局部自适应自动色阶/对比度算法在图像增强上的应用

最新推荐文章于 2024-09-10 20:30:00 发布

算法Lab

最新推荐文章于 2024-09-10 20:30:00 发布

阅读量669

点赞数

分类专栏：机器视觉_opencv

原文链接：https://www.cnblogs.com/Imageshop/p/3395968.html

版权

机器视觉_opencv 专栏收录该内容

72 篇文章 9 订阅

订阅专栏

本篇博文来自博主Imageshop，打赏或想要查阅更多内容可以移步至Imageshop。

转载自：https://www.cnblogs.com/Imageshop/p/3395968.html 侵删

在限制对比度自适应直方图均衡化算法原理、实现及效果一文中针对全局直方图均衡化的一些缺点，提出了分块的自适应均衡化技术，很好的克服了全局直方图均衡化的一些缺点，对于图像增强也有着显著的作用，我们稍微回顾下CLAHE的算法流程，简单的可以用下面的过程描述：

复制代码

for each Tile in Image 
{
　  Calcuate( HistGram);
   ClipHistGram(HistGram, ClipLimit);
   MakeMapping(HistGram);
}
for each Tile in Image 
    for each Pixel in Tile
        use bilinear interpolation between four adjacent HistGram info to generate new Pixel

复制代码

　　原始的直方图均衡化算法的核心在上述 MakeMapping(HistGram)函数中得以体现，

复制代码

void MakeMapping(int* Histgram)
{
    int I, Sum = 0, Amount = 0;
    for (I = 0; I < 256; I++) Amount += Histgram[I];
    for (I = 0; I < 256; I++)
    {
        Sum += Histgram[I];
        Histgram[I] = Sum * 255/ Amount;     // 计算分布
    }
}

复制代码

上述Histgram[I] = Sum * 255/ Amount; 一句就是HE算法的核心，就直方图数据重新分布。

我们回顾一下PS的调整菜单，除了直方图均衡化是一键式菜单（即点击无可调参数界面，实际上直翻图均衡化还是有的，在有选区的情况下回弹出一个框），还有另外三个常用的一键操作，即：自动色阶、自动对比度以及自动颜色。从本质上讲，这三个算法同直方图均衡化一样，在内部也是一个直方图重新分布和像素重新映射的过程，因此，如果把这里的MakeMapping函数总映射过程替换他们三者中的某一种会是什么情况和效果呢，这其实是了解了CLAHE算法的原理后，很自然的能拓宽和联想到的。

关于自动色阶和自动对比度的原理，我在调整图像- 自动对比度、自动色阶算法一文中已经有了较为详细的实现，而关于自动颜色的原理，目前为止我似乎没有发现有任何人对其进行了详细的解释。我在Imageshop中也只是做了一种简单的模拟，这里就不提了。

以自动色阶为例，上述MakeMapping函数的形式可能如下所示：

复制代码

void MakeMapping(int* Histgram,float CutLimit=0.01)
{
    int I, Sum = 0, Amount = 0;
    const int Level = 256;
    for (I = 0; I < Level; I++) Amount += Histgram[I];
    int MinB,MaxB;
    for (I = 0; I < Level; I++)
    {
        Sum = Sum + Histgram[I];
        if (Sum >= Amount * CutLimit )
        {
            MinB = I;                              
            break;
        }
    }  
    Sum = 0;
    for(I = Level-1; I >= 0; I--)
    {
        Sum = Sum +Histgram[I];
        if (Sum >= Amount * CutLimit )
        {
            MaxB = I ;                            
            break;
        }   
    }
        
    if (MaxB!=MinB)
    {
        for (I = 0; I < Level; I++)
        {
            if (I<MinB)
                Histgram[I] =0;
            else if(I>MaxB)
                Histgram[I]=255;
            else
                Histgram[I] = 255* (I - MinB) / (MaxB - MinB) ;     
        }
    }
    else
    {
        for (I = 0; I < Level; I++) Histgram[I]=MaxB;        //     必须有，不然会有一些图像平坦的部位效果出错
    }
}

复制代码

　　注意在这个函数里我增加了CutLimit参数，这个参数名和CLAHE的一样，实际上是因为自动色阶这种工作方式，就是对直方图的一种裁剪，因此CLAHE算法的ClipHistGram过程就可以舍去了，而把CutLimit作为自动色阶的一个调节参数也是顺其自然的一个事情了。

在上述代码代码中，if (MaxB!=MinB)的判断主要是防止出现除以0的错误，同时在这种情况发生时，必须把直方图中的所有数据都设置为MaxB（其实这种情况发生时，原始直方图数据中必然是大部分都等于MaxB，但可能还是有部分是不同的，如果不赋值为MaxB，处理的结果图像中会出现莫名其妙的纹理图）。

把上述代码替换掉CLAHE算法中相应的部分，保持插值等代码不动，可获得如下效果：

　　　　　　　　　　　　原图　　　　　　　　　　　　　　　　　　　　　　　块大小为200，CutLimit =0.01 处理后结果

由上面的图可以看出，处理前后的增强效果还是很明显的，整个图像显得更清晰。

根据上述代码分析，这样处理的效果肯定是原先图像中的黑的部分更黑，白的部分更白，因此，对比度更加宣明。为了能控制整个对比度调节的程度，我们新增加一个参数，用来调节在最后隐射阶段的最大值。我这里做了如下的处理：

复制代码

void MakeMapping(int* Histgram,float CutLimit=0.01,float Contrast = 1)
{
    int I, Sum = 0, Amount = 0;
    const int Level = 256;
    for (I = 0; I < Level; I++) Amount += Histgram[I];
    int MinB =0 ,MaxB=255;
    int Min = 0,Max=255;
    for (I = 0; I < Level; I++)
    {
        if  (Histgram[I]!=0) 
        {
            Min = I ;
            break;
        }
    }

    for(I = Level-1; I >= 0; I--)
    {
        if  (Histgram[I]!=0) 
        {
            Max = I ;
            break;
        }
    }
    for (I = 0; I < Level; I++)
    {
        Sum = Sum + Histgram[I];
        if (Sum >= Amount * CutLimit )
        {
            MinB = I;                              
            break;
        }
    }
  
    Sum = 0;
    for(I = Level-1; I >= 0; I--)
    {
        Sum = Sum +Histgram[I];
        if (Sum >= Amount * CutLimit )
        {
            MaxB = I ;                            
            break;
        }   
    }
    int Delta = (Max - Min) * Contrast * 0.5  ;
    Min = Min - Delta;
    Max = Max +    Delta ;
    if (Min    < 0) Min = 0;
    if (Max > 255) Max = 255;

    if (MaxB!=MinB)
    {
        for (I = 0; I < Level; I++)
        {
            if (I<MinB)
                Histgram[I] =Min;
            else if(I>MaxB)
                Histgram[I]=Max;
            else
                Histgram[I] = (Max-Min)* (I - MinB) / (MaxB - MinB) + Min ;     
        }
    }
    else
    {
        for (I = 0; I < Level; I++) Histgram[I]=MaxB;        //     必须有，不然会有一些图像平坦的部位效果出错
    }
}

复制代码

　首先分析获得原始块中的最大值和最小值，然后再这个的基础上按照设定的参数向黑和白两个方向同等程度扩展，这样就避免了无论什么情况下的分布都直接扩展到0-255内。有效的抑制了噪音的放大。

　　修改后，我们看看一些效果：

　　　　　　　　　　原图　　　　　　　　　　　　　　　　　　　　　　CutLimit =0.01,Contrast=1　　　　　　　　　　 CutLimit =0.05,Contrast=1

分析：上面这幅图原始图像整体就比较亮，因此，在Contrast=1的时候，很多块调整后的Min=0,Max也等于255了，因此继续增加Contrast参数，图像的效果基本没有什么变化了。而增加CutLimit值使得图像的映射表由两个极端向中间靠拢，图像会稍微显得浓烈一些。

　　　　　原图　　　　　　　　　　　　　　　　　　　　　　CutLimit =0.01,Contrast=1　　　　　　　　　　 CutLimit =0.01,Contrast=2.5

而上面这幅图像，则由于整体比较暗，增加Contrast的效果就比较明显了，当Contrast=2.5,图像顶部的一些细节信息也能清晰的表达出来。

另外，分析原始代码的双线性插值部分可知，在四周边缘处，特备是离边缘小于TileX/2或小于TileY/2的部分，由于其临近信息的缺失，实际上是没有进行双线性插值的，这样对于部分图像，边缘处显得有点不自然，弥补的方式就是在处理前对图像进行扩展，分别向四周扩展TileX/2和TileY/2大小，当然扩展部分的数据需要按照镜像的方式填充数据。

在贴一些这个算法的处理效果：