《Contrast Limited Adaptive Histogram Equalization》

看英文文章喜欢一边看，一边翻译，这样不容易走神，翻译的不好，不喜勿喷。

简介

图像增强处理的方式大多数都是通过一个查询表，一个像素一个像素的转换如(Jain 1989)描述的。当一个图像对比较低时，使用合适的mapping函数通常会提高图像的对比度。

mapping函数通常是非线性的，广泛应用的如gamma纠正，另一个非线性的技术是直方图均衡，它的思想是基于一个图像的好坏是基于直方图分布来判断的，随着图像像素的增多，每个像素相对应的灰度级的数量也增加。累积直方图被使用做为灰度变换如图1所示。

直方图均衡化后图像的结果是直方图范围变宽了，图像的灰度值分布变好了。然而，图1显示直方图均衡化后的结果比原图差。直方图上的较大的峰值是非感兴趣区域（背景噪声);在这种情况中，直方图均衡化增加了图像的噪声。这项技术没有适应局部对比度的要求，对比度较小的像素可能就会看不见了。

图1 使用直方图均衡化进行图像增强的例子。(a)原图—人膝盖磁共振图像;(b)灰度直方图的结果

AHE

由于我们的眼睛通过看图像局部的内容从而知道图像的具体内容，这样促使了增强局部图像对比度(Pize et al,1987)方法的出现。这种方法是图像被划分为矩形网格，每个网格中最优化的对比度可以被计算出来。区域的数量是通过对输入图像进行试验测得的，一幅图像被分为8*8个区域结果较优，这表示有64个相关区域在512*512的图像中。

对每一个相关的区域计算其中的像素的直方图。计算相应的累积直方图得到一个灰度分布表，根据此表得到了AHE处理图像，处理后的图像在每一个相关的区域中对比度都是最优的，因为它都是基于当前区域的图像进行的直方图均衡。

为了避免区域边缘效应，线性差值原则被使用(如图2)。

在图1a中应用自适应直方图均衡，得到的结果图像可看图2b。虽然膝盖的相关的结构对比度得到了增强，但背景的噪声也增加了。AHE最大化增强了感兴趣的信息，同时噪声也增多了，这也是AHE的一大缺点。

图2.细节和差值应用到自适应直方图均衡中，得到的AHE。(a)白点表示的像素值由周围的相关区域的灰度值获得。点A,B,C,D是相关的区域的中心，具体的区域灰度mapping(gA(s),gB(s),gC(s),gD(s))是基于像素的直方图获得。假设相同位置点的原始像素值是s，新的灰度值通过mapping每一个环绕的区域进行双线性差值得到其中x和y是相对于点A的距离。在边和角中，一个很小的不同插值技术被使用。

(b)图1a在图像中应用8*8的相关区域进行AHE得到的结果。虽然膝盖的结构能够更好的辨别，但整个图像都处在一个噪声的环境中。

CLAHE

CLAHE的噪声问题通过限制对比度增强能够降低，特别是对区域类似的环境。由于大多数像素都落入到相同的灰度范围，这些区域的直方图的峰值很高。CLAHE相关的灰度值得坡度被限制了，修剪直方图之后，像素值被均等的分布在整个直方图中，保证整个直方图的数量相同(如图3所示)。

图3.对比度限制被使用在CLAHE中。(a)相关区域中的直方图包含很多背景像素。(b)计算积累直方图，当使用灰度值mapping，许多bins被在背景噪声中。

(c)获取裁剪直方图使用一个裁剪限制3.超出的像素值通过直方图被重新分配。(d)累积裁剪直方图；它的最大斜度(与获得的对比度增强相等)与裁剪限制相等。

裁剪限制(或对比度参数)被定义做为多个直方图内容的平均值。参数越低，局部直方图的最大斜度越低，因此也得到了限制对比度增强的效果。通过使用裁剪限制能够避免直方图有一个较高的值，这与AHE技术一样。

图4显示了使用CLAHE得到的两个对比度增强的结果；右面的图像使用了较高的裁剪限制参数，图像噪声仍然可以接受。

图4.CLAHE应用于图像1a的结果(a)CLAHE裁剪参数为3;(b)CLAHE裁剪参数为10.两个图像都采用8*8相关区域。

CLAHE变换的主要优势是它只使用一个参数—裁剪限制，它的图像处理结果更优。

CLAHE也有缺点，由于这种方法目标是使对比度最优，原始图像与CLAHE处理结果不是1对1的关系，然而，CLAHE图像不是规范化的计算，它主要是依靠图像的像素值进行计算。