●该灰度级像素点数+多余像素点平均值avgBinIncr;
●并在超过限制函数的总像素点数totalExcess中减去该平均值。
5)对直方图进行均衡
3.2仿真结果
图2
由上图的仿真结果可以看出来,限制对比度的直方图均衡得到的图片细节更加的突出,没有过亮或过暗的情况出现,弥补了图像直方图均衡在处理低灰度层密集分布的图像时,不能有效增加图像动态范围与对比度的缺陷.该算法与直方图匹配算法相比,算法简单,计算量小,对图像处理系统要求低,容易实现.在图像实时处理领域中可以使用该算法来取代直方图匹配算法,以实现图像直方图均衡的处理。
4.总结
通过这次的数字图像处理学习,我也更好的理解了什么是数字图像处理,并且也学到了很多图像处理的相关知识,包括图像增强、图像切割、图像变换、图像编码、图像分析等好多的知识,并通过本次的实验也熟悉了MATLAB的编程和软件的操作,并且了解了上述三种算法的过程与优劣并且自己仿真,所以说还是收益颇丰的。
5.附录
下面这部分是所涉及到的英文文献的粗略翻译与文章的程序
ANovelApproachforImageEnhancementbyUsingContrastLimitedAdaptiveHistogramEqualizationMethod(一种通过运用对比度受限自适应直方图均衡方法的图像增强方法)
摘要
一个图像增强的新方法通过运用对比度受限的自适应直方图均衡方法将铲射给一个好的对比度图像如医学图像。
在本文中,我们提出了一个新的图像增强方式通过运用对比度首先的自适应直方图均衡的方法。
我们提出了一个自适应直方图均衡方法总体的框架。
我们将通过对比其他的对比度增强方法来证明本方法的有效性。
索引词汇:
、、、、、
介绍
图像增强的目的是产生一个重要的步骤在图像处理中,这个步骤是通过编辑原始的图像来观测到更多的图像对比度在一个特定的应用领域中。
对比度增强技术将会在图像处理应用中扮演重要的角色,如移动图像,数字照片,分析医疗图像,遥感,和各种图形科学中。
所有的图像会由几点因素产生不好的对比度,因为运用不好质量的成像设备或者光线和环境所以我们的提出了一个新的对比度增强技术意在消除这些问题。
不同的对比度增强技术被用在提高图像的对比度如直方图均衡,直方图修正,贪婪算法,自适应直方图均衡等等。
本文提出了一个新的一个基于对比度受限自适应直方图均衡的直方图均衡方法。
退出对比度增强方法
现在有很多的对比度增强技术可使用在不清晰图像上,所以我们先讨论下面几中对比度增强技术
直方图均衡
直方图均衡的目的是分配一个图像的灰度级,从而使没给灰度级的发生概率近乎相等。
直方图均衡将会增加亮度和一幅暗的和低对比度图像的对比度。
使原始图像中观察到的特征不可见。
它还用来规范图像的亮度和对比度,直方图均衡进程是找到一个映射函数来映射,图像输入直方图函数和使分布式输出直方图函数相一致。
直方图均衡化还被用在生物神经网络上来是神经元输出功率达到最大做为输入统计函数。
这已经在flyretina中被证明了。
直方图均衡化是在更一般的直方图映射方法中较为特别的。
这些方法是通过调整图像来时期更容易被分析和增强其显示质量。
B)直方图平滑
为了避免尖峰带来的强烈的排斥固定点问题一个平滑度约束可以完成这个目标。
直方图的向后方差被用来确保其平滑度。
平滑可以修改直方图是其尖峰更少因为他们在直方图中基本上都是突然变化的。
C)自适应直方图均衡
普通的直方图均衡运用的是从图像直方图之得到的一样的变换源来去变换所有得像素。
这个在像素值分布相似的图像中可以工作的很好。
然而,当图像包含区域比大部分图像部分更暗或更亮时,这些区域的对比度将得不到足够的增强。
自适应直方图均衡可以通过运用来自于临近区域的变换函数来变换每一个像素值来改善这一点。
它的首次开发是运用在飞机驾驶舱显示器中。
当图像区域包含的一个像素的临域是相当均匀的,它的直方图将会特别的尖锐,转移函数将只会映射整个结果图像中的一个狭窄域的像素值。
这导致了自适应直方图均衡过于放大了很大程度上同质的的图像上的少量信号。
这个方法被用来增强图像的对比度。
它通过自适应的方式改变了直方图均衡化而这种方法是通过计算几个直方图来完成的,每个直方图对应着一个图像的不同区域,从而重新分配图像的亮度值。
因此它便于增减图像的局部对比度和显示更多的细节。
3提出的算法
(a对比度受限的自适应直方图均衡
一个提出算法为了医学图像特别的开发出来它提供了很好的图像增强相比于原始图像。
CLAHE算法把图像分割成些相关区域然后对没个区域进行直方图均衡化。
这些事件产生了使用过的灰度值并重新分配因此可以使图像隐藏的特征更加的可见。
CLAHE是AHE的改进算法。
我们运用上述提到的算法来去增强图像,直方图均衡化,直方图平滑,自适应直方图均衡化和加强了的对比度首先的自适应直方图均衡化。
这些提到的加强技术馋了的如图一的结果,第一次测试结果的可视化表示(乳房肿瘤)。
从观察到的可视化结果分析所有的算法都能够加强其对比度但是我们提到的算法中对比度受限的自适应直方图可以更准切的显示出图像。
(3
对于图像质量来说人类的视觉不被认为是基准,所以估计上述提到的算法的质量指标已经被计算出来了通过对比原始图像和输出图像。
下图2表示了直方图增强图像等级的映射。
为了评价上述提到的图像技术增强方法产生了更好的增强图像。
表1揭示了CLAHE对比与其他算法的效果。
得出的结果再次更好的揭示了这些增强算法的优劣。
其它的算法也产生了不错的图像增强,但是还是没有CLAHE好。
算法步骤
获得输入:
制定行和列的数量然后设定限幅界限和用于直方图的统计特征数量(bin)用于构建对比度增强的转换。
更高的数值引起更大的动态范围代价是处理速度变慢。
对比度增强技术的限幅界限是从0到1来限制对比度增强。
更高的数值可以得到更高的对比度。
处理输入:
制定限幅界限为归一化值如果必要的话,在图像分裂成区域前补充图像(padtheimagebeforesplittingitintoregions)
对比每一个过程行和列区域(瓦)从而产生灰度映射值做一个此区域的直方图并用制定的数量的统计特征数量(bin)用限幅界限来限制此直方图,对比度限制程序(由变换公式推出)必须使用与每一个临近区。
CLAHE为了防止噪声过度的被放大自适应直方图均衡可以解决它。
差值允许效率的显著提高而不影响结果的质量
上图4代表的是运用对比度受限自适应直方图均衡时不同限幅界限所产生的图。
CLAHE的限幅界限归一化从0到1.更高的数值产生更大的对比度。
表1.1代表了不同限幅界限时对比度水平。
四结论
在此文中,对比度受限的自适应直方图均衡已经运用于乳房癌症图像的对比度增强。
对比与现在已经提出的流行的的方法直方图均衡,直方图平滑,自适应直方图均衡他它已经被证可以得到更好的结果了。
下面是仿真程序和参考程序
直方图均衡:
1.
i1=imread('f:
\1\1.jpg');
i2=rgb2gray(i1);
figure;
subplot(131);imshow(i1);title('原图');
subplot(132);imshow(i2);title('灰度图');
subplot(133);imhist(i2);title('原图直方图');
i3=histeq(i2);
figure;
subplot(221);imshow(i2);title('a灰度图');
subplot(222);imshow(i3);title('b直方图均衡后的图');
subplot(223);imhist(i2);title('c原图直方图');
subplot(224);imhist(i3);title('d直方图均衡后直方图');
2.
%zhifangtuqunhenghua
clear;
x1=imread('1.tif');
[m,n]=size(x1);
x2=double(x1);
lenna=zeros(m,n);
lenna_equ=zeros(n,n);
histgram=zeros(256);
cdf=zeros(256);
[lenna,map]=imread('1.tif');
%gethistogram
fori=1:
m
forj=1:
n
k=lenna(i,j);
histgram(k)=histgram(k)+1;
end
end
%getcdf
cdf
(1)=histgram
(1);
fori=2:
256
cdf(i)=cdf(i-1)+histgram(i);
end
%runpointoperation
fori=1:
m
forj=1:
n
k=lenna(i,j);
lenna_equ(i,j)=cdf(k)*256/(m*n);
end
end
%生成直方图均衡化后的lenna图
g=mat2gray(lenna_equ);
figure;
subplot(2,2,1);imshow(lenna);
subplot(2,2,2);imhist(lenna);
ylim('auto');
subplot(2,2,3);imshow(g);
subplot(2,2,4);imhist(g);
ylim('auto')
f=imread('1.tif');
figture;
subplot(2,2,1);imshow(f);
title('theorignalimage');
subplot(2,2,2);imhist(f);
ylim('auto');
g=histeq(f,256);
subplot(2,2,3);imshow(g);
title('imageafterequalization')
subplot(2,2,4);imhist(g);
ylim('auto');
%zhifangtupipeichengxu
I=imread('pout.tif');
Ieq=histeq(I);
[c,x]=imhist(Ieq);
I1=imread('tire.tif');
J=histeq(I1,c);
subplot(2,2,1);
imshow(I);
title('ImageA');
subplot(2,2,2);
imshow(Ieq);
title('ImageAafterEqualization');
subplot(2,2,3);
imshow(I1);
title('ImageB');
subplot(2,2,4);
imshow(J);
title('ImageBafterMatching');
受限的自适应直方图均衡
1.
oimg=imread('f:
\1\1.jpg');
oimg1=rgb2gray(oimg);
i3=adapthisteq(oimg1);
i4=histeq(oimg1);
figure;
subplot(131);imshow(oimg1);title('a灰度图');
subplot(132);imshow(i4);title('b直方图均衡');
subplot(133);imshow(i3);title('c限制对比度的直方图均衡');
2.
function[CEImage]=runCLAHE(Image,Min,Max,NrX,NrY,NrBins,Cliplimit)
%"ContrastLimitedAdaptiveHistogramEqualization"
%byKarelZuiderveld
%TheprogramwasreproducedbyAlirezaSaberiinApril2010
%ThesefunctionsimplementContrastLimitedAdaptiveHistogramEqualization.
%Themainroutine(CLAHE)expectsaninputimagethatisstoredcontiguouslyin
%memory;theCLAHEoutputimageoverwritestheoriginalinputimageandhasthe
%sameminimumandmaximumvalues(whichmustbeprovidedbytheuser).
%ThisimplementationassumesthattheX-andYimageresolutionsareaninteger
%multipleoftheX-andYsizesofthecontextualregions.Acheckonvariousother
%errorconditionsisperformed.
%
%
%Image-Theinput/outputimage
%XRes-ImageresolutionintheXdirection
%YRes-ImageresolutionintheYdirection
%Min-Minimumgreyvalueofinputimage(alsobecomesminimumofoutputimage)
%Max-Ma