[发明专利]一种基于学习的对比度受限自适应直方图均衡方法

说明书

技术领域

本发明涉及一种图像增强处理方法，特别是一种基于学习的对比度受限自适应直方图均衡方法。

背景技术

图像增强是图像增强领域中最常用、最重要的技术之一，其将原来不清晰的图像变得清晰或强调某些关注的特征，抑制非关注的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法，是图像处理的最基本的方法，它往往是各种图像在进行分析与处理时必须的预处理操作;图像增强的目的是通过对图像进行调整，来改善图像视觉效果。

图像对比度增强的方法可以分成两类:一类是直接对比度增强方法，另一类是间接对比度增强方法。直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法:直方图拉伸是通过对比度拉伸对直方图进行调整，从而“扩大”前景和背景灰度的差别，以达到增强对比度的目的，这种方法可以利用线性或非线性的方法来实现;直方图均衡化则通过使用累积函数对灰度值进行调整以实现对比度的增强。

直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法，这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候，通过这种方法，亮度可以更好地在直方图上分布，这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。

累积直方图均衡化(CDF):通过原始图像灰度值分布直方图的累积分布函数计算累积分布直方图。累积的计算公式如下:

S′=∫0rpr(w)dw]]>

其中，S′表示处理后图像的灰度值，p_r(w)表示原始图像灰度级的概率密度函数;由于CDF是针对整个图像进行处理，将占灰度级比较少的纹理细节像素点合并到一个灰度级，并且将背景噪声放大。

自适应直方图均衡化(AHE):其通过将图像划分为多个子区域，对每个子区域进行CDF灰度拉伸，并且针对区域效应进行权重线性插值，解决了CDF的问题，但是它也同样会放大噪声。

对比度受限的自适应直方图均衡化(CLAHE):在AHE的基础上CLAHE限制对比度的范围，可以有效地控制放大噪声，但是它是对所有区域都采用同样的对比度限制范围，当原始图像存在很亮和很暗的区域时，如果让暗区域和亮区域的对比度和亮度被提高到合理的值，就会造成亮区域被过分处理，而且对细节的保留也不好，会造成失真。

发明内容

本发明为解决上述问题，提供了一种处理快速并且效果显著的基于学习的对比度受限自适应直方图均衡方法，可防止过度放大细节丢失的过暗部分带来的失真，使得在图像美化过程中又不失其真实感。

为实现上述目的，本发明采用的技术方案为:

一种基于学习的对比度受限自适应直方图均衡方法，其特征在于，包括以下步骤:

步骤1.进行参数的学习训练:

1.1.收集多张训练图像，将每张训练图像分割为若干子块，以子块的灰度均值为特征统计整个训练图像灰度值的均值和方差，以均值和方差作为该训练图像的特征参数采用聚类算法将训练图像进行自动分类，得到分类模型，每一类训练图像的灰度值具有相似的均值和方差;

1.2.根据训练图像类别为每一类图像预设最优经验参数，包括水平和竖直网格数，直方图裁剪幅度和直方图数量;

步骤2.接收输入图像，将输入图像分割为若干子块，以子块的灰度均值为单位统计整个输入图像灰度值的均值和方差，并根据步骤1.1所述的聚类算法得到的分类模型自动对输入图像进行分类，并对各输入图像类别选取步骤1.2所述的预设最优经验参数;

步骤3.根据选取的最优水平和竖直网格数、最优直方图裁剪幅度、最优直方图数量，为每个子块设置自适应的参数值:

3.1.计算每个子块灰度值的均值、最大值、最小值，并以子块的灰度均值为特征统计整个输入图像的灰度值的均值;

3.2.依据所述子块的均值与所述整个输入图像的均值的差异幅度设置子块自适应的裁剪幅度范围;