人眼灰度感知建模及其在图像增强中的应用
范晓鹏;朱枫
【摘 要】原直方图均衡化算法处理结果不理想,主要是图像灰度域上实现的均衡化并不代表人眼感知亮度域上的均衡化,对此提出人眼感知亮度域上的直方图均衡化算法,但由于使用的灰度人眼感知模型不准确,处理效果也没有得到明显的改善.提出一种灰度人眼感知模型的建模方法,利用实验测试的方法得到人眼视觉系统临界可见偏差曲线;再推导得到人眼对不同灰度背景下同等灰度差别的敏感度曲线;接着利用上一步结果再通过积分和归一化方法得到灰度人眼感知模型;根据以上灰度人眼感知模型对直方图均衡化算法进行改进.对比实验结果表明,提出算法相比于原直方图均衡化具有明显的改善效果,相比于CLAHE、BBHE以及HMF等直方图改进算法,也具有无需参数调节,增强效果显著和适应性强等优点.%The traditional histogram equalization algorithm is doing histogram equalization processing on the image gray domain, rather than the human vision perceived brightness domain, leading local image may be too bright or too dark. Some scholars have proposed histogram equalization improvement algorithms in the human eye perceived brightness field. However, due to the i
naccurate use of the human gray-scale perception model, the test results have not been signifi-cantly improved. Based on this, a modeling method of gray eye model is proposed. Firstly, the just noticeable difference curve of the human visual system is obtained by the experimental test method. Secondly, the sensitivity curve of the human eye to the same gray scale difference in different gray backgrounds is obtained. Thirdly, gray-scale human perception model is obtained through integrating and normalizing method based on previous step’s result. Finally, it reimplements the improved histogram equalization algorithm according to the above human gray-scale perception model. The comparing experiments show that the proposed algorithm is significantly improved than the traditional histogram equalization, and has many advantages including no adjusting parameters, remarkable enhancement effect, strong adaptability compared with CLAHE, BBHE and HMF.
【期刊名称】《计算机工程与应用》
【年(卷),期】2018(054)013
【总页数】7页(P209-215)
【关键词】人眼视觉;灰度感知;直方图均衡化;临界可见偏差;图像增强
【作 者】范晓鹏;朱枫
【作者单位】中国科学院 沈阳自动化研究所 光电信息技术研究室,沈阳 110016;中国科学院大学,北京 100049 ;中国科学院 光电信息处理重点实验室,沈阳 110016 ;辽宁省图像理解与视觉计算重点实验室,沈阳 110016;中国科学院 沈阳自动化研究所 光电信息技术研究室,沈阳 110016;中国科学院 光电信息处理重点实验室,沈阳 110016 ;辽宁省图像理解与视觉计算重点实验室,沈阳 110016
【正文语种】中 文
【中图分类】TP391.4
1 引言
图像增强是用来改善画面质量，通过一定的处理方法使原本不清晰的图像变得清新或者将
图像中的细节加以强调，使图像更加适合人眼观测。直方图均衡化算法以参数调配简单、执行速度快和增强效果明显等特点得到了广泛的应用。然而由于传统的直方图均衡化算法并没有考虑人眼视觉特性，处理后在观测图像时常常会出现图像中许多局部细节无法辨认，因此许多学者提出了改进算法。其中，局部对比度受限自适应直方图均衡化算法（CLAHE）[1-2]将图像划分为多个大小相等的子块，对每个子块分别做直方图均衡化处理，为了避免块效应，块与块中间做双线性差分处理，同时还设置了对比度受限阈值以避免局部过度增强，该算法在一定程度上缓解了原算法局部细节丢失的问题，但是参数设置比较繁琐，并且图像中类似于天空背景这样的平坦区域增强后噪声放大效果十分明显。平台直方图均衡化[3-5]则主要是通过设置一个平台值来限制直方图统计过程中产生的最大峰值，以此避免图像增强后某些灰度间的差别被过度拉伸，另外一些灰度间的差别被过度压缩的问题。该算法在一定程度上缓解了直方图增强后细节缺失的问题，但同时引入了平台值调配的新问题，不同的平台值设置方法对应的处理结果大不相同，所以如何自适应配置平台值，得到人眼主观感受最佳的图像处理结果成为此类改进算法的主要研究内容。也有学者[6-8]将局部直方图均衡化与全局直方图均衡化相结合，既保证图像处理结果的全局对比度，同时也可以保留图像的局部细节信息，但这类算法同样面临着处理算法本身参数配
置复杂，以及通用性差的问题。另外还有亮度保持双直方图均衡化算法（BBHE）[9]，以图像平均灰度G0作为分割点将原图像直方图划分为[0,G0]和[G0,255]两部分，再将这两部分分别在各自的区间内作直方图均衡化处理。基于面积相等双直方图均衡化算法（DSIHE）[10]与BBHE类似，以直方图上被分割的两部分面积相等为依据分别做直方图均衡化处理。也有学者在BBHE和DSIHE的基础上提出多次迭代精确求解直方图分割点的改进算法[11-12]，但图像增强效果有限。另外还有直方图修整算法[13]（HMF），试图将原图像直方图与均衡直方图之间做一个折中，以改善原算法过度增强的问题，但同时引入了折中因子，增加了图像处理过程中对操作人员的依赖，难以实现图像增强的自动化。还有学者从人眼灰度感知模型出发，如刘勋[14]等人从人眼临界可见偏差（JND）[15-17]出发提出的一种全局图像增强算法，尽管以图像增强前后不改变直方图上任意两个灰度大小关系为约束条件，尽量保留图像中的全部细节，但是由于许多冗余灰度占用大量了图像灰度空间，导致图像对比度难以有效提高。朱玉成[18]、Cobra[19-20]先后提出在人眼感知亮度域上实现直方图均衡化，再将均衡化处理结果从人眼感知亮度域向灰度域映射，得到最终用于观测的图像结果。该方法可以有效剔除图像中的冗余灰度，但由于参考的人眼灰度感知模型并不能精确描述图像灰度与人眼感知亮度的关系，使得该算法的图像处理效果并没有明显改善。
局部直方图均衡化
人眼灰度感知模型表达了从图像灰度到人眼感知亮度的映射关系，该模型主要受环境光照、视力水平等因素影响。为了增加模型的普适性，本文选择在普通照明条件下的办公室环境进行测试，测试过程中有多人参与，通过求取统计值获得最终实验结果。最后在人眼灰度感知模型基础上，重新实现了人眼感知亮度域上的直方图均衡化算法。为了检验算法的有效性，在实验环节将当前多个先进的图像增强算法与提出算法进行对比，并使用图像信息熵和信息保真度[21-22]等图像增强评价指标进行客观打分。以下首先介绍JND曲线的测试方法，以及人眼灰度感知模型推演过程，接着在获得人眼灰度感知模型基础上给出直方图均衡化的改进算法，最后给出对比实验以及实验结果分析。
2 JND曲线及其测量方法
由于人眼视觉系统具有亮度阈值特性，像素之间的灰度差别至少等于临界可见偏差JND才可以被人眼分辨。同时，不同灰度背景下临界可见偏差也并不相同。临界可见偏差与灰度背景之间的函数关系可以用JND曲线描述。
图1 JND曲线测试过程中使用的模板图
如图1所示，本文测试JND曲线使用512×512像素大小的图像作为背景，目标是一个51×51像素大小的正方形。测试过程中，首先固定背景灰度，在背景灰度的基础上增加目标灰度，在增加目标灰度的同时测试人员注意观察是否可以分辨目标，直到可以分辨目标为止，此时记录目标与背景之间的灰度差大小，作为该灰度背景下的JND值。为了防止视觉疲劳，每次改变目标灰度的同时也可以随机改变目标的位置。
本文JND曲线测试环境光为室内日光灯照明，测试人员在25岁至35岁之间，其裸眼视力或者矫正视力在1.2以上。测试过程中使用联想L197 WA型号液晶显示器，测试前将显示器的亮度调节到最大值，一共得到33组测试结果。JND曲线的测试结果如图2，图中横轴代表背景灰度，纵轴代表该灰度背景下的JND。JND曲线与光照环境、使用显示器类型以及观测人平均视力水平等因素相关，当这些因素改变时，为了严格实现人眼感知亮度域上的直方图均衡化，JND曲线也需要重新测量。
图2 JND曲线测试结果
3 人眼灰度感知模型
人眼灰度感知模型主要依据JND测试曲线通过微积分方法推导而来，分为解析解和数值解两部分。其中通过解析解的推导过程说明感知模型的计算原理，为了实际应用进一步给出数值解的求解过程。
3.1 人眼灰度感知曲线解析解
人眼感知亮度差是指图像灰度差在人眼中感知到的差别，相同灰度差在不同灰度背景下人眼感知亮度差可能不同。其中JND就是人眼感知亮度差的一种状态，对应着固定的人眼感知亮度差值，本文使用常量C来代表这个人眼感知亮度差别。两个灰度级之间人眼感知亮度差受灰度级之间灰度差和作为背景的灰度级的灰度值影响，所以人眼感知亮度差计算公式可以用如下函数表示：ΔPb=f(Δg,g)。当Δg=JND(g)时，ΔPb=C。由此，对于任意一个灰度偏差Δg人眼具有的感知亮度差别可以近似表达为：
由人眼感知亮度差可以构建出人眼感知亮度空间。由公式（4）可以计算图像灰度空间中任意灰度在人眼感知亮度空间里对应的感知亮度值。由于积分项中JND(g)一般是分段多项式拟合表达式，其倒数求积分的解析解难以获得，另外积分变量是离散的数字变量，在这里使用数值运算以简化公式（4）的求解过程。
3.2 人眼灰度感知曲线数值解
3.2.1 已知灰度求解人眼感知亮度
在数值求解公式（4）的过程中，离散域灰度差别的最小值为1，连续区间的积分表达式转换到离散域的累加求和表达式如下：
式中，累加求和的步长是灰度差别的最小值1。一般灰度图像灰度取值范围是[0，255]，为后续计算方便，在这里将人眼感知亮度的定义域限定为[0，255]，可得：
因此，只要给定灰度g就可以利用公式（5）求解对应的人眼感知亮度。实际应用过程中可以事先计算好所有可能的灰度取值对应的人眼感知亮度，并将计算结果存储在表G2PB（Gray to Perceived Brightness）中，在使用的过程中直接查表。
图3中横轴代表图像灰度，纵轴代表人眼感知亮度。虚线为Daniel使用的模型曲线；点划线是朱玉成使用的对数型曲线；实型线是由公式（5）计算而来的人眼灰度感知曲线。由前文JND曲线测试实验可知，人眼对灰度较低的灰度级分辨能力比较差，人眼感知亮度在灰度较低时变化应该是并不明显，本文提出的曲线模型与这一事实相符，而Daniel和朱玉成等
人使用的曲线并不能准确描述灰度与人眼感知亮度之间的关系。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。