提到影象增強，第一印象就是直方圖均衡與直方圖規定化，這是最常見的也是非常有效的全域性影象增強方法。在前不久的一次組會討論中，課題組的一位同學提到了“自適應影象增強”，雖然自己以前也用過，但是一時間忘記了原理，就去複習了一下，其實他使用的方法的全稱應該叫自適應直方圖均衡，對應的是Matlab 中的adapthisteq 函式；

  我在複習的過程中，偶然發現了另一個影象增強的演算法，也就是這篇文章中要提到的——自適應對比度增強（Adaptive Contrast Enhancement，ACE），下面就從原理到實現，來好好聊一下這種方法。

自適應對比度增強

  在影象處理的方法中，自適應方法是與影象本身資訊相關，根據影象對圖特徵對影象進行處理的一系列方法，這些方法往往具有更好的魯棒性、普適性。而本文中提到的這種ACE方法由$N$

   對於影象中的每一個點，分別計算其區域性均值與區域性標準差；
$M(i,j)=\frac{1}{(2n+1)(2m+1)}\sum_{s=i-n}^{i+n}\sum_{k=j-m}^{j+m}f(s,k)$
${\sigma }^{}$

  再來分析一下，上面式子的含義；如果將每個點的區域性均值$M(i,j)$構成一張圖，其實就是均值濾波的結果，而在《數字影象傅立葉變換的物理意義及簡單應用》中，我提到過均值濾波是一種低通濾波，獲得的是影象的低頻部分，也就是背景部分，$f(i,j)-M(i,j)$就可以用來量化影象中的一個點是高頻還是低頻。而在一般情況下，$G$ 都是大於1的，所以通過 $G(f(i,j)-M(i,j))$可以實現對影象的高頻部分的放大，進而對影象進行增強。

  再來看看引數$G$，經過上面的過程可以看出，如果$G$ 是一個固定引數，比如都取5，通過式子中的區域性均值，我們已經能夠將影象實現一定程度上的自適應增強了。那麼為什麼還要在引數G中引入標準差呢？

  我們回憶一下對比度增強的初衷，對比度增強是為了讓本身對比度不強的影象的對比度變得明顯，而對本身對比度很強的影象，是沒必要做增強的。那麼在同一影象中，我們尤其需要增強對比度不強的部分。而方差表示的是影象的畫素值的均勻性，我們可以認為方差越大的區域性區域，其畫素值越不均勻，對比度越強；反之，方差越小的區域性區域，其畫素值越均勻，對比度越弱。因此，在引數$G$中除以了局部標準差，可以讓影象中對比度較弱的部分的增強效果更加明顯。

  其次，如果對整張影象中所有點進行等比例增強，影象中本身就是高頻的部分出現過增強的現象，影象看起來十分奇怪。

彩色影象的ACE

  在網上看到有人說，對彩色影象增強可以分別對RGB三通道進行增強後進行合併。這個觀點是錯誤的，因為分別對各個通道進行增強，會引起影象色相的變化，影象會變的不是其原來的顏色了。

  所以需要將影象轉到HSI色彩空間，或者是YCrCb顏色空間。前者只需要對I亮度通道進行增強，而H、S分別代表的色調和飽和度通道不需要變化。後者用Y通道表示亮度，只需要對Y通道進行增強即可。增強之後再合併通道，轉換回RGB空間便完成了對彩色影象的增強。

程式碼

在這裡我只提供一個adaptContrastEnhancement函式的程式碼，完整的程式碼也很簡單，可以點選下載。無C幣的可以直接在部落格留言，我也會發送到你的郵箱。

//--------------------------
//Adaptive Contrast Enhancement（自適應對比度增強，ACE）
//不用先生，2018.11.08
//
//函式功能：獲取影象的區域性均值與區域性標準差的圖
//函式名稱：adaptContrastEnhancement
//函式引數：Mat &scr：輸入影象，為三通道RGB影象；
//函式引數：Mat &dst：增強後的輸出影象，為三通道RGB影象；
//函式引數：int winSize：區域性均值的視窗大小，應為單數；
//函式引數：int maxCg：增強幅度的上限；
//返回型別：bool
//--------------------

bool adaptContrastEnhancement(Mat &scr, Mat &dst, int winSize,int maxCg)
{
	if (!scr.data)  //判斷影象是否被正確讀取；
	{
		cerr << "自適應對比度增強函式讀入圖片有誤";
		return false;
	}

	Mat ycc;                        //轉換空間到YCrCb；
	cvtColor(scr, ycc, COLOR_RGB2YCrCb);

	vector<Mat> channels(3);        //分離通道；
	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))   //對Y通道進行增強；
	{
		cerr << "計算影象均值與標準差過程中發生錯誤";
		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++)            //遍歷，對每個點進行自適應調節
	{
		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;    //合併通道，轉換顏色空間回到RGB
	merge(channels, ycc);

	cvtColor(ycc, dst, COLOR_YCrCb2RGB);
		
}

執行結果

  可以明顯看出，影象中原先對比度不強的部分，如樹幹、江面、遠景。經過增強後，都有了明顯的改善，而本身對比度已經明顯的區域，就沒有太大的改變。

已完。。

參考