CN103440635A - 一种基于学习的对比度受限自适应直方图均衡方法 - Google Patents

Abstract

本发明涉及一种基于学习的对比度受限自适应直方图均衡方法，其在进行参数的学习训练的基础上，通过对大量训练图像进行统计和分类，从而得到预设的最优经验参数，在接收到输入图像时，根据类似的方法对输入图像进行统计和分类，并自动选取预设的最优经验参数，且不管是训练图像还是输入图像均以其子块为单位进行统计，并设置子块各自的裁剪幅度范围，从而能够很好的处理亮度不同的子块之间的对比度使其达到全局均衡，防止过度放大细节导致图像失真，是一种处理快速并且效果显著的图像增强处理方法。

Description

一种基于学习的对比度受限自适应直方图均衡方法

技术领域

本发明涉及一种图像增强处理方法，特别是一种基于学习的对比度受限自适应直方图均衡方法。

背景技术

图像增强是图像增强领域中最常用、最重要的技术之一，其将原来不清晰的图像变得清晰或强调某些关注的特征，抑制非关注的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法，是图像处理的最基本的方法，它往往是各种图像在进行分析与处理时必须的预处理操作;图像增强的目的是通过对图像进行调整，来改善图像视觉效果。

图像对比度增强的方法可以分成两类:一类是直接对比度增强方法，另一类是间接对比度增强方法。直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法:直方图拉伸是通过对比度拉伸对直方图进行调整，从而“扩大”前景和背景灰度的差别，以达到增强对比度的目的，这种方法可以利用线性或非线性的方法来实现;直方图均衡化则通过使用累积函数对灰度值进行调整以实现对比度的增强。

直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法，这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候，通过这种方法，亮度可以更好地在直方图上分布，这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。

累积直方图均衡化(CDF):通过原始图像灰度值分布直方图的累积分布函数计算累积分布直方图。累积的计算公式如下:

$S^{\′}={\∫}_0^r{p}_r\left(w\right)\mathrm{dw}$

其中，S′表示处理后图像的灰度值，p_r(w)表示原始图像灰度级的概率密度函数;由于CDF是针对整个图像进行处理，将占灰度级比较少的纹理细节像素点合并到一个灰度级，并且将背景噪声放大。

自适应直方图均衡化(AHE):其通过将图像划分为多个子区域，对每个子区域进行CDF灰度拉伸，并且针对区域效应进行权重线性插值，解决了CDF的问题，但是它也同样会放大噪声。

对比度受限的自适应直方图均衡化(CLAHE):在AHE的基础上CLAHE限制对比度的范围，可以有效地控制放大噪声，但是它是对所有区域都采用同样的对比度限制范围，当原始图像存在很亮和很暗的区域时，如果让暗区域和亮区域的对比度和亮度被提高到合理的值，就会造成亮区域被过分处理，而且对细节的保留也不好，会造成失真。

发明内容

本发明为解决上述问题，提供了一种处理快速并且效果显著的基于学习的对比度受限自适应直方图均衡方法，可防止过度放大细节丢失的过暗部分带来的失真，使得在图像美化过程中又不失其真实感。

为实现上述目的，本发明采用的技术方案为:

一种基于学习的对比度受限自适应直方图均衡方法，其特征在于，包括以下步骤:

步骤1.进行参数的学习训练:

1.1.收集多张训练图像，将每张训练图像分割为若干子块，以子块的灰度均值为特征统计整个训练图像灰度值的均值和方差，以均值和方差作为该训练图像的特征参数采用聚类算法将训练图像进行自动分类，得到分类模型，每一类训练图像的灰度值具有相似的均值和方差;

1.2.根据训练图像类别为每一类图像预设最优经验参数，包括水平和竖直网格数，直方图裁剪幅度和直方图数量;

步骤2.接收输入图像，将输入图像分割为若干子块，以子块的灰度均值为单位统计整个输入图像灰度值的均值和方差，并根据步骤1.1所述的聚类算法得到的分类模型自动对输入图像进行分类，并对各输入图像类别选取步骤1.2所述的预设最优经验参数;

步骤3.根据选取的最优水平和竖直网格数、最优直方图裁剪幅度、最优直方图数量，为每个子块设置自适应的参数值:

3.1.计算每个子块灰度值的均值、最大值、最小值，并以子块的灰度均值为特征统计整个输入图像的灰度值的均值;

3.2.依据所述子块的均值与所述整个输入图像的均值的差异幅度设置子块自适应的裁剪幅度范围;

步骤4.为每一个所述直方图依据所述的裁剪幅度范围进行裁剪，对高于裁剪尺寸的灰度值平均分配给所有的灰度区间得到新的灰度直方图;

步骤5.将计算得到的新的灰度直方图通过映射表映射回原输入图像;

步骤6.对输入图像的相邻子块进行插值处理;

步骤7.输出结果图像。

优选的，所述步骤1或步骤2中训练图像或输入图像的预设最优经验参数的选取原则为;图像灰度值的方差较大，即图像的明暗差别较明显，给予较高的网格数量;图像灰度值的均值较大，即亮度图像较亮，给予较小裁剪幅度。

优选的，所述步骤1.1中子块的均值和整个训练图像的均值及方差的计算公式如下:

整个训练图像均值公式: $\mathrm{avgColor}\_i=\left(\underset{j=1}{\overset{\mathrm{count}}{\mathrm{\Σ}}}{\mathrm{color}}_j^i\right)/\mathrm{count},i\∈[1,\mathrm{patch}]$

子块的均值公式: $\mathrm{avgColor}=\underset{i=1}{\overset{\mathrm{patch}}{\mathrm{\Σ}}}\mathrm{avgColor}\_i$

整个训练图像方差公式: $\mathrm{varianceColor}=\left(\underset{1}{\overset{\mathrm{patch}}{\mathrm{\Σ}}}{(\mathrm{avgColor}\_i-\mathrm{avgColor})}^2\right)/\mathrm{patch}$

其中，color_j ⁱ为第i块第j个像素点的颜色值;count为一个图像块中像素个数;avgColor_i为第i个子块的计算后的灰度均值;avgColor为训练图像以子块为单位的图像灰度均值;varianceColor为整个图像的均值;patch为子块的个数，avgColor和varianceColor将作为聚类算法的输入特征值。

优选的，所述步骤1.1中的聚类算法采用的是K-means聚类算法。

优选的，所述步骤3.1中每个子块灰度值的均值、最大值、最小值的计算公式如下:

$\mathrm{patch}{\mathrm{Color}}_i=\left(\underset{j=1}{\overset{\mathrm{count}}{\mathrm{\Σ}}}{\mathrm{color}}_j^i\right)/\mathrm{count},i\∈[1,\mathrm{patch}]$

均值公式: $\mathrm{avgColor}=\frac{1}{\mathrm{patch}}\left(\underset{i=1}{\overset{\mathrm{patch}}{\mathrm{\Σ}}}\mathrm{patch}{\mathrm{Color}}_i\right)$

最大值公式:max Color＝max(color，max Color)

最小值公式:min Color＝min(color，min Color)

其中，avgColor为每个子块的计算后的灰度均值;color_j ⁱ为第i块第j个像素点的颜色值;count为输入图像的宽与高的乘积或者每个子块的宽与高的乘积;patch为裁剪的子块个数;color为输入图像的像素点的颜色值;patchColor_i为每个子块灰度值的均值;maxColor为计算后每个子块的灰度最大值，其初始值为0;minColor为计算后的每个子块的灰度最小值，其初始值为255。

优选的，所述步骤3.2中设置子块各自的裁剪幅度范围，为高于整个输入图像灰度均值的子块设定较小的裁剪幅度，而为低于整个图像灰度均值的子块设定较大的裁剪幅度，按照灰度级别将裁剪幅度依次分配给每个子块;计算公式如下:

ratio max＝(max Color-avgColor)/bins

ratio min＝(avgColor-min Color)/bins

max clip＝clip+(clip-1)*ratio max

min clip＝clip-(clip-1)*ratio min

cliiplevel＝(max cliip-min clip)/level

colorlevel＝(max Color-min Color)/level

cliplimit_i＝maxclip-(patchColor_i-minColor)/colorlevel*cliplevel i∈1，…，patch

其中，cliplimit_i为第i个图像块的裁剪尺寸;clip为每个子块的裁剪尺寸;cliplevel为所述裁剪尺寸的裁剪等级;colorlevel为灰度等级;patchColor_i为每个子块灰度值的均值;bins为直方图的数量;level为参数变化的等级，一般设为5;maxclip为最大裁剪幅度，minclip为最小裁剪幅度，若子块的灰度值较整个输入图像平均灰度值高，则最大裁剪幅度较大，反之亦然，其由ratiomax和ratiomin控制;并且，裁剪尺寸clip和直方图的数量bins是在所述步骤2中被自动选取的最优经验参数。

优选的，所述步骤6中对输入图像的相邻子块的边界像素采取线性插值，对各子块的中间部分的像素采取双线性插值，从而获得最终输出的结果图像。

本发明的有益效果是:

本发明在进行参数的学习训练的基础上，通过对多张训练图像进行统计和分类，从而得到预设的最优经验参数，在接收到输入图像时，根据类似的方法对输入图像进行统计和分类，并自动选取预设的最优经验参数，且不管是训练图像还是输入图像均以其子块为单位进行统计，并设置子块各自的裁剪幅度范围，从而能够很好的处理亮度不同的子块之间的对比度使其达到全局均衡，以防止过度放大细节导致图像失真，是一种处理快速并且效果显著的图像增强处理方法。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中:

图1为本发明基于学习的对比度受限自适应直方图均衡方法的流程简图;

图2为用于说明本发明效果的原始图像;

图3为用于说明本发明效果的采用背景技术处理方法的处理后图像;

图4为采用本发明基于学习的对比度受限自适应直方图均衡方法的处理后图像。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明的一种基于学习的对比度受限自适应直方图均衡方法，其包括以下步骤:

步骤1.进行参数的学习训练:

1.1.收集多张训练图像，将每张训练图像分割为若干子块，以子块的灰度均值为特征统计整个训练图像灰度值的均值和方差，以均值和方差作为该训练图像的特征参数采用聚类算法将训练图像进行自动分类，得到分类模型，每一类训练图像的灰度值具有相似的均值和方差;

1.2.根据训练图像类别为每一类图像预设最优经验参数，包括水平和竖直网格数，直方图裁剪幅度和直方图数量;

步骤2.接收输入图像，将输入图像分割为若干子块，以子块的灰度均值为单位统计整个输入图像灰度值的均值和方差，并根据步骤1.1所述的聚类算法得到的分类模型自动对输入图像进行分类，并对各输入图像类别选取步骤1.2所述的预设最优经验参数;

步骤3.根据选取的最优水平和竖直网格数、最优直方图裁剪幅度、最优直方图数量，为每个子块设置自适应的参数值:

3.1.计算每个子块灰度值的均值、最大值、最小值，并以子块的灰度均值为特征统计整个输入图像的灰度值的均值;

3.2.依据所述子块的均值与所述整个输入图像的均值的差异幅度设置子块自适应的裁剪幅度范围;

步骤4.为每一个所述直方图依据所述的裁剪幅度范围进行裁剪，对高于裁剪尺寸的灰度值平均分配给所有的灰度区间得到新的灰度直方图;

步骤5.将计算得到的新的灰度直方图通过映射表映射回原输入图像;

步骤6.对输入图像的相邻子块进行插值处理，以消除因为分块处理带来的不均匀网格线;

步骤7.输出结果图像。

作为本发明的一种实施例，所述步骤1或步骤2中训练图像或输入图像的预设最优经验参数的选取原则为;图像灰度值的方差较大，即图像的明暗差别较明显，给予较高的网格数量，这样在每个局部块中明暗差异较小，具有相对相似的灰度值;图像灰度值的均值较大，即亮度图像较亮，给予较小裁剪幅度，防止过度裁剪造成图片失真;

所述步骤1.1中的聚类算法采用的是K-means聚类算法，或者也可以采用其他聚类算法;k-means聚类算法是一种得到最广泛使用的基于划分的聚类算法，把n个对象分为k个簇，以使簇内具有较高的相似度。相似度的计算根据一个簇中对象的平均值来进行。它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。该算法首先随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心。对剩余的每个对象根据其与各个簇中心的距离，将它赋给最近的簇，然后重新计算每个簇的平均值。这个过程不断重复，直到准则函数收敛。

$V=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{x_j\∈S_i}{\mathrm{\Σ}}{(x_j-{\mathrm{\μ}}_i)}^2$

它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。假设有k个群组Si，i＝1，2，...，k。μ_i是群组S_i内所有元素x_j的重心，或叫中心点。

为了加快计算速度，所述步骤6中对输入图像的相邻子块的边界像素采取线性插值，对各子块的中间部分的像素采取双线性插值，从而获得最终输出的结果图像;如何进行线性插值:

假设我们已知坐标(x0，y0)与(x1，y1)，要得到[x0，x1]区间内某一位置x在直线上的值。根据下图所示，我们得到

$\frac{y-y_0}{x-x_0}=\frac{y_1-y_0}{x_1-x_0}.$

由于x值已知，所以可以从公式得到y的值

$y=y_0+(x-x_0)\frac{y_1-y_0}{x_1-x_0}=y_0+\frac{(x-x_0)y_1-(x-x_0)y_0}{x_1-x_0}$

已知y求x的过程与以上过程相同，只是x与y要进行交换。

而双线性插值，又称为双线性内插。在数学上，双线性插值是有两个变量的插值函数的线性插值扩展，其核心思想是在两个方向分别进行一次线性插值。假如我们想得到未知函数f在点P＝(x，y)的值，假设我们已知函数f在Q11＝(x1，y1)、Q12＝(x1，y2)，Q21＝(x2，y1)以及Q22＝(x2，y2)四个点的值。首先在x方向进行线性插值，然后在y方向进行线性插值。与这种插值方法名称不同的是，这种插值方法并不是线性的，而是是两个线性函数的乘积。线性插值的结果与插值的顺序无关。首先进行y方向的插值，然后进行x方向的插值，所得到的结果是一样的。

所述步骤1.1中子块的均值和整个训练图像的均值及方差的计算公式如下:

整个训练图像均值公式: $\mathrm{avgColor}\_i=\left(\underset{j=1}{\overset{\mathrm{count}}{\mathrm{\Σ}}}{\mathrm{color}}_j^i\right)/\mathrm{count},i\∈[1,\mathrm{patch}]$

子块的均值公式: $\mathrm{avgColor}=\underset{i=1}{\overset{\mathrm{patch}}{\mathrm{\Σ}}}\mathrm{avgColor}\_i$

整个训练图像方差公式: $\mathrm{varianceColor}=\left(\underset{1}{\overset{\mathrm{patch}}{\mathrm{\Σ}}}{(\mathrm{avgColor}\_i-\mathrm{avgColor})}^2\right)/\mathrm{patch}$

其中，color_j ⁱ为第i块第j个像素点的颜色值;count为一个图像块中像素个数;avgColor_i为第i个子块的计算后的灰度均值;avgColor为训练图像以子块为单位的图像灰度均值;varianceColor为整个图像的均值;patch为子块的个数，avgColor和varianceColor将作为聚类算法的输入特征值。

所述步骤3.1中每个子块灰度值的均值、最大值、最小值的计算公式如下:

$\mathrm{patch}{\mathrm{Color}}_i=\left(\underset{j=1}{\overset{\mathrm{count}}{\mathrm{\Σ}}}{\mathrm{color}}_j^i\right)/\mathrm{count},i\∈[1,\mathrm{patch}]$

均值公式: $\mathrm{avgColor}=\frac{1}{\mathrm{patch}}\left(\underset{i=1}{\overset{\mathrm{patch}}{\mathrm{\Σ}}}\mathrm{patch}{\mathrm{Color}}_i\right)$

最大值公式:max Color＝max(color，max Color)

最小值公式:min Color＝min(color，min Color)

其中，avgColor为每个子块的计算后的灰度均值;color_j ⁱ为第i块第j个像素点的颜色值;count为输入图像的宽与高的乘积或者每个子块的宽与高的乘积;patch为裁剪的子块个数;color为输入图像的像素点的颜色值;patchColor_i为每个子块灰度值的均值;maxColor为计算后每个子块的灰度最大值，其初始值为0;minColor为计算后的每个子块的灰度最小值，其初始值为255。

所述步骤3.2中设置子块各自的裁剪幅度范围，为高于整个输入图像灰度均值的子块设定较小的裁剪幅度，而为低于整个图像灰度均值的子块设定较大的裁剪幅度，按照灰度级别将裁剪幅度依次分配给每个子块;计算公式如下:

ratio max＝(max Color-avgColor)/bins

ratio min＝(avgColor-min Color)/bins

max clip＝clip+(clip-1)*ratio max

min clip＝clip-(clip-1)*ratio min

cliiplevel＝(max cliip-min clip)/level

colorlevel＝(max Color-min Color)/level

cleplimit_i＝maxclip-(patchColor_i-minColor)/colorlevel*cliplevel i∈1，…，patch

其中，cliplimit_i为第i个图像块的裁剪尺寸;clip为每个子块的裁剪尺寸;cliplevel为所述裁剪尺寸的裁剪等级;colorlevel为灰度等级;patchColor_i为每个子块灰度值的均值;bins为直方图的数量;level为参数变化的等级，一般设为5;maxclip为最大裁剪幅度，minclip为最小裁剪幅度，若子块的灰度值较整个输入图像平均灰度值高，则最大裁剪幅度较大，反之亦然，其由ratiomax和ratiomin控制;并且，裁剪尺寸clip和直方图的数量bins是在所述步骤2中被自动选取的最优经验参数。

图2为未经过处理的原始图像，图3为采用背景技术处理后的效果图，由于原始图片的天空部分较亮而地面部分较暗，明暗差别较为明显，导致背景技术处理后的图像在较亮部分被过度处理而导致图像失真，图4为采用本发明技术处理后的效果图，由于采用本发明的基于参数学习的对比度受限自适应直方图均衡方法，从而能够很好的处理亮度不同的子块之间的对比度使其达到全局均衡，防止过度放大细节导致图像失真，是一种处理快速并且效果显著的图像增强处理方法。

上述说明示出并描述了本发明的优选实施例，如前，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.一种基于学习的对比度受限自适应直方图均衡方法，其特征在于，包括以下步骤:

步骤1.进行参数的学习训练:

1.1.收集多张训练图像，将每张训练图像分割为若干子块，以子块的灰度均值为特征统计整个训练图像灰度值的均值和方差，以均值和方差作为该训练图像的特征参数采用聚类算法将训练图像进行自动分类，得到分类模型，每一类训练图像的灰度值具有相似的均值和方差;

1.2.根据训练图像类别为每一类图像预设最优经验参数，包括水平和竖直网格数，直方图裁剪幅度和直方图数量;

步骤2.接收输入图像，将输入图像分割为若干子块，以子块的灰度均值为单位统计整个输入图像灰度值的均值和方差，并根据步骤1.1所述的聚类算法得到的分类模型自动对输入图像进行分类，并对各输入图像类别选取步骤1.2所述的预设最优经验参数;

步骤3.根据选取的最优水平和竖直网格数、最优直方图裁剪幅度、最优直方图数量，为每个子块设置自适应的参数值:

3.1.计算每个子块灰度值的均值、最大值、最小值，并以子块的灰度均值为特征统计整个输入图像的灰度值的均值;

3.2.依据所述子块的均值、最大值、最小值，与所述整个输入图像的均值的差异幅度设置子块自适应的裁剪幅度范围;

步骤4.为每一个子块的所述直方图依据所述的裁剪幅度范围进行裁剪，对高于裁剪尺寸的灰度值平均分配给所有的灰度区间得到新的灰度直方图;

步骤5.将计算得到的新的灰度直方图通过映射表映射回原输入图像;

步骤6.对输入图像的相邻子块进行插值处理;

步骤7.输出结果图像。

2.根据权利要求1所述的一种基于学习的对比度受限自适应直方图均衡方法，其特征在于:所述步骤1或步骤2中训练图像或输入图像的预设最优经验参数的选取原则为;图像灰度值的方差较大，即图像的明暗差别较明显，给予较高的网格数量;图像灰度值的均值较大，即亮度图像较亮，给予较小裁剪幅度。

3.根据权利要求1所述的一种基于学习的对比度受限自适应直方图均衡方法，其特征在于:所述步骤1.1中子块的均值和整个训练图像的均值及方差的计算公式如下:

整个训练图像均值公式: $\mathrm{avgColor}\_i=\left(\underset{j=1}{\overset{\mathrm{count}}{\mathrm{\Σ}}}{\mathrm{color}}_j^i\right)/\mathrm{count},i\∈[1,\mathrm{patch}]$

子块的均值公式: $\mathrm{avgColor}=\underset{i=1}{\overset{\mathrm{patch}}{\mathrm{\Σ}}}\mathrm{avgColor}\_i$

整个训练图像方差公式: $\mathrm{varianceColor}=\left(\underset{1}{\overset{\mathrm{patch}}{\mathrm{\Σ}}}{(\mathrm{avgColor}\_i-\mathrm{avgColor})}^2\right)/\mathrm{patch}$

其中，color_j ⁱ为第i块第j个像素点的颜色值;count为一个图像块中像素个数;avgColor_i为第i个子块的计算后的灰度均值;avgColor为训练图像以子块为单位的图像灰度均值;varianceColor为整个图像的均值;patch为子块的个数，avgColor和varianceColor将作为聚类算法的输入特征值。

4.根据权利要求1所述的一种基于学习的对比度受限自适应直方图均衡方法，其特征在于:所述步骤1.1中的聚类算法采用的是K-means聚类算法。

5.根据权利要求1所述的一种基于学习的对比度受限自适应直方图均衡方法，其特征在于:所述步骤3.1中每个子块灰度值的均值、最大值、最小值的计算公式如下:

$\mathrm{patch}{\mathrm{Color}}_i=\left(\underset{j=1}{\overset{\mathrm{count}}{\mathrm{\Σ}}}{\mathrm{color}}_j^i\right)/\mathrm{count},i\∈[1,\mathrm{patch}]$

均值公式: $\mathrm{avgColor}=\frac{1}{\mathrm{patch}}\left(\underset{i=1}{\overset{\mathrm{patch}}{\mathrm{\Σ}}}\mathrm{patch}{\mathrm{Color}}_i\right)$

最大值公式:max Color＝max(color，max Color)

最小值公式:min Color＝min(color，min Color)

其中，avgColor为每个子块的计算后的灰度均值;color_j ⁱ为第i块第j个像素点的颜色值;count为输入图像的宽与高的乘积或者每个子块的宽与高的乘积;patch为裁剪的子块个数;color为输入图像的像素点的颜色值;patchColor_i为每个子块灰度值的均值;maxColor为计算后每个子块的灰度最大值，其初始值为0;minColor为计算后的每个子块的灰度最小值，其初始值为255。

6.根据权利要求1所述的一种基于学习的对比度受限自适应直方图均衡方法，其特征在于:所述步骤3.2中设置子块各自的裁剪幅度范围，为高于整个输入图像灰度均值的子块设定较小的裁剪幅度，而为低于整个图像灰度均值的子块设定较大的裁剪幅度，按照灰度级别将裁剪幅度依次分配给每个子块;计算公式如下:

ratio max＝(max Color-avgColor)/bins

ratio min＝(avgColor-min Color)/bins

max clip＝clip+(clip-1)*ratio max

min clip＝clip-(clip-1)*ratio min

cliplevel＝(max clip-min clip)/level

colorlevel＝(max Color-min Color)/level

clip limit_i＝max clip-(patchColor_i-minColor)/colorlevel*cliplevel i∈1，…，patch

其中，cliplimit_i为第i个图像块的裁剪尺寸;clip为每个子块的裁剪尺寸;cliplevel为所述裁剪尺寸的裁剪等级;colorlevel为灰度等级;patchColor_i为每个子块灰度值的均值;bins为直方图的数量;level为参数变化的等级，一般设为5;maxclip为最大裁剪幅度，minclip为最小裁剪幅度，若子块的灰度值较整个输入图像平均灰度值高，则最大裁剪幅度较大，反之亦然，其由ratiomax和ratiomin控制;并且，裁剪尺寸clip和直方图的数量bins是在所述步骤2中被自动选取的最优经验参数。

7.根据权利要求1所述的一种基于学习的对比度受限自适应直方图均衡方法，其特征在于:所述步骤6中对输入图像的相邻子块的边界像素采取线性插值，对各子块的中间部分的像素采取双线性插值，从而获得最终输出的结果图像。

Images