OpenCV—python 自动色彩均衡(ACE)

OpenCV/python 同时被 2 个专栏收录
83 篇文章 21 订阅
98 篇文章 9 订阅

一、ACE算法理论

图像对比度增强的算法在很多场合都有用处,特别是在医学图像中,这是因为在众多疾病的诊断中,医学图像的视觉检查时很有必要的。医学图像由于本身及成像条件的限制,图像的对比度很低。因此,在这个方面已经开展了很多的研究。这种增强算法一般都遵循一定的视觉原则。众所周知,人眼对高频信号(边缘处等)比较敏感。虽然细节信息往往是高频信号,但是他们时常嵌入在大量的低频背景信号中,从而使得其视觉可见性降低。因此适当的提高高频部分能够提高视觉效果并有利于诊断。

ACE在图像处理方面可以有两种,
一种是:Automatic Color Equalization,即自动彩色均衡。【论文与代码】
一种是:Adaptive Contrast Enhancement,即自适应对比度增强

高动态范围图像是指在一幅图像中,既有明亮的区域又有阴影区域,为了使细节清晰,需要满足以下几点:

  1. 对动态范围具有一定的压缩能力;
  2. 对亮暗区域的细节有一定的显示能力;
  3. 满足上面条件基础上不破坏图像的清晰度。

对于高动态范围处理,基于人眼视觉系统(HSV)在颜色连续和亮度连续方面得到较好的满足。该算法考虑了图像中颜色和亮度的空间位置关系,进行局部的自适应滤波,实现具有局部和非线性特征的图像亮度,色彩与对比度调整,同时满足灰度世界理论和白斑点假设。

算法原理
Rizzi等依据Retinex理论提出了自动颜色均衡算法,该算法考虑了图像中颜色和亮度的空间位置关系,进行局部特性的自适应滤波,实现具有局部和非线性特征的图像亮度与色彩调整和对比度调整,同时满足灰色世界理论假设和白色斑点假设。

1.1 ACE算法
  1. 获得空域重构图像
    对图像进行色彩/空域调整,完成图像的色差矫正,得到空域重构图像:

R c = ∑ j ∈ s u b s e t , j ≠ p r ( I c ( p ) − I c ( j ) ) d ( p , j ) (1) R_c = \sum_{j\in subset,j \neq p }\frac{r(I_c(p) - I_c(j))}{d(p,j)} \tag{1} Rc=jsubset,j=pd(p,j)r(Ic(p)Ic(j))(1)

  1. 其中 R c ( p ) Rc(p) Rc(p)是中间结果, I c ( p ) − I c ( j ) I_c(p) - I_c(j) Ic(p)Ic(j)为2个点的亮度差, d ( p , j ) d(p,j) d(p,j) 表示距离度量函数, r ( ∗ ) r(∗) r() 为亮度表现函数,需要是奇函数,这一步可以适应局部图像对比度, r ( ∗ ) r(∗) r() 可以放大较小的差异,并丰富大的差异,根据局部内容扩展或者压缩动态范围。一般的, r ( ∗ ) r(∗) r() 为:
    r ( x ) = { 1 x < − T x / T − T ⩽ x ⩽ T − 1 x > T r(x) = \left\{\begin{matrix} 1 & x<-T\\ x/T & -T \leqslant x \leqslant T\\ -1 & x>T \end{matrix}\right. r(x)=1x/T1x<TTxTx>T

  2. 对校正后的图像进行动态扩展。ACE算法是对单一色道进行的,对于彩色图片需要对每一个色道分别处理。一种简单的线性扩展可以表示为:
    O c ( p ) = r o u n d [ 127.5 + s c R c ( p ) ] (2) O_c(p) = round[127.5+s_cR_c(p)] \tag{2} Oc(p)=round[127.5+scRc(p)](2)
    其中: s c s_c sc斜率为: [ ( m c , 0 ) , ( m c , 255 ) ] [(m_c,0),(m_c,255)] [(mc,0),(mc,255)] M c = max ⁡ p [ R c ( p ) ] , m c = min ⁡ p [ R c ( p ) ] M_c = \max_{p}[R_c(p)],m_c = \min_{p}[R_c(p)] Mc=maxp[Rc(p)]mc=minp[Rc(p)]

    还可以将其映射到 [ 0 , 255 ] [0,255] [0,255]的空间中:
    L ( x ) = R ( x ) − min ⁡ R max ⁡ R − min ⁡ R L(x) = \frac{R(x) - \min R}{ \max R - \min R} L(x)=maxRminRR(x)minR

自动彩色均衡算法改进:
式(1)算法复杂度较高,对于一副像素数为N的图像,需要执行O(N2)级次非线性映射计算,图像尺寸越大,耗时越多,所以针对式(1)产生了许多加速改进算法。例如:LLLUT加速策略,使用快速傅里叶变换替换卷积,将ACE转换为对规范直方图均衡化的一种平滑和局部修正的方法,并给出了求解最优模型:
a r g min ⁡ I 1 2 ∑ x ( I ( x ) − 1 2 ) 2 − 1 4 M ∑ x ∑ y ≠ x ω ( x , y ) S α ( I ( x ) − I ( y ) ) arg \min_I\frac{1}{2}\sum_{x}(I(x)-\frac{1}{2})^2 -\frac{1}{4M}\sum_x\sum_{y\neq x}\omega(x,y)S\alpha (I(x)-I(y)) argImin21x(I(x)21)24M1xy=xω(x,y)Sα(I(x)I(y))

其中:
S α ′ = s α S_{\alpha }' = s_\alpha Sα=sα
ω = 1 / ∣ ∣ x − y ∣ ∣ \omega =1/||x-y|| ω=1/xy
M = max ⁡ x R ( x ) M = \max_xR(x) M=maxxR(x)

对于改进方法,可以考虑的因素:

  1. 其他的坡度函数 S α S \alpha Sα,多项式函数逼近;
  2. 除了 1 / ∣ ∣ x − y ∣ ∣ 1/||x-y|| 1/xy 外的权重函数的选择;
  3. 在求和的过程中,y 可以限制在一个小窗口中;
  4. L ( x ) L(x) L(x) 的一些其他的方法;

多项式逼近展示:
在这里插入图片描述

二、快速ACE算法

2.1 原理

ACE的增强效果普遍与retinex好。需要注意的是,ACE中当前像素是与整个图像的其他像素做差分比较,计算复杂度非常非常高,这也是限制它应用的最主要原因。
本文主要基于两个假设:
(1)对一副图像ACE增强后得到输出Y,如果对Y再进行一次ACE增强,输出仍然是Y本身;
(2)对一副图像的ACE增强结果进行尺寸缩放得到Y,对Y进行ACE增强,输出仍然是Y本身。

如果上面假设成立,我们就可以对图像进行缩放得到 I 1 I_1 I1,对 I 1 I_1 I1 的ACE增强结果进行尺度放大(与I尺寸一样)得到 Y 1 Y_1 Y1,那么 Y Y Y Y 1 Y_1 Y1 是非常接近的,我们只需要在Y1基础上进一步处理即可。
这里就又引申了两个细节问题:

  1. 如何快速的求 I 1 I_1 I1 的ACE增强结果?
    其实很简单,对它再次缩放得到 I 2 I_2 I2 ,求 I 2 I_2 I2 的增强结果,依次类推,就是金字塔结构思想。
  2. 如何在 Y 1 Y_1 Y1 基础上进一步处理得到 Y Y Y
    因为是在整个图像域进行差分比较运算,与近处邻域像素的比较构成了 Y Y Y的细节信息,与远处像素的比较构成了 Y Y Y的全局背景信息,那么我们合理假设, Y Y Y Y 1 Y_1 Y1的全局背景信息相同,只更新细节信息即可,也就是,我们需要在 Y 1 Y_1 Y1基础上加上 I I I 中邻近像素的差分结果,并减去 Y 1 Y_1 Y1中邻近像素的差分结果就是最终的输出 Y Y Y

为叙述方便,这里假设后面的图像都是归一化到 [0,1] 之间的浮点数图像。
ACE算法的计算公式为:
Y = ∑ g ( I ( x 0 ) − I ( x ) ) ∑ w ( x 0 , x ) Y = \frac{ \sum g(I(x_0)-I(x))}{\sum w(x_0,x)} Y=w(x0,x)g(I(x0)I(x))

其中:
x ∈ I x\in I xI
w w w是权重参数,离中心点像素越远w值越小,可以直接取值欧氏距离。
g ( ) g() g()是相对对比度调节参数,非线性的,简单取如下计算方法:
g ( x ) = max ⁡ ( min ⁡ ( a x , 1.0 ) , − 1.0 ) g(x) = \max(\min(ax, 1.0), -1.0) g(x)=max(min(ax,1.0),1.0)
a是控制参数,值越大,细节增强越明显。计算完后,还要对Y进行一次归一化即可得到最终的增强图像。
2.2 代码演示
import cv2
import numpy as np
import math
 
def stretchImage(data, s=0.005, bins = 2000):    #线性拉伸,去掉最大最小0.5%的像素值,然后线性拉伸至[0,1]
    ht = np.histogram(data, bins);
    d = np.cumsum(ht[0])/float(data.size)
    lmin = 0; lmax=bins-1
    while lmin<bins:
        if d[lmin]>=s:
            break
        lmin+=1
    while lmax>=0:
        if d[lmax]<=1-s:
            break
        lmax-=1
    return np.clip((data-ht[1][lmin])/(ht[1][lmax]-ht[1][lmin]), 0,1)
 
g_para = {}
def getPara(radius = 5):                        #根据半径计算权重参数矩阵
    global g_para
    m = g_para.get(radius, None)
    if m is not None:
        return m
    size = radius*2+1
    m = np.zeros((size, size))
    for h in range(-radius, radius+1):
        for w in range(-radius, radius+1):
            if h==0 and w==0:
                continue
            m[radius+h, radius+w] = 1.0/math.sqrt(h**2+w**2)
    m /= m.sum()
    g_para[radius] = m
    return m
 
def zmIce(I, ratio=4, radius=300):                     #常规的ACE实现
    para = getPara(radius)
    height,width = I.shape
    zh,zw = [0]*radius + range(height) + [height-1]*radius, [0]*radius + range(width)  + [width -1]*radius
    Z = I[np.ix_(zh, zw)]
    res = np.zeros(I.shape)
    for h in range(radius*2+1):
        for w in range(radius*2+1):
            if para[h][w] == 0:
                continue
            res += (para[h][w] * np.clip((I-Z[h:h+height, w:w+width])*ratio, -1, 1))
    return res
 
def zmIceFast(I, ratio, radius):                #单通道ACE快速增强实现
    height, width = I.shape[:2]
    if min(height, width) <=2:
        return np.zeros(I.shape)+0.5
    Rs = cv2.resize(I, ((width+1)/2, (height+1)/2))
    Rf = zmIceFast(Rs, ratio, radius)             #递归调用
    Rf = cv2.resize(Rf, (width, height))
    Rs = cv2.resize(Rs, (width, height))
 
    return Rf+zmIce(I,ratio, radius)-zmIce(Rs,ratio,radius)    
            
def zmIceColor(I, ratio=4, radius=3):               #rgb三通道分别增强,ratio是对比度增强因子,radius是卷积模板半径
    res = np.zeros(I.shape)
    for k in range(3):
        res[:,:,k] = stretchImage(zmIceFast(I[:,:,k], ratio, radius))
    return res
 
if __name__ == '__main__':
    m = zmIceColor(cv2.imread('p4.bmp')/255.0)*255
    cv2.imwrite('zmIce.jpg', m)

鸣谢
文献地址:https://www.researchgate.net/publication/253622155_Real-Time_Adaptive_Contrast_Enhancement_For_Imaging_Sensors
C++:https://blog.csdn.net/weixin_45709330/article/details/104447450
论文与源码:http://www.ipol.im/pub/art/2012/g-ace/
https://blog.csdn.net/zmshy2128/article/details/53470357#comments
https://www.cnblogs.com/Imageshop
https://blog.csdn.net/weixin_45709330/article/details/104447336

  • 0
    点赞
  • 3
    评论
  • 7
    收藏
  • 一键三连
    一键三连
  • 扫一扫,分享海报

相关推荐
©️2020 CSDN 皮肤主题: 1024 设计师:白松林 返回首页
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值