【fishing-pan：https://blog.csdn.net/u013921430 转载请注明出处】

  提到图像增强，第一印象就是直方图均衡与直方图规定化，这是最常见的也是非常有效的全局图像增强方法。在前不久的一次组会讨论中，课题组的一位同学提到了“自适应图像增强”，虽然自己以前也用过，但是一时间忘记了原理，就去复习了一下，其实他使用的方法的全称应该叫自适应直方图均衡，对应的是Matlab 中的adapthisteq 函数；

  我在复习的过程中，偶然发现了另一个图像增强的算法，也就是这篇文章中要提到的——自适应对比度增强（Adaptive Contrast Enhancement，ACE），下面就从原理到实现，来好好聊一下这种方法。

自适应对比度增强

  在图像处理的方法中，自适应方法是与图像本身信息相关，根据图像对图特征对图像进行处理的一系列方法，这些方法往往具有更好的鲁棒性、普适性。而本文中提到的这种ACE方法由$NarendraPM$等人在《Real-Time Adaptive Contrast Enhancement》中提到，原理简单易懂，有兴趣的朋友可以点击链接去阅读。

   对于图像中的每一个点，分别计算其局部均值与局部标准差；
$$M(i,j)=\frac{1}{(2n+1)(2m+1)}\sum _{s=i-n}^{i+n}\sum _{k=j-m}^{j+m}f(s,k)$$
$${\sigma }^2(i,j)=\frac{1}{(2n+1)(2m+1)}\sum _{s=i-n}^{i+n}\sum _{k=j-m}^{j+m}(f(s,k)-M(i,j){)}^2$$
  上述式子中，$f(s,k)$代表坐标为$(s,k)$的点的像素值，$M(i,j)$为以点$(i,j)$为中心，窗口大小为$[(2n+1)，(2m+1)]$的区域的局部均值，对应的${\sigma }^2(i,j)$为局部的方差，$\sigma (i,j)$为局部图像的标准差。
  
  在求得局部均值与标准差后，就可以对图像进行增强了，具体的公式如下；
$$I(i,j)=M(i,j)+G(f(i,j)-M(i,j))$$
$$G=\alpha \frac{M}{\sigma (i,j)}0<\alpha <1$$
  上式中，$I(i,j)$为增强后的像素值，$M$为全局均值（你也可以把它设为某一合理数值），$\alpha$是一个系数参数，一般取小于1大于0的小数。

  再来分析一下，上面式子的含义；如果将每个点的局部均值$M(i,j)$构成一张图，其实就是均值滤波的结果，而在《数字图像傅里叶变换的物理意义及简单应用》中，我提到过均值滤波是一种低通滤波，获得的是图像的低频部分，也就是背景部分，$f(i,j)-M(i,j)$就可以用来量化图像中的一个点是高频还是低频。而在一般情况下，$G$ 都是大于1的，所以通过 $G(f(i,j)-M(i,j))$可以实现对图像的高频部分的放大，进而对图像进行增强。

  再来看看参数$G$，经过上面的过程可以看出，如果$G$ 是一个固定参数，比如都取5，通过式子中的局部均值，我们已经能够将图像实现一定程度上的自适应增强了。那么为什么还要在参数G中引入标准差呢？

  我们回忆一下对比度增强的初衷，对比度增强是为了让本身对比度不强的图像的对比度变得明显，而对本身对比度很强的图像，是没必要做增强的。那么在同一图像中，我们尤其需要增强对比度不强的部分。而方差表示的是图像的像素值的均匀性，我们可以认为方差越大的局部区域，其像素值越不均匀，对比度越强；反之，方差越小的局部区域，其像素值越均匀，对比度越弱。因此，在参数$G$中除以了局部标准差，可以让图像中对比度较弱的部分的增强效果更加明显。

  其次，如果对整张图像中所有点进行等比例增强，图像中本身就是高频的部分出现过增强的现象，图像看起来十分奇怪。

彩色图像的ACE

  在网上看到有人说，对彩色图像增强可以分别对RGB三通道进行增强后进行合并。这个观点是错误的，因为分别对各个通道进行增强，会引起图像色相的变化，图像会变的不是其原来的颜色了。

  所以需要将图像转到HSI色彩空间，或者是YCrCb颜色空间。前者只需要对I亮度通道进行增强，而H、S分别代表的色调和饱和度通道不需要变化。后者用Y通道表示亮度，只需要对Y通道进行增强即可。增强之后再合并通道，转换回RGB空间便完成了对彩色图像的增强。

代码

  在这里我只提供一个adaptContrastEnhancement函数的代码，完整的代码也很简单，可以点击下载。无C币的可以直接在博客留言，我也会发送到你的邮箱。

C++ 版本代码

//--------------------------
//Adaptive Contrast Enhancement（自适应对比度增强，ACE）
//不用先生，2018.11.08
//
//函数功能：获取图像的局部均值与局部标准差的图
//函数名称：adaptContrastEnhancement
//函数参数：Mat &scr：输入图像，为三通道RGB图像；
//函数参数：Mat &dst：增强后的输出图像，为三通道RGB图像；
//函数参数：int winSize：局部均值的窗口大小，应为单数；
//函数参数：int maxCg：增强幅度的上限；
//返回类型：bool
//--------------------

bool adaptContrastEnhancement(Mat &scr, Mat &dst, int winSize,int maxCg)
{
	if (!scr.data)  //判断图像是否被正确读取；
	{
		cerr << "自适应对比度增强函数读入图片有误";
		return false;
	}

	Mat ycc;                        //转换空间到YCrCb；
	cvtColor(scr, ycc, COLOR_RGB2YCrCb);

	vector<Mat> channels(3);        //分离通道；
	split(ycc, channels);

	
	Mat localMeansMatrix(scr.rows , scr.cols , CV_32FC1);
	Mat localVarianceMatrix(scr.rows , scr.cols , CV_32FC1);
	
	if (!getVarianceMean(channels[0], localMeansMatrix, localVarianceMatrix, winSize))   //对Y通道进行增强；
	{
		cerr << "计算图像均值与标准差过程中发生错误";
		return false;
	}

	Mat temp = channels[0].clone();

	Scalar  mean;
	Scalar  dev;
	meanStdDev(temp, mean, dev);

	float meansGlobal = mean.val[0];
	Mat enhanceMatrix(scr.rows, scr.cols, CV_8UC1);

	for (int i = 0; i < scr.rows; i++)            //遍历，对每个点进行自适应调节
	{
		for (int j = 0; j < scr.cols; j++)
		{
			if (localVarianceMatrix.at<float>(i, j) >= 0.01)
			{
				float cg = 0.2*meansGlobal / localVarianceMatrix.at<float>(i, j);
				float cgs = cg > maxCg ? maxCg : cg;
				cgs = cgs < 1 ? 1 : cgs;
				
				int e = localMeansMatrix.at<float>(i, j) + cgs* (temp.at<uchar>(i, j) - localMeansMatrix.at<float>(i, j));
				if (e > 255){ e = 255; }
				else if (e < 0){ e = 0; }
				enhanceMatrix.at<uchar>(i, j) = e;
			}
			else
			{
				enhanceMatrix.at<uchar>(i, j) = temp.at<uchar>(i, j);
			}
		}
			
	}
	
	channels[0] = enhanceMatrix;    //合并通道，转换颜色空间回到RGB
	merge(channels, ycc);

	cvtColor(ycc, dst, COLOR_YCrCb2RGB);
		
}

Python 版本代码（2020.03.11）

  最近有不少人私信我，问我有没有python版本的代码，所以我晚上写了一份；完整的脚本都在这里了，里面提供了两种求均值方差的方法！

# -*- coding: utf-8 -*-
"""
Created on Wed Mar 11 20:20:47 2020

@author: 不用先生
"""
import numpy as np
import cv2

def getVarianceMean(scr, winSize):
    if scr is None or winSize is None:
        print("The input parameters of getVarianceMean Function error")
        return -1
    
    if winSize % 2 == 0:
        print("The window size should be singular")
        return -1 
    
    copyBorder_map=cv2.copyMakeBorder(scr,winSize//2,winSize//2,winSize//2,winSize//2,cv2.BORDER_REPLICATE)
    shape=np.shape(scr)
    
    local_mean=np.zeros_like(scr)
    local_std=np.zeros_like(scr)
    
    for i in range(shape[0]):
        for j in range(shape[1]):   
            temp=copyBorder_map[i:i+winSize,j:j+winSize]
            local_mean[i,j],local_std[i,j]=cv2.meanStdDev(temp)
            if local_std[i,j]<=0:
                local_std[i,j]=1e-8
            
    return local_mean,local_std
    
def adaptContrastEnhancement(scr, winSize, maxCg):
    if scr is None or winSize is None or maxCg is None:
        print("The input parameters of ACE Function error")
        return -1
    
    YUV_img=cv2.cvtColor(scr,cv2.COLOR_BGR2YUV)    ##转换通道
    Y_Channel = YUV_img[:,:,0]
    shape=np.shape(Y_Channel)
    
    meansGlobal=cv2.mean(Y_Channel)[0]
    
    ##这里提供使用boxfilter 计算局部均质和方差的方法
#    localMean_map=cv2.boxFilter(Y_Channel,-1,(winSize,winSize),normalize=True)
#    localVar_map=cv2.boxFilter(np.multiply(Y_Channel,Y_Channel),-1,(winSize,winSize),normalize=True)-np.multiply(localMean_map,localMean_map)
#    greater_Zero=localVar_map>0
#    localVar_map=localVar_map*greater_Zero+1e-8
#    localStd_map = np.sqrt(localVar_map)
   
    localMean_map, localStd_map=getVarianceMean(Y_Channel,winSize)

    for i in range(shape[0]):
        for j in range(shape[1]):
            
            cg = 0.2*meansGlobal/ localStd_map[i,j];
            if cg >maxCg:
                cg=maxCg
            elif cg<1:
                cg=1
            
            temp = Y_Channel[i,j].astype(float)
            temp=max(0,min(localMean_map[i,j]+cg*(temp-localMean_map[i,j]),255))
            
#            Y_Channel[i,j]=max(0,min(localMean_map[i,j]+cg*(Y_Channel[i,j]-localMean_map[i,j]),255))
            Y_Channel[i,j]=temp
                
            
    YUV_img[:,:,0]=Y_Channel
    
    dst=cv2.cvtColor(YUV_img,cv2.COLOR_YUV2BGR)
    
    return dst

def main():
    img=cv2.imread(input_fn)
    
    if img is None:
        print("The file name error,please check it")
        return -1
    
    print(np.shape(img))
    dstimg=adaptContrastEnhancement(img,15,10)
    
    cv2.imwrite('output.jpg',dstimg)
    cv2.waitKey(0)
    
    return 0
 
    
input_fn='temp1.jpg'
if __name__ == '__main__':
    main()

运行结果

  可以明显看出，图像中原先对比度不强的部分，如树干、江面、远景。经过增强后，都有了明显的改善，而本身对比度已经明显的区域，就没有太大的改变。

已完。。

参考

1. Narendra P M, Fitch R C. Real-time adaptive contrast enhancement[J]. IEEE transactions on pattern analysis and machine intelligence, 1981 (6): 655-661.
2. http://www.cnblogs.com/Imageshop/p/3324282.html