【图像处理】彩色图像自适应对比度增强（OpenCV实现）

心已赠人 2022-04-18 04:57 867阅读 0赞

### **【fishing-pan：https://blog.csdn.net/u013921430 转载请注明出处】** ###

提到图像增强，第一印象就是[直方图均衡][Link 1]与直方图规定化，这是最常见的也是非常有效的全局图像增强方法。在前不久的一次组会讨论中，课题组的一位同学提到了“自适应图像增强”，虽然自己以前也用过，但是一时间忘记了原理，就去复习了一下，其实他使用的方法的全称应该叫自适应直方图均衡，对应的是Matlab 中的adapthisteq 函数；

我在复习的过程中，偶然发现了另一个图像增强的算法，也就是这篇文章中要提到的——自适应对比度增强（Adaptive Contrast Enhancement，ACE），下面就从原理到实现，来好好聊一下这种方法。

## 自适应对比度增强 ##

在图像处理的方法中，自适应方法是与图像本身信息相关，根据图像对图特征对图像进行处理的一系列方法，这些方法往往具有更好的鲁棒性、普适性。而本文中提到的这种ACE方法由 N a r e n d r a P M Narendra P M NarendraPM等人在《[Real-Time Adaptive Contrast Enhancement][]》中提到，原理简单易懂，有兴趣的朋友可以点击链接去阅读。

对于图像中的每一个点，分别计算其局部均值与局部标准差；  
 M ( i , j ) = 1 ( 2 n + 1 ) ( 2 m + 1 ) ∑ s = i − n i + n ∑ k = j − m j + m f ( s , k ) M(i,j)=\\frac\{1\}\{(2n+1)(2m+1)\}\\sum\_\{s=i-n\}^\{i+n\}\\sum\_\{k=j-m\}^\{j+m\}f(s,k) M(i,j)=(2n\+1)(2m\+1)1s=i−n∑i\+nk=j−m∑j\+mf(s,k)  
 σ 2 ( i , j ) = 1 ( 2 n + 1 ) ( 2 m + 1 ) ∑ s = i − n i + n ∑ k = j − m j + m ( f ( s , k ) − M ( i , j ) ) 2 \\sigma ^\{2\}(i,j)=\\frac\{1\}\{(2n+1)(2m+1)\}\\sum\_\{s=i-n\}^\{i+n\}\\sum\_\{k=j-m\}^\{j+m\}(f(s,k)-M(i,j))^\{2\} σ2(i,j)=(2n\+1)(2m\+1)1s=i−n∑i\+nk=j−m∑j\+m(f(s,k)−M(i,j))2  
  上述式子中， f ( s , k ) f(s,k) f(s,k)代表坐标为 ( s , k ) (s,k) (s,k)的点的像素值， M ( i , j ) M(i,j) M(i,j)为以点 ( i , j ) (i,j) (i,j)为中心，窗口大小为 \[ ( 2 n + 1 ) ， ( 2 m + 1 ) \] \[(2n+1)，(2m+1)\] \[(2n\+1)，(2m\+1)\]的区域的局部均值，对应的 σ 2 ( i , j ) \\sigma ^\{2\}(i,j) σ2(i,j)为局部的方差， σ ( i , j ) \\sigma (i,j) σ(i,j)为局部图像的标准差。  
    
  在求得局部均值与标准差后，就可以对图像进行增强了，具体的公式如下；  
 I ( i , j ) = M ( i , j ) + G ( f ( i , j ) − M ( i , j ) ) I(i,j)=M(i,j)+G(f(i,j)-M(i,j)) I(i,j)=M(i,j)\+G(f(i,j)−M(i,j))  
 G = α M σ ( i , j ) 0 < α < 1 G=\\alpha \\frac\{M\}\{\\sigma (i,j)\}\\qquad 0<\\alpha<1 G=ασ(i,j)M0<α<1  
  上式中， I ( i , j ) I(i,j) I(i,j)为增强后的像素值， M M M为全局均值（你也可以把它设为某一合理数值）， α \\alpha α是一个系数参数，一般取小于1大于0的小数。

再来分析一下，上面式子的含义；如果将每个点的局部均值 M ( i , j ) M(i,j) M(i,j)构成一张图，其实就是均值滤波的结果，而在《[数字图像傅里叶变换的物理意义及简单应用][Link 2]》中，我提到过均值滤波是一种低通滤波，获得的是图像的低频部分，也就是背景部分， f ( i , j ) − M ( i , j ) f(i,j)-M(i,j) f(i,j)−M(i,j)就可以用来量化图像中的一个点是高频还是低频。而在一般情况下， G G G 都是大于1的，所以通过  G ( f ( i , j ) − M ( i , j ) ) G(f(i,j)-M(i,j)) G(f(i,j)−M(i,j))可以实现对图像的高频部分的放大，进而对图像进行增强。  
![在这里插入图片描述][20181108175957362.png_pic_center]  
  再来看看参数 G G G，经过上面的过程可以看出，如果 G G G 是一个固定参数，比如都取5，通过式子中的局部均值，我们已经能够将图像实现一定程度上的自适应增强了。那么为什么还要在参数G中引入标准差呢？

我们回忆一下对比度增强的初衷，对比度增强是为了让本身对比度不强的图像的对比度变得明显，而对本身对比度很强的图像，是没必要做增强的。那么在同一图像中，我们尤其需要增强对比度不强的部分。而方差表示的是图像的像素值的均匀性，我们可以认为方差越大的局部区域，其像素值越不均匀，对比度越强；反之，方差越小的局部区域，其像素值越均匀，对比度越弱。因此，在参数 G G G中除以了局部标准差，可以让图像中对比度较弱的部分的增强效果更加明显。

其次，如果对整张图像中所有点进行等比例增强，图像中本身就是高频的部分出现过增强的现象，图像看起来十分奇怪。

## 彩色图像的ACE ##

在网上看到有人说，对彩色图像增强可以分别对RGB三通道进行增强后进行合并。这个观点是错误的，因为分别对各个通道进行增强，会引起图像色相的变化，图像会变的不是其原来的颜色了。

所以需要将图像转到HSI色彩空间，或者是YCrCb颜色空间。前者只需要对I亮度通道进行增强，而H、S分别代表的色调和饱和度通道不需要变化。后者用Y通道表示亮度，只需要对Y通道进行增强即可。增强之后再合并通道，转换回RGB空间便完成了对彩色图像的增强。

## 代码 ##

在这里我只提供一个**adaptContrastEnhancement**函数的代码，完整的代码也很简单，可以点击[下载][Link 3]。无C币的可以直接在博客留言，我也会发送到你的邮箱。

## C++ 版本代码 ##

//--------------------------
    //Adaptive Contrast Enhancement（自适应对比度增强，ACE）
    //不用先生，2018.11.08
    //
    //函数功能：获取图像的局部均值与局部标准差的图
    //函数名称：adaptContrastEnhancement
    //函数参数：Mat &scr：输入图像，为三通道RGB图像；
    //函数参数：Mat &dst：增强后的输出图像，为三通道RGB图像；
    //函数参数：int winSize：局部均值的窗口大小，应为单数；
    //函数参数：int maxCg：增强幅度的上限；
    //返回类型：bool
    //--------------------
    
    bool adaptContrastEnhancement(Mat &scr, Mat &dst, int winSize,int maxCg)
    {
        
    	if (!scr.data)  //判断图像是否被正确读取；
    	{
        
    		cerr << "自适应对比度增强函数读入图片有误";
    		return false;
    	}
    
    	Mat ycc;                        //转换空间到YCrCb；
    	cvtColor(scr, ycc, COLOR_RGB2YCrCb);
    
    	vector<Mat> channels(3);        //分离通道；
    	split(ycc, channels);
    
    	
    	Mat localMeansMatrix(scr.rows , scr.cols , CV_32FC1);
    	Mat localVarianceMatrix(scr.rows , scr.cols , CV_32FC1);
    	
    	if (!getVarianceMean(channels[0], localMeansMatrix, localVarianceMatrix, winSize))   //对Y通道进行增强；
    	{
        
    		cerr << "计算图像均值与标准差过程中发生错误";
    		return false;
    	}
    
    	Mat temp = channels[0].clone();
    
    	Scalar  mean;
    	Scalar  dev;
    	meanStdDev(temp, mean, dev);
    
    	float meansGlobal = mean.val[0];
    	Mat enhanceMatrix(scr.rows, scr.cols, CV_8UC1);
    
    	for (int i = 0; i < scr.rows; i++)            //遍历，对每个点进行自适应调节
    	{
        
    		for (int j = 0; j < scr.cols; j++)
    		{
        
    			if (localVarianceMatrix.at<float>(i, j) >= 0.01)
    			{
        
    				float cg = 0.2*meansGlobal / localVarianceMatrix.at<float>(i, j);
    				float cgs = cg > maxCg ? maxCg : cg;
    				cgs = cgs < 1 ? 1 : cgs;
    				
    				int e = localMeansMatrix.at<float>(i, j) + cgs* (temp.at<uchar>(i, j) - localMeansMatrix.at<float>(i, j));
    				if (e > 255){
         e = 255; }
    				else if (e < 0){
         e = 0; }
    				enhanceMatrix.at<uchar>(i, j) = e;
    			}
    			else
    			{
        
    				enhanceMatrix.at<uchar>(i, j) = temp.at<uchar>(i, j);
    			}
    		}
    			
    	}
    	
    	channels[0] = enhanceMatrix;    //合并通道，转换颜色空间回到RGB
    	merge(channels, ycc);
    
    	cvtColor(ycc, dst, COLOR_YCrCb2RGB);
    		
    }

## Python 版本代码（2020.03.11） ##

最近有不少人私信我，问我有没有python版本的代码，所以我晚上写了一份；完整的脚本都在这里了，里面提供了两种求均值方差的方法！

# -*- coding: utf-8 -*-
    """
    Created on Wed Mar 11 20:20:47 2020
    
    @author: 不用先生
    """
    import numpy as np
    import cv2
    
    def getVarianceMean(scr, winSize):
        if scr is None or winSize is None:
            print("The input parameters of getVarianceMean Function error")
            return -1
        
        if winSize % 2 == 0:
            print("The window size should be singular")
            return -1 
        
        copyBorder_map=cv2.copyMakeBorder(scr,winSize//2,winSize//2,winSize//2,winSize//2,cv2.BORDER_REPLICATE)
        shape=np.shape(scr)
        
        local_mean=np.zeros_like(scr)
        local_std=np.zeros_like(scr)
        
        for i in range(shape[0]):
            for j in range(shape[1]):   
                temp=copyBorder_map[i:i+winSize,j:j+winSize]
                local_mean[i,j],local_std[i,j]=cv2.meanStdDev(temp)
                if local_std[i,j]<=0:
                    local_std[i,j]=1e-8
                
        return local_mean,local_std
        
    def adaptContrastEnhancement(scr, winSize, maxCg):
        if scr is None or winSize is None or maxCg is None:
            print("The input parameters of ACE Function error")
            return -1
        
        YUV_img=cv2.cvtColor(scr,cv2.COLOR_BGR2YUV)    ##转换通道
        Y_Channel = YUV_img[:,:,0]
        shape=np.shape(Y_Channel)
        
        meansGlobal=cv2.mean(Y_Channel)[0]
        
        ##这里提供使用boxfilter 计算局部均质和方差的方法
    #    localMean_map=cv2.boxFilter(Y_Channel,-1,(winSize,winSize),normalize=True)
    #    localVar_map=cv2.boxFilter(np.multiply(Y_Channel,Y_Channel),-1,(winSize,winSize),normalize=True)-np.multiply(localMean_map,localMean_map)
    #    greater_Zero=localVar_map>0
    #    localVar_map=localVar_map*greater_Zero+1e-8
    #    localStd_map = np.sqrt(localVar_map)
       
        localMean_map, localStd_map=getVarianceMean(Y_Channel,winSize)
    
        for i in range(shape[0]):
            for j in range(shape[1]):
                
                cg = 0.2*meansGlobal/ localStd_map[i,j];
                if cg >maxCg:
                    cg=maxCg
                elif cg<1:
                    cg=1
                
                temp = Y_Channel[i,j].astype(float)
                temp=max(0,min(localMean_map[i,j]+cg*(temp-localMean_map[i,j]),255))
                
    #            Y_Channel[i,j]=max(0,min(localMean_map[i,j]+cg*(Y_Channel[i,j]-localMean_map[i,j]),255))
                Y_Channel[i,j]=temp
                    
                
        YUV_img[:,:,0]=Y_Channel
        
        dst=cv2.cvtColor(YUV_img,cv2.COLOR_YUV2BGR)
        
        return dst
    
    def main():
        img=cv2.imread(input_fn)
        
        if img is None:
            print("The file name error,please check it")
            return -1
        
        print(np.shape(img))
        dstimg=adaptContrastEnhancement(img,15,10)
        
        cv2.imwrite('output.jpg',dstimg)
        cv2.waitKey(0)
        
        return 0
     
        
    input_fn='temp1.jpg'
    if __name__ == '__main__':
        main()

## 运行结果 ##

![在这里插入图片描述][20181108193422489.png_pic_center]  
![在这里插入图片描述][20181108175236431.png_pic_center]

可以明显看出，图像中原先对比度不强的部分，如树干、江面、远景。经过增强后，都有了明显的改善，而本身对比度已经明显的区域，就没有太大的改变。

已完。。

## 参考 ##

1.  [Narendra P M, Fitch R C. Real-time adaptive contrast enhancement\[J\]. IEEE transactions on pattern analysis and machine intelligence, 1981 (6): 655-661.][Real-Time Adaptive Contrast Enhancement]
2.  http://www.cnblogs.com/Imageshop/p/3324282.html

[Link 1]: https://blog.csdn.net/u013921430/article/details/79884163
[Real-Time Adaptive Contrast Enhancement]: https://ieeexplore.ieee.org/abstract/document/4767166
[Link 2]: https://blog.csdn.net/u013921430/article/details/79934162
[20181108175957362.png_pic_center]: /images/20220418/a35346e8837540529f94386b43f8efc6.png
[Link 3]: https://download.csdn.net/download/u013921430/10773437
[20181108193422489.png_pic_center]: /images/20220418/2e1452783e13404fb4b5a90c47d67699.png
[20181108175236431.png_pic_center]: /images/20220418/1845f9ac35574bdc9660db2bd2911624.png