一、理论
图像增强算法的基本原则是“降低低频区域,突出高频区域”,以此强化边缘,达到增强的目的。最简单的例子就是通过原始图像减去高斯模糊处理后的图像,就能够将边缘强化出来。
直方图均衡化也是一种非常常见的增强方法。但是为了避免背景的干扰,更倾向于采用“局部”方法进行处理。我们这里着重研究自适应对比度增强(ACE)的相关内容。
ACE的定义和原理(TODO)
ACE算法的相关内容:
计算低频成分:
对于具体的像素,一般可以通过计算以该像素为中心的局部区域的像素平均值来实现。
而局部方差为:
则ACE算法可以表示为:
看上去还是比较简单的。这里的 和 都可以根据图像本身计算出来。而 则需要单独计算。
可以为单独的常量,或者通过 来代替。这里的D是一个全局的值,比如平均值。
二、实现
涉及到局部的运算,自然而然会想到使用卷积的方法。更好的是Opencv提供了专门的函数用来做这个工作—BLUR
文档中写到:
那么正是我们想要的结果。
//ace 自适应对比度均衡研究
//by jsxyhelu
//感谢 imageshop
# include "stdafx.h"
# include < iostream >
# include "opencv2/core/core.hpp"
# include "opencv2/highgui/highgui.hpp"
# include "opencv2/imgproc/imgproc.hpp"
using namespace std;
using namespace cv;
//点乘法 elementWiseMultiplication
cv : : Mat EWM(cv : : Mat m1,cv : : Mat m2){
Mat dst = m1.mul(m2);
return dst;
}
void main()
{
Mat src = imread( "hand.jpg" , 0 );
Mat meanMask;
Mat varMask;
Mat meanGlobal;
Mat varGlobal;
Mat dst;
Mat tmp;
Mat tmp2;
int C = 30 ;
int D = 133 ;
//全局均值和均方差
blur(src.clone(),meanGlobal,src.size());
varGlobal = src - meanGlobal;
varGlobal = EWM(varGlobal,varGlobal);
blur(src.clone(),meanMask,Size( 50 , 50 )); //meanMask为局部均值
tmp = src - meanMask;
varMask = EWM(tmp,tmp);
blur(varMask,varMask,Size( 50 , 50 )); //varMask为局部方差
dst = meanMask + C * tmp;
imshow( "src" ,src);
imshow( "dst" ,dst);
waitKey();
}
接下来,为了实现 那么需要计算局部标准差和全局均值或方差
前面已经计算出了局部均值,那么
tmp = src - meanMask;
varMask = EWM(tmp,tmp);
blur(varMask,varMask,Size( 50 , 50));
//varMask为局部方差
计算出局部方差
//换算成局部标准差
varMask.convertTo(varMask,CV_32F);
for ( int i = 0 ;i < varMask.rows;i ++ ){
for ( int j = 0 ;j < varMask.cols;j ++ ){
varMask.at < float > (i,j) = ( float )sqrt(varMask.at < float > (i,j));
}
}
换算成局部标准差
meanStdDev(src,meanGlobal,varGlobal); //meanGlobal为全局均值 varGlobal为全局标准差
是opencv提供的全局均值和标准差计算函数。
全部代码进行重构后如下
//ace 自适应对比度均衡研究
//by jsxyhelu
//感谢 imageshop
# include "stdafx.h"
# include < iostream >
# include "opencv2/core/core.hpp"
# include "opencv2/highgui/highgui.hpp"
# include "opencv2/imgproc/imgproc.hpp"
using namespace std;
using namespace cv;
//点乘法 elementWiseMultiplication
cv : : Mat EWM(cv : : Mat m1,cv : : Mat m2){
Mat dst = m1.mul(m2);
return dst;
}
//图像局部对比度增强算法
cv : : Mat ACE(cv : : Mat src, int C = 4 , int n = 20 , int MaxCG = 5 ){
Mat meanMask;
Mat varMask;
Mat meanGlobal;
Mat varGlobal;
Mat dst;
Mat tmp;
Mat tmp2;
blur(src.clone(),meanMask,Size( 50 , 50 )); //meanMask为局部均值
tmp = src - meanMask;
varMask = EWM(tmp,tmp);
blur(varMask,varMask,Size( 50 , 50 )); //varMask为局部方差
//换算成局部标准差
varMask.convertTo(varMask,CV_32F);
for ( int i = 0 ;i < varMask.rows;i ++ ){
for ( int j = 0 ;j < varMask.cols;j ++ ){
varMask.at < float > (i,j) = ( float )sqrt(varMask.at < float > (i,j));
}
}
meanStdDev(src,meanGlobal,varGlobal); //meanGlobal为全局均值 varGlobal为全局标准差
tmp2 = varGlobal / varMask;
for ( int i = 0 ;i < tmp2.rows;i ++ ){
for ( int j = 0 ;j < tmp2.cols;j ++ ){
if (tmp2.at < float > (i,j) > MaxCG){
tmp2.at < float > (i,j) = MaxCG;
}
}
}
tmp2.convertTo(tmp2,CV_8U);
tmp2 = EWM(tmp2,tmp);
dst = meanMask + tmp2;
imshow( "D方法" ,dst);
dst = meanMask + C * tmp;
imshow( "C方法" ,dst);
return dst;
}
void main()
{
Mat src = imread( "plant.bmp" , 0 );
imshow( "src" ,src);
ACE(src);
waitKey();
}
三、小结
从结果上来看,ACE算法对于特定情况下的图片细节增强是显著的,但是并不是适用于所有的情况,并且其参数需要手工进行调整。了解它的特性,就能够解决一系列的问题,有效地增强现实。
来自为知笔记(Wiz)