CN2838184Y - 一种基于边界的直方图均衡装置 - Google Patents

Abstract

一种基于边界的直方图均衡装置，由亮度输入电路输入视频图像，检测出亮度最大值和最小值，由边缘检测电路求取亮度图边缘点，再通过直方图均衡电路计算得到亮度映射函数，控制因子输入电路输入控制因子α从而得到新的映射函数，接着由亮度映射电路得到对比度增强后图像，最后通过亮度输出电路输出。本实用新型提供的基于边界的直方图均衡装置，通过对边缘图而不是所有的图像像素进行处理的方法，可有效抑制背景噪声的蔓延，并有效保持一些灰度级不被合并，同时通过加入控制因子的方法，控制图像增强效果，使图像均值与原始图像的均值不会相差太远。

Description

一种基于边界的直方图均衡装置

技术领域

本实用新型涉及一种基于边界的直方图均衡装置。

背景技术

直方图均衡是一种常用的图像增强技术，其优点是能自动地增强整个图像的对比度，它扩展了图像的动态范围，产生的图像密度分布变得平坦，但它的具体增强效果不易控制，处理的结果总是得到全局均衡化的直方图，而且对于某些灰度频数较小的灰度级，会被合并，造成分辨率的下降，视觉上有明显的生硬感；直方图均衡后还会增加背景噪声，而且处理后图像的均值总是在灰度范围的中值附近，与原始图像的平均灰度无关。

申请号为99122874.X的中国专利，提出了一种保持输入图像亮度的改善对比度的图像增强装置，设计了亮度差补偿器，当输出图像亮度低于输入图像时，对输出图像进行补偿。申请号为97111448.X的中国专利，提出了一种先对图像进行低通滤波然后进行直方图均衡的方法和装置，然后将输入图像信号减低通滤波后的信号叠加到对比度增强后的信号上。前者是为了解决亮度与原始图像灰度无关的问题，后者是为了解决噪声大的问题。但这些专利仅仅只能解决一个不足。

实用新型内容

本实用新型提供的一种基于边界的直方图均衡装置，其可有效抑制背景噪声，可减少传统的直方图均衡算法引起的灰度级合并，控制图像的增强效果。

为了达到上述目的，本实用新型提供了一种基于边界的直方图均衡装置，其包含：

一亮度输入电路，计算输入视频图像的亮度图f(i，j)，函数f(i，j)代表在图像第i行第j列的像素点的亮度信息；

一最高亮度检测器，其输入端连接亮度输入电路的输出端，计算图像灰度级的最大值Max；

一最低亮度检测器，其输入端连接亮度输入电路的输出端，计算图像灰度级的最小值Min；

一边缘检测电路，其输入端连接亮度输入电路的输出端，对亮度图求取边缘点；该边缘检测电路包含一梯度幅值计算模块和一边缘点检测模块；

所述的梯度幅值计算模块的输入端连接亮度输入电路的输出端，该模块应用Sobel算子，计算亮度图像的Sobel模值，即梯度幅值：

Sobel算子是一种传统的边缘检测提取算子，其由水平垂直的两个正模板组成，能够同时检测图像水平方向和垂直方向的边缘；

$\mathrm{Delta}\_x=$

$\frac{|-f(i-1,j-1)-2*f(i-1,j)-f(i-1,j+1)+f(i+1,j-1)+2*f(i+1,j)+f(i+1,j+1)|}{8};$

$\mathrm{Delta}\_y=$

$\frac{|-f(i-1,j+1)-2*f(i,j+1)-f(i+1,j+1)+f(i-1,j-1)+2*f(i,j-1)+f(i+1,j-1)|}{8};$

$G(x,y)=\sqrt{(\mathrm{Delta}\_x^2+\mathrm{Delta}\_y^2)};$

其中，Delta_x和Delta_y为点f(x，y)处的一阶微分算子，G(x，y)为点f(x，y)的梯度幅值；

所述的边缘点检测模块的输入端连接梯度幅值计算模块的输出端；该模块包含一比较器和一存储器；存储器连接比较器的输出端；

比较器对边缘点提取模块的输出结果进行检测，图像边缘点的G(x，y)应不小于其上下或左右的两个邻域且严格大于其中之一，当下式成立时，存储器存储对应的图像边缘点数值；

G(x，y)＞T

and{{[Delta_x(i，j)＞＝Delta_ y(i，j)-ξ]&[G(x，y-1)＜＝G(x，y)]&[G(x，y)＞G(x，y+1)]}；

or{[Delta_y(i，j)＞＝Delta_x(i，j)-ξ]&[G(x-1，y)＜＝G(x，y)]&[G(x，y)＞G(x+1，y)]}}

其中，T为一个预先确定的阈值，ξ为一个非常小的正数；满足上述条件的点组成边界图象：f_E(i，j)＝f(i，j)，f_E(i，j)是对图像亮度图求边界后得到的边界图像中第i行第j列的像素点的亮度信息。

一直方图均衡电路，其输入端连接边缘检测电路、最高亮度检测器和最低亮度检测器的输出端，包含一极值运算模块、一概率密度函数运算模块、一累加器模块和一灰度映射函数运算模块；

所述的极值运算模块的输入端连接最高亮度检测器和最低亮度检测器的输出端，该模块计算进行直方图拉伸后的边界图像灰度级的最大最小值Min′，Max′：

Min′＝Min-(Min-L_value)*(Max-Min)/C

Max′＝Max+(H_value-Max)*(Max-Min)/C；

其中L_value和H_value是亮度空间的最大最小值；C为一个控制拉伸后最大最小值的常数；

所述的概率密度函数运算模块的输入端连接极值运算模块的输出端，该模块包含一运算模块、一比较器和一修正模块；

所述的运算模块的输入端连接边缘检测电路的输出端，该模块计算边缘点的概率密度函数：

$P_{\mathrm{edge}}\left(X\left(k\right)\right)=\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}};$

其中，P_edge(X(k))是图像第k个灰度级X_k出现的概率，n_edge(k)表示在边界图像的亮度图{f_E(i，j)}中灰度级X_k出现的次数，{f_E(i，j)}表示由Max-Min+1个灰度级[X_Min，……，X_Max]所构成的边界图像的亮度图；n_{sum_edge}是边界图像的亮度图{f_E(i，j)}中总的采样数，即边缘点的个数；

所述的比较器的输入端连接运算模块的输出端、极值运算模块的输出端、最高亮度检测器和最低亮度检测器的输出端，对运算模块计算出的概率密度函数进行判定，若边缘点在所述的第k个灰度级的概率密度函数P_edge(X(k))小于灰度级的倒数

说明该灰度级对边缘图像中贡献小，可能会被合并，同时这一灰度级在原亮度图中占据着整幅图的

以上，说明这个灰度级对原亮度图的贡献很大，该灰度级不应该被合并，即当 $(\frac{n\left(k\right)}{n_{\mathrm{sum}}}>\frac{2}{(\mathrm{Max}-\mathrm{Min})})\mathrm{and}(\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}}<\frac{1}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})})$ 成立时，比较器输出一修正触发信号；当 $(\frac{n\left(k\right)}{n_{\mathrm{sum}}}>\frac{2}{(\mathrm{Max}-\mathrm{Min})})\mathrm{and}(\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}}<\frac{1}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})})$ 不成立时，比较器输出一保持触发信号；其中，n(k)表示在整幅亮度图中灰度级X_k出现的次数，n_sum是亮度图中像素点的总个数；

所述的修正模块的输入端连接比较器的输出端和极值运算模块的输出端，该模块的输出端连接运算模块的输入端；当接收到比较器发出的修正触发信号后，修正模块重置该边缘点中第k个灰度级出现的次数n_edge(k)，将其提升到全部边缘点数目的 使该灰度级不会被合并，然后对边缘点的个数进行修正，即：

n_edge′(k)＝n_edge(k)

$n_{\mathrm{edge}}\left(k\right)=\frac{n_{\mathrm{sum}\_\mathrm{edge}}}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})};$

n_{sum_edge}＝n_{sum_edge}+n_edge(k)-n_edge′(k)

修正模块将修正结果输入到运算模块，由运算模块根据修正模块的输出结果重新计算边缘点的概率密度函数；当接收到比较器发出的保持触发信号后，修正模块不工作，保持运算模块原来的计算结果；

所述的累加器模块，其输入端连接概率密度函数运算模块的输出端，根据边缘点的概率密度函数计算累计密度函数：

$C\left(X\left(k\right)\right)=\underset{i=0}{\overset{k-1}{\mathrm{\&Sigma;}}}{P}_{\mathrm{edge}}\left(X\left(k\right)\right);$

所述的灰度映射函数运算模块，其输入端连接累加器的输出端和极值运算模块的输出端，根据累加器的输出结果计算灰度映射函数：

            X′(k)＝C(X(k))*(Max′-Min′)+Min′；

一控制因子输入电路，其输入控制因子α，并将α的值控制在[0，1]之间；

一增强程度控制电路，其输入端连接直方图均衡电路和控制因子输入电路的输出端，该电路加入控制因子α，得到新的灰度映射函数Y(k)，使映射函数的曲线幅度可调，对比度增强效果可控：

             Y(k)＝α*X′(k)+(1-α)*k；

其中，α的值在[0，1]之间，α越小，越接近原图，当α＝0时，是原图，没有变化；α越大，对比度越大，当α＝1时，就完全是直方图均衡的结果；

一亮度映射电路，其输入端连接增强程度控制电路的输出端，并与直方图均衡电路相互连接；该亮度映射电路利用灰度映射函数Y(k)对原亮度图像进行灰度变换，得到对比度增强后图像：

                 f_out(i，j)＝Y(f(i，j))；

一亮度输出电路，其输入端连接亮度映射电路的输出端，将计算好的亮度变换回真彩色空间，完成视频图像的对比度增强。

在所述的亮度输入电路中，所述的亮度可以是YUV模型中的Y，或者是HSV模型中的V，或者是HIS模型中的I，或者是其他合理的亮度公式推导出的亮度。

在所述的直方图均衡电路中的极值运算模块中，在YcbCr空间，所述的L_value＝16，H_value＝235；在HSV空间，所述的L_value＝0，H_value＝255。

本实用新型提供的基于边界的直方图均衡装置，通过对边缘图而不是所有的图像像素进行处理的方法，来有效抑制背景噪声的蔓延，并有效保持一些灰度级不被合并，同时通过加入控制因子的方法，控制图像增强效果，使图像均值与原始图像的均值不会相差太远。

附图说明

图1是本实用新型提供的基于边界的直方图均衡装置的结构图；

图2是本实用新型提供的基于边界的直方图均衡装置的边缘检测电路的结构图；

图3是本实用新型提供的基于边界的直方图均衡装置的极值运算模块电路的结构图；

图4是本实用新型提供的基于边界的直方图均衡装置的概率密度函数运算电路的结构图；

图5是本实用新型提供的基于边界的直方图均衡装置的灰度映射函数运算电路的结构图；

图6是本实用新型提供的基于边界的直方图均衡装置的增强程度控制电路的结构图。

具体实施方式

以下根据图1～图6来具体说明本实用新型提供的一种基于边界的直方图均衡装置的最佳实施方式：

如图1所示，本实用新型提供的基于边界的直方图均衡装置，其包含：

一亮度输入电路1，输入视频图像，计算图像的亮度图f(i，j)，函数f(i，j)代表在图像第i行第j列的像素点的亮度信息；

一最高亮度检测器2，其输入端连接亮度输入电路1的输出端，计算图像灰度级的最大值Max；

一最低亮度检测器3，其输入端连接亮度输入电路1的输出端，计算图像灰度级的最小值Min；

一边缘检测电路4，其输入端连接亮度输入电路1的输出端，对亮度图求取边缘点；如图2所示，该边缘检测电路4包含一梯度幅值计算模块和一边缘点检测模块；

所述的梯度幅值计算模块的输入端连接亮度输入电路1的输出端，该模块应用Sobel算子，计算亮度图像的Sobel模值，即梯度幅值：

Sobel算子是一种传统的边缘检测提取算子，其由水平垂直的两个正模板组成，能够同时检测图像水平方向和垂直方向的边缘；

$\mathrm{Delta}\_x=$

$\frac{|-f(i-1,j-1)-2*f(i-1,j)-f(i-1,j+1)+f(i+1,j-1)+2*f(i+1,j)+f(i+1,j+1)|}{8}$

$\mathrm{Delta}\_y=$

$\frac{|-f(i-1,j+1)-2*f(i,j+1)-f(i+1,j+1)+f(i-1,j-1)+2*f(i,j-1)+f(i+1,j-1)|}{8};$

$G(x,y)=\sqrt{(\mathrm{Delta}\_x^2+\mathrm{Delta}\_y^2)};$

其中，；Delta_x和Delta_y为点f(x，y)处的一阶微分算子，G(x，y)为点f(x，y)的梯度幅值；

所述的梯度幅值计算模块包括若干加法器、减法器、乘法器、除法器、平方产生器和开方产生器，其具体连接方式如下：亮度输入电路1的输出和常数输入到乘法器401a，亮度输入电路1的输出和常数输入到乘法器401b，乘法器401a和401b的输出输入到减法器401c中，减法器401c的输出和亮度输入电路1的输出输入到减法器401d，减法器401d的输出和亮度输入电路1的模板的两个点的输出输入到加法器401e，加法器401e的输出和常数输入到除法器401f中得到Delta_x；亮度输入电路1的输出和常数输入到乘法器401g，亮度输入电路1的输出和常数输入到乘法器401h，乘法器401h和401g的输出输入到减法器401i中，减法器401i的输出和亮度输入电路1的输出输入到减法器401j，减法器401j的输出和亮度输入电路1的模板的两个点的输出输入到加法器401k，加法器401k的输出和常数输入到除法器401l中得到Delta_y；除法器401f输入到平方产生器401m中，除法器401l的输出输入到平方产生器401n中，平方产生器401m和401n的输出输入到加法器401o中，加法器401o的输出输入到开方产生器401p中，得到梯度幅值G(x，y)；

所述的边缘点检测模块的输入端连接梯度幅值计算模块的输出端；该模块包含一比较器402a和一存储器402b；存储器402b连接比较器402a的输出端；

比较器402a对边缘点提取模块的输出结果进行检测，图像边缘点的G(x，y)应不小于其上下或左右的两个邻域且严格大于其中之一，当下式成立时，存储器402b存储对应的图像边缘点数值；

G(x，y)＞T

and{{[Delta_x(i，j)＞＝Delta_y(i，j)-ξ]&[G(x，y-1)＜＝G(x，y)]&[G(x，y)＞G(x，y+1)]}；

or{[Delta_y(i，j)＞＝Delta_x(i，j)-ξ]&[G(x-1，y)＜＝G(x，y)]&[G(x，y)＞G(x+1，y)]}}

其中，T为一个预先确定的阈值，ξ为一个非常小的正数；满足上述条件的点组成边界图象：f_E(i，j)＝f(i，j)，f_E(i，j)是对图像亮度图求边界后得到的边界图像中第i行第j列的像素点的亮度信息。

一直方图均衡电路5，其输入端连接边缘检测电路4、最高亮度检测器2和最低亮度检测器3的输出端，包含一极值运算模块501、一概率密度函数运算模块502、一累加器模块503和一灰度映射函数运算模块504；

所述的极值运算模块501的输入端连接最高亮度检测器2和最低亮度检测器3的输出端，该模块计算进行直方图拉伸后的边界图像灰度级的最大最小值Min′，Max′：

Min′＝Min-(Min-L_value)*(Max-Min)/C

Max′＝Max+(H_value-Max)*(Max-Min)/C；

其中L_value和H_value是亮度空间的最大最小值；C为一个控制拉伸后最大最小值的常数；

如图3所示，所述的极值运算模块501包括若干加法器、减法器、乘法器、除法器，其具体连接方式如下：最低亮度检测器3的输出和常数L_value输入到减法器501a中，最低亮度检测器3的输出和最高亮度检测器2的输出输入到减法器501b中，减法器501a和减法器501b输入到乘法器501c中，乘法器501c输出和常数C输入到除法器501d中，除法器501d的输出和最低亮度检测器3的输出输入到减法器501f中，得到拉伸后的边界图像灰度级的最小值Min′；最高亮度检测器2的输出和常数H_value输入到减法器501g中，减法器501g和减法器501b输入到乘法器501h中，乘法器501h输出和常数C输入到除法器501i中，除法器501i的输出和最高亮度检测器2的输出输入到加法器501j中，得到拉伸后的边界图像灰度级的最大值Max′；

如图4所示，所述的概率密度函数运算模块502的输入端连接极值运算模块501的输出端，该模块包含一运算模块、一比较器5022和一修正模块5023；

所述的运算模块的输入端连接边缘检测电路4的输出端，该模块计算边缘点的概率密度函数：

$P_{\mathrm{edge}}\left(X\left(k\right)\right)=\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}};$

其中，P_edge(X(k))是图像第k个灰度级X_k出现的概率，n_edge(k)表示在边界图像的亮度图{f_E(i，j)}中灰度级X_k出现的次数，{f_E(i，j)}表示由Max-Min+1个灰度级[X_Min，……，X_Max]所构成的边界图像的亮度图；n_{sum_edge}是边界图像的亮度图{f_E(i，j)}中总的采样数，即边缘点的个数；

所述的运算模块包括若干存储器、记数器、除法器，其具体连接方式如下：边缘检测电路4的输出输入到存储器5021a中，用于存储直方图数组数据，存储器5021a输出到累加器5021b中，得到每个灰度级出现的次数n_edge(k)。边缘检测电路4的输出还输入到另一个累加器5021c中以便得到边界图像的象素总数；然后累加器5021b和累加器5021c的输出输入到除法器5021d中，得到边缘点的概率密度函数；

所述的比较器5022的输入端连接运算模块的输出端、极值运算模块501的输出端、最高亮度检测器2和最低亮度检测器3的输出端，对运算模块计算出的概率密度函数进行判定，若边缘点在所述的第k个灰度级的概率密度函数P_edge(X(k))小于灰度级的倒数

说明该灰度级对边缘图像中贡献小，可能会被合并，同时这一灰度级在原亮度图中占据着整幅图的以上，说明这个灰度级对原亮度图的贡献很大，该灰度级不应该被合并，即当 $(\frac{n\left(k\right)}{n_{\mathrm{sum}}}>\frac{2}{(\mathrm{Max}-\mathrm{Min})})\mathrm{and}(\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}}<\frac{1}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})})$ 成立时，比较器5022输出一修正触发信号；当 $(\frac{n\left(k\right)}{n_{\mathrm{sum}}}>\frac{2}{(\mathrm{Max}-\mathrm{Min})})\mathrm{and}(\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}}<\frac{1}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})})$ 不成立时，比较器5022输出一保持触发信号；其中，n(k)表示在整幅亮度图中灰度级X_k出现的次数，n_sum是亮度图中像素点的总个数；

所述的修正模块5023的输入端连接比较器5022的输出端和极值运算模块501的输出端，该修正模块5023的输出端连接运算模块的输入端；当接收到比较器5022发出的修正触发信号后，修正模块5023重置该边缘点中第k个灰度级出现的次数n_edge(k)，将其提升到全部边缘点数目的

使该灰度级不会被合并，然后对边缘点的个数进行修正，即：

n_edge′(k)＝n_edge(k)

$n_{\mathrm{edge}}\left(k\right)=\frac{n_{\mathrm{sum}\_\mathrm{edge}}}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})};$

n_{sum_edge}＝n_{sum_edge}+n_edge(k)-n_edge′(k)

修正模块5023将修正结果输入到运算模块，由运算模块根据修正模块5023的输出结果重新计算边缘点的概率密度函数；当接收到比较器5022发出的保持触发信号后，修正模块5023不工作，保持运算模块原来的计算结果；

所述的修正模块5023包含若干减法器、加法器、除法器、存储器，具体连接方式为：将累加器5021b输出到存储器5023a中，极值运算模块501的两个输出输入到减法器5023b中，累加器5021c的输出和减法器5023b的输出输入到除法器5023c中，得到新的n_edge(k)，除法器5023c与存储器的输出5023a输入到减法器5023d中，减法器5023d的输出和累加器5021c的输出输入到加法器5023f中得到新的修正结果。

所述的累加器503，其输入端连接概率密度函数运算模块502的输出端，根据边缘点的概率密度函数计算累计密度函数：

$C\left(X\left(k\right)\right)=\underset{i=0}{\overset{k-1}{\mathrm{\&Sigma;}}}{P}_{\mathrm{edge}}\left(X\left(k\right)\right);$

所述的灰度映射函数运算模块504，其输入端连接累加器503的输出端和极值运算模块501的输出端，根据累加器503的输出结果计算灰度映射函数：

           X′(k)＝C(X(k))*(Max′-Min′)+Min′；

如图5所示，所述的灰度映射函数运算模块504由减法器、加法器和乘法器实现，具体连接方式为：减法器5023b的输出和累加器503的输出输入到乘法器504b中，乘法器504b的输出和极值运算模块501的输出Min′输入到加法器504c中，得到对应的映射值。

一控制因子输入电路6，其输入控制因子α，并将α的值控制在[0，1]之间；

一增强程度控制电路7，其输入端连接直方图均衡电路5和控制因子输入电路6的输出端，该电路加入控制因子α，得到新的灰度映射函数Y(k)，使映射函数的曲线幅度可调，对比度增强效果可控：

              Y(k)＝α*X′(k)+(1-α)*k；

其中，α的值在[0，1]之间，α越小，越接近原图，当α＝0时，是原图，没有变化；α越大，对比度越大，当α＝1时，就完全是直方图均衡的结果；

如图6所示，所述的增强程度控制电路7由加法器、减法器和乘法器实现，具体连接方式为：灰度映射函数运算模块504的输出和α输入到乘法器701中，常数和α输入到减法器702中，减法器702的输出和灰度级k输入到乘法器703中，乘法器701和乘法器703的输出输入到加法器704中，得到新的灰度映射函数Y(k)。

一亮度映射电路8，其输入端连接增强程度控制电路7的输出端，并与直方图均衡电路5相互连接；该亮度映射电路8利用灰度映射函数Y(k)对原亮度图像进行灰度变换，得到对比度增强后图像：

              f_out(i，j)＝Y(f(i，j))；

一亮度输出电路9，其输入端连接亮度映射电路8的输出端，将计算好的亮度变换回真彩色空间，完成视频图像的对比度增强。

在所述的亮度输入电路1中，所述的亮度可以是YUV模型中的Y，或者是HSV模型中的V，或者是HIS模型中的I，或者是其他合理的亮度公式推导出的亮度。

在所述的直方图均衡电路5中的极值运算模块501中，在YcbCr空间，所述的L_value＝16，H_value＝235；在HSV空间，所述的L_value＝0，H_value＝255。

本实用新型提供的基于边界的直方图均衡装置，通过对边缘图而不是所有的图像像素进行处理的方法，来有效抑制背景噪声的蔓延，并有效保持一些灰度级不被合并，同时通过加入控制因子的方法，控制图像增强效果，使图像均值与原始图像的均值不会相差太远。

Claims (3)

1.一种基于边界的直方图均衡装置，其特征在于，包含：

一亮度输入电路(1)，输入视频图像，计算图像的亮度图f(i，j)，函数F(i，j)代表在图像第i行第j列的像素点的亮度信息；

一最高亮度检测器(2)，其输入端连接亮度输入电路(1)的输出端，计算图像灰度级的最大值Max；

一最低亮度检测器(3)，其输入端连接亮度输入电路(1)的输出端，计算图像灰度级的最小值Min；

一边缘检测电路(4)，其输入端连接亮度输入电路(1)的输出端，对亮度图求取边缘点；该边缘检测电路(4)包含一梯度幅值计算模块和一边缘点检测模块；

所述的梯度幅值计算模块的输入端连接亮度输入电路(1)的输出端，该模块应用Sobel算子，计算亮度图像的Sobel模值，即梯度幅值：

Sobel算子是一种传统的边缘检测提取算子，其由水平垂直的两个正模板组成，能够同时检测图像水平方向和垂直方向的边缘；

$\mathrm{Delta}\_x=$

$\frac{|-f(i-1,j-1)-2*f(i-1,j)-f(i-1,j+1)+f(i+1,j-1)+2*f(i+1,j)+f(i+1,j+1)|}{8};$

$\mathrm{Delta}\_y=$

$\frac{|-f(i-1,j+1)-2*f(i,j+1)-f(i+1,j+1)+f(i-1,j-1)+2*f(i,j-1)+f(i+1,j-1)|}{8};$

$G(x,y)=\sqrt{(\mathrm{Delta}\_x^2+\mathrm{Delta}\_y^2)};$

其中，Delta_x和Delta_y为点f_E(x，y)处的一阶微分算子，G(x，y)为点f_E(x，y)的梯度幅值；

所述的边缘点检测模块的输入端连接梯度幅值计算模块的输出端；该模块包含一比较器(4021)和一存储器(4022)；存储器(4022)连接比较器(4021)的输出端；

比较器(4021)对梯度幅值计算模块的输出结果进行检测，图像边缘点的G(x，y)应不小于其上下或左右的两个邻域且严格大于其中之一，当下式成立时，存储器(4022)存储对应的图像边缘点数值；

G(x，y)＞Tand{{[Delta_x(i，j)＞＝Delta_y(i，j)-ξ]&[G(x，y-1)＜＝G(x，y)]&[G(x，y)＞G(x，y+1)]}；or{[Delta_y(i，j)＞＝Delta_x(i，j)-ξ]&[G(x-1，y)＜＝G(x，y)]&[G(x，y)＞G(x+1，y)]}}

其中，T为一个预先确定的阈值，ξ为一个非常小的正数；满足上述条件的点组成边界图象：f_E(i，j)＝f(i，j)，f_E(i，j)是对图像亮度图求边界后得到的边界图像中第i行第j列的像素点的亮度信息；

一直方图均衡电路(5)，其输入端连接边缘检测电路(4)、最高亮度检测器(2)和最低亮度检测器(3)的输出端，该电路包含一极值运算模块(501)、一概率密度函数运算模块(502)、一累加器模块(503)和一灰度映射函数运算模块(504)；

所述的极值运算模块(501)的输入端连接最高亮度检测器(2)和最低亮度检测器(3)的输出端，该模块计算进行直方图拉伸后的边界图像灰度级的最大最小值Min′，Max′：

        Min′＝Min-(Min-L_value)*(Max-Min)/C；

        Max′＝Max+(H_value-Max)*(Max-Min)/C

其中L_value和H_value是亮度空间的最大最小值；C为一个控制拉伸后最大最小值的常数；

所述的概率密度函数运算模块(502)的输入端连接极值运算模块(501)的输出端，该模块包含一运算模块、一比较器(5022)和一修正模块(5023)；

所述的运算模块的输入端连接边缘检测电路(4)的输出端，该模块计算边缘点的概率密度函数：

$P_{\mathrm{edge}}\left(X\left(k\right)\right)=\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}};$

其中，P_edge(X(k))是图像第k个灰度级Xk出现的概率，n_edge(k)表示在边界图像的亮度图{f_E(i，j)}中灰度级X_k出现的次数，{f_E(i，j)}表示由Max-Min+1个灰度级[X_Min，……，X_Max]所构成的边界图像的亮度图；n_{sum_edge}是边界图像的亮度图{f_E(i，j)}中总的采样数，即边缘点的个数；

所述的比较器(5022)的输入端连接运算模块的输出端、极值运算模块的输出端(501)、最高亮度检测器(2)和最低亮度检测器(3)的输出端，对运算模块计算出的概率密度函数进行判定：

若边缘点在所述的第k个灰度级的概率密度函数P_edge(X(k))小于灰度级的倒数 同时这一灰度级在原亮度图中占据着整幅图的

以上，即当 $(\frac{n\left(k\right)}{n_{\mathrm{sum}}}>\frac{2}{(\mathrm{Max}-\mathrm{Min})})\mathrm{an}(\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}}<\frac{1}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})})$ 成立时，比较器(5022)输出修正触发信号；当 $(\frac{n\left(k\right)}{n_{\mathrm{sum}}}>\frac{2}{(\mathrm{Max}-\mathrm{Min})})\mathrm{an}(\frac{n_{\mathrm{edge}}\left(k\right)}{n_{\mathrm{sum}\_\mathrm{edge}}}<\frac{1}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})})$ 不成立时，比较器(5022)输出一保持触发信号；

其中，n(k)表示在整幅亮度图中灰度级X_k出现的次数，n_sum是亮度图中像素点的总个数；

所述的修正模块(5023)的输入端连接比较器(5022)的输出端和极值运算模块(501)的输出端，该修正模块(5023)的输出端连接运算模块的输入端；当接收到比较器(5022)发出的修正触发信号后，修正模块(5023)重置该边缘点中第k个灰度级出现的次数n_edge(k)，将其提升到全部边缘点数目的

使该灰度级不会被合并，然后对边缘点的个数进行修正，即：

                n_edge′(k)＝n_edge(k)

$n_{\mathrm{dege}}\left(k\right)=\frac{n_{\mathrm{sum}\_\mathrm{edge}}}{({\mathrm{Max}}^{\&prime;}-{\mathrm{Min}}^{\&prime;})};$

                n_{sum_edge}＝n_{sum_edge}+n_edge(k)-n_edge′(k)修正模块(5023)将修正结果输入到运算模块，由运算模块根据修正模块(5023)的输出结果重新计算边缘点的概率密度函数；当接收到比较器(5022)发出的保持触发信号后，修正模块(5023)不工作，保持运算模块原来的计算结果；

所述的累加器模块(503)的输入端连接概率密度函数运算模块(502)的输出端，该模块根据边缘点的概率密度函数计算累计密度函数：

$C\left(X\left(k\right)\right)=\underset{i=0}{\overset{k-1}{\mathrm{\&Sigma;}}}{P}_{\mathrm{edge}}\left(X\left(k\right)\right);$

所述的灰度映射函数运算模块(504)，其输入端连接累加器(503)的输出端和极值运算模块(501)的输出端，该模块根据累加器(503)的输出结果计算灰度映射函数：

            X′(k)＝C(X(k))*(Max′-Min′)+Min′；

一控制因子输入电路(6)，其输入控制因子α，并将α的值控制在[0，1]之间；

一增强程度控制电路(7)，其输入端连接直方图均衡电路(5)和控制因子输入电路(6)的输出端，该电路加入控制因子α，得到新的灰度映射函数Y(k)，使映射函数的曲线幅度可调，对比度增强效果可控：

            Y(k)＝α*X′(k)+(1-α)*k；

其中，α的值在[0，1]之间；

一亮度映射电路(8)，其输入端连接增强程度控制电路(7)的输出端，并与直方图均衡电路(5)相互连接；该亮度映射电路(8)利用灰度映射函数Y(k)对原亮度图像进行灰度变换，得到对比度增强后图像：

            f_out(i，j)＝Y(f(i，j))；

一亮度输出电路(9)，其输入端连接亮度映射电路(8)的输出端，将计算好的亮度变换回真彩色空间，完成视频图像的对比度增强。

2.如权利要求1所述的基于边界的直方图均衡装置，其特征在于，在亮度输入电路(1)中，所述的亮度可以是YUV模型中的Y，或者是HSV模型中的V，或者是HIS模型中的I，或者是其他合理的亮度公式推导出的亮度。

3.如权利要求1所述的基于边界的直方图均衡装置，其特征在于，在直方图均衡电路(5)中的极值运算模块(501)中，在YcbCr空间，所述的L_value＝16，H_value＝235；在HSV空间，所述的L_value＝0，H_value＝255。

Images