基于分数阶多尺度熵融合的自适应增益图像增强方法
专利汇可以提供基于分数阶多尺度熵融合的自适应增益图像增强方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了基于分数阶多尺度熵融合的自适应增益图像增强方法，包括：将原始 水 下图像划分成非重叠的矩形图像 块 ；获取与尺度数量一致的基于分数阶的增强输出图像；计算融合后的图像的信息熵和 对比度 ；确定图像块内对比度增强的输出图像；获取全局对比度增强图像；将原始水下图像由RGB图像转换为灰度图像；计算灰度图像对应的梯度图像，求得梯度图像的自适应增益函数；计算最终的基于分数阶多层熵融合的自适应增益水下增强图像；输出基于分数阶多层熵融合的自适应增益水下增强图像。本发明对水下图像进行增强处理，使得增强后的图像细节更加丰富清晰，整体图像的对比度、信息熵和色彩信息等等都能得到进一步提升。，下面是基于分数阶多尺度熵融合的自适应增益图像增强方法专利的具体信息内容。
1.基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，包括以下步骤：
将原始水下图像划分成非重叠的图像块；
在图像块内部进行多尺度分数阶微积分运算，获取与尺度数一致的基于分数阶的增强输出图像，所述尺度数为分数阶的阶数的个数；
在与尺度数量一致的基于分数阶的增强输出图像的基础上，在图像块内部对不同功率因数的增强输出图像进行均值融合，并计算融合后的图像的信息熵和对比度；
对图像块内融合后的图像的信息熵和对比度进行比较分析，确定图像块内对比度增强的输出图像；
利用双线性插值，对图像块内对比度增强的输出图像进行相邻区域内的像素重新赋值操作，获取全局对比度增强图像；
输入原始水下图像，将原始水下图像由RGB图像转换为灰度图像；
应用4方向Sobel边缘检测器计算灰度图像对应的梯度图像，求得梯度图像的自适应增益函数；
结合梯度图像的自适应增益函数对全局对比度增强图像进行基于自适应梯度增益的广义有界对数乘法运算，获得最终的基于分数阶多层熵融合的自适应增益水下增强图像；
输出基于分数阶多层熵融合的自适应增益水下增强图像。
2.根据权利要求1所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，所述矩形关联图像块具体表示为：
Blockc，m，n
其中，c表示颜色通道c＝{r，g，b}；r，g，b分别表示红绿蓝三种颜色通道；m，n表示矩形图像块检索，m＝0，1，2，…，M-1，n＝0，1，2，…，N-1，M为划分的图像块的总行数，N为划分的图像块的总列数。
3.根据权利要求2所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，所述在矩形图像块内部进行多尺度分数阶微积分运算，获取与尺度数量一致的基于分数阶的增强输出图像具体包括：
获得基于分数阶微积分操作的增强图像 具体为；
Uc，m，n(x，y)＝Ic，m，n，max-Ic，m，n(x，y)
其中，k是功率因数，α是分数阶，e表示图像块内的增强；Uc，m，n(x，y)是输入图像Ic，m，n(x，y)的反转图像，Ic，m，n，max是输入图像Ic，m，n(x，y)亮度最大的像素值， 是反转图像Uc，m，n(x，y)的分数阶导数， 是反转图像Uc，m，n(x，y)的分数阶积分，Ω表示积分的区域， 和 分别是反转图像Uc，m，n(x，y)基于分数阶微积分操作的
增强图像和亮度最大的像素值， 是输入图像Ic，m，n(x，y)基于分数阶微积分操作的增强图像； 和 分别为反转图像Uc，m，n(x，y)基于分数
阶 微 积分 操 作 的 增 强 图 像 的 高 频 部 分 和 低 频 部 分 ；公式
由公式
反 转 而 来 ， 和
分别为基于分数阶微积分操作的增强图像 的高频部分和
低频部分；
获取与尺度数一致的基于分数阶的增强输出图像，具体为：
其中，αi表示第i个分数阶，i表示分数阶的尺度数，最大尺度数为P，P根据增强输出图像的增强性能进行设置，通常取5，6或7。
4.根据权利要求3所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，在与尺度数量一致的基于分数阶的增强输出图像的基础上，在图像块内部对不同功率因数的增强输出图像进行均值融合，并计算融合后的图像的信息熵和对比度，具体为：
其中， 和 分别表示不同功率因数k对应的增强图像像素输出
值， 和 分别表示不同功率因数k对应的增强图像信息熵，
和 分别表示不同功率因数k对应的增强图像对比度，entropy表示信息熵函数，contrast表示对比度函数。
5.根据权利要求4所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，图像块内对比度增强的输出图像表示为Fc，m，n(x，y)，其计算公式为：
6.根据权利要求5所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，利用双线性插值，对图像块内对比度增强的输出图像进行相邻区域内的像素重新赋值操作，获取全局对比度增强图像具体为：
利用双线性插值，对图像块内对比度增强的输出图像Fc，m，n(x，y)进行相邻区域内的像素重新赋值操作，获取全局对比度增强图像Fout，c(x，y)。
7.根据权利要求6所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，所述梯度图像具体为：
其中，g(x，y)为像素点(x，y)的梯度图像；Gk(x，y)为像素点(x，y)的4方向的梯度向量具体为：
其中，z(x，y)为像素点(x，y)的灰度值；z(x+m-1，y+n-1)为像素点(x，y)的3×3图像邻域，由4方向Sobel边缘检测器掩模St(m，n)计算得到，m和n分别表示矩阵z(x+m-1，y+n-1)、矩阵St(m，n)的行数和列数；
其中，
z(x，y)定义为像素点(x，y)的灰度值；4方向Sobel边缘检测器掩模St(m，n)(t＝1，2，3，
4)具体为：
所述梯度图像的自适应增益函数具体为：
其中，λ(x，y)为像素点(x，y)处的梯度域自适应增益函数；a和b为可调节正数变量，以确保梯度域自适应增益函数λ(x，y)均值在一个合适的范围内；
gn(x，y)为梯度图像归一化具体为：
其中，δ1和δ2为微小的扰动量，以确保gn(x，y)∈(0，1)。
8.根据权利要求7所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，所述基于分数阶多层熵融合的自适应增益水下增强图像F′out，c(x，y)的具体计算公式为：
其中，全局对比度增强图像表示为Fout，c(x，y)。
9.根据权利要求8所述的基于分数阶多尺度熵融合的自适应增益图像增强方法，其特征在于，还包括：
对自适应增益的梯度图像从均值、对比度、信息熵和色彩尺度等方面进行定量评价，定量评价的相关指标函数表示为：
均值： 其中，μR、μG和μB分别为RGB三通道颜色分量的均值；
对比度： 式中，P(i，j；d，θk)为灰度共
生矩阵；θk为像素间角度，θk＝(k-1)×45°，k＝1，2，3，4；
信息熵：
色彩尺度： 其中，α＝R-G，β＝(R+G)/2-B；μα、μβ和σα、
σβ分别是α、β的均值和标准差；
根据评价结果调节λ(x，y)公式中的a和b，直至满足定量评价的相关指标。
基于分数阶多尺度熵融合的自适应增益图像增强方法
技术领域
背景技术
发明内容
基于分数阶微积分操作的增强图像 的高频部分和低频部分；公式
由公式
反 转 而来 ， 和
分别为基于分数阶微积分操作的增强图像 的高频部分和
低频部分；
阳 分别表示不同功率因数k对应的增强图像对比度，entropy表示
信息熵函数，contrast表示对比度函数。
具体实施方式
操作的增强图像 的高频部分和低频部分；
公式 反转而来； 和
分别为反转图像Uc，m，n(x，y)基于分数阶微积分操作的增强图像
的高频部分和低频部分；
和 分别表示不同功率因数k对应的增强图像对比度，entropy表示
信息熵函数，contrast表示对比度函数。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种自适应分数阶多尺度熵融合的水下图像增强方法 | 2020-05-11 | 560 |
| 基于MPSoC的运动目标实时检测跟踪系统及方法 | 2020-05-08 | 830 |
| 一种基于街景图的城市环境评估方法 | 2020-05-08 | 782 |
| 一种基于化学反应优化的列车车轮踏面图像分割方法 | 2020-05-08 | 801 |
| 自适应的曝光量调整多尺度熵融合的水下图像增强方法 | 2020-05-12 | 219 |
| 证件文字信息获取方法、装置以及电子设备 | 2020-05-08 | 872 |
| 一种基于监控视频与社交网络数据的灰霾来源确定方法 | 2020-05-12 | 169 |
| 基于数字图像处理技术的太阳能电池板缺陷检测方法 | 2020-05-08 | 538 |
| 一种高温锻件高精度智能测量仪和测量方法 | 2020-05-12 | 17 |
| 一种基于自主学习和深度学习的矿石粒度检测方法和系统 | 2020-05-12 | 448 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
