[发明专利]一种基于神经网络的图像自适应增强方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种基于神经网络的图像自适应增强方法。

背景技术

随着数字图像处理的发展，基于图像的在线动态检测系统已经广泛应用于科研、医学、工业及生物遗传工程等领域。基于图像的动态检测系统通过图像采集系统对高速运动的物体进行拍摄，获得运动物体的瞬态信息，再对动态图像进行分析完成故障的识别和检测。因此高质量、高对比度的图像对于故障的检测和识别具有十分重要的作用，然而在实际情况中，快门速度和照明光源无法满足要求，获取的图像的对比度低、亮度偏暗，因此需要对图像进行亮度和对比度进行同时增强处理，此外，动态检测系统要求较高的图像增强处理速度，以满足动态检测的实时性要求。

图像增强技术可以分为频域法和空域法两大类。频域法是对原图像进行某种变换，在变换域中进行处理以达到增强的目的，通常用于生物学或医学上图像中的特定边缘及细节信息进行增强，算法较为复杂，计算量大，处理速度慢，不适用于动态检测系统中的图像增强。

空域法则是直接对原始图像像素进行处理，这类方法多用于前期处理，如在线检测的图像预处理。主要算法包括直方图均衡化、自适应滤波及反锐化掩模。直方图均衡化是一种快速图像增强方法，但是由于灰度级合并容易造成图像细节信息的丢失以及图像过增强，对于低亮度和低对比度的图像增强效果较差。Andrea Polesel在文章“Image enhancement via adaptive unsharp masking”(IEEE Transactions on Image Processing，2000，9(3)：505～515)中陈述了一种自适应的反锐化掩模图像增强方法，根据像素邻域的灰度值选择对图像中的高频分量进行增强，对于对比度不同的区域实现不同程度的增强。该方法通过高斯牛顿算法递归确定增强系数，算法较为复杂，初始值的选取对收敛速度有很大影响，且对于高对比度及低对比度区域的划分等仍需人工界定。

发明内容

本发明所要解决的技术问题是：提供一种基于神经网络的图像自适应增强方法，利用神经网络建立图像均值和标准偏差与原始图像的增强系数和图像高频分量的增强系数之间的非线性映射模型，将高频分量与原始图像分别乘以各自的增强系数进行叠加，实现图像的自适应增强。

本发明的技术解决方案是：一种基于神经网络的图像自适应增强方法，其特征在于，图像的自适应增强分为建立增强系数映射模型阶段和图像增强处理阶段，进行一次增强系数映射关系模型建立后可以连续进行图像增强处理，具体步骤如下：

1、用f_u表示原始图像，f_o表示增强处理后的输出图像，f_l表示f_u的低频分量，f_h表示f_u的高频分量，f_h＝f_u-f_l；f_u的灰度级均值用m表示，标准偏差用σ表示；用A表示f_u的增强系数，用B表示f_h的增强系数；

2、建立增强系数映射模型阶段：

2.1、选取样本图像f_u，对f_u进行手动增强处理，获得f_u的m和σ以及对应的A和B，具体步骤为：

第一步，计算f_u的m和σ；

第二步，采用3×3的模板对f_u进行均值滤波，得到f_l，计算f_u-f_l得到f_h；

第三步，通过计算f_o＝Af_u+Bf_h对f_u进行增强处理；改变A对图像的亮度增强，改变B对图像的对比度增强，f_o达到最佳视觉效果时，记录m、σ、A和B；

第四步，选择另一幅样本图像，重复进行步骤2.1中的第一步到第三步，获取至少50幅以上样本图像的m、σ以及对应的A和B；

2.2、以步骤2.1中的样本图像的m、σ作为神经网络的输入，训练BP神经网络，以步骤2.1中获取的A和B作为神经网络的期望输出，建立增强系数的神经网络映射模型，具体步骤如下：