基于多級直方圖形狀分割的圖像對比度增強技術

康利娟 陳先橋

1(鄭州工商學院工學院 河南 鄭州 450000)2(武漢理工大學計算機科學與技術學院 湖北 武漢 430000)

0 引 言

在數字圖像獲取和傳輸的過程中，由于受到噪聲污染或者成像機制等因素的影響，使得在局部區域呈現光照和對比度不均衡的現象，影響后續圖像信息的提取和識別工作[1-2]。為了提高圖像的視覺效果和像質，必須對圖像進行增強處理。圖像增強技術[3]是指利用數學處理方法來抑制噪聲信息，提高圖像對比度和清晰度的技術。常規的圖像增強方法大致有直方圖均衡化、小波變換、Retinex模型、基于神經網絡等方法。

小波變換法[4]利用傅里葉變換將圖像變換到頻率域，然后通過提高高頻子帶的系數或放大測量的對比度來實現增強圖像質量的目的，但是增強后的圖像容易出現失真現象。Retinex模型[5]是基于人眼的顏色恒常性理論建立的，該模型通過計算每個波段內像素之間的明度關系來消除光照不均的影響，改善圖像的視覺效果，但是當輸入圖像需要更高亮度增強時，該方法在邊緣處產生可見的輕微光暈效果。基于神經網絡的圖像增強方法[6]能夠取得很好的增強效果，但是網絡需要訓練，因此不適合實時處理。直方圖均衡化[7]將輸入圖像的強度通過變換函數進行轉換，然后根據累積直方圖進行修正，但是該方法會導致圖像不同區域的過增強和欠增強，過度增強會導致外觀不自然，而欠增強會導致細節丟失。為了克服這些問題，Wang等[8]提出了一種基于局部直方圖均衡算法的對比度增強新技術，該技術利用圖像的梯度將輸入圖像分割為三種重疊的子塊，由于子塊直方圖由相鄰的子塊進行修正，因此增強局部對比度時不會引入過度增強效果和附加噪聲。但是，該方法不能完全避免過度增強，其他區域還容易出現欠增強的現象。Tan等[9]提出了基于曝光區域的多直方圖均衡化方法，該方法使用基于曝光區域的直方圖分割閾值將原始直方圖分割為子直方圖，然后對于閾值化的子直方圖，使用熵控制的灰度分配方案來獲得新的閾值，用于重新劃分直方圖。該方法雖然有效地增強了局部區域的對比度，減少退化，合理的細節保護，但是該方法計算效率低，在直方圖閾值分割處仍存在過度增強現象。

針對現有的直方圖分割均衡技術存在的問題，提出一種多級直方圖形狀分割方法，通過對直方圖進行分割，將出現頻率相似的區域組合在一起，可以避免上述問題。為了避免邊緣產生光暈效應，采用引導圖像濾波器(Guided Image Filter，GIF)將圖像邊緣與細節分離，在保留銳利邊緣的同時增強細節。除此之外，為了減少增強區域內的噪聲，在增強算法中內置了一種基于絕對偏差中位數(Median Absolute Deviation，MAD)的噪聲抑制算法，提高圖像的信噪比。

1 基于多級直方圖形狀分割增強方法

為了防止提出的方法中出現過度增強和欠增強的現象，本文將不同的增強方法分別應用于圖像背景和細節中。首先，利用引導圖像濾波器將圖像背景與細節分開，同時會保留銳利邊緣；對于背景增強，提出一種多級直方圖形狀分割的方法來解決過度增強的問題，將背景的直方圖按發生突變的強度進行分割，使每一段只包含具有相似發生頻率的強度值，然后對每一段進行獨立均衡化，解決了直方圖均衡化帶來的過度增強問題；在細節增強方面，通過自適應方法將提取的細節分別增強到理想的程度；最后將增強的背景和細節圖像重新組合，生成最終的輸出圖像。此外，為了抑制噪聲的增強，在增強算法中加入一種基于絕對偏離中值的噪聲抑制算法，降低均勻區域的增強程度，提高輸出圖像的信噪比。圖1給出了增強算法的流程。

圖1 本文算法的流程示意圖

1.1 背景和細節分離

為了提取圖像的背景，傳統的方法是通過高斯低通濾波器對原始圖像進行濾波以去除細節，然后通過獲取原始圖像和提取的背景之間的差異來提取細節。但是，通過高斯低通濾波器進行細節分離的常規方法在提取的細節中包括邊緣，而細節增強過程中會在邊緣處產生一定程度的光暈效應。所以，需要從提取的細節中去除邊緣部分。因為引導圖像濾鏡具有平滑細節，保留圖像的銳利邊緣的能力，因此提出的方法中應用GIF來代替高斯低通濾波器，以便其提取細節中沒有任何邊緣，GIF分離背景和細節的流程如圖2所示。

圖2 引導圖像濾波器分離背景和細節

設X為RGB顏色空間中的原始圖像，其強度范圍為[0，L-1]，其中對于8位圖像，L為256。Xc為經過對比度增強處理后的輸出。設Ic為Xc的亮度分量，Ib為圖像背景，不包含任何邊緣的圖像細節Id可以通過以下方法提取：

Id=Ic-Ib

(1)

1.2 基于多級直方圖形狀分割的背景增強

為了避免過度增強，在背景增強的過程中，將具有相似頻率的強度值區域進行單獨處理。頻率可以根據圖像背景Ib直方圖中的相鄰值的幅度突變來檢測。為了消除直方圖中的異常值，避免產生由于過多分割點而降低增強程度的現象，采用α-修剪均值濾波器來平滑直方圖H，并輸出消除異常值后的平滑直方圖Hs。本文中α-修剪均值濾波器的窗口寬度為M=21，參數α=0.05。

為了檢測平滑直方圖Hs在位置q處的突變，在q的兩側設置兩個寬度為N的窗，并計算每個窗內的直方圖值之和：

(2)

(3)

(4)

為了檢測峰的位置，對比率曲線的一階導數c′進行求值，該導數的過零點給出了所有峰和谷的位置。由于本文僅需要峰值位置，因此將由正值變為負值處的零交叉點作為分段閾值。設S為位于比率曲線峰值處的分割閾值集，其定義如下：

S={q:(c′(q)>0)&(c′(q+1)≤0)&(c(q)>C)}

(5)

式中：C是直方圖斜率的閾值，取C=1.25；q∈[N,L-N]。

設Vn為第n個子圖，強度值在區間[S(n),S(n+1)-1]內，其定義可以表示為：

Vn={Ib(i,j)∈Ib}

(6)

(7)

圖3給出了利用多級直方圖形狀分割方法進行背景增強的流程。

圖3 基于多級直方圖形狀分割的背景增強流程

1.3 基于MAD的自適應細節增強

在細節增強過程中，并不是所有區域都需要進行增強操作。對于圖像不均勻區域內的細節，需要將其增強到理想程度；但是在均勻區域中的細節則不需要進行該操作。因此，為了抑制均勻區域內噪聲的增強，改善圖像信噪比，本文采用基于MAD的自適應細節增強技術，通過設置用于控制增強程度的自適應權重，將期望的增強程度應用于具有細節的區域，圖4給出了提出的基于MAD的自適應細節增強方法的流程。應用于Id圖像的自適應權重定義如下：

圖4 基于MAD的自適應細節增強流程

(8)

(9)

式中：ωs表示預設權重系數；MAD(i,j)表示圖像背景Ib中以(i,j)為中心(i,j)的3×3濾波窗口內的MAD值；P1和P2分別表示圖像背景的非均勻區域和均勻區域。R為歸一化后的比例因子：

(10)

對于8位亮度分量，L=256，R=1。MAD被用作標準差的穩健估計。在圖像背景的均勻區域中，MAD值趨于零，因此自適應權重ω(i,j)趨于統一。此時，細節不會被增強，這些區域中的噪聲也沒有增強。在其他非均勻區域，MAD值較大，自適應權值接近預設權重系數，從而能夠增強非均勻區域的細節。圖5給出了自適應權重的曲線ω(i,j)對應預設閾值的情況。當R×MAD在均勻區域趨向于零時，ω(i,j)趨向于統一，即不增強細節的權重；當R×MAD在非均勻區域變大時，ω(i,j)快速逼近預設權重系數，在所有非均勻區域產生均勻增強。

圖5 自適應權重曲線

2 實驗結果與分析

所有實驗在一臺配置為CPU Intel Core i7- 4700MQ-2.4 GHz@6 GB RAM的機器上執行，測試過程均在MATLAB 2018a環境下實現。為了驗證本文算法的性能，采用定量評估和視覺評估兩個方面進行評估，并將測試結果與基于逐次逼近的圖像增強技術(IECSA)[10]、基于無參考IQA模型的圖像增強方法(NR-IQA)[11]、基于分數階導數和方向導數的圖像增強算法(FOD-DD)[12]和基于特定知識的圖像增強算法(KBIM)[13]等進行對比分析。

用于評估算法的測試圖像由TID2013[14]、NIR-RGB[15]和CSIQ[14]數據集組成。TID2013數據集由25個參考圖像組成，其中分為5個不同等級，即等級1對應較小的對比度減少，等級2對應較小的對比度增加，等級3對應較大的對比度減少，等級4對應較大的對比度增大，等級5對應最大的對比度減小。NIR-RGB數據集由477個RGB自然和近紅外圖像組成。CSIQ數據集有30個參考圖像，其中等級1是最小的對比度降低量，等級5是最大的對比度降低量，對比度逐漸降低。三個數據集的所有圖像，不包括NIR-RGB數據集中的NIR圖像，總共給出807個測試圖像用于實驗測試。這三個數據集的結合提供了大量不同對比度的自然圖像和模擬圖像，對許多增強算法提出了重大挑戰。

2.1 定性評價

為了驗證本文算法的有效性，本文將利用來自三個數據集的一些測試圖像進行定性評價。為了直觀地評估提出的多級直方圖形狀分割方法增強圖像背景的效果，僅將其與亮度保持雙直方圖均衡化(BBHE)、對比度受限的自適應直方圖均衡化(CLAHE)、部分重疊子塊直方圖均衡化(POSHE)和基于鄰域塊改進的局部直方圖均衡化算法(ABMHE)等其他直方圖分割方法[8]進行了比較，此時預設權重系數ωs=1。為了清楚地說明這些方法之間的差異，圖6給出了不同直方圖均衡化方法的對比結果。可以看出，所有基準測試算法都增強了細節的損失，而本文算法在沒有增強天空或山區部分的同時，產生了更好的對比度圖像。因此，提出的基于直方圖突變檢測的方法，通過在直方圖的適當位置分割圖像，可以避免過度增強的問題。

(a) 原始圖像 (b) BBHE方法 (c)CLAHE方法

為了評估細節增強程度隨預設權重系數的變化情況，分別將ωs設置為1、8和16等值，圖7給出了不同預設權重系數的對比結果。這表明本文方法允許用戶在很大范圍內的細節增強程度上進行控制，而大多數增強方法對細節增強程度沒有控制或有限的控制。可以看出，ωs=8能夠很好地增強細節，因此在所有的實驗結果中將其設置為默認值，以便與其他基準測試算法進行比較。

(a)原始圖像 (b) ωs=1

為了與其他對比度增強方法進行整體視覺比較，使用了NIR-RGB數據集中建筑物圖像、TID2013數據集中涂面女孩圖像、CSIQ數據集中狐貍圖像進行測試。圖8給出了建筑物圖像的增強對比結果，可以看出，IECSA方法存在增強效果不足的問題，而NR-IQA方法和FOD-DD方法存在部分區域過度增強的現象，KBIM方法在建筑物邊緣產生了光暈效果，并且在天空和地面的均勻區域中的噪聲也進行了增強。相對而言，本文方法能夠增強圖像，特別是窗口中的反射，而且沒有引起任何光暈效果，同時保持均勻區域的無噪聲引入。

(a) 原始圖像 (b) IECSA方法 (c) NR-IQA方法

圖9-圖10給出了不同對比度增強方法在涂面女孩和狐貍圖像的增強結果，可以看出，IECSA方法的增強效果不足，而NR-IQA、FOD-DD方法、KBIM方法在部分區域的對比度被過度增強，導致強度不平衡，部分細節丟失。本文方法產生了強烈的增強效果，顏色動態范圍得到極大改善，并且能夠提供更清晰的細節增強。因此，通過視覺對比，相對于其他增強算法，本文方法更具優勢。

(a) 原始圖像 (b) IECSA方法 (c) NR-IQA方法

(a) 原始圖像 (b) IECSA方法 (c) NR-IQA方法

2.2 定量評價

為了進一步驗證，本文對上述算法進行客觀評估，采用了圖像的離散信息熵(Discrete Entropy，DE)、增強圖像的盲圖像質量測量(Blind Image Quality Measure of Enhanced images，BIQME)、無參考圖像質量度量對比度失真(No Reference Image Quality Metric for Contrast distortion，NIQMC)和增強測度(EME)4個無參考量為指標來驗證算法的有效性。

離散信息熵DE代表圖像的信息含量，其值越高，說明圖像質量越好：

(11)

式中：P(Xi)表示事件Xi發生的概率。

NIQMC代表圖像對比度扭曲的程度，指標的高值表示更豐富的圖像色彩：

(12)

式中：γ是權重系數，表示局部和全局之間的相對比重；QL=max{El1,El2,…,El5}和QG=DJS(h,u)分別表示局部變量和全局變量，Eli表示像素li的熵值，DJS(h,u)表示直方圖h和像素u的JS散度。

增強測度EME可由式(13)給出，其值越大，對比度越高：

(13)

式中：I(i,j)表示原圖中互不重疊的某一子塊；k1k2表示子塊個數。

BIQME方法從對比度、清晰度、亮度、色彩艷麗度和自然度等方面反映圖像的質量，是一種全局無參考評價方法，其值越大表示圖像整體質量越好：

(14)

式中：M表示像素個數；Qmi、Qcc、Qsd、Qcs分別表示原始圖像和還原圖像在平均強度、對比度變化、結構畸變和色彩飽和度方面的相似性。

表1給出了不同方法在所有測試圖像中的定量測試結果，每個評價指標的值都是807幅圖像實驗結果的平均值。對比表中性能指標可以發現，與現有的其他圖像增強方法相比，本文方法的質量參數具有明顯的優勢。

表1 不同算法在測試圖像中的性能評價結果

3 結 語

本文提出一種基于多級直方圖形狀分割的圖像對比度增強算法，用于解決現有圖像增強算法中容易出現的過度增強或者欠增強以及邊緣光暈效應問題。本文算法主要分為3步：首先為了避免邊緣過度增強產生的光暈效應，采用引導圖像過濾器將輸入圖像的背景和細節分離；然后使用多級直方圖形狀分割方法增強圖像背景，采用自適應細節增強方法增強圖像細節；最后將增強后的背景與細節進行組合。實驗結果表明，本文方法在所有測試圖像中的不同區域內均未出現過度增強、欠增強、邊緣光暈效應，該算法在定量和定性評價方面都優于其他增強算法。