OpenCV实现多尺度细节提升算法

1、算法原理

多尺度细节提升算法来源于论文*《DARK IMAGE ENHANCEMENT BASED ON PAIRWISE TARGET CONTRAST AND MULTI-SCALE DETAIL BOOSTING》*，算法主要是解决细节增强算法中噪声和细节的平衡问题。
在这里插入图片描述
常规的非锐化掩蔽（USM）算法在提升细节的同时，会将噪声分量放大。多尺度细节提升算法，利用噪声分量在不同高斯尺度滤波的情况下，响应值基本一致，但是，真正的边缘细节分量，会随着高斯滤波的尺度加大，响应值将会变化。因此，作者巧妙地利用这个特征，使用不同尺度的高斯滤波结果相减，从而分离出噪声、细节。
算法步骤：
设输入原始图像为 $I^*$ ，不同尺度的高斯滤波器为 $G_{1},G_{2},G_{3}$ ，尺度系数设置为：1.0、2.0、4.0。
（1）、使用不同的尺度的高斯滤波器，对图像进行滤波。
$B_{1}=G_{1}*I^{*},\quad B_{2}=G_{2}*I^{*},\quad B_{3}=G_{3}*I^{*}$
（2）、对不同尺度的高斯滤波结果做差，分离出不同分量的细节。
$D_{1}=I^{*}-B_{1},D_{2}=B_{1}-B_{2},D_{3}=B_{2}-B_{3}$

（3）、不同分量的细节加权融合。

$D^*=(1-w_1\times\mathrm{sgn}(D_1))\times D_1+w_2\times D_2+w_3\times D_3$

2、使用python-opencv进行实现

import cv2 as cv
import numpy as np

def MSDD(input):
    #不同尺度的高斯滤波
    finput = np.float32(input)
    B1 = cv.GaussianBlur(finput, (5, 5), 1.0)
    B2 = cv.GaussianBlur(finput, (5, 5), 2.0)
    B3 = cv.GaussianBlur(finput, (5, 5), 4.0)

    #细节分离
    D1 = finput - B1
    D2 = B1 - B2
    D3 = B2 - B3

    #加权融合
    w1 = 0.5
    w2 = 0.5
    w3 = 0.25
    dest = np.clip((1 - w1 * np.sign(D1)) * D1 + w2 * D2 + w3 * D3 + finput, 0, 255)
    return np.uint8(dest)

if __name__ == '__main__':
    image = cv.imread('31.png', cv.IMREAD_GRAYSCALE)
    msdd_result = MSDD(image)
    display = np.concatenate([image, msdd_result], axis=1)
    cv.imshow('msdd', display)
    cv.waitKey()

在这里插入图片描述

3、小结

（1）、多尺度细节提升算法原理清晰，实现简洁。
（2）、参数调试难度不大。
（3）、搞FPGA图像处理的同学，可以尝试移植下。