該方法由NarendraPM等人在《Real-Time Adaptive Contrast Enhancement》中提到,屬於自適應對比度增強(ACE)算法。
ACE算法採用了反銳化掩模技術,解釋如下:首先圖像被分成兩個部分。一是低頻的反銳化掩模(unsharp mask)部分,可以通過圖像的低通濾波(平滑,模糊技術)獲得。二是高頻成分,可以過原圖減去反銳化掩模獲取。然後高頻部分被放大(放大係數即爲對比度增益CG)並加入到反銳化掩模中去,最後得到增強的圖像。ACE算法的核心就是如何計算CG。
unsharp mask對應於圖像的低頻成分。對於具體的像素,一般可以通過計算以該像素爲中心的局部區域的像素平均值來實現。假定x(i,j)是圖像中某點的灰度值,局部區域的定義爲:以(i,j)爲中心,窗口大小爲(2n+1)*(2n+1)的區域,其中n爲一個整數。局部的平均值,也就是低頻部分,可以用下式計算:
而局部方差爲:
上式中σx(i,j)就是所謂的局部標準差(LSD)。定義f(i,j)表示x(i,j)對應的增強後的像素值。則ACE算法可以表示如下:
其中的函數G(i,j)就是上文所講的CG。
一般情況下CG總是大於1的,這樣高頻成分得到增強。
關於CG的取值,一種最簡單的方式就是令其爲常量,假定爲C,一般C>1,式(3)變爲:
這種情況下,圖像中所有的高頻部分都被同等放大,可能有些高頻部分會出現過增強的現象的。
一種解決的方案就是使用不同的增益。Lee等人提出瞭如下的方案:
上式中,D是常數,所以CG是空間自適應的,並且和局部均方差成反比,在圖像的邊緣或者其他變化劇烈的地方,局部均方差比較大,因此CG的值比較小,這樣就不會產生振鈴效應。然而,在平滑的區域,局部均方差就會很小,這樣CG的值比較大,從而引起了噪音的放大,所以對CG的最大值做一定的限制能獲得更好的效果。
參考: