[发明专利]一种基于人眼视觉最小探测概率最大化的图像增强方法

说明书

技术领域

本发明属于灰度图像质量增强技术领域，可用于增强逆光、雾天或者照明昏暗等条件下拍摄得到的图像。

背景技术

图像增强技术目前已经应用于国防、工业、医学、公共安全等诸多领域，由于成像设备本身或者拍摄环境的原因，拍摄得到的图像会有噪声干扰多、图像对比度差等问题，通过对原始图像进行增强处理，观察人员能够获取更多的图像信息。

图像增强技术典型的算法有线性拉伸、直方图均衡化和Retinex等。线性拉伸算法基本计算公式如下：

g′(i,j)=255p-q×[g(i,j)-q]---(1)]]>

p＝max,q＝min

公式(1)中，g(i，j)代表原始图像中(i，j)位置像素灰度值，g’(i，j)代表处理后该像素的灰度值，max代表图像中最大灰度值，min代表图像中最小灰度值。当原始图像中255/(p-q)远大于1时，采用公式(1)能够显著提高图像的对比度；当原始图像中255/(p-q)接近1时，适当减小p、增加q，使255/(p-q)增加，也可以取得很好的对比度拉伸效果，公式(2)为g’(i，j)的修改计算方法。

直方图均衡化旨在将图像中的亮度尽量均匀地分布在直方图上，当原始图像的灰度级分布比较集中时，该算法能够显著提高图像的对比度，但是局部细节对比度并没有得到提高。因此针对这一点不足许多国内外学者提出了许多改进方法，例如局部直方图均衡化等。

Retinex的流行起始于上世纪80年代，针对特定问题Retinex目前已有许多变种算法。其中心思想是通过计算原始图像中相邻区域内像素的对比度，还原图像中物体的实际反射特性。算法实现上，Retinex得到的处理效果会因为某些参数（如对比度计算路径、路径的起始点位置、迭代次数等等）取值的不同而不同，实际上Retinex涉及到的参数选择往往是依据经验而定并没有完整的理论依据。

综上所述，以上算法存在两方面不足：

1、算法的目标函数不明确：目标函数不明确导致没有客观的评价准则来衡量该算法本身是否满足要求，目前评价算法的优劣往往是依据人眼观测主观判断；

2、算法与人眼视觉特性没有明确的关联：算法与人眼视觉特性的联系不紧密，目前没有定量的分析方法来证明图像增强算法是否符合人眼视觉特性。

由此可见，图像增强算法在提高图像对比度的同时，还应该有一个与人眼视觉特性相匹配的目标函数来定量评价该算法的有效性。

发明内容

针对数控机床的故障特点和现有故障预测方法存在的上述不足之处，本发明要解决的技术问题是提供一种能够提高数控机床整机或子系统的故障预测能力、增强预测鲁棒性、具有良好应用前景的基于故障先兆判定模型和动态置信度匹配的数控机床故障预测方法。

本发明为实现上述目的所采用的技术方案是：一种基于人眼视觉最小探测概率最大化的图像增强方法，包含以下步骤：

A．根据原始图像像素点的灰度值大小顺序，构造图像灰度级最小相邻关系表；

B.根据图像灰度级最小相邻关系表进行灰度合并，得到r(1)、r(2)、…、r(m)，m代表合并后灰度级的总数；

C.根据不同灰度背景下人眼灰度差探测概率函数p(g,s)，对合并后的灰度r(i)进行映射，其中i=1,2,…,m。