equalization，简称HE)方法。对于直方图均衡化而言，图像灰度改变的是通过累积函数来实现的，以此达到增强对比度的效果。其基本的操作步骤的核心思路即，对原始图像的非均质化拉伸处理，使其像素值间距扩张，均匀化各灰度范围的像素量。
这种方法也存在一些缺点：
(1) 增强后图像的灰度级会变少，部分细节会消失；
(2) 当输入图像的直方图有非常密集的部分时，增强后的图像的对比度会增强过度。
通过直方图均衡化，图像的亮度可以更好地分布在直方图上，让图像更易于观察。用这种方法来增强图像局部的对比度就不会使图像整体的对比度产生影响，直方图均衡化通过有均衡亮度密集的区域来实现这种功能。
直方图均衡化对增强背景太亮或者前景太暗的图像有很好的效果，尤其是增强X光图像中清晰度较差的骨骼结构以及曝光过度和曝光不足的图像中的细节信息。这种方法具有一个特殊优势是它的直观性和可逆操作性，若均衡化的函数是已知的，则可以构造出初始的直方图。但该方法的缺点也很明显，即必须对所有的数据进行分析，这就可能会增加背景的对比度并且降低有用信息的对比度。
图像的直方图可以表现出图像像素值的分布规律。由于图像是由大量像素组建而成，因而可以将像素分布的直方图进行列表统计来对其特征进行分析研究。直方图对图像特征的提取和确定其相似度上都具有巨大的贡献，它能通过对不同区间的像素值分布特征进行整体上的调整，优化其灰度分度，进而达到增强图像的视觉感。
直方图与图像清晰度的有如下关系：
(1) 亮度不足，即代表其在直方图中主要位于像素值较小区间；