低亮度圖像增強演算法代碼

A. 圖像增強處理

近年來,數字圖像處理發展迅速,各種增強的方法層出不窮。以下僅介紹對地質應用較為有效的幾種方法,其他方法可參考已出版的遙感數字圖像處理的著作^[3,4]。

(一)反差增強

數字圖像,從理論上講,亮度取值范圍可從0-255,但實際圖像由於成像系統的特性、成像時的光照條件、以及像幅范圍內地物間輻射差異的大小等各種原因,常常使大部分像元的亮度集中在比較窄的動態區間,致使圖像的反差較小、色調單一(過「黑」或過「白」),難以從中區分出更多的地物信息,於是,改善和提高圖像的對比度——反差增強,便成了數字圖像增強首先遇到的一個問題。

反差增強也稱反差擴展,或拉伸增強,是一種通過拉伸或擴展圖像的亮度數據分布,使之占滿整個動態范圍(0—255),以達到擴大地物間亮度差異,分辨出盡可能多的亮度等級的一種處理技術。數字圖像的亮度分布,一般可用一幅圖像中不同灰級(亮度)像元所佔的比例——直方圖來表示(圖版25)。圖4-15顯示了一塊佔有8個灰級(0—7)的4×4小圖像的直方圖生成過程。可以看出它實際上是一種亮度分布函數(曲線)。反差擴展歸根到底就是通過改變這種分布曲線來達到增強的目的。

在反差擴展中,輸出的像元值y,是輸入的像元值(原圖像)x的函數:

遙感地質學

按照函數關系的不同可有不同類型的擴展(見圖4-16)。在處理方法上可以分為兩類,一類是使用函數變換對每個像元點進行變換處理,常用於有確定拉伸對象(地物目標)的情況下;另一類是改變像元間的亮度結構關系,即通過直方圖調整改變圖像的亮度結構。下面簡單介紹實際操作中常用的幾種方法。

圖4-15 直方圖製作示意圖

圖4-16 幾種反差擴展

1.線性擴展

將原圖像中像元的亮度按線性關系擴大,亮度擴展的范圍可任意給定,具體應用時可選擇圖4-16A中各種不同的形式。一般來說,對整幅圖像作全面而均勻的拉伸,可用簡單線性擴展(圖版27);當需要對某一灰度范圍進行增強,可採用分段擴展。按給定的分段界限的不同,可擴展直方圖中的任何一部分,但這種方法往往會造成分段點兩側亮度陡變,若分段點選擇不當,還會歪曲地物的波譜特徵,故在實際工作中應慎用。

2.非線性擴展

對原圖像亮度區間的各個部分按非線性關系作不均等擴展。通常是對亮區和暗區分別給以不同的擴展比例。例如,採用對數變換可使圖像的暗區(如大片陰影、大面積植被覆蓋)得到擴展,而亮區受到壓抑;相反,若擴展亮區,則要採用指數變換。在乾旱區,平原、盆地的亮度值普遍偏高,影像單調,經指數擴展,常可從中分出一些層次。此外,還可作正弦、正切等擴展(圖4-16B)。

3.直方圖調整

通過改善圖像的總體亮度結構(直方圖形態)來達到圖像增強的目的。其原理是,以一變換函數S=T(r),作用在原圖像的直方圖P_r(r)上,使之變成具有某種特定亮度分布形態的直方圖P_s(s)(圖4-17),並根據P_s(s)變更原圖像各像元的亮度值。一般來說,這種方法著重於擴展高頻數亮度值之間的間隔,使直方圖中部所包含的地物反差顯著增強,而有利於地質體的區分。常用的直方圖調整方法有直方圖均衡化和直方圖正態化等。圖版28即為直方圖均衡處理的結果。

反差擴展是針對單波段的一種圖像增強處理,使用得當,可明顯改善像質,提高圖像的對比度(參見圖版26和27、28)。在作彩色合成等多波段的增強處理時,一般都要先對各個波段的數據作適當的拉伸,以獲得理想的彩色增強效果。因此,它也是其它增強處理的基礎和先導。從這個意義上說,它還具有預處理的作用。

(二)彩色增強

數字圖像的彩色增強處理也可以有單波段圖像的偽彩色處理和多波段圖像的彩色合成兩個不同的途徑:

1.單波段圖像的偽彩色增強

對於單波段圖像生成偽彩色最簡單的方法是彩色密度分割,其原理與光學密度分割一致,但比光學密度分割靈活、方便,可分割的等級也更細,並且光譜意義也更明確。一個數字圖像系統可以說是性能更優越的彩色等密度分割儀。與光學分割一樣,它對於有著遞變規律的地表景物的顯示十分有效,有時也能顯示出一些細節變化。但在數字數字圖像處理中,它主要是用於檢測單波段圖像的亮度值變化趨勢信息,為後續處理提供參考。

另一種單波段偽彩色處理方法是偽彩色合成。它是對單波段的CCT數據通過加色比例變換函數把黑白灰級變換為紅、綠、藍彩色級,然後再加色合成(圖4-18),生成偽彩色圖像。由於這種圖像能把單波段上不易區分的細微灰度變化映射成不同的色彩,因此比彩色密度分割有更好的快速檢測單波段圖像灰度變化信息的效果。

圖4-17 直方圖調整圖

圖4-18 偽彩色合成示意圖

2.多波段圖像的彩色合成

與光學圖像處理相仿,數字圖像的單波段彩色增強照例不足以揭示多波段遙感中地物在不同波段上豐富的波譜特徵信息。為了發掘多波段數字圖像的信息優勢,提高圖像的解譯判讀效果,同樣可採用彩色合成。其基本的方法原理與單波段偽彩色合成關同,只是紅、綠、藍變換不是對同一波段,而是分別對三個(或二個)波段實施,即由三個(或二個)波段的CCT數值根據設定的波段灰度與彩色之間的變換關系表,直接控制圖像處理系統中彩色顯示裝置的紅、綠、藍三色槍的光強輸出,加色合成顯示在彩色屏幕上,形成彩色圖像(圖4-19);或者以三色依次掃描到彩色膠片上,再印放成彩色像片。目前這類處理不僅可在專用圖像處理機上實現,而且已可在微機上藉助圖像處理板實現,甚至在TVGA圖形卡的支持下通過彩色模擬程序在微機上完成。後者受TVGA卡只能顯示256色的限制,色彩尚不盡豐富,但一般的合成顯示是能勝任的。

與光學處理相比,數字圖像的彩色合成不僅省卻了製作單波段黑白膠片影像的過程,也避免了膠片拷制過程中的信息丟失,而且由於CCT的量化等級高達256級,遠遠高於黑白影像可分辨的灰度變化,因此其色彩層次往往比光學合成要豐富得多;同時,在計算機圖像處理系統中,各個波段的數據可以十分方便地作各種拉伸變換(反差擴展),顯示器上的跟蹤球還可任意調節色彩變化,從而能快速獲得不同增強效果的彩色圖像,比起黑白膠片需要通過影像拷貝來改變影像密度要方便、靈活得多,顯示出更大的優越性。

在數字圖像處理中,彩色合成通常是最常用、最基本,往往也是最便捷有效的增強處理方法。其影像增強的效果與光學合成處理相類似,照例可分為真彩色、似(模擬)真彩色、假彩色等不同的種類;不同的波段一色通道(相當於濾光片)組合方案具不同的色彩及地物增強效果;充分利用地物波譜特徵(曲線),選擇合成方案同樣是取得理想增強效果的關鍵。由於這些內容在光學彩色合成中已有較詳論述,這里不再重復。

尚需指出的是,數字圖像的彩色合成目前已不僅僅針對不同波段進行,而且還可以用不同的數字處理結果(如比值、KL變換的不同分量等)作輸入圖像,獲得全新含義的合成圖像(如比值合成圖像);更進一步,已可以將非遙感的地質信息(如物、化探數據)通過彩色坐標變換(IHS變換)轉換成R、G、B分量,作為輸入圖像,製成多元信息復合的彩色合成圖像。因此如何選擇波段或分量進行彩色合成是一個重要問題。目前常用OIF值作為衡量合成方案優劣的因子,它的基本原理是根據圖像的統計特徵來選定,就理論而言,OIF值越大,則合成方案越佳。

OIF可用下式計算:

圖4-19 數字圖像彩色合成示意圖

遙感地質學

其中Ss為第i波段的亮度標准差,標准差越大,表明該圖像包含信息量越大,rs為合成分量間的相關系數,相關系數越小,表明圖像間的冗餘度越小。

現以某地一個實例說明,先計算TM各波段(TM6波段除外)的標准差,分別為:17.02,10.29,14.04,15.95,31.38,19.36。6個波段間的相關系數如表4-2。

表4-2 TM圖像各波段相關系數表

這樣可以計算出不同合成方案的OIF值:

TM145:32.22;TM345:29.08;

TM457:28.96;TM147:26.97;

Tm245:26.78;TM157:25.42

在實際應用中,直接使用OIF因子,效果不一定理想,還應從應用目的出發,進行波段的選擇。

(三)比值增強

比值增強是最為常用的一種運算增強方法。它是通過不同波段的同名像元亮度值之間的除法運算,生成新的比值圖像來實現的。對於多波段數字圖像,可以有多種不同的比值:

1.基本比值

純以兩個波段的數值相比,故也稱簡單比值。用g_k(k=1,2,……N)代表一個多波段圖像(N為波段數),任一比值圖像可表示為:

遙感地質學

其中,a和b是調節參數。由N個波段可得出的比值數目為P=N(N-1),如TM圖像,除TM₆(熱紅外)之外,共可組成30種比值;

2.和差組合比值

由兩個波段的和與差構成的比值,如:

遙感地質學

3.交叉組合比值

由3個或更多的波段構成的比值。其中分子和分母所包含的波段是不同的,如:

遙感地質學

4.標准化比值

由單個波段與所有波段之和構成的比值,即

遙感地質學

其中,i=1,2……N。如MSS圖像,常使用4、5、7三個波段,則可構成:

遙感地質學

上述四種比值以基本比值和標准化比值更為常用。

比值處理簡便易行,而且對地質信息尤為敏感,因而現今基本上已成為遙感地質研究中廣為應用的例行處理方法之一。其基本功用在於:

(1)能擴大不同地物之間的微小亮度差異,有利於岩石、土壤等波譜差異不太明顯的地物的區分,也可用於植被類型和分布的研究。例如,鐵帽與植被在單波段上不易區分,而通過MSS_5/4和MSS_7/5二維比值分析,明顯區分了出來(圖4-20)。

(2)消除或減弱地形等環境因素的影響。例如,某地砂岩在陽坡和陰坡有不同的亮度,但在MSS_4/5上,比值卻非常接近(表4-3),因此消除了地形的影響(參見黑白圖版29)。

(3)提取與找礦有關的專題信息。例如含羥基的粘土礦物在2.2μm附近存在有強吸收,故在TM₇上為低亮度,而在TM₅上它仍為高亮度,因此TM_5/7常被用來提取與粘土化有關的礦化蝕變信息;再加0.48μm是鐵離子電荷轉移強烈吸收的位置,故用TM_5/1利於提取與鐵礦物有關的信息。

(4)比值合成增強岩性及蝕變岩信息。以若干個比值圖像作為輸入圖像,進行假彩色合成,在輸出的彩色合成圖像上常能有效地增強岩石的波譜信息差異。例如,在我國銅陵地區採用TM₄(R)、5/4(G)、5/2(B),4(R)、5/2(G)、4/3(B)等方案製作的比值合成圖,有效地圈定出了志留系地層、岩體、大理岩化等岩性信息。在河北遷安地區利用MSS的標准化比值製作的合成圖像上區分磁鐵礦石及圍岩也取得好效果。

比值增強生成比值圖像後,原來的獨立波譜意義就不存在了。由此也給它帶來一個很大的缺陷,就是丟失了地物總的反射強度(反射率)信息。例如,暗色的岩石和淺色的岩石之明顯差異也被損失;由於壓抑了地形信息,其作為地質解譯的一個重要標志也被損失。為了彌補此不足,通常採用一個波段的原圖像與(兩個)比值圖像作彩色合成的辦法;此外,比值有可能增加雜訊,而大氣散射也會給比值結果帶來干擾,因此,處理前更要注意做消條帶和大氣校正。

表4-3 不同光照條件下砂岩反射比

(據F.F.Sabins,1977)

圖4-20 比值分布示意圖

(四)卷積增強

地物的邊界及各種線性形跡,通常都表現有一定的空間分布頻率,因此,可以通過空間域或頻率域的濾波對它們進行增強。其中,卷積處理就是比較簡便有效而最常使用的空間濾波方法之一。

與前述幾種增強不同,卷積增強是一種鄰域處理技術。它是通過一定尺寸的模板(矩陣)對原圖像進行卷積運算來實現的。以3×3(像元)的模板為例,其處理過程如圖4-21,

即相當於把模板逐次放在每一個像元上,計算模板元素和對應像元亮度值的乘積和,用數學式可表示為:

遙感地質學

圖4-21 空間卷積

式中,m₁為模板元素值,g_s為相應圖像中各像元的亮度值。f為卷積值,亦就是濾波後(模板)中心像元的輸出值。

增強不同方向的邊界(或線性體),則是按一定的排列方向來分配模板中各元素的權系數。例如圖4-22(a)、(b)、(c)、(d)便是分別對水平(相當於遙感圖像的掃描線方向)、45°、垂直、135°四個方向進行增強的一組3×3模板。改變模板尺寸(5×5、7×7……等等)和板內元的差值可產生不同的效果。一般,模板越大、差值越大,對低頻的粗大構造形跡的增強越明顯,而高頻信息(小斷層、節理裂隙等)增強的幅度越小。模板可設計成不同的增強方向,但模板元素的數目均應為奇數;一般最大為15×15,模板尺寸太大,則其計算量也大,而卷積效果也不一定好。

圖4-22 方向模扳

卷積增強對於突出某一方向的地質體邊界和線性斷裂構造或形跡常具明顯的效果(圖版30),對一些環形構造或線跡也會起到增強的作用,因此在遙感地質研究中被廣泛使用。

(五)K-L變換

K-L變換是多波段遙感圖像變換增強的常用方法之一,通常也稱主組分分析或主成分分析。在數學含義上,它是一種基於圖像統計特徵的多維正交線性變換。經這種變換後生成一組新的組分圖像(數目等於或小於原波段數)是輸入的若干原圖像的線性組合即

遙感地質學

其中,X是原多波段圖像的數據矩陣,矩陣元素為p個波段的像元值向量;Y是輸出的主組分矩陣,即q個組分的像元值向量,一般q≤p;T為變換核矩,通常為由變換波段之間的協方差矩陣所產生的特徵向量矩陣。在p=3,q=4的情況下

遙感地質學

y₁、y₂、y_s按協方差矩陣的特徵值大小依次排序。

從幾何意義上講,K-L變換相當於空間坐標的旋轉。圖4-23表示了一個二維空間坐標變換。圖中X₁、X₂表示兩個波段的像元值,黑點為相應的數據域。K-L變換相當於坐標軸旋轉一個θ角,把數據域變換到Y₁、Y₂的新坐標系統上,即:

遙感地質學

圖4-23表明,K-L變換後,第一主組分(Y₁)取得最大的信息量(可達90%左右),其餘依飲減小。一般情況下,一、二、三主組分基本上已集中了絕大部分的信息,後面組分包含的信息量往往已非常小。因此,K-L變換一個最基本的功能就是,可以在信息損失最小的前提下,減少變數數目、降低數據維數,起到數據壓縮的作用。這對多波段遙感特別有意義,因為它們通常為多變數,數據量也很大(一個TM波段達42兆),隨著波段數越來越多和地面分辨力越來越高,還將更大(所謂「海量數據」)。

一般認為,K-L第一主組分基本上反映了地物總的輻射差異,其它組分則能夠揭示地物的某些波譜特徵。由上圖可以看出,各組分之間互相「垂直」,即不相關。這就使K-L變換還具有分離信息、減少相關、突出不同地物目標的作用。因而,在用K-L不同組分作假彩色合成時,往往可顯著提高彩色增強效果,會有助於岩類的區分。但要注意的是,各組分的地質應用價值不能依它們的排序(即方差的大小)來確定。例如,MSS的K-L變換中,有時第四主組分反而比第三主組分區分岩性的作用更大。

在實際應用中,也常用比值或差值圖像,以及與原圖像合在一起作K-L變換。這對於提取某些專題信息會特別有用的。一個典型的例子是,TM_5/7可提取與粘土化有關的礦化蝕變信息,但植被的TM_5/7比值常常也很高,以致前者的信息往往被淹沒在後者的「汪洋大海」之中,我國南方地區尤甚。然而,TM_4/3恰主要只反映植被信息,因此,當用TM_4/3、TM_5/7作K-L變換,其第一主組分便集中了兩個比值的基值——植被信息,而蝕變信息被分配到第二主組分中,這就把二者分離了開來,進一步在第二主組分中提取蝕變信息(圖42-4),效果便顯著提高。此法已在南方某銀鉛鋅礦區取得了很好的效果。

圖4-23 兩個波段(或其他變數)情況下的主組分變換

圖4-24 我國南方某地蝕變帶信息提取的程序框圖

與KL-變換相類似的另一種線性變換方法是近年來發展起來的K-T變換。緣於在MSS和TM數據空間中植被光譜隨時間變化的軌跡構成一個「纓帽」的圖形,故亦稱「纓帽變換」。該變換有助於分離(提取)植被(綠度)和土壤(濕度)等信息,已引起人們的興趣。有關這一變換的論述可參見文獻[3]。

(六)IHS變換

在色度學中,存在有兩種彩色坐標系統:一是由紅(R)、綠(G)、藍(B)三原色構成的彩色(RGB)空間;另一是由亮度(I)(或稱明度、強度)、色調(H)、飽和度(S)構成的色度(IHS)空間(亦稱孟塞爾坐標)。這兩個系統的關系可用圖4-25表示,此時,IHS的范圍呈現為一圓錐體;在垂直於IHS圓錐軸的切面上,二者則呈現為圖4-26所示的關系。該圖中,I軸垂直於紙面(過S=0,白光點),沿I軸只有亮度明暗(白一黑)差異;圓周代表H的變化,並設定紅色為H=0;半徑方向代表飽和度,圓心處S=0,為白色(消色),圓周處S=1,彩色最純。

很明顯,這兩個坐標系之間可以互相轉換,這種轉換即稱為IHS變換,或彩色坐標變換(也稱孟塞爾變換)。通常把RGB空間變換到IHS空間稱之為正變換,反過來,由IHS變換到RGB稱反變換。

當不直接採用三原色成分(R、G、B)的數量表示顏色,而是用三原色各自在R、G、B總量中的相對比例r、g、b來表示,即:

圖4-25 強度、色頻(彩)與飽和度(IHS)和紅、綠、藍(RGB)空間關系示意圖

圖4-26 通過垂直IHS圓錐切面表示IHS與RGB的關系

遙感地質學

此時如為紅色白色則為 。兩個坐標系之間的轉換關系,可簡化為:

遙感地質學

把R、G、B和I、H(0-3)、S(0-1)值擴展到0-255數據域,設計相應的程序,在數字圖像系統上便能自如地實現相互間的轉換和顯示。

目前在遙感數字圖像處理中,IHS變換多用於以下研究。

1.彩色合成圖像的飽和度增強

當用以合成的三個原始圖像相關性較大時,常規處理往往合成圖像的飽和度會不足,色彩不鮮(純),像質偏灰,且較模糊、細節難辨(彩版3-4)。通過IHS變換,在IHS空間中增強(拉伸)飽和度S,用反變換求R、G、B進行彩色顯示(圖4-27),則可顯著改善圖像的顏色質量和分辨能力(圖版5,6)。

2.不同解析度遙感圖像的復合顯示

直接把不同解析度圖像輸入R、G、B通道作彩色合成復合顯示,即使幾何配精度很高,也難以獲得清晰的圖像(低分辨圖像使像質模糊)。採取將最高解析度圖像置作「I」、次高置作「H」、低分辨者置作「S」,然後反變換,求出R、G、B作復合彩色顯示,則基本可使合成圖像保持有高分辨圖像的清晰度。對TM(常取其中兩個波段)和SPOT(常取全色波段)圖像作此種復合,既可獲得SPOT的高解析度,又可充分利用TM豐富的波譜信息。

3.多源數據綜合顯示

採用常規方法對遙感圖像與物化探等地學數據作綜合處理,不但極不方便,充其量也只能把等值線疊合到遙感圖像上。將物探(航磁、重力等)或化探(元素異常)信息數字化,分別置作「H」或「S」,以遙感圖像(取一個波段)為「I」,作IHS的正反變換(圖42-8)便可獲得色彩分明的遙感與物化探信息復合的彩色圖像。這類圖像通常既具遙感圖像清晰的地貌、地質背景,又能將物化探信息准確地反映在這一背景上,十分有利於它們相互關系的綜合分析和解譯(圖版20)。

圖4-27 飽和度增強處理流程圖

圖4-28 多源數據綜合顯示框圖

B. OpenCV C++（四）----對比度增強

對比度增強或者稱為對比度拉伸就是圖像增強技術的一種，它主要解決由於圖像的灰度級范圍較小造成的對比度較低的問題，目的就是將輸出圖像的灰度級放大到指定的程度，使得圖像中的細節看起來更加清晰。對比 度增強有幾種常用的方法，如線性變換、分段線性變換、伽馬變換、直方圖正規化、直方圖均衡化、局部自適應直方圖均衡化等。

灰度直方圖是圖像灰度級的函數， 用來描述每個灰度級在圖像矩陣中的像素個數或者佔有率（概率）。

OpenCV提供了函數 calcHist 來實現直方圖的構建，但是在計算8點陣圖的灰度直方圖 時，它使用起來略顯復雜。下面是OpenCV源碼

可以定義函數 calcGrayHist 來計算灰度直方圖，其中輸入參數為8點陣圖，將返回的灰度直方圖存儲為一個1行256列的 Mat 類型。

圖像對比度是通過灰度級范圍來度量的，而灰度級范圍可通過觀察灰度直方圖得到，灰度級范圍越大代表對比度越高；反之，對比度越低，低對比度的圖像在視覺上給人的感覺是看起來不夠清晰，所以通過演算法調整圖像的灰度值，從而調整圖像的對比度是有必要的。最簡單的一種對比度增強方法是通過灰度值的線性變換來實現的。

當a=1，b=0時，O為I的一個副本；如果a>1，則輸出圖像O的對 比度比I 有所增大；如果0<a< 1，則O的對比度比I有所減小。而b值的改變，影響的是輸出圖像的亮度，當b> 0時，亮度增加；當b<0時，亮度減小。

在OpenCV中實現一個常數與矩陣相乘有多種方式。
1、convertTo

註：當輸出矩陣的數據類型是 CV_8U 時， 大於255的值會自動截斷為255

2、矩陣乘法運算

使用乘法運算符「*」， 無論常數是什麼數據類型， 輸出矩陣的數據類型總是和輸入矩陣的數據類型相同，當數據類型是 CV_8U 時，在返回值中將大於255的值自動截斷為255。

3、convertScaleAbs

直方圖正規化是一種自動選取a和b的值的線性變換方法。

利用 minMaxLoc 函數不僅可以計算出矩陣中的最大值和最小值， 而且可以求出最大 值的位置和最小值的位置。 當然，
在使用過程中如果只想得到最大值和最小值， 則將其 他的變數值設為 NULL 即可。

OpenCV提供的函數： normalize()
使用函數 normalize 對圖像進行對比度增強時， 經常令參數 norm_type=NORM_MINMAX ， 和直方圖正規化原理詳解中提到的計算方法是相同的， 參數 alpha 相當於 Omax ， 參數 beta 相當於 Omin 。 注意， 使用 normalize 可以處理多通道矩陣， 分別對每一個通道進行正規化操作。

非線性變換 。

假設輸入圖像為I，寬為W、 高為H，首先將其灰度值歸一化到[0，1]范圍，對於8位 圖來說，除以255即可。 I （r， c） 代表歸一化後的第r行第c列的灰度值， 輸出圖像記為 O， 伽馬變換就是令 O（r， c） =I（r， c） γ ， 0≤r<H， 0≤c< W，

當γ=1時， 圖像不變。 如果圖像整體或者感興趣區域較暗， 則令0< γ< 1可以 增加圖像對比度； 相反， 如果圖像整體或者感興趣區域較亮， 則令γ>1可以降低圖像對比度。

伽馬變換在提升對比度上有比較好的效果， 但是需要手動調節γ值。

全局直方圖均衡化操作是對圖像I進行改變， 使得輸出圖像O的灰度直方圖 hist O 是「平」的， 即每一個灰度級的像素點個數是「相等」的。 注意，其實這里的「相等」不是嚴格意義上的等於， 而是約等於，

上述分別為I和O的累加直方圖

總結，對於直方圖均衡化的實現主要分四個步驟：

OpenCV實現的直方圖均衡化函數 equalize-Hist ， 其使用方法很簡單， 只支持對 8點陣圖 的處理。

雖然全局直方圖均衡化方法對提高對比度很有效，但是均衡化處理以後暗區域的雜訊可能會被放大，變得清晰可 見，而亮區域可能會損失信息。為了解決該問題， 提出了自適應直方圖均衡化（Aptive Histogram Equalization） 方法。

自適應直方圖均衡化首先將圖像劃分為不重疊的區域塊（tiles） ，然後對每一個塊分別進行直方圖均衡化。 顯然， 在沒有雜訊影響的情況下， 每一個小區域的灰度直方圖會被限制在一個小的灰度級范圍內； 但是如果有雜訊， 每一個分割的區域塊執行直方圖均衡化後， 雜訊會被放大。為了避免出現雜訊這種情況， 提出了「限制對比度」（Contrast Limiting） [3]，如果直方圖的bin超過了提前預設好的「限制對比度」， 那麼會被裁減， 然 後將裁剪的部分均勻分布到其他的bin， 這樣就重構了直方圖。

OpenCV提供的函數 createCLAHE 構建指向 CLAHE 對象的指針， 其中默認設置「限制 對比度」為40，塊的大小為8×8。

C. 如何計算RGB數字圖像處理 亮度的亮度值

可以將RGB顏色空間轉為YIQ色彩空間，其中Y是指顏色的明視度，即亮度：Y = 0.299R + 0.587G + 0.114B。

RGB是通過紅綠藍啟隱三原色來描述顏色的顏色空間，R=Red、G=Green、B=Blue。YIQ色彩空間屬於NTSC系統。這里Y是指顏色的明視度，即亮度。其實Y就是圖像灰度值，I和Q都指的是指色調，即描述圖像色彩與飽和度的屬性。

YIQ顏色空間具有能將圖像中的亮度分量分離提悄笑廳取出來的優點，並且YIQ顏色空間與RGB顏色空間之間是線性變換的關系。RGB和YIQ的對應關系的方程式表示：Y = 0.299R + 0.587G + 0.114B。

(3)低亮度圖像增強演算法代碼擴展閱讀：

顏色空間轉換特特點：

1、RGB顏色空間採集到的彩色圖像，一般就是被分成R、G、B的成分加以保存的。然而，自然環境下對亮度比較敏感。而RGB顏色空間的分量與亮度密切相關，即只要亮度升旁改變，3個分量都會隨之相應地改變。所以，RGB顏色空間適合於顯示系統，卻並不適合於圖像處理。

2、HSI變換與RGB變換都是非線性變換，耗時多，無法滿足機器手進行採摘工作的實時性需要。L*a*b*顏色空間可以直接通過使用顏色空間內的幾何距離來做不同顏色之間的比較分析，所以可以有效地、方便地用在測量較小的色差上。但因為是非線性變換，所以計算量比較大。

D. 低亮度圖片增強方法：基於多圖像融合的低亮度圖片增強演算法

這篇博客介紹兩篇基於多圖像融合的低亮度圖片增強演算法：

基於多圖像融合的低亮度質量評價演算法主要考慮融合多幅圖片來進行低亮度圖片的增強。

由Retinex理論：

其中 是亮度分量， 是RGB通道上的反射分量， 是待增強的分量。

首先，使用RGB通道上每個pixel的最大值最為亮度分量的一個估計值。

因為圖像的亮度分量一般是局部光滑的，所以文章中使用了形態學中的閉環操作來進一步估計亮度分量：

公式中除以255是為了將亮度分量限制到了[0,1]，文章中選取了disk作為結構元素。

亮度分量通過guided filter來保持the shape of large contours：

是中心在 上的窗口。

multi_fusion融合了多幅增強的亮度分量：

最後，權重由以下公式表示：

文章中首先將各個亮度分量 通過Laplacian金字塔分解為多個尺度上特徵圖，將權重 使用高斯金字塔光滑過度的部分。

將第 金字塔層的圖像進行融合：

融合多個金字塔層的圖像：

其中 是上采樣操作。

最後增強的圖片由下式得到：

EFF考慮融合同一場景下不同曝光程度的圖片來增強低亮度圖片。

為了得到完美曝光的圖片，Exposure Fusion框架融合了不同曝光的圖片：

其中 是各個顏色通道上的不同曝光率下的圖片， 為對應的權重。

由之前基於相機響應模型的低亮度圖片增強演算法，我們可以得到同一場景下，不同曝光率的圖片間的轉換公式：

在這篇文章中，作者只考慮了兩種曝光率的圖片，第一種是低亮度下的圖片，另一種是低亮度下的圖片使用曝光增強後的圖片。

由於需要將曝光完好的像素賦予更大的權重，所以文章中使用圖片的亮度分量作為權重：

其中 用來調節增強的程度

對於亮度分量的求解可參考原文或是之前介紹基於相機響應模型的低亮度圖片增強演算法的博客。

與之前介紹基於相機響應模型的低亮度圖片增強演算法的博客中一致：

文章中首先排除了原圖中曝光較好的像素點：

其中 只包含了曝光不足的像素點。

的亮度部分定義為：

則對於曝光率增強後的亮度分量有：

將曝光不足的像素點轉化為曝光正常的像素點後，可以提供的信息應該變大，所以，這里使用了圖片墒最大化來求解曝光比：

則由

可得到增強後的圖片。

https://xueyangfu.github.io/projects/sp2016.html
https://t.github.io/OpenCE/caip2017.html

E. 低亮度圖片增強方法：基於保持圖像自然度的低亮度圖片增強演算法

這篇博客介紹一篇基於保持圖像自然度的低亮度圖片增強演算法：

這篇文章主要主要有以下三個方面的工作：

作者提出用相對亮度順序（the relative lightness order）來衡量圖像的自然程度。相對亮度順序可以用來表示光照的方向和光照的變化程度。

文章中定義了LOE來衡量增強圖片 和 之間的亮度順序差：

其中 為RGB channel中的最大值。

對於每個pixel ，其在原圖和增強圖中的相對的亮度順序差定義為：

其中 為異或操作。

最後，LOE定義為：

文中首先選擇了五個pixel的四連接域作為領域范圍：

對於在位置 的值 ， 表示領域內值為 的數量， 表示值為 和領域內值為 的數量在圖片中所有位置的數量之和：

為了減少雜訊的影響，使用局部的均值進行處理：

Bright-Pass Filter定義為：

其中 為局部的一個patch，文中是用 ，權重 定義為：

由Retinex理論，

其中 為每個channel的反射分量， 為亮度分量：

亮度分量可有Bright-Pass Filter獲得：

反射分量可由下式獲得：

文中使用了直方圖規范化的方法進行亮度分量的增強。文中使用了對數變換：

但文中表示對數變換會使所有圖像的亮度變得非常相似，作者根據輸入圖片的灰度值分布，適當地增加了低灰度值的數量，所以，新的加權的直方圖分布為：

直方圖的累積分布為：

經過CDF of the specified histogram後的直方圖， 為：

然後求解 :

最後，增強後的圖片為：

http://blog.sina.com.cn/u/2694868761