ISP模块之色彩增强算法--HSV空间Saturation通道调整

2024-01-25 15:48
文章标签 算法 模块 空间 增强 调整 hsv 色彩 通道 isp saturation

本文主要是介绍ISP模块之色彩增强算法--HSV空间Saturation通道调整，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

    色彩增强不同于彩色图像增强，图像增强的一般处理方式为直方图均衡化等，目的是为了增强图像局部以及整体对比度。而色彩增强的目的是为了使的原有的不饱和的色彩信息变得饱和、丰富起来。对应于Photoshop里面的“色相/饱和度”调节选项里面对饱和度的操作。色彩增强的过程，并不改变原有彩色图像的颜色以及亮度信息。

    在我的色彩增强算法模块里面，始终只针对色彩饱和度(Saturation)信息做研究，调整。这样的话，那就不得不介绍HSV颜色空间了，H代表Hue（色彩），S代表Saturation（饱和度），V代表Value，也可用B表示（Brightness，明度），HSV空间也可称作HSB空间。

    HSV空间在wikipedia上的介绍，https://en.wikipedia.org/wiki/HSL_and_HSV 

    下面根据自己的理解介绍一下HSV空间，以及其各通道在Matlab和OpenCV中的不同。

    HSV的圆柱模型

    

    HSV的圆锥模型

    

    从上图可以看出，在HSV空间中，Hue通道的取值从0-360°变化时，颜色从红->黄->绿->青->蓝逐步变化。Saturation从0->1变化时，色彩逐渐加深变成纯色（pure）。Value值从0->1变化时，图像整体亮度增加，V值为0时，图像为全黑，V值为1时，图像为全白。

    Matlab RGB色彩空间向HSV转换，采用函数rgb2hsv,转换后的hsv各通道的元素取值范围为[0,1];OpenCV中彩色图像向HSV空间中转换，cvtColor(src,srcHsv,CV_BGR2HSV),转换后H的取值范围为[0,180],S,V的取值范围为[0,255].

   下面介绍自己的算法处理思路，后面会给出完整的Matlab代码： 

   步骤一、给出一张原图src，用PS进行饱和度(Saturation)+40处理后另存为src_40;

   步骤二、将以上两张图像分别转换到hsv空间，提取出饱和度信息，分别为S，S_40;

   步骤三、统计饱和度增加40后，原色彩饱和度与饱和度增量之间的对应关系，即S -- (S_40-S);

   步骤四、对关系S -- (S_40-S)进行二次多项式曲线拟合，得到二次曲线f(x) = p1*x^2 + p2*x + p3；

   为什么是二次？1.对应关系呈现出抛物线形状；2.更高次曲线并没有明显改善拟合性能，且计算消耗会变高。

   步骤五、任意给定输出图像input，根据其色彩饱和度信息，即可进行色彩增强40处理，新的饱和度信息可以表示为S'(x) = S(x) + f(x),得到增强后的色彩信息后返回RGB图像输出；

   步骤六、分别对原图+20，+40，+60后进行饱和度信息统计，并得到相应拟合参数，设置为色彩增强的低、中、高三挡，在实际处理过程中，根据输入图像input自身色彩饱和度信息(均值)自适应选取相应参数进行色彩增强；

   步骤七、按需对某一单独颜色通道进行色彩增强处理，例如绿色范围为105°-135°，在对该范围进行增强的同时，还需对75°-105°,135°-165°进行一半强度的增强，这样才会保证色彩的连续性，不会出现色斑；

   步骤八、按需对色彩(Hue)进行转换；

   代码部分：第一部分用作估计拟合参数，在Curve fitting tool里面对X，Y进行拟合，得到曲线参数。

% Color Enhancement
clc,clear,close all
src1 = imread('src.bmp');
src2 = imread('src_40.bmp');

src1_hsv = rgb2hsv(src1);
src2_hsv = rgb2hsv(src2);

h1 = src1_hsv(:,:,1);
s1 = src1_hsv(:,:,2);
v1 = src1_hsv(:,:,3);

h2 = src2_hsv(:,:,1);
s2 = src2_hsv(:,:,2);
v2 = src2_hsv(:,:,3);
%
meanS1 = mean(s1(😃);
varS1 = std2(s1);
%
meanS2 = mean(s2(😃);
varS2 = std2(s2);
%
deltaS = s2 - s1;
deltaV = v2 - v1;

%% test1 : 观测“原饱和度-饱和度调整增量”的关系 saturation and delta saturation
figure;
oriS = zeros(101,2);
s3 = s1;
j = 1;
for i = 0: 0.01 : 1
oriS(j,1) = i + 0.01;
oriS(j,2) = mean(deltaS(find(s1 > i & s1< i + 0.01)));
j = j + 1;
end
X = oriS(:,1);
Y = oriS(:,2);
XX = oriS(:,1) * 255;
YY = oriS(:,2) * 255;
plot(XX,YY)

   第二部分，对输入图像进行高、中、低三级自适应增强处理

  1. %% Color Enhancement Module -- Authored by HuangDao,08/17/2015
  2. % functions: input a image of type BMP or PNG, the program will decide to
  3. % do the Color Enhancement choice for you.There are four types of Enhanced
  4. % intensity - 20,40,60,80.The larger number stands for stronger
  5. % enhancement.
  6. % And we can also choose the simple color channel(eg.R,G,B) to do the
  7. % enhancement.There are also four different types of enhanced intensity.
  8. %
  9. % parameters table
  10. %  ------------------------------------------------------------------------
  11. % | Enhanced  |     MATLAB params             |      OpenCV params         |
  12. % | intensity |p1        p2        p3         | p1        p2        p3     |
  13. % | 20        |-0.1661   0.2639    -0.003626  |-0.0006512 0.2639    -0.9246|
  14. % | 40        |-0.4025   0.6238    -0.0005937 |0.001578   0.6238    -0.1514|
  15. % | 60        |1.332     1.473     -0.01155   |-0.005222  1.473     -2.946 |
  16. % | 80        |-4.813    3.459     -0.004568  |-0.01887   3.459     -1.165 |
  17. %  ------------------------------------------------------------------------
  18.  
  19. clc; clear ;close all
  20. % 载入文件夹
  21. pathName = '.\';
  22. fileType = '*.bmp';
  23. files    = dir([pathName fileType]);
  24. len      = length(files);
  25.  
  26. for pic = 5%1:1:len
  27. srcName = files(pic).name;
  28. srcImg  = imread(srcName);
  29. srcHSV  = rgb2hsv(srcImg);
  30. srcH    = srcHSV(:,:,1);
  31. srcS    = srcHSV(:,:,2);
  32. srcV    = srcHSV(:,:,3);
  33. meanS   = mean(srcS(:));
  34. varS    = std2(srcS);
  35. %图像整体进行色彩增强处理
  36. if (meanS >= 0.5)
  37. p1 = 0;p2 = 0;p3 = 0;
  38. else if (meanS >= 0.35 && meanS < 0.5)
  39.             p1 = -0.1661;p2 = 0.2639;p3 = -0.003626;
  40.         else if (meanS >=0.2 && meanS <0.35)
  41.                 p1 = -0.4025;p2 = 0.6238;p3 = -0.0005937;
  42.             else
  43.                 p1 = 1.332;p2 = 1.473;p3 = -0.01155;
  44.             end
  45.         end
  46.     end
  47.     dstS = srcS + p1*srcS.*srcS + p2*srcS + p3 ;
  48.     dstHSV = srcHSV;
  49.     dstHSV(:,:,2) = dstS;
  50.     dstImg = hsv2rgb(dstHSV);
  51.     figure;imshow(srcImg);
  52.     figure;imshow(dstImg);
  53.     %指定R,G,B通道进行色彩增强处理,红色范围（[225-255]）,绿色范围（75-[105-135]-165）,蓝色范围（[-15-15]）
  54.     p11 = -0.4025;p21 = 0.6238;p31 = -0.0005937;%周边杂色调整系数，40
  55.     p12 = 1.332;  p22 = 1.473; p32 = -0.01155;  %纯色区域调整系数，60
  56.     compHue = srcH;
  57.     GcompS  = dstS;
  58.     RcompS  = dstS;
  59.     BcompS  = dstS;
  60.     channel = 'B';
  61.     switch channel
  62.         case 'G'
  63.             I1 = find(compHue > 0.2083 & compHue <0.2917);
  64.             GcompS(I1) = dstS(I1) + dstS(I1).*dstS(I1)*p11 + dstS(I1)*p21 + p31;
  65.             I2 = find(compHue >= 0.2917 & compHue <= 0.3750);
  66.             GcompS(I2) = dstS(I2) + dstS(I2).*dstS(I2)*p12 + dstS(I2)*p22 + p32;
  67.             I3 = find(compHue > 0.3750 & compHue <0.4583);
  68.             GcompS(I3) = dstS(I3) + dstS(I3).*dstS(I3)*p11 + dstS(I3)*p21 + p31;
  69.             compHSV = dstHSV;
  70.             compHSV(:,:,2) = GcompS;
  71.             dstImgG = hsv2rgb(compHSV);
  72.             figure;imshow(dstImgG);
  73.         case 'R'
  74.             I1 = find(compHue > 0.875 & compHue <0.9583);
  75.             RcompS(I1) = dstS(I1) + dstS(I1).*dstS(I1)*p11 + dstS(I1)*p21 + p31;
  76.             I2 = find(compHue >= 0.9583 | compHue <= 0.0417);
  77.             RcompS(I2) = dstS(I2) + dstS(I2).*dstS(I2)*p12 + dstS(I2)*p22 + p32;
  78.             I3 = find(compHue > 0.0417 & compHue <0.125);
  79.             RcompS(I3) = dstS(I3) + dstS(I3).*dstS(I3)*p11 + dstS(I3)*p21 + p31;
  80.             compHSV = dstHSV;
  81.             compHSV(:,:,2) = RcompS;
  82.             dstImgR = hsv2rgb(compHSV);
  83.             figure;imshow(dstImgR);
  84.         case 'B'
  85.             I1 = find(compHue > 0.5417 & compHue <0.625);
  86.             BcompS(I1) = dstS(I1) + dstS(I1).*dstS(I1)*p11 + dstS(I1)*p21 + p31;
  87.             I2 = find(compHue >= 0.625 & compHue <= 0.7083);
  88.             BcompS(I2) = dstS(I2) + dstS(I2).*dstS(I2)*p12 + dstS(I2)*p22 + p32;
  89.             I3 = find(compHue > 0.7083 & compHue <0.7917);
  90.             BcompS(I3) = dstS(I3) + dstS(I3).*dstS(I3)*p11 + dstS(I3)*p21 + p31;
  91.             compHSV = dstHSV;
  92.             compHSV(:,:,2) = BcompS;
  93.             dstImgB = hsv2rgb(compHSV);
  94.             figure;imshow(dstImgB);
  95.     end
  96. %进行R,G,B通道之间的互换
  97.     convH = zeros(size(srcH,1),size(srcH,2)); %convert
  98.     deltaHue = 240;
  99.     switch deltaHue
  100.         case 120
  101.             disp('R -> G')
  102. convH = srcH + 1/3;
  103. convH(find(convH >= 1)) = convH(find(convH >= 1)) - 1;
  104. case 240
  105. disp('R -> B')
  106. convH = srcH + 2/3;
  107. convH(find(convH >= 1)) = convH(find(convH >= 1)) - 1;
  108. end
  109. convHSV = dstHSV;
  110. convHSV(:,:,1) = convH;
  111. convImg = hsv2rgb(convHSV);
  112. figure;imshow(convImg)
  113. pause();
  114. end


   添加OpenCV代码段：

  1. Mat srcHSV,sat,satAdj,dstMerge,dst;     //sat - saturation饱和度分量
  2. Mat imageAwb = imread("m_ImageAwb.bmp");
  3. 	vector<Mat> channels,channels1;
  4. 	double p1,p2,p3;
  5.  
  6. cvtColor(imageAwb,srcHSV,CV_BGR2HSV);
  7. split(srcHSV,channels);
  8. split(srcHSV,channels1);
  9. sat = channels.at(1);
  10. Scalar m = mean(sat);
  11.  
  12. 	if (m(0) <= 51.5)	                   
  13. {p1 = -0.002714 , p2 = 0.9498, p3 = -0.5073;  AfxMessageBox("High Color Enhancement!"); }//高
  14. 	else if (m(0) > 38.5 && m(0) <= 89.5)  
  15. {p1 = -0.001578  , p2 = 0.6238, p3 = -0.1514;AfxMessageBox("Middle Color Enhancement!"); }//中
  16. 	else if (m(0) > 89.5 && m(0) <=127.5)  
  17. {p1 = -0.0006512, p2 = 0.2639, p3 = -0.9246;AfxMessageBox("Low Color Enhancement!");}//低
  18. 	else                                   
  19. {p1 = 0,p2 = 0,p3 =0;AfxMessageBox("No Color Enhancement!");}
  20.  
  21. satAdj = sat;
  22. 	for (int i = 0 ; i < sat.rows;i ++)
  23. {
  24. 		for (int j = 0;j < sat.cols;j ++)
  25. {
  26. uchar val = sat.at<uchar>(i,j);
  27. satAdj.at<uchar>(i,j) = (val + p1 * val * val + p2 * val + p3) ;
  28. }
  29. }
  30.  
  31. channels1.at(1) = satAdj;
  32. merge(channels1,dstMerge);
  33. cvtColor(dstMerge,dst,CV_HSV2BGR);
  34. imwrite("m_ImageCE.bmp",dst);


   最后给出算法效果图：

Group1.原图->增强后


Group2.原图->R通道增强->颜色通道改变R2B


Group3.原图->增强后->颜色通道改变R2B


完！下篇讲Local Tone Mapping。

这篇关于ISP模块之色彩增强算法--HSV空间Saturation通道调整的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/643752。

相关文章

一文深入详解Python的secrets模块

一文深入详解Python的secrets模块

《一文深入详解Python的secrets模块》在构建涉及用户身份认证、权限管理、加密通信等系统时,开发者最不能忽视的一个问题就是“安全性”,Python在3.6版本中引入了专门面向安全用途的secr... 目录引言一、背景与动机：为什么需要 secrets 模块？二、secrets 模块的核心功能1. 基
阅读更多...
MySQL启动报错：InnoDB表空间丢失问题及解决方法

MySQL启动报错：InnoDB表空间丢失问题及解决方法

《MySQL启动报错：InnoDB表空间丢失问题及解决方法》在启动MySQL时,遇到了InnoDB:Tablespace5975wasnotfound,该错误表明MySQL在启动过程中无法找到指定的s... 目录mysql 启动报错：InnoDB 表空间丢失问题及解决方法错误分析解决方案1. 启用 inno
阅读更多...
在Java中基于Geotools对PostGIS数据库的空间查询实践教程

在Java中基于Geotools对PostGIS数据库的空间查询实践教程

《在Java中基于Geotools对PostGIS数据库的空间查询实践教程》本文将深入探讨这一实践,从连接配置到复杂空间查询操作,包括点查询、区域范围查询以及空间关系判断等,全方位展示如何在Java环... 目录前言一、相关技术背景介绍1、评价对象AOI2、数据处理流程二、对AOI空间范围查询实践1、空间查
阅读更多...
MySQL表空间结构详解表空间到段页操作

MySQL表空间结构详解表空间到段页操作

《MySQL表空间结构详解表空间到段页操作》在MySQL架构和存储引擎专题中介绍了使用不同存储引擎创建表时生成的表空间数据文件,在本章节主要介绍使用InnoDB存储引擎创建表时生成的表空间数据文件,对... 目录️‍一、什么是表空间结构1.1 表空间与表空间文件的关系是什么?️‍二、用户数据在表空间中是怎么
阅读更多...
CentOS7增加Swap空间的两种方法

CentOS7增加Swap空间的两种方法

《CentOS7增加Swap空间的两种方法》当服务器物理内存不足时,增加Swap空间可以作为虚拟内存使用,帮助系统处理内存压力,本文给大家介绍了CentOS7增加Swap空间的两种方法：创建新的Swa... 目录在Centos 7上增加Swap空间的方法方法一：创建新的Swap文件（推荐）方法二：调整Sww
阅读更多...
Python logging模块使用示例详解

Python logging模块使用示例详解

《Pythonlogging模块使用示例详解》Python的logging模块是一个灵活且强大的日志记录工具,广泛应用于应用程序的调试、运行监控和问题排查,下面给大家介绍Pythonlogging模... 目录一、为什么使用 logging 模块？二、核心组件三、日志级别四、基本使用步骤五、快速配置（bas
阅读更多...
使用雪花算法产生id导致前端精度缺失问题解决方案

使用雪花算法产生id导致前端精度缺失问题解决方案

《使用雪花算法产生id导致前端精度缺失问题解决方案》雪花算法由Twitter提出,设计目的是生成唯一的、递增的ID,下面：本文主要介绍使用雪花算法产生id导致前端精度缺失问题的解决方案,文中通过代... 目录一、问题根源二、解决方案1. 全局配置Jackson序列化规则2. 实体类必须使用Long封装类3.
阅读更多...
Springboot实现推荐系统的协同过滤算法

Springboot实现推荐系统的协同过滤算法

《Springboot实现推荐系统的协同过滤算法》协同过滤算法是一种在推荐系统中广泛使用的算法,用于预测用户对物品（如商品、电影、音乐等）的偏好,从而实现个性化推荐,下面给大家介绍Springboot... 目录前言基本原理 算法分类 计算方法应用场景 代码实现 前言协同过滤算法（Collaborativ
阅读更多...
Python datetime 模块概述及应用场景

Python datetime 模块概述及应用场景

《Pythondatetime模块概述及应用场景》Python的datetime模块是标准库中用于处理日期和时间的核心模块,本文给大家介绍Pythondatetime模块概述及应用场景,感兴趣的朋... 目录一、python datetime 模块概述二、datetime 模块核心类解析三、日期时间格式化与
阅读更多...
Python如何调用指定路径的模块

Python如何调用指定路径的模块

《Python如何调用指定路径的模块》要在Python中调用指定路径的模块,可以使用sys.path.append,importlib.util.spec_from_file_location和exe... 目录一、sys.path.append() 方法1. 方法简介2. 使用示例3. 注意事项二、imp
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2