[发明专利]一种基于神经网络的图像自适应增强方法

摘要

本发明属于图像处理技术领域，将提供一种基于神经网络的图像自适应增强方法。本发明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。图像自适应增强的具体步骤为：计算图像的均值和标准偏差，通过建立的非线性映射模型获取增强系数；对图像进行均值滤波，获取图像的低频分量；通过原始图像与低频分量的差值获取图像的高频分量；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。本发明所提出的图像自适应增强方法，计算量小，实时性强，根据图像本身的均值与标准偏差自动获取增强系数，实现了图像的亮度和对比度的自适应增强，显著改善了低对比度和低亮度图像的视觉效果，为图像识别奠定了基础。

主权项

1、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. 1、用fu表示原始图像，fo表示增强处理后的输出图像，fl表示fu的低频分量，fh表示fu的高频分量，fh＝fu-fl；fu的灰度级均值用m表示，标准偏差用σ表示；用A表示fu的增强系数，用B表示fh的增强系数；1. 2、建立增强系数映射模型阶段：1. 2.1、选取样本图像fu，对fu进行手动增强处理，获得fu的m和σ以及对应的A和B，具体步骤为：第一步，计算fu的m和σ；第二步，采用3×3的模板对fu进行均值滤波，得到fl，计算fu-fl得到fh；第三步，通过计算fo＝Afu+Bfh对fu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，fo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1.2.1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；1. 2.2、以步骤1.2.1中的样本图像的m、σ作为神经网络的输入，A和B作为神经网络的期望输出，训练BP神经网络，建立增强系数的神经网络映射模型，具体步骤如下：第一步，建立增强系数的三层前馈神经网络映射模型，该网络包含一个输入层、一个隐层和一个输出层；输入层和输出层各包含两个神经元，隐层的神经元数目为n和k为输入及输出层神经元的个数，a为1～10之间的常数；第二步，以步骤1.2.1中获取的样本图像的m、σ作为学习样本的输入，A和B作为学习样本的输出；对步骤1.2.2中的第一步建立的增强系数的神经网络映射模型进行训练，对各组学习样本，采用BP算法和Levenberg-Marquardt算法相结合训练得到增强系数的神经网络映射模型的最优模型参数及其权值；1. 3、图像增强处理阶段：1. 3.1、计算待增强图像fu的m和σ，将m和σ作为步骤1.2中建立的增强系数的神经网络映射模型的输入，获取增强系数A和B；1. 3.2、采用3×3的模板对fu进行均值滤波，得到fl，计算fu-fl得到fh；1. 3.3、通过计算fo＝Afu+B(fu-fl)对fu实现增强。