OpenCV图像处理专栏五 | ACE算法论文解读及实现
- 2019 年 12 月 12 日
- 笔记
前言
这是OpenCV图像处理专栏的第五篇文章，分享一下《Real-time adaptive contrast enhancement for imaging sensors》论文解读及实现，论文地址见附录。本文的算法简称为ACE算法是用来做图像对比度增强的算法。图像对比度增强的算法在很多场合都有用处，特别是在医学图像中，这是因为在众多疾病的诊断中，医学图像的视觉检查时很有必要的。而医学图像由于本身及成像条件的限制，图像的对比度很低。因此，在这个方面已经开展了很多的研究。这种增强算法一般都遵循一定的视觉原则。众所周知，人眼对高频信号（边缘处等）比较敏感。虽然细节信息往往是高频信号，但是他们时常嵌入在大量的低频背景信号中，从而使得其视觉可见性降低。因此适当的提高高频部分能够提高视觉效果并有利于诊断。
算法原理
一张图片，总是由低频部分和高频部分构成的，低频部分可以由图像的低通滤波来得到，而高频部分可以由原图减去低频部分来得到。而本算法的目标是增强代表细节的高频部分，即是对高频部分乘上一个系数，然后重组得到增强的图像。所以本算法的核心就是高频部分增益系数(又叫CG)的计算，一种方法是将这个系数设为一个常数，第二种方法是将增益表示为与方差相关的量。假设图像中的某个点表示为
，那么以
为中心，窗口大小为
，其局部均值和局部方差为：
上面的式子中就是所谓的局部标准差(LSD)。定义
表示
对应的增强后的像素值。则ACE算法可以表示为：
其中系数
就是上面说的CG。一般情况下CG总是大于1的，这样高频部分就可以得到增强。CG的取值有2种，一种是直接取一个常数C(C>1)，这样上面的式子可以写成：
，其中C是一个大于1的数。这种情况下，图像中所有的高频部分都被同等放大，可能有些高频部分会出现过增强的现象的。而第二种方法是对每个位置使用不同的增益，Lee等人提出了下面的解决方案：
其中D是一个常数，这样CG系数是空间自适应的，并且和局部均方差成反比，在图像的边缘或者其他变化剧烈的地方，局部均方差比较大，因此CG的值就比较小，这样就不会产生振铃效应。然而，在平滑的区域，局部均方差就会很小，这样CG的值比较大，从而引起了噪音的放大，所以需要对CG的最大值做一定的限制才能获得更好的效果。
我们使用第二种方法，因为在图像的高频区域，局部方差较大，此时增益值就较小，这样就不会出现过亮的情况。但是在图像平滑的区域，局部均方差很小，此时增益值较大，从而可能会方法噪声信号，所以需要对增益最大值做一定的限制。D这个常数一些文章认为取图像的全局均值，而我这里参考ImageShop大牛的文章使用了全局均方差。下面给出一些代码实现和效果测试。
代码实现
//自适应对比度增强算法，C表示对高频的直接增益系数,n表示滤波半径，maxCG表示对CG做最大值限制 Mat ACE(Mat src, int C = 3, int n = 3, float MaxCG = 7.5){ int row = src.rows; int col = src.cols; Mat meanLocal; //图像局部均值 Mat varLocal; //图像局部方差 Mat meanGlobal; //全局均值 Mat varGlobal; //全局标准差 blur(src.clone(), meanLocal, Size(n, n)); Mat highFreq = src - meanLocal; varLocal = highFreq.mul(highFreq); varLocal.convertTo(varLocal, CV_32F); for(int i = 0; i < row; i++){ for(int j = 0; j < col; j++){ varLocal.at<float>(i, j) = (float)sqrt(varLocal.at<float>(i, j)); } } meanStdDev(src, meanGlobal, varGlobal); Mat gainArr = meanGlobal / varLocal; //增益系数矩阵 for(int i = 0; i < row; i++){ for(int j = 0; j < col; j++){ if(gainArr.at<float>(i, j) > MaxCG){ gainArr.at<float>(i, j) = MaxCG; } } } printf("%d %dn", row, col); gainArr.convertTo(gainArr, CV_8U); gainArr = gainArr.mul(highFreq); Mat dst1 = meanLocal + gainArr; //Mat dst2 = meanLocal + C * highFreq; return dst1; } int main(){ Mat src = imread("../test.png"); vector <Mat> now; split(src, now); int C = 150; int n = 5; float MaxCG = 3; Mat dst1 = ACE(now[0], C, n, MaxCG); Mat dst2 = ACE(now[1], C, n, MaxCG); Mat dst3 = ACE(now[2], C, n, MaxCG); now.clear(); Mat dst; now.push_back(dst1); now.push_back(dst2); now.push_back(dst3); cv::merge(now, dst); imshow("origin", src); imshow("result", dst); imwrite("../result.jpg", dst); waitKey(0); return 0; }
效果测试
int C = 150; int n = 5; float MaxCG = 3;
原图
结果
int C = 4; int n = 50; float MaxCG = 5;
原图
效果图
附录
论文地址：https://www.researchgate.net/publication/253622155_Real-Time_Adaptive_Contrast_Enhancement_For_Imaging_Sensors 参考博客：https://www.cnblogs.com/Imageshop/p/3324282.html
