局部标准差实现对比度增强（ACE）

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 ++){
             < float >(i,j)  =  ( float)sqrt( < 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 ++){
             < float >(i,j)  =  ( float)sqrt( < 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 ( < float >(i,j) >MaxCG){
                 < 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。