CN111325685A - 一种基于多尺度相对梯度直方图均衡化的图像增强算法 - Google Patents

Abstract

本发明涉及一种基于多尺度相对梯度直方图均衡化的图像增强算法，包括：第一步：计算图像相对梯度直方图；第二步：计算图像多尺度相对梯度直方图；第三步：均衡化所述多尺度相对梯度直方图，其中，该步骤包括：首先，对多尺度相对梯度直方图进行累加；其次，对累加后的多尺度相对梯度直方图进行归一化，得到灰度映射函数；最后，将原始图像中所有像素点对应的灰度级替换为其映射后的灰度级，得到增强后图像。这可以有效增强图像相对梯度强度，进而大幅提高图像视觉效果。

Description

一种基于多尺度相对梯度直方图均衡化的图像增强算法

技术领域

本发明提供一种基于多尺度相对梯度直方图均衡化的图像增 强方法，属于图像处理技术领域。

背景技术

图像增强是图像处理中的重要预处理步骤，它可以有效地改善 图像质量，提高图像视觉效果。其中，直方图均衡化是最为常用的 图像增强算法之一。由于传统图像直方图只统计各个灰度级对应的 像素个数，当图像中存在大量灰度级接近的区域(例如天空、大海 等)时，其对应的直方图会出现灰度级峰值，此时直方图均衡化会 导致图像过增强。为了解决这个问题，研究者提出了许多算法，其 中大部分都是对直方图先进行修正，再进行直方图均衡化。这些算 法不能从根本上解决过增强问题，当原始图像直方图中峰值较大时， 过增强现在依然普遍存在。另一方面，研究表明，人类的视觉*** 对图像的相对梯度比较敏感，提高图像的相对梯度强度，能够有效 改善图像的主观视觉效果。而目前基于直方图均衡化的增强算法无 法有效提高图像的相对梯度。

发明内容

本发明的目的是提供了一种基于多尺度相对梯度直方图均衡 化的图像增强方法，它能够解决图像过增强问题，并提高图像相对 梯度强度，进而增强图像的主观视觉效果。

为实现上述目的，本发明的基于多尺度相对梯度直方图均衡化 的图像增强方法，其步骤如下：

第一步，根据相对梯度直方图定义计算图像f的相对梯度直方 图；所述相对梯度直方图的定义为:

进一步地，所述相对梯度直方图定义公式中，尺度参数γ∈[0,2]， M和N分别位图像的行数和列数，

和

为256×1的向量，它们第k(k＝1,2,...,256)个元素为：

其中，上述公式中，所述

分别为{[f(i,j),f(i,j-1)],[f(i,j),f(i,j+1)] ,[f(i,j),f(i-1,j)],[f(i,j),f(i+1,j)]}的最大值和最小值，B(i,j)为输入 图像像素点(i,j)处(2W+1)×(2W+1)窗口内的所有像素点灰度值的均 值，

根据第一步中相对梯度直方图的定义可以看出，其由像素个数 和像素梯度共同决定，而且梯度越小的像素点对相对梯度直方图的 影响越小。当图像中存在大量灰度级接近的背景区域时，其在传统 灰度直方图中会形成一个峰值，进而导致图像过增强；由于灰度级 接近的区域其包含的梯度信息较小，其对本发明提出的相对梯度直 方图影响较小，可以有效避免峰值。另一方面，图像相对梯度直方 图的和等于图像中所有像素点的相对梯度强度之和，其证明如下：

上述公式中，|f(i,j)-f(i,j-1)|，|f(i,j)-f(i,j+1)|， |f(i,j)-f(i-1,j)|和|f(i,j)-f(i+1,j)|分别为输入图像像素点 (i,j)处水平左方向，水平右方向，竖直上方向和竖直下方向的梯度强 度，|f(i,j)-f(i,j-1)|+|f(i,j)-f(i,j+1)|+|f(i,j)-f(i-1,j)|+|f(i,j)-f(i+1,j)|可以有效表示输入图像像素点(i,j)的梯度强度。 将该梯度强度除以其对应的背景亮度B(i,j)^γ可以得到像素点(i,j)处 对应的相对梯度强度：

因此图像相对梯度直方图的 和等于图像中所有像素点的相对梯度强度之和。

第二步，根据步骤1中得到的相对梯度直方图计算图像多尺度 相对梯度直方图，所述多尺度相对梯度直方图的定义为：

其中，上述所述公式中，所述IGH^γ＝0、IGH^γ＝1和IGH^γ＝2为参数 γ＝0，γ＝1和γ＝2时对应的相对梯度直方图，所述

进一步地，所述sum(IGH^γ＝0)，sum(IGH^γ＝1)和sum(IGH^γ＝2)分 别参数γ＝0，γ＝1和γ＝2时对应的相对梯度直方图的和，即为图像 不同尺度的相对梯度强度。

根据第二步中多尺度相对梯度直方图的定义可以看出，图像在 某尺度上的相对梯度强度越大，该尺度对应的相对梯度直方图的权 值越大。因此本发明提出的多尺度相对梯度直方图包含图像多尺度 梯度信息，并且自适应强调对应图像相对梯度强度大的尺度。

第三步，对第二步获取的多尺度相对直方图进行直方图均衡化。

首先，对所述多尺度相对梯度直方图进行累加从而得到累加后 直方图

其次，对累加后的直方图进行归一化，得到灰度映射函数

最后，将原始图像中所有像素点对应灰度灰度级 k(k＝0,1,2,...,255)替换为f(k)，得到增强后图像。

与现有技术相比本发明的技术效果在于：

本发明提出的多尺度相对梯度直方图包含图像多尺度梯度信 息，并且自适应强调对应图像相对梯度强度大的尺度。其可以有效 缓解图像中梯度较低的像素点对直方图产生的影响，避免传统灰度 直方图中出现的峰值。本发明提出的多尺度相对梯度直方图均衡化 算法可以提高图像的相对梯度强度，并有效避免过增强。由于人眼 的视觉***对图像相对梯度强度比较敏感，该算法能够大幅改善图 像的主观视觉效果。

附图说明

图1为本发明的流程图；

图2为本发明步骤S3的流程图；

图3为本发明的一个实施例中处理前的原始图像；

图4为原始图像的灰度直方图和多尺度相对梯度直方图；

图5为传统直方图均衡化增强后图像；

图6为采用本发明的方法增强后图像；

图7为原始图像和采用本发明的方法增强后图像。

图8为原始图像的相对梯度图和采用本发明方法增强后图像 的相对梯度图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚明白，以下结 合具体实施例，并参照附图，对本发明作进一步的详细说明。

本发明所述的一种基于多尺度相对梯度直方图均衡化的图像 增强算法，其流程图如图1所示，包括一下步骤：

步骤S1，根据相对梯度直方图的定义，计算图像在γ＝0，γ＝1 和γ＝2时对应的相对梯度直方图IGH^γ＝0，IGH^γ＝1和IGH^γ＝2；所述相 对梯度直方图定义为:

具体而言，所述相对梯度直方图定义公式中，M和N分别位 图像的行数和列数，

和

为256×1的 向量，它们第k(k＝1,2,...,256)个元素为：

其中，上述公式中，所述

分别为{[f(i,j),f(i,j-1)],[f(i,j),f(i,j+1)] ,[f(i,j),f(i-1,j)],[f(i,j),f(i+1,j)]}的最大值和最小值，B(i,j)为输入 图像像素点(i,j)处(2W+1)×(2W+1)窗口内的所有像素点灰度值的均 值，

为了便于理解和实施，我们给出了计算图像相对梯度直方图的 伪代码。

输入:fM×N，γ 输出:IGH

初始化：RGV^x-，RGV^x+，RGV^y-RGV^y+，IGH＝zeros(L，1)

步骤S2，基于步骤S1获取的IGH^γ＝0，IGH^γ＝1和IGH^γ＝2，计算 图像多尺度相对梯度直方图：

上述公式中，

s1＝log(sum(IGH^γ＝0))

s2＝log(sum(IGH^γ＝1))

s3＝log(sum(IGH^γ＝2))

sum(IGH^γ＝0)，sum(IGH^γ＝1)和sum(IGH^γ＝2)分别为γ＝0，γ＝1和 γ＝2时对应的相对梯度直方图的和，即为图像不同尺度的相对梯度强 度。

步骤S3，对步骤S2获取的多尺度相对直方图采用均衡化技术 进行均衡。

步骤S31，对所述多尺度相对梯度直方图进行累加从而得出

步骤S32，对累加后的直方图进行归一化，得到灰度映射函数

步骤S33，将原始图像中灰度级k(k＝0,1,2,...,255)的所有像素 点对应灰度级替换为f(k)得到增强后图像。

为验证本专利提出算法的有效性、合理性、可行性及科学性， 对图3中原始内窥镜图像采用传统直方图均衡化和多尺度相对梯 度直方图均衡化进行增强。图4是原始图像灰度直方图和步骤S2 中获取的多尺度相对梯度直方图；图5是传统直方图均衡化处理后 的增强图像；图6是应用本发明的方法处理后的增强图像。从图4 中可以看出，原始图像中大面积的黑色背景区域灰度比较接近，因 而在传统灰度直方图中形成了一个峰值。我们的多尺度相对梯度直 方图由像素灰度级和其对应梯度共同决定。由于图像中的背景区域 比较平缓，包含的梯度信息较小，对直方图的影响较小。因此我们 的多尺度相对梯度直方图中没有产生峰值。从图5中可以看出，由 于传统灰度直方图存在峰值，导致直方图均衡化出现过增强现象， 而图6中本发明的方法增强后图像能够有效避免过增强，同时有效 改善图像主观视觉效果。图7给出了原始图像和本发明的方法增强 后图像，图8给出了对应的相对梯度图。从图7中可以看出，增强 后图像亮度更均匀、血管边缘更清晰。从图8中可以看出，图像的 相对梯度强度得到明显改善。本发明的方法通过增强图像相对梯度 强度，能够显著提高图像的主观视觉效果，并避免过增强。

Claims (5)

1.一种基于多尺度相对梯度直方图均衡化的图像增强算法，其特征在于，包括以下步骤：

步骤S1：根据相对梯度直方图定义计算图像的相对梯度直方图；

步骤S2：根据步骤S1得到的相对梯度直方图计算图像多尺度相对梯度直方图；

步骤S3：对步骤S2获取的多尺度相对直方图进行直方图均衡化，其中，该步骤包括：

步骤S31，多尺度相对梯度直方图累加；

步骤S32，对累加后的多尺度相对梯度直方图进行归一化，得到灰度映射函数；

步骤S33，将原始图像所有像素点对应的灰度级替换为其映射后灰度级，得到增强后图像。

2.根据权利要求1所述的基于多尺度相对梯度直方图均衡化的图像增强算法，其特征在于，所述步骤S1，所述相对梯度直方图的定义为

其中所述尺度参数γ∈[0,2]，M和N为输入图像f_M×N的行数和列数，

和

为256×1的向量：

其中所述

分别为{[f(i,j),f(i,j-1)],[f(i,j),f(i,j+1)],[f(i,j),f(i-1,j)],[f(i,j),f(i+1,j)]}的最大值和最小值。所述B(i,j)为输入图像像素点(i,j)处(2W+1)×(2W+1)窗口内的所有像素点灰度值的均值，

3.根据权利要求1所述的基于多尺度相对梯度直方图均衡化的图像增强算法，其特征在于，所述步骤S2，所述多尺度相对梯度直方图的运算过程为：

其中，上式中，

s1＝log(sum(IGH^γ＝0))

s2＝log(sum(IGH^γ＝1))

s3＝log(sum(IGH^γ＝2))，

其中所述IGH^γ＝0，IGH^γ＝1和IGH^γ＝2分别为参数γ＝0，γ＝1和γ＝2时对应的相对梯度直方图。sum(IGH^γ＝0)，sum(IGH^γ＝1)和sum(IGH^γ＝2)分别为γ＝0，γ＝1和γ＝2时对应的相对梯度直方图的和。

4.根据权利要求1所述的基于多尺度相对梯度直方图均衡化的图像增强算法，其特征在于，所述步骤S3，所述多尺度相对梯度直方图累加的公式：

5.根据权利要求1所述的基于多尺度相对梯度直方图均衡化的图像增强算法，其特征在于，所述步骤S3，所述灰度映射函数为：

Images