图像增强之局部增强

##一、图像增强概述
###1、定义
图像增强（Image Enhancement）是一个很宽泛的定义，简单来说就是对数字图像进行调整（adjusting）以使图像更适合于显示或后期的图像分析。
图像增强的原因总结有以下几点：
（1）图像细节不清晰
（2）光照不均匀导致图像亮度分布不均匀
（3）图像对比度较差
（4）成像过程中原始图像受噪声污染
（5）感兴趣区域（Region of Interest）不明显
（6）人眼视觉特性
###2、人眼视觉特性
####2.1、韦伯定律
谈及人眼视觉特性我们就不得不提韦伯定律（Weber-Fechner law），又称“感觉阈限定律”。
几个名词定义如下：
阈限：物理刺激能量可以被人觉察的临界点。
绝对阈限：个人对单一刺激引起的感觉经验时，所需最低的刺激强度。
差异阈限：辨别两个刺激之间的差异时，两种刺激最低的差异量。
韦伯定律：在同类刺激之下，其差异预先的大小$\Delta I$随着标准刺激强弱而成一定比例关系的。
$$\Delta I=K\times I$$
$K$为常数。
简单说就是，人眼感受的亮度与自然亮度并不线性增加，而只有当自然亮度成特定比例增加时，人眼才能感觉是线性增加的。

2.2、gamma校正原因简述

一幅灰度值范围为0-255的灰度图像，人眼对较暗信息比较敏感，而对较亮信息不敏感（因为在较暗的情况下，灰度发生较小变化人就能分辨，而在较亮的情况下，灰度需要发生较大变化人才能分辨，如果还不懂请回头理解韦伯定律）。所以我们在采集图像的时候可以适当多采集较暗的信息，适当少采集较亮信息。
这也就是为什么需要进行$\gamma$校正（gamma correction）的原因。在采集图像的时候通过$\gamma <1$的gamma变换将低灰度往高灰度扩展，然后在显示的时候通过$\gamma >1$将原始灰度复原出来。

3、图像增强方法分类

该图中未包含彩色图像增强，需要注意的是，图中列出的点运算与局部运算并不是绝对区分，如点运算中的直方图均衡操作同样可以进行局部直方图均衡。

二、局部增强

1、定义

利用图像的局部信息，如局域均值、方差、梯度等，获取图像中不同区域的差异情况，从而对图像不同区域进行不同的增强。
几个局部量的数学定义如下：
局部均值
$$m_x(i,j)=\frac{1}{(2n+1{)}^2}\sum _{k=i-n}^{i+n}\sum _{l=j-n}^{j+n}x(k,l)$$
局部方差
$${\delta }_x^2(i,j)=\frac{1}{(2n+1{)}^2}\sum _{k=i-n}^{i+n}\sum _{l=j-n}^{j+n}[x(k,l)-m_x(i,j){]}^2$$

2、反锐化掩膜算法

反锐化掩膜（Unsharp Masking）算法是一种图像锐化技术。通过高通滤波（或其他方式）得到图像的高频部分，然后与原始图像相加，得到高频部分增强的图像。
数学表达如下：
$$f(i,j)=m(i,j)+C\times [x(i,j)-m(i,j)]$$
其中，$f(i,j)$代表变换后的图像，$x(i,j)$代表原始图像，$m(i,j)$代表图像的高频部分。$C$为增益因子。
上述公式C中为常数，进行的操作是全局操作。通过统计局部信息对增益因子进行不同程度的调整，即为局部反锐化掩模操作。不同的局部反锐化掩膜操作，主要是增益因子$C$和高频部分$m(i,j)$的求解方法不同，接下来会通过几篇博文分别进行介绍。
关于gamma校正的详细讲解请看以下链接：
线性工作流–韩世麟