基于多级直方图形状分割的图像对比度增强技术

康利娟 陈先桥

1(郑州工商学院工学院 河南 郑州 450000)2(武汉理工大学计算机科学与技术学院 湖北 武汉 430000)

0 引 言

在数字图像获取和传输的过程中，由于受到噪声污染或者成像机制等因素的影响，使得在局部区域呈现光照和对比度不均衡的现象，影响后续图像信息的提取和识别工作[1-2]。为了提高图像的视觉效果和像质，必须对图像进行增强处理。图像增强技术[3]是指利用数学处理方法来抑制噪声信息，提高图像对比度和清晰度的技术。常规的图像增强方法大致有直方图均衡化、小波变换、Retinex模型、基于神经网络等方法。

小波变换法[4]利用傅里叶变换将图像变换到频率域，然后通过提高高频子带的系数或放大测量的对比度来实现增强图像质量的目的，但是增强后的图像容易出现失真现象。Retinex模型[5]是基于人眼的颜色恒常性理论建立的，该模型通过计算每个波段内像素之间的明度关系来消除光照不均的影响，改善图像的视觉效果，但是当输入图像需要更高亮度增强时，该方法在边缘处产生可见的轻微光晕效果。基于神经网络的图像增强方法[6]能够取得很好的增强效果，但是网络需要训练，因此不适合实时处理。直方图均衡化[7]将输入图像的强度通过变换函数进行转换，然后根据累积直方图进行修正，但是该方法会导致图像不同区域的过增强和欠增强，过度增强会导致外观不自然，而欠增强会导致细节丢失。为了克服这些问题，Wang等[8]提出了一种基于局部直方图均衡算法的对比度增强新技术，该技术利用图像的梯度将输入图像分割为三种重叠的子块，由于子块直方图由相邻的子块进行修正，因此增强局部对比度时不会引入过度增强效果和附加噪声。但是，该方法不能完全避免过度增强，其他区域还容易出现欠增强的现象。Tan等[9]提出了基于曝光区域的多直方图均衡化方法，该方法使用基于曝光区域的直方图分割阈值将原始直方图分割为子直方图，然后对于阈值化的子直方图，使用熵控制的灰度分配方案来获得新的阈值，用于重新划分直方图。该方法虽然有效地增强了局部区域的对比度，减少退化，合理的细节保护，但是该方法计算效率低，在直方图阈值分割处仍存在过度增强现象。

针对现有的直方图分割均衡技术存在的问题，提出一种多级直方图形状分割方法，通过对直方图进行分割，将出现频率相似的区域组合在一起，可以避免上述问题。为了避免边缘产生光晕效应，采用引导图像滤波器(Guided Image Filter，GIF)将图像边缘与细节分离，在保留锐利边缘的同时增强细节。除此之外，为了减少增强区域内的噪声，在增强算法中内置了一种基于绝对偏差中位数(Median Absolute Deviation，MAD)的噪声抑制算法，提高图像的信噪比。

1 基于多级直方图形状分割增强方法

为了防止提出的方法中出现过度增强和欠增强的现象，本文将不同的增强方法分别应用于图像背景和细节中。首先，利用引导图像滤波器将图像背景与细节分开，同时会保留锐利边缘；对于背景增强，提出一种多级直方图形状分割的方法来解决过度增强的问题，将背景的直方图按发生突变的强度进行分割，使每一段只包含具有相似发生频率的强度值，然后对每一段进行独立均衡化，解决了直方图均衡化带来的过度增强问题；在细节增强方面，通过自适应方法将提取的细节分别增强到理想的程度；最后将增强的背景和细节图像重新组合，生成最终的输出图像。此外，为了抑制噪声的增强，在增强算法中加入一种基于绝对偏离中值的噪声抑制算法，降低均匀区域的增强程度，提高输出图像的信噪比。图1给出了增强算法的流程。

图1 本文算法的流程示意图

1.1 背景和细节分离

为了提取图像的背景，传统的方法是通过高斯低通滤波器对原始图像进行滤波以去除细节，然后通过获取原始图像和提取的背景之间的差异来提取细节。但是，通过高斯低通滤波器进行细节分离的常规方法在提取的细节中包括边缘，而细节增强过程中会在边缘处产生一定程度的光晕效应。所以，需要从提取的细节中去除边缘部分。因为引导图像滤镜具有平滑细节，保留图像的锐利边缘的能力，因此提出的方法中应用GIF来代替高斯低通滤波器，以便其提取细节中没有任何边缘，GIF分离背景和细节的流程如图2所示。

图2 引导图像滤波器分离背景和细节

设X为RGB颜色空间中的原始图像，其强度范围为[0，L-1]，其中对于8位图像，L为256。Xc为经过对比度增强处理后的输出。设Ic为Xc的亮度分量，Ib为图像背景，不包含任何边缘的图像细节Id可以通过以下方法提取：

Id=Ic-Ib

(1)

1.2 基于多级直方图形状分割的背景增强

为了避免过度增强，在背景增强的过程中，将具有相似频率的强度值区域进行单独处理。频率可以根据图像背景Ib直方图中的相邻值的幅度突变来检测。为了消除直方图中的异常值，避免产生由于过多分割点而降低增强程度的现象，采用α-修剪均值滤波器来平滑直方图H，并输出消除异常值后的平滑直方图Hs。本文中α-修剪均值滤波器的窗口宽度为M=21，参数α=0.05。

为了检测平滑直方图Hs在位置q处的突变，在q的两侧设置两个宽度为N的窗，并计算每个窗内的直方图值之和：

(2)

(3)

(4)

为了检测峰的位置，对比率曲线的一阶导数c′进行求值，该导数的过零点给出了所有峰和谷的位置。由于本文仅需要峰值位置，因此将由正值变为负值处的零交叉点作为分段阈值。设S为位于比率曲线峰值处的分割阈值集，其定义如下：

S={q:(c′(q)>0)&(c′(q+1)≤0)&(c(q)>C)}

(5)

式中：C是直方图斜率的阈值，取C=1.25；q∈[N,L-N]。

设Vn为第n个子图，强度值在区间[S(n),S(n+1)-1]内，其定义可以表示为：

Vn={Ib(i,j)∈Ib}

(6)

(7)

图3给出了利用多级直方图形状分割方法进行背景增强的流程。

图3 基于多级直方图形状分割的背景增强流程

1.3 基于MAD的自适应细节增强

在细节增强过程中，并不是所有区域都需要进行增强操作。对于图像不均匀区域内的细节，需要将其增强到理想程度；但是在均匀区域中的细节则不需要进行该操作。因此，为了抑制均匀区域内噪声的增强，改善图像信噪比，本文采用基于MAD的自适应细节增强技术，通过设置用于控制增强程度的自适应权重，将期望的增强程度应用于具有细节的区域，图4给出了提出的基于MAD的自适应细节增强方法的流程。应用于Id图像的自适应权重定义如下：

图4 基于MAD的自适应细节增强流程

(8)

(9)

式中：ωs表示预设权重系数；MAD(i,j)表示图像背景Ib中以(i,j)为中心(i,j)的3×3滤波窗口内的MAD值；P1和P2分别表示图像背景的非均匀区域和均匀区域。R为归一化后的比例因子：

(10)

对于8位亮度分量，L=256，R=1。MAD被用作标准差的稳健估计。在图像背景的均匀区域中，MAD值趋于零，因此自适应权重ω(i,j)趋于统一。此时，细节不会被增强，这些区域中的噪声也没有增强。在其他非均匀区域，MAD值较大，自适应权值接近预设权重系数，从而能够增强非均匀区域的细节。图5给出了自适应权重的曲线ω(i,j)对应预设阈值的情况。当R×MAD在均匀区域趋向于零时，ω(i,j)趋向于统一，即不增强细节的权重；当R×MAD在非均匀区域变大时，ω(i,j)快速逼近预设权重系数，在所有非均匀区域产生均匀增强。

图5 自适应权重曲线

2 实验结果与分析

所有实验在一台配置为CPU Intel Core i7- 4700MQ-2.4 GHz@6 GB RAM的机器上执行，测试过程均在MATLAB 2018a环境下实现。为了验证本文算法的性能，采用定量评估和视觉评估两个方面进行评估，并将测试结果与基于逐次逼近的图像增强技术(IECSA)[10]、基于无参考IQA模型的图像增强方法(NR-IQA)[11]、基于分数阶导数和方向导数的图像增强算法(FOD-DD)[12]和基于特定知识的图像增强算法(KBIM)[13]等进行对比分析。

用于评估算法的测试图像由TID2013[14]、NIR-RGB[15]和CSIQ[14]数据集组成。TID2013数据集由25个参考图像组成，其中分为5个不同等级，即等级1对应较小的对比度减少，等级2对应较小的对比度增加，等级3对应较大的对比度减少，等级4对应较大的对比度增大，等级5对应最大的对比度减小。NIR-RGB数据集由477个RGB自然和近红外图像组成。CSIQ数据集有30个参考图像，其中等级1是最小的对比度降低量，等级5是最大的对比度降低量，对比度逐渐降低。三个数据集的所有图像，不包括NIR-RGB数据集中的NIR图像，总共给出807个测试图像用于实验测试。这三个数据集的结合提供了大量不同对比度的自然图像和模拟图像，对许多增强算法提出了重大挑战。

2.1 定性评价

为了验证本文算法的有效性，本文将利用来自三个数据集的一些测试图像进行定性评价。为了直观地评估提出的多级直方图形状分割方法增强图像背景的效果，仅将其与亮度保持双直方图均衡化(BBHE)、对比度受限的自适应直方图均衡化(CLAHE)、部分重叠子块直方图均衡化(POSHE)和基于邻域块改进的局部直方图均衡化算法(ABMHE)等其他直方图分割方法[8]进行了比较，此时预设权重系数ωs=1。为了清楚地说明这些方法之间的差异，图6给出了不同直方图均衡化方法的对比结果。可以看出，所有基准测试算法都增强了细节的损失，而本文算法在没有增强天空或山区部分的同时，产生了更好的对比度图像。因此，提出的基于直方图突变检测的方法，通过在直方图的适当位置分割图像，可以避免过度增强的问题。

(a) 原始图像 (b) BBHE方法 (c)CLAHE方法

为了评估细节增强程度随预设权重系数的变化情况，分别将ωs设置为1、8和16等值，图7给出了不同预设权重系数的对比结果。这表明本文方法允许用户在很大范围内的细节增强程度上进行控制，而大多数增强方法对细节增强程度没有控制或有限的控制。可以看出，ωs=8能够很好地增强细节，因此在所有的实验结果中将其设置为默认值，以便与其他基准测试算法进行比较。

(a)原始图像 (b) ωs=1

为了与其他对比度增强方法进行整体视觉比较，使用了NIR-RGB数据集中建筑物图像、TID2013数据集中涂面女孩图像、CSIQ数据集中狐狸图像进行测试。图8给出了建筑物图像的增强对比结果，可以看出，IECSA方法存在增强效果不足的问题，而NR-IQA方法和FOD-DD方法存在部分区域过度增强的现象，KBIM方法在建筑物边缘产生了光晕效果，并且在天空和地面的均匀区域中的噪声也进行了增强。相对而言，本文方法能够增强图像，特别是窗口中的反射，而且没有引起任何光晕效果，同时保持均匀区域的无噪声引入。

(a) 原始图像 (b) IECSA方法 (c) NR-IQA方法

图9-图10给出了不同对比度增强方法在涂面女孩和狐狸图像的增强结果，可以看出，IECSA方法的增强效果不足，而NR-IQA、FOD-DD方法、KBIM方法在部分区域的对比度被过度增强，导致强度不平衡，部分细节丢失。本文方法产生了强烈的增强效果，颜色动态范围得到极大改善，并且能够提供更清晰的细节增强。因此，通过视觉对比，相对于其他增强算法，本文方法更具优势。

(a) 原始图像 (b) IECSA方法 (c) NR-IQA方法

(a) 原始图像 (b) IECSA方法 (c) NR-IQA方法

2.2 定量评价

为了进一步验证，本文对上述算法进行客观评估，采用了图像的离散信息熵(Discrete Entropy，DE)、增强图像的盲图像质量测量(Blind Image Quality Measure of Enhanced images，BIQME)、无参考图像质量度量对比度失真(No Reference Image Quality Metric for Contrast distortion，NIQMC)和增强测度(EME)4个无参考量为指标来验证算法的有效性。

离散信息熵DE代表图像的信息含量，其值越高，说明图像质量越好：

(11)

式中：P(Xi)表示事件Xi发生的概率。

NIQMC代表图像对比度扭曲的程度，指标的高值表示更丰富的图像色彩：

(12)

式中：γ是权重系数，表示局部和全局之间的相对比重；QL=max{El1,El2,…,El5}和QG=DJS(h,u)分别表示局部变量和全局变量，Eli表示像素li的熵值，DJS(h,u)表示直方图h和像素u的JS散度。

增强测度EME可由式(13)给出，其值越大，对比度越高：

(13)

式中：I(i,j)表示原图中互不重叠的某一子块；k1k2表示子块个数。

BIQME方法从对比度、清晰度、亮度、色彩艳丽度和自然度等方面反映图像的质量，是一种全局无参考评价方法，其值越大表示图像整体质量越好：

(14)

式中：M表示像素个数；Qmi、Qcc、Qsd、Qcs分别表示原始图像和还原图像在平均强度、对比度变化、结构畸变和色彩饱和度方面的相似性。

表1给出了不同方法在所有测试图像中的定量测试结果，每个评价指标的值都是807幅图像实验结果的平均值。对比表中性能指标可以发现，与现有的其他图像增强方法相比，本文方法的质量参数具有明显的优势。

表1 不同算法在测试图像中的性能评价结果

3 结 语

本文提出一种基于多级直方图形状分割的图像对比度增强算法，用于解决现有图像增强算法中容易出现的过度增强或者欠增强以及边缘光晕效应问题。本文算法主要分为3步：首先为了避免边缘过度增强产生的光晕效应，采用引导图像过滤器将输入图像的背景和细节分离；然后使用多级直方图形状分割方法增强图像背景，采用自适应细节增强方法增强图像细节；最后将增强后的背景与细节进行组合。实验结果表明，本文方法在所有测试图像中的不同区域内均未出现过度增强、欠增强、边缘光晕效应，该算法在定量和定性评价方面都优于其他增强算法。