CN102722871B - 一种快速有效的图像增强方法 - Google Patents

Abstract

本发明公开了一种快速有效的图像增强方法，该方法步骤包括，首先获取灰度图，然后采用带背光补偿亮度保持的QDHE算法对获取的灰度图进行全局对比度的提升，进而得到全局对比度提升的灰度图，以及采用带噪声抑制的反锐化掩膜算法对获取的灰度图进行局部对比度的提升，进而得到局部对比度提升的灰度图，最后将全局对比度提升的灰度图和局部对比度提升的灰度图进行叠加，进而输出一幅增强图像的灰度图。本发明能够在防止高亮区域变得过增强的同时补偿暗区域以及在增强边缘信息的同时压制噪声点，进而大大提高图像的质量，而且具有较低的时间复杂度进而可实现实时处理。本发明作为一种快速有效的图像增强方法广泛应用在光学识别领域中。

Description

一种快速有效的图像增强方法

技术领域

本发明涉及图像处理技术，尤其涉及一种基于改进的直方图均衡化算法和改进的反锐化掩模算法结合的快速有效的图像增强方法。

背景技术

对于识别灰度图中的信息，例如识别二维条码图像中的二维码信息和文字图像中的文字信息，由于光照环境的影响，其容易导致灰度图的质量下降，特别是当光线不足时，则会导致灰度图中条的灰度值（即用于表示信息的像素点的灰度值）以及空的灰度值（即用于表示空白的像素点的灰度）相对接近，进而造成条的灰度值与空的灰度值的对比度下降，同时引起大量噪声进而导致细节不够清晰，因此这样常常会造成灰度图的信息识别率低下。而对于灰度图的信息识别率低下这一问题，应采用灰度图对比度提升和降噪的手段将质量下降的灰度图进行处理。

现有的灰度图对比度提升的技术通常可以分为两类：全局增强技术和局部增强技术。全局增强技术利用某些转换函数对灰度图的亮度通道或颜色通道进行处理，进而使灰度图达到显示设备的最大显示动态范围从而获取更多的图像细节，此技术通常采用线性或非线性函数、直方图均衡化、模糊对比度集约化等方法来间接提升整幅灰度图的对比度，然而其对局部细节的提升不足；局部增强技术通常利用灰度图中的边缘信息和局部统计信息来对图像局部细节进行增强，然而，基于最优化转换函数和平均边缘灰度对比度检测方法进而提出的通过拉伸亮度值而提高对比度的方法，其在提高对比度的同时也增强了噪声。因此如何在提升对比度的同时抑制噪声，这是一个迫切解决的问题。

发明内容

为了解决上述技术问题，本发明的目的是提供一种在提升对比度的同时抑制噪声的快速有效的图像增强方法。

本发明所采用的技术方案是：一种快速有效的图像增强方法，该方法步骤包括：

获取灰度图；

采用带背光补偿亮度保持的QDHE算法对获取的灰度图进行全局对比度的提升，进而得到全局对比度提升的灰度图；

采用带噪声抑制的反锐化掩膜算法对获取的灰度图进行局部对比度的提升，进而得到局部对比度提升的灰度图；

将全局对比度提升的灰度图和局部对比度提升的灰度图进行叠加，进而输出一幅增强图像的灰度图。

进一步， 所述步骤采用带背光补偿亮度保持的QDHE算法对获取的灰度图进行全局对比度的提升，进而得到全局对比度提升的灰度图，其包括：

采用压缩高亮直方图部分的方法对获取的灰度图的直方图进行处理，进而得到待处理灰度图；

将待处理灰度图划分区域后计算出每个子区域的直方图；

采用带门限剪切的动态区域划分方法对每个子区域的直方图进行处理后，每个子区域的直方图分别进行独立的直方图均衡，进而得到全局对比度提升的灰度图。

进一步，所述步骤采用带噪声抑制的反锐化掩膜算法对获取的灰度图进行局部对比度的提升，进而得到局部对比度提升的灰度图，其包括：

采用拉普拉斯算子对获取的灰度图进行边缘滤波，进而获得边缘图像；

对边缘图像的直方图进行边缘判别，根据判别结果进而采用直方图均衡方法对边缘图像的直方图进行边缘自适应提升后得到局部对比度提升的灰度图。    

进一步，所述步骤采用压缩高亮直方图部分的方法对获取的灰度图的直方图进行处理，进而得到待处理灰度图中，所述压缩高亮直方图部分的方法，其采用的公式如下：

其中，表示压缩后的灰度级k的直方图，h(k)表示原灰度图的灰度级k的直方图，α为常量，n为max(1,1+p₁-p₂)，即n的值为1和1+p₁-p₂中较大的数，而p₁表示低照度区域的比例，p₂表示高照度区域的比例。

进一步，所述步骤将待处理灰度图划分区域后计算出每个子区域的直方图，其具体为，采用5个点将待处理灰度图划分4个子区域后计算出每个子区域的直方图。 

进一步，所述步骤采用带门限剪切的动态区域划分方法对每个子区域的直方图进行处理后，每个子区域的直方图分别进行独立的直方图均衡，进而得到全局对比度提升的灰度图，其包括：

对每个子区域的直方图进行动态分配范围；

采用带门限剪切的方法对每个子区域的直方图进行修正；

对每个子区域的直方图分别进行独立的直方图均衡后重建每个子区域内的亮度映射表，根据每个子区域的亮度映射表进而得到全局对比度提升的灰度图。

进一步，所述步骤对每个子区域进行动态分配范围，其包括：

计算每个子区域的直方图的动态划分范围，其计算的公式如下：

其中，span_i表示第i个子区域的直方图的动态划分范围，m_i表示第i个子区域的直方图的最低端点，m_i+1表示第i个子区域的直方图的最高端点；

计算每个子区域的直方图的动态划分范围和像素数量之和的比例因子，其计算的公式如下：

其中，factor_i表示第i个子区域的比例因子，M_i表示第i个子区域的像素数量之和；

计算每个子区域的直方图的新范围，其计算的公式如下：

其中，range_i表示第i个子区域的直方图的新范围，L-1表示图像的最大亮度值，表示子区域的比例因子之和。

进一步，所述步骤采用带门限剪切的方法对每个子区域的直方图进行修正中，所述门限剪切为中值门限剪切。

进一步，所述步骤对边缘图像的直方图进行边缘判别，根据判别结果进而采用直方图均衡方法对边缘图像的直方图进行边缘自适应提升后得到局部对比度提升的灰度图中，采用Rosin算法对边缘图像的直方图进行边缘判别。 

进一步，所述步骤对边缘图像的直方图进行边缘判别，根据判别结果进而采用直方图均衡方法对边缘图像的直方图进行边缘自适应提升后得到局部对比度提升的灰度图，其包括；

采用Rosin算法对边缘图像的直方图进行处理，进而得到阈值；

根据阈值判断边缘图像的直方图中大于阈值的部分后，对大于阈值的部分进行直方图均衡，进而得到局部对比度提升的灰度图。

本发明的有益效果是：本发明采用带背光补偿亮度保持的QDHE算法以及带噪声抑制的反锐化掩膜算法分别对获取的灰度图进行全局对比度提升和局部对比度提升，因此本发明能够在防止高亮区域变得过增强的同时补偿暗区域以及在增强边缘信息的同时压制噪声点，进而大大提高图像的质量，而且具有较低的时间复杂度进而可实现实时处理。

附图说明

下面结合附图对本发明的具体实施方式作进一步说明：

图1是本发明一种快速有效的图像增强方法的一具体实施方式的方法步骤图；

图2是本发明一种快速有效的图像增强方法的另一具体实施方式的方法步骤图。

具体实施方式

由图1和图2所示，本发明一具体实施方式提供的一种快速有效的图像增强方法，该方法步骤包括：

获取灰度图；

采用带背光补偿亮度保持的QDHE算法对获取的灰度图进行全局对比度的提升，进而得到全局对比度提升的灰度图，所述QDHE算法为四区域动态划分直方图均衡算法；

采用带噪声抑制的反锐化掩膜算法对获取的灰度图进行局部对比度的提升，进而得到局部对比度提升的灰度图；

将全局对比度提升的灰度图和局部对比度提升的灰度图进行叠加，进而输出一幅增强图像的灰度图。

进一步作为优选的实施方式，所述步骤采用带背光补偿亮度保持的QDHE算法对获取的灰度图进行全局对比度的提升，进而得到全局对比度提升的灰度图，其包括：

采用压缩高亮直方图部分的方法对获取的灰度图的直方图进行处理，进而得到待处理灰度图；

将待处理灰度图划分区域后计算出每个子区域的直方图；

采用带门限剪切的动态区域划分方法对每个子区域的直方图进行处理后，每个子区域的直方图分别进行独立的直方图均衡，进而得到全局对比度提升的灰度图。

进一步作为优选的实施方式，所述步骤采用压缩高亮直方图部分的方法对获取的灰度图的直方图进行处理，进而得到待处理灰度图中，所述压缩高亮直方图部分的方法，其采用的公式如下：

其中，表示压缩后的灰度级k的直方图，h(k)表示原灰度图的灰度级k的直方图，α为常量，n为max(1,1+p₁-p₂)，即n的值为1和1+p₁-p₂中较大的数，而p₁表示低照度区域的比例，p₂表示高照度区域的比例。低照度与高照度的划分点取图像的平均亮度值，而所述的常量α是为了保证概率密度函数之和为1。

由于采用压缩高亮直方图部分的方法对获取的灰度图的直方图进行处理，因此这样能够避免亮度值映射函数中突然增大的问题以及在防止高亮区域变得过增强的同时补偿了图像中的暗区域，而且虽然其余区域不能得到提升但是也不会导致其细节丢失或者对比度下降。

进一步作为优选的实施方式，所述步骤将待处理灰度图划分区域后计算出每个子区域的直方图，其具体为，采用5个点将待处理灰度图划分4个子区域后计算出每个子区域的直方图。

所述5个点为{m₀,m₁,m₂,m₃,m₄},m₀为图像最小灰度值，m₄为图像最大灰度值，而m₁，m₂，m₃这三个分割点的公式描述如下：

其中分割点m1,m2，m3分别为图像亮度集合的0.25,0.5,0.75处，I_width表示图像的宽度，I_height表示图像的高度。由于通过上述的5个点将图像划分为4个子区域，而每一个子区域分别拥有自身的直方图，因此共有4个子区域的直方图。

进一步作为优选的实施方式，所述步骤采用带门限剪切的动态区域划分方法对每个子区域的直方图进行处理后，每个子区域的直方图分别进行独立的直方图均衡，进而得到全局对比度提升的灰度图，其包括：

对每个子区域的直方图进行动态分配范围；

采用带门限剪切的方法对每个子区域的直方图进行修正；

对每个子区域的直方图分别进行独立的直方图均衡后重建每个子区域内的亮度映射表，根据每个子区域的亮度映射表进而得到全局对比度提升的灰度图。

进一步作为优选的实施方式，所述步骤对每个子区域进行动态分配范围，其包括：

计算每个子区域的直方图的动态划分范围，其计算的公式如下：

其中，span_i表示第i个子区域的直方图的动态划分范围，m_i表示第i个子区域的直方图的最低端点，m_i+1表示第i个子区域的直方图的最高端点；

计算每个子区域的直方图的动态划分范围和像素数量之和的比例因子，其计算的公式如下：

其中，factor_i表示第i个子区域的比例因子，M_i表示第i个子区域的像素数量之和；

计算每个子区域的直方图的新范围，其计算的公式如下：

其中，range_i表示第i个子区域的直方图的新范围，L-1表示图像的最大亮度值，表示子区域的比例因子之和。若数字图像为8位，即L-1最大亮度值为255。

进一步作为优选的实施方式，所述步骤采用带门限剪切的方法对每个子区域的直方图进行修正中，所述门限剪切为中值门限剪切。采用带门剪切的方法对每个子区域的直方图进行修正，其即为，根据某一阈值而对直方图的值进行限制或提升，进而控制直方图均衡的提升度，所述的阈值即为门限剪切。而本发明采用的带中值门限剪切的方法中，所述的中值门限剪切为直方图的中值，因此所述的阈值为直方图的中值，即根据直方图的中值对每个子区域的直方图进行修正。而本发明通过采用带中值门限剪切的方法对每个子区域的直方图进行修正，这样能够保证每个子区域在暗区域得到足够的提升。

根据上述可知，第i个子区域的直方图的新范围是range_i，因此，所述步骤对每个子区域的直方图分别进行独立的直方图均衡后重建每个子区域内的亮度映射表，根据每个子区域的亮度映射表进而得到全局对比图提升的灰度图中，每个子区域重建的亮度映射表，其数学表达式如下：

其中，i_start表示前一个子区域最大亮度值，cdf(k)表示子区域的累积密度函数。而cdf(k)的函数表达式如下：

其中，m_k表示第k个子区域的直方图的动态划分范围段起始点，m_k+1表示第k个子区域的直方图的动态划分范围段终止点，M_k表示第k个子区域的像素数量之和。

因此，通过利用上述的亮度映射表赋予图像新的亮度值，即完成图像的全局对比度增强，进而得到一幅全局对比度提升的灰度图。

进一步作为优选的实施方式，所述步骤采用带噪声抑制的反锐化掩膜算法对获取的灰度图进行局部对比度的提升，进而得到局部对比度提升的灰度图，其包括：

采用拉普拉斯算子对获取的灰度图进行边缘滤波，进而获得边缘图像，其中采用的拉普拉斯算子为

，

而采用拉普拉斯算子对获取的灰度图进行边缘滤波，每个像素点要访问9次；

对边缘图像的直方图进行边缘判别，根据判别结果进而采用直方图均衡方法对边缘图像的直方图进行边缘自适应提升后得到局部对比度提升的灰度图。

进一步作为优选的实施方式，所述步骤对边缘图像的直方图进行边缘判别，根据判别结果进而采用直方图均衡方法对边缘图像的直方图进行边缘自适应提升后得到局部对比度提升的灰度图中，采用Rosin算法对边缘图像的直方图进行边缘判别。所述Rosin算法的原理是，其假设图像的直方图分布只有一个峰且位于底端，或者只有两个峰，但第二个峰非常小，在主峰靠近底部的地方有一个可检测的角点，其对应的就是合适的阈值，即实际上就是先计算图像的直方图的起始点与终止点之间的连接线，然后计算出到该连接线最大垂直距离的点。所述起始点是直方图峰值点的下一个点，终止点是直方图峰值点的灰度级至直方图的值为0的最高灰度值的前一个点。

进一步作为优选的实施方式，所述步骤对边缘图像的直方图进行边缘判别，根据判别结果进而采用直方图均衡方法对边缘图像的直方图进行边缘自适应提升后得到局部对比度提升的灰度图，其包括；

采用Rosin算法对边缘图像的直方图进行处理，进而得到阈值，所述阈值亦即到该连接线最大垂直距离的点；

根据阈值判断边缘图像的直方图中大于阈值的部分后，对大于阈值的部分进行直方图均衡，进而得到局部对比度提升的灰度图。此步骤中，对大于阈值的部分进行直方图均衡，即只对真正的边缘部分进行增强，因此能够达到提升图像细节而且抑制噪声的目的。而对于增强边缘图像，则每个像素点需要访问两次，第一次为直方图统计，第二次为亮度映射，其时间复杂度为O（n）。

因此，通过采用带背光补偿亮度保持的QDHE算法以及带噪声抑制的反锐化掩膜算法分别得到全局对比度提升的灰度图和局部对比度提升的灰度图后，将全局对比度提升的灰度图和局部对比度提升的灰度图叠加，便可得到一幅质量高的增强图像，而其时间复杂度也是O（n）。因此本发明的时间复杂度为O（n），即本发明具有较低的时间复杂度。

具体实施例一

分别采用传统的直方图均衡算法、反锐化掩膜算法、SSR算法、MSR算法以及本发明分别对文字灰度图、弱光源环境下拍摄的二维条码灰度图、强光源环境下拍摄的二维条码灰度图以及月亮灰度图进行增强处理，进而从亮度、对比度、熵以及信噪比这四个指标对图像进行质量评价。所述熵表示为图像的信息量。

由表1可知，其表示文字灰度图、弱光源环境下拍摄的二维条码灰度图、强光源环境下拍摄的二维条码灰度图以及月亮灰度图，这四幅灰度图分别经过传统的直方图均衡算法、反锐化掩膜算法、SSR算法、MSR算法以及本发明进行处理后得到不同的图像亮度，另外表1中还有所述四幅灰度图的原图像亮度，其用于与进行处理后得到的图像亮度进行比较。所述表1如下：

在表1中，HE表示直方图均衡算法，UM表示反锐化掩膜算法。从表1中可以看出，对于强光源图像，即强光源环境下拍摄的二维条码灰度图，各种算法均降低了图像的整体亮度；对于文字灰度图，除了直方图均衡算法降低了图像的亮度外，其它算法均对图像的亮度进行了不同程度的提升。而经本发明处理后的图像，该亮度几乎不变化，因此本发明有保持图像亮度的特点。

由表2可知，其表示文字灰度图、弱光源环境下拍摄的二维条码灰度图、强光源环境下拍摄的二维条码灰度图以及月亮灰度图，这四幅灰度图分别经过传统的直方图均衡算法、反锐化掩膜算法、SSR算法、MSR算法以及本发明进行处理后得到不同的对比度，另外表2中还有所述四幅灰度图的原图像对比度，其用于与进行处理后得到的图像对比度进行比较。所述表2如下：

在表2中，HE表示直方图均衡算法，UM表示反锐化掩膜算法。从表2中可以看出，对于对比度高的对象，即强光源环境下拍摄的二维条码灰度图以及月亮灰度图，SSR算法和MSR算法的对比度提升的效果不理想；反锐化掩膜算法对弱光源环境下拍摄的二维条码灰度图和强光源环境下拍摄的二维条码灰度图的对比度没有提升，反而下降了；直方图均衡算法对图像对比度的提升程度不大。而本发明因为采用带背光补偿亮度保持的QDHE算法对获取的灰度图进行全局对比度的提升，因此从结果来看，本发明对比度的提升基本上保持不变。

由表3可知，其表示文字灰度图、弱光源环境下拍摄的二维条码灰度图、强光源环境下拍摄的二维条码灰度图以及月亮灰度图，这四幅灰度图分别经过传统的直方图均衡算法、反锐化掩膜算法、SSR算法、MSR算法以及本发明进行处理后得到不同的熵，所述熵即为图像的信息量，另外表3中还有所述四幅灰度图的原图像的熵，其用于与进行处理后得到的图像的熵进行比较。所述表3如下：

在表3中，HE表示直方图均衡算法，UM表示反锐化掩膜算法。从表3中可以看出，经过直方图均衡算法进行图像增强后，4个灰度图的熵反而减少了，这是由于直方图均衡算法令某些输出图像的灰度级合并后丢失了细节部分而造成的；SSR算法和MSR算法对强光源环境下拍摄的二维条码灰度图进行图像增强后，其熵有极大的提高，信息量丰富，而对月亮灰度图进行图像增强后，其熵也有较大的提高，但是却会出现光晕现象。而反锐化掩膜算法和本发明对4个灰度图进行处理后，信息量都有提升，其中以本发明的提升最为稳定。

由表4可知，其表示文字灰度图、弱光源环境下拍摄的二维条码灰度图、强光源环境下拍摄的二维条码灰度图以及月亮灰度图，这四幅灰度图分别经过传统的直方图均衡算法、反锐化掩膜算法、SSR算法、MSR算法以及本发明进行处理后得到图像与原灰度图之间的信噪比。所述表4如下：

在表4中，HE表示直方图均衡算法，UM表示反锐化掩膜算法。从表4中可以看出，SSR算法和MSR算法的信噪比不理想；直方图均衡算法和反锐化掩膜算法的信噪比很低，两者均对噪声很敏感。而本发明的信噪比是最高的，因此说明本发明具有强的噪声抑制能力。

因此综上所述，本发明具有亮度保持、强光压制、弱光源提升、抑制噪声、提升细节等优点，而且具有较低的时间复杂度，适合实时处理。 

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (5)

1.一种快速有效的图像增强方法，其特征在于：该方法步骤包括：

获取灰度图；

采用带背光补偿亮度保持的QDHE算法对获取的灰度图进行全局对比度的提升，进而得到全局对比度提升的灰度图；

采用带噪声抑制的反锐化掩膜算法对获取的灰度图进行局部对比度的提升，进而得到局部对比度提升的灰度图；

将全局对比度提升的灰度图和局部对比度提升的灰度图进行叠加，进而输出一幅增强图像的灰度图；

所述步骤采用带背光补偿亮度保持的QDHE算法对获取的灰度图进行全局对比度的提升，进而得到全局对比度提升的灰度图，其包括：

采用压缩高亮直方图部分的方法对获取的灰度图的直方图进行处理，进而得到待处理灰度图；

将待处理灰度图划分区域后计算出每个子区域的直方图；

采用带门限剪切的动态区域划分方法对每个子区域的直方图进行处理后，每个子区域的直方图分别进行独立的直方图均衡，进而得到全局对比度提升的灰度图；

所述步骤采用带噪声抑制的反锐化掩膜算法对获取的灰度图进行局部对比度的提升，进而得到局部对比度提升的灰度图，其包括：

采用拉普拉斯算子对获取的灰度图进行边缘滤波，进而获得边缘图像；

对边缘图像的直方图进行边缘判别，根据判别结果进而采用直方图均衡方法对边缘图像的直方图进行边缘自适应提升后得到局部对比度提升的灰度图；

所述步骤采用压缩高亮直方图部分的方法对获取的灰度图的直方图进行处理，进而得到待处理灰度图中，所述压缩高亮直方图部分的方法，其采用的公式如下：

h'(k)＝α(h(k))^1/n

其中，h'(k)表示压缩后的灰度级k的直方图，h(k)表示原灰度图的灰度级k的直方图，α为常量，n为max(1,1+p₁-p₂)，即n的值为1和1+p₁-p₂中较大的数，而p₁表示低照度区域的比例，p₂表示高照度区域的比例；

所述步骤采用带门限剪切的动态区域划分方法对每个子区域的直方图进行处理后，每个子区域的直方图分别进行独立的直方图均衡，进而得到全局对比度提升的灰度图，其包括：

对每个子区域的直方图进行动态分配范围；

采用带门限剪切的方法对每个子区域的直方图进行修正；

对每个子区域的直方图分别进行独立的直方图均衡后重建每个子区域内的亮度映射表，根据每个子区域的亮度映射表进而得到全局对比度提升的灰度图；

所述步骤对每个子区域的直方图进行动态分配范围，其包括：

计算每个子区域的直方图的动态划分范围，其计算的公式如下：

span_i＝m_i+1-m_i

其中，span_i表示第i个子区域的直方图的动态划分范围，m_i表示第i个子区域的直方图的最低端点，m_i+1表示第i个子区域的直方图的最高端点；

计算每个子区域的直方图的动态划分范围和像素数量之和的比例因子，其计算的公式如下：

factor_i＝span_i×log₁₀M_i

其中，factor_i表示第i个子区域的比例因子，M_i表示第i个子区域的像素数量之和；

计算每个子区域的直方图的新范围，其计算的公式如下：

${\mathrm{range}}_i=(L-1)\×{\mathrm{factor}}_i/{\mathrm{\Σ}}_{k=1}^N{\mathrm{factor}}_k$

其中，range_i表示第i个子区域的直方图的新范围，L-1表示图像的最大亮度值，表示子区域的比例因子之和，N表示所有划分子区域的个数。

2.根据权利要求1所述一种快速有效的图像增强方法，其特征在于：所述步骤将待处理灰度图划分区域后计算出每个子区域的直方图，其具体为，采用5个点将待处理灰度图划分4个子区域后计算出每个子区域的直方图。

3.根据权利要求1所述一种快速有效的图像增强方法，其特征在于：所述步骤采用带门限剪切的方法对每个子区域的直方图进行修正中，所述门限剪切为中值门限剪切。

4.根据权利要求1所述一种快速有效的图像增强方法，其特征在于：所述步骤对边缘图像的直方图进行边缘判别，根据判别结果进而采用直方图均衡方法对边缘图像的直方图进行边缘自适应提升后得到局部对比度提升的灰度图中，采用Rosin算法对边缘图像的直方图进行边缘判别。

5.根据权利要求1所述一种快速有效的图像增强方法，其特征在于：所述步骤对边缘图像的直方图进行边缘判别，根据判别结果进而采用直方图均衡方法对边缘图像的直方图进行边缘自适应提升后得到局部对比度提升的灰度图，其包括；

采用Rosin算法对边缘图像的直方图进行处理，进而得到阈值；

根据阈值判断边缘图像的直方图中大于阈值的部分后，对大于阈值的部分进行直方图均衡，进而得到局部对比度提升的灰度图。