CN110852977B - 融合边缘灰度直方图与人眼视觉感知特性的图像增强方法 - Google Patents

Abstract

一种融合边缘灰度直方图与人眼视觉感知特性的图像增强方法：分别计算图像中每一个像素位置的行方向的梯度和列方向的梯度，以及该像素位置总的梯度；将所有像素位置总的梯度进行排序，找出其中最大的总的梯度，并设定梯度阈值；将所有像素位置总的梯度与梯度阈值进行比较，标记出像素位置总的梯度大于梯度阈值的所有图像边缘像素，并统计标记出的所有图像边缘像素中灰度级相同的边缘像素的数量，得到边缘灰度直方图；计算边缘灰度级小于设定值的累积概率分布；考虑人眼视觉非线性特性，计算人眼在不同亮度背景下的感知敏感度因子，并做归一化处理，得到最佳的灰度级调整参考值；从而得到增强图像。本发明显著提升图像的视觉效果。

Description

融合边缘灰度直方图与人眼视觉感知特性的图像增强方法

技术领域

本发明涉及一种图像增强方法。特别是涉及一种融合边缘灰度直方图与人眼视觉感知特性的图像增强方法。

背景技术

在现实生活中，由于受拍照环境光照不佳和成像设备性能不足等因素的影响，所获得的图像易出现细节模糊、颜色失真、对比度低、噪声较多等现象，这些降质图像对于图像分析与理解带来极大的困难。例如医学影像分析上，出于对患者安全检查的考虑，加之医疗设备图像信息采集能力的限制，所获取的各类医学影像的清晰度和对比度并不理想，直接影响医生病理诊断的准确性。显然，借助图像增强技术对大量降质图像进行增强处理具有重要的实际意义。一方面可以显著改善图像的视觉效果。另一方面增强的结果更有利于后续的图像分析与辨识处理。

在现有的图像增强算法中，直方图均衡方法(Global Histogram Equalization，GHE)是最经典且应用最广泛的增强算法，该算法将灰度累积概率分布作为灰度的调整函数，算法设计简单，易于编程实现，对于大多数降质图像的增强有一定的效果。后续很多研究人员针对GHE算法的灰度调整策略存在的问题做了一系列改进。改进的亮度保留双直方图均衡(BPBHE)算法首先根据输入图像亮度的均值将输入图像的直方图分解为两个子图，然后对这两个子直方图进行独立均衡。为了克服GHE这种全局算法对局部区域细节增强的不足，提出了改进的自适应直方图均衡(AHE)算法，该算法依据局部区域直方图计算灰度的映射关系，因此该算法的计算复杂度较大。另外，也有一些科研人员尝试将直方图均衡思想推广到频率域，提出了多尺度自适应直方图均衡(MAHE)，该算法首先使用小波变换将输入图像分解成子带，然后用自适应直方图均衡处理高频子带，最后将处理后的高频子带与低频子带合并得到增强图像。

尽管改进后的算法图像增强效果有所改善，但这些算法仍存在两方面的共性问题，影响了算法的增强性能。首先是分析数据存在的问题，GHE及其系列改进算法的分析数据都是图像的直方图，图像直方图仅仅是图像中各灰度简单的数量统计结果，并未真实反映各灰度对信息刻画的作用大小，因此依据灰度数量的概率分布进行灰度调整不能保证对信息刻画重要的灰度级动态范围进行有效拉伸。其次，人眼视觉感知研究发现，人眼对不同亮度背景的信息敏感程度存在明显差异，对亮度背景较暗的灰度偏差感知能力较弱，对亮度背景适中或较亮环境的灰度偏差感知能力较强。而GHE及其系列改进算法都是基于人眼不同亮度背景敏感度相同的假设，使得大量暗背景下的细节信息不能得到有效增强。

发明内容

本发明所要解决的技术问题是，提供一种能够显著改善图像的视觉增强效果的融合边缘灰度直方图与人眼视觉感知特性的图像增强方法。

本发明所采用的技术方案是：一种融合边缘灰度直方图与人眼视觉感知特性的图像增强方法，包括如下步骤：

1)分别计算图像中每一个像素I(x,y)位置的行方向的梯度和列方向的梯度，以及该像素位置总的梯度；

2)将所有像素位置总的梯度G进行排序，找出其中最大的总的梯度G_max，并将0.15*G_max设定为梯度阈值；

3)将所有像素位置总的梯度与梯度阈值进行比较，标记出像素位置总的梯度大于梯度阈值的所有图像边缘像素，并统计标记出的所有图像边缘像素中灰度级相同的边缘像素的数量，得到边缘灰度直方图；

4)依据边缘灰度直方图，使用如下公式计算边缘灰度级小于或等于k的累积概率分布S_k：

其中，n_j为第j个边缘灰度级的像素个数，n为标记的所有像素的数量总和；

5)考虑人眼视觉非线性特性，计算人眼在不同亮度背景下的感知敏感度因子E_m；

6)对人眼在不同亮度背景下的感知敏感度因子E_m做归一化处理，得到最佳的灰度级调整参考值A_m

7)找到与边缘灰度级小于或等于k的累积概率分布S_k最接近的灰度级调整参考值A_m，将原始图像中像素灰度级数值为k的灰度级变换为灰度级m，从而得到增强图像。

步骤1)所述的：

行方向的梯度是采用如下公式得到：

列方向的梯度是采用如下公式得到：

其中，G_r为像素的行方向梯度，G_c为像素的列方向梯度，A₀～A₇是以像素I_(x,y)的8邻域左上角的像素为起点顺时针遍历8个邻近像素得到的对应的8个灰度值。

步骤1)所述的总的梯度G是采用如下公式得到：

其中，G_r为像素的行方向梯度，G_c为像素的列方向梯度。

步骤5)是利用如下公式得到人眼在不同亮度背景下的感知敏感度因子E_m

其中，J₁是灰度级m＝1时的最小可见偏差J_m的值，最小可见偏差J_m由如下公式计算得到：

其中，B_m为灰度级为m的像素的背景区域的平均亮度值。

本发明的融合边缘灰度直方图与人眼视觉感知特性的图像增强方法，将边缘的灰度直接参与了图像信息的刻画，对边缘的灰度进行统计能更准确反映各灰度对图像信息刻画的重要性。另外，考虑到人眼对不同亮度背景的灰度偏差敏感的非线性特性，提出了新的灰度调整策略，确保在亮度适中或较亮的背景区域展示更多的图像细节信息，从而显著改善图像的视觉增强效果。

本发明相比经典的简单灰度级数量统计直方图，边缘灰度直方图的统计结果能更准确地反映不同灰度级对于信息刻画的重要程度，确保后续灰度级动态范围调整时，能对信息刻画重要的灰度级进行有效地拉伸，同时很好地抑制背景噪声。

本发明充分考虑了人眼视觉感知的非线性特点，在灰度级调整过程中将更多图像细节信息调整到人眼视觉比较敏感的较亮的灰度背景区域，显著提升图像的视觉效果。

本发明的方法可广泛应用于不同领域的影像处理，尤其在降质的医学影像处理方面，应用本发明算法可以更清晰地展示影像的细节信息且对噪声有很好的抑制效果，增强后的影像可以帮助医生做出更准确的诊断。

附图说明

图1是本发明融合边缘灰度直方图与人眼视觉感知特性的图像增强方法的流程图；

图2是本发明图像像素8邻域示意图；

图3是人眼视觉感知亮度阈值效应曲线图(横轴表示某一灰度级的像素的平均背景亮度值，纵轴表示最小可见偏差)；

图4a是原始工件图像；

图4b是GHE算法增强后的工件图像；

图4c是CLAHE算法增强后的工件图像；

图4d是本发明算法增强后的工件图像；

图5a是原始X光影像；

图5b是GHE算法增强后的X光影像；

图5c是CLAHE算法增强后的X光影像；

图5d是本发明算法增强后的X光影像；

图6a是原始自然场景图像；

图6b是GHE算法增强后的自然场景图像；

图6c是CLAHE算法增强后的自然场景图像；

图6d是本发明算法增强后的自然场景图像。

具体实施方式

下面结合实施例和附图对本发明的融合边缘灰度直方图与人眼视觉感知特性的图像增强方法做出详细说明。

由于图像的大部分主要的细节信息分布在图像的边缘位置，本发明的融合边缘灰度直方图与人眼视觉感知特性的图像增强方法，首先是计算各个像素位置总的梯度，然后找到所有像素位置总的梯度的最大值G_max，设定0.15*G_max为梯度阈值，然后标记出总的梯度大于梯度阈值的所有图像边缘像素，并统计标记出的所有边缘像素中灰度级相同像素的数量，得到边缘灰度直方图。由于考虑人眼视觉的非线性的影响，本发明的融合边缘灰度直方图与人眼视觉感知特性的图像增强方法，还要计算人眼在不同亮度背景下的感知敏感度因子E_m，然后利用归一化之后的人眼视觉感知敏感度因子优化调整灰度级的动态范围。因而本发明的方法主要分为两个主要的部分，第一部分是计算得到图像的边缘灰度直方图，第二部分是利用人眼视觉感知特性进行灰度级动态范围的调整。

如图1所示，本发明的融合边缘灰度直方图与人眼视觉感知特性的图像增强方法，包括如下步骤：

1)分别计算图像中每一个像素I(x,y)位置的行方向的梯度和列方向的梯度，以及该像素位置总的梯度；其中，

所述的行方向的梯度是采用如下公式得到：

所述的列方向的梯度是采用如下公式得到：

其中，G_r为像素的行方向梯度，G_c为像素的列方向梯度，A₀～A₇是以像素I(x,y)的8邻域左上角的像素为起点顺时针遍历8个邻近像素得到的对应的8个灰度值，如图2所示。

所述的总的梯度G是采用如下公式得到：

其中，G_r为像素的行方向梯度，G_c为像素的列方向梯度。

2)将所有像素位置总的梯度G进行排序，找出其中最大的总的梯度G_max，并将0.15*G_max设定为梯度阈值；

3)将所有像素位置总的梯度与梯度阈值进行比较，标记出像素位置总的梯度大于梯度阈值的所有图像边缘像素，并统计标记出的所有图像边缘像素中灰度级相同的边缘像素的数量，得到边缘灰度直方图；

4)依据边缘灰度直方图，使用如下公式计算边缘灰度级小于或等于k的累积概率分布S_k：

其中，n_j为第j个边缘灰度级的像素个数，n为标记的所有像素的数量总和；

5)考虑人眼视觉非线性特性，计算人眼在不同亮度背景下的感知敏感度因子，具体是利用如下公式得到人眼在不同亮度背景下的感知敏感度因子E_m

其中，J₁是灰度级m＝1时的最小可见偏差J_m的值，最小可见偏差J_m曲线如图3所示，并由如下公式计算得到：

其中，B_m为灰度级为m的像素的背景区域的平均亮度值。

6)对人眼在不同亮度背景下的感知敏感度因子E_m做归一化处理，得到最佳的灰度级调整参考值A_m

7)找到与边缘灰度级小于或等于k的累积概率分布S_k最接近的灰度级调整参考值A_m，将原始图像中像素灰度级数值为k的灰度级变换为灰度级m，从而得到增强图像。

根据说明书附图，图4a、图5a与图6a是原始图像，图4b、图5b与图6b是GHE进行算法增强后的图像，图4c、图5c与图6c是CLAHE算法增强后的图像，图4d、图5d与图6d是本发明算法增强后的图像，通过说明书附图的图像增强算法的增强效果对比，可以看出，本发明算法可以更清晰地展示影像的细节信息且对噪声有很好的抑制效果。

Claims (1)

1.一种融合边缘灰度直方图与人眼视觉感知特性的图像增强方法，其特征在于，包括如下步骤：

1)分别计算图像中每一个像素I(x,y)位置的行方向的梯度和列方向的梯度，以及该像素位置总的梯度；其中所述的：

行方向的梯度是采用如下公式得到：

列方向的梯度是采用如下公式得到：

其中，G_r为像素的行方向梯度，G_c为像素的列方向梯度，A₀～A₇是以像素I_(x,y)的8邻域左上角的像素为起点顺时针遍历8个邻近像素得到的对应的8个灰度值；

所述的总的梯度G是采用如下公式得到：

其中，G_r为像素的行方向梯度，G_c为像素的列方向梯度；

2)将所有像素位置总的梯度G进行排序，找出其中最大的总的梯度G_max，并将0.15*G_max设定为梯度阈值；

3)将所有像素位置总的梯度与梯度阈值进行比较，标记出像素位置总的梯度大于梯度阈值的所有图像边缘像素，并统计标记出的所有图像边缘像素中灰度级相同的边缘像素的数量，得到边缘灰度直方图；

4)依据边缘灰度直方图，使用如下公式计算边缘灰度级小于或等于k的累积概率分布S_k：

其中，n_j为第j个边缘灰度级的像素个数，n为标记的所有像素的数量总和；

5)考虑人眼视觉非线性特性，计算人眼在不同亮度背景下的感知敏感度因子E_m；是利用如下公式得到人眼在不同亮度背景下的感知敏感度因子E_m

其中，J₁是灰度级m＝1时的最小可见偏差J_m的值，最小可见偏差J_m由如下公式计算得到：

其中，B_m为灰度级为m的像素的背景区域的平均亮度值；

6)对人眼在不同亮度背景下的感知敏感度因子E_m做归一化处理，得到最佳的灰度级调整参考值A_m

7)找到与边缘灰度级小于或等于k的累积概率分布S_k最接近的灰度级调整参考值A_m，将原始图像中像素灰度级数值为k的灰度级变换为灰度级m，从而得到增强图像。

Images