CN105184759A - 一种基于直方图紧致性变换的图像自适应增强方法 - Google Patents

Abstract

本发明提供一种基于直方图紧致性变换原理的图像增强方法，其步骤包括：步骤1：统计输入图像的灰度频度直方图，并计算图像直方图的特征值；步骤2：计算搜索起点及左右基准频度；步骤3：直方图紧致性变换；步骤4：建立灰度映射关系；步骤5：输入图像灰度重构。由于本方法顾及了输入图像的自身特点，因而能有效克服经典线性拉伸变换、直方图截断拉伸等增强方法的不足。实验表明，该方法增强效果明显，且具有良好的适应性和实用性，可广泛适用于各种低对比度图像的增强和高位宽量化图像向低位宽量化图像转化处理，是一种快速、有效的图像自动增强方法。

Description

一种基于直方图紧致性变换的图像自适应增强方法

技术领域

本发明属于图像增强技术领域，涉及一种图像自适应增强方法。

技术背景

图像的对比度、清晰度是重要质量指标，也是影响其可用性和易用性的重要因素。然而，大量影像(尤其是遥感影像)存在视觉对比度低、清晰度不足等问题。因而，对低对比度图像进行增强处理，在许多应用中是必要的。

影像增强的目的是为了改善图像的清晰度、对比度等视觉效果，从而提高图像的可读性和信息解译能力。目前已经发展了线性拉伸、直方图均衡、小波变换、Retinex增强等多种方法。由于线性拉伸、直方图均衡方法具有算法简便、效率高等优势，在实际应用中广泛使用。直方图均衡是一种非线性变换，它以累积概率分布为基础，通过变换尽可能使得图像灰度值在每一个灰度级上等概率分布，从而提高图像对比度。直方图均衡虽然能增加图像的对比度，但处理后的图像视觉效果往往比较生硬、不够柔和甚至会造成图像质量恶化等问题，且效果不可控。线性拉伸算法具有简便、易用、高效、适应性强等特点，且增强效果整体一致性好、易于实现全自动化处理。但经典的线性拉伸算法，由于在实际应用中常常失效，因而在实际应用中较少使用。直方图截断拉伸增强方法是线性拉伸算法的一种改进算法，在实际应用尤其是遥感应用处理中使用广泛。但该方法在实际应用中存在图像亮区和暗区细节严重丢失、U型直方图不能适用等问题。

发明内容

本发明提出了一种基于直方图紧致性变换的图像自适应增强方法，充分考虑了输入图像的自身特点，能够有效克服经典线性拉伸变换、直方图截断拉伸等增强方法的不足。

本发明的方案如下：

一种基于直方图紧致性变换的图像自适应增强方法，主要是根据输入图像的特点确定变换参数，结合用户调节系数对输入图像进行直方图紧致性变换，然后利用线性拉伸算法对输入图像重新赋值，输出增强图像；

所述直方图紧致性变换如下：设定一个频度阈值作为基准频度，与直方图上的每个灰度级按顺序进行比较；除特殊情况外，对频度小于基准频度的灰度级，与该灰度级的下一个或多个灰度级合并，直至当前所有合并灰度级的累积频度不小于基准频度；所述特殊情况是指：合并后的累积频度与基准频度之差大于原频度与基准频度之差，则不作合并；最终使得合并后的直方图在其灰度最大值和最小值之间所有灰度级的频度均接近或不小于基准频度，且灰度连续、不间断；

所述变换参数包括直方图紧致性变换的起始位置和所述频度阈值(通常是先计算出图像灰度级的理想频度，进而推算得到频度阈值)。

基于以上方案，本发明进一步作如下优化：

上述起始位置位于直方图的中部，以该起始位置将直方图划分为两个部分，并自该起始位置分别按照正向、反向依次判别并处理这两个部分的每个灰度级。

根据直方图两个部分的特点分别计算各自的基准频度，即所述基准频度分为左基准频度和右基准频度。例如，对于直方图两部分灰度分布形态差异较大的图像，这样就能够使得变换后的直方图较好地保持图像细节。

引入用户调节系数主要是为了参与计算基准频度，以更符合不同应用目的需要。

具体的实现步骤如下：

步骤1：统计输入图像f(x,y)的灰度直方图及其最大值L_Max、最小值L_Min和均值L_M，

$M=\underset{L_i=0}{\overset{2^N-1}{\Σ}}{p}_i{L}_i,$

根据最大值确定图像的量化位数N，并采用下式计算初始搜索起点M

其中，L_i表示第i个灰度级，p_i表示第i个灰度级的概率；

步骤2：根据图像的宽度w和高度h，以及图像的量化位数N，计算图像灰度级的理

${\mathrm{\ζ}}_0=\frac{1}{2^N}wh;$

想频度ζ₀，计算公式如下：

步骤3：根据图像的统计特征、理想频度及调节系数ρ，利用如下公式计算左基准频度ζ_L和右基准频度ζ_R

$\left\{\begin{array}{c}{\mathrm{\ζ}}_L=2\mathrm{\ρ}{\mathrm{\ζ}}_0\frac{(L_M-L_{Min})}{(L_{Max}-L_{Min})}\\ {\mathrm{\ζ}}_R=2\mathrm{\ρ}{\mathrm{\ζ}}_0\frac{(L_{Max}-L_M)}{(L_{Max}-L_{Min})}\end{array}\right.;$

其中，ρ为调节系数(ρ>0)；

步骤4：以加权均值M为起始搜索灰度级，以ζ_L和ζ_R分别为直方图两端的基准频度，利用直方图紧致性变换方法，对原始直方图进行压缩，确定合并灰度级的映射集合和压缩后图像灰度的最小值L'_Min和最大值L'_Max；

步骤5：计算线性拉伸变换系数k，并将截距置零，其中

$k=\frac{2^N-1}{L_{Max}^{\′}-L_{Min}^{\′}};$

步骤6：利用线性拉伸变换关系式g(x,y)＝k[f(x,y)-L_Min]和灰度映射关系，对输入图像f(x,y)重新赋值，并输出增强图像g(x,y)。

参数ρ由用户根据具体应用问题确定，对于遥感图像增强而言，一般ρ取值0.5～0.8之间(如ρ＝0.6)可以适用于大部分图像的增强处理。

其中，直方图紧致性变换具体可采用如下算法(以单向搜索为例)：

4.1]记基准频度为ζ，以M为起点沿直方图正向(或者负向)搜索；

4.2]正向搜索时，计算以灰度L＝M为起点的正向若干个连续灰度级的累积频度，当使得且成立(负向搜索时，使得且成立)时停止当前搜索，其中r为非负整数，表示在本次搜索过程中不包括起点在内所跨过连续灰度级的个数；

4.3]比较ζ-CP₁和CP₂-ζ的大小；

4.4]若(ζ-CP₁)≤(CP₂-ζ)成立，则

对于正向搜索，将在区间[L,L+r]范围的所有灰度级合并到输出灰度级K上，记录对应的灰度映射关系，并将灰度级L到L+r的累积频度作为输出灰度级K的频度，然后跳至步骤6；

对于负向搜索，将在区间[L-r,L]范围的所有灰度级合并到输出灰度级K上，记录对应的灰度映射关系，并将灰度级L-r到L的累积频度作为输出灰度级K的频度，然后跳至步骤6；

4.5]若(ζ-CP₁)≤(CP₂-ζ)不成立，则

对于正向搜索，将在区间[L,L+r+1]范围的所有灰度级合并到输出灰度级K上，记录对应的灰度映射关系，并将灰度级L到L+r+1的累积频度作为输出灰度级K的频度；

对于负向搜索，将在区间[L-r-1,L]范围的所有灰度级合并到输出灰度级K上，记录对应的灰度映射关系，并将灰度级L-r-1到L的累积频度作为输出灰度级K的频度；

4.6]更新搜索起点和输出灰度级至下一个灰度级；

正向搜索时，搜索起点更新方式为M＝M+1，输出灰度级更新方式为K＝K+1。负向搜索时，搜索起点更新方式为M＝M-1，输出灰度级更新方式为K＝K-1。

4.7]重复步骤2～6，直到整个直方图处理完毕。

本发明具有以下效果：

1、本发明中提出的基于直方图紧致性变换(灰度变换方法)原理的图像自适应增强方法，在较好地保持图像信息熵的同时有效压缩了图像灰度分布范围，进而有效利用线性拉伸算法的优势，具有良好的适应性和实用性，增强效果明显，可广泛适用于各种低对比度图像的增强和高位宽量化图像向低位宽图像转化处理。

2、本发明方法兼具线性拉伸增强和直方图均衡增强算法优点的同时，避免了它们的不足，用户可以根据调节系数控制变换结果。

3、在变换过程中，依据图像自身的特性自动计算相关变换参数，从而保证了本发明方法对不同图像的适应性。

附图说明

图1是本发明基于直方图紧致性变换原理的图像自适应增强方法流程图。

图2是一幅灰度图像；

图3是直接使用线性拉伸处理的结果；

图4是使用2％截断拉伸处理的结果；

图5是使用本发明方法处理的结果。

具体实施方式

以下结合附图，针对具体问题的实施过程做进一步说明。

本发明的直方图紧致性变换，是一种以压缩图像灰度分布范围为目的的直方图变换方法，它将包含像素个数很少的灰度级合并到图像其它灰度级上，除去了图像最大值与最小值之间零概率灰度级和小概率灰度级，使得变换后的图像在其最大值和最小值之间的所有灰度级上是连续的，并且每个灰度级上的像素个数都不小于基准个数，从而能有效地压缩图像灰度的分布区间。

对于本发明，依据输入图像的灰度分布特征，自动计算紧致性变换过程需要的参数是具体实施方案的关键步骤，主要涉及前述方案中的步骤1～步骤3。下面，结合附图1中的流程图，对关键步骤进行说明：

步骤1：确定直方图紧致性变换的初始搜索位置M；

根据直方图紧致性变换原理，起始搜索点的位置可以任意确定。但本发明考虑输入图像的直方图分布特征，故起始搜索点位置不同，将对压缩结果产生影响。由于图像灰度均值对图像灰度分布具有代表性，故本发明采用图像灰度的加权均值作为直方图紧致性变换的起始搜索位置，计算公式如下

$M=\underset{L_i=0}{\overset{2^N-1}{\Σ}}{p}_i{L}_i,$

其中，N是根据输入图像的最大值推算出来的图像量化位数，L_i表示第i个灰度级，p_i表示第i个灰度级的概率。该结果对步骤3产生直接影响。

步骤2：计算图像灰度的理想频度；

直方图均衡方法的核心原理是使得变换后的图像灰度值在其量化区间内的每个灰度级上等概率分布，此时图像具有较好的视觉效果。对于一幅大小为w×h的灰度图像，当采用N位量化时，每个灰度级等概率出现时每个灰度级上应包含的像素个数为

${\mathrm{\ζ}}_0=\frac{1}{2^N}wh;$

本发明将ζ₀作为输入图像的理想频度。

步骤3：计算左基准频度和右基准频度；

应用目的不同，一般对直方图压缩程度的要求也不同。故在本发明中引入调节系数ρ，用户可以根据具体的应用目的设定。同时，不同的图像，通常具有不同的灰度直方图分布。因而在直方图紧致性变换过程中，采用与图像直方图分布特征相适应的基准频度具有更好的适应性。本发明依据直方图紧致性变换原理，将全局性基准频度分解为以起始搜索点为中心的左基准频度ζ_L和右基准频度ζ_R。左基准频度与直方图左端分布形态相关，右基准频度与直方图右端分布形态相关。左基准频度用于直方图紧致性变换时在搜索起始位置M的左侧搜索时的判断基准，右基准频度用于直方图紧致性变换时在搜索起始位置M的右侧搜索时的判断基准。它们的计算公式如下：

$\left\{\begin{array}{c}{\mathrm{\ζ}}_L=2\mathrm{\ρ}{\mathrm{\ζ}}_0\frac{(L_M-L_{Min})}{(L_{Max}-L_{Min})}\\ {\mathrm{\ζ}}_R=2\mathrm{\ρ}{\mathrm{\ζ}}_0\frac{(L_{Max}-L_M)}{(L_{Max}-L_{Min})}\end{array}\right..$

其中，L_Max、L_Min、L_M分别对应图像的最大值、最小值和均值，N为输入图像的量化位数，ρ为用户调节系数(通常在0.5～0.8范围内取值即可满足一般的应用要求)。ρ越大，压缩效果越接近等概率直方图；ρ越小，压缩效果越接近直接线性变换结果。

效果展示

图2所示为一幅灰度图像，灰度分布区间[37，255]。图3所示为直接采用线性拉伸变换之后的结果图像。从该图像上很容易观察，图像的主观视觉效果并没有得到有效改善。图4是利用截断拉伸算法采用2％截断拉伸增强后的结果。由于该算法对处于中部灰度级不进行处理，仅对图像直方图上两端的灰度级进行处理，不但没有有效提升图像视觉效果，反而造成低灰度区域对比度的恶化，丢失了许多图像细节。图5是采用本发明算法(ρ＝0.6)公开的方法处理的结果。该结果不但有效地增强了图像的对比度，同时暗区的细节纹理也得到较好的保持。将四幅图综合对比，很显然采用本发明公开的算法处理后的效果是最好。它为图像对比度、清晰度自动增强处理，提供了一种有效的方法。

本发明同样适合于彩色(多通道)图像的增强处理。与灰度图像处理不同的是，需要将彩色图像首先分解成单一的通道。如RGB三通道图像，首先将图像分解为R、G、B三个独立通道图像，每个通道图像即为一幅灰度图像，然后对每个通道实施上述增强处理，然后将增强后的图像再次合成RGB三通道图像。

Claims (5)

1.一种基于直方图紧致性变换的图像自适应增强方法，其特征在于：根据输入图像的特点计算变换参数，结合用户调节系数对输入图像进行直方图紧致性变换，然后利用线性拉伸算法对输入图像重新赋值，输出增强图像；

所述直方图紧致性变换如下：设定一个频度阈值作为基准频度，与直方图上的每个灰度级按顺序进行比较；除特殊情况外，对频度小于基准频度的灰度级，与该灰度级的下一个或多个灰度级合并，直至当前所有合并灰度级的累积频度不小于基准频度；所述特殊情况是指：合并后的累积频度与基准频度之差大于原频度与基准频度之差，则不作合并；最终使得合并后的直方图在其灰度最大值和最小值之间所有灰度级的频度均接近或不小于基准频度，且灰度连续、不间断；

所述变换参数包括直方图紧致性变换的起始位置和所述频度阈值。

2.根据权利要求1所述的基于直方图紧致性变换的图像自适应增强方法，其特征在于：所述起始位置位于直方图的中部，以该起始位置将直方图划分为两个部分，并自该起始位置按照正向、反向依次判别并处理这两个部分的每个灰度级。

3.根据权利要求2所述的基于直方图紧致性变换的图像自适应增强方法，其特征在于：根据直方图两个部分的特点分别计算各自的基准频度，即所述基准频度分为左基准频度和右基准频度，作相应的判别并即时处理。

4.根据权利要求1所述的基于直方图紧致性变换的图像自适应增强方法，其特征在于：所述用户调节系数用于参与计算基准频度，以更符合不同应用目的需要。

5.根据权利要求1所述的基于直方图紧致性变换的图像自适应增强方法，其特征在于，具体步骤如下：

步骤1：统计输入图像f(x,y)的灰度直方图及其最大值L_Max、最小值L_Min和均值L_M，根据最大值确定图像的量化位数N，并采用下式计算初始搜索起点M

$M=\mathrm{int}(\underset{L_i=0}{\overset{2^N-1}{\Σ}}{p}_i{L}_i+0.5),$

其中，L_i表示第i个灰度级，p_i表示第i个灰度级的频度,int表示取整；

步骤2：根据图像的宽度w和高度h，以及图像的量化位数N，计算图像灰度级的理想频度ζ₀

${\mathrm{\ζ}}_0=\frac{1}{2^N}wh;$

步骤3：根据图像的统计特征、理想频度及调节系数ρ，利用如下公式计算左基准频度ζ_L和右基准频度ζ_R

$\left\{\begin{array}{c}{\mathrm{\ζ}}_L=2{\mathrm{\ρ\ζ}}_0\frac{(L_M-L_{Min})}{(L_{Max}-L_{Min})}\\ {\mathrm{\ζ}}_R=2{\mathrm{\ρ\ζ}}_0\frac{(L_{Max}-L_M)}{(L_{Max}-L_{Min})}\end{array}\right.;$

其中，ρ为用户调节系数，ρ>0，取0.5～0.8；

步骤4：进行直方图紧致性变换，同时确定合并灰度级的映射集合和压缩后图像灰度的最小值L'_Min和最大值L'_Max；

步骤5：计算线性拉伸变换系数k，

$k=\frac{2^N-1}{L_{Max}^{\′}-L_{Min}^{\′}},$

并将截距置零；

步骤6：利用线性拉伸变换关系式g(x,y)＝k[f(x,y)-L_Min]和灰度映射关系，对输入图像f(x,y)重新赋值，并输出给增强图像g(x,y)。