质量评价驱动的自适应对比度颜射影法

本发明涉及一种自适应对比度颜射影法，特别涉及一种质量评价驱动的自适应对比度颜射影法，属于对比度颜射影技术领域。

图像增强技术虽然经过了漫长的研究与发展，但依然有很大的提升空间，现有技术大多数方法都属于通过外围假设来约束的问题，例如直方图均衡法通过将直方图分布的动态范围扩大，使更多像素值得以校正，部分图像处理后效果基本满意。但是，直方图与对比度之间的关系并没有被准确定义，而且机械的使用直方图均衡会带来很多意料不到的严重失真，并且会改变原始图像的熵和矩的特征。

为了取得更好的效果，很多约束条件被提出来限制直方图均衡时产生的各种失真，但这种以直方图均衡作为改进基础的方法，没有真正实现用数学方程描述直方图与图像增强之间的关系。对此，通过转移方程定义对比度期望求取函数，来定义两者之间的关系，并且意识到高对比度并不代表好的视觉效果，所以又定义了调失真度来约束对比度期望求取函数，基于这两个函数方程，提出最优对比度颜射影法，与空域或频域中的图像增强方法相比，能够更准确有效的突出高频次出现的图像细节，而且增强后的图像更加符合生理视觉系统。在利用最优对比度颜射影法处理图像时，通过手动调整参数以求达到较好的视觉效果，通过不断观察处理后的图像的直方图和转移函数的图像来调整参数，虽然处理结果较好，但图像处理结果与参数相关性很高，而且调整参数比较耗费时间，存在较大问题，在处理一些偏亮或偏暗或灰度直方图占比在中间比较集中的图像时，默认参数表现出来的增强效果不是很好，与期望有较大差距，需要手动调整参数以达到更好的视觉效果。但手动调整耗费了大量的时间，自适应能力很弱,过于依赖人的参与，图像增强的效率低,增强过程无法兼顾图像的失真度，图像增强后的视觉效果不理想。

现有技术大多数的局部自适应算法都是通过将图像等分成矩形，然后对每个矩形块再进行处理，还有一部分算法是将图像中某些部分提取出来，然后对这个部分进行处理，这些算法处理后的效果远远好于直接将图像等分的结果，因为直接将这些部分处理而不受到背景因素的干扰，而且只是选取了部分区域，输入图像的动态范围较低，所以通过算法处理可以将图像扩展到更广泛的一个空间中去，增加输入图像相邻灰度值的距离来达到增强图像的目的。

目前所有算法都是在空间域中对图像进行处理，都是直接处理像素点的灰度值。与这种空间域的增强方法相对应的变换域的图像增强技术，通过利用傅里叶变换，小波变换，对数变换。变换域的处理方式可以很详细的分析图像的光谱信息，尽管变换域的处理方式可以很容易改变图像的频率等信息，但这些处理算法会产生如振铃等失真问题，而且不能处理图像中的全部信息，所有变换域的处理方式在处理图像时，都需要人为的去指定相关的参数来得到满意的结果，现有技术提出自动将图像的直方图元素归类，最后统一分配这些元素，但分配方式有一定问题的，只是将相邻的元素机械的归类，而不是灵活的根据要处理的图像进行元素分类。

现有技术在原始图像的灰度图和标准的直方图之间寻一个直方图，然后再基于这个直方图用直方图均衡处理图像，中间的直方图是最小化原始图像的灰度图与标准的直方图之间的距离决定的，通过选取合适的拉格朗日参数和加入其它一些约束条件，避免在直方图均衡中出现的一些问题，但是方程的求解有一定的困难。

基于直方图均衡的改进算法都是一种全局性的算法，而且只有一个单一的转移方程来处理输入图像与输出图像之间的关系。但在处理图像时，全局的灰度直方图并不能有效代表某些区域的直方图，某些区域的直方图和全局直方图有很大的出入，所以有时候使用直方图均衡或基于直方图均衡改进的算法并不能够改善局部的直方图效果，这样也使得局部的图像增强效果并不是很好，所以基于这个问题，现有技术又提出了许多基于局部自适应的算法，将图像分成许多矩形块，分的时候按照等分原则来处理，当处理之后又会使用其它一些方法将整个图像进行融合，利用直方图均衡增强图像的时候，会出现一些过度增强的现象。

现有技术图像增强方面大多数方法是基于图像的直方图来处理的，在没有了解图像详细信息时，直方图均衡是一个被广泛应用和改进的图像算法，许多图像增强算法也是通过与直方图均衡进行对比来显示其优越性。但现有技术直方图的动态范围和对比度之间的关系还没有被清楚的定义，尤其是没有一个准确的数学表达式，如何将直方图与对比度联系起来，本发明中提出一个对比度期望获取函数将直方图与对比度联系起来，而为了表示由于过度增强或直方图歪曲造成的图像失真，提出颜失真度这个概念，高对比度和连续的颜是评价输出图像的主要指标，本发明的目的是寻一个最优的对比度颜射影关系来平衡对比度和失真之间的关系。

现有技术的对比度颜射影方法存在缺陷和不足，本发明的难点解决的问题主要集中在以下方面：

第一，在利用最优对比度颜射影法处理图像时，通过手动调整参数以求达到较好的视觉效果，但这样得到的结果花费大量的时间，通过不断的观察处理后的图像的直方图和转移函数的图像来调整参数，虽然处理结果较好，但图像处理结果与参数相关性很高，而且调整参数比较耗费时间，存在较大问题，在处理一些偏亮或偏暗或灰度直方图占比在中间比较集中的图像时，默认参数表现出来的增强效果不是很好，与期望有较大差距，在这种情况下，就需要手动调整参数以达到更好的视觉效果。但手动调整耗费了大量的时间，这种人参与度高的方法不好，大幅提高了方法复杂度，不能既得到较好的视觉效果，又减少人的参与度，缺少一个直观但行之有效的图像增强方法；

第二，直方图与对比度之间的关系没有被准确定义，机械的使用直方图均衡会带来很多意料不到的严重失真，并且会改变原始图像的熵和矩的特征，现有技术很多约束条件被提出来限制直方图均衡时产生的各种失真，但这种以直方图均衡作为改进基础的方法，没有真正实现用数学方程描述直方图与图像增强之间的关系，现有技术在利用对比度颜射影法处理图像时，通过手动调整参数以求达到较好的视觉效果，通过不断观察处理后的图像的直方图和转移函数的图像来调整参数，图像处理结果与参数相关性很高，而且调整参数比较耗费时间，存在较大问题，在处理一些偏亮或偏暗或灰度直方图占比在中间比较集中的图像时，默认参数表现出来的增强效果不是很好，需要手动调整参数以达到更好的视觉效果，自适应能力很弱,过于依赖人的参与，图像增强的效率低,增强过程无法兼顾图像的失真度，图像增强后的视觉效果不理想；

第三，现有技术在空间域中对图像进行处理，都是直接处理像素点的灰度值，尽管变换域的处理方式可以很容易改变图像的频率等信息，但这些处理算法会产生如振铃等失真问题，而且不能处理图像中的全部信息，所有变换域的处理方式在处理图像时，都需要人为的去指定相关的参数来得到满意的结果，现有技术提出自动将图像的直方图元素归类，最后统一分配这些元素，但分配方式有一定问题的，只是将相邻的元素机械的归类，而不是灵活的根据要处理的图像进行元素分类；现有技术增强的过程中不能兼顾图像的失真度，无法精确量化直方图与对比度之间的关系，缺少对失真度的控制，增强后的图像视觉效果不符合生理视觉系统；

第四，现有技术基于直方图均衡的改进算法在处理图像时，全局的灰度直方图并不能有效代表某些区域的直方图，某些区域的直方图和全局直方图有很大的出入，所以有时候使用直方图均衡或基于直方图均衡改进的算法并不能够改善局部的直方图效果，这样也使得局部的图像增强效果并不是很好，现有技术又提出了许多基于局部自适应的算法，但利用直方图均衡增强图像的时候，会出现一些过度增强的现象，无法提取兴趣区域，不具备局部图像增强处理能力。

针对现有技术的不足，本发明根据自然图像的统计结果，并基于最优对比度颜射影法，提出一种简单有效的无参考图像质量评价方法，以这个图像质量评价方法作为引导，提出一种自适应的最优化对比度射影法，无需人为的修改参数，大幅简化最优对比度调射影法的增强过程，减少人的参与度，在原始图像非0灰度值占比较低的图像中，通过无参考图像评价方式的引导，兼顾图像的增强和失真度，处理后图像增强效果更明显，增强的过程中兼顾图像的失真度，提高图像增强后的视觉效果，本发明通过精确量化直方图与对比度之间的关系，同时加强失真度的控制，使得增强后的图像视觉效果更符合生理视觉系统。

为达到以上技术效果，本发明所采用的技术方案如下：

质量评价驱动的自适应对比度颜射影法，基于默认参数的最优化射影出现的问题，解析非0灰度级占比与图像质量的对应关系，分析参数对最优化射影的作用，提出自适应最优对比度颜射影法的基本步骤，并进一步改进自适应最优对比度颜射影法，进行实验并分析实验结果，针对性提出局部自适应的最优化射影方法；

本发明提出与最优对比度颜射影法相贴合的图像评价方法，并基于该评价方法，提出自适应的最优对比度颜射影法，如果对图像中的某些区域比较感兴趣，将感兴趣的区域提取出来，并利用自适应的最优对比度颜射影法处理这样的兴趣区域；

质量评价驱动的自适应对比度颜射影法采用对比度颜射影法处理图像，在约束条件中加入上边界调节来约束图像增强过程中产生的阶跃，基于对比度颜射影法的图像视觉效果评价方法，在此基础上改进自适应最优对比度颜射影法方法；

本发明根据自然图像的统计结果，并基于最优对比度颜射影法，提出一种简单有效的无参考图像质量评价方法，以这个图像质量评价方法作为引导，提出一种自适应的最优化对比度射影法，无需人为的修改参数，大幅简化最优对比度调射影法的增强过程，减少人的参与度，在原始图像非0灰度值占比较低的图像中，通过无参考图像评价方式的引导，处理后图像增强效果更明显，增强的过程中兼顾图像的失真度，提高图像增强后的视觉效果，本发明通过精确量化直方图与对比度之间的关系，同时加强失真度的控制，使得增强后的图像视觉效果更符合生理视觉系统。

质量评价驱动的自适应对比度颜射影法，进一步的，默认参数的最优化射影出现的问题：在利用最优对比度颜射影法处理图像时，有两个关键性的参数m,n，其中m是直方图中灰度值的分离程度，即与调失真度相关，n控制阶跃的大小，使直方图更平滑，通过控制这两个参数的值，实现图像的不同的增强效果；

通过利用最优对比度颜射影处理大量的图像得到结论，在处理一些偏亮或偏暗或灰度直方图占比在中间比较集中的图像时，默认参数表现出来的增强效果不好，手动调整耗费大量的时间，本发明首先提出一个与最优对比度颜射影相适应的图像评价方法，适合最优对比度颜射影法，并通过评价方法有效引导图像增强过程中参数的选取。

质量评价驱动的自适应对比度颜射影法，进一步的，非0灰度级占比与图像质量的对应关系：基于对比度颜射影法的处理过程是通过调整图像的直方图，本发明从直方图角度考虑图像评价问题，通过一个简单但是行之有效的方法，降低复杂程度，提高运算速度，首先统计图像质量较好的图像；

直方图分布有两个明显特征，第一个特征是不为0的灰度值占比，另一个特征是灰度值出现的概率，最终处理后的结果都是通过分析图像的视觉效果判断图像处理的好坏，为了让视觉效果好坏的评价与直方图分布相联系，先挑选一些视觉效果较好的图像进行分析，视觉效果较好的图像的挑选过程为：从国家地理杂志的下载100张图片，这100张图片的挑选规则如下，从五个方面各挑选20张图片，这五个方面依次是风光、人文、纪实、生态、视角，每个方面的图像库的图像数量大于50张，利用随机数生成，从50中生成20个随机数，然后依次去下载这20个随机数所对应的图片，得到这100张图片后，将这些图片随机打乱并标号，然后通过下面的方式来的得到视觉效果较好的图片；

步骤一，5位测试员每人分别从图片库中挑取50张自己认为较好的图片，然后将这5个人的结果进行统计，如果有一张图片三个人或三个人以上认为较好，那么就将这张图片挑出来，剩下的没有超过三个人认可的图片继续放在图片池里面，如果挑出来的图片正好为50张就停止挑选，如果没有50张，进行下一步；

步骤二，如果图片没有达到50张，将剩下的没有挑出的图片继续随机打乱，然后进行步骤一；

最后将挑出的50张图片都转化成灰度值图像，统计库中的图像非0灰度值占比，统计结果中，视觉效果较好的图像的不为0的灰度值占比平均值为99％左右，除个别图像为追求一些特殊效果，大多数图像的非0灰度值占比基本上都是100％，得到这样的结论后，本发明利用最优对比度颜射影法处理图像时，利用非0灰度值的占比代替主观评价的视觉效果好坏；

在最优对比度颜射影法中，引入一种无参考的图像评价方法：如果图像的直方图中，非0灰度值的占比≥85％,认定这张图像的视觉效果比较好，较好的视觉图像库中得到的非0灰度值的占比较高，平均值都为99％，最优对比度颜射影法中，占比为85％，这是通过考虑算法的实现效果的基础上，既要增强，又要保证不能颜失真做出的一个折中考虑，如果过高的非0灰度值占比会将最大灰度失真度变大，造成颜失真，这样过犹不及反而带来较差的视觉效果，基于上述的考虑，将非0灰度值的占比设置为85％。

质量评价驱动的自适应对比度颜射影法，进一步的，参数对最优化射影的作用：参数m与最大灰度失真度是一个倒数关系，而参数n用来控制不要出现过度的阶跃，以免造成视觉效果不好；

本发明使用参数组m＝[0.1,0.3,0.5,0.7,0.9]，n＝[2,2.3,2.5,2.8,3]，通过这两个参数的组合，就有25种组合，通过这样的组合，有利于分析m,n两个参数对于最优对比度颜射影法的影响程度。

质量评价驱动的自适应对比度颜射影法，进一步的，为测试参数对图像处理结果的影响程度，选取直方图分布较广的图像，选取整体偏暗的图像，选取整体偏亮的图像，选取直方图在中间较集中的图像，这样就可以代表大多数图像特征，便于清晰了解参数之间的关系，每一组图像测试有25种结果，统计这些参数所对应的对比度获取函数的值作为对比，最后根据统计的结果，越小的m对应越大的对比度期望获取函数的值，而与之相反，越大的n对应越大的对比度期望获取函数的值，(0.1,3)这组参数的对比度期望获取函数值最大，与之对应的图像由于过度增强造成视觉效果并不是很理想，而且(0.1,3)这组参数对应的直方图也更加稀疏，而(0.9,2)这组参数得到的对比度期望获取函数的值最小，这组参数作用于图像之后，图像的增强效果并不明显，而且直方图与原始图像的直方图的差别并不是很大，m,n与对比度期望获取函数的值的关系分布呈现一个反相关和正相关的关系，但这两个参数之间的关系还不是很明确；

当图像的灰度值动态范围很小时，在参数m不断变化的过程中，对比度期望获取函数的值并没有一直增加，而是保持不变，对比度期望获取函数的值没有变化时，整个直方图中非0灰度值的占比也没有变化，n的值过低，限制了对比度期望函数值的增加，如果想要继续增加对比度期望的值，就要增大n的值；当m的值固定时，随着n值的增加，对比度期望获取函数的值不断增加，n的值从2到3之间变化，但没有一个n可以满足随着m增大，对比度期望获取函数的值也同样增大，所以在自适应最优射影的算法时，就要将这个问题考虑进去，以达到更好的增强效果。

质量评价驱动的自适应对比度颜射影法，进一步的，自适应最优对比度颜射影法的基本步骤：通过部分图像测试不同的参数下，对比度期望获取函数的值来验证当前的参数是否适合图像增强，图像在参数n为最大值3时，对比度期望获取函数的值并没有随着m的增大而增大，说明当前的n值太小没法满足增强的需要，所以首要任务是要到合适的n对图像进行增强，如果m增大n不变，对比度期望获取函数的值并没有增大时，就要调整n的取值，使得n增大，然后再来测试随着m增大过程中，n的值有无变化，通过这样一个过程，定义n的取值函数，通过这个函数确定的n的值可以满足图像增强要求，至于增强效果的变化，还要基于后续图像评价考虑，参数n的定义函数为：

式1中，pj是图像中灰度值为j出现的概率，cj代表当前灰度值与前向灰度值之间的距离，取最小n使得的当mk1≠mk2时，对比度期望获取函数的值也不同，到一个合适的参数n使得参数m不再受约束，随着m的变化，根据图像评价方法来决定增强效果是否到达评价标准，得到上述公式，求取参数n的值。

质量评价驱动的自适应对比度颜射影法，进一步的，在求取n值时，式1中n的值是当m取0.1到0.5中任意一个不同的值，使得对比度期望获取函数的值不同，为了更加精确的确定在一幅图像增强过程中，n的值会不影响到m对对比度期望获取函数值的增大，并考虑到实验时间的影响，将m值的变化设为0.1，将n的值设为0.2，确定n取值的过程为：

第1步，先确定参数m和n的初值，其中m1为0.5，n第一次计算时的初值为2，如果不是第一次计算，n的值为传递过来的值，计算对比度期望获取函数的值；

第2步，令m2＝m1－0.1，n的值不变，计算对比度期望获取函数的值；

第3步，重复第2步5次，计算出m从0.5到0.1变化的所有对应的对比度期望获取函数的值，如果其中的5个函数值有相等的，那么就令n＝n+0.2，继续返回到第1步中进行计算，如果这5个对比度期望获取函数的值不相同，那么就认为当前的n的值可以满足m的需求，这个n的值就是最终要带入到图像增强中的值。

质量评价驱动的自适应对比度颜射影法，进一步的，在计算n值的同时，利用图像评价方法来计算图像是否满足最终的图像评价方法，本发明图像的评价方法为：通过统计自然图像的直方图占比，得出占比在0.85以上的图像就可以认为图像的视觉效果较好，通过对比度期望获取函数增强后的图像同样也遵循该方法，但稍有不同在于处理后的图像中，非0灰度值的占比和其它灰度值结合造成图像的最终视觉效果很好，但是非0占比并没有很高，造成评价方法失效，所以既要与前面的占比相关联，又要保证处理后的图像也符合该要求，通过反复实验与推导，得出以下的处理后图像评价方法：

首先，假设图像是通过参数m1,n1处理得到，其中i与j表示两个相邻的非0灰度值，且i＜j，这两个灰度值之间存在k个等于0的灰度值，如果k≤n1，则在计算占比时假设这k个灰度值不为0，n个灰度值作为非0灰度值参与到最后的图像评价中去，如果k＞j，认定这k个灰度值为0，如果k≤n1，那么假设中间的k个灰度值非0，如短线所示，只是假设为非0，并且只参与最后的图像评价，没有其它任何意义，也不参与到后续的图像计算中去，将该评价方法定义为处理后图像评价方法；

基于处理后图像的评价方法，为减少计算复杂度和时间，将寻参数n和图像的评价结合，在寻到合适的参数n的同时，也同时寻到符合图像评价方法的图像，得到视觉效果较好的图像，下面是改进的第3步；

改进后的第3步：重复第2步5次，计算出m从0.5到0.1变化的所有对应的对比度期望获取函数的值，如果其中的5个函数值有相等的，那么就令n＝n+0.2，继续返回到第1步中进行计算，如果这5个对比度期望获取函数的值不相同，那么就认为当前的n的值可以满足m的需求，同时用处理后的图像评价方法来评价这5个不同的m对应的图像，如果从m＝0.5开始计算，当前图像满足评价方法，那么就停止计算，图像就是自适应后对应的图像，如果当计算到m＝0.1时，还是没有满足图像的评价方法，那么就认定当前的图像已经是最优结果，不需要增大；

通过这样改进后的算法，本发明可以通过寻合适的参数n的同时，来到合适的增强后的图像。

质量评价驱动的自适应对比度颜射影法，进一步的，改进自适应最优对比度颜射影法：采用自适应最优对比度颜射影法，通过不断的对比图像的特征和最后参数，将参数n寻的过程简化，直接给出参数n的定义公式，如下所示：

通过定义式计算的参数n与自适应寻的参数都不会再限制到图像的增强，并且在处理后图像评价中发挥出相应的作用，定义处理后图像评价方法，定义n的取值公式，先假设这是一个二维空间中的线性约束问题，那么m与n的约束关系重，假设一个二维的线性空间，由参数m形成的空间是一个不规则的凸空间，n形成的空间是一个圆形，当n形成的空间足够大时，随着m增大，m∩n会产生新的空间，对比度期望获取函数就会在这个m∩n产生的新空间中去寻最大值，m增大的同时，对比度期望获取函数的值也会随之增大，但当n形成的空间不是很大时，即n的大小满足不了m的大小时，当m的大小再怎样增大，m∩n的空间并没有发生新的变化，当m增大时，对比度期望获取函数的值并没有发生变化，这样的情况可以由二维的空间扩展到k维的空间中去，在k维空间中两者的关系和二维空间类似，必须寻到合适的n来使得图像的增强过程更加顺畅，以上这样的表示只是为了说明m，n的关系，真正的对应关系还要具体考虑，把整个自适应最优化射影的算法流程表示出来，通过这样的流程，比自适应最优对比度颜射影法节约大量的运算时间；

改进自适应最优对比度颜射影法算法流程中，如果当m＝0.1时，处理后的图像还是没有通过处理后图像评价方法，那么就将这种情况定义为极端情况，为了不出现更大的失真，对图像不再做处理，认为当前的图像已经是视觉效果最佳的图像。

质量评价驱动的自适应对比度颜射影法，进一步的，局部自适应的最优化射影：基于评价方法的限制，在处理有些图像时，由于图像非0灰度值占比较高，但希望增强一些感兴趣的关键局部区域，将部分感兴趣区域提取出来，再利用自适应最优化射影去处理图像；

为避免图像的失真，参数m的值最小取得0.1，如果此时非0灰度值的占比还没有达到85％，那么就认定这种情况为极端情况，当前图像已经是视觉效果最好的图像。

与现有技术相比，本发明的贡献和创新点在于：

第一，本发明基于最优对比度颜射影算法处理图像时出现的问题，利用自然图像的统计结果，提出一种简单有效的无参考图像质量评价方法，并以此评价方法为基础，在结合原始的最优对比度颜射影算法，提出了自适应的最优对比度颜射影算法，对比自适应的最优对比度颜射影算法与使用默认参数的对比度颜射影算法以及直方图均衡方法，可以很明显的看出自适应的对比度颜射影算法处理结果比较好，本发明方法既能够得到较好的视觉效果，又能够减少人的参与度，大幅降低方法复杂度，提高运算的速度，是一个直观但行之有效的图像增强方法；

第二，本发明根据自然图像的统计结果，并基于最优对比度颜射影法，提出一种简单有效的无参考图像质量评价方法，以这个图像质量评价方法作为引导，提出一种自适应的最优化对比度射影法，无需人为的修改参数，大幅简化最优对比度调射影法的增强过程，减少人的参与度，在原始图像非0灰度值占比较低的图像中，通过无参考图像评价方式的引导，兼顾图像的增强和失真度，处理后图像增强效果更明显，增强的过程中兼顾图像的失真度，提高图像增强后的视觉效果，本发明通过精确量化直方图与对比度之间的关系，同时加强失真度的控制，使得增强后的图像视觉效果更符合生理视觉系统；

第三，现有技术利用默认参数处理灰度值动态范围较小的图像时，效果并不是很好，这也促成了本发明改进最优对比度颜射影法的动力，利用改进自适应最优对比度颜射影法后方法，由于优化了算法，算法复杂度低，运算时间很短；将非0灰度值占比为0.15的原始图像进行处理，直方图均衡算法处理的图像已经出现了失真，默认参数最优化射影处理后的图像增强效果并不明显，而本发明处理后的结果比较好，既增强了图像，又没有使图像发生失真，对非0灰度值占比0.35的图像进行处理，分别得到处理后的图像，直方图均衡出现了比较大的失真，默认参数的最优化射影增强效果不是很明显，本发明自适应算法的视觉效果最好；

第四，本发明提出与最优对比度颜射影法相贴合的图像评价方法，评价方法简明直观，适合最优对比度颜射影法，并能通过评价方法有效引导图像增强过程中参数的选取，并基于该评价方法，采用对比度颜射影法处理图像，并明确提出在约束条件中加入上边界调节来约束图像增强过程中产生的阶跃，在此基础上提出改进自适应最优对比度颜射影法方法，该算法处理图像的效果有大幅提高，但有些图像满足了该评价方法，增强效果却不是很好，如果对这些图像中的某些区域比较感兴趣，将感兴趣的区域提取出来，并利用自适应的最优对比度颜射影法处理这样的兴趣区域，得到比较满意的结果，局部图像增强处理优势明显。

图1是本发明处理后图像评价方法示意图。

图2是自适应最优射影法的改进参数m与n的图示表示图。

图3是改进自适应最优对比度颜射影法算法流程图。

图4是对非0灰度值占比15％的图像处理后对应结果示意图。

图5是与图4对应图像的灰度直方图。

图6是对非0灰度值占比35％的图像处理后对应结果示意图。

图7是曝光不足的图像不同算法处理的结果对比示意图。

图8是曝光不足的局部图像不同算法处理结果对比示意图。

下面结合附图，对本发明提供的质量评价驱动的自适应对比度颜射影法的技术方案进行进一步的描述，使本领域的技术人员能够更好的理解本发明并能予以实施。

本发明主要分析在对比度颜射影处理图像时，人的参与度太高的问题，为使得方法既能够得到较好的视觉效果，又能够减少人的参与度，提出适合最优对比度颜射影的图像评价方法，在此基础上提出自适应的最优对比度颜射影法，并分析实验结果，然后又将此方法运用到局部的图像处理中，分析实验结果。

本发明基于默认参数的最优化射影出现的问题，解析非0灰度级占比与图像质量的对应关系，分析参数对最优化射影的作用，提出自适应最优对比度颜射影法的基本步骤，并进一步改进自适应最优对比度颜射影法，进行实验并分析实验结果，针对性提出局部自适应的最优化射影方法；

本发明提出与最优对比度颜射影法相贴合的图像评价方法，并基于该评价方法，提出自适应的最优对比度颜射影法，如果对图像中的某些区域比较感兴趣，将感兴趣的区域提取出来，并利用自适应的最优对比度颜射影法处理这样的兴趣区域；

质量评价驱动的自适应对比度颜射影法采用对比度颜射影法处理图像，在约束条件中加入上边界调节来约束图像增强过程中产生的阶跃，基于对比度颜射影法的图像视觉效果评价方法，在此基础上改进自适应最优对比度颜射影法方法；

本发明根据自然图像的统计结果，并基于最优对比度颜射影法，提出一种简单有效的无参考图像质量评价方法，以这个图像质量评价方法作为引导，提出一种自适应的最优化对比度射影法，无需人为的修改参数，大幅简化最优对比度调射影法的增强过程，减少人的参与度，在原始图像非0灰度值占比较低的图像中，通过无参考图像评价方式的引导，兼顾图像的增强和失真度，处理后图像增强效果更明显，增强的过程中兼顾图像的失真度，提高图像增强后的视觉效果，本发明通过精确量化直方图与对比度之间的关系，同时加强失真度的控制，使得增强后的图像视觉效果更符合生理视觉系统。

一、默认参数的最优化射影出现的问题

在利用最优对比度颜射影法处理图像时，有两个关键性的参数m,n，其中m是直方图中灰度值的分离程度，即与调失真度相关，n控制阶跃的大小，使直方图更平滑，通过控制这两个参数的值，实现图像的不同的增强效果，通过手动调整参数以求达到较好的视觉效果，但这样得到的结果花费大量的时间，通过不断的观察处理后的图像的直方图和转移函数的图像来调整参数，虽然处理结果较好，但图像处理结果与参数相关性很高，而且调整参数比较耗费时间，存在较大问题。

通过利用最优对比度颜射影处理大量的图像，可以初步得到一个结论，在处理一些偏亮或偏暗或灰度直方图占比在中间比较集中的图像时，默认参数表现出来的增强效果不是很好，与期望有较大差距，在这种情况下，就需要手动调整参数以达到更好的视觉效果。但手动调整耗费了大量的时间，这种人参与度高的方法并不好，为解决这个问题，本发明首先提出一个与最优对比度颜射影相适应的图像评价方法，评价方法简明直观，适合最优对比度颜射影法，并能通过评价方法有效引导图像增强过程中参数的选取。

二、非0灰度级占比与图像质量的对应关系

因为对比度颜射影法的处理过程是通过调整图像的直方图，所以本发明从直方图角度考虑图像评价问题，现有技术专门针对对比度失真的无参考图像质量评价方法，通过统计自然图像中的矩和熵，与要评价的图像作对比，比较偏移程度来判定图像的对比度失真程度，方法复杂度太高，而且于本发明匹配度不好，本发明通过一个简单但是行之有效的方法，大幅降低复杂程度，提高运算的速度，首先统计图像质量较好的图像。

直方图分布有两个明显特征，第一个特征是不为0的灰度值占比，另一个特征是灰度值出现的概率，最终处理后的结果都是通过分析图像的视觉效果判断图像处理的好坏，所以，为了让视觉效果好坏的评价与直方图分布相联系，先挑选一些视觉效果较好的图像进行分析，视觉效果较好的图像的挑选过程为：从国家地理杂志的下载100张图片，这100张图片的挑选规则如下，从五个方面各挑选20张图片，这五个方面依次是风光、人文、纪实、生态、视角，每个方面的图像库的图像数量大于50张，利用随机数生成，从50中生成20个随机数，然后依次去下载这20个随机数所对应的图片，得到这100张图片后，将这些图片随机打乱并标号，然后通过下面的方式来的得到视觉效果较好的图片，在这个过程中，有5位测试员一起帮助完成。

步骤一，5位测试员每人分别从图片库中挑取50张自己认为较好的图片，然后将这5个人的结果进行统计，如果有一张图片三个人或三个人以上认为较好，那么就将这张图片挑出来，剩下的没有超过三个人认可的图片继续放在图片池里面，如果挑出来的图片正好为50张就停止挑选，如果没有50张，进行下一步；

步骤二，如果图片没有达到50张，将剩下的没有挑出的图片继续随机打乱，然后进行步骤一；

最后将挑出的50张图片都转化成灰度值图像，统计库中的图像非0灰度值占比，统计结果中，视觉效果较好的图像的不为0的灰度值占比平均值为99％左右，除个别图像为追求一些特殊效果，大多数图像的非0灰度值占比基本上都是100％，得到这样的结论后，本发明利用最优对比度颜射影法处理图像时，就可以利用非0灰度值的占比代替主观评价的视觉效果好坏。

在最优对比度颜射影法中，引入一种无参考的图像评价方法：如果图像的直方图中，非0灰度值的占比≥85％,认定这张图像的视觉效果比较好。较好的视觉图像库中得到的非0灰度值的占比较高，平均值都为99％，最优对比度颜射影法中，占比为85％，这是通过考虑算法的实现效果的基础上，既要增强，又要保证不能颜失真做出的一个折中考虑，因为如果过于高的非0灰度值占比会将最大灰度失真度变大，造成颜失真，这样过犹不及反而带来较差的视觉效果，基于上述的考虑，将非0灰度值的占比设置为85％。

三、参数对最优化射影的作用

在默认参数的情况下没有取得较好视觉效果的图像，通过手动的调整两个关键参数m,n，得到了较好的视觉效果，通过定义可知，参数m与最大灰度失真度是一个倒数关系，而参数n用来控制不要出现过度的阶跃，以免造成视觉效果不好。

本发明使用参数组m＝[0.1,0.3,0.5,0.7,0.9]，n＝[2,2.3,2.5,2.8,3]，通过这两个参数的组合，就有25种组合，通过这样的组合，有利于分析m,n两个参数对于最优对比度颜射影法的影响程度。

为测试参数对图像处理结果的影响程度，选取直方图分布较广的图像，选取整体偏暗的图像，选取整体偏亮的图像，选取直方图在中间较集中的图像，这样就可以代表大多数图像特征，便于清晰了解参数之间的关系，每一组图像测试有25种结果，统计这些参数所对应的对比度获取函数的值作为对比，最后根据统计的结果，越小的m对应越大的对比度期望获取函数的值，而与之相反，越大的n对应越大的对比度期望获取函数的值，(0.1,3)这组参数的对比度期望获取函数值最大，与之对应的图像由于过度增强造成视觉效果并不是很理想，而且(0.1,3)这组参数对应的直方图也更加稀疏，而(0.9,2)这组参数得到的对比度期望获取函数的值最小，这组参数作用于图像之后，图像的增强效果并不明显，而且直方图与原始图像的直方图的差别并不是很大。m,n与对比度期望获取函数的值的关系分布呈现一个反相关和正相关的关系，但这两个参数之间的关系还不是很明确，

当图像的灰度值动态范围很小时，在参数m不断变化的过程中，对比度期望获取函数的值并没有一直增加，而是保持了不变，而且，从对应处理后的图像中分析，对比度期望获取函数的值没有变化时，整个直方图中非0灰度值的占比也没有变化，造成这个现象的原因是n的值过低，限制了对比度期望函数值的增加，如果想要继续增加对比度期望的值，就要增大n的值；当m的值固定时，随着n值的增加，对比度期望获取函数的值不断增加，n的值从2到3之间变化，但没有一个n可以满足随着m增大，对比度期望获取函数的值也同样增大，所以在自适应最优射影的算法时，就要将这个问题考虑进去，以达到更好的增强效果。

四、自适应最优对比度颜射影法的基本步骤

通过部分图像测试不同的参数下，对比度期望获取函数的值来验证当前的参数是否适合图像增强。图像在参数n为最大值3时，对比度期望获取函数的值并没有随着m的增大而增大，说明当前的n值太小没法满足增强的需要。所以首要任务是要到合适的n对图像进行增强，如果m增大n不变，对比度期望获取函数的值并没有增大时，就要调整n的取值，使得n增大，然后再来测试随着m增大过程中，n的值有无变化，通过这样一个过程，定义n的取值函数，通过这个函数确定的n的值可以满足图像增强要求，至于增强效果的变化，还要基于后续图像评价考虑，参数n的定义函数为：

式1中，pj是图像中灰度值为j出现的概率，cj代表当前灰度值与前向灰度值之间的距离，取最小n使得的当mk1≠mk2时，对比度期望获取函数的值也不同，这样就能到一个合适的参数n使得参数m不再受约束，随着m的变化，根据图像评价方法来决定增强效果是否到达评价标准，得到上述的公式，就可以求取参数n的值。

在求取n值时，式1中n的值是当m取0.1到0.5中任意一个不同的值，使得对比度期望获取函数的值不同，如果实验中测试每一个m不同的值，不仅会浪费大量时间，而且也不是一个很好的实验选择，为了更加精确的确定在一幅图像增强过程中，n的值会不影响到m对对比度期望获取函数值的增大，并考虑到实验时间的影响，将m值的变化设为0.1，将n的值设为0.2，这样减少了计算量，也不会对计算的精度有太大的影响。确定n取值的过程为：

第1步，先确定参数m和n的初值，其中m1为0.5，n第一次计算时的初值为2，如果不是第一次计算，n的值为传递过来的值，计算对比度期望获取函数的值；

第2步，令m2＝m1－0.1，n的值不变，计算对比度期望获取函数的值；

第3步，重复第2步5次，计算出m从0.5到0.1变化的所有对应的对比度期望获取函数的值，如果其中的5个函数值有相等的，那么就令n＝n+0.2，继续返回到第1步中进行计算。如果这5个对比度期望获取函数的值不相同，那么就认为当前的n的值可以满足m的需求，这个n的值就是最终要带入到图像增强中的值。

在计算n值的同时，利用图像评价方法来计算图像是否满足最终的图像评价方法，本发明图像的评价方法为：通过统计自然图像的直方图占比，得出占比在0.85以上的图像就可以认为图像的视觉效果较好，通过对比度期望获取函数增强后的图像同样也遵循该方法，但稍有不同在于处理后的图像中，非0灰度值的占比和其它灰度值结合造成图像的最终视觉效果很好，但是非0占比并没有很高，造成评价方法失效，所以既要与前面的占比相关联，又要保证处理后的图像也符合该要求，通过反复实验与推导，得出以下的处理后图像评价方法。

首先，假设图像是通过参数m1,n1处理得到，图1(a)是处理后的图像的部分直方图，其中i与j表示两个相邻的非0灰度值，且i＜j，这两个灰度值之间存在k个等于0的灰度值，如果k≤n1，则在计算占比时假设这k个灰度值不为0，n个灰度值作为非0灰度值参与到最后的图像评价中去，如果k＞j，认定这k个灰度值为0，如图1(b)所示，如果k≤n1，那么假设中间的k个灰度值非0，如短线所示，只是假设为非0，并且只参与最后的图像评价，没有其它任何意义，也不参与到后续的图像计算中去，将该评价方法定义为处理后图像评价方法。

基于处理后图像的评价方法，为减少计算复杂度和时间，将寻参数n和图像的评价结合，在寻到合适的参数n的同时，也同时寻到符合图像评价方法的图像，得到视觉效果较好的图像，下面是改进的第3步。

改进后的第3步：重复第2步5次，计算出m从0.5到0.1变化的所有对应的对比度期望获取函数的值，如果其中的5个函数值有相等的，那么就令n＝n+0.2，继续返回到第1步中进行计算，如果这5个对比度期望获取函数的值不相同，那么就认为当前的n的值可以满足m的需求，同时用处理后的图像评价方法来评价这5个不同的m对应的图像，如果从m＝0.5开始计算，当前图像满足评价方法，那么就停止计算，图像就是自适应后对应的图像，如果当计算到m＝0.1时，还是没有满足图像的评价方法，那么就认定当前的图像已经是最优结果，不需要增大。

通过这样改进后的算法，本发明可以通过寻合适的参数n的同时，来到合适的增强后的图像，但是本发明在实验的过程中，发现这样的算法运算时间太长，虽然能够很准确的到合适的参数，并且能够让图像的得到增强，但是这并不是本发明所希望的一个好的算法，这样的自适应算法是通过大量的计算得来的，如果去处理大量的图像，并没有什么优势，所以为了减少运算的时间，就要对算法进行优化，下面是优化后的算法的描述。36

五、改进自适应最优对比度颜射影法

采用自适应最优对比度颜射影法，通过不断的对比图像的特征和最后参数，将参数n寻的过程简化，直接给出参数n的定义公式，如下所示：

通过定义式计算的参数n与自适应寻的参数都不会再限制到图像的增强，并且在处理后图像评价中发挥出相应的作用，定义处理后图像评价方法，定义n的取值公式，先假设这是一个二维空间中的线性约束问题，那么m与n的约束关系用图2表示，假设一个二维的线性空间，由参数m形成的空间是一个不规则的凸空间，n形成的空间是一个圆形，当n形成的空间足够大时，随着m增大，m∩n会产生新的空间，对比度期望获取函数就会在这个m∩n产生的新空间中去寻最大值，m增大的同时，对比度期望获取函数的值也会随之增大，但当n形成的空间不是很大时，即n的大小满足不了m的大小时，当m的大小再怎样增大，m∩n的空间并没有发生新的变化，所以像图2所示的那样。当m增大时，对比度期望获取函数的值并没有发生变化，这样的情况可以由二维的空间扩展到k维的空间中去，在k维空间中两者的关系和二维空间类似，必须寻到合适的n来使得图像的增强过程更加顺畅，以上这样的表示只是为了说明m，n的关系，真正的对应关系还要具体考虑。把整个自适应最优化射影的算法流程表示出来，通过这样的流程，比自适应最优对比度颜射影法节约了大量的运算时间。

改进自适应最优对比度颜射影法算法流程图如图3，如果当m＝0.1时，处理后的图像还是没有通过处理后图像评价方法，那么就将这种情况定义为极端情况，为了不出现更大的失真，对图像不再做处理，认为当前的图像已经是视觉效果最佳的图像。

六、实验结果分析

利用默认参数处理灰度值动态范围较小的图像时，效果并不是很好，这也促成了本发明改进最优对比度颜射影法的动力，利用改进后的方法对图像进行处理，与直方图均衡化作为对比的方法，同时为了能够测试算法的普适性，分别选取了非0灰度值占比为15％，35％，55％，75％，95％的图像进行处理，利用改进自适应最优对比度颜射影法后方法，由于优化了算法，算法复杂度低，运算时间很短，图4是图像处理后的结果。

如图4所示，将非0灰度值占比为0.15的原始图像进行处理，分别用直方图均衡算法，默认参数的最优化射影，和本发明提出的改进自适应最优对比度颜射影法方法进行对比，直方图均衡算法处理的图像已经出现了失真，默认参数最优化射影处理后的图像增强效果并不明显，而本发明处理后的结果比较好，既增强了图像，又没有使图像发生失真，图5对比不同方法的灰度直方图。

通过比较不同算法处理后的直方图，可以看出本发明的图像增强效果非常明显，本发明方法直方图的部分放大后可以看到，在两个相邻的非0灰度值是89,95，中间为0的灰度值有5个，5≤n＝6.7，在最后计算占比时，中间为0的部分默认存在灰度值，将计入非0灰度值占比，统计得到的最终占比是91％，如图6所示，对非0灰度值占比0.35的图像进行处理，分别得到处理后的图像，直方图均衡出现了比较大的失真，默认参数的最优化射影增强效果不是很明显，本发明自适应算法的视觉效果最好。

对非0灰度值占比55％的图像进行处理，同样通过这三个算法处理，分别得到处理后的图像，直方图均衡出现了比较大的失真，默认参数与自适应算法的视觉效果差距不是很大。这也证明了，随着图像非0灰度值动态范围的提高，n的取值逐渐趋向于默认的取值，m的取值也会趋向于默认的取值。

利用式2可以得到，当占比为0.5及以上时，参数n的值是默认的参数，参数n假设一种理想情况，即默认的最大对比度期望获取函数，当相邻的非0灰度值的差值全都相等时，取得最大的对比度期望获取函数的值，这已经是理想状态，所以当不是理想状态下，参数n肯定可以满足参数m变化。

本发明自适应算法的参数与默认参数是相同的，因为在默认参数的条件下，已经达到了占比要求，所以不会再去减少m的值。与占比为0.75的图像相似，利用默认的参数处理一次后，图像已经通过了处理后图像的评价方法，所以就不会再改变m的值来继续增强图像了。

七、局部自适应的最优化射影

自适应的图像处理算法在利用默认参数处理了一次图像之后，非0灰度值的占比就已经达到了99％，算法已经判定了图像达到最优，停止了优化。但这并没有达到本发明所预期的效果，因为本发明所需要关键局部的增强，为了达到较好的效果，将感兴趣的关键局部区域提取出来，利用自适应的优化算法处理。

由于评价方法的限制，在处理有些图像时，由于图像非0灰度值占比较高，但希望增强一些感兴趣的关键局部区域，那么就可以将部分感兴趣区域提取出来，再利用自适应最优化射影去处理图像。

图7显示的是一幅曝光不足的图像，由于对焦时，焦点在上面的灯光部分，造成下面的书的部分非常暗，要费力才能看清楚上面的书的名字，利用本发明自适应算法对图像进行处理，但是由于原始图像中，非0灰度值的占比较高，效果不是很好，所以将感兴趣的部分提取出来处理，再利用自适应算法处理，图8是处理结果，最后的结果并没有达到85％，为了避免图像的失真，参数m的值最小取得0.1，如果此时非0灰度值的占比还没有达到85％，那么本发明就认定这种情况为极端情况，当前的图像已经是视觉效果最好的图像。