图像对比度检索

图像增强的实质就是图像对比度的增强，其主要目的是改善图像的外观，使之处理后的图像比原始图像更适于人眼的视觉特性或机器的识别。显然，作为一种理想的图像增强技术，应该是既能增强图像的局部对比度，又能增强图像的整体对比度。前者可加强图像的边缘或轮廓信息，突出图像的内部细节，后者可调节图像的动态范围，改善图像的是视觉效果。

由于受光照、设备等因素的制约，往往得到的图像具有灰度对比度低、某些局部细节没有明显的灰度差别等特征，使人眼的视觉分辨或机器识别较为困难。目前，已出现了许多图像增强的技术或方法，比如局部统计法、直方图均衡法、局部直方图伸展法。由于图像增强技术与具体的问题密切相关，即针对具体的应用要求，需要人为地确定其处理方法和选择参数。所以，到目前为止，还没有一个通用的理论基础。图像去噪声增强算法,目前用得较多的是低通滤波和中值滤波算法.但是,它们在去噪声的同时丢失了图像细节,前者还使图像边缘模糊.局部统计算法具有既去噪声,又能保持图像细节的特点.该算法是将均匀滤波和边缘平滑两种算法巧妙地结合起来,弥补了一般图像平滑算法的不足。（见附件）通过改变衣服图像的直方图，能够显著提高细节的可识别性，但是目前的几种直方图的均衡方法对于不同目的的处理有不同的效果。例如：一幅图像包含了小队较小但是可变

尺寸的区域，在这部分区域中往往具有低对比度的对象。全局直方图均衡和局域直方图均衡有时不能达到足够的增强。自适应领域直方图均衡的方法能有效地增强这类图像。而在对一幅图像整体边界的增强中，LAHE和ANHE的增强结果难以识别，FFHE的全局增强性，LAHE和ANHE的局部增强性；另一方面也由于超声图像本身所具有的半点特征，使得用局部增强算法不可避免的将局部的组织与噪声都增强了，因而对图像整体边界的识别反而困难了。

LAHE算法和ANHE算法的基本思想都是均衡图像中适当的关联区域以达到增强细节的目的。LAHE算法中用于直方图均衡统计的像素点是所选择的滑动窗口尺寸范围内的所有像素点。在这个滑动窗口包含了一些低对比度的物体时，LAHE算法能起到较好的增强作用。但是当所选窗口太小而不能容纳下多个目标对象时，或者当窗口太大而目标对象在局域直方图上不能有明显的峰值时，LAHE算法就不能很好的增强。而ANHE算法却不同，所要均衡直方图的区域的尺寸和形状是由图像的实际细节和尺寸所决定的，因此在一定程度上就避开了这个问题。自适应邻域膨胀技术是为了能体现出这些区域的形状和尺寸。所以，ANHE算法首先要基于肉眼可察觉的细节，然后根据图像实际情况选用。

直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法。直方图拉伸是通过对比度拉伸对直方图进行调整，

从而“扩大”前景和背景灰度的差别，以达到增强对比度的目的，这种方法可以利用线性或非线性的方法来实现;直方图均衡化则通过使用累积函数对灰度值进行“调整”以实现对比度的增强。

直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的

均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。

缺点：

1）变换后图像的灰度级减少，某些细节消失；

2）某些图像，如直方图有高峰，经处理后对比度不自然的过分增强。

直方图拉伸的主要作用就是将灰度间隔小的图像的灰度间隔扩大，以便于观察图像。

直方图对于光栅图来说就相当于一个统计图表。它记录了图像中有相同的灰度值的像素的个数。从直方图上可以很容易的反映出来图像的明暗倾向（灰度图）。很显然，如果一幅图的直方图上面，大部分的像素都集中在灰度等级很低的区域，那么这幅图像整体偏暗。而如果集中在灰度值比较高的区域周围。那么这幅图像是比较明亮的。而眼睛这个东

西的分辨率又不高，它根本达不到256级的分辨率。尽管图像中的像素的灰度值不一样。但是如果这些灰度值太接近。眼睛就难于分辨了。所以直方图拉伸的作用就凸现出来了。

用于图像对比度增强的直方图锥形拉伸算法：图像取样后，样本的灰度值是一个模拟量，在用计算机对其显示和处理之前，必须进行量化处理，而量化处理的过程实质上是多对一的不可逆对应过程。这样，不可避免地引入了量化误差，解决这一问题的方法之一是对图像按灰度分布密度进行非

均匀采样，但是非均匀量化纯在确定的缺点，且此方法对包含较少均匀区域的图像也不实用。直方图锥形拉伸算法首先对图像直方图进行追星非均匀填充，使直方图飞度轴转到换不均匀区域，级频率出现搞的灰度区域，填充的灰度数目愈多，相应地频率低的区域填充的数目愈少，然后将直方图灰度轴按点数均匀重构直方图，并根据新直方图重建图像。