-
如果设备性能较差,或照明条件不理想,数字图像的对比度往往很低。低对比度的图像看起来非常模糊,不能充分展示图像的细节,因此研究人员提出了各种算法来提升这些图像的视觉效果。
对比度增强技术大致可分为直接增强和间接增强两类。文献[1]是比较典型的直接增强算法,通过应用各种非线性函数[2]或求解优化问题[3]来改进图像对比度。这些增强效果是通过人眼视觉系统(human visual system, HVS)来衡量,如Weber-Fechner定律或Retinex理论[4]等。此方法在图像细节增强和动态范围压缩方面有一些优势,但计算复杂度较高,并导致了“晕”伪影,特别是在强边缘[5]周围,“晕”伪影尤其明显。尽管近几年提出的直接方法,缓解了这些问题,但仍然缺少能够兼顾高图像对比度和实时计算效率的算法。因此,基于全局变换函数的间接方法有着更为广泛的应用。
在间接方法方面,直方图均衡化(histogram equalization, HE)是最具代表性的方法之一。当图像直方图中出现高峰值时,会产生视觉伪影,如噪声放大、轮廓化或显著的亮度变化等。为了缓解这些问题,基于HE的方法对图像直方图进行修改,使其峰值衰减,然后由修改后的直方图得到变换函数。如文献[6]通过求解双准则优化问题,将图像直方图与均匀分布相结合;文献[7]使用归一化幂律函数,平滑图像直方图中的峰值。由于间接方法能够将增强后图像的平均亮度转移到中等灰度级别,因此将图像直方图分割成多个子直方图,并对每个子直方图分别进行HE处理[8]。为了保留细节,文献[9]提出了利用二维(2D)直方图均衡化的间接方法,模糊上下文信息来构建图像直方图,赋予纹理区域的像素更高的权重。与其他间接方法相比,此方法具有更好的对比度增强性能和更少的信息损失。
以上这些方法在低照度的情况下,对图像的处理能力较差,难以达到理想的效果。这主要是因为在低照度情况下,人眼对图像处理的方式与正常照度下的模式不同。为此,本文首先引入了一种新的基于人类亮度感知的评价对比敏感度的S型函数。由于人类视网膜的对比敏感度随着亮度(取对数)的增加呈指数级下降,因此将对比敏感度建模为对数参数的指数函数。利用对比灵敏度模型,通过修改Steven幂律的指数,导出S型函数。此外,本文还提出了一种参数优化方法,在保持输入图像的平均亮度和扩展图像的直方图的同时使信息损失最小化。
-
通过取3个数据集[20]的550个测试图像,对比本文方法——基于灵敏度的S型曲线模型(image contrast enhancement algorithm with S-type function based on human visual system, ICEA)和其他方法。如加权自适应直方图均衡化(weighted adaptive histogram equalizatio, WAHE)、上下文和变分对比(contextual and variational contrast, CVC)[14]、分层差异表示、自适应图像灰度校正(adaptive gamma correction, AGC)[18]、模糊背景对比度增强(fuzzy-contextual contrast enhancemen, FCCE)[21]、两个S型函数的方法[16-17]和其他一些有代表性的直接方法[22-24]。为保证验证的公平性,所有算法都使用Intel i5-3550 3.30 GHz CPU和16 GB RAM的台式机测试每个数据集的平均处理时间,使用python进行效果模拟,并且python的版本和其他依赖库的版本都统一。
为了确定参数α的最优值,首先在Berkeley图像数据集上测试了本文方法,将λ从0改变为0.05,每一步的变化为0.001,如图3所示。当λ较大时,本文方法在像素区分数上有很大的改善,但在DE分数上的细节损失较大。为了实现更好的增强像素区分数,同时防止细节丢失,设λ=0.015。首先将图像转换到HSV颜色空间,以防止颜色失真,对亮度通道V进行处理,H和S通道保持不变。
为了进行客观评估,本文采用了对比度增强(enhancement measure evaluation, EME)[2]、绝对平均亮度误差(absolute mean brightness error, AMBE)[25]、梯度大小相似度偏差(gradient magnitude similarity deviation, GMSD)[26]和离散熵(discrete entropy, DE)措施。
首先,使用EME测量基于Weber算法的图像平均对比度,越大说明图像整体的对比度越好。对于EME,将增强后的图像X划分为N个子块Xi,j,其大小固定相同,W为横向子块的个数,H为纵向子块的个数,计算每个子块的灰度最大值与最小值之比。然后计算平均比例作为最终得分。EME为:
式中,max(xi,j)和min(xi,j)分别是子块xi,j中像素强度的最大值和最小值。δ设定为0.000 1,目的是为了避免除零操作;每个子块的大小为8×8。
其次,测量输入图像和增强图像之间的平均像素强度的绝对差值为:
式中,Y是输入图像;X是增强后的图像;其他参数如之前所述。AMBE评分越低,说明相应的增强方法有效地保持了输入图像的平均亮度,增强后的图像更好地还原了原始图像的整体亮度特性,对人眼有更好的适应性。
再使用GMSD计算输入图像和增强图像之间像素的梯度相似度,然后测量整体梯度相似度的标准差作为最终得分。GMSD得分越低,说明输入图像与增强图像之间的图像失真越小:
式中,GMS(i)为第i个子块的梯度幅值相似性;GMSD是全部局域梯度场的平均处理结果。
最后,使用DE评估图像中的信息量。DE值高表示图像包含更多信息。由于信息处理不等式的存在,利用全局变换函数生成的输出图像的DE不能高于输入图像。
总的来说,直接算法整体比间接算法在人眼观测的效果上更好,特别是在对细节信息的保留上有更好的表现。其中LDR等间接算法在极大地增强细节的同时会产生光晕的效果。在图像中对比度较强的区域,颜色过于鲜艳,影响图像的整体效果。
表1~表3为依据文献[20]的3个数据集,对常见图像处理算法进行分项指标计算的实验结果。结果表明,本文算法表现出了一定的优势。根据EME结果,LSCN和本文方法在各个类别中表现出了最好的性能,避免了AMBE和GMSD评分中显示的平均亮度变化和图像失真。但是,LSCN会导致GMSD分数中明显的图像失真,需要更高的计算复杂度。此外,RSIE的性能与本文方法相当,但计算复杂度高出约50倍。
Categories Algorithms EME AMBE GMSD DE Processing time/ms Direct Methods NPEA[22] 11.50 27.34 0.0434 7.1029 9631.2 LSCN[23] 77.56 14.89 0.0987 6.4856 6069.3 RSIE[24] 24.10 5.87 0.0252 7.4942 302.4 Indirect Methods WAHE[27] 15.83 5.98 0.0385 7.1203 5.4 CVC[14] 22.32 8.15 0.0324 7.1104 103.5 LDR[28] 24.34 8.65 0.0285 7.1601 18.6 AGC[18] 15.43 41.33 0.0605 6.8903 1.9 FCCE[21] 21.34 9.56 0.0674 7.5392 128.4 CESF[16] 13.67 50.03 0.1093 5.8912 0.3 EACE[17] 24.77 10.92 0.1284 7.0498 35.8 SMSF
(proposed)26.32 4.88 0.0256 7.1953 5.3 Categories Algorithms EME AMBE GMSD DE Processing time/ms Direct Methods NPEA[22] 13.24 21.73 0.0409 7.1945 6531.2 LSCN[23] 75.34 17.21 0.0895 6.7834 7469.3 RSIE[24] 21.34 11.35 0.0321 7.4654 392.4 Indirect Methods WAHE[27] 16.33 8.63 0.0402 7.0634 3.4 CVC[14] 21.35 7.99 0.0492 7.1671 124,7 LDR[28] 21.54 9.03 0.0231 8.0842 12.3 AGC[18] 16.89 39.04 0.0597 6.9081 1.2 FCCE[21] 20.56 7.88 0.0740 7.0909 124.7 CESF[16] 14.01 49.02 0.1205 5.7812 0.1 EACE[17] 25.81 13.75 0.1107 7.0938 33.8 SMSF
(proposed)28.30 5.84 0.0209 7.9912 5.1 Categories Algorithms EME AMBE GMSD DE Processing time/ms Direct Methods NPEA[22] 12.43 22.56 0.0511 7.1923 4352.2 LSCN[23] 87.34 12.77 0.0985 6.3456 1345.3 RSIE[24] 31.01 13.46 0.0294 7.7653 1234 Indirect Methods WAHE[27] 15.88 8.34 0.0502 7.0543 3.3 CVC[14] 25.21 9.62 0.0496 7.2345 113,7 LDR[28] 27.49 11.23 0.0203 8.1347 14.5 AGC[18] 17.83 38.53 0.0653 6.9854 0.7 FCCE[21] 21.37 9.21 0.0842 7.1344 12.3 CESF[16] 16.72 47.28 0.1198 5.9654 0.2 EACE[17] 22.89 16.23 0.1209 7.1045 12.4 SMSF
(proposed)26.57 5.54 0.0365 7.9342 3.4 在传统的间接方法中,LDR、FCCE和EACE在EME评分方面体现了高对比度。然而,如AMBE评分所示,LDR在平均亮度保持方面表现较弱。对于EACE和FCCE,输出图像GMSD得分显示图像失真严重。相比之下,从EME评分来看,本文方法的增强性能比第二优的EACE算法提高了10.5%。此外,AMBE和GMSD评分显示,与EACE相比,此方法平均亮度变化减少60.2%,图像失真减少76.9%。如DE得分所示,在间接方法中,本文方法是保存细节方面效果第二的方法。虽然FCCE提供了最高的DE分数,但FCCE包含了局部处理,其中输出像素强度是结合输入像素强度和变换函数结果自适应获得。另一方面,此方法在不进行任何局部处理的情况下,仅获得了较一般的DE得分。
本文方法实现了更高的对比度增强性能,降低了平均亮度的变化,需要更少的计算复杂度,实现了较低的图像失真。
Image Contrast Enhancement Algorithm with S-Type Function Based on Human Visual System
doi: 10.12178/1001-0548.2020383
- Received Date: 2020-10-12
- Rev Recd Date: 2021-07-14
- Available Online: 2022-07-11
- Publish Date: 2022-07-09
-
Key words:
- contrast enhancement /
- sensitivity model /
- S-type function /
- Steven power-law
Abstract: In the field of indirect contrast enhancement, an S-type function based on the contrast sensitivity of human visual system is proposed, in order to overcome the limitations of traditional transformation functions under low illumination. This method models the contrast sensitivity of the human retina as an exponential function of logarithmic intensity, since there are different retinal response values for different stimulus intensities. This method uses the sensitivity model as the exponent of Steven's power law to derive a transfer function for perceived brightness. At the same time, a parameter optimization method is proposed, which maintains the average brightness of the input image, and stretches the image histogram while ensuring minimal information loss. Experimental results show that this method has less information loss and better computational complexity performance while maintaining the average brightness of the input image. It has certain advantages in existing methods in terms of contrast enhancement performance, average brightness and preservation of details.
Citation: | WANG Yizhu, LI Yuan, YANG Yu. Image Contrast Enhancement Algorithm with S-Type Function Based on Human Visual System[J]. Journal of University of Electronic Science and Technology of China, 2022, 51(4): 600-607. doi: 10.12178/1001-0548.2020383 |