对比度增强算法

1、线性变换增强对比度

1.1、简单线性变换

如果原图像$f(x,y)$的灰度范围为$[m,M]$,经过线性变换之后，我们希望变换后的图像$g(x,y)$的灰度范围是$[n,N]$,那么经过下面的简单线性变换就可实现：
$$g(x,y)=(N-n)/(M-m)[f(x,y)-m]+n$$

图1. 简单线性变换关系曲线

令系数$k=(N-n)/(M-m)$，则$k$的不同，处理的效果也不同。
当$0<k<1$时，变换后的灰度范围会变小，此时图像实际上被压缩了，图像质量会有所下降，在某些时候，需要节约存储空间可以使$0<k<1$；
当$k=1$的时候，图像的灰度范围没变，但是灰度区间可能发生平移；
当$k>1$时，图像的灰度范围变大，常常能够更凸显细节。
当$k<0$时，图像的灰度反转，即亮部分变成暗的部分，暗部分又变成亮的部分，在本文图像求反部分还将考虑。
此处考虑一个简单情况（n=0，k=1/0.6），代码如下：

#include<opencv2/opencv.hpp>
#include<iostream>
using namespace cv;
using namespace std;

int main(int argc, char* argv[])
{
	Mat srcImage = imread("1.jpg");
	if (!srcImage.data)
	{
		cout << "读入图片错误！" << endl;
		system("pause");
		return -1;
	}
	imshow("原图像", srcImage);
	Mat dstImage(srcImage.size(), srcImage.type());
	int rows = dstImage.rows;
	int cols = dstImage.cols;
	int channels = srcImage.channels();
	float k = 1.7;
	for (int i = 0; i < rows; i++) {
		uchar* src_i = srcImage.ptr<uchar>(i);//原图的当前行
		uchar* dst_i = dstImage.ptr<uchar>(i);//目标图的当前行
		for (int j = 0; j < cols * channels; j++) {
			dst_i[j] = saturate_cast<uchar>(k * (float)src_i[j]);
			//saturate_cast<uchar>将像素值限制在0~255
		}
	}
	imshow("简单线性变换后的图像", dstImage);
	waitKey(0);
	return 0;

}

执行效果：


经过简单线性变换后，图像变亮，对比度有所提高。

1.2、分段线性变换

分段线性变换是常用的线性变换。仍以$f(x,y)$表示变换前的图像，$g(x,y)$表示变换后的图像，则变换关系为：


图2.分段线性变换关系曲线

如果令$k1<1,k3<1,k2>1$，则这种变换使得灰度值在$[0,f1]$和$[f2,f3]$中的像素值被压缩，而$[f1,f2]$的像素值被扩展。也就是说压缩过亮或过暗的像素，扩展亮度适中的像素。因为人眼在亮度适中的情况下更容易区分细节，所以可以改变图像的视觉效果。
简单修改简单线性变换的代码即可实现分段线性变换功能：

#include<opencv2/opencv.hpp>
#include<iostream>
using namespace cv;
using namespace std;
int main(int argc, char* argv[])
{
	Mat srcImage = imread("01.jpg");
	if (!srcImage.data)
	{
		cout << "读入图片错误！" << endl;
		system("pause");
		return -1;
	}
	imshow("原图像", srcImage);
	Mat dstImage(srcImage.size(), srcImage.type());
	int rows = dstImage.rows;
	int cols = dstImage.cols;
	int channels = srcImage.channels();
	float f1 = 50,f2=200,f3=255;
	float g1 = 20, g2 = 230,g3=255;
	float b1 = 0;
	//
	float k1 = (g1 - b1) / f1;
	float k2 = (g2 - g1) / (f2 - f1);
	float b2 = g1 - k2 * f1;
	float k3 = (g3 - g2) / (f3 - f2);
	float b3 = g2 - k3 * f2;
	for (int i = 0; i < rows; i++) {
		uchar* src_i = srcImage.ptr<uchar>(i);//原图的当前行
		uchar* dst_i = dstImage.ptr<uchar>(i);//目标图的当前行
		for (int j = 0; j < cols * channels; j++) {
			if ((int)src_i[j] < f1) {
				dst_i[j] = saturate_cast<uchar>(k1 * (float)src_i[j]+b1);
			}
			else if((int)src_i[j] > f2){
				dst_i[j] = saturate_cast<uchar>( k3 * (float)src_i[j]+b3);
			}
			else {
				dst_i[j] = saturate_cast<uchar>(k2 * (float)src_i[j]+b2);
			}
			//saturate_cast<uchar>将像素值限制在0~255
		}
	}
	imshow("简单线性变换后的图像", dstImage);
	waitKey(0);
	return 0;

}

执行效果：

其实如果图像在黑色或白色附近（像素值较低或较高）存在干扰，那么使用分段线性变换可以使人眼对干扰感受不明显，从而改善图像的视觉效果。

2、非线性变换增强对比度

原理上来说的话，非线性变换是由非线性函数变换而来，自然会有很多变换方法，但较多使用的是对数变换和指数变换。

2.1、对数变换

对数变换的表达式为：
$$g(x,y)=C\ast ln(f(x,y)+1)$$

图3.对数变换曲线示意图

$C$为常数，用于使变换后的图像$g(x,y)$的灰度值的范围符合要求。
代码实现：

#include<opencv2/opencv.hpp>
#include<iostream>
using namespace cv;
using namespace std;
int main(int argc, char* argv[])
{
	Mat srcImage = imread("a.jpg");
	if (!srcImage.data)
	{
		cout << "读入图片错误！" << endl;
		system("pause");
		return -1;
	}
	namedWindow("原图像",NORM_MINMAX);
	imshow("原图像", srcImage);
	Mat dstImage(srcImage.size(), srcImage.type());
	int rows = srcImage.rows;
	int cols = srcImage.cols;
	int channels = srcImage.channels();
	double C = 255/log(255);/*此处取C=255/log(255),
							使得像素扩展至0~255；*/
	for (int i = 0; i < rows; i++) {
		uchar* src_i = srcImage.ptr<uchar>(i);//原图的当前行
		uchar* dst_i = dstImage.ptr<uchar>(i);//目标图的当前行
		for (int j = 0; j < cols*channels; j++) {
			dst_i[j] = (uchar)(C * log((double)src_i[j] + 1));
		}
	}
	namedWindow("对数变换后的图像", NORM_MINMAX);
	imshow("对数变换后的图像", dstImage);
	waitKey(0);
	return 0;

}

对数变换效果图:

图像经过对数变换后相当于低灰度值被扩展，而高灰度值被压缩，这就使得低灰度值的图像细节更容易看清。图像红圈处低灰度值区域经过对数变换后的确更能分辨细节。

2.2、指数变换($\gamma$矫正)

用于图像获取、显示、打印的许多装置的响应往往是指数响应。设$f$为图像的灰度值，$s$为CCD图像传感器或胶片等的入射光强度，则输入光强度与输出信号之间的关系为：
$$f=c{s}^{\gamma }$$
其中，$c$为常数，$\gamma$值表示摄像装置的特性，在同一装置中$\gamma$值是确定的。当$\gamma <1$时，低灰度区间扩展而高灰度区间压缩，当$\gamma >1$则相反。
为了使得变换后的图像与入射光的强度相等或成正比，我们可以进行$\gamma$校正，即：
$$g=(f/c{)}^{\frac{1}{\gamma }}$$;
我们这里取$c=255^{(}1-\gamma )$以使像素值能够扩展至0~255，代码如下：

#include<opencv2/opencv.hpp>
#include<iostream>
using namespace cv;
using namespace std;
int main(int argc, char* argv[])
{
	Mat srcImage = imread("a.jpg");
	if (!srcImage.data)
	{
		cout << "读入图片错误！" << endl;
		system("pause");
		return -1;
	}
	namedWindow("原图像",NORM_MINMAX);
	imshow("原图像", srcImage);
	Mat dstImage(srcImage.size(), srcImage.type());
	int rows = srcImage.rows;
	int cols = srcImage.cols;
	int channels = srcImage.channels();
	double r = 4;
	double C = pow(255,1-r);/*此处取C = pow(255,1-r),
							使得像素扩展至0~255；*/
	for (int i = 0; i < rows; i++) {
		uchar* src_i = srcImage.ptr<uchar>(i);//原图的当前行
		uchar* dst_i = dstImage.ptr<uchar>(i);//目标图的当前行
		for (int j = 0; j < cols*channels; j++) {
			dst_i[j] = (uchar)((pow((double)src_i[j]/C,1/r)));
		}
	} 
	namedWindow("指数变换后的图像", NORM_MINMAX);
	imshow("指数变换后的图像", dstImage);
	waitKey(0);
	return 0;

}

利用$\gamma$校正增强灰度图像对比度效果：

3、其他变换

3.1、灰度切片

灰度切片是将某一范围的灰度取出，转换成较大的灰度加以显示，突出我们感兴趣的灰度在图像中的分布情况。其灰度曲线如下图：

图4.灰度切片变换曲线

实现代码（此处取$a=150,b=200,ga=0,gb=150,b=250$）：

#include<opencv2/opencv.hpp>
#include<iostream>
using namespace cv;
using namespace std;
int main(int argc, char* argv[])
{
	Mat srcImage = imread("b.jpg",0);//以灰度图像读入
	if (!srcImage.data)
	{
		cout << "读入图片错误！" << endl;
		system("pause");
		return -1;
	}
	namedWindow("原图像",NORM_MINMAX);
	imshow("原图像", srcImage);
	Mat dstImage(srcImage.size(), srcImage.type());
	int rows = srcImage.rows;
	int cols = srcImage.cols;
	int channels = srcImage.channels();
	uchar a = 150, b = 200;
	uchar ga = 0,gb = 250;
	for (int i = 0; i < rows; i++) {
		uchar* src_i = srcImage.ptr<uchar>(i);//原图的当前行
		uchar* dst_i = dstImage.ptr<uchar>(i);//目标图的当前行
		for (int j = 0; j < cols*channels; j++) {
			if ((src_i[j] > a)& ( src_i[j] < b)) {
				dst_i[j] = gb;
			}
			else {
				dst_i[j] = ga;
			}

		}
	} 
	namedWindow("灰度切片后的图像", NORM_MINMAX);
	imshow("灰度切片后的图像", dstImage);
	waitKey(0);
	return 0;

}

灰度切片效果：


可见其中一些灰度被突出

3.2、图像求反

图像求反实际上就是简单线性变换中$k<0$的情况，它能起到帮我们发现暗部细节的作用。
我们这里令变换关系式为$g(x,y)=-f(x,y)+255$，代码如下：

#include<opencv2/opencv.hpp>
#include<iostream>
using namespace cv;
using namespace std;
int main(int argc, char* argv[])
{
	
	Mat srcImage = imread("e.jpg",0);//以灰度图像读入
	if (!srcImage.data)
	{
		cout << "读入图片错误！" << endl;
		system("pause");
		return -1;
	}
	namedWindow("原图像",NORM_MINMAX);
	imshow("原图像", srcImage);
	Mat dstImage(srcImage.size(), srcImage.type());
	int rows = srcImage.rows;
	int cols = srcImage.cols;
	int channels = srcImage.channels();
	
	double k = -1;
	for (int i = 0; i < rows; i++) {
		uchar* src_i = srcImage.ptr<uchar>(i);//原图的当前行
		uchar* dst_i = dstImage.ptr<uchar>(i);//目标图的当前行
		for (int j = 0; j < cols*channels; j++) {
			dst_i[j] = (uchar)((double)src_i[j] * k + 255);

		}
	} 
	namedWindow("灰度切片后的图像", NORM_MINMAX);
	imshow("灰度切片后的图像", dstImage);
	waitKey(0);
	return 0;

} 

图像求反效果图：

3.3、位图分割

位图分割即对图像像素的特定位进行操作来实现。比如图像量化为8比特，那么图像就可以由8个1比特的平面组成，其范围从最低有效位的位平面0到最高有效位的位平面7。在8比特的字节中，位平面0包含图像中像素的最低位，而平面7则包含最高位。就8比特图像的位平面抽取。
就8比特图像的位平面抽取而言，如果获取位平面7的二值图像，可以通过以下步骤：
（1）把图像中0~127间的所有灰度映射到一个灰度值（如0）
（2）把图像128~255间的灰度映射为令一种灰度值（如255），其他位面图的获取以此类推。

代码如下：

#include<opencv2/opencv.hpp>
#include<iostream>
using namespace cv;
using namespace std;
int main(int argc, char* argv[])
{
	
	Mat srcImage = imread("1.jpg",0);//以灰度图像读入
	if (!srcImage.data)
	{
		cout << "读入图片错误！" << endl;
		system("pause");
		return -1;
	}
	namedWindow("原图像",NORM_MINMAX);
	imshow("原图像", srcImage);
	Mat dstImage(srcImage.size(), srcImage.type());
	int rows = srcImage.rows;
	int cols = srcImage.cols;
	int channels = srcImage.channels();
	for (int k = 0; k < 8; k++) {
		for (int i = 0; i < rows; i++) {
			uchar* src_i = srcImage.ptr<uchar>(i);//原图的当前行
			uchar* dst_i = dstImage.ptr<uchar>(i);//目标图的当前行
			for (int j = 0; j < cols * channels; j++) {
				if (src_i[j]>=pow(2,k)&&src_i[j]<pow(2,k+1))//进行位与
				{
					dst_i[j] = 250;
				}
				else {
					dst_i[j] = 0;
				}

			}
		}
		String str ="位平面" ;
		str.append(to_string(k));
		namedWindow(str, NORM_MINMAX);
		imshow(str, dstImage);
		
	}
	cv::waitKey(0);
	return 0;

} 

位平面效果图：


可以看出较高阶位面包含了大部分视觉上很重要的轮廓信息。