CLAHE算法在不同彩色空间中的图像增强效果评估

刘黎明

(中国船舶重工集团公司第723研究所，扬州 225001)

CLAHE算法在不同彩色空间中的图像增强效果评估

刘黎明

(中国船舶重工集团公司第723研究所，扬州 225001)

直方图均衡是一种常用的灰度图像增强算法，很多研究者对其做了各种改进，但少有人研究其在不同颜色空间上的增强效果。研究了对比度限制的自适应直方图均衡(CLAHE)图像增强算法，并介绍了图像和视频处理中常用的RGB、HSV、YIQ、YCbCr和Lab5种颜色空间，给出了均方误差(MSE)、峰值信噪比(PSNR)、彩色增强因子(CEF)和结构相似度(SSIM)4个图像质量评价指标的计算公式，并用这4个指标评价了CLAHE算法在5种颜色空间上的增强效果。实验结果表明，相比于其它4种颜色空间，CLAHE算法在HSV颜色空间上取得了最好的增强效果。

图像增强；对比度限制的自适应直方图均衡；颜色空间；直方图均衡；评价

1 概 述

图像增强是数字图像处理过程中经常采用的一种方法，目的是提高图像的对比度、清晰度，便于提取图像中的有用信息，从而有利于后续的图像分析与理解。根据处理空间的不同，图像增强技术可分为两大类[1]：空域增强法和频域增强法。前者直接在图像所在像素空间进行处理，后者是将图像变换到频域后再进行处理。

全局直方图均衡[1]是一种基于空域的图像增强法，由于该算法简单，易于实现，且增强效果明显，得到了广泛的应用。然而，全局直方图均衡法存在如下问题[2]：(1)该算法并没有扩大灰度范围，而仅仅是使灰度级分布平均化；(2)对于动态范围大的图像灰度拉伸效果不明显；(3)灰度级合并会导致图像细节丢失。

为了解决全局直方图均衡法中存在的这些问题，各种局部和自适应直方图均衡方法被提出[3-9]。其中，对比度受限的自适应直方图均衡(CLAHE)是一种比较引人关注且具有较好增强效果的图像增强算法。该算法通过分块解决当图像分布不均时增强效果不明显的问题，通过限制对比度解决自适应直方图均衡(AHE)中过度放大噪声的问题，通过插值解决AHE中图像出现块状效应问题。

直方图均衡是一种灰度变换法，起初主要用于灰度图像和医学图像。随着数字图像处理技术的发展和数字摄像机的普及，彩色图像越来越多，当拍摄环境不佳时，需要拍摄后对彩色图像进行图像增加处理。然而，图像可以用不同的颜色空间来表示，如RGB颜色空间[9]、HSV颜色空间[10]、YCbCr颜色空间[11]、YIQ颜色空间[12]、Lab颜色空间[13]等。本文的研究目标就是通过某些准则客观评估CLAHE图像增强法在各种彩色空间的增强性能。

2 CLAHE

AHE算法中，图像中某个像素的局部直方图就是统计以该像素为中心的一个矩形区域内的像素得到的，而并没有考虑该矩形区域的周边环境对它的影响，这不符合人的视觉特性。此外，AHE算法存在过度放大图像中相同区域噪声的问题。CLAHE通过限制对比度解决AHE中过度放大噪声的问题，通过插值解决AHE中图像出现块状效应的问题。

CLAHE 算法的主要内容为：首先将图像划分为多个大小一样的图像块；然后统计每个图像块的直方图，并根据预先设定的受限阀值对其直方图进行 “剪切”(见图1(a))；接着根据重分配后的直方图对相应图像块做直方图均衡处理(见图1(b))；最后对均衡后的图像块的每个像素点进行插值运算得到新的灰度值。

CLAHE 算法的具体实现步骤如下：

(1) 分块：把输入图像划分为多个大小一样的图像块，一般划分为 8×8 个图像块。

(2) 计算每个图像块的直方图：用h(x)表示图像块的直方图，x表示灰度级，其取值范围为[0,K-1]，K为图像的灰度级数，其值可取64,128,256等。

(3) 计算剪切阈值Tc：

(1)

式中：M为每个图像块内像素总数；Tcl为预先设定的受限阈值，由它决定对比度增强幅度；符号“「⎤”表示向上取整；round表示四舍五入。

图1 CLAHE 算法示意图

(4) 像素点重分配：对如图 1(a)所示的直方图h(x)，剪切掉高于Tc的部分，并把剪切掉的那部分像素全部均匀地分配到直方图的底部，如图1(b)所示，这样直方图上的所有灰度级都均匀地增加了一定的像素数。直方图中每个灰度级平均增加的像素数Bav的计算公式如下：

(2)

式中:Etotal为超过Tc的像素值总数;符号“⎣」”表示向下取整。

用h′(x)表示重分配后的直方图，其计算公式如下：

(3)

(5) 直方图均衡处理：计算该图像块的变换函数，对 h′(x)进行灰度映射变换，得到一个中间结果，用 f(x)表示。

(6) 像素值重构：在得到了所有图像块的f(x)后，根据图像块的位置对各图像块进行相应处理得到各像素点的新像素值。对位于图像内部的图像块，根据临近的图像块的变换函数进行双线性差值运算；对位于边缘的图像块，根据临近的图像块的变换函数进行线性插值运算，而对位于4个角落的图像块，则直接使用块所在的变换函数。

3 颜色空间介绍

3.1 RGB颜色空间

RGB颜色空间是工业界的一种颜色标准，是一种加性彩色模型，将红(R)、绿(G)、蓝(B)3种不同颜色以不同比例混合，可以得到人类视力所能感知的所有颜色，是目前应用最为广泛的颜色空间之一。RGB颜色空间常用于电视或PC的CRT、LED、OLED显示器或大尺度显示屏的颜色显示，屏幕上的每个像素都是由3个很小且靠得很近的静止分离的RGB三色光源组成的。最常用的RGB格式是RGB24，即使用24位来表示1个像素，每个颜色分量用8位表示，取值范围为[0, 255]。

3.2 HSV颜色空间

HSV颜色空间是由A.R.Smith在1978年根据颜色的直观特性创建的一种颜色空间，是一种圆柱坐标表示空间。每个圆柱中，绕垂直中轴的角度表示色调(Hue),到中轴的距离表示饱和度(Saturation)，沿中轴的距离表示亮度(Value)。色调H的取值范围为0°～360°，逆时针方向计算，红色为0°，绿色为120°，蓝色为240°。饱和度S表示颜色接近光谱色的程度，取值范围为0%～100%，其值越大表示该颜色越接近光谱色，颜色中的白色成分就越少，显得深而艳，饱和度高。

RGB颜色空间转换到HSV颜色空间的转换公式为：

(4)

(5)

(6)

3.3 YCbCr颜色空间

YCbCr颜色空间常用于视频和数码摄影系统，其中Y是亮度分量，Cb是蓝色色度分量，Cr是红色色度分量。

RGB颜色空间转换到YCbCr颜色空间的转换公式为：

(7)

3.4 YIQ颜色空间

YIQ颜色空间是NTSC彩色电视系统中使用的一种颜色空间，主要应用于北美洲、中美洲和日本。Y是亮度分量，提供黑白电视和彩色电视的亮度信号。I和Q是颜色分量，用于描述图像色彩和饱和度的属性。其中I表示同相，色彩从橙色到青色;Q表示正交，色彩从紫色到黄绿色。

RGB颜色空间转换到YIQ颜色空间的转换公式为：

(8)

3.5 Lab颜色空间

Lab颜色空间是国际照明委员会制定的一种色彩模式，其中L表示亮度，a和b是2个颜色通道。L的取值范围为[0,100]，表示从纯黑到纯白；a的取值范围为[-128,127]，正数代表红色，负数代表绿色；b的取值范围为[-128,127]，正数代表黄色，负数代表蓝色。

RGB颜色空间转换到Lab颜色空间时，需先将RGB颜色空间转换到XYZ颜色空间，然后再从XYZ颜色空间转换到Lab颜色空间。

RGB颜色空间转换到XYZ颜色空间的转换公式为：

(9)

XYZ颜色空间到Lab颜色空间的转换公式为：

(10)

其中：

4 评价准则

为了评估CLAHE在5种不同彩色空间中的图像增强性能，需对增强后的图像进行质量评价。图像质量评价可分主观评价和客观评价，主观评价就是用人眼观察各彩色空间下得到的图像而做出相应的评价。客观图像质量评价方法可分为全参考、半参考和无参考，全参考就是需用完整的参考图像，半参考就是利用参考图像的部分信息，而无参考就是不需要任何关于参考图像的信息。传统的全参考图像质量评价指标有均方差(MSE)和峰值信噪比(PSNR)。MSE和PSNR这2个指标具有计算简单和物理含义清晰的优点，但与人眼的视觉感知存在较大差异，为此有人提出新的评价指标，如彩色增强因子(CEF)[12]、结构相似度(SSIM)[14]等。下面介绍一下上述4种指标的计算方式。

假设原始彩色图像为I，图像尺寸大小为H×W，经CLAHE增强后的彩色图像为E。

4.1 MSE

先将彩色图像I转换为灰度图像I1，彩色图像E转换为灰度图像E1。在MATLAB中可以通过rgb2gray这个函数来完成这个转换，其计算公式为：

gray=0.299·R+0.587·G+0.114·B

(11)

式中：R、G、B分别为彩色图像的红色通道、绿色通道、蓝色通道。

得到原始图像和增强图像的灰度图后，可以计算它们之间的MSE，用γMSE表示，其计算公式如下：

(12)

4.2 PSNR

PSNR这个指标也是针对灰度图像设计的，用γPSNR表示，其计算公式如下：

(13)

4.3 CEF

记α=R-G，β=(R+G)/2-B，图像的彩色度定义为：

(14)

式中：σ、μ分别为标准方差、均值。

彩色增强因子FCE的计算公式为：

(15)

4.4 SSIM

结构相似度(SSIM)用S表示，其计算公式如下：

(16)

(17)

5 测试实验结果与分析

为了评估CLAHE图像增强算法在RGB、HSV、YCbCr、YIQ、Lab这5种颜色空间中的增强性能，本文从网上搜索下载了20幅图像，其中包括了几幅图像增强研究中经常使用的测试图像，然后用第4节中所述的4个指标评价各颜色空间输出图像的增强效果。图2～图5给出了5种颜色空间在不同图像上的增强效果对比图，即主观评价；图6～图9为5种颜色空间对应一种指标在20幅图像上的分布，表1给出5种颜色空间的4种指标在20幅图像上的平均值，即客观评价。从主观评价来看，CLAHE算法在5种颜色空间上处理后都得到了比原图像好的结果，即都有所增强;但RGB、YCbCr、YIQ、Lab这4种颜色空间的结果不是过度增强使得图像有点泛白，就是色彩失真比较严重;而在HSV颜色空间上得到的结果，无论从亮度还是从色彩来看，都好于其他4种颜色空间。对于客观评价，MSE值越小，表示失真越小，5种颜色空间中对应HSV的MSE值最小；PSNR值越大，表示信噪比有所提升，5种颜色空间中对应HSV的PSNR值最大；CEF值越大，表示色彩越丰富，5种颜色空间中对应HSV的CEF值最大；SSIM越大，表示与原图像越相似，5种颜色空间中对应HSV的SSIM值最大；故从客观评价来看，CLAHE算法在HSV彩色空间中取得的图像增强效果好于其他4种颜色空间。

表1 5种颜色空间的4种指标的平均值

图2 5种颜色空间在girl图像上的增强效果比较

图3 5种颜色空间在sienaShadow图像上的增强效果比较

图4 5种颜色空间在canyon2图像上的增强效果比较

图5 5种颜色空间在nighttime1图像上的增强效果比较

图6 5种颜色空间的MSE值分布

图7 5种颜色空间的PSNR值分布

图8 5种颜色空间的CEF值分布

图9 5种颜色空间的SSIM值分布

6 结束语

本文首先研究了对比度限制的自适应直方图均衡图像增强算法，接着介绍了RGB颜色空间、HSV颜色空间、YIQ颜色空间、YCbCr颜色空间、Lab颜色空间等5种颜色空间，给出了MSE、PSNR、CEF、SSIM这4种图像质量评价指标的计算公式，并用这4种指标对CLAHE算法在5种颜色空间上的增强效果做评价。实验结果表明，无论是主观评价，还是客观评价，CLAHE算法在HSV颜色空间上取得的增强效果优于其他4种彩色图像。

虽然CLAHE算法对雾天图像和夜色图像都有一定的增强，但由于该算法实际上只利用图像的亮度，并没有利用图像的梯度和纹理信息，增强效果一般，故下一步将研究如何利用梯度和纹理信息以提高图像增强效果。

[1] GONZALEZ R C,WOODS R E.数字图像处理[M].2版.阮秋琦,阮宇智译.北京:电子工业出版社,2008.

[2] 梁琳,何卫平,雷蕾，等.光照不均图像增强方法综述[J].计算机应用研究,2010,27(5): 1625-1628.

[3] 江巨浪, 张佑生, 薛峰，等.保持图像亮度的局部直方图均衡算法[J].电子学报,2006,34(5): 861-866.

[4] KIM J Y,KIM L S,HWANG S H.An advanced contrast enhancement using partially overlapped subblock histogram equalization[J].IEEE Transactions on Circuits and Systems for Video Technology,2001,11(4):475-484.

[5] 曹聚亮,吕宝海,李冠章.基于自适应局部灰度修正的直方图均衡算法[J].红外与激光工程,2004,33(5):513-515.

[6] STARK J A.Adaptive contrast enhancement using generalization of histogram equalization [J].IEEE Transactions on Image Processing,2000,9(5):889-906.

[7] CASELLES V,LISANI J L,MOREL J M，SAPIRO G.Shape preserving local histogram modification [J].IEEE Transactions on Image Processing,1998,8(2):220-230.

[8] PIZER S M,AMBURN E P,AUSTIN J D,et al.Adaptive histogram equalization and its variations[J].Computer Vision Graphics and Image Processing,1987,39(3):355-368.

[9] MURAHIRA K.Hue-preserving color image enhancement in RGB color space with rich saturation [C]// International Symposium on Intelligent Signal Processing and Communications Systems (ISPACS).New Taipei:IEEE,2012: 266-269.

[10]REN C C,YANG J G.A novel color microscope image enhancement method based on HSV color space and curvelet transform [J]. International Journal of Computer Science Issues,2012,9(2):272-277.

[11]LEE S,KWAK Y,KIM Y J,et al.Contrast-preserved chroma enhancement technique using YCbCr color space[J].IEEE Transactions on Consumer Electronics,2012,58(2):641-645.

[12]LAL S,NARASIMHADHAN A V,KUMAR R.Automatic method for contrast enhancement of natural color images [J].Journal of Electrical Engineer & Technology,2015,10(3):1233-1243.

[13]CHO Y H,KIM Y T,LEE H K,et al.Color image enhancement technique using gamut mapping based on color space division [C]//Electronic Imaging 2003.International Society for Optics and Photonics,2003:81-91.

[14]WANG Z,BOVIK A C,SHEIKH H R,et al.Image quality assessment: from error visibility to structural similarity[J].IEEE Transactions on Image Processing,2004,13(4):600-612.

Image Enhancement Effect Evaluation of CLAHE Algorithm in Different Color Spaces

LIU Li-ming

(The 723 Institute of CSIC,Yangzhou 225001,China )

Histogram equalization is one of common gray image enhancement algorithms.Many researchers have made a variety of improvements to histogram equalization.However,few people study the enhancement effect in different color space for histogram equalization.This paper studies contrast limited adaptive histogram equalization (CLAHE)-based image enhancement algorithm,and introduces five color spaces:RGB,HSV,YCbCr,YIQandLab,which are often used in image and video processing domain,and gives the calculation formulas of four image quality evaluation indexes:mean square error (MSE),peak signal to noise ratio (PSNR),color enhancement factor (CEF),structural similarity (SSIM),and uses the four indexes to evaluate the enhancement effect of CLAHE algorithm in five color spaces.The experimental results show that,compared with other four color spaces,CLAHE algorithm has achieved the best enhancement effect in HSV color space.

image enhancement;contrast limited adaptive histogram equalization;color space;histogram equalization;evaluation

2016-03-15

TN911.73

A

CN32-1413(2016)06-0062-07

10.16426/j.cnki.jcdzdk.2016.06.014