CN111462004B - 图像增强方法和装置、计算机设备、存储介质 - Google Patents

Abstract

本发明提供了一种图像增强方法和装置，以及计算机设备和计算机可读存储介质，解决了现有技术中图像采集设备采集到的图像质量不能满足需求的问题。图像增强方法包括：获取由采集的原始图像降采样得到的一组子图像序列，子图像序列按分辨率依次降低的顺序依次排序；将分辨率最低的子图像作为参考图像计算上一个子图像的差值图像；对差值图像进行多尺度细节增强处理，得到细节增强图像；基于细节增强图像和上一个子图像计算上一个子图像对应的重构图像；利用上一个子图像对应的重构图像更新参考图像，重复上述过程以计算更上一个子图像对应的重构图像，直至得到原始图像对应的重构图像。

Description

图像增强方法和装置、计算机设备、存储介质

技术领域

本发明涉及图像处理技术领域，具体涉及一种图像增强方法和装置，以及计算机设备和计算机可读存储介质。

背景技术

目前，为了满足不同领域的具体需求，各种专用的影像采集设备层出不穷，例如CT设备、摄像机等，然而由于这些影像采集设备内部或外部因素的影响，直接由影像采集设备采集的图像或视频往往不足以满足用户对图像质量的要求。因此，如何提高图像质量成为相关领域技术人员的研究热点。

发明内容

有鉴于此，本发明实施例致力于提供一种图像增强方法和装置，以及计算机设备和计算机可读存储介质，以解决现有技术中图像采集设备采集到的图像质量不能满足需求的问题。

本发明第一方面提供了一种图像增强方法，包括：获取由采集的原始图像降采样得到的一组子图像序列，子图像序列和原始图像按分辨率依次降低的顺序依次排序；将分辨率最低的子图像作为参考图像计算上一个子图像的差值图像；对差值图像进行多尺度细节增强处理，得到细节增强图像；基于细节增强图像和上一个子图像计算上一个子图像对应的重构图像；利用上一个子图像对应的重构图像更新参考图像，重复上述过程以计算更上一个子图像对应的重构图像，直至得到原始图像对应的重构图像。

在一个实施例中，将分辨率最低的子图像作为参考图像计算上一个子图像的差值图像包括：对分辨率最低的子图像进行上采样得到与上一个子图像的分辨率相同的中间图像；将中间图像和上一个子图像作差，得到差值图像。

在一个实施例中，对差值图像进行多尺度细节增强处理，得到细节增强图像包括：利用多个滤波器对差值图像进行滤波处理，得到多幅滤波后图像；基于差值图像和多幅滤波后图像得到多幅细节图像；将多幅细节图像按照预设规则重组，得到细节增强图像。

在一个实施例中，多个滤波器均为高斯滤波器。

在一个实施例中，多个高斯滤波器的高斯标准差依次为2^(i-1)，i＝1～n。

在一个实施例中，基于差值图像和多幅滤波后图像得到多幅细节图像包括：将差值图像和多幅滤波后图像顺序编号；依次对相邻两幅图像作差，得到多幅细节图像。

在一个实施例中，将多幅细节图像按照预设规则重组，得到细节增强图像包括：将多幅细节图像按照预设权重叠加，得到细节增强图像。

在一个实施例中，基于细节增强图像和上一个子图像计算上一个子图像对应的重构图像包括：将细节增强图像和上一个子图像叠加，得到上一个子图像对应的重构图像。

在一个实施例中，在获取来源于采集的原始图像的一组子图像序列之前，还包括：对采集的原始图像进行多尺度金字塔分解，得到一组子图像序列。

在一个实施例中，在获取来源于采集的原始图像的一组子图像序列之前，还包括：对采集的原始图像进行中值滤波处理。

本发明第二方面提供了一种图像增强装置，包括：获取模块，用于获取由采集的原始图像降采样得到的一组子图像序列，原始图像和子图像序列按分辨率依次降低的顺序依次排序；计算模块，用于基于获取到的参考图像计算当前图像的差值图像，当前图像选自依次排序的图像序列；细节增强模块，用于对差值图像进行多尺度细节增强处理，得到细节增强图像；重构模块，用于基于细节增强图像和当前图像计算当前图像对应的重构图像；更新模块，用于设置参考图像的初值为分辨率最低的子图像，并利用当前图像对应的重构图像逐步更新参考图像。

本发明第三方面提供了一种计算机设备，包括存储器、处理器以及存储在存储器上被处理器执行的计算机程序，处理器执行计算机程序时实现上述任一实施例图像增强方法的步骤。

本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例图像增强方法的步骤。

根据本发明实施例提供的图像增强方法和装置，以及计算机设备和计算机可读存储介质，通过对由原始图像降采样得到的一组子图像序列进行多尺度细节增强，即对已经细分的细节信息进行多尺度的细节增强，从而进一步丰富了细节信息。同时通过将经过多尺度细节增强后的信息叠加回相应的子图像，并逐步叠加到原始图像，可以有效降低原始图像中潜在有效特征信息的损失。特别地，将该图像增强方法作为计算机视觉模型的预处理过程，可以有效提高模型的有效特征提取能力，进而降低模型学习复杂度，提高模型鲁棒性。

附图说明

图1示出了可以应用本发明实施例的图像增强方法或装置的示例性系统架构的示意图。

图2为本发明第一示例性实施例提供的图像增强方法的流程示意图。

图3为图2所示图像增强方法的执行流程示意图。

图4为本发明一实施例提供的多尺度细节增强处理方法的流程图。

图5为本发明第二实施例提供的图像增强方法的流程示意图。

图6所示为本发明第一实施例提供的图像增强装置的结构框图。

图7为本发明第二实施例提供的图像增强装置的结构框图。

图8为本发明一实施例提供的电子设备的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

随着计算机技术的迅速发展，计算机图像处理技术与影像技术的结合使得数字图像处理技术在医学领域的研究和应用日益深入，并从根本上改变了医务人员进行诊断的传统方式。目前，医学上常见的数字影像设备包括CT、MTI、CR、DR等，利用这些影像设备采集的医学图像能够反映解剖区域的内部结构或内部功能，从而以直观的形式给医生提供辅助诊断和治疗的信息。正是基于医学领域的严谨性，对医学图像的细节要求格外严格。然而，在医学图像采集过程中往往会由于采集方法、设备、随机干扰等各种因素的影响导致采集到的医学图像质量不足以满足实际需求，同时相关领域技术人员也在不断探索以期尽可能地提高医学图像质量。

图像增强技术作为一大类基本的图像处理技术，主要解决图像边缘模糊、对比度差的问题，从而提高图像质量。例如，公开号为201310503296.4的专利提供了一种数字X射线图像对比度增强处理方法，其是根据X射线成像特点，对兴趣人体区图像进行动态范围扩展，而对非兴趣人体区图像信息进行动态范围压缩，有效的提高了兴趣人体区图像的对比度，同时对动态调整后的图像进行细节加强和多尺度对比度分辨率增强，得到的图像再进行人眼观看效果调整，从而将人体信息呈现于医生眼前。又例如，公开号为200710067693.6的专利提供了一种多尺度自适应对比度变换的医学图像增强方法，其是将医学图像分解成金字塔形状排列的分辨率逐步降低的图像集合；对分解得出的分层系数做调整，包括增强每层图像整体的对比度和增强细节层次图像局部区域的对比度；将调整系数后的各个细节层次图像再合成原图像增强后的图像。然而，上述两种方法在对图像增强处理过程中，要么是采用传统的基于灰度拉伸的对比度增强方法，要么是直接动态改变原图的灰度分布来改善人眼视觉观看效果，导致图像增强处理过程中丢失了大量的细节信息。这种情况下，如果将图像增强处理后的医学图像用于训练深度学习模型，很可能会导致模型难以收敛，或者出现鲁棒性问题。

有鉴于此，本申请提供了一种图像增强方法和装置，以及计算机设备和计算机可读存储介质，通过增强图像细节来避免损失掉潜在的重要而人眼无法识别的特征信息。利用本申请提供的图像增强方法或装置处理后的医学图像特别适用于深度学习模型的图像预处理，可以有效降低模型学习的复杂度，提高鲁棒性。

图1示出了可以应用本发明实施例的图像增强方法或装置的示例性系统架构的示意图。如图1所示，系统架构100包括终端设备101、网络102和服务器103。

网络102用以在终端设备101和服务器102之间提供通信链路的介质。网络102包括各种连接类型，例如有线、无线通信链路或者光纤电缆等。终端设备101可以是具有显示屏的各种电子设备，包括但不限于各种医学影像设备，例如CT、MTI、CR、DR等；还包括智能手机、平板电脑、便携式计算机和台式计算机等。服务器103可以是提供各种服务的服务器。这样，用户可以使用终端设备101通过网络102与服务器103交互，以接收或发送消息。

本申请实施例提供的图像增强方法可以由终端设备101执行，相应地图像增强装置设置在终端设备101中；还可以由服务器102执行，相应地图像增强装置设置在服务器102中。

例如，用户使用终端设备101采集了一张医学图像，并利用本申请实施例提供的图像增强方法对该医学图像进行处理，得到增强后的重构图像，然后将该重构图像发送给服务器103。服务器103直接对该重构图像进行操作，例如，利用已训练好的神经网络模型对重构图像进行图像识别，将识别后得到的图像反馈给终端设备101。终端设备101可以将得到的识别后的图像显示在终端设备101的显示屏上，或直接打印出来。

应当理解，图1所示的终端设备101、网络102和服务器103的数目仅仅是示意性的。根据实际需要，可以设置任意数目的终端设备101、网络102和服务器103。比如，服务器103可以是多个服务器组成的服务器集群。

图2为本发明第一示例性实施例提供的图像增强方法的流程示意图。图3为图2所示图像增强方法的执行流程示意图。该图像增强方法适用于医学图像的预处理，结合图2和图3所示，图像增强方法200包括如下步骤：

步骤201，获取由采集的原始图像X₀降采样得到的一组子图像序列X_i，i＝1～n，n为任意大于1的自然数(下同)。原始图像X₀和子图像序列X_i按分辨率依次降低的顺序依次排序。

进一步地，在一个实施例中，子图像序列X_i的分辨率阶梯式分布，例如，原始图像X₀的分辨率是第一子图像X₁的分辨率的4倍，第一子图像X₁的分辨率是第二子图像X₂的分辨率的4倍，依次类推，即前一个子图像的分辨率是后一个子图像的分辨率的4倍。

步骤202，将分辨率最低的子图像X_n作为参考图像计算上一个子图像X_n-1的差值图像。为了便于描述，将上一个子图像X_n-1的差值图像记为第一差值图像I₁，后续，将更上一个子图像X_n-2的差值图像记为第二差值图像I₂，依次类推。

上一个子图像X_n-1是指与分辨率最低的子图像X_n相邻的子图像。并且，由于子图像序列X_i按分辨率依次降低的顺序依次排序，也就是说，该上一个子图像X_n-1的分辨率高于分辨率最低的子图像X_n的分辨率，因此为了计算该上一个子图像X_n-1的差值图像，首先需要将分辨率最低的子图像X_n的分辨率提升到和该上一个子图像X_n-1的分辨率相同，之后再利用分辨率提升后得到的图像和下一层子图像X_n-1计算第一差值图像I₁。

在一个实施例中，步骤S202具体包括：首先，对分辨率最低的子图像X_n进行上采样得到与上一个子图像X_n-1的分辨率相同的中间图像。其次，将中间图像和上一个子图像X_n-1作差，得到第一差值图像I₁。

步骤203，对第一差值图像I₁进行多尺度细节增强处理，得到第一细节增强图像I*1。

多尺度细节增强处理的目的是从各个尺度上研究图像的特征以及彼此之间的联系，通过多尺度的分解，在深层结构上分析图像信息，从而增强图像特征描述的准确性。多尺度细节增强处理包括基于小波的多尺度分析方法、多尺度几何分析方法等。

步骤S204，基于第一细节增强图像I*1和上一个子图像X_n-1计算上一个子图像X_n-1对应的第一重构图像X*1。

第一细节增强图像I*1是对上一个子图像X_n-1中预定细节区域进行增强处理后的图像，因此利用第一细节增强图像I*1对上一个子图像X_n-1进行重构后得到的第一重构图像X*1相当于是在上一个子图像X_n-1的基础上，对其中的预定区域进行细节加强后得到的图像。

在一个实施例中，步骤S204具体执行为：将第一细节增强图像I*1和上一个子图像X_n-1叠加，得到上一个子图像X_n-1的第一重构图像X*1。

步骤S205，利用上一个子图像X_n-1对应的第一重构图像X*1更新参考图像。然后重复执行步骤S202～S205，以计算更上一个子图像X_n-2对应的第二重构图像X*2，直至得到原始图像X₀对应的最终重构图像X*n，即为原始图像最终的细节增强图像。

根据本实施例提供的图像增强方法，通过对由原始图像降采样得到的一组子图像序列进行多尺度细节增强，即进一步对细分的细节信息进行多尺度的细节增强，从而丰富了细节信息。同时通过将经过多尺度细节增强后的信息叠加回相应的子图像，并进一步叠加到原始图像，可以有效降低原始图像中潜在有效特征信息的损失。特别低，将该图像增强方法作为计算机视觉模型的预处理过程，可以有效提高模型的有效特征提取能力，进而降低模型学习复杂度，提高模型鲁棒性。

图4为本发明一实施例提供的多尺度细节增强处理方法的流程图。适用于步骤S203中的多尺度细节增强处理过程。如图4所示，多尺度细节增强处理方法400包括：

步骤S401，利用多个滤波器对差值图像进行滤波处理，得到多幅滤波后图像。

多个滤波器是指多个不同的滤波器，即多个滤波器的卷积核不同。通过利用多个滤波器对差值图像I_i进行滤波，可以分别有针对性地提取不同频段的图像信息，从而滤除该频段之外的噪声，进而获得差值图像I_i在不同尺度上的滤波后图像B_i。

在一个实施例中，多个滤波器均为高斯滤波器。高斯滤波器是一种线性滤波器，因此利用高斯滤波器对图像进行滤波，不会引入其它噪声。

例如，多个高斯滤波器的高斯标准差依次为2^(k-1)，k＝1～m，m为任意大于1的自然数。对应地，多个高斯滤波器的高斯核依次为G_k，待处理图像为第一差值图像I₁。这种情况下，可以通过下列计算式得到多幅滤波后图像：

B₁＝G₁*I₁，B₂＝G₂*I₁，……，B_k＝G_k*I₁

其中，B₁～B_k代表多幅滤波后图像。

步骤S402，基于差值图像和多幅滤波后图像得到多幅细节图像。

在一个实施例中，步骤S402具体执行为：首先，将差值图像和多幅滤波后图像顺序编号；其次，依次对相邻两幅图像作差，得到多幅细节图像。

例如，对于上面的例子，在得到多幅滤波后图像B₁～B_k后，可以通过下列计算式得到多幅细节图像：

D₁＝I₁-B₁，D₂＝B₁-B₂，……，D_k＝B_k-1-B_k

其中，B₁～B_k代表多幅细节图像。

步骤S403，将多幅细节图像按照预设规则重组，得到细节增强图像。

多幅细节图像分别记载了对第一差值图像I₁的不同频带进行增强处理后的细节信息，通过将该多图细节图像进行重组，相当于将第一差值图像I₁在不同频带上的加强后的细节信息进行重组，从而得到第一差值图像I₁的细节增强图像。

在一个实施例中，步骤S403具体执行为：将多幅细节图像按照预设权重叠加，得到细节增强图像。

例如，对于上面的例子，在得到多幅细节图像B₁～B_k后，可以通过下列计算式得到细节增强图像：

I*1＝(1-w₁×sign(D₁))×D₁+w₂×D₂+…+w_k×D_k

其中w₁，w₂，……，w_k为调制参数，一般w₁+w₂+...+w_k＝1；sign为符号函数，当x>0，sign(x)＝1；当x＝0，sign(x)＝0；当x<0，sign(x)＝-1。

图5为本发明第二实施例提供的图像增强方法的流程示意图。如图5所示，该图像增强方法500和图2所示图像增强方法200的区别仅在于，图像增强方法500在步骤S201之前进一步包括：

步骤S501，对采集的原始图像进行多尺度金字塔分解，得到一组子图像序列。

图像金字塔是一种以多分辨率来描述图像的有效且概念简单的结构。一幅图像对应的图像金字塔是一系列按照金字塔形状排列的分辨率逐渐变化的图像序列，且该图像序列来源于同一张原始图像。金字塔的底部是原始图像的高分辨率表示，顶部是原始图像的低分辨率的近似，图像层级越高，图像越小，分辨率越低。

在本实施例中，步骤S501具体执行为，对采集的原始图像进行高斯金字塔分解，得到一组子图像序列。高斯金字塔是图像金字塔的一种，是通过对原始图像进行下采样得到的，即高斯金字塔的底层是原始图像，上面各层是通过对原始图像降采样得到的分辨率阶梯式降低的子图像。

根据本实施例提供的图像增强方法，通过对原始图像进行多尺度金字塔分解，得到一组子图像序列，为后续的多尺度细节增强操作提供了更加丰富的样本，进一步提高原始图像的信噪比。与此同时，将金字塔分解和多尺度细节增强相融合，使得图像增强过程更加细粒度，图像增强效果更好。

在一个实施例中，如图5所示，图像增强方法500在步骤S501之前进一步包括：

步骤S502，对采集的原始图像进行中值滤波处理。

中值滤波是一种非线性平滑技术，其是将每一个像素点的灰度值设置为该点领域窗口内所有像素点的灰度值的中值。通过对原始图像进行中值滤波可以过滤掉图像中的孤立噪声并保留图像的边缘信息，从而提升图像的灰度分布均一性，降低后续操作的复杂度。

本发明还提供了一种图像增强装置。如图6所示为本发明第一实施例提供的图像增强装置的结构框图。如图6所示，图像增强装置60包括获取模块61、计算模块62、细节增强模块63、重构模块64以及更新模块65。获取模块61用于获取由采集的原始图像降采样得到的一组子图像序列，原始图像和子图像序列按分辨率依次降低的顺序依次排序。计算模块62用于基于获取到的参考图像计算当前图像的差值图像，当前图像选自依次排序的图像序列。细节增强模块63用于对差值图像进行多尺度细节增强处理，得到细节增强图像。重构模块64用于基于细节增强图像和当前图像计算当前图像对应的重构图像。更新模块65用于设置参考图像的初值为分辨率最低的子图像，并利用当前图像对应的重构图像逐步更新参考图像。

在一个实施例中，重构模块64具体用于将细节增强图像和上一个子图像叠加，得到上一个子图像对应的重构图像。

图7为本发明第二实施例提供的图像增强装置的结构框图。

如图7所示，在图像增强装置70中，计算模块62具体包括：上采样单元621和求差单元622。上采样单元621用于对参考图像进行上采样得到与当前图像的分辨率相同的中间图像。求差单元622用于将中间图像和当前图像作差，得到差值图像。

细节增强模块63具体包括滤波单元631、计算单元632和重组单元633。滤波单元631用于利用多个滤波器对差值图像进行滤波处理，得到多幅滤波后图像。计算单元632用于基于差值图像和多幅滤波后图像得到多幅细节图像。重组单元633用于将多幅细节图像按照预设规则重组，得到细节增强图像。

在一个实施例中，多个滤波器均为高斯滤波器。

在一个实施例中，多个高斯滤波器的高斯标准差依次为2^(i-1)，i＝1～n。

在一个实施例中，计算单元632具体用于将差值图像和多幅滤波后图像顺序编号；依次对相邻两幅图像作差，得到多幅细节图像。

在一个实施例中，重组单元633具体用于将多幅细节图像按照预设权重叠加，得到细节增强图像。

在一个实施例中，图像增强装置60还包括分解模块66和中值滤波模块67。分解模块66用于对采集的原始图像进行多尺度金字塔分解，得到一组子图像序列。中值滤波模块67用于对采集的原始图像进行中值滤波。

本发明实施例提供的图像增强装置，与本发明实施例所提供的图像增强方法属于同一发明构思，可执行本发明任意实施例所提供的图像增强方法，具备执行图像增强方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例提供的图像增强方法，此处不再加以赘述。

本发明还提供了一种电子设备。图8为本发明一实施例提供的电子设备的结构框图。如图8所示，电子设备80包括一个或多个处理器81和存储器82。

处理器81可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备80中的其他组件以执行期望的功能。

存储器82可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器81可以运行所述程序指令，以实现上文所述的本申请的各个实施例的图像增强方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。

在一个示例中，电子设备80还可以包括：输入装置83和输出装置84，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

例如，在该电子设备是图1中的终端设备101或服务器102时，该输入装置83可以是上述的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置83可以是通信网络连接器，用于从终端设备101或服务器102接收所采集的输入信号。

此外，该输入装置83还可以包括例如键盘、鼠标等等。

该输出装置84可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出装置84可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图8中仅示出了该电子设备80中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备80还可以包括任何其他适当的组件。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如前任一实施例所述的图像增强方法。该计算机存储介质可以为任何有形媒介，例如软盘、CD-ROM、DVD、硬盘驱动器、甚至网络介质等。

应当理解，虽然以上描述了本发明实施方式的一种实现形式可以是计算机程序产品，但是本发明的实施方式的方法或装置可以被依软件、硬件、或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的方法和设备可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的方法和装置可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

应当理解，尽管在上文的详细描述中提及了装置的若干模块或单元，但是这种划分仅仅是示例性而非强制性的。实际上，根据本发明的示例性实施方式，上文描述的两个或更多模块/单元的特征和功能可以在一个模块/单元中实现，反之，上文描述的一个模块/单元的特征和功能可以进一步划分为由多个模块/单元来实现。此外，上文描述的某些模块/单元在某些应用场景下可被省略。

应当理解，本发明实施例描述中所用到的限定词“第一”、“第二”、“第三”和“第四”仅用于更清楚的阐述技术方案，并不能用于限制本发明的保护范围。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种图像增强方法，其特征在于，包括：

获取由采集的原始图像降采样得到的一组子图像序列，所述子图像序列和所述原始图像按分辨率依次降低的顺序依次排序；

将分辨率最低的子图像作为参考图像计算上一个子图像的差值图像；

对所述差值图像进行多尺度细节增强处理，得到细节增强图像；

基于所述细节增强图像和所述上一个子图像计算所述上一个子图像对应的重构图像；

利用所述上一个子图像对应的重构图像更新所述参考图像，重复上述过程以计算更上一个子图像对应的重构图像，直至得到所述原始图像对应的重构图像。

2.根据权利要求1所述的图像增强方法，其特征在于，所述将分辨率最低的子图像作为参考图像计算上一个子图像的差值图像包括：

对所述分辨率最低的子图像进行上采样得到与所述上一个子图像的分辨率相同的中间图像；

将所述中间图像和所述上一个子图像作差，得到所述差值图像。

3.根据权利要求1所述的图像增强方法，其特征在于，所述对所述差值图像进行多尺度细节增强处理，得到细节增强图像包括：

利用多个滤波器对所述差值图像进行滤波处理，得到多幅滤波后图像；

基于所述差值图像和所述多幅滤波后图像得到多幅细节图像；

将所述多幅细节图像按照预设规则重组，得到所述细节增强图像。

4.根据权利要求3所述的图像增强方法，其特征在于，所述多个滤波器均为高斯滤波器。

5.根据权利要求4所述的图像增强方法，其特征在于，所述多个高斯滤波器的高斯标准差依次为2^(i-1)，i＝1～n。

6.根据权利要求3所述的图像增强方法，其特征在于，所述基于所述差值图像和所述多幅滤波后图像得到多幅细节图像包括：

将所述差值图像和所述多幅滤波后图像顺序编号；

依次对相邻两幅图像作差，得到所述多幅细节图像。

7.根据权利要求3所述的图像增强方法，其特征在于，所述将所述多幅细节图像按照预设规则重组，得到所述细节增强图像包括：

将所述多幅细节图像按照预设权重叠加，得到所述细节增强图像。

8.根据权利要求1所述的图像增强方法，其特征在于，所述基于所述细节增强图像和所述上一个子图像计算所述上一个子图像对应的重构图像包括：

将所述细节增强图像和所述上一个子图像叠加，得到所述上一个子图像对应的重构图像。

9.根据权利要求1所述的图像增强方法，其特征在于，在所述获取来源于采集的原始图像的一组子图像序列之前，还包括：

对采集的所述原始图像进行多尺度金字塔分解，得到所述一组子图像序列。

10.根据权利要求1所述的图像增强方法，其特征在于，在所述获取来源于采集的原始图像的一组子图像序列之前，还包括：

对采集的原始图像进行中值滤波处理。

11.一种图像增强装置，其特征在于，包括：

获取模块，用于获取由采集的原始图像降采样得到的一组子图像序列，所述原始图像和所述子图像序列按分辨率依次降低的顺序依次排序；

计算模块，用于基于获取到的参考图像计算当前图像的差值图像，所述当前图像选自依次排序的图像序列；

细节增强模块，用于对所述差值图像进行多尺度细节增强处理，得到细节增强图像；

重构模块，用于基于所述细节增强图像和所述当前图像计算所述当前图像对应的重构图像；

更新模块，用于设置所述参考图像的初值为分辨率最低的子图像，并利用所述当前图像对应的重构图像逐步更新所述参考图像。

12.一种计算机设备，包括存储器、处理器以及存储在所述存储器上被所述处理器执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至10中任一项所述图像增强方法的步骤。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至10中任一项所述图像增强方法的步骤。

Images