基于空间熵的全局和局部的图像对比度增强

颜色空间：

RGB
方便显示，但分量相关性高，不适合彩色图像处理
线性变换：
1.YIQ、YUV、I1I2I3
rgb分量的线性变换，可以用来编码或彩色图像处理，计算时间较少
非线性变换：
1.HSI（HSB/HSL/HSV）
基于人类色彩感知，在照明情况水平变化的情况下非常有用，因为对于某些类型的高光、阴影，色调是不变的。色调可以用于分离不同颜色的物体。
2.Nrgb(Normalizedrgb)
各个颜色分量与图像的亮度无关，方便表示颜色平面，对照明变化具有鲁棒性
3.CIE(Luv/Lab)
由X、Y、Z组合得到，可以独立控制颜色和亮度的信息，有效测量微小的颜色差异，可以基于CIE空间的几何分离进行直接的颜色比较

来源：Color Image Segmentation: Advances & Prospects

基于空间熵的全局和局部的图像对比度增强

算法引入了一种利用像素的空间分布来计算像素空间熵的新方法。
global(SECE)：
算法考虑图像灰度的空间位置分布，而不是由图像灰度计算的灰度分布或联合统计量。对于每个灰度级，使用具有相同灰度级的所有像素的空间位置直方图计算相应的空间分布。从图像灰度的空间分布中计算熵测度，生成分布函数，再将其映射为均匀分布函数，实现最终的对比度增强
local(2D-DCT)：
对经SECE全局增强的图像进行变换域(2D离散余弦变换(2D- dct))系数加权，然后进行逆变换(2D- dct)，得到全局和局部对比度增强的输出图像

变换域对比度增强算法在各种问题领域都显示出良好的效果，但由于其对计算量、内存和适当的参数设置有一定要求，图像域增强算法更多被使用。
全局直方图均衡化GHE：
虽然GHE利用了图像的可用动态范围，但如果直方图中存在较大的峰值，则容易过度增强图像，从而导致粗糙的噪声
局部直方图均衡化LHE：
LHE有时会过度增强图像的某些部分和任何噪声，并可能产生不希望的棋盘效果
加权阈值直方图均衡化WTHE：
通过将原始图像直方图固定在上阈值和下阈值处，并使用带索引的归一化幂律函数转换这些阈值之间的所有值来执行的。
加权分布自适应伽马校正AGCWD：
和WTHE类似，通过加权分布对输入直方图进行修正，并使用伽马校正对图像进行自动增强但当输入直方图中存在峰值时，该算法可能会导致图像明亮区域的细节丢失。
2D直方图均衡化(2DHE)：
通过增加每个像素与其相邻像素之间的灰度差可以提高图像中的对比度。

A.灰度全局增强
1.问题定义
原图X(xd----xu)—>目标Y(yd=0----yu=255)，H：高，W：宽

2.灰度图像的空间直方图hk
hk={hk(m,n)|1<=m<=M,1<=n<=N}
N=(K/r)^0.5 ,M=(Kr) ^0.5, K,X灰度级个数，r，高宽比

3.空间熵Sk和分布函数fk

fk：灰度级xk对于其他灰度级的重要性

归一化

累积分布函数

4.映射函数

B.2D-DCT
1.DCT变换后图像

2.系数加权

其中α≥1.0为增强程度。α值越高，局部增强越强。然而，较高的α值也会导致像素值的饱和。
因此，α的自动选择是重要的。
其中γ∈[0,1]决定了局部对比度增强的程度，例如，当γ = 0时，a=1，将不会有局部对比度增强

3.逆变换

彩色图像的增强：
将对比度增强扩展到彩色图像的一种方法是仅对其亮度分量(V)应用该算法并保留其亮度分量。

来源：Spatial Entropy-Based Global and Local Image Contrast Enhancement