【图像增强】对比度限制自适应直方图均衡化

一、直方图均衡化(HE)

1.1 直方图均衡化

  特点： 暗图像的直方图分量集中在灰度较低的一端，而亮图像直方图分量偏向于灰度较高的一端。
  图像的灰度分布不均匀，其灰度分布集中在更窄的范围，图像的细节不够清晰且对比度较低。

  直方图均衡化： 使用直方图均衡化使图像的灰度级范围拉开或使灰度均匀分布，从而增大反差，使图像细节清晰，以达到图像增强的目的。

1.2 直方图均衡化步骤

原图像的像素值	数量	概率	累积概率	根据函数映射后的灰度值	均衡化后的灰度值
50	4	0.25	0.25	0.25*（255-0）=63.75	64
54	3	0.1875	0.4375	0.4375*(255-0)=111.5625	112
58	5	0.3125	0.75	0.75*(255-0)=191.25	191
62	4	0.25	1	1*(255-0)=255	255

  步骤：
  （1）统计灰度级中每个像素在整幅图像中的个数。
  （2）计算每个灰度级像素占图像中的概率分布。
  （3）计算每个灰度像素的累积分布概率。
  （4）计算均衡化后的灰度值：像素的累积分布概率×（均衡后像素的最大值-均衡后像素的最小值）。既：累积分布概率×均衡后图像的最大与最小值的差（255-0）
  （5）将均衡后的像素值映射到原图，得到最终均衡化后的图像。

1.3 直方图均衡化分析

  特点：
  直方图均衡化后的图像，灰度被整体右移，没有充分利用整个灰度动态范围，不能有效的提高局部对比度。

二、自适应直方图均衡化(AHE)

2.1 自适应直方图均衡化

  什么是自适应？
  一般来说在数字图像处理领域中，自适应既根据图像的局部性质进行处理。
  什么是自适应直方图均衡化？
  自适应直方图均衡化，是直接对全局图像进行均衡化，而没有考虑到局部图像区域，自适应过程就是在均衡化的过程中只利用局部区域窗口内的直方图分布来构建映射函数，将图像分成若干子块，对子块进行直方图均衡化处理，更适合改进图像的局部对比度以获得更多的图像细节。

2.2 自适应直方图均衡化分析

  特点：
  图像的灰度较好的分布在全部动态范围上，局部对比度得到了提高，视觉效果要优于直方图均衡化。但是局部对比度提高过大，导致图像失真，还会放大图像中的噪声。

三、限制对比度自适应直方图均衡化(CLAHE)

3.1 限制对比度自适应直方图均衡化

  为了避免由于自适应直方图均衡化产生图像不连续和过度增强图像的结果，引入一种限制对比度自适应直方图均衡化的方法。

  限制对比度直方图均衡化，相对于自适应直方图，有两点改进：
  （1）提出一种限制直方图分布的方法
  对于原图像的直方图，设定一个阈值，假定直方图某个灰度超过阈值，就对之进行裁剪，然后将超出阈值的部分平均分配到各个灰度级。

  特点：映射函数（CDF）变得较为平缓。
  （2）提出一种插值的方法（有效的避免了块状不连续的缺陷。）
  原因是，将图像进行分块处理之后，若每块中的像素点，仅通过该快中的映射函数进行变换，则会导致，最终图像呈现块状效应。

  插值步骤：
  1.首先将图像分块，每块计算一个直方图CDF（映射函数），黑色实线框的块称为窗口。
  2.对于蓝色像素点（非边界，即有4个相邻的窗口），分别计算它相邻的四个窗口（窗口直方图CDF）对蓝色像素点的映射值，然后进行双线性插值得到最终该像素点的映射值；对于红色像素点（边界，即仅有2个相邻的窗口），只使用其最近的窗口的CDF映射值进行线性插值。

四、总结

  （1）直方图均衡化HE：对整幅图像的像素使用相同的变换，适用于像素值分布比较均衡的图像。但是如果图像中包括明显的亮、暗的区域，在这些部分的对比度不能得到增强。
  （2）自适应直方图均衡化AHE：通过计算图像多个局部区域的直方图，并重新分布亮度，以此改变图像的对比度，更适合于提高图像的局部对比度和细节部分，但是存在过度放大图像中相对均匀区域的噪音问题。
  （3）限制对比度直方图均衡化CLAHE：主要在于对比度的限制，对每个小区域块都使用对比度限制，用来克服AHE的过度放大噪音的问题。