CN111325685B - 一种基于多尺度相对梯度直方图均衡化的图像增强算法 - Google Patents

Abstract

本发明涉及一种基于多尺度相对梯度直方图均衡化的图像增强算法，包括：第一步：计算图像相对梯度直方图；第二步：计算图像多尺度相对梯度直方图；第三步：均衡化所述多尺度相对梯度直方图，其中，该步骤包括：首先，对多尺度相对梯度直方图进行累加；其次，对累加后的多尺度相对梯度直方图进行归一化，得到灰度映射函数；最后，将原始图像中所有像素点对应的灰度级替换为其映射后的灰度级，得到增强后图像。这可以有效增强图像相对梯度强度，进而大幅提高图像视觉效果。

Description

一种基于多尺度相对梯度直方图均衡化的图像增强算法

技术领域

本发明提供一种基于多尺度相对梯度直方图均衡化的图像增强方法，属于图像处理技术领域。

背景技术

图像增强是图像处理中的重要预处理步骤，它可以有效地改善图像质量，提高图像视觉效果。其中，直方图均衡化是最为常用的图像增强算法之一。由于传统图像直方图只统计各个灰度级对应的像素个数，当图像中存在大量灰度级接近的区域(例如天空、大海等)时，其对应的直方图会出现灰度级峰值，此时直方图均衡化会导致图像过增强。为了解决这个问题，研究者提出了许多算法，其中大部分都是对直方图先进行修正，再进行直方图均衡化。这些算法不能从根本上解决过增强问题，当原始图像直方图中峰值较大时，过增强现在依然普遍存在。另一方面，研究表明，人类的视觉系统对图像的相对梯度比较敏感，提高图像的相对梯度强度，能够有效改善图像的主观视觉效果。而目前基于直方图均衡化的增强算法无法有效提高图像的相对梯度。

发明内容

本发明的目的是提供了一种基于多尺度相对梯度直方图均衡化的图像增强方法，它能够解决图像过增强问题，并提高图像相对梯度强度，进而增强图像的主观视觉效果。

为实现上述目的，本发明的基于多尺度相对梯度直方图均衡化的图像增强方法，其步骤如下：

第一步，根据相对梯度直方图定义计算图像f的相对梯度直方图；所述相对梯度直方图的定义为:

进一步地，所述相对梯度直方图定义公式中，尺度参数γ∈[0,2]，M和N分别位图像的行数和列数，

和

为256×1的向量，它们第k(k＝1,2,...,256)个元素为：

其中，上述公式中，所述

分别为{[f(i,j),f(i,j-1)],[f(i,j),f(i,j+1)],[f(i,j),f(i-1,j)],[f(i,j),f(i+1,j)]}的最大值和最小值，B(i,j)为输入图像像素点(i,j)处(2W+1)×(2W+1)窗口内的所有像素点灰度值的均值，

根据第一步中相对梯度直方图的定义可以看出，其由像素个数和像素梯度共同决定，而且梯度越小的像素点对相对梯度直方图的影响越小。当图像中存在大量灰度级接近的背景区域时，其在传统灰度直方图中会形成一个峰值，进而导致图像过增强；由于灰度级接近的区域其包含的梯度信息较小，其对本发明提出的相对梯度直方图影响较小，可以有效避免峰值。另一方面，图像相对梯度直方图的和等于图像中所有像素点的相对梯度强度之和，其证明如下：

上述公式中，|f(i,j)-f(i,j-1)|，|f(i,j)-f(i,j+1)|，|f(i,j)-f(i-1,j)|和|f(i,j)-f(i+1,j)|分别为输入图像像素点(i,j)处水平左方向，水平右方向，竖直上方向和竖直下方向的梯度强度，|f(i,j)-f(i,j-1)|+|f(i,j)-f(i,j+1)|+|f(i,j)-f(i-1,j)|+|f(i,j)-f(i+1,j)|可以有效表示输入图像像素点(i,j)的梯度强度。将该梯度强度除以其对应的背景亮度B(i,j)^γ可以得到像素点(i,j)处对应的相对梯度强度：

因此图像相对梯度直方图的和等于图像中所有像素点的相对梯度强度之和。

第二步，根据步骤1中得到的相对梯度直方图计算图像多尺度相对梯度直方图，所述多尺度相对梯度直方图的定义为：

其中，上述所述公式中，所述IGH^γ＝0、IGH^γ＝1和IGH^γ＝2为参数γ＝0，γ＝1和γ＝2时对应的相对梯度直方图，所述

进一步地，所述sum(IGH^γ＝0)，sum(IGH^γ＝1)和sum(IGH^γ＝2)分别参数γ＝0，γ＝1和γ＝2时对应的相对梯度直方图的和，即为图像不同尺度的相对梯度强度。

根据第二步中多尺度相对梯度直方图的定义可以看出，图像在某尺度上的相对梯度强度越大，该尺度对应的相对梯度直方图的权值越大。因此本发明提出的多尺度相对梯度直方图包含图像多尺度梯度信息，并且自适应强调对应图像相对梯度强度大的尺度。

第三步，对第二步获取的多尺度相对直方图进行直方图均衡化。

首先，对所述多尺度相对梯度直方图进行累加从而得到累加后直方图

其次，对累加后的直方图进行归一化，得到灰度映射函数

最后，将原始图像中所有像素点对应灰度灰度级k(k＝0,1,2,...,255)替换为f(k)，得到增强后图像。

与现有技术相比本发明的技术效果在于：

本发明提出的多尺度相对梯度直方图包含图像多尺度梯度信息，并且自适应强调对应图像相对梯度强度大的尺度。其可以有效缓解图像中梯度较低的像素点对直方图产生的影响，避免传统灰度直方图中出现的峰值。本发明提出的多尺度相对梯度直方图均衡化算法可以提高图像的相对梯度强度，并有效避免过增强。由于人眼的视觉系统对图像相对梯度强度比较敏感，该算法能够大幅改善图像的主观视觉效果。

附图说明

图1为本发明的流程图；

图2为本发明步骤S3的流程图；

图3为本发明的一个实施例中处理前的原始图像；

图4为原始图像的灰度直方图和多尺度相对梯度直方图；

图5为传统直方图均衡化增强后图像；

图6为采用本发明的方法增强后图像；

图7为原始图像和采用本发明的方法增强后图像。

图8为原始图像的相对梯度图和采用本发明方法增强后图像的相对梯度图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

本发明所述的一种基于多尺度相对梯度直方图均衡化的图像增强算法，其流程图如图1所示，包括一下步骤：

步骤S1，根据相对梯度直方图的定义，计算图像在γ＝0，γ＝1和γ＝2时对应的相对梯度直方图IGH^γ＝0，IGH^γ＝1和IGH^γ＝2；所述相对梯度直方图定义为:

具体而言，所述相对梯度直方图定义公式中，M和N分别位图像的行数和列数，

和

为256×1的向量，它们第k(k＝1,2,...,256)个元素为：

其中，上述公式中，所述

分别为{[f(i,j),f(i,j-1)],[f(i,j),f(i,j+1)],[f(i,j),f(i-1,j)],[f(i,j),f(i+1,j)]}的最大值和最小值，B(i,j)为输入图像像素点(i,j)处(2W+1)×(2W+1)窗口内的所有像素点灰度值的均值，

为了便于理解和实施，我们给出了计算图像相对梯度直方图的伪代码。

输入：f_M×N，γ输出：IGH

初始化：RGV^x-，RGV^x+，RGV^y-，RGV^y+，IGH＝zeros(L，1)

步骤S2，基于步骤S1获取的IGH^γ＝0，IGH^γ＝1和IGH^γ＝2，计算图像多尺度相对梯度直方图：

上述公式中，

s1＝log(sum(IGH^γ＝0))

s2＝log(sum(IGH^γ＝1))

s3＝log(sum(IGH^γ＝2))

sum(IGH^γ＝0)，sum(IGH^γ＝1)和sum(IGH^γ＝2)分别为γ＝0，γ＝1和γ＝2时对应的相对梯度直方图的和，即为图像不同尺度的相对梯度强度。

步骤S3，对步骤S2获取的多尺度相对直方图采用均衡化技术进行均衡。

步骤S31，对所述多尺度相对梯度直方图进行累加从而得出

步骤S32，对累加后的直方图进行归一化，得到灰度映射函数

步骤S33，将原始图像中灰度级k(k＝0,1,2,...,255)的所有像素点对应灰度级替换为f(k)得到增强后图像。

为验证本专利提出算法的有效性、合理性、可行性及科学性，对图3中原始内窥镜图像采用传统直方图均衡化和多尺度相对梯度直方图均衡化进行增强。图4是原始图像灰度直方图和步骤S2中获取的多尺度相对梯度直方图；图5是传统直方图均衡化处理后的增强图像；图6是应用本发明的方法处理后的增强图像。从图4中可以看出，原始图像中大面积的黑色背景区域灰度比较接近，因而在传统灰度直方图中形成了一个峰值。我们的多尺度相对梯度直方图由像素灰度级和其对应梯度共同决定。由于图像中的背景区域比较平缓，包含的梯度信息较小，对直方图的影响较小。因此我们的多尺度相对梯度直方图中没有产生峰值。从图5中可以看出，由于传统灰度直方图存在峰值，导致直方图均衡化出现过增强现象，而图6中本发明的方法增强后图像能够有效避免过增强，同时有效改善图像主观视觉效果。图7给出了原始图像和本发明的方法增强后图像，图8给出了对应的相对梯度图。从图7中可以看出，增强后图像亮度更均匀、血管边缘更清晰。从图8中可以看出，图像的相对梯度强度得到明显改善。本发明的方法通过增强图像相对梯度强度，能够显著提高图像的主观视觉效果，并避免过增强。

Claims (4)

1.一种基于多尺度相对梯度直方图均衡化的图像增强算法，其特征在于，包括以下步骤：

步骤S1：根据相对梯度直方图定义计算图像的相对梯度直方图；

步骤S2：根据步骤S1得到的相对梯度直方图计算图像多尺度相对梯度直方图；

步骤S3：对步骤S2获取的多尺度相对梯度直方图进行直方图均衡化，其中，该步骤包括：

步骤S31，多尺度相对梯度直方图累加；

步骤S32，对累加后的多尺度相对梯度直方图进行归一化，得到灰度映射函数；

步骤S33，将原始图像所有像素点对应的灰度级替换为其映射后灰度级，得到增强后图像；

所述步骤S1，所述相对梯度直方图的定义为

其中，尺度参数γ∈[0,2]，M和N为输入图像f_M×N的行数和列数，

和

为256×1的向量：

其中，

分别为{[f(i,j),f(i,j-1)],[f(i,j),f(i,j+1)],[f(i,j),f(i-1,j)],[f(i,j),f(i+1,j)]}的最大值和最小值，所述B(i,j)为输入图像像素点(i,j)处(2W+1)×(2W+1)窗口内的所有像素点灰度值的均值，

2.根据权利要求1所述的基于多尺度相对梯度直方图均衡化的图像增强算法，其特征在于，所述步骤S2，所述多尺度相对梯度直方图的运算过程为：

其中，上式中，

s1＝log(sum(IGH^γ＝0))

s2＝log(sum(IGH^γ＝1))

s3＝log(sum(IGH^γ＝2))，

其中所述IGH^γ＝0，IGH^γ＝1和IGH^γ＝2分别为参数γ＝0，γ＝1和γ＝2时对应的相对梯度直方图，sum(IGH^γ＝0)，sum(IGH^γ＝1)和sum(IGH^γ＝2)分别为γ＝0，γ＝1和γ＝2时对应的相对梯度直方图的和。

3.根据权利要求2所述的基于多尺度相对梯度直方图均衡化的图像增强算法，其特征在于，所述步骤S3，所述多尺度相对梯度直方图累加的公式：

4.根据权利要求3所述的基于多尺度相对梯度直方图均衡化的图像增强算法，其特征在于，所述步骤S3，所述灰度映射函数为：

Images