[发明专利]一种图像增强方法、系统及电子设备

说明书

技术领域

本申请涉及图像增强技术领域，特别涉及一种图像增强方法、系统及电子设备。

背景技术

侧抑制作用是动物视神经系统中普遍存在的现象，它起源于Hartline对鳖复眼40年的细致研究。多年的研究结果表明从鲎这样原始的节肢动物到人、从外围神经系统直至中枢的各级水平、从触觉到视觉的各种感觉系统中都存在侧抑制作用。侧抑制网络具有突出边框、增强反差的作用，可以抑制空间低频部分，增强局部区域之间的差异，对由屈光系统缺陷引起的成像模糊进行高频补偿，使模糊图像重新变得清晰。通过仿真实验发现，侧抑制网络虽然具有突出边框、增强反差的作用，但是对噪声敏感。由于原始图像不可避免地会混入噪声，所以需对侧抑制网络进行改进，使其能够对噪声有所抑制。

中国专利201310302529.4中公开了一种基于侧抑制网络的红外图像处理方法。该方法使用像素点的局部熵作为度量因子，局部熵矩阵是每个像素点N×N邻域内各个灰度级出现的概率，当N足够大时，局部熵矩阵才可以区分背景和目标，但是此时计算量过大，不利于实时处理；实时处理中N一般取3，但此时局部熵并不能有效区分出背景和目标，而且对噪声不敏感。

Sobel算子是典型的基于一阶导数的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响。但是Sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是Sobel算子没有基于图像灰度进行处理，由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。

发明内容

本申请提供了一种图像增强方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种图像增强方法，包括：

步骤a：构建侧抑制网络数学模型；

步骤b：通过sobel算子计算原始图像的边缘特征矩阵，并对边缘特征矩阵进行归一化，得到sobel度量因子矩阵；

步骤c：通过所述sobel度量因子矩阵对侧抑制网络数学模型进行优化，根据优化后的侧抑制网络数学模型对原始图像进行增强处理。

本申请实施例采取的技术方案还包括：在所述步骤a中，所述侧抑制网络数学模型为：

在上述公式中，e_ij为像素点的输入，r_ij为像素点的输出，l为侧抑制野，l＝1，为侧抑制系数。

本申请实施例采取的技术方案还包括：在所述步骤b中，所述侧抑制系数的计算方式为：将两个感受器(i,j)和(p,q)之间的距离定义为欧几里德距离：

根据上述公式，采用双峰高斯分布作为侧抑制系数：

在上述公式中，β＝1，β₁＝β₂＝2，σ₁＝1，σ₂＝1.6，μ₁＝μ₂＝0。

本申请实施例采取的技术方案还包括：在所述步骤b中，所述通过sobel算子计算原始图像的边缘特征矩阵的计算公式为：

G＝|G_x|+|G_y|

上述公式中，G_x及G_y分别代表经横向及纵向边缘检测的图像灰度值，*代表卷积运算，A代表原始图像。

本申请实施例采取的技术方案还包括：在所述步骤b中，所述sobel度量因子矩阵为：

上述公式中，G(i,j)为边缘特征矩阵。

本申请实施例采取的技术方案还包括：在所述步骤c中，所述通过sobel度量因子矩阵对侧抑制网络数学模型进行优化具体为：

在上述公式中，为像素点e_ij在其邻域中的灰度平均值。

本申请实施例采取的另一技术方案为：一种图像增强系统，包括：

侧抑制模型构建模块：用于构建侧抑制网络数学模型；

度量因子构建模块：用于通过sobel算子计算原始图像的边缘特征矩阵，并对边缘特征矩阵进行归一化，得到sobel度量因子矩阵；

侧抑制模型优化模块：用于通过所述sobel度量因子矩阵对侧抑制网络数学模型进行优化，根据优化后的侧抑制网络数学模型对原始图像进行增强处理。