数学建模_CLAHE 图像增强Matlab代码包教会使用,直接替换数据即可

最新推荐文章于 2025-04-21 13:29:21 发布
最新推荐文章于 2025-04-21 13:29:21 发布
阅读量679 收藏 11
点赞数 9
分类专栏： 数学建模模型代码 文章标签： 数学建模 matlab 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/2401_82466443/article/details/144026433
版权

CLAHE 图像增强：方法与实现

模型简介

对比度受限自适应直方图均衡化（CLAHE, Contrast Limited Adaptive Histogram Equalization）是一种改进的直方图均衡化方法，能够在增强图像对比度的同时避免过度增强导致的伪影问题。本博客介绍一种基于 CLAHE 的图像增强方法，适用于灰度图像和 RGB 图像的亮度增强，特别是在亮度分布不均的情况下。

原理解析

1. 自适应直方图均衡化 (AHE)

AHE 的核心思想是将图像分为多个小区域（称为“网格”），对每个区域分别进行直方图均衡化。增强后的图像具有更好的局部对比度，但可能会引入噪声或伪影。

2. 对比度受限自适应直方图均衡化 (CLAHE)

CLAHE 在 AHE 的基础上引入了对比度限制机制，防止对比度增强过度导致伪影：

  • Clip Limit：限制直方图中某个灰度级的最大频率值，将超出的频率分布到其他灰度级。
  • 分布模式：可以选择直方图的分布类型（如均匀分布或瑞利分布）。

对于 RGB 图像，通常只对亮度通道进行 CLAHE 增强，从而保持色彩一致性。

公式化描述：

  • 假设输入图像为 I(x,y)，直方图均衡后的值为：
    I ′ ( x , y ) = T [ I ( x , y ) ] I'(x, y) = T[I(x, y)] I′(x,y)=T[I(x,y)]
    其中 T 是直方图均衡化变换函数。

  • CLAHE 增强后的值为：
    I CLAHE ′ ( x , y ) = min ⁡ ( T [ I ( x , y ) ] , Clip Limit ) I'_{\text{CLAHE}}(x, y) = \min(T[I(x, y)], \text{Clip Limit}) ICLAHE′​(x,y)=min(T[I(x,y)],Clip Limit)

算法步骤

1. 图像预处理

  • 读取输入图像。
  • 如果是 RGB 图像，转换色彩空间，仅对亮度通道 Y 应用 CLAHE。

2. CLAHE 增强

  • 使用 adapthisteq 函数对亮度通道进行增强，设置适当的 Clip Limit 和分布模式（如瑞利分布）。

3. 图像后处理

  • 将增强后的亮度通道与原始的色度通道 Cb 和 Cr合并，转换回 RGB 空间。
  • 如果是灰度图像，直接返回增强后的结果。

4. 评价与可视化

  • 计算增强前后亮度分布对比。
  • 显示原始图像与增强图像的对比图。
  • 计算图像质量指标（如 PSNR、亮度分布）。

代码实现

以下是基于 MATLAB 的 CLAHE 增强代码及其讲解。

主函数 CLAHEEnhancement

function CLAHEEnhancement()
    % 输入图片名称（带后缀）
    image_name = input('请输入图片名称（包括后缀）：', 's');
    image_path = fullfile('Attachment 2', image_name); % 构建路径

    % 检查图片是否存在
    if ~isfile(image_path)
        error('图片 %s 不存在，请检查文件名或路径！', image_name);
    end

    % 读取图片
    img = imread(image_path);

    % CLAHE增强处理
    if size(img, 3) == 3
        % RGB 图像增强：只处理亮度通道
        img_yuv = rgb2ycbcr(img);
        img_yuv(:, :, 1) = adapthisteq(img_yuv(:, :, 1), 'ClipLimit', 0.02, 'Distribution', 'rayleigh');
        imgEnhanced = ycbcr2rgb(img_yuv);
    else
        % 灰度图像增强
        imgEnhanced = adapthisteq(img);
    end

    % 保存增强后的图像
    [~, name, ext] = fileparts(image_name);
    output_image = fullfile('test deal', [name '_CLAHEEnhanced' ext]);
    imwrite(imgEnhanced, output_image);

    % 绘制亮度对比曲线
    plotBrightnessComparison(img, imgEnhanced);

    % 显示结果
    figure, imshowpair(img, imgEnhanced, 'montage');
    title('Original Image (Left) vs CLAHE Enhanced Image (Right)');

    % 计算评价指标
    evaluate_metrics(img, imgEnhanced);

    % 输出保存路径
    fprintf('增强后的图像已保存至：%s\n', output_image);
end

辅助函数：亮度分布对比 plotBrightnessComparison

function plotBrightnessComparison(original_img, enhanced_img)
    % 计算处理前后的亮度分布对比曲线

    % 转换为灰度图
    original_gray = rgb2gray(original_img);
    enhanced_gray = rgb2gray(enhanced_img);

    % 图像分块数
    num_blocks = 50;

    % 计算亮度分布
    brightness_original = calculateBrightnessDistribution(original_gray, num_blocks);
    brightness_enhanced = calculateBrightnessDistribution(enhanced_gray, num_blocks);

    % 绘制亮度分布对比曲线
    figure;
    plot(1:num_blocks, brightness_original, '-o', 'LineWidth', 1.5, 'DisplayName', 'Original');
    hold on;
    plot(1:num_blocks, brightness_enhanced, '-x', 'LineWidth', 1.5, 'DisplayName', 'Enhanced');
    xlabel('Block Number');
    ylabel('Average Brightness');
    title('Brightness Distribution Comparison Before and After Enhancement');
    legend;
    grid on;
    hold off;
end

辅助函数：亮度分布计算 calculateBrightnessDistribution

function brightness_distribution = calculateBrightnessDistribution(img, num_blocks)
    % 计算图像分块的亮度分布
    [height, width] = size(img);

    % 分块尺寸
    block_height = floor(height / num_blocks);
    block_width = floor(width / num_blocks);

    brightness_distribution = zeros(1, num_blocks);

    for i = 1:num_blocks
        % 定义当前块区域
        row_start = (i - 1) * block_height + 1;
        row_end = min(i * block_height, height);

        % 提取当前块
        block = img(row_start:row_end, :);

        % 计算当前块的平均亮度
        brightness_distribution(i) = mean(block(:));
    end
end

使用方法

代码全文:

function CLAHEEnhancement()
    % 输入图片名称（带后缀）
    image_name = input('请输入图片名称（包括后缀）：', 's');
    image_path = fullfile('Attachment 2', image_name); % 构建路径

    % 检查图片是否存在
    if ~isfile(image_path)
        error('图片 %s 不存在，请检查文件名或路径！', image_name);
    end

    % 读取图片
    img = imread(image_path);

    % CLAHE增强处理
    if size(img, 3) == 3
        img_yuv = rgb2ycbcr(img);
        img_yuv(:, :, 1) = adapthisteq(img_yuv(:, :, 1),'ClipLimit', 0.02, 'Distribution', 'rayleigh');
        imgEnhanced = ycbcr2rgb(img_yuv);
    else
        imgEnhanced = adapthisteq(img);
    end

    % 保存增强后的图像
    [~, name, ext] = fileparts(image_name);
    output_image = fullfile('test deal', [name '_CLAHEEnhanced' ext]);
    imwrite(imgEnhanced, output_image);

    % 绘制亮度对比曲线
    plotBrightnessComparison(img, imgEnhanced);

    % 显示结果
    figure, imshowpair(img, imgEnhanced, 'montage');
    title('Original Image (Left) vs CLAHE Enhanced Image (Right)');

    % 计算评价指标
    evaluate_metrics(img, imgEnhanced);

    % 输出保存路径
    fprintf('增强后的图像已保存至：%s\n', output_image);
end

function plotBrightnessComparison(original_img, enhanced_img)
    % 计算处理前后的亮度分布对比曲线

    % 转换为灰度图
    original_gray = rgb2gray(original_img);
    enhanced_gray = rgb2gray(enhanced_img);

    % 图像分块数
    num_blocks = 50;

    % 计算亮度分布
    brightness_original = calculateBrightnessDistribution(original_gray, num_blocks);
    brightness_enhanced = calculateBrightnessDistribution(enhanced_gray, num_blocks);

    % 绘制亮度分布对比曲线
    figure;
    plot(1:num_blocks, brightness_original, '-o', 'LineWidth', 1.5, 'DisplayName', 'Original');
    hold on;
    plot(1:num_blocks, brightness_enhanced, '-x', 'LineWidth', 1.5, 'DisplayName', 'Enhanced');
    xlabel('Block Number');
    ylabel('Average Brightness');
    title('Brightness Distribution Comparison Before and After Enhancement');
    legend;
    grid on;
    hold off;
end

function brightness_distribution = calculateBrightnessDistribution(img, num_blocks)
    % 计算图像分块的亮度分布
    [height, width] = size(img);

    % 分块尺寸
    block_height = floor(height / num_blocks);
    block_width = floor(width / num_blocks);

    brightness_distribution = zeros(1, num_blocks);

    for i = 1:num_blocks
        % 定义当前块区域
        row_start = (i - 1) * block_height + 1;
        row_end = min(i * block_height, height);

        % 提取当前块
        block = img(row_start:row_end, :);

        % 计算当前块的平均亮度
        brightness_distribution(i) = mean(block(:));
    end
end
  1. 准备图像文件
    将待增强的图像存放于文件夹 Attachment 2 中，支持 RGB 和灰度图像。
  2. 运行程序
    在 MATLAB 命令窗口运行 CLAHEEnhancement，输入图像名称（包括后缀，如 example.jpg）。
  3. 查看结果
    • 增强后的图像保存于 test deal 文件夹中。
    • 程序会绘制亮度分布对比曲线，并显示原始与增强后的图像对比。

总结

CLAHE 是一种鲁棒性强、适应性广的图像增强方法，尤其在亮度分布不均的图像中表现卓越。通过调整参数（如 Clip Limit 和分布模式），可以进一步优化增强效果。

改进方向

  • 支持更多色彩空间（如 LAB 空间）的增强。
  • 对比 CLAHE 与其他增强方法（如 Retinex、Gamma 校正）的效果差异。
  • 批量处理功能以提高效率。
MATLAB图像增强实践：直方图均衡化详解
weixin_42575505的博客
05-17 354
直方图均衡化是一种常用的图像增强技术，目的在于改善图像的全局对比度。通过重新分配图像的直方图，使得原始图像的灰度分布更加均匀，从而增强图像的对比度，提高视觉效果。在数字图像处理中，这一技术尤其对于具有较暗或较亮的场景的图像非常有效，有助于提高图像中的细节可见性。理解直方图均衡化不仅需要对其直观的增强效果有所了解，也需要掌握背后的数学原理。直方图均衡化的基础是累积分布函数（Cumulative Distribution Function, CDF），它通过对原始直方图的累积求和来计算。
CLAHE_matlab代码
03-02
对比度受限的自适应直方图均衡化matlab代码
OpenCV学习-Clahe对比度受限的自适应直方图均衡化
最新发布
hupo_w的博客
04-21 1710
是一种经典的图像增强技术，用于提高图像的对比度，尤其在图像整体偏暗或偏亮时效果显著。它的核心思想是通过重新分配像素的灰度级，使得图像的直方图（像素值分布）更加均匀，从而增强细节表现。像素的灰度级（Gray Level） 是指图像中单个像素的亮度值，用于表示该点的明暗程度。在数字图像中，灰度级通常用一个数值表示，范围取决于图像的位深度（Bit Depth)。决定图像对比度：灰度级分布越广，图像对比度越高（细节更清晰）
【信道估计】MIMO4x4系统下对ZFMMSEML等线性预编码算法误码率性能的比较附matlab代码
Matlab_dashi的博客
04-16 1276
在多输入多输出 (MIMO) 系统中，信道估计是提高系统性能的关键技术。线性预编码算法是一种有效的信道估计方法，它通过在发送端对数据进行预编码，来提高接收端的信噪比。本文针对 MIMO 4x4 系统，对 ZF-MMSE-ML 等线性预编码算法的误码率性能进行了比较。通过仿真，分析了不同信道条件和不同算法参数对误码率的影响。结果表明，ZF-MMSE-ML 算法在高信噪比条件下具有较好的误码率性能，而 MMSE 算法在低信噪比条件下表现更佳。
用于彩色图像增强的CLAHE算法的MATLAB实现
04-08
程序中有rgb三通道的直方图显示，可以明显看到图像对比度增强的效果。
CLAHE_matlab，clahe_CLAHE_clahematlab实现_
10-01
clahe matlab实现，但是里面少了test文件
clahe matlab代码
03-05
限制对比度的自适应直方图均衡化 matlab代码 可用于图像增强
CLAHE_xiangxi.zip_CLAHE matlab_CLAHE MATLAB_CLAHE matlab_CLAH
07-14
**CLAHE（对比度受限局部自适应直方图均衡化）是图像处理中的一种技术，主要用于增强图像的局部对比度，特别是在低对比度区域。它在医学成像、生物图像分析和其他领域广泛应用。MATLAB是一种强大的数值计算和可视化...
CLAHE_rgb.zip_CLAHE MATLAB_CLAHE matlab_CLAHE算法matlab_RGB通道_cla
07-13
CLAHE算法在RGB通道上的实现，用MATLAB实现
CLAHE.zip_ clahe_AHE-CLAHE_CLAHE MATLAB_CLHE MATLAB_adaptive h
07-15
Contrast Limited AHE (CLAHE) differs from ordinary adaptive histogram equalization in its contrast limiting. This feature can also be applied to global histogram equalization, giving rise to contrast ...
CLAHE_HE_compare.zip_CLAHE MATLAB_CLAHE matlab_ClAHE算法编写_HE_cla
07-13
CLAHE算法和HE算法的比较，用MATLAB编写
CLAHE图像增强算法.docx
04-11
CLAHE图像增强算法.docx
matlab图像均衡化代码-CLAHE:对比度受限的自适应直方图均衡
05-22
matlab图像均衡化代码克拉赫 对比度受限的自适应直方图均衡化更改您的裁剪限制以获得更好的输出。 简单的直方图方法存在强度饱和的问题，这会导致信息丢失，这在医学图像的情况下是不可接受的。 因此，无论何时我们想要保留图像的细节同时提高图像质量，CLAHE都是最好的选择之一。 在图像强度很暗的医学图像中，CLAHE可提供更好的图像。 运行代码的步骤： 打开MATLAB并转到存储fn_CLAHE.m的路径。 在“运行”中将图像名称指定为“ example.jpg” 运行程序并查看结果
CLAHE对比度受限自适应直方图均衡化的MATLAB仿真+含代码操作演示视频
05-11
CLAHE对比度受限自适应直方图均衡化的MATLAB仿真+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。
CLAHE图像增强算法程序.zip
08-27
CLAHE图像增强和多种图像评价指标源代码采用MATLAB语言编程，包含RGB图像增强、LAB空间图像增强、HSV空间图像增强；采用5种图像评价指标对增强图像进行客观评价，客观评价指标包括：均值（Mean）、均方误差（MSE）、峰值信噪比（PSNR）、信息熵（IE）、结构相似性（SSIM）。
基于直方图的图像增强算法（HE、CLAHE）之（一）
热门推荐
白马负金羁
01-31 3万+
直方图是图像色彩统计特征的抽象表述。基于直方图可以实现很多有趣的算法。例如，图像增强中利用直方图来调整图像的对比度、有人利用直方图来进行大规模无损数据隐藏、还有人利用梯度直方图HOG来构建图像特征进而实现目标检测。本节我们就来讨论重要的直方图均衡化算法，说它重要是因为以此为基础后续又衍生出了许多实用而有趣的算法。 Histogram equalization 如果一幅图像的像素灰度...
图像处理---CLAHE（限制对比度自适应直方图均衡）算法MATLAB代码
Adddendum的博客
12-06 4605
function out = myCLAHE(I) %ADAPTHISTEQ Contrast-limited Adaptive Histogram Equalization (CLAHE). % ADAPTHISTEQ enhances the contrast of images by transforming the % values in the intensity image I. Unlike HISTEQ, it operates on small % data regions
CLAHE MATLAB代码
gitblog_09752的博客
10-21 464
CLAHE MATLAB代码 【下载地址】CLAHEMATLAB代码 本仓库提供了一个用于图像增强的MATLAB代码，实现了限制对比度的自适应直方图均衡化（CLAHE）算法。CLAHE是一种常用的图像增强技术，特别适用于改善图像的对比度和细节，使其在视觉上更加清晰和易于分析 ...
【疾病分类】基于matlab GUI SVM植物叶子疾病检测和分类【含Matlab源码 093期】
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
01-11 2087
SVM植物叶子疾病检测和分类 完整代码，直接运行，适合小白！可提供运行操作视频！
clahe算法matlab代码
07-30
CLAHE（Contrast Limited Adaptive Histogram Equalization）是一种用于图像增强的算法。它首先将图像分成许多小块，然后对每个小块应用自适应直方图均衡化（AHE）算法。最后，通过插值来消除块之间的边界，确保增强后的图像平滑自然。下面是用MATLAB编写的CLAHE算法代码： ```matlab function enhanced_image = clahe(image, clip_limit, tile_size) % image：输入图像 % clip_limit：对比度裁剪阈值 % tile_size：分块尺寸 % 将输入图像转换为灰度图像 gray_image = rgb2gray(image); % 初始化增强后的图像 enhanced_image = zeros(size(gray_image)); % 计算图像的行数和列数 [rows, cols] = size(gray_image); % 计算行和列上的分块数 num_row_tiles = floor(rows / tile_size); num_col_tiles = floor(cols / tile_size); % 确保clip_limit不为0，限制范围为1到10之间 clip_limit = max(clip_limit, 1); clip_limit = min(clip_limit, 10); % 对每个分块应用AHE算法 for i = 1:num_row_tiles for j = 1:num_col_tiles % 获取当前分块的坐标 start_row = (i-1) * tile_size + 1; end_row = start_row + tile_size - 1; start_col = (j-1) * tile_size + 1; end_col = start_col + tile_size - 1; % 获取当前分块的图像 tile = gray_image(start_row:end_row, start_col:end_col); % 应用AHE算法 tile_eq = histeq(tile); % 裁剪直方图，并缩放到0-255范围 hist_clip = clipHist(tile_eq, clip_limit); % 将增强后的分块图像复制到输出图像中 enhanced_image(start_row:end_row, start_col:end_col) = hist_clip; end end % 标准化增强后的图像 enhanced_image = uint8(255 * mat2gray(enhanced_image)); end % 对直方图进行裁剪并缩放到0-255范围 function hist_clip = clipHist(image, clip_limit) % 计算直方图 histogram = imhist(image); % 裁剪直方图 cdf = cumsum(histogram) / numel(image); cdf_clip = min(cdf, clip_limit / 100); cdf_clip = cdf_clip / max(cdf_clip); % 缩放直方图 hist_clip = round(cdf_clip(image) * 255); end ``` 以上是用MATLAB实现的CLAHE算法的代码。该代码首先将输入图像转换为灰度图像，然后对图像进行分块，并对每个分块应用AHE算法。最后，对直方图进行裁剪并缩放到0-255范围，生成增强后的图像。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值