本发明涉及图像处理等
技术领域：
，涉及一种图像对比度增强技术，尤其涉及一种基于尺度空间的图像对比度增强方法。
背景技术：
：随着科学技术的发展，人工智能行业快速崛起，计算机视觉领域更是大放异彩。各种算法的提出，实现了多种人工智能产品的落地，如指纹识别、人脸识别、车牌识别等，为人类生活带了巨大的便利。科学技术在各种难题前不断的提出创新，解决问题。在图像处理方向上，图像去噪、图像对比度增强等学术界已提出了多种算法，在不同性质的图像噪声下发挥出巨大的潜力。图像的质量也是影响着图像识别、图像准配、图像拼接等实际应用效果的一大因素，目前已有的各种滤波算法在过滤异常信息的同时会平滑掉图像的一些细节信息，导致在低质量图像环境下，图像处理相关算法对于低质量图像对比度增强效果不明显，难以满足实际需求。技术实现要素：针对已有的图像处理相关算法对于低质量图像对比度增强效果不明显问题，本发明的目的在于提供一种基于尺度空间的图像对比度增强方法，以解决低质量图像增强相关问题，提高在图像识别、图像准配、图像拼接这些应用中的效果。本发明采用以下技术方案：一种基于尺度空间的图像对比度增强方法，包括以下步骤：s1、对原始的图像数据进行预处理，得到输入图像数据；s2、对输入图像数据构建图像金字塔、以及利用图像金字塔构建的图像差分金字塔；s3、对s2得到的图像差分金字塔同组中的隔层图像进行叠加，得到一组新图像尺度空间；s4、在s3构件的新图像尺度空间中进行特征检测、特征描述和特征匹配。优选的，s1中、对原始的图像数据进行去噪处理，得到输入图像数据。优选的，对原始的图像数据进行去噪处理时，依据图像噪声性质选择滤波器。优选的，s2中，所述图像金字塔为图像高斯金字塔，图像差分金字塔为图像高斯差分金字塔。优选的，以不同尺度因子的高斯函数对输入图像数据做卷积计算得到图像高斯金字塔，图像高斯金字塔的计算公式如下：l(x,y,σ)＝g(x,y,σ)*i(x,y)其中，*表示卷积运算，σ是尺度因子，g(x,y,σ)是附有尺度因子的高斯函数，i(x,y)为输入图像数据，l(x,y,σ)是卷积后得到的高斯金字塔层图像，x是图像的横标，y是图像的纵坐标，m高斯核长，n是高斯核宽。优选的，s2中，图像高斯金字塔同组内相邻两个高斯尺度的图像相减，得到图像高斯差分金字塔，图像高斯差分金字塔的计算公式如下：d(x,y,σ)＝(g(x,y,kσ)-g(x,y,σ))*i(x,y)＝l(x,y,kσ)-l(x,y,σ)其中，d(x,y,σ)是图像高斯差分金字塔，g(x,y,kσ)是尺度因子为kσ的高斯函数，g(x,y,σ)是附有尺度因子的高斯函数，*表示卷积运算，i(x,y)为输入图像数据，l(x,y,kσ)是尺度为kσ高斯金字塔层图像，l(x,y,σ)是尺度为σ的高斯金字塔层图像。优选的，s3中，在图像高斯差分金字塔同组中对隔层图像进行不同能量系数的叠加，得到新图像尺度空间，新图像尺度空间的计算公式如下：di(x,y)＝a*di(x,y) b*di 2(x,y)其中，a、b为能量系数，范围为(0.0，1.0)；i为高斯差分金字塔层图像索引，*表示卷积运算，di(x,y)为新图像尺度空间。优选的，s4中，特征检测的过程包括：将当前像素点与其同尺度的若干个相邻像素点和上下相邻尺度对应的若干个像素点响应值进行比较，判断是否是一个极值点，若是，再通过曲线拟合方式找到该点在亚像素上的精准位置，并记录为一个特征点，完成特征检测。优选的，s4中，特征描述按照sift算子对特征点进行的描述，包括特征点主方向和描述子的计算。优选的，s4中，特征匹配过程包括：通过特征点之间的欧式距离进行一次粗匹配，再使用随机抽样一致算法进行二次精准匹配，得到图像特征匹配结果。本发明具有如下有益效果：本发明基于尺度空间的图像对比度增强方法，通过尺度空间中不同尺度下的图像进行叠加融合来增强图像对比度，在不改变图像特征结构的前提下增强了图像对比度，同时对图像噪声也有一定的抑制作用。此外，本发明方法在计算量上也占据很大优势，在传统图像识别、图像准配、图像拼接算法中体现出了不错的效果。进一步的，s3中，在图像高斯差分金字塔同组中对隔层图像进行不同能量系数的叠加，得到新图像尺度空间，此方法依据了尺度空间中的图像是同一输入图像在不同尺度下特征的特性，因此该操作并不会造成图像结构发生异常变化。附图说明图1为本发明实例提供的基于尺度空间的图像对比度增强的方法流程图；图2为本发明实例提供的步骤s2中描述的图像金字塔示意图；图3为本发明实例提供的步骤s2中描述的图像差分金字塔计算示意图；图4为发明实例提供的步骤s3中描述的不同尺度图像叠加后的全新尺度空间与原始尺度空间的对比。图5为发明实例提供的步骤s4中描述的特征检测、描述、匹配的效果对比。具体实施方式下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。参照图1-图4，本发明基于尺度空间的图像对比度增强方法，包括以下步骤：s1、对原始的图像数据进行预处理，得到输入图像数据，预处理包括图像去噪；s2、对输入图像构建图像尺度空间，图像尺度空间包括图像金字塔和图像差分金字塔，本发明采用高斯金字塔、高斯差分金字塔。s3、对图像差分金字塔同组中的隔层图像进行叠加，得到本发明方法的尺度空间。s4、在本发明的尺度空间中进行特征检测、特征描述和特征匹配，本发明以sift(scale-invariantfeaturetransform)算子进行相关实验。s5、其评测本方法的指标为图像尺度空间视觉效果和特征匹配结果的对比。步骤s1中对图像数据进行去噪等预处理，使用均值滤波器或其他滤波器依据图像噪声性质选择，得到输入图像数据。步骤s2所述图像尺度空间，本文以不同尺度因子的高斯函数对输入图像做卷积计算得到图像高斯金字塔。其计算公式如下：l(x,y,σ)＝g(x,y,σ)*i(x,y)其中σ是尺度因子，g(x,y,σ)是附有尺度因子的高斯函数，i(x,y)为输入图像，l(x,y,σ)是卷积后得到的高斯金字塔层图像。步骤s2还包括图像差分金字塔的构建，高斯金字塔同组内相邻两个高斯尺度的图像相减便可得到高斯差分金字塔层图像。其计算公式如下：d(x,y,σ)＝(g(x,y,kσ)-g(x,y,σ))*i(x,y)＝l(x,y,kσ)-l(x,y,kσ)其中d(x,y,σ)是相减后得到的高斯差分金字塔层图像。步骤s3中所述在高斯差分图像金字塔同组中对隔层图像进行不同能量系数的叠加来增强图像对比度。此方法依据了尺度空间中的图像是同一输入图像在不同尺度下特征的特性，因此该操作并不会造成图像结构发生异常变化。其计算公式如下：di(x,y)＝a*di(x,y) b*di 2(x,y)其中a,b为能量系数，其范围为(0.0,1.0)；i为高斯差分金字塔层图像索引，di(x,y)为增强后的图像。步骤s4中所述在原尺度空间和新尺度空间分别进行特征检测、特征描述、特征匹配等对比试验，本文选取sift(scale-invariantfeaturetransform)算子为例。特征检测是在高斯差分金字塔中计算，当前像素点与其同尺度的8个相邻点和上下相邻尺度对应的9*2个点总计26个点响应值进行比较，判断是否是一个极值点。若是，再通过曲线拟合方式找到其在亚像素上的精准位置，并记录为一个特征点。步骤s4中特征描述是按照sift算子对特征点进行的描述；特征匹配阶段首先通过特征点之间的欧式距离进行一次粗匹配，再使用ransac算法进行二次精准匹配。进一步的，请根据权利要求补充说明设置的目的或好处。步骤s5是通过两种不同的尺度空间图像视觉效果和特征匹配结果作为该方法评测指标。实施例参阅图1，一种基于尺度空间的图像对比度增强方法流程图，包括以下步骤：s1、对原始图像数据进行去噪预处理，得到输入图像数据。s2、构建图像金字塔、图像差分金字塔。s3、图像差分金字塔同组中不同尺度下的图像进行不同能量系数的叠加融合。s4、在两个不同尺度空间进行特征检测、描述、匹配并输出结果。参阅图2，图像金字塔的构建计算方式如下：尺度空间l(x,y,σ)定义为原图像i(x,y)与一个可变尺度的二维高斯函数的卷积得到，其公式为l(x,y,σ)＝g(x,y,σ)*i(x,y)，其中*表示卷积运算，高斯金字塔组内各层图像尺度为σi＝kσ0，其中s为特征点检测所用层数，n为高斯金字塔每组中的层数，σ0为输入图像的尺度。同组内图像通过高斯卷积因子为对输入图像卷积得到。参阅图3，图像差分金字塔的构建步骤包括如下：图像差分金子塔图像由金字塔相邻两层相减计算得到，其计算公式如下：d(x,y,σ)＝(g(x,y,kσ)-g(x,y,σ))*i(x,y)＝l(x,y,kσ)-l(x,y,kσ)参阅图4，图像差分金字塔不同尺度图像叠加具体方法如下：对同组内隔层图像进行不同能量系数的叠加，这不会使得图像的特征结构发生异常变化，因为同组内图像都是对基准层图像进行卷积得到，模糊程度不同但图像大小一致。其计算公式如下：di(x,y)＝a*di(x,y) b*di 2(x,y)参阅图5，在尺度空间中进行特征检测、描述、匹配：特征检测是在尺度空间连续的三层中计算得到，当前像素点与其同尺度的8个相邻点和上下相邻尺度对应的9*2个点总计26个点响应值进行比较，判断是否是一个极值点。若是，再通过曲线拟合方式找到其在亚像素上的精准位置，并记录为一个特征点。特征描述需要为特征点计算主方向、描述子等信息，本是私立使用sift(scale-invariantfeaturetransform)算子提供的计算方法计算此类信息。计算准配图像提取的特征点之间的欧式距离，若dismin<th*dissec_min,0.0<th<1.0则记录dismin这一对匹配点对。两幅图像特征点反向计算，若此匹配点对也满足该计算公式，则将该对点记录为优质点对。再通过ransac算法对所有的匹配点对进行提纯，得到最终的匹配结果。本实施例中，采用特征匹配点对数(cnt)，匹配优质点对数(bcnt)指标与在原始尺度空间和本发明提供的方法计算的尺度空间中提取的特征匹配结果以及图像的视觉效果进行评价，如表1所示。methodscntbcnt原始的方法10748本发明方法17279表1由表1可知，本发明中提出的方法在两项指标中效果非常显著。本发明公开了一种基于尺度空间的图像对比度增强方法，将不同尺度下的图像进行不同能量系数的叠加融合。本方法依据了尺度空间中的图像特性，叠加产生的效果不仅在图像对比度有了增强，在图像去噪上也有着明显的效果，检测出的新特征质量更高。此外本发明方法在计算量上也占据着强大的优势，大大提高了图像处理相关传统算法的性能和效果。以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。当前第1页1 2 3
技术特征：1.一种基于尺度空间的图像对比度增强方法，其特征在于，包括以下步骤：
s1、对原始的图像数据进行预处理，得到输入图像数据；
s2、对输入图像数据构建图像金字塔、以及利用图像金字塔构建的图像差分金字塔；
s3、对s2得到的图像差分金字塔同组中的隔层图像进行叠加，得到一组新图像尺度空间；
s4、在s3构件的新图像尺度空间中进行特征检测、特征描述和特征匹配。
2.根据权利要求1所述的一种基于尺度空间的图像对比度增强方法，其特征在于，s1中、对原始的图像数据进行去噪处理，得到输入图像数据。
3.根据权利要求2所述的一种基于尺度空间的图像对比度增强方法，其特征在于，对原始的图像数据进行去噪处理时，依据图像噪声性质选择滤波器。
4.根据权利要求1所述的一种基于尺度空间的图像对比度增强方法，其特征在于，s2中，所述图像金字塔为图像高斯金字塔，图像差分金字塔为图像高斯差分金字塔。
5.根据权利要求4所述的一种基于尺度空间的图像对比度增强方法，其特征在于，以不同尺度因子的高斯函数对输入图像数据做卷积计算得到图像高斯金字塔，图像高斯金字塔的计算公式如下：
l(x,y,σ)＝g(x,y,σ)*i(x,y)
其中，*表示卷积运算，σ是尺度因子，g(x,y,σ)是附有尺度因子的高斯函数，i(x,y)为输入图像数据，l(x,y,σ)是卷积后得到的高斯金字塔层图像，x是图像的横标，y是图像的纵坐标，m高斯核长，n是高斯核宽。
6.根据权利要求4所述的一种基于尺度空间的图像对比度增强方法，其特征在于，s2中，图像高斯金字塔同组内相邻两个高斯尺度的图像相减，得到图像高斯差分金字塔，图像高斯差分金字塔的计算公式如下：
d(x,y,σ)＝(g(x,y,kσ)-g(x,y,σ))*i(x,y)
＝l(x,y,kσ)-l(x,y,σ)
其中，d(x,y,σ)是图像高斯差分金字塔，g(x,y,kσ)是尺度因子为kσ的高斯函数，g(x,y,σ)是附有尺度因子的高斯函数，*表示卷积运算，i(x,y)为输入图像数据，l(x,y,kσ)是尺度为kσ高斯金字塔层图像，l(x,y,σ)是尺度为σ的高斯金字塔层图像。
7.根据权利要求4所述的一种基于尺度空间的图像对比度增强方法，其特征在于，s3中，在图像高斯差分金字塔同组中对隔层图像进行不同能量系数的叠加，得到新图像尺度空间，新图像尺度空间的计算公式如下：
di(x,y)＝a*di(x,y) b*di 2(x,y)
其中，a、b为能量系数，范围为(0.0，1.0)；i为高斯差分金字塔层图像索引，*表示卷积运算，di(x,y)为新图像尺度空间。
8.根据权利要求4所述的一种基于尺度空间的图像对比度增强方法，其特征在于，s4中，特征检测的过程包括：
将当前像素点与其同尺度的若干个相邻像素点和上下相邻尺度对应的若干个像素点响应值进行比较，判断是否是一个极值点，若是，再通过曲线拟合方式找到该点在亚像素上的精准位置，并记录为一个特征点，完成特征检测。
9.根据权利要求4所述的一种基于尺度空间的图像对比度增强方法，其特征在于，s4中，特征描述按照sift算子对特征点进行的描述，包括特征点主方向和描述子的计算。
10.根据权利要求4所述的一种基于尺度空间的图像对比度增强方法，其特征在于，s4中，特征匹配过程包括：通过特征点之间的欧式距离进行一次粗匹配，再使用随机抽样一致算法进行二次精准匹配，得到图像特征匹配结果。
技术总结本发明公开一种基于尺度空间的图像对比度增强方法，包括以下步骤：S1、对原始的图像数据进行预处理，得到输入图像数据；S2、对输入图像数据构建图像金字塔、以及利用图像金字塔构建的图像差分金字塔；S3、对S2得到的图像差分金字塔同组中的隔层图像进行叠加，得到一组新图像尺度空间；S4、在S2构建的图像差分金字塔和S3构件的新图像尺度空间中进行特征检测、特征描述和特征匹配。本发明通过尺度空间中不同尺度下的图像进行叠加融合来增强图像对比度，在不改变图像特征结构的前提下增强了图像对比度，同时对图像噪声也有一定的抑制作用。同时在计算量上也占据很大优势，在传统图像识别、图像准配、图像拼接算法中体现出了不错的效果。
技术研发人员：杜小智;罗晓东;姜洪超;岳合合;虞挺;张博文
受保护的技术使用者：西安交通大学
技术研发日：2020.12.15
技术公布日：2021.03.12
