CN110599415B - 基于局部自适应伽马校正的图像对比度增强实现方法 - Google Patents

Abstract

本发明公开了一种基于局部自适应伽马校正的图像对比度增强实现方法，解决了图像过曝、欠曝、逆光的问题。实现步骤：输入待处理图像，扩充后转到HSV空间；通道分离；对V通道图像分块处理；计算得到最初的灰度变换函数并用其对V通道图像插值映射；直方图裁剪和移位补偿；计算最终的灰度变换函数并对V_g通道图像进行插值映射；通道合并后转换为RGB图像。本发明对问题图像进行针对性的局部自适应伽马校正，保持图像不失真的情况下有效地高质量提高对比度，图像的纹理、细节的恢复效果显著，复杂度低，工程应用性高，可十分广泛地应用于拍摄场景和手法造成的图像过曝、欠曝和逆光的图像增强处理。

Description

基于局部自适应伽马校正的图像对比度增强实现方法

技术领域

本发明属于图像增强技术领域，更近一步涉及一种图像对比度增强方法，具体是一种基于局部自适应伽马(Gamma)校正的图像对比度增强实现方法，可用于拍摄环境过于明亮或过于昏暗时拍摄的图像呈现的曝光过度、曝光不足或逆光的问题，增强该类图像的对比度以及恢复该类图像的纹理细节。

背景技术

人类传递信息的主要媒介是语音和图像，其中人类接受的各种信息中的视觉信息占80％，图像的应用随着科学技术的发展越来越广泛，已经渗透到了很多领域包括通信、工业、医疗保健、航空航天等各个方面，所以，作为传递信息的重要媒介，图像处理技术在现代社会十分重要。图像增强处理是数字图像处理技术的一个重要分支，可以根据给定的应用场景，有目的地对图像进行整体或相应的局部信息进行调整，选择性地突出图像中感兴趣的特征或抑制不需要的某些特征，使不清晰的图像变得清晰或强调某些特征。当拍摄图像的环境过于明亮或者过于昏暗时，拍摄的图像呈现的曝光过度或曝光不足，为了改善图像的视觉呈现效果，就需要图像对比度增强技术来对图像进行增强处理。

图像对比度增强算法主要分为灰度增强和直方图增强。

灰度增强中又主要分为线性变换，对数变换和指数变换，其中指数变换又称为伽马变换或伽马校正。伽马变换中有补偿系数和伽马系数两个可调参数，伽马变换可以根据伽马(Gamma)系数的不同取值选择性地增强低灰度区域的对比度或者高灰度区域的对比度。但是传统的Gamma变换的Gamma系数的调节是手动调节，而不同图像的明暗程度不一定，使用传统的Gamma变换进行手动调参耗时且十分低效，工程应用性差。

直方图增强中主要分为直方图均衡化和直方图规定化两种。传统的直方图均衡化可以很好地起到增强对比度的作用，但是缺乏对局部图像的考虑，直接进行全局直方图均衡化在部分情况下直接导致图像的局部亮度发生反转，颜色失真，同时全局直方图均衡化对图像细节的恢复能力较弱。限制对比度自适应直方图均衡化在传统直方图均衡化的基础上，加入分块的思想，同时利用直方图裁剪限制对比度的过度提升，此方法对图像的对比度增强比全局直方图均衡化更自然，细节恢复更明显，但是部分场景图像的噪声过度放大，纹理细节恢复程度仍然有待加强。

灰度增强中的伽马变换和直方图增强均可以对图像的对比度进行增强，但是两者的侧重点不同，同时伽马变换的手动调参十分低效有人工参与其工程应用性不高，而直方图增强容易放大噪声且对图像的细节恢复不够明显。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种对比度增强更好，细节恢复更明显的基于局部自适应伽马校正的图像对比度增强实现方法。

本发明是一种基于局部自适应伽马校正的图像对比度增强实现方法，其特征在于，包括如下步骤：

(1)输入待处理图像；

(2)对待处理图像进行扩充，得到扩充后的图像：

当图像的宽度width和高度height刚好能被8整除，则不对图像进行处理；

当图像的宽度width和高度height不能被8整除时，以最边缘像素为轴，对称复制对图像进行扩充，得到扩充后的图像；

(3)将扩充后的图像的色彩空间从RGB空间转到HSV空间，得到HSV图像；

(4)通道分离：对转换后的HSV图像进行通道分离，分成色调H，饱和度S，亮度V三个通道，获得待处理的色调H，饱和度S，和亮度V三个通道图像；

(5)对V通道图像进行分块处理：将V通道图像从水平和垂直方向依次分为8块，得到64个分块子图block；

(6)计算分块子图block的最初的灰度变换函数：对每个分块子图block利用自适应伽马校正公式计算得到所有64个分块子图的64个最初的灰度变换函数；

(7)利用最初的灰度变换函数进行插值映射：根据64个分块子图的64个最初的灰度变换函数，对V通道图像中的每个像素点进行插值映射的更新变换，得到局部自适应伽马校正后的V_g通道图像；

(8)对V_g通道图像重新进行分块处理：对局部自适应伽马校正后的V_g通道图像重新进行分块处理，获得64个分块子图block_g；

(9)对每个子图block_g进行直方图统计，得到64个直方图Hist(s₀,s₁,…,s₂₅₅)；

(10)直方图裁剪和移位补偿：对64个直方图Hist根据直方图裁剪公式对直方图中灰度级s_i的像素数目超过最大上限值H_max的灰度级进行裁剪和移位补偿，重新得到64个直方图Hist_c(s₀,s₁,…,s₂₅₅)；

(11)计算最终的灰度变换函数：

对64个分块子图裁剪后的每个直方图Hist_c(s₀,s₁,…,s₂₅₅)逐灰度级累加得到f_c ²(s₀,s₁,…,s_i,…,s₂₅₅)，其中再对f_c ²(s₀,s₁,…,s_i,…,s₂₅₅)中的每一灰度级s_i的像素数目除以分块子图block_g的总像素点数N_b并向下取整，即/>完成归一化处理，得到分块子图block_g对应的64个最终的灰度变换函数f²(s₀,s₁,…,s₂₅₅)；

(12)插值映射得到局部自适应伽马校正对比度增强后的V_gc通道图像：利用最终的灰度变换函数f²(s₀,s₁,…,s₂₅₅)对局部自适应伽马校正后的V_g通道图像中的每个像素点进行插值映射的更新变换，得到局部自适应伽马校正对比度增强后的V_gc通道图像；

(13)通道合并：利用V_gc通道图像，以及色调H通道图像和饱和度S通道图像，对这三个通道图像进行通道合并得到局部自适应伽马校正的图像对比度增强后的HSV图像；

(14)对HSV图像进行色彩空间转换，将其转换为RGB图像，得到基于局部自适应伽马校正的图像对比度增强后的图像。

本发明与现有技术相比，具有以下优点：

第一，本发明采用的自适应伽马校正，克服了传统的伽马变换的推广性能差的缺点，参数自适应，可自动判断图像的过曝和欠曝程度，然后根据过曝和欠曝程度的不同采用不同的伽马系数对图像进行对比度增强，对欠曝和过曝的图像，均能够非常有效得恢复图像细节，增强图像对比度；

第二，本发明采用的局部自适应伽马校正中，对图像整体进行了分块处理，对分块后的每个子图分别进行自适应伽马校正，比传统的伽马变换直接对整体图像直接进行对比度增强，局部自适应伽马校正可以提高图像的局部对比度，使得图像的细节得到增强；

第三，本发明在利用局部自适应伽马校正对图像进行初步的对比度和细节的提升后，再利用改进的限制对比度直方图均衡，将统计直方图完全限制在阈值内，进一步对图像进行对比度的提升，比单独使用伽马变换和限制对比度直方图均衡的效果都要好。

附图说明

图1是本发明的实现流程图。

图2是V通道图像分块后的64个子图block的分布情况。

图3是进行对比度增强的输入图像，即一幅室内场景图。

图4是利用传统伽马校正方法对图3进行对比度增强后的图像。

图5是利用本发明中的局部自适应伽马校正方法对图3进行对比度增强后的图像。

图6是进行对比度增强的输入图像，即一幅外景图。

图7是利用传统伽马校正方法对图6进行对比度增强后的图像。

图8是利用本发明中的局部自适应伽马校正方法对图6进行对比度增强后的图像。

图9是进行对比度增强的输入图像，即一幅室内场景图，同图3。

图10是利用传统限制对比度自适应直方图均衡对图9进行对比度增强后的图像。

图11是利用本发明的基于局部自适应伽马校正的图像对比度增强方法为对图9进行对比度增强后的图像。

图12是进行对比度增强的输入图像，即一幅外景图，同图6。

图13是利用传统限制对比度自适应直方图均衡对图12进行对比度增强后的图像。

图14是利用本发明的基于局部自适应伽马校正的图像对比度增强方法为对图13进行对比度增强后的图像。

具体实施方式

以下结合附图和具体实施例，对本发明作详细说明。

实施例1

随着计算机技术、网络技术和多媒体技术的发展，图像的应用越来越广泛，已经渗透到了很多领域包括通信、工业、医疗保健、航空航天等各个方面，所以数字图像处理技术在现代社会十分重要。数字图像处理主要包括图像分类、图像识别、图像分割、图像重建、图像增强等。而由于现在的图像呈现方式多种多样，硬件设备的快速发展，各种高清显示器层出不穷，导致人类现在对图像的品质要求越来越高。由于很多场景条件的影响图像拍摄的视觉效果不佳，这就需要图像增强技术来改善人的视觉效果，图像的对比度增强就是在原有图像的基础上对图像的视觉效果的提升。本发明正是针对现在的客观需要进行的一项研究和创新。

本发明是一种基于局部自适应伽马校正的图像对比度增强实现方法，参见图1，包括如下步骤：

(1)输入待处理图像，该图像通常存在过曝、欠曝或逆光等问题，需要对其进行对比度增强。

(2)对待处理图像进行扩充，得到扩充后的图像：

当图像的宽度width和高度height刚好能被8整除，则不对图像进行处理。

当图像的宽度width不能被8整除时，利用如下公式得到需要扩充的像素列数padding_cols：

其中，ceil(·)为向上取整操作。

以左右垂直边缘像素为轴，对称复制padding_cols列像素点对图像进行扩充，得到扩充后的图像。

当图像的宽度height不能被8整除时，利用如下公式得到需要扩充的像素行数padding_rows：

其中，ceil(·)为向上取整操作。

以上下水平边缘像素为轴，对称复制padding_rows行像素点对图像进行扩充，得到扩充后的图像。

当图像的宽度width和height均不能被8整除时，按照上述操作同时对水平边缘和垂直边缘进行扩充，得到扩充后的图像。

(3)将扩充后的图像的色彩空间从RGB空间转到HSV空间，得到HSV图像。

(4)通道分离：对转换后的HSV图像进行通道分离，分成色调H，饱和度S，亮度V三个通道，获得待处理的色调H，饱和度S，和亮度V三个通道图像。

(5)对V通道图像进行分块处理：将V通道图像从水平和垂直方向依次分为8块，得到64个分块子图block。

(6)计算分块子图block的最初的灰度变换函数：对每个分块子图block利用自适应伽马校正公式计算得到所有64个分块子图的64个最初的灰度变换函数。

(7)利用最初的灰度变换函数进行插值映射：根据步骤(6)得到的64个分块子图的64个最初的灰度变换函数，对步骤(4)中得到的V通道图像中的每个像素点进行插值映射的更新变换，得到局部自适应伽马校正后的V_g通道图像。

(8)对V_g通道图像重新进行分块处理：对局部自适应伽马校正后的V_g通道图像重新进行分块处理，获得64个分块子图block_g。

(9)对步骤(8)获得的每个子图block_g进行直方图统计，得到64个直方图Hist(s₀,s₁,…,s₂₅₅)。

(10)直方图裁剪和移位补偿：对步骤(9)获得的64个直方图Hist根据直方图裁剪公式对直方图中灰度级s_i的像素数目超过最大上限值H_max的灰度级进行裁剪和移位补偿，重新得到64个直方图Hist_c(s₀,s₁,…,s₂₅₅)。

(11)计算最终的灰度变换函数：

对步骤(10)获得的64个分块子图裁剪后的每个直方图Hist_c(s₀,s₁,…,s₂₅₅)逐灰度级累加得到f_c ²(s₀,s₁,…,s_i,…,s₂₅₅)，其中再对f_c ²(s₀,s₁,…,s_i,…,s₂₅₅)中的每一灰度级s_i的像素数目除以分块子图block_g的总像素点数N_b并向下取整，即/>完成归一化处理，得到分块子图block_g对应的64个最终的灰度变换函数f²(s₀,s₁,…,s₂₅₅)。

(12)插值映射得到局部自适应伽马校正对比度增强后的V_gc通道图像：利用步骤(11)获得的最终的灰度变换函数f²(s₀,s₁,…,s₂₅₅)对步骤(7)中得到的局部自适应伽马校正后的V_g通道图像中的每个像素点进行插值映射的更新变换，得到局部自适应伽马校正对比度增强后的V_gc通道图像，分为以下四种情况：

计算四个角块的最终变换灰度值：对位于V_g通道图像中的四个角的子图block_g的每个像素点，参见图2中的四个紫色角块，直接根据像素点所在分块子图的最终的灰度变换函数，查找各个像素点的原灰度值在当前所在block_g对应的最终的灰度变换函数中的灰度值，遍历四个角的子图block_g的每个像素点，得到每个像素点对应的最终变换后的灰度值。

计算左右棱边的12个子图的最终变换灰度值：对位于V_g通道图像中除去上下角的左右棱的12个子图block_g的每个像素点，参见图2的红色棱块，搜索距离该像素点最近的上下两个block_g，查找像素点的原灰度值在两个不同block_g对应的最终的灰度变换函数中的两个灰度值，根据位置关系对两个灰度值赋予不同的权重进行线性变换得到变换后的灰度值，遍历位于左右棱的12个子图block_g的每个像素点，得到每个像素点对应的最终变换后的灰度值。

计算上下棱边的12个子图的最终变换灰度值：对位于V_g通道图像中除去左右角的上下棱的12个子图block_g的每个像素点，参见图2的蓝色棱块，搜索到距离该像素点最近的左右两个block_g，查找像素点的原灰度值在两个不同block_g对应的最终的灰度变换函数中的两个灰度值，根据位置关系对两个灰度值赋予不同的权重进行线性变换得到变换后的灰度值，遍历位于上下棱的12个子图block_g的每个像素点，得到每个像素点对应的最终变换后的灰度值。

计算其他位置子图的最终变换灰度值：对位于V_g通道图像其他位置的36个子图block_g的每个像素点，参见图2中的白色中间块，搜索到距离该像素点最近的水平和垂直方向最近的左上、右上、左下和右下四个block_g，查找像素点的灰度值在四个不同block_g对应的最终的灰度变换函数中的四个灰度值，根据位置关系对四个灰度值赋予不同的权重进行双线性线性变换得到变换后的灰度值，遍历位于此36个子图block_g的每个像素点，得到每个像素点对应的最终变换后的灰度值。

(13)通道合并：利用步骤(12)获得的^V _gc通道图像，以及步骤(4)获得的色调H通道图像和饱和度S通道图像，对这三个通道图像进行通道合并，得到局部自适应伽马校正的图像对比度增强后的HSV图像。

(14)对步骤(13)获得的HSV图像进行色彩空间转换，将其转换为RGB图像，即为基于局部自适应伽马校正的图像对比度增强后的图像。完成对待处理图像的局部自适应对比度增强。

本发明提出了一种对比度增强效果更好，细节恢复更明显的基于局部自适应伽马校正的图像对比度增强的整体技术方案。

本发明对过曝、过曝、欠曝和逆光问题的图像的亮度V通道图像先进行局部自适应伽马校正，同时利用插值映射解决了局部自适应伽马校正出现的块效应，比直接对整张图像直接进行手动调参的伽马校正后的图像的细节恢复明显，色彩还原更自然。

利用局部自适应伽马变换对图像进行初步的对比度和细节的提升后，再利用改进的限制对比度直方图均衡，将直方图完全限制在阈值内，完成进一步对图像对比度的提升，比单独使用伽马变换和限制对比度直方图均衡的效果都要好。

实施例2

基于局部自适应伽马校正的图像对比度增强实现方法同实施例1，步骤(6)中所述的对每个子图block利用自适应伽马校正公式计算得到该子图的最初的灰度变换函数，实现步骤如下：

(6a)在对V通道图像进行分块处理后得到了64个分块子图，对得到的64个分块子图的第i个子图block中所有像素点的灰度值求和再除以子图中总像素点个数得到该子图的平均灰度值gray_i ^m，遍历所有64个分块子图，得到64个子图对应的64个平均灰度值。

(6b)利用步骤(6a)获得的64个子图对应的64个平均灰度值，根据自适应伽马校正公式计算得到最初的灰度变换函数：

其中，γ_i为第i子图的伽马系数，取值范围为0.6～1.4，f_i ¹(s₁,s₂,…,s₂₅₅)为变换后的灰度值，取值范围为0,1,…,255。为最初的灰度变换函数，是离散取值为0,1,…,255的函数。

传统的伽马变换中，伽马系数大于0且小于1时，可以对欠曝图像进行对比度增强；伽马系数大于1时，可以对过曝图像进行对比度增强；伽马系数等于1时，不对图像进行处理。伽马变换对图像的对比度增强是有效果的，但是手动的参数设置使得伽马变换的实用性不高。

本发明的自适应伽马校正公式首先利用了图像的亮度信息的特征，通过计算图像亮度通道的灰度平均值来判断图像的明暗程度，通常情况下，曝光正常的图像的平均灰度值在108-148之间，在此区间的图像的对比度正常，只需要进行轻微的调整即可，小于108的图像曝光不足，大于148的图像曝光过度，均需要利用不同的伽马变换进行对比度增强。本发明自适应伽马校正公式通过设定在不同平均灰度值下的伽马系数γ的不同，得到不同的灰度变换函数完成对图像进行不同程度的对比度增强，解决了传统伽马变换的手动调参的实用性差的问题。

本发明采用的自适应伽马(gamma)变换，克服了传统的伽马变换的推广性能差的缺点，可自动判断图像的过曝和欠曝程度，然后根据过曝和欠曝程度的不同采用不同的伽马系数对图像进行对比度增强。

实施例3

基于局部自适应伽马校正的图像对比度增强实现方法同实施例1-2，步骤(7)中的利用最初的灰度变换函数进行插值映射，根据像素点在V通道图像中位于不同的子图block分为四种情况进行插值映射：

(7a)第一种情况：对位于V通道图像中的四个角的四个子图block(见图2中的紫色角块)的每个像素点，直接根据像素点当前所在分块子图的最初的灰度变换函数，查找各个像素点的原灰度值在当前所在block对应的最初的灰度变换函数中的灰度值v_n，遍历四个角的四个子图block的每个像素点，得到四个角的四个子图block的所有像素点对应的变换后的灰度值。

(7b)第二种情况：对位于V通道图像中除去上下角的左右棱的12个子图block(见图2中的红色棱块)的每个像素点，搜索距离该像素点最近的上下两个block，查找像素点的原灰度值在两个不同block对应的最初的灰度变换函数中的两个灰度值，根据位置关系利用如下公式对两个灰度值赋予不同的权重进行线性变换得到变换后的灰度值v_n，遍历位于左右棱的12个子图block的每个像素点，得到位于左右棱的12个子图block的所有像素点对应的变换后的灰度值：

其中，y_U，y_D为该像素点(x,y)最近的上下两个block的中心点坐标(x_U,y_U)，(x_D,y_D)中的纵坐标，f_U，f_D为该像素点(x,y)最近的上下两个block的最初的灰度变换函数。

(7c)第三种情况：对位于V通道图像中除去左右角的上下棱的12个子图block(见图2中的蓝色棱块)的每个像素点，搜索到距离该像素点最近的左右两个block，查找像素点的原灰度值在两个不同block对应的最初的灰度变换函数中的两个灰度值，根据位置关系利用如下公式对两个灰度值赋予不同的权重进行线性变换得到变换后的灰度值v_n，遍历位于上下棱的12个子图block的每个像素点，得到位于上下棱的12个子图block的所有像素点对应的变换后的灰度值：

其中，x_L，x_R为该像素点(x,y)最近的左右两个block的中心点坐标(x_L,y_L)，(x_R,y_R)中的纵坐标，f_L，f_R为该像素点(x,y)最近的左右两个block的最初的灰度变换函数。

(7d)第四种情况：对位于V通道图像其他位置的36个子图block(见图2中的白色中间块)的每个像素点，搜索到距离该像素点最近的水平和垂直方向最近的左上、右上、左下和右下四个block，查找像素点的灰度值在四个不同block对应的灰度值，根据位置关系利用如下公式对四个灰度值赋予不同的权重进行双线性线性变换得到变换后的灰度值v_n，遍历位于此36个子图block的每个像素点，得到位于此36个子图block的所有像素点对应的最终变换后的灰度值：

其中，(x_UL，y_UL)，(x_UR，y_UR)，(x_DL，y_DL)，(x_DR，y_DR)为该像素点(x,y)最近左上、右上、左下和右下四个block的中心点坐标，f_UL，f_UR，f_DL，f_DR分别为该像素点(x,y)最近的左上、右上、左下和右下四个block的最初的灰度变换函数。

本发明在对过曝、过曝、欠曝和逆光问题的图像，对其亮度通道先进行局部自适应伽马校正，同时利用插值映射解决了局部自适应伽马校正出现的块效应，传统的伽马校正只能对整张图像进行对比度增强，无法自适应地提高图像的局部对比度，局部自适应伽马校正与直接对整张图像直接进行手动调参的伽马校正相比，细节显现明显，色彩恢复更自然，有效地提高了图像的局部对比度，同时避免的图像对比度的过度增强。

实施例4

基于局部自适应伽马校正的图像对比度增强实现方法同实施例1-3，步骤(10)中所述的直方图裁剪和移位补偿，实现步骤如下：

(10a)根据限制对比度幅度因子Cliplimit，利用直方图裁剪公式计算得到直方图的最大上限值H_max：

其中，Cliplimit为限制对比度幅度因子,取值范围为(0,255)，分块子图block_g的总像素点数N_b，为向下取整运算符。

(10b)判断灰度级的像素点数目是否大于最大上限值，若某一灰度级s_i的像素点数目大于最大上限值H_max，则将该灰度级的像素点数目设置成H_max，对256个灰度级都进行裁剪处理。

(10c)将256个灰度级中每个灰度级像素数目大于最大上限值H_max的部分全部累加起来，均匀分配到除已进行直方图裁剪的其他灰度级中，完成移位补偿。

(10d)对64个直方图均执行步骤(10b)、(10c)，进行直方图裁剪和移位补偿，得到64个进行直方图裁剪后的直方图Hist_c(s₀,s₁,…,s₂₅₅)。

在本发明中，分块子图block_g的总像素点数N_b是固定的，H_max的取值主要取决于Cliplimit，而Cliplimit的取值为(0,255)之间的任意值，本例中Cliplimit的取值通常(1,3)之间，当其大于3时图像会过度增强导致失真，在(0,1)时对比度增强不明显。

本发明考虑到在图像对比度非常低的情况，直接进行直方图均衡可能会导致图像的亮度直接发生大的跃迁，从而使得图像的色彩基调直接反转，图像失真。本发明中的直方图裁剪和移位补偿，可以将图像的对比度提升程度限制在预定的范围内，防止图像对比度过度放大而导致图像失真，同时还可抑制噪声的放大。

下面给出一个更加详细的例子，对本发明进一步说明。

实施例5

基于局部自适应伽马校正的图像对比度增强实现方法同实施例1-4，参照图1，本发明的一种基于局部自适应伽马校正的图像对比度增强实现方法，包括如下步骤：

步骤1，获得待处理图像。

步骤2，对待处理图像进行扩充，得到扩充后的图像：

当图像的宽度width和高度height刚好能被8整除，则不对图像进行处理。

当图像的宽度width和高度height不能被8整除时，以最边缘像素为轴，对称复制对图像进行扩充，得到扩充后的图像。

步骤3，将扩充后的图像的色彩空间从RGB空间转到HSV空间，得到HSV图像。

步骤4，通道分离：对转换后的HSV图像进行通道分离，分成色调H，饱和度S，亮度V三个通道，获得待处理的色调H，饱和度S，和亮度V三个通道图像。

步骤5，对V通道图像进行分块处理：将V通道图像从水平和垂直方向依次分为8块，得到64个分块子图block。

步骤6，对分块后的每个子图blcok进行自适应Gamma校正：

(6a)对分块处理后的子图block中所有像素点的灰度值求和再除以像素点的总个数得到子图block的平均灰度值gray_mean。

(6b)根据计算得到的gray_mean利用下述公式求得Gamma系数：

(6c)利用计算得到的Gamma系数γ利用Gamma校正公式计算得到最初的灰度变换函数：

f(v(x,y))＝(v(x,y))^γ

其中，v(x,y)为原始灰度值，取值范围为0,1,…，255，f(v(x,y))为Gamma变换后的灰度值，取值范围为0,1,…，255。

步骤7，利用步骤(6)得到的灰度变换函数对步骤(4)中得到的V通道图像进行插值映射，得到局部自适应Gamma校正后的V_g通道图像：

(7a)对位于四个角块的像素点，直接根据像素点所在block的灰度变换函数，查找像素点的像素值对应的像素值，即为变换后的像素值。

(7b)对位于左右棱块的像素点，搜索到距离该像素点最近的上下两个block，查找像素点的像素值在两个不同block对应的像素值，根据位置关系利用如下公式对两个像素值赋予不同的权重进行线性变换得到变换后的像素值：

其中，y_U，y_D为该像素点(x,y)最近的上下两个block的中心点坐标(x_U,y_U)，(x_D,y_D)中的纵坐标，f_U，f_D为该像素点(x,y)最近的上下两个block的最初的灰度变换函数。

(7c)对位于上下棱块的像素点，搜索到距离该像素点最近的左右两个block，查找像素点的像素值在两个不同block对应的像素值，根据位置关系利用如下公式对两个像素值赋予不同的权重进行线性变换得到变换后的像素值：

其中，x_L，x_R为该像素点(x,y)最近的左右两个block的中心点坐标(x_L,y_L)，(x_R,y_R)中的纵坐标，f_L，f_R为该像素点(x,y)最近的左右两个block的最初的灰度变换函数。

(7d)对位于其他块的像素点，搜索到距离该像素点最近的水平和垂直方向最近的左上、右上、左下和右下四个block，查找像素点的像素值在四个不同block对应的像素值，根据位置关系利用如下公式对四个像素值赋予不同的权重进行双线性线性变换得到变换后的像素值：

其中，(x_UL，y_UL)，(x_UR，y_UR)，(x_DL，y_DL)，(x_DR，y_DR)为该像素点(x,y)最近左上、右上、左下和右下四个block的中心点坐标，f_UL，f_UR，f_DL，f_DR为该像素点(x,y)最近的左上、右上、左下和右下四个block的最初的灰度变换函数。

步骤8，对局部自适应Gamma校正后的V_g通道图像重新进行分块处理，获得64个分块子图block_g。

步骤9，对每个子图block_g进行直方图统计，得到64个直方图。

步骤10，对得到的64个直方图进行直方图裁剪和移位补偿：

(10a)根据限制对比度幅度因子Cliplimit，利用直方图裁剪公式计算得到直方图的最大上限值：

其中，Cliplimit为限制对比度幅度因子(0,255)，取值范围为，blcok_num为总分块数，total_num为图像的总像素点数目。

(10b)若某一灰度级的像素数目大于最大上限值H_max，则将该灰度级的像素数目设置成H_max，对每个灰度级都进行裁剪处理；将256个灰度级中每个灰度级像素数目大于最大上限值的部分全部累加起来，均匀分配到除了进行直方图裁剪的其他灰度级中，完成移位补偿。

步骤11，对每个block_g进行直方图裁剪后的直方图进行累加后归一化处理，得到64个最终的灰度变换函数。

步骤12，利用得到的最终的灰度变换函数对步骤(8)中得到的局部自适应Gamma校正后的V通道图像进行插值映射：

对位于四个角块的像素点，直接根据像素点所在block_g的最终的灰度变换函数，查找像素点的灰度值对应的灰度值，即为变换后的灰度值。

对位于四条棱块的像素点，搜索到距离该像素点最近的水平或垂直方向最近的两个block_g，查找像素点的灰度值在两个不同block_g对应的灰度值，根据位置关系对两个灰度值赋予不同的权重进行线性变换得到变换后的灰度值。

对位于其他块的像素点，搜索到距离该像素点最近的水平和垂直方向最近的四个block_g，查找像素点的灰度值在四个不同block_g对应的灰度值，根据位置关系对四个灰度值赋予不同的权重进行双线性线性变换得到变换后的灰度值。

步骤13，对步骤(12)处理后的V通道图像，以步骤(4)通道分离后的H通道图像和S通道图像，对这个三个通道图像进行通道合并得到处理后的HSV图像。

步骤14，对处理后的HSV图像进行色彩空间转换，将其转换为RGB图像，得到基于局比自适应伽马校正的图像对比度增强后的图像。

下面通过实验及其数据对本发明的技术效果再作证明性说明：

实施例6

基于局部自适应伽马校正的图像对比度增强实现方法同实施例1-5，

实验条件和内容：

本发明为进一步说明局部自适应伽马校正对图像对比度和细节的增强，将伽马校正和局部自适应伽马校正进行了对比，为保证实验的单一变量原则，手动将伽马校正的参数设置与局部自适应伽马校正的参数设置一致。

图3是进行对比度增强的输入图像，即一幅室内场景图；图4是利用传统伽马校正方法对图3进行伽马校正后的图像；图5是利用本发明中的局部自适应伽马校正方法对图3进行局部自适应伽马校正后的图像；图6是进行对比度增强的输入图像，即一幅外景图；图7是利用传统伽马校正方法对图6进行对比度增强后的图像；图8是利用本发明中的局部自适应伽马校正方法对图6进行对比度增强后的图像。

实现结果与分析：

从图3、图4和图5三幅图中对比可以看出，

图3是在室内场景拍摄下的光照不足而导致的欠曝图像，整体图像偏暗，对比度低。

图4是利用传统伽马校正方法对图3进行伽马校正后的图像，对整幅图像进行了全局的对比度提升，但是对图3的对比度过度增强，图4中左上部分的窗户花纹恢复较差，和原图相比无法分辨花纹纹路，整体图像的颜色有部分失真。

图5是利用本发明中的局部自适应伽马校正方法对图3进行局部自适应伽马校正后的图像，图5对整幅图像进行了局部的对比度提升，对比图5中的左上部分的窗户花纹，通过本发明增强后的窗户花纹基本完整地再现，从左向右数，第二、第三、第四扇窗户的纹路比图4中相同位置的纹路清晰许多，说明本发明方法对图像细节的保持和恢复能力更优秀，图像整体颜色恢复很自然。

总体看来，传统伽马校正和局部自适应伽马校正两种方法均可以有效地提高图像的对比度，但是从三幅图像中窗户部分的花纹，可以看出局部自适应伽马校正对图像的细节和纹理的恢复更明显，图像整体颜色恢复更自然。

从图6、图7和图8三幅图中对比可以看出，

图6是在夜间时期室外场景拍摄下的光照不足而导致的欠曝图像，整体图像偏暗，对比度低。

图7是利用传统伽马校正方法对图6进行伽马校正后的图像，对整幅图像进行了全局的对比度提升，但是过度提高对比度的同时放大了图像中原本不明显的噪声，将夜晚的图像增强后视觉效果看起来像白天，像人工合成的图像，导致图像失真。

图8是利用本发明中的局部自适应伽马校正方法对图6进行局部自适应伽马校正后的图像，对整幅图像进行了局比的对比度提升，整幅图在对比度增强的前提下依然保持了夜景的整体面貌，同时恢复了图像中原本被隐藏的丰富细节，可以看出图6隐藏在黑夜中的大楼建筑的原始面貌和区别，大大增加了图像的信息量。

总体分析三幅图，伽马校正和局部自适应伽马校正均可以有效地提高图像的对比度，但对全局进行伽马校正可能会在过度提高对比度的同时放大噪声，将夜晚的图像增强后视觉效果看起来像白天，导致图像失真。而局部自适应伽马校正可以有效地避免图像的对比度的过度提升的同时，恢复了图像中原本被隐藏的丰富细节，大大增加了图像的信息量。

实施例7

基于局部自适应伽马校正的图像对比度增强实现方法同实施例1-5，

实验条件和内容：

本发明为进一步说明局部自适应伽马校正对比度增强实现方法对图像对比度和细节的增强，将限制对比度自适应直方图均衡和局部自适应伽马校正对比度增强进行了对比，为保证实验的单一变量原则，将限制对比度自适应直方图均衡的参数设置与局部自适应伽马校正对比度增强的参数设置一致。

图9是进行对比度增强的输入图像，即一幅室内场景图，同图3；图10是利用传统限制对比度自适应直方图均衡对图9进行对比度增强后的图像；图11是利用本发明的基于局部自适应伽马校正的图像对比度增强方法为对图9进行对比度增强后的图像；图12是进行对比度增强的输入图像，即一幅外景图，同图6；图13是利用传统限制对比度自适应直方图均衡对图12进行对比度增强后的图像；图14是利用本发明的基于局部自适应伽马校正的图像对比度增强方法为对图12进行对比度增强后的图像。

实现结果与分析：

从图9、图10和图11三幅图中对比可以看出，

图9是在室内场景拍摄下的光照不足而导致的欠曝图像，整体图像偏暗，对比度低。

图10是利用传统限制对比度自适应直方图均衡对图9进行对比度增强后的图像。

图11是利用本发明的基于局部自适应伽马校正的图像对比度增强方法为对图9进行对比度增强后的图像，对图像的整体对比度有明显提升，几乎完整地还原了图像左上部分的窗户的花纹，连图像中的人物的服饰和五官都能清晰可见。说明本发明方法对图像细节的保持和恢复能力更优秀，图像整体颜色恢复很自然。

从三幅图中可以看出，限制对比度自适应直方图均衡和局部自适应伽马校正对比度增强均可以有效地提高图像的对比度，而本发明的局部自适应伽马校正对比度增强方法对图像的增强能从人体视觉的角度更好地改善图像的视觉效果，对图像的细节保持和恢复更好，对图像的对比度提升更明显，不仅如此，本发明的实现复杂度低，在工程应用性上有非常实质的价值。

从图12、图13和图14三幅图中对比可以看出，

图12是在夜间时期室外场景拍摄下的光照不足而导致的欠曝图像，整体图像偏暗，对比度低。

图13是利用传统限制对比度自适应直方图均衡对图12进行对比度增强后的图像，对图像的对比度增强不足，细节部分的恢复能力较差。

图14是利用本发明的基于局部自适应伽马校正的图像对比度增强方法为对图12进行对比度增强后的图像，对图像整体对比度进行了增强，同时在对比度增强的前提下依然保持了夜景的整体面貌，可以看出图12隐藏在黑夜中的大楼建筑的原始面貌和区别，此外对图像中下半部分的房顶的纹理恢复更明显，大大增加了图像的信息量。

从三幅图中可以看出，限制对比度自适应直方图均衡和局部自适应伽马校正对比度增强均可以有效地提高图像的对比度，但是本发明的局部自适应伽马校正对比度增强实现方法针对性地对图像局部的细节进行了更为完善的恢复，整体和局部的对比度增强更符合人的视觉感官，视觉效果更自然。

简而言之，本发明公开的一种基于局部自适应伽马校正的图像对比度增强实现方法，本发明能够解决图像由于拍摄环境和手法而造成的过曝、欠曝、逆光问题，提高图像对比度，恢复图像的纹理和细节。具体实现步骤如下：获得待处理图像；对图像进行扩充；将图像从RGB转到HSV；对HSV图像进行通道分离，获得V通道图像；对获得的V通道图像进行分块处理；对每个子图block计算得到该子图的最初的灰度变换函数；利用最初的灰度变换函数对V通道图像进行插值映射；对局部自适应伽马校正后的V_g通道图像重新进行分块处理；对每个子图block_g进行直方图统计，得到64个直方图；对得到的64个直方图进行直方图裁剪和移位补偿；利用直方图裁剪和移位补偿后的直方图计算最终的灰度变换函数；利用最终的灰度变换函数对局部自适应伽马校正后的V_g通道图像进行插值映射；通道合并；对处理后的HSV图像进行色彩空间转换，将其转换为RGB图像。本发明对问题图像进行针对性的局部自适应伽马校正对比度增强，能在保持图像不失真的情况下有效地高质量提高对比度，图像的纹理、细节的恢复效果显著，复杂度低，工程应用性高，可十分广泛地应用于拍摄场景和手法造成的图像过曝、欠曝和逆光的图像增强处理。

Claims (3)

1.一种基于局部自适应伽马校正的图像对比度增强实现方法，其特征在于，包括如下步骤：

(1)输入待处理图像；

(2)对待处理图像进行扩充，得到扩充后的图像：

当图像的宽度width和高度height刚好能被8整除，则不对图像进行处理；

当图像的宽度width和高度height不能被8整除时，以最边缘像素为轴，对称复制对图像进行扩充，得到扩充后的图像；

(3)将扩充后的图像的色彩空间从RGB空间转到HSV空间，得到HSV图像；

(4)通道分离：对转换后的HSV图像进行通道分离，分成色调H，饱和度S，亮度V三个通道，获得待处理的色调H，饱和度S，和亮度V三个通道图像；

(5)对V通道图像进行分块处理：将V通道图像从水平和垂直方向依次分为8块，得到64个分块子图block；

(6)计算分块子图block的最初的灰度变换函数：对每个分块子图block利用自适应伽马校正公式计算得到所有64个分块子图的64个最初的灰度变换函数；所述的对每个分块子图block利用自适应伽马校正公式计算得到该子图的最初的灰度变换函数，实现步骤如下：

(6a)对分块处理后得到的64个分块子图block的第i个子图中所有像素点的灰度值求和再除以子图中总像素点个数得到该子图的平均灰度值gray_i ^m，遍历所有64个分块子图，得到64个子图对应的64个平均灰度值；

(6b)利用64个子图对应的64个平均灰度值，根据自适应伽马校正公式计算得到最初的灰度变换函数：

其中，γ_i为第i子图的伽马系数，取值范围为0.6～1.4，为变换后的灰度值，取值范围为0,1,…,255；/>为最初的灰度变换函数，是离散取值为0,1,…,255的函数；

(7)利用最初的灰度变换函数进行插值映射：根据64个分块子图的64个最初的灰度变换函数，对V通道图像中的每个像素点进行插值映射的更新变换，得到局部自适应伽马校正后的V_g通道图像；

(8)对V_g通道图像重新进行分块处理：对局部自适应伽马校正后的V_g通道图像重新进行分块处理，获得64个分块子图block_g；

(9)对每个子图block_g进行直方图统计，得到64个直方图Hist(s₀,s₁,…,s₂₅₅)；

(10)直方图裁剪和移位补偿：对64个直方图Hist根据直方图裁剪公式对直方图中灰度级s_i的像素数目超过最大上限值H_max的灰度级进行裁剪和移位补偿，重新得到64个直方图Hist_c(s₀,s₁,…,s₂₅₅)；

(11)计算最终的灰度变换函数：

对64个分块子图裁剪后的每个直方图Hist_c(s₀,s₁,…,s₂₅₅)逐灰度级累加得到f_c ²(s₀,s₁,…,s_i,…,s₂₅₅)，其中再对f_c ²(s₀,s₁,…,s_i,…,s₂₅₅)中的每一灰度级s_i的像素数目除以分块子图block_g的总像素点数N_b并向下取整，即/>完成归一化处理，得到分块子图block_g对应的64个最终的灰度变换函数f²(s₀,s₁,…,s₂₅₅)；

(12)插值映射得到局部自适应伽马校正对比度增强后的V_gc通道图像：利用最终的灰度变换函数f²(s₀,s₁,…,s₂₅₅)对局部自适应伽马校正后的V_g通道图像中的每个像素点进行插值映射的更新变换，得到局部自适应伽马校正对比度增强后的V_gc通道图像：

(13)通道合并：利用V_gc通道图像，以及色调H通道图像和饱和度S通道图像，对这三个通道图像进行通道合并得到局部自适应伽马校正的图像对比度增强后的HSV图像；

(14)对HSV图像进行色彩空间转换，将其转换为RGB图像，得到基于局部自适应伽马校正的图像对比度增强后的图像。

2.根据权利要求1所述的基于局部自适应伽马校正的图像对比度增强实现方法，其特征在于，步骤(7)中所述的利用最初的灰度变换函数进行插值映射，根据像素点在V通道图像中位于不同的子图block分为四种情况进行插值映射：

(7a)第一种情况：对位于V通道图像中的四个角的四个子图block的每个像素点，直接根据像素点当前所在分块子图的最初的灰度变换函数，查找各个像素点的原灰度值在当前所在block对应的最初的灰度变换函数中的灰度值，遍历四个角的四个子图block的每个像素点，得到四个角的四个子图block的所有像素点对应的变换后的灰度值；

(7b)第二种情况：对位于V通道图像中除去上下角的左右棱的12个子图block的每个像素点，搜索距离该像素点最近的上下两个block，查找像素点的原灰度值在两个不同block对应的最初的灰度变换函数中的两个灰度值，根据位置关系利用如下公式对两个灰度值赋予不同的权重进行线性变换得到变换后的灰度值v_n，遍历位于左右棱的12个子图block的每个像素点，得到位于左右棱的12个子图block的所有像素点对应的变换后的灰度值：

其中，y_U，y_D为该像素点(x,y)最近的上下两个block的中心点坐标(x_U,y_U)，(x_D,y_D)中的纵坐标，f_U，f_D为该像素点(x,y)最近的上下两个block的最初的灰度变换函数；

(7c)第三种情况：对位于V通道图像中除去左右角的上下棱的12个子图block的每个像素点，搜索到距离该像素点最近的左右两个block，查找像素点的原灰度值在两个不同block对应的最初的灰度变换函数中的两个灰度值，根据位置关系利用如下公式对两个灰度值赋予不同的权重进行线性变换得到变换后的灰度值v_n，遍历位于上下棱的12个子图block的每个像素点，得到位于上下棱的12个子图block的所有像素点对应的变换后的灰度值：

其中，x_L，x_R为该像素点(x,y)最近的左右两个block的中心点坐标(x_L,y_L)，(x_R,y_R)中的纵坐标，f_L，f_R为该像素点(x,y)最近的左右两个block的最初的灰度变换函数；

(7d)第四种情况：对位于V通道图像其他位置的36个子图block的每个像素点，搜索到距离该像素点最近的水平和垂直方向最近的左上、右上、左下和右下四个block，查找像素点的灰度值在四个不同block对应的灰度值，根据位置关系利用如下公式对四个灰度值赋予不同的权重进行双线性线性变换得到变换后的灰度值v_n，遍历位于此36个子图block的每个像素点，得到位于此36个子图block的所有像素点对应的最终变换后的灰度值：

其中，(x_UL，y_UL)，(x_UR，y_UR)，(x_DL，y_DL)，(x_DR，y_DR)为该像素点(x,y)最近左上、右上、左下和右下四个block的中心点坐标，f_UL，f_UR，f_DL，f_DR分别为该像素点(x,y)最近的左上、右上、左下和右下四个block的最初的灰度变换函数。

3.根据权利要求1所述的基于局部自适应伽马校正的图像对比度增强实现方法，其特征在于，步骤(10)中所述的直方图裁剪和移位补偿，实现步骤如下：

(10a)根据限制对比度幅度因子Cliplimit，利用直方图裁剪公式计算得到直方图的最大上限值H_max：

其中，Cliplimit为限制对比度幅度因子,取值范围为(0,255)，分块子图block_g的总像素点数N_b，为向下取整运算符；

(10b)判断灰度级的像素点数目是否大于最大上限值，若某一灰度级s_i的像素点数目大于最大上限值H_max，则将该灰度级的像素点数目设置成H_max，对256个灰度级都进行裁剪处理；

(10c)将256个灰度级中每个灰度级像素数目大于最大上限值H_max的部分全部累加起来，均匀分配到除已进行直方图裁剪的其他灰度级中，完成移位补偿；

(10d)对64个直方图均执行步骤(10b)、(10c)，进行直方图裁剪和移位补偿，得到64个进行直方图裁剪后的直方图Hist_c(s₀,s₁,…,s₂₅₅)。