基于“局部标准差”的图像增强（原理、算法、代码）

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 
++){ 
            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。

目前方向：图像拼接融合、图像识别联系方式：jsxyhelu@foxmail.com