OpenCv，局部自适应图像增强(Local Adaptive Contrast Enhancement)

最新推荐文章于 2024-05-29 16:22:17 发布
最新推荐文章于 2024-05-29 16:22:17 发布
阅读量9.6k 收藏 36
点赞数 4
分类专栏： OpenCV 文章标签： opencv 图像处理 算法 开源 工作
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/EbowTang/article/details/42373081
版权

一、理论
         图像增强算法的基本原则是“降低低频区域，突出高频区域”，以此强化边缘，达到增强的目的。最简单的例子就是通过原始图像减去高斯模糊处理后的图像，就能够将边缘强化出来。
         直方图均衡化也是一种非常常见的增强方法。但是为了避免背景的干扰，更倾向于采用“局部”方法进行处理。我们这里着重研究自适应对比度增强(ACE)的相关内容。
        ACE的定义和原理看上去还是比较简单的。这里的和都可以根据图像本身计算出来。而则需要单独计算。

          可以为单独的常量，或者通过来代替。这里的D是一个全局的值，比如平均值。

二、实现
        涉及到局部的运算，自然而然会想到使用卷积的方法。更好的是Opencv提供了专门的函数用来做这个工作—BLUR
文档中写到： 

bool ACE_Enhance(cv::Mat& src_img, cv::Mat& dst_img, unsigned int half_winSize, double Max_Q);
double GetMeanValue(cv::Mat& src_img);
double GetVarianceValue(cv::Mat& src_img, double MeanVlaue);

//************************************************************************  
// 函数名称:    ACE_Enhance  
// 访问权限:    public   
// 创建日期:    2016/11/23  
// 创 建 人:         
// 函数说明:    单通道增强  
// 函数参数:    cv::Mat & src_img   输入图像  
// 函数参数:    cv::Mat & dst_img   输出图像  
// 函数参数:    unsigned int half_winSize   增强窗口的半窗大小  
// 函数参数:    double Max_Q            最大Q值  
// 返 回 值:    bool  
//************************************************************************  
bool ACE_Enhance(Mat& src_img, Mat& dst_img, unsigned int half_winSize, double Max_Q)
{
	if (!src_img.data)
	{
		cout << "没有输入图像" << endl;
		return false;
	}

	int rows(src_img.rows);
	int cols(src_img.cols);
	unsigned char* pdata = nullptr;
	unsigned char* pdata1 = nullptr;
	cv::Mat tmpDstImg(rows, cols, CV_8UC1, cv::Scalar::all(0));

	for (int i = half_winSize; i < (rows - half_winSize); i++)
	{
		pdata = tmpDstImg.ptr<unsigned char>(i);
		pdata1 = src_img.ptr<unsigned char>(i);
		for (int j = half_winSize; j < (cols - half_winSize); j++)
		{
			cv::Mat tempArea = src_img(cv::Rect(j - half_winSize, i - half_winSize, half_winSize * 2 + 1, half_winSize * 2 + 1));   //截取窗口图像  
			double MeanVlaue = GetMeanValue(tempArea);//平均值
			double varian = GetVarianceValue(tempArea, MeanVlaue);//均方差
			if (varian > 0.1)
			{
				double cg = 100.0 / sqrt(varian);
				cg = cg > Max_Q ? Max_Q : cg;
				double pixelvalue = cg*((double)pdata1[j] - MeanVlaue);

				int tempValue = MeanVlaue + pixelvalue;
				tempValue = tempValue > 255 ? 255 : tempValue;
				tempValue = tempValue < 0 ? 0 : tempValue;
				pdata[j] = tempValue;
			}
		}
	}
	dst_img = tmpDstImg;

	return true;
}

//************************************************************************  
// 函数名称:    GetMeanValue  
// 访问权限:    public   
// 创建日期:    2016/11/18  
// 创 建 人:         
// 函数说明:    获取图像的平均灰度值  
// 函数参数:    cv::Mat & src_img   输入图像  
// 返 回 值:    double  
//************************************************************************  
double GetMeanValue(Mat& src_img)
{
	if (CV_8UC1 != src_img.type())
	{
		return -1.0;
	}

	int rows(src_img.rows); //height  
	int cols(src_img.cols); //width  
	unsigned char* data = nullptr;
	double PixelValueSum(0.0);  //总共的像素值  

	for (int i = 0; i < rows; i++)
	{
		data = src_img.ptr<unsigned char>(i);
		for (int j = 0; j < cols; j++)
		{
			PixelValueSum += (double)data[j];
		}   //计算图像的总共像素值  
	}

	double result(PixelValueSum / static_cast<double>(rows*cols));    //计算图像的均值  

	return result;
}

// 
// 函数名称:    GetVarianceValue  
// 访问权限:    public   
// 创建日期:    2016/11/18  
// 创 建 人:         
// 函数说明:        计算图像的均方差  
// 函数参数:    cv::Mat & src_img   输入图像  
// 函数参数:    double MeanVlaue        图像的均值  
// 返 回 值:    double  
//  
double GetVarianceValue(Mat& src_img, double MeanVlaue)
{
	if (CV_8UC1 != src_img.type())
	{
		return -1.0;
	}

	int rows(src_img.rows); //height  
	int cols(src_img.cols); //width  
	unsigned char* data = nullptr;
	double PixelValueSum(0.0);  //总共的像素值  

	for (int i = 0; i < rows; i++)
	{
		data = src_img.ptr<unsigned char>(i);
		for (int j = 0; j < cols; j++)
		{
			PixelValueSum += pow((double)(data[j] - MeanVlaue), 2);
		}   //计算图像方差  
	}

	double result(PixelValueSum / static_cast<double>(rows*cols));    //计算图像的均方差  

	return result;
}


程序保留：

#include <stdio.h>
#include <iostream>
#include "fftw3.h"
#include <stdlib.h>
#include <string.h>
#include <limits.h>

#include "string"
#include "vector"
#include <windows.h>
#include <opencv2/legacy/legacy.hpp>
#include <opencv2/nonfree/nonfree.hpp>//opencv_nonfree模块：包含一些拥有专利的算法，如SIFT、SURF函数源码。 
#include "opencv2/core/core.hpp"
#include "opencv2/features2d/features2d.hpp"
#include "opencv2/highgui/highgui.hpp"
#include <opencv2/nonfree/features2d.hpp>

//参考1：基于“局部标准差”的图像增强（原理、算法、代码）
//http://www.cnblogs.com/jsxyhelu/p/4857721.html
//参考2：使用局部标准差实现图像的局部对比度增强算法。
//http://www.cnblogs.com/Imageshop/p/3324282.html
using namespace cv;
using namespace std;


//点乘法,elementWiseMultiplication
Mat matrixWiseMulti(Mat &m1, Mat &m2){
	Mat dst = m1.mul(m2);//注意是对应矩阵位置的元素相乘
	return dst;
}
//ACE算法原理：
//ACE算法原理表达式：f(i,j)=Mx(i,j)+G(i,j)*[x(i,j)-Mx(i,j)]
//高频成分：x(i,j)-Mx(i,j)，x(i,j)表示当前中心像素，Mx(i,j)表示局部平均值
//增益系数：G(i,j)，可以直接令其为系数C（一般总是大于1）
//

//图像局部对比度增强算法
//float MaxCG:对高频成分的最大增益值
//int n：局部半径
//int C；对高频的直接增益系数
//Mat src：原图像
Mat ACE(Mat &src, int C = 3, int n = 3, float MaxCG = 7.5){
	int rows = src.rows;
	int cols = src.cols;

	Mat meanLocal;
	Mat varLocal;
	Mat meanGlobal;
	Mat varGlobal;
	
	blur(src.clone(), meanLocal, Size(n, n));//meanMask为图像局部均值 
	imshow("低通滤波", meanLocal);
	Mat highFreq = src - meanLocal;//高频成分：x(i,j)-Mx(i,j)
	imshow("高频成分", highFreq);

	varLocal = matrixWiseMulti(highFreq, highFreq);
	blur(varLocal, varLocal, Size(n, n));    //varMask为此时为图像局部方差   
	//换算成局部标准差（开根号）
	varLocal.convertTo(varLocal, CV_32F);
	for (int i = 0; i < rows; i++){
		for (int j = 0; j < cols; j++){
			varLocal.at<float>(i, j) = (float)sqrt(varLocal.at<float>(i, j));
		}
	}
	meanStdDev(src, meanGlobal, varGlobal); //meanGlobal为全局均值 varGlobal为全局标准差，实际均是一个数
	Mat gainArr =0.5 * meanGlobal / varLocal;//增益系数矩阵：G(i,j)，可以直接令其为系数C（一般总是大于1）
	/*
	for (int i = 0; i < rows; i++){
		for (int j = 0; j < cols; j++)
				cout<<gainArr.at<float>(i, j)<<" " ;
		cout << endl;
		if (i == 1)
			break;
	}*/
	
	//对增益矩阵进行截止
	for (int i = 0; i < rows; i++){
		for (int j = 0; j < cols; j++){
			if (gainArr.at<float>(i, j) > MaxCG){
				gainArr.at<float>(i, j) = MaxCG;
			}
		}
	}
	gainArr.convertTo(gainArr, CV_8U);
	gainArr = matrixWiseMulti(gainArr, highFreq);
	Mat dst1 = meanLocal + gainArr;
	imshow("Lee改进的D方法", dst1);
	Mat dst2 = meanLocal + C*highFreq;//直接利用系数C进行高频成分放大
	imshow("直接系数C方法", dst2);
	return dst2;
}


Mat myACE(Mat &src, int n = 7, float MaxCG = 7.5){
	int rows = src.rows;
	int cols = src.cols;
	Mat dst(src.rows, src.cols, CV_8UC1, Scalar::all(0));
	
	if (src.type() == CV_8UC1)
		int aa = src.type();
	Mat meanLocal;
	Mat varLocal;
	Mat meanGlobal;
	Mat varGlobal;

	blur(src.clone(), meanLocal, Size(n, n));//meanMask为图像局部均值 
	Mat highFreq = src - meanLocal;//高频成分：x(i,j)-Mx(i,j)
	
	varLocal = matrixWiseMulti(highFreq, highFreq);
	blur(varLocal, varLocal, Size(n, n));    //varMask为此时为图像局部方差   
	//换算成局部标准差（开根号）
	varLocal.convertTo(varLocal, CV_32F);
	for (int i = 0; i < rows; i++){
		for (int j = 0; j < cols; j++){
			varLocal.at<float>(i, j) = (float)sqrt(varLocal.at<float>(i, j));
		}
	}
	meanStdDev(src, meanGlobal, varGlobal); //meanGlobal为全局均值 varGlobal为全局标准差，实际均是一个数
	Mat gainArr = 0.5 * meanGlobal / varLocal;//增益系数矩阵：G(i,j)，可以直接令其为系数C（一般总是大于1）
	//对增益矩阵进行截止
	for (int i = 0; i < rows; i++){
		for (int j = 0; j < cols; j++){
			if (gainArr.at<float>(i, j) > MaxCG){
				gainArr.at<float>(i, j) = MaxCG;
			}
		}
	}
	gainArr.convertTo(gainArr, CV_8U);
	gainArr = matrixWiseMulti(gainArr, highFreq);
	dst = meanLocal + gainArr;
	//imshow("Lee改进的D方法", dst);
	return dst;
}

int main()
{
	const char* img_path = "oct.bmp";
	//const char* img_path = "yanjing.jpg";
	//const char* img_path = "luowen.tif";
	//const char* img_path = "colors_large.png";  
	//const char* img_path = "input_0.png";  
	//const char* img_path = "a1.jpg";  
	//const char* img_path = "seed.tif";  
	//const char* img_path = "flyman_gray.bmp";
	//const char* img_path = "CT.bmp";
	//const char* img_path = "rcc.jpg";
	Mat src = imread(img_path, 0);
	imshow("src", src);
	int n = 50;
	float MaxCG = 10.5;
	Mat dst=myACE(src,n,MaxCG);
	imshow("myACE",dst);
	waitKey();
	return  0;
}




EbowTang
关注
专栏目录
OpenCV 局部自适应对比度增强ACE算法 C++
cyf15238622067的博客
04-11 6265
图像的对比度增强算法在很多场合都有着重要的应用，特别是在医学图像上，这是因为在众多疾病的诊断中，医学图像的视觉检查时很有必要的。而医学图像由于本身及成像条件的限制，图像的对比度很低。因此，在这个方面已经开展了很多的研究。这种增强算法一般都遵循一定的视觉原则。众所周知，人眼对高频信号（边缘处等）比较敏感。虽然细节信息往往是高频信号，但是他们时常嵌入在大量的低频背景信号中，从而使得其视觉可见性降...
图像处理之图像增强算法：自适应直方图均衡化原理
kkchenjj的博客
07-29 734
CLAHE的基本思想是在图像的每个子区域中独立地应用直方图均衡化，同时限制每个子区域的对比度增强程度，以防止局部对比度过高。此外，CLAHE还使用双线性插值来融合不同子区域的均衡化结果，确保图像边界处的平滑过渡，避免出现明显的块状效应。自适应直方图均衡化（Adaptive Histogram Equalization, AHE）是一种局部图像增强技术，特别适用于改善图像的对比度，尤其是在图像的某些区域过暗或过亮时。然而，传统的AHE方法在处理高对比度区域时可能会引入过多的噪声。
ACE增强算法(自适应对比度增强)---Adaptive contrast enhancement
m0_43425222的博客
03-21 785
图像均衡化
【OpenCV】几何失真校正与局部增强
dianwu9730的博客
03-23 1027
1. 原理 图像在获取过程中，由于成像系统的非线性、飞行器姿态的变化等原因，成像后的图像与原景物图像相比，会产生比例失调，甚至扭曲。这类图像退化现象称之为几何失真（畸变）。 产生这种原因有：成像系统本身具有的非线性，摄像时视角的变化，被摄对象表面弯曲等。例如，由于视像管摄像机及阴极射线管显示器的扫描偏转系统有一定的非线性，常常枕形失真或者桶形失真；由于斜视角度获得的图像透视...
局部均值和方差 局部对比度增强
weixin_39009499的博客
10-17 331
我现在有一个2304*1296的12位亮度图，怎么提高对比度？亮度图数据用一个一维数组raw[]存储了，亮度范围是12位提高图像的对比度通常会让图像更加清晰，更容易分辨图像中的内容。有多种方法可以提高图像对比度，其中一种比较简单而常用的是线性拉伸方法。对于12位深度的图像，像素值范围在0-4095。线性拉伸就是找到图像中最暗和最亮的像素值，然后将这个范围线性地映射到0-4095的范围内。
Adaptive Contrast Enhancement（ACE）自适应对比度增强 附MATLAB代码
qq_41651325的博客
03-17 3825
ACE前言原理代码实验结果 前言 现如今的医学图像 原理 代码 实验结果
（openCV 四）图像增强
niuniu0243111006的博客
04-16 515
#数字图像归一化操作 cv2.normalize(src, dst, alpha, beta, norm_type, dtype, mask) → dst 参数解释： src： 原图像对象 dst： 经过转化后的图像对象 alpha： 归一化后灰度像素最小值，一般为0 beta： 归一化后灰度像素最大值，一般为255 norm_type： 归一化的类型，可以取以下值 (1) ...
Global and Local Contrast Adaptive Enhanceme
11-13
Global and Local Contrast Adaptive Enhancement for Non-uniform Illumination Color Images
自适应图像增强完整OpenCV代码
03-26
自己编写的彩色图像自适应增强的完整代码，下载后配置环境即可运行。无C币的可以直接在我博客留言，我会发送给你。https://blog.csdn.net/u013921430/article/details/83865427
C# opencvsharp直方图均衡化全局局部自适应直方图均衡化源码
04-04
博客地址：https://blog.csdn.net/FL1623863129/article/details/137370741 测试环境：vs2019,netframework4.7.2,opencvsharp4.8.0
基于Android的OpenCV图像自适应阈值操作的实现
03-04
OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，网络上一些小伙伴写的一些关于Android版OpenCV的博客，大部分都模糊不清，基本就复制粘贴的，有些甚至没有实践就直接贴上去了，这样...
图像的区域自适应增强的C++代码
02-25
图像的区域自适应增强的C++实现，效果跟matlab的区域自适应增强的函数一样
Cython — 局部自适应对比度增强（ACE）
红叶谷 wsp_1138886114的博客
08-20 796
局部自适应对比度增强算法用于图片增强。 原理见：原文：https://wangsp.blog.csdn.net/article/details/106849111 使用Cython重写代码，优化了运行时间。 优化代码：
opencv进阶 ——（六）图像处理之图像增强
零落年华的专栏
05-29 1706
图像增强算法的目的是改善图像的视觉质量，使其更易于分析或增强特定特征。这些方法可以单独使用，也可以组合使用，以根据特定应用场景定制增强效果。在实际应用中，通常需要根据图像的内容和目标应用选择合适的增强策略。
opencv 掩膜操作 滤波 卷积核定义 增强对比度 掩膜运算
weixin_30767835的博客
07-27 212
1 /* 2 矩阵的掩膜操作 3 4 0 掩膜mask 在这里进行增强对比度： 5 [ 6 [ 0,-1, 0 ], 7 [-1, 5, -1], 8 [ 0,-1, 0 ] 9 ] 10 使用mask滑动图片每一个位置，进行卷积运...
【数字图像处理】OpenCV-Python 实现直方图统计量局部增强
【人工智障 | 计算鸡视觉 | 机器孩】
05-22 8818
【代码】【数字图像处理】OpenCV-Python 实现直方图统计量局部增强。
基于自适应对数映射的局部对比度增强算法
大熊
11-14 3118
基于自适应对数映射的局部对比度增强算算法 光照环境不是很好的环境下所拍摄的图片，要么不是太亮，要么就是太暗，不能很好的兼顾亮区和暗区的细节。解决方式有很多种，一种是使用宽动态的sensor，获取一帧长曝光图像和一帧短曝光图像，再将两帧图像进行融合，这种合成的方式可以获取到比较高动态范围图像。当然使用宽动态的sensor成本会比一般的非宽动态sensor高；另...
OpenCV图像处理算法——5（《Real-time adaptive contrast enhancement for imaging sensors》论文解读及实现）
weixin_45709330的博客
02-24 625
《Real-time adaptive contrast enhancement for imaging sensors》论文解读及实现 前言 这个 ACE 算法是用来做图像对比度增强的算法。图像对比度增强的算法在很多场合都有用处，特别是在医学图像中，这是因为在众多疾病的诊断中，医学图像的视觉检查时很有必要的。医学图像由于本身及成像条件的限制，图像的对比度很低。因此，在这个方面已经开展了很多的研究...
opencv 图片自适应窗口
最新发布
08-02
OpenCV（开源计算机视觉库）提供了一个方便的功能，可以让你在显示图片时自动调整窗口大小以适应图像内容的比例。当使用`imshow()`函数显示图像时，如果没有指定窗口大小，OpenCV会根据图像的实际宽度和高度来动态调整窗口大小，使得图像完全填充窗口而保持其原始比例。 例如，当你这样操作： ```python import cv2 img = cv2.imread('image.jpg') cv2.imshow('Image', img) cv2.waitKey(0) # 等待用户按键，0表示无限等待 cv2.destroyAllWindows() ``` 如果图片比窗口小，窗口会被拉伸；如果图片比窗口大，则可能会裁剪部分边缘。这样设计的目的是为了在各种设备上都能获得良好的可视化效果，并避免因为缩放导致图像失真。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值