一種基于改進直方圖均衡化的顯著圖提取算法

羅 強，吳俊峰，于 紅，孫建偉，張美玲

1(大連海洋大學 信息工程學院，遼寧 大連 116023)2(遼寧省海洋信息技術重點實驗室，遼寧 大連 116023)

1 引 言

隨著計算機視覺技術的發展，圖像的視覺顯著性檢測在圖像分割、圖像目標提取、自適應圖像壓縮和編碼、圖像檢索等領域得到了廣泛的應用，已經成為計算機視覺領域中的研究熱點之一，并引起了許多專家、學者們的廣泛關注[1，2].目前比較常用的顯著性檢測方法可分為兩類[3]：一類是根據圖像自身的特性來提取顯著性區域，從局部特征出發，計算特征和背景平均值的差異，如果差異大，或者出現的頻率小，則說明該特征比較顯著[4，5]；另一類是從已有的先驗知識出發，針對特定物體的識別，具體來說就是把圖像或幾何物體搜集起來作為一個整體數據，然后從整體數據中來度量特定物體的顯著性[6].

在從局部特征出發的顯著性檢測算法中，比較具有代表性的是Cheng等提出的基于直方圖對比度的HC算法，該方法對顏色信息進行提取，根據像素與其他像素的色彩差異來分配顯著值，并產生具有全分辨率的顯著性圖像，應用于處理普通的自然景象，對于處理紋理清晰的圖像效果不夠理想[7]；Stas Goferman等提出的CA算法(即Goferman算法)具有與其他顯著圖不一樣的觀點，作者認為顯著圖可以代表整幅圖像，該算法根據局部底層信息、全局信息以及目標位置等高級特征來確定顯著區域[8]；RanMargolin等提出基于主成分分析的PCA顯著性提取算法，綜合考慮了顏色差異和模式差異，并對兩者進行了有效結合，取得了較好的效果[9]；度量顯著性的另一類算法是以人類先驗知識為指導，針對特定物體的識別比較有效，但依賴于特征數據庫的建立，在人臉識別和車輛匹配等領域中得到了廣泛的應用.

在復雜環境下(比如夜晚、水下等環境中)采集到的圖像往往存在偏暗、低對比度等問題，對于這類圖像的顯著性圖提取問題，上述方法雖然可以提取出顯著區域，但由于圖像本身的特點，提取出的顯著區域通常會遺失掉圖像的某些信息，同時因圖像的模糊不清容易將非顯著區域錯誤歸納到顯著區域中，給圖像的顯著性提取帶來麻煩[10，11].對于此類圖像，提高其亮度和對比度是解決問題的關鍵.目前現有的提高圖像對比度的方法有基于圖像特征的方法和基于圖像視覺效果的方法以及基于圖像增強所用理論的方法[12]，其中基于圖像特征的方法就是現在比較常用的直方圖均衡化方法[13]；基于圖像視覺效果的方法常采用Retinex算法，但由于該算法受多尺度卷積運算的影響，運算復雜度偏高，在實際運用中存在一定的局限性[14]；基于圖像增強所用理論的方法將數學理論運用于圖像處理技術中，但由于其不考慮圖像采集的過程，對于不同環境下采集到的圖像并不是都能取得好的效果[15].綜上所述，直方圖均衡化方法在改善圖像質量、提高圖像對比度方面取得了很好的效果，因此本文也采用直方圖均衡化方法來改善此類圖像質量，現有的直方圖均衡化方法已經對傳統直方圖均衡化方法存在的灰度“吞噬”、增強后圖像存在的過暗、曝光過度、輪廓不清晰等問題進行了不同程度的改進[16-19].但是由于直方圖均衡化本身的不適定性，雖然已有諸多典型算法，但并不存在一個通用算法，還需要具體問題具體分析，因此針對本文圖像的特點，提出了一種改進的直方圖均衡化方法.

本文的結構是這樣安排的：第二部分介紹了基于傳統直方圖均衡化的顯著性提取算法；第三部分闡述了基于改進的直方圖均衡化的顯著性提取算法；第四部分進行了實驗，并對實驗結果進行了分析；第五部分對整篇論文進行了總結.

2 基于傳統直方圖均衡化的顯著性提取方法

傳統的直方圖均衡化方法的基本原理是根據輸入圖像的灰度概率密度函數確定映射函數，使得輸出圖像的直方圖呈現均勻分布，對比度得到增強.在像素映射過程中，要保證原來的大小關系不變，較亮的區域依舊較亮，較暗的區域依舊較暗，且映射函數的值域要控制在0到255之間，不能越界，所以直方圖均衡化方法采用累積分布函數對灰度值進行“調整”以實現對比度的提高，公式如下：

(1)

其中Sk為映射后的灰度級累積概率密度，nj為j灰度級出現的個數，N為像素總個數，L為最大灰度級.通過輸入圖像獲得各灰度值的累積概率密度以后，傳統的直方圖均衡化方法將該累積概率密度乘以(0-255)得到均衡化后的灰度值映射，這樣就實現了圖像的直方圖均衡化.

由于本文采集圖像偏暗、低對比度的特點，其直方圖分布普遍存在高峰，且像素集中于部分灰度級區域.通過使用直方圖均衡化方法，對圖像中像素個數多的灰度級進行了展寬，使得圖像的直方圖呈現均勻分布，圖像像素占有更多的灰度級，提高了對比度和灰度色調的變化，然后把灰度圖的直方圖均衡化結果加到HSV彩色通道的V(明度)通道上，以實現彩色偏暗圖像的直方圖均衡化.

綜上所述，進行了直方圖均衡化后圖像的對比度得到了提升，顏色差異得到了增強，然后將傳統的直方圖均衡化方法應用到顯著性提取算法中，本文采用的是基于主成分分析(PCA)的顯著性提取算法，該算法將顏色差異和模式差異相結合來得到顯著圖，公式如下：

S(px)=P(px)·C(px)·G(px)

(2)

公式中：px——圖像小塊，對圖像進行均勻裁剪得到的圖像小塊；P——模式差異，指在PCA空間下，圖像小塊在像素的統計分布中所體現的差異值；C——顏色差異，圖像小塊在LAB空間中的與其他小塊的差異；G——高斯加權，σ=10000為經驗值，m為顯著圖質心.

此方法將模式差異和顏色差異綜合考慮且采用主成分分析的方法來提取顯著圖(PCAS)，有效地避免了傳統的K近鄰算法所帶來的誤差.而且將模式差異和顏色差異結合使用可以較好的避免背景對前景的干擾.

通過引言分析我們可以看出，圖像的顯著性是通過計算特征和背景的差異性來分辨的，也就是說，差異性越大，就越容易識別出顯著區域，而對比度就是我們這里提到的差異性，對比度提高，圖像的目標區域更顯著，對于我們提取圖像的顯著性會提供很大的幫助.

3 基于改進直方圖均衡化的顯著性提取方法

傳統的直方圖均衡化方法對要處理的數據不加選擇，且對于本文圖像直方圖存在的高峰問題，均衡化后的直方圖灰度級差異過大或過小，對比度會不自然的過分增強，造成圖像的失真.所以本文對傳統的直方圖均衡化方法進行了改進.

3.1 改進的基于全局的累積概率密度函數

公式如下：

(3)

其中，nj為j灰度級出現的個數，N為像素總個數，Sk為映射后的灰度級累積概率密度，k為輸入圖像的最大灰度級.

通過公式可以看出，該映射函數可以有效地將累積概率密度控制在0.5左右，通過這樣處理能夠對分布差異大的灰度級進行抑制，對分布差異小的灰度級進行保留，并且具有一定的灰度級壓縮能力，使得灰度分布更加均衡.

此方法在提高對比度的同時也保證了圖像質量，雖然對比傳統直方圖均衡化方法會在一定程度上限制圖像的差異性，但是可以有效避免圖像的失真，不會造成過度曝光以及對比度不自然的過分增強的問題.

3.2 基于局部特征的函數

傳統直方圖均衡化方法對圖像的盲目處理也會帶來直方圖灰度級的損失，從而造成圖像細節信息丟失，目標區域輪廓模糊，給顯著性提取帶來困擾.所以，又考慮了基于局部的映射函數，公式如下：

(4)

Ave為m×n大小的窗口內的像素平均值.

Dif(xi，j)=(xi，j-Ave)

(5)

其中xi，j為圖像中的像素灰度，Ave為該像素局部區域的平均值，Dif(xi，j)為該局部區域內原像素灰度值與平均值的差值，用以表達細節信息.

通過公式可以看出，局部均衡化公式可以保留并突出細節信息，實現細節增強，但是這種方法只起到窗內局部對比度增強作用，并沒有調節整幅圖像動態范圍的效果.基于局部特征的直方圖均衡化方法對于保留圖像的細節信息有著至關重要的作用，對于顯著區域的輪廓紋理特征進行了很好地加強，使得圖像更加清晰，顯著區域更加突出.

3.3 EBCHE算法

本文采用3.1、3.2提到的兩種改進函數結合的EBCHE(Enhance Brightness and Contrast Histogram Equalization)算法.

局部對比度增強法能強化局部圖像細節，不能改善整幅圖像動態范圍，而直方圖均衡法雖能改善整幅圖像的動態范圍但是以犧牲圖像細節為代價.因此考慮將這兩種方法結合起來，從而彌補各自的不足.

f(xi，j)=w1·Sk+w2·Dif(xi，j)

(6)

其中，f(xi，j)為灰度映射函數，w1，w2為權重.不同的權重對全局和局部的側重會有所不同，針對本文圖像數據的特殊性，采用不同參數對進行實驗，結果證明權重取值0.5效果最佳，即：w1=w2=0.5.

隨后將改進的直方圖均衡化方法和顯著性提取方法結合使用，針對自然場景下偏暗、低對比度的圖像進行顯著性提取.公式如下：

Sc(px)=f(xi，j)·S(px)

(7)

通過改進的直方圖均衡化方法對所采集數據直方圖進行基于全局和局部的均衡化處理，有效地提高圖像的亮度和對比度，使得圖像的質量得到提高，目標區域更加清晰明確.然后將該方法和Ran Margolin等人提出的基于主成分分析的顯著性提取算法結合使用.經過改進直方圖均衡化方法處理過的圖像，目標對象更為突出，我們再對其進行顯著性提取.

4 實驗及結果分析

為了驗證算法的有效性，我們在windows7系統下使用Matlab2012b進行實驗.實驗環境的硬件配置為：Intel(R)Core i3-4150 CPU 3.5GHz處理器，4.00GB內存.

圖1 ASD1000數據集圖片示例Fig.1 ASD1000 picture sample data set

圖2 LEB數據集圖片示例Fig.2 LBE picture sample data set

本文采用在ASD1000[21]數據集和實驗室收集建立的含有300多幅特定圖片的LBE數據集上驗證了算法的有效性.ASD1000數據集是由MSRA中的1000幅圖片組成，而MSRA數據集是被9個不同的人標注且包含5000幅圖片的數據集，也是目前做顯著性檢測最大的數據集.數據示例如圖1所示.LBE數據集是由大連海洋大學圖像處理研究組搜集并建立，共包含307幅不同場景下偏暗、低對比度的圖片，數據示例如圖2所示.

本文采用AUC(Area-Under-The-Curve)作為評價指標來評估所提算法在兩類數據集上的魯棒性和準確性.

分別進行了3個實驗：

1)傳統直方圖均衡化方法和改進直方圖均衡化方法的對比實驗：

圖3 直方圖均衡化方法對比圖Fig.3 Histogram equalization method contrast figure

改進的直方圖均衡化方法：對所采集到的偏暗、低對比度的圖片進行實驗，通過實驗證明了改進的直方圖均衡化方法的有效性(如圖3)，生成原圖灰度化結果以及每種算法的均衡化結果，并對相應的灰度直方圖進行評價.人眼觀測到的均衡化的效果(視覺感受)，以及灰度直方圖均勻程度(分布越均勻則均衡化效果越好)，灰度級的損失程度(損失程度越大證明均衡化效果對細節的丟失越大).

圖4 顯著性提取結果對比圖Fig.4 Saliency detection result contrast figure

通過實驗結果可以看出，采用本文所提算法對圖像進行處理，圖片的亮度得到了明顯提升，且其對應的灰度直方圖也不是單純的均衡化，而是從整體和局部綜合考量，既從全局特征出發對整幅圖像進行了直方圖的均衡化，同時又避免了細節信息的丟失，因此對圖像質量的提升取得了很好的效果.

2)基于傳統直方圖均衡化顯著性提取結果和基于改進直方圖均衡化顯著性提取結果對比實驗如圖4所示.

通過應用Ran Margolin等人提出的基于主成分分析的顯著性提取算法對改善后的圖片進行顯著性提取，比較于對原圖直接進行顯著性提取以及基于傳統直方圖均衡化方法的顯著性提取效果有明顯提升.

通過實驗結果可以看出采用本文改進算法處理過的圖像質量從亮度和細節信息上要明顯高于傳統HE算法處理過的圖像，并且在進行顯著性提取時，改進算法的顯著性提取結果明顯更接近于標注過的真實數據(Ground Truth)，且提取出的顯著區域信息更加完整.

3)對實驗結果進行指標測試：

同時，我們還進行了AUC(Area-Under-The-Curve)指標測試，如圖5-圖8所示.

圖5 PCAS算法在ASD1000上提取結果 圖6 PCAS算法在LBE上提取結果

圖7 BSCA算法在ASD1000上提取結果 圖8 BSCA算法在LBE上提取結果

我們還使用了Yao Qin等人提出的BSCA顯著性提取算法[20]來驗證算法的有效性，通過AUC實驗結果圖可以看出，在ASD1000數據集上原圖的顯著性提取效果要稍好于改進算法處理的顯著性提取結果，但在實驗室建立的LBE小型數據集上，算法的有效性還是得到了很好地驗證，原因在于算法的自適應性能較差，針對PCAS算法設計的改進的直方圖均衡化算法并沒有很好地契合所有的顯著性提取算法，只是針對偏暗、低對比度等特點顯著的圖像效果更加明顯，這是該算法還有待于改進的地方.

5 總 結

首先通過實驗證明了本文所提方法的有效性，針對特定的應用環境，即自然場景下偏暗、低對比度等低質量圖像，在原有傳統直方圖均衡化算法的基礎上進一步改進，找到了適應性和魯棒性更強的直方圖均衡化方法，并將此方法首次應用于顯著性檢測這一新興領域，為直方圖均衡化方法及圖像的顯著性檢測提供了新的思路.

但與此同時，我們也看到了此方法的局限性.首先此方法只針對符合條件的特定數據效果明顯，對于自然場景下的正常圖片效果提升一般，后續的研究工作還需跟進；同時有關此類特定環境條件下的數據集稀少，有待于進一步擴充與完善.

：

[1] Bulthoff H H，Lee S W，Poggio T，et al.Biologically motivated computer vision[M].New York ：Springer Publishing Company，2003：150-159.

[2] Toet A.Computational versus psychophysical bottom-up image saliency：a comparative evaluation study[J].IEEE Transactions on Software Engineering，2011，33(11)：2131-2146.

[3] Wang Hong-yan，Gao Shang-bing.Saliency detection based on fusion of global and local features[J].Journal of Data Acquisition and Processing，2014，29(5)：801-808.

[4] Ma Y F，Zhang H J.Contrast-based image attention analysis by using fuzzy growing[C].Eleventh ACM International Conference on Multimedia，Berkeley，Ca，Usa，November，DBLP，2003：374-381.

[5] Li Ce，Hu Ya-ling，Cao Jie.Hypercomplex visual saliency detection algorithm based on Log-Gabor[J].Computer Engineering，2012，38(7)：148-151.

[6] Wu Y，Shen X.A unified approach to salient object detection via low rank matrix recovery[C].Computer Vision and Pattern Recognition，IEEE，2012：853-860.

[7] Margolin R，Tal A，Zelnik-Manor L.What makes a patch distinct?[C].Computer Vision and Pattern Recognition，IEEE，2013：1139-1146.

[8] Goferman S，Zelnikmanor L，Tal A.Context-aware saliency detection[J].IEEE Transactions on Software Engineering，2012，34(10)：1915-1926.

[9] Torres-Méndez L A，Dudek G.Color correction of underwater images for aquatic robot inspection[M].Energy Minimization Methods in Computer Vision and Pattern Recognition，Springer Berlin Heidelberg，2005：60-73.

[10] Cheng M M，Zhang G X，Mitra N J，et al.Global contrast based salient region detection[C].Computer Vision and Pattern Recognition，IEEE，2015：409-416.

[11] Hou X，Zhang L.Saliency detection：a spectral residual approach[C].Computer Vision and Pattern Recognition，CVPR′07，IEEE Conference on.IEEE，2007：1-8.

[12] Wang Jun-ping，Li Jin.Development and prospect of image contrast enhancement[J].Electronic Technology，2013,26(5)：937-940.

[13] Gonzalez R C，Wintz P.Digital image processing[M].Publishing House of Electronics Industry，2007.

[14]Jobson D J，Rahman Z，Woodell G A.Properties and performance of a center/surround retinex[J].IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society，1997，6(3)：451-462.

[15] Niu He-ming，Chen Xiang-jun，Zhang Jian-xun.Image contrast enhancement based on wavelet transform and unsharp masking[J].High Technology Letters，2011，21(6)：600-606.

[16]Hu Dian-hai，Lv Xu-liang，Wen Liu-qiang.Image enhancement method using improved histogram equalization[J].Electro-optic Technology Application，2012，27(3)：65-68.

[17] Yang H，Wang J.Color image contrast enhancement by co-occurrence histogram equalization and dark channel prior[C].International Congress on Image and Signal Processing，IEEE，2010：659-663.

[18] Yang F，Wu J.An improved image contrast enhancement in multiple-peak images based on histogram equalization[C].International Conference on Computer Design and Applications，IEEE，2010：346-349.

[19] Chauhan R，Bhadoria S S.An improved image contrast enhancement based on histogram equalization and brightness preserving weight clustering histogram equalization[C].International Conference on Communication Systems and Network Technologies，IEEE，2011：597-600.

[20] Qin Y，Lu H，Xu Y，et al.Saliency detection via cellular automata[C].IEEE Conference on Computer Vision and Pattern Recognition，IEEE，2015：110-119.

[21]Achanta R，Hemami S，Estrada F，et al.Frequency-tuned salient region detection[C].Computer Vision and Pattern Recognition，2009：1597-1604.

附中文參考文獻：

[3] 王紅艷，高尚兵.基于全局和局部特征融合的顯著性提取方法[J].數據采集與處理，2014，29(5)：801-808.

[5] 李 策，虎亞玲，曹 潔，等.基于對數Gabor的超復數視覺顯著性檢測算法[J].計算機工程，2012，38(7)：148-151.

[12] 王俊平，李 錦.圖像對比度增強研究的進展[J].電子科技，2013，26(5)：937-940.

[15] 牛和明，陳祥軍，張建勛，等.基于小波變換與反銳化掩模的圖像對比度增強[J].高技術通訊，2011，21(6)：600-606.

[16] 扈佃海，呂緒良，文劉強.一種改進的直方圖均衡化圖像增強方法[J].光電技術應用，2012，27(3)：65-68.