CN101211459A - 一种针对边界点进行处理的直方图均衡方法 - Google Patents

Abstract

本发明的一种针对边界点进行处理的直方图均衡方法，通过对边缘图而不是所有的图像像素进行处理的方法，来有效抑制背景噪声的蔓延，并有效保持一些灰度级不被合并，同时通过加入控制因子的方法，控制图像增强效果，使图像均值与原始图像的均值不会相差太远。

Description

一种针对边界点进行处理的直方图均衡方法

技术领域

本发明涉及一种直方图均衡方法，尤其涉及一种针对边界点进行处理的直方图均衡方法。

背景技术

直方图均衡是一种常用的图像增强技术，其优点是能自动地增强整个图像的对比度，它扩展了图像的动态范围，产生的图像密度分布变得平坦，但它的具体增强效果不易控制，处理的结果总是得到全局均衡化的直方图，而且对于某些灰度频数较小的灰度级，会被合并，造成分辨率的下降，视觉上有明显的生硬感；直方图均衡后还会增加背景噪声，而且处理后图像的均值总是在灰度范围的中值附近，与原始图像的平均灰度无关。

申请号为99122874.X的中国专利，提出了一种保持输入图像亮度的改善对比度的图像增强装置，设计了亮度差补偿器，当输出图像亮度低于输入图像时，对输出图像进行补偿，以解决亮度与原始图像灰度无关的问题，即灰度级合并造成分辨率下降，但其无法降低背景噪声。

申请号为97111448.X的中国专利，提出了一种先对图像进行低通滤波然后进行直方图均衡的方法和装置，然后将输入图像信号减去低通滤波后的信号以叠加到对比度增强后的信号上，以解决背景噪声大的问题，但其无法解决灰度级合并。

因此，如何提供一种针对边界点进行处理的直方图均衡方法以有效抑制背景噪声并减少传统的直方图均衡算法引起的灰度级合并，已成为业界亟待解决的技术问题。

发明内容

本发明提供的一种针对边界点进行处理的直方图均衡方法，其可有效抑制背景噪声，可减少传统的直方图均衡算法引起的灰度级合并，控制图像的增强效果。

为了达到上述目的，本发明提供了一种针对边界点进行处理的直方图均衡方法，其包含以下步骤：

一种针对边界点进行处理的直方图均衡方法，其能有效抑制背景噪声并减少灰度级合并，其包括以下步骤：

输入视频图像，计算该图像的亮度图f(i，j)、图像灰度级的最大值Max和最小值Min；

对该亮度图求取数个边缘点G(x，y)，每一图像边缘点的G(x，y)不小于其上下或左右的两个邻域；

以该等边缘点组成边界图像，并得到该边界图像中第i行第j列的像素点的亮度图f_E(i，j)；

对上述边界图像的亮度图f_E(i，j)进行直方图均衡，得到灰度映射函数

X′(k)＝C(X(k))*(Max′-Min′)+Min′，

其中，Min′，Max′为进行直方图拉伸后的上述边界图像灰度级的最大最小值，C为一个控制拉伸后最大最小值的常数，X(k)为该亮度图的第k个灰度级；

加入控制因子α，得到新的灰度映射函数Y(k)，使映射函数的曲线幅度可调并且对比度增强效果可控：

Y(k)＝α*X′(k)+(1-α)*k；

利用灰度映射函数Y(k)对原亮度图f(i，j)进行灰度变换，得到对比度增强后图像f_out(i，j)＝Y(f(i，j))，变换回真彩色空间，完成视频图像的对比度增强。

上述的针对边界点进行处理的直方图均衡方法，在对亮度图求取边缘点时，应用Sobel算子，以计算该亮度图的Sobel模值，即

$\mathrm{Delta}\_x=$

$\frac{|-f(i-1,j-1)-2*f(i-1,j)-f(i+1,j+1)+f(i+1,j-1)+2*f(i+1,j)+f(i+1,j+1)|}{8};$

$\mathrm{Delta}\_y=$

$\frac{|-f(i-1,j+1)-2*f(i,j+1)-f(i+1,j+1)+f(i-1,j-1)+2*f(i,j-1)+f(i+1,j-1)|}{8};$

$G(x,y)=\sqrt{(\mathrm{Delta}\_x^2+\mathrm{Delta}\_y^2)};$

其中，Delta_x和Delta_y为点f(x，y)处的一阶微分算子，G(x，y)为点f(x，y)的梯度幅值，即Sobel模值。

上述的针对边界点进行处理的直方图均衡方法，在对亮度图求取边缘点时，图像边缘点为满足下式的像素点：

G(x，y)＞T

and{{[Delta_x(i，j)＞＝Delta_y(i，j)-ξ]&[G(x，y-1)＜＝G(x，y)]&[G(x，y)＞G(x，y+1)]}；

or{[Delta_y(i，j)＞＝Delta_x(i，j)-ξ]&[G(x-1，y)＜＝G(x，y)]&[G(x，y)＞G(x+1，y)]}}

其中，T为一个预先确定的阈值，ξ为一个非常小的正数；

上述的针对边界点进行处理的直方图均衡方法，采用如下公式计算上述最大、最小值Min′，Max′：

Min′＝Min-(Min-L_value)*(Max-Min)/C；

Max′＝Max+(H_value-Max)*(Max-Min)/C

其中L_value和H_value是亮度空间的最大最小值。

上述的针对边界点进行处理的直方图均衡方法，其进一步包括计算边缘点的概率密度函数：

$P_{\mathrm{edge}}\left(X\left(k\right)\right)=\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}},$

其中，P_edge(X(k))是图像第k个灰度级X_k出现的概率，n_edge(k)是在上述亮度图f_E(i，j)中灰度级X_k出现的次数，n_{sum_edge}是上述亮度图f_E(i，j)中总的采样数，即上述边缘点的个数。

进一步地，当上述边缘点在所述的第k个灰度级的概率密度函数P_edge(X(k))小于灰度级的倒数并且这一灰度级在原亮度图中占据着整幅图的

以上时，即：

$(\frac{n\left(k\right)}{n_{\mathrm{sum}}}>\frac{2}{(\mathrm{Max}-\mathrm{Min})})\mathrm{and}(\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}}<\frac{1}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})}),$

对上述边缘点的个数进行如下修正：

n_edge′(k)＝n_edge(k)

$n_{\mathrm{edge}}\left(k\right)=\frac{s*n_{\mathrm{sum}\_\mathrm{edge}}}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})}$

n_{sum_edge}＝n_{sum_edge}+n_edge(k)-n_edge′(k)

其中，n(k)表示在整幅亮度图中灰度级X_k出现的次数，n_sum是亮度图中像素点的总个数。

上述的针对边界点进行处理的直方图均衡方法，其进一步包括计算累计密度函数：

$C\left(X\left(k\right)\right)=\underset{i=0}{\overset{k-1}{\mathrm{\&Sigma;}}}{p}_{\mathrm{edge}}\left(x\left(k\right)\right).$

上述的针对边界点进行处理的直方图均衡方法，其进一步包括计算灰度映射函数：

X′(k)＝C(X(k))*(Max′-Min′)+Min′。

上述的针对边界点进行处理的直方图均衡方法，其中：在YcbCr空间，所述的L_value＝16，H_value＝235；在HSV空间，所述的L_value＝0，H_value＝255。

上述的针对边界点进行处理的直方图均衡方法，其中：所述的亮度为YUV模型中的Y，或者是HSV模型中的V，或者是HIS模型中的I，或者是其他合理的亮度公式推导出的亮度。

与现有技术相比，本发明提供的针对边界点进行处理的直方图均衡方法，通过对边缘图而不是所有的图像像素进行处理的方法，来有效抑制背景噪声的蔓延，并有效保持一些灰度级不被合并，同时通过加入控制因子的方法，控制图像增强效果，使图像均值与原始图像的均值不会相差太远。

附图说明

本发明的一种针对边界点进行处理的直方图均衡方法由以下的实施例及附图给出。

图1是本发明提供的针对边界点进行处理的直方图均衡方法的原理方框图；

图2是本发明提供的针对边界点进行处理的直方图均衡方法的流程图。

具体实施方式

以下将对本发明的一种针对边界点进行处理的直方图均衡方法作进一步的详细描述。

如图1、图2所示，本发明提供的针对边界点进行处理的直方图均衡方法，包含以下步骤：

步骤1、输入视频图像，计算图像的亮度图f(i，j)、图像灰度级的最大值Max和最小值Min，函数f(i，j)代表在图像第i行第j列的像素点的亮度信息；

步骤2、对亮度图求取边缘点：

步骤2.1、应用Sobel算子，计算亮度图像的Sobel模值：

Sobel算子是一种传统的边缘检测提取算子，其由水平垂直的两个正模板组成，能够同时检测图像水平方向和垂直方向的边缘；

$\mathrm{Delta}\_x=$

$\frac{|-f(i-1,j-1)-2*f(i-1,j)-f(i-1,j+1)+f(i+1,j-1)+2*f(i+1,j)+f(i+1,j+1)|}{8};$

$\mathrm{Delta}\_y=$

$\frac{|-f(i-1,j-1)-2*f(i,j+1)+f(i+1,j+1)+f(i-1,j-1)+2*f(i,j-1)+f(i+1,j-1)|}{8};$

$G(x,y)=\sqrt{(\mathrm{Delta}\_x^2+\mathrm{Delta}\_y^2)};$

其中，Delta_x和Delta_y为点f(x，y)处的一阶微分算子，G(x，y)为点f(x，y)的梯度幅值，即Sobel模值；

步骤2.2、求取图像的边缘点：

图像边缘点的G(x，y)应不小于其上下或左右的两个邻域且严格大于其中之一，即满足下式条件的像素点为图像边缘点：

G(x，y)＞T

and{{[Delta_x(i，j)＞＝Delta_y(i，j)-ξ]&[G(x，y-1)＜＝G(x，y)]&[G(x，y)＞G(x，y+1)]}；

or{[Delta_y(i，j)＞＝Delta_x(i，j)-ξ]&[G(x-1，y)＜＝G(x，y)]&[G(x，y)＞G(x+1，y)]}}

其中，T为一个预先确定的阈值，ξ为一个非常小的正数；

所有满足上述条件的边缘点组成边界图像：f_E(i，j)＝f(i，j)，f_E(i，j)是对图像亮度图求边界后得到的边界图像中第i行第j列的像素点的亮度信息；

步骤3、对边界图像f_E(i，j)进行直方图均衡，得到灰度映射函数：

步骤3.1、计算进行直方图拉伸后的边界图像灰度级的最大最小值Min′，Max′：

Min′＝Min-(Min-L_value)*(Max-Min)/C；

Max′＝Max+(H_value-Max)*(Max-Min)/C

其中L_value和H_value是亮度空间的最大最小值；C为一个控制拉伸后最大最小值的常数；

步骤3.2、计算边缘点的概率密度函数：

步骤3.2.1、计算边缘点的概率密度函数： $P_{\mathrm{edge}}\left(X\left(k\right)\right)=\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}};$

其中，P_edge(X(k))是图像第k个灰度级X_k出现的概率，n_edge(k)表示在边界图像的亮度图{f_E(i，j)}中灰度级X_k出现的次数，{f_E(i，j)}表示由Max-Min+1个灰度级[X_Min，……，X_MaX]所构成的边界图像的亮度图；n_{sum_edge}是边界图像的亮度图{f_E(i，j)}中总的采样数，即边缘点的个数；

步骤3.2.2、若边缘点在所述的第k个灰度级的概率密度函数P_edge(X(k))小于灰度级的倒数

说明该灰度级对边缘图像中贡献小，可能会被合并，同时这一灰度级在原亮度图中占据着整幅图的

以上，说明这个灰度级对原亮度图的贡献很大，该灰度级不应该被合并，即：

$(\frac{n\left(k\right)}{n_{\mathrm{sum}}}>\frac{2}{(\mathrm{Max}-\mathrm{Min})})\mathrm{and}(\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}}<\frac{1}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})});$

其中，n(k)表示在整幅亮度图中灰度级X_k出现的次数，n_sum是亮度图中像素点的总个数；

若上式成立，则执行步骤3.2.3后循环返回再执行步骤3.2.1，重新计算该边缘点的概率密度函数PDF；若上式不成立，则执行步骤3.3；

步骤3.2.3、重置该边缘点中第k个灰度级出现的次数n_edge(k)，将其提升到全部边缘点数目的的s倍，使该灰度级不会被合并，其中s为大于1的数，通常取1.1即可。然后对边缘点的个数进行修正，即：

n_edge′(k)＝n_edge(k)

$n_{\mathrm{edge}}\left(k\right)=\frac{s*n_{\mathrm{sum}-\mathrm{edge}}}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})};$

n_sumedge＝n_{sum_edge}+n_edge(k)-n_edge′(k)

步骤3.3、计算累计密度函数：

$C\left(X\left(k\right)\right)=\underset{i=0}{\overset{k-1}{\mathrm{\&Sigma;}}}{p}_{\mathrm{edge}}\left(x\left(k\right)\right);$

步骤3.4、计算灰度映射函数：

X′(k)＝C(X(k))*(Max′-Min′)+Min′；

步骤4、加入控制因子α，得到新的灰度映射函数Y(k)，使映射函数的曲线幅度可调，对比度增强效果可控：

Y(k)＝α*X′(k)+(1-α)*k；

其中，α的值在[0，1]之间，α越小，越接近原图，当α＝0时，是原图，没有变化；α越大，对比度越大，当α＝1时，就完全是直方图均衡的结果；

步骤5、利用灰度映射函数Y(k)对原亮度图像进行灰度变换，得到对比度增强后图像：f_out(i，j)＝Y(f(i，j))，变换回真彩色空间，完成视频图像的对比度增强。

在上述步骤3.1中，在YcbCr空间(Y表示亮度，cb、cr表示两个色差信号)，所述的L_{_value}＝16，H_{_value}＝235；在HSV空间(s为饱和度、v为亮度，h为色调)，所述的L_{_value}＝0，H_{_value}＝255。

在上述步骤1中，所述的亮度可以是YUV模型(Y为亮度；U，V为色差信号)中的Y，或者是HSV模型(色调.H，饱和度.S，和亮度.V)中的V，或者是HIS模型(H：hue色相，S：saturation饱和度，I：intensity强度)中的I，或者是其他合理的亮度公式推导出的亮度。YUV模型、HSV模型及HSV模型均为常用的颜色感知模型，这种色彩模型用色彩的三属性来描述颜色。

综上所述，本发明提供的一种针对边界点进行处理的直方图均衡方法，通过对边缘图而不是所有的图像像素进行处理的方法，来有效抑制背景噪声的蔓延，并有效保持一些灰度级不被合并，同时通过加入控制因子的方法，控制图像增强效果，使图像均值与原始图像的均值不会相差太远。

Claims (10)

1.一种针对边界点进行处理的直方图均衡方法，其能有效抑制背景噪声并减少灰度级合并，其特征在于包括以下步骤：

输入视频图像，计算该图像的亮度图f(i，j)、图像灰度级的最大值Max和最小值Min；

对该亮度图求取数个边缘点G(x，y)，每一图像边缘点的G(x，y)不小于其上下或左右的两个邻域；

以该等边缘点组成边界图像，并得到该边界图像中第i行第j列的像素点的亮度图f_E(i，j)；

对上述边界图像的亮度图f_E(i，j)进行直方图均衡，得到灰度映射函数：

X′(k)＝C(X(k))*(Max′-Min′)+Min′；

其中，Min′，Max′为进行直方图拉伸后的上述边界图像灰度级的最大最小值，C为一个控制拉伸后最大最小值的常数，X(k)为该亮度图的第k个灰度级；

加入控制因子α，得到新的灰度映射函数Y(k)，使该映射函数的曲线幅度可调并且对比度增强效果可控：

Y(k)＝α*X′(k)+(1-α)*k；

利用该灰度映射函数Y(k)对上述亮度图f(i，j)进行灰度变换，得到对比度增强后的图像f_out(i，j)＝Y(f(i，j))，以变换回真彩色空间，完成视频图像的对比度增强。

2.如权利要求1所述的针对边界点进行处理的直方图均衡方法，其特征在于：在对亮度图求取边缘点时，应用Sobel算子，以计算该亮度图的Sobel模值：

$\mathrm{Delta}\_x=$

$\frac{|-f(i-1,j-1)-2*f(i-1,j)-f(i-1,j+1)+f(i+1,j+1)+2*f(i+1,j)+f(i+1,j+1)|}{8};$

$\mathrm{Delta}\_y=$

$\frac{|-f(i-1,j+1)-2*f(i,j+1)-f(i+1,j+1)+f(i-1,j-1)+2*f(i,j-1)+f(i+1,j-1)|}{8};$

$G(x,y)=\sqrt{(\mathrm{Delta}\_x^2+\mathrm{Delta}\_y^2)};$

其中，Delta_x和Delta_y为点f(x，y)处的一阶微分算子，G(x，y)为点f(x，y)的梯度幅值，即Sobel模值。

3.如权利要求1所述的针对边界点进行处理的直方图均衡方法，其特征在于：在对亮度图求取边缘点时，图像边缘点为满足下式的像素点：

G(x，y)＞T

and{{[Delta_x(i，j)＞＝Delta_y(i，j)-ξ]&[G(x，y-1)＜＝G(x，y)]&[G(x，y)>G(x，y+1)]}；

or{[Delta_y(i，j)＞＝Delta_x(i，j)-ξ]&[G(x-1，y)＜＝G(x，y)]&[G(x，y)＞G(x+1，y)]}}

其中，T为一个预先确定的阈值，ξ为一个非常小的正数；

4.如权利要求1所述的针对边界点进行处理的直方图均衡方法，其特征在于：在对上述边界图像的亮度图f_E(i，j)进行直方图均衡时，采用如下公式计算上述最大、最小值Min′，Max′：

Min′＝Min_-Min-L_value)*(Max-Min)/C

Max′＝Max+(H_value-Max)*(Max-Min)/C；

其中L_value和H_value是亮度空间的最大最小值。

5.如权利要求4所述的针对边界点进行处理的直方图均衡方法，其特征在于，进一步包括计算该边缘点的概率密度函数：

$P_{\mathrm{edge}}\left(X\left(k\right)\right)=\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}};$

其中，P_edge(X(k))是图像第k个灰度级X_k出现的概率，n_edge(k)是在上述亮度图f_E(i，j)中灰度级X_k出现的次数，n_{sum_edge}是上述亮度图f_E(i，j)中总的采样数，即上述边缘点的个数。

6.如权利要求5所述的针对边界点进行处理的直方图均衡方法，其特征在于：当上述边缘点在所述的第k个灰度级的概率密度函数P_edge(X(k))小于灰度级的倒数

并且这一灰度级在原亮度图中占据着整幅图的

以上时，即：

$(\frac{n\left(k\right)}{n_{\mathrm{sum}}}>\frac{2}{(\mathrm{Max}-\mathrm{Min})})\mathrm{and}(\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}}<\frac{1}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})}),$

则对上述边缘点的个数进行如下修正：

n_edge′(k)＝n_edge(k)

$n_{\mathrm{edge}}\left(k\right)=\frac{n_{\mathrm{sum}\_\mathrm{edge}}}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})},$

n_{sum_edge}＝n_{sum_edge}+n_edge(k)-n_edge′(k)

其中，n(k)表示在整幅亮度图中灰度级X_k出现的次数，n_sum是亮度图中像素点的总个数。

7.如权利要求5所述的针对边界点进行处理的直方图均衡方法，其特征在于，进一步包括计算累计密度函数：

$C\left(X\left(k\right)\right)=\underset{i=0}{\overset{k-1}{\mathrm{\&Sigma;}}}{p}_{\mathrm{edge}}\left(X\left(k\right)\right).$

8.如权利要求7所述的针对边界点进行处理的直方图均衡方法，其特征在于，进一步包括计算灰度映射函数：

X′(k)＝C(X(k))*(Max′-Min′)+Min′。

9.如权利要求4所述的针对边界点进行处理的直方图均衡方法，其特征在于：在YcbCr空间，所述的L_value＝16，H_value＝235；在HSV空间，所述的L_value＝0，H_value＝255。

10.如权利要求1所述的针对边界点进行处理的直方图均衡方法，其特征在于：所述的亮度为YUV模型中的Y，或是HSV模型中的V，或是HIS模型中的I，或是其他合理的亮度公式推导出的亮度。

Images