[发明专利]一种基于块匹配三维变换的低光图像增强方法

说明书

本发明涉及一种基于块匹配三维变换的低光图像增强方法，包括以下步骤：（1）、取低光图像中的相似块群组，将其扫描成为三维矩阵；（2）、对三维矩阵进行三维变换，其中二维变换中分别采用双正交小波变换和离散余弦变换，用来逆变换后分别重构光照分量和反射分量（3）、采用指数对数混合变换来增强光照分量（4）、将增强后的光照分量和重构的反射分量进行点乘得到增强后的相似块群组，增强后的相似块群组中所有块按原先匹配过程中的位置放回堆叠重组得到增强后的图像。针对该类图像具有低分辨率低光照和低对比度以及视觉质量低下等特性，图像的后续的实际应用收到了严重的影响等问题，本发明可以简单有效的对低光图像进行增强。

技术领域

本发明涉及图像增强领域，尤其涉及基于块匹配三维变换的低光图像增强方法。

背景技术

由于智能手机,照相机和监控摄像机等设备的发展与广泛应用，在夜间微光的环境下采集到的图像数目开始迅速膨胀。由于该类低光图像的对比度和亮度极低，导致其在后续的实际应用中的效果受到了严重影响。为使采集系统能够在微光条件下可以捕获到高质量的图像，低光图像增强技术应运而生，目前已经在自动驾驶、摄影、军事、目标检测和监视等领域得到了广泛的应用。

低光图像增强是计算机视觉与图像处理中比较热门的一个研究领域，其目的是为了改善低光图像的视觉效果，提高图像的清晰度，使其比原始图像更适应特定的应用，如为后续视频图像的检测、跟踪或识别中提供高质量的清晰图像。

现有的大多数低光图像增强的方法主要依赖于Retinex的理论模型，该理论假设图像强度是反射率和照明系数的乘积。基于Retinex理论的算法通过去除反射分量来计算光照分量。近几年引入了深度学习的方法，首先训练神经网络模型用于估计分解光照和反射，而后用神经网络测试低光图像。

现有一种利用结构和纹理感知的Retinex模型(STAR)^[1]，由于低光图像的低对比度、低分辨率和高噪声的特性，低光图像增强一直以来是一个具有挑战性的问题。该方法是一种用于单个图像的光照和反射率分解的Retinex模型(STAR)。该模型的提出在一定程度上很好的解决微光图像的增强问题，STAR模型主要是通过局部导数将图像分解为光照分量和反射分量，对光照分量进行增强处理后合成光照和反射得到增强后的图像。该模型缓解了光照分量的过平滑，从而也在一定程度上减少了增强图像的锐化现象。

还有一种现有的技术是BM3D^[2]，该技术是针对图像去噪的问题提出来的，是将非局部思想应用于图像去噪领域，由于图像增强与图像去噪中先验的特性相似，我们将其块匹配的思想与双正交小波和离散余弦变换相结合后应用于图像增强中。

由于上述现有技术在将图像分解为光照和反射分量后仅对光照分量进行了处理，因此该方法的图像增强结果中不能很好的保留图像的纹理边缘信息，且在极低光图像增强中的噪声抑制不够理想。另外，该模型后期采用的优化方法也导致了算法在执行过程中出现速度较慢的现象。

发明内容

本发明提出一种基于块匹配三维变换方法的低光图像增强问题，针对该类图像具有低分辨率低光照和低对比度以及视觉质量低下等特性，图像的后续的实际应用收到了严重的影响等问题，本发明可以简单有效的对低光图像进行增强。

本发明的技术方案是通过以下方式实现的：

一种基于块匹配三维变换的低光图像增强方法，包括以下步骤：(1)、将低光图像分成N个块，按照一定的步长依次执行块匹配得到N个相似块组，并记录相似块组中块在图像中的位置；

(2)、对相似块组的每个块进行二维双正交小波变换，后在块间执行哈尔变换。使用变换后的低频系数重构光照分量；

对相似块组的每个块进行二维离散余弦变换，后在块间执行哈尔变换。使用变换后的高频系数重构反射分量；

(3)、采用指数对数混合变换来增强光照分量；