直方图重建图像细节增强算法

doi:10.3778/j.issn.1002-8331.1703-0330

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (13): 29-33.DOI: 10.3778/j.issn.1002-8331.1703-0330

直方图重建图像细节增强算法

依玉峰1，2，田宏1，刘彤宇2

1.光电信息控制和安全技术重点实验室，河北三河 065201
2.中国电子科技集团公司光电研究院，天津 300000

出版日期:2017-07-01 发布日期:2017-07-12

Novel histogram reconstruction based image detail enhancement algorithm

YI Yufeng1，2, TIAN Hong1, LIU Tongyu2

1.Key Laboratory of Electro-Optical Information Control and Security Technology, Sanhe, Hebei 065201, China
2.Academy of Opto-Electronics, China Electronics Technology Group Corporation（AOE CETE）, Tianjin 300000, China

Online:2017-07-01 Published:2017-07-12

摘要/Abstract

摘要： 针对传统大动态范围图像数据压缩方法易受场景变化影响，量化后的8位显示图像整体模糊、图像细节和弱小目标丢失问题，提出了一种基于直方图重建图像细节增强算法。对图像直方图统计值进行重新赋值，保留图像中出现的细节部分，并缩小相邻灰度级间间隔；采用二维Gabor滤波器来模拟视觉感知系统，将Gabor滤波器与图像进行卷积运算，得到滤波后的平滑图像；采用局部对比度增强方法来增强图像细节部分，并将增强后的中间结果线性映射为8位显示图像。实验结果表明，与其他大动态范围数据压缩方法相比，该算法量化后图像清晰度高，无图像细节和目标丢失现象。

关键词: 量化, 图像细节增强, Gabor滤波器, 局部对比度增强, 线性映射

Abstract: To solve the problem that the 8 bit quantization results of the traditional high dynamic range image compression methods are easily influenced by image background change, quantization images blur, image detail and dim target loss, a novel histogram reconstruction based image detail enhancement algorithm is proposed. Firstly, image histogram statistics is reassigned to save image details and reduce the interval of adjacent gray level. Secondly, Gabor filters are used to simulate visual perception system, and smooth images are acquired by using Gabor filters. Finally, local contrast enhancement method is used to enhance image details, and linear mapping 14 bit enhanced image to 8 bit display image. The experimental results demonstrated that the quantization images of the proposed algorithm are more distinct and have more image details comparing with traditional quantization methods.

Key words: quantization, image detail enhancement, Gabor filters, local contrast enhancement, linear map

依玉峰1，2，田宏1，刘彤宇2. 直方图重建图像细节增强算法[J]. 计算机工程与应用, 2017, 53(13): 29-33.

YI Yufeng1，2, TIAN Hong1, LIU Tongyu2. Novel histogram reconstruction based image detail enhancement algorithm[J]. Computer Engineering and Applications, 2017, 53(13): 29-33.

[1]	闫晓燊，高强，朱思萌，奚学程，赵万生. 亮度不均匀低质量图像中压印字符分割方法[J]. 计算机工程与应用, 2021, 57(8): 185-191.
[2]	唐蕊，焦继业，徐华昊. 面向嵌入式的卷积神经网络硬件加速器设计[J]. 计算机工程与应用, 2021, 57(4): 252-257.
[3]	秦伟伟，宋泰年，刘洁瑜，王洪伟，梁卓. 基于轻量化YOLOv3的遥感军事目标检测算法[J]. 计算机工程与应用, 2021, 57(21): 263-269.
[4]	蒋润熙，阿里甫·库尔班，耿丽婷. 面向轻量化网络的安全帽检测算法[J]. 计算机工程与应用, 2021, 57(20): 263-270.
[5]	刘玉锋，孙文鑫. 一般多粒度量化软粗糙集模型[J]. 计算机工程与应用, 2021, 57(12): 137-143.
[6]	朱惠娟，王永利，陈琳琳. 面向三维模型轻量化的自私羊群优化算法研究[J]. 计算机工程与应用, 2020, 56(3): 42-48.
[7]	司海飞，史震，胡兴柳，杨春萍. 基于DeepLab V3模型的图像语义分割速度优化研究[J]. 计算机工程与应用, 2020, 56(24): 137-143.
[8]	吴进，张伟华，席萌，代巍. 高性能人脸识别加速器优化设计及FPGA实现[J]. 计算机工程与应用, 2020, 56(22): 48-54.
[9]	韩道岐，张钧垚，周玉航，刘青. 基于深度强化学习的股市操盘手模型研究[J]. 计算机工程与应用, 2020, 56(21): 145-153.
[10]	郭辰，李新伟，杨艺，徐良浩. 基于非局部3D残差网络的视频指纹算法[J]. 计算机工程与应用, 2020, 56(19): 216-223.
[11]	付佐毅，周世杰，李顶根. 轻量级目标识别深度神经网络及其应用[J]. 计算机工程与应用, 2020, 56(18): 131-136.
[12]	柴晓菲，刘松，屈彬，王倩，伍卫国. 向量化友好的循环分块因子选择算法[J]. 计算机工程与应用, 2020, 56(15): 37-42.
[13]	陈熙，道尔吉，李运兰，韦立，夏道勋，熊祥光. 多方向局部相位量化模式及纹理分类[J]. 计算机工程与应用, 2020, 56(13): 216-222.
[14]	陈享，何亨，李鹏，金瑜，聂雷. 云环境中基于目标检测的密文图像检索方案[J]. 计算机工程与应用, 2020, 56(11): 75-82.
[15]	毕鹏程，罗健欣，陈卫卫. 轻量化卷积神经网络技术研究[J]. 计算机工程与应用, 2019, 55(16): 25-35.

直方图重建图像细节增强算法

Novel histogram reconstruction based image detail enhancement algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics