ｄｏｉ：
１０．３９６９／ｊ．ｉｓｓｎ．１００３－３１０６．２０２３．０６．００４
引用格式：孙小迎，邹艳．多尺度细节增强与自适应γ变换的图像增强［Ｊ］．无线电工程，２０２３，５３（６）：１２６２－１２６８．［ＳＵＮＸｉａｏｙｉｎｇ，ＺＯＵＱｕｎｙａｎ．ＩｍａｇｅＥｎｈａｎｃｅｍｅｎｔＢａｓｅｄｏｎＭｕｌｔｉｓｃａｌｅＤｅｔａｉｌＥｎｈａｎｃｅｍｅｎｔａｎｄＡｄａｐｔｉｖｅγＴｒａｎｓｆｏｒｍａｔｉｏｎ［Ｊ］．Ｒａｄｉｏ
Ｅｎｇｉｎｅｅｒｉｎｇ，
２０２３，５３（６）：１２６２－１２６８．］多尺度细节增强与自适应γ变换的图像增强
孙小迎１
，邹艳
２
（
１．南昌工学院发展规划处，江西南昌３３０１０８；２．
南昌工学院信息与人工智能学院，江西南昌３３０１０８）
摘　要：针对现有图像增强方法未能适宜地提升图像的亮度、对比度，以及保持图像自然效果的问题，提出了多尺度细节增强与自适应γ变换的图像增强方法。该方法根据多尺度的纹理结构和边缘细节特征，用引导滤波对图像进行多尺度的Ｒｅｔｉｎｅｘ分解，分解为多尺度的细节层和最后的基础层；对基础层做自适应的γ拉伸，实现图像亮度和对比度的有效增强，对细节层进行多尺度的拉普拉斯增强；将增强的基础层与增强的细节层进行多尺度的Ｒｅｔｉｎｅｘ反变换，实现原图像的增强。图像增强实验结果显示，相对于当前的部分最新方法，所提方法的图像增强性能更好，图像增强后的信息熵和平均梯度分别比现有的方法提升大约１．２和２．８。
关键词：图像增强；引导滤波；多尺度的细节层；自适应γ
拉伸；改进的拉普拉斯算子中图分类号：ＴＰ３９１文献标志码：Ａ开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１００３－３１０６（２０２３）０６－１２６２－０７
ＩｍａｇｅＥｎｈａｎｃｅｍｅｎｔＢａｓｅｄｏｎＭｕｌｔｉｓｃａｌｅＤｅｔａｉｌＥｎｈａｎｃｅｍｅｎｔａｎｄ
ＡｄａｐｔｉｖｅγＴｒａｎｓｆｏｒｍａｔｉｏｎ
ＳＵＮＸｉａｏｙｉｎｇ１
，ＺＯＵＱｕｎｙａｎ
２
（１．ＤｅｖｅｌｏｐｍｅｎｔＰｌａｎｎｉｎｇＤｉｖｉｓｉｏｎ，
ＮａｎｃｈａｎｇＩｎｓｔｉｔｕｔｅｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｎａｎｃｈａｎｇ３３０１０８，
Ｃｈｉｎａ
；
２．ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，ＮａｎｃｈａｎｇＩｎｓｔｉｔｕｔｅｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｎａｎｃｈａｎｇ３３０１０８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｅｘｉｓｔｉｎｇｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔｍｅｔｈｏｄｓｆａｉｌｔｏｐｒｏｐｅｒｌｙｉｍｐｒｏｖｅｔｈｅｂｒｉｇｈｔｎｅｓｓａｎｄｃｏｎｔｒａｓｔｏｆｔｈｅｉｍａｇｅａｎｄｍａｉｎｔａｉｎｔｈｅｎａｔｕｒａｌｅｆｆｅｃｔｏｆｔｈｅｉｍａｇｅ，ａｎｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔｍｅｔｈｏｄｂａｓｅｄｏｎｍｕｌｔｉｓｃａｌｅｄｅｔａｉｌｅｎｈａｎｃｅｍｅｎｔａｎｄａｄａｐｔｉｖｅγｔｒａｎｓｆｏｒｍａｔｉｏｎｉｓ
ｔｈｕｓｐｒｏｐｏｓｅｄ．Ｔｈｉｓｍｅｔｈｏｄｐｅｒｆｏｒｍｓｍｕｌｔｉ ｓｃａｌｅＲｅｔｉｎｅｘｄｅｃｏｍｐｏｓｉｔｉｏｎｏｎｔｈｅｉｍａｇｅｂａｓｅｄｏｎｍｕｌｔｉ ｓｃａｌｅｔｅｘｔｕｒｅｓｔｒｕｃｔｕｒｅａｎｄｅｄｇｅ
ｄｅｔａｉｌｆｅａｔｕｒｅｓｂｙｕｓｉｎｇｍｕｌｔｉ ｓｃａｌｅｇｕｉｄｅｄｆｉｌｔｅｒｉｎｇ
，ａｃｈｉｅｖｅｓｍｕｌｔｉ ｓｃａｌｅｄｅｔａｉｌｌａｙｅｒｓａｎｄｔｈｅｌａｓｔｂａｓｉｃｌａｙｅｒ；ｔｈｅｂａｓｉｃｌａｙｅｒｉｓ
ｅｎｈａｎｃｅｄｂｙａｄａｐｔｉｖｅγｓｔｒｅｔｃｈｉｎｇ，ｓｏａｓｔｏｉｍｐｒｏｖｅｔｈｅｂｒｉｇｈｔｎｅｓｓａｎｄｃｏｎｔｒａｓｔｏｆｔｈｅｉｍａｇｅｅｆｆｅｃｔｉｖｅｌｙ，ａｎｄｔｈｅｍｕｌｔｉ ｓｃａｌｅｄｅｔａｉｌｌａｙｅｒｓａｒｅｅｎｈａｎｃｅｄｒｅｓｐｅｃｔｉｖｅｌｙｂｙｔｈｅｉｍｐｒｏｖｅｄＬａｐｌａｃｅｏｐｅｒａｔｏｒ；ｍｕｌｔｉ ｓｃａｌｅＲｅｔｉｎｅｘｉｎｖｅｒｓｅｔｒａｎｓｆｏｒｍａｔｉｏｎｗｉｔｈｔｈｅｅｎｈａｎｃｅｄｂａｓｉｃ
ｌａｙｅｒａｎｄｔｈｅｅｎｈａｎｃｅｄｌａｙｅｒｓａｃｈｉｅｖｅｓｔｈｅｅｎｈａｎｃｅｄｉｍａｇｅ．Ｔｈｅｍｕｌｔｉ ｓｃａｌｅＲｅｔｉｎｅｘｉｎｖｅｒｓｅｔｒａｎｓｆｏｒｍａｔｉｏｎｉｓｃａｒｒｉｅｄｏｕｔｏｎｔｈｅ
ｅｎｈａｎｃｅｄｂａｓｉｃｌａｙｅｒａｎｄｔｈｅｅｎｈａｎｃｅｄｌａｙｅｒｓｔｏｅｎｈａｎｃｅｔｈｅｏｒｉｇｉｎａｌｉｍａｇｅ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｆｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔｓｈｏｗｔｈａｔ
ｃｏｍｐａｒｅｄｗｉｔｈｓｏｍｅｌａｔｅｓｔｍｅｔｈｏｄｓ
，ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｈａｓｂｅｔｔｅｒｅｎｈａｎｃｅｍｅｎｔｐｅｒｆｏｒｍａｎｃｅ，ｔｈｅｉｎｆｏｒｍａｔｉｏｎｅｎｔｒｏｐｙａｎｄａｖｅｒａｇｅ
ｇｒａｄｉｅｎｔｏｆｔｈｅｅｎｈａｎｃｅｄｉｍａｇｅａｒｅａｂｏｕｔ１．２ａｎｄ２．８ｈｉｇｈｅｒｔｈａｎｔｈｏｓｅｏｆｔｈｅｅｘｉｓｔｉｎｇｍｅｔｈｏｄｓ，ｒｅｓｐｅｃｔｉｖｅｌｙ．
Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ；ｇｕｉｄｅｄｆｉｌｔｅｒｉｎｇ；ｍｕｌｔｉｓｃａｌｅｄｅｔａｉｌｌａｙｅｒ；ａｄａｐｔｉｖｅγｓｔｒｅｔｃｈｉｎｇ；ｉｍｐｒｏｖｅｄＬａｐｌａｃｅｏｐｅｒａｔｏｒ
０　
引言
由于拍摄环境和硬件的原因，成像往往亮度不足、对比度低［１
］，需要进行增强处理。直方图的优
化处理［２－３
］可以提升图像的效果。董丽丽等［４
］提出
了直方图动态削峰技术，克服了直方图均衡化存在过增强的缺陷。Ｔａｎ等［５
］提出了多直方图的对比度增强方法（ＥＭＥＣ），但是划分子直方图的阈值缺乏
收稿日期：２０２３－０１－１９
基金项目：江西省教育厅科学技术研究项目（ＧＪＪ２１２５２０，ＧＪＪ１９１０９５，ＧＪＪ１９１１０１，ＧＪＪ１９１０９９，ＧＪＪ２０２５０９）；江西省高校人文社会科学研究项目（ＪＹ１９１３１）ＦｏｕｎｄａｔｉｏｎＩｔｅｍ：ＰｒｏｊｅｃｔｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＲｅｓｅａｒｃｈｏｆＪｉａｎｇｘｉＰｒｏｖｉｎｃｉａｌＤｅｐａｒｔｍｅｎｔｏｆＥｄｕｃａｔｉｏｎ（ＧＪＪ２１２５２０，ＧＪＪ１９１０９５，ＧＪＪ１９１１０１，
ＧＪＪ１９１０９９，ＧＪＪ２０２５０９）；ＨｕｍａｎｉｔｉｅｓａｎｄＳｏｃｉａｌＳｃｉｅｎｃｅｓＲｅｓｅａｒｃｈＰｒｏｊｅｃｔｏｆＵｎｉｖｅｒｓｉｔｉｅｓｏｆＪｉａｎｇｘｉＰｒｏｖｉｎｃｅ（ＪＹ１９１３１）
信号与信息处理
鲁棒性。Ｐａｎｋａｊ等［６］运用直方图裁剪实现图像的对比度增强和纹理细节保持（ＭＣＩＥ）。Ｒｅｔｉｎｅｘ理论将图像做分层增强处理［７－８］，能有效增强图像的纹理细节。文献［９］利用
亮度域模糊变换对Ｒｅｔｉｎｅｘ的光照图像进行正则化（ＦＴＣＥ）。Ａｎｉｌ等［１０］用多尺度Ｒｅｔｉｎｅｘ分解和重构，克服了Ｒｅｔｉｎｅｘ对光照图像和反射图像估计的病态问题。
深度学习被广泛应用于图像增强，并取得了良好的效果［１１－１２］。Ｈｕ等［１３］用对抗性训练学习的细化网络提升图像效果。Ｙａｎ等［１４］在生成性对抗网络中对损失函数进行最小化，以实现图像的增强（ＯＧＡＮ）。但是它们的计算耗时较高，且容易放大噪声。
为了更加适宜而有效地增强图像的亮度和对比度，提出了多尺度细节增强与自适应γ变换的图像增强方法（ＭＤＥＴ）。
１　图像的多尺度Ｒｅｔｉｎｅｘ分层
根据Ｒｅｔｉｎｅｘ理论，图像Ｉ包含基础层和细节层两部分：
Ｉ＝Ｌ×Ｒ，（１）式中：Ｌ为图像的基础层，Ｒ为图像的细节层。为易
于计算，将式（１）变换到对数域：
ｌｎＩ＝ｌｎＬ＋ｌｎＲ。（２）  基础层和细节层分别为图像的低频和高频部分，一般地，对图像Ｉ进行低通滤波以获得基础层：
Ｌ＝Ｆｉｌｔｅｒ（Ｉ），（３）式中：Ｆｉｌｔｅｒ为采用的滤波方法。根据式（２）可得细
节层为：
Ｒ＝ｅｘｐ（ｌｎＩ－ｌｎＬ）。（４）  对于滤波方法Ｆｉｌｔｅｒ，一般选取高斯滤波器，但是高斯滤波器缺乏边缘保持能力，于是，部分学者选取具有边缘保持能力的双边滤波。双边滤波结合空间距离核和像素值域核，能有效地保持图像的边缘细节，但是其在灰度变化剧烈处容易出现梯度翻转。
Ｈｅ等［１５］提出的引导滤波方法能更有效地识别图像的纹理和边缘，能更准确地对图像的基础层进行估
计。因此，本文采用引导滤波作为式（３）的滤波器Ｆｉｌｔｅｒ。引导滤波以引导图像作为参考，假设图像的像素满足局部的线性关系：
ｏ
ｉ
＝ａ
ｋ
ｇ
ｉ
＋ｂ
ｋ，ｉ∈Ｎｋ
，（５）式中：ｏ、ｇ分别为输出图像和引导图像，Ｎｋ为引导图像中以像素ｋ为中心的邻域，ａｋ、ｂｋ为Ｎｋ中的线性系数。式（５）的线性关系相对于原图像Ｉ的代价函数为［１６］：
Ｅ（ａｋ，ｂｋ）＝∑ｉ∈Ｎｋ［（ａｋｇｉ＋ｂｋ－Ｉｉ）２＋εａｋ］，（６）式中：ε为平衡图像平滑与边缘保持效果的正则化参数。对式（６）应用线性回归求解，可得：
ａ
ｋ
正则化参数的自适应估计＝
１
Ｎ
ｋ
∑
ｉ∈Ｎｋ
ｇ
ｉ
Ｉ
ｉ
－ｕ
ｋ
Ｉ
ｋ
σ２
ｋ
＋ε
，（７）
ｂ
ｋ
＝Ｉ
ｋ
－ａ
ｋ
ｕ
ｋ，
（８）式中：Ｎｋ为Ｎｋ中的像素数量，ｕｋ、σ２ｋ分别表示邻域Ｎｋ内像素的均值和方差，Ｉｋ为原图像在邻域Ｎｋ中的均值，即Ｉｋ＝１
Ｎ
ｋ
∑
ｉ∈Ｎｋ
Ｉ
［１７］
ｉ。
正则化系数ε与σ２ｋ的相对大小关系决定着图像的平滑效果，即决定图像边缘细节的去留。图像的边缘细节大致可分为小、中和大尺度的边缘细节，因此本文采用逐层分解的方法，先从图像分解出包含小尺度边缘细节的细节层，再分解出包含中等尺度边缘细节的细节层，最后分解得到包含大尺度边缘细节的细节层和图像的基础层，如图１所示。在后续的增强处理过程中，单独对基础层和小、中、大尺度的细节层分别做增强处理，不会因为多尺度边缘细节的混合而导致边缘细节被破坏。
实验数据显示，正则化系数ε为３０、３００、１０００的引导滤波能有效地识别和提取小、中和大尺度的细节层，因此以图１
所示的多尺度方式，将图像分解为小、中和大尺度的细节层以及基础层，如图２所示。
图１　图像的多尺度分解
Ｆｉｇ．１　Ｍｕｌｔｉ ｓｃａｌｅｄｅｃｏｍｐｏｓｉｔｉｏｎｏｆｉｍａｇｅ
信号与信息处理
图２　基于多尺度引导滤波的图像分解
Ｆｉｇ．２　Ｉｍａｇｅｄｅｃｏｍｐｏｓｉｔｉｏｎｂａｓｅｄｏｎｍｕｌｔｉｓｃａｌｅｇｕｉｄｅｄｆｉｌｔｅｒｉｎｇ
２　
基础层的自适应γ拉伸
恶劣的成像环境和硬件条件不足往往会使成像的亮度偏暗、对比度较低。γ拉伸可以调节图像的亮度和对比度，如图３所示。小于１的γ指数对暗区进行拉伸，对亮区进行压缩；而大于１的γ指数相反，对暗区进行压缩，
对亮区进行拉伸。
图３　γ指数的变换效果
Ｆｉｇ．３　Ｔｈｅｅｆｆｅｃｔｏｆγｉｎｄｅｘｔｒａｎｓｆｏｒｍ
不同光照和环境条件下的成像，其亮度和对比
度各异，亮度的局部分布往往有较大差别；拍摄的角度不同，图像的特征也不同。为了在实现有效增强图像亮度和对比度的同时，有效凸显图像的边缘细节，本文提出了基础层Ｌ３
的自适应γ拉伸方法。令Ｌ３
为图像的基础层，自适应的γ拉伸方法为：
Ｌｅ３
＝Ｌγ
３
，（９）
式中：Ｌｅ３
为增强后的基础层图像，γ为变换指数。根据图像的直方图，如果图像的像素近似均匀地分布于整个灰度范围，其对比度就较为理想；如果直方图分布的主峰处于灰度级动态空间的中间或稍偏右，图像的亮度就较适宜，图像的边缘和细节也较
为突出。因此，图像的效果可通过其直方图得到
体现。
为了充分利用直方图的这一特点，结合基础层图像的直方图，将基础层图像的像素尽可能地均匀分布于整个灰度范围，并且令主峰位于中间或中间稍偏右。基于以上分析，将自适应的γ指数定义为：
γ＝
∑２５５
ｉ＝０
ｉ ｈ（
ｉ）∑２５５
ｉ＝０
（
２５６／２） ｈ（ｉ），
（１０）
式中：ｈ为基础层Ｌ３
的直方图，ｉ为０～２５５的像素级。
γ指数的分子为以直方图ｈ为权值的像素级的加权和，分母为以直方图ｈ为权值、以像素级动态
范围的中值２５６／２作为平均像素级的加权和，
中值２５６／２代表亮度适宜的图像的像素均值。γ指数值自适应于基础层的直方图ｈ的分布，基础层的亮度越暗，ｈ的分布就越偏左，通过式（１０）得到的γ指数值就越小，结合图３可知，对暗区像素拉伸的幅度就越大，反之拉伸的幅度就越小。因此，自适应的γ指数具有较好的鲁棒性，避免了基础层
的过增强。
３　
改进的拉普拉斯算子与细节层增强
为了进一步增强图像的边缘和细节，对于以逐
层分解的方式提取的小、中和大尺度的细节层，对拉普拉斯算子进行改进，将其用于多尺度细节层的增强处理。拉普拉斯算子如图４（ａ）所示，从加权滤波器以及双边滤波的角度来看，算子的系数未能体现不同空间距离上邻域像素之间的相关性和相互作用的差异，因此，本文提出了改进的拉普拉斯算子，如图４（ｂ）所示。改进的拉普拉斯算子中，相对于中心像素，邻域像素的系数严格反比于它们之间的空间距离，能更有效地提取图像的边缘和细节。
信号与信息处理
槡槡
１  １  １  １／２  １  １２１  －８  １  １  －（４＋槡４／２）
１槡
槡
１ 
１ 
１ 
１／２ 
１ 
１２
（ａ）拉普拉斯算子　
（ｂ）改进的拉普拉斯算子　
图４　改进的拉普拉斯算子
Ｆｉｇ．４　ＩｍｐｒｏｖｅｄＬａｐｌａｃｅｏｐｅｒａｔｏｒ
为了进一步凸显图像的边缘细节，用改进的拉普拉斯算子分别对小、中和大尺度的细节层做增强处理：
Ｒｅ小＝Ｒ小＋Ｒ小 Ｈ
，
（１１）Ｒｅ中＝Ｒ中＋Ｒ中 Ｈ，（１２）Ｒｅ大＝Ｒ大＋Ｒ大 Ｈ
，（１３）
式中：Ｈ为改进的拉普拉斯算子， 为卷积运
算。式（１１）～式（１３）分别用算子Ｈ提取对应细节层的边缘细节，再线性融合到对应的细节层上，进一
步凸显图像多尺度的边缘和细节。根据式（２），将经过拉普拉斯增强的细节层Ｒｅ大、Ｒｅ中、Ｒｅ小和增强的基础层Ｌｅ３
做多尺度的、逐层的
Ｒｅｔｉｎｅｘ重构，得到最后的增强图像Ｉｅ，如图５
所示。
图５　多尺度Ｒｅｔｉｎｅｘ反变换
Ｆｉｇ．５　Ｍｕｌｔｉ ｓｃａｌｅＲｅｔｉｎｅｘｉｎｖｅｒｓｅｔｒａｎｓｆｏｒｍａｔｉｏｎ
４　
仿真实验
为了验证所提出图像增强方法的有效性，在
Ｉｎｔｅｌｉ７ １１７００ＣＰＵ、８ＧＢ内存的计算机上进行实验，以增强图像的视觉效果、信息熵以及平均梯度作为指标，对提出的方法和现有文献中最新提出的部分方法做比较与分析。实验素材用数据集ＥｘｃｌｕｓｉｖｅｌｙＤａｒｋ，部分图像如图６所示。作为参照
的方法为ＥＭＥＣ［５
］、ＭＣＩＥ［６
］、ＦＴＣＥ［９
］、ＯＧＡＮ［１４
］，信
息熵与平均梯度的定义分别为［１８
］：
Ｈ＝－∑２５５
ｉ＝０
∑２５５
ｊ＝０
Ｐｉｊ
ｌｎＰｉｊ
，  （１４）Ｇ＝１３×ｈ×ｗ∑３
ｄ＝１∑ｈ－１
ｉ＝１
∑ｗ－１
ｊ＝１
ΔＩ２
ｄ，ｉ，ｊ，ｘ＋ΔＩ２
ｄ，ｉ，ｊ，ｙ
２槡
，（１５）式中：Ｐｉｊ
为归一化后的像素直方图，ｄ、ｈ、ｗ分别为图像的通道、高度、宽度，ΔＩｄ，ｉ，ｊ，ｘ、ΔＩｄ，ｉ，ｊ，ｙ
分别为ｘ与ｙ方向上的像素差分。
视觉效果从人眼视觉感知的角度度量图像的
增强效果；信息熵是一种随机性的统计度量，描述图像的纹理细节和信息量，更大的信息熵表示图像的信息含量更大；平均梯度以方向导数的形式定义图像的对比度，其值越大，图像的对比度越大。图６　实验图像
Ｆｉｇ．６　Ｅｘｐｅｒｉｍｅｎｔａｌｉｍａｇｅｓ
４．１　
视觉感知效果的比较
视觉感知可以直观地度量图像的整体效果，包
括图像的亮度和对比度是否适宜、彩是否自然、是
否有欠增强和过增强、图像的纹理结构和细节信息
信号与信息处理
是否清晰等。各方法对图像建筑、女孩和日出的增强效果如图７～图９所示。
从图７中图像建筑的增强效果可以看出，
方法ＥＭＥＣ存在亮处过增强和暗处欠增强的缺陷，且颜过于鲜艳。方法ＭＣＩＥ有效地凸显了暗处的图像
信息，但是放大了噪声，画面出现明显的颗粒状噪声。方法ＦＴＣＥ和ＯＧＡＮ的增强图像在亮度上偏暗，部分场景因为亮度不足而未能正常显示。与其他方法相比，本文方法适宜地提升了图像的亮度和对比度，暗处的图像信息与人物背影的显示都较清晰。
图７　对图像建筑的增强效果
Ｆｉｇ．７　Ｔｈｅｅｎｈａｎｃｅｄｅｆｆｅｃｔｏｆｉｍａｇｅｂｕｉｌｄｉｎｇ
由图８可以看出，方法ＥＭＥＣ的增强图像出现
失真，中上部分出现明显的过增强。方法ＭＣＩＥ的增强图像虽然整体亮度较适宜，但是出现泛灰现象，画面偏白，对比度较低。虽然方法ＦＴＣＥ和ＯＧＡＮ有效提升了图像的对比度，特别是方法ＯＧＡＮ的图
像纹理较清晰，但是它们对亮度的提升依然不足，背
景中的绿植物和门户偏暗。相对地，本文方法对图像增强后，整体画面较清晰，亮度适宜，对比度较高，画面虽然出现轻微的泛白，但是背景的绿植物
和门户能较为清晰地显示。
图８　对图像女孩的增强效果
Ｆｉｇ．８　Ｔｈｅｅｎｈａｎｃｅｄｅｆｆｅｃｔｏｆｉｍａｇｅｇｉｒｌ
对于图像日出，亮区和暗区差异较大，由图９可以看出，方法ＥＭＥＣ大大提升了图像的视觉效果，但是图像下半部分暗处的图像信息依然未能充分显示。方法ＭＣＩＥ出现明显的过增强，破坏了图像的原有信息，且有严重的失真效果。方法ＦＴＣＥ和
ＯＧＡＮ以及本文方法的增强效果较好，
但是方法ＦＴＣＥ对边缘细节的增强效果稍差，
方法ＯＧＡＮ有效增强了图像的边缘细节，但是放大了噪声，而本文
方法有效地提升了图像的亮度、对比度和清晰度。
从视觉感知的角度，本文方法较其他方法的增强效果更优。因为多尺度引导滤波的分解，保持了各尺度的纹理和细节信息；基础层的自适应γ拉伸，适度地提升了图像的亮度，使得隐藏于暗处的图像信息得以正常显示；细节层的改进拉普拉斯增强，在一定程度上凸显了图像的边缘和纹理信息，使图像
的清晰度更高。
图９　对图像日出的增强效果
Ｆｉｇ．９　Ｔｈｅｅｎｈａｎｃｅｄｅｆｆｅｃｔｏｆｉｍａｇｅｓｕｎｒｉｓｅ
４．２　
信息熵与平均梯度的比较
信息熵度量图像的信息丰富程度，对图像的增
强就是提升图像的有效信息量。各方法对图６所有
的实验图像增强后对应的信息熵如表１所示。
信号与信息处理

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。