An adaptive gamma correction for image enhancement 低照度图像自适应gamma矫正

---

前言

文章主要对图像增强算法进行综述，并比较之前直方图均衡化算法的优缺点提出一种新的基于Gamma增强的算法。算法的主要步骤：
1、色彩空间转换，BGR转换到HSV空间，选取V空间(亮度空间)，计算V空间的均值和方差；
2、图像分类，规避传统直方图均衡化的缺点，根据V的均值将图像分成亮图像和暗图像，根据V的方差将图像分成低对比度和高对比度；不同亮度和对比度的图像分配不同的增益和对比度参数；
3、曲线转换，根据不同的分类分配不同的增益系数c和转换函数曲线控制系数r，根据Gamma理论对V空间进行增强，最后增强后的V空间和原始的S、V空间合并得到新的BGR空间。

一、算法流程

主要分为三个步骤，流程图如图所示：

算法流程图

1、色彩空间转换
将BGR色彩空间转至HSV空间，并分离通道，只对V亮度空间进行处理；把V空间类型转成浮点类型，计算其均值和方差；
2、图像分类
根据计算的均值$\mu$和方差$\sigma$，分配不同的系数，文章中定义：
$\mu$<=0.5认为是暗图像，反之是亮图像
4*$\sigma$<=1/3认为是低对比度，反之是高对比度
3、曲线转换
Gamma的公式：$I_o$ = c*$I_i$^$\gamma$
其中，参数c 是增益系数，参数$\gamma$ 是Gamma系数，$I_i$是输入图像，$I_o$是输出图像；
3.1 低对比度图像
低对比度图像，低对比度图像意味着大多数像素值较低并且具有相似的像素值，应该把像素拉伸到更大的范围来增强对比度，参数c定义为：
c= 1/(1 + Heaviside(0.5 − $\mu$) × (k − 1))
其中，k = $I_i$^$\gamma$ + (1 - $I_i$^$\gamma$) * $\mu$^$\sigma$
Heaviside是个符号操作，定义为:
Heaviside(x) = 0, if x<=0；
反之，Heaviside(x) =1，if x>0
3.1.1 亮图像
低对比度的亮图像，$\mu$是大于0.5的，图像的亮度较高只需要增强细节的对比度，此时c=1，变换曲线在$I_o$ = $I_i$的下方，图像整体亮度降低，灰度值较低的像素点对比度降低，灰度值高的对比度增加，更又利于分辨高灰度值的图像细节，转换函数变成：
$I_o$ = $I_i$^$\gamma$
论文中选取$\gamma$ = -${\log }_2$($\sigma$)，对于临界点，$\gamma$_min = −log2(0.0833) = 3.585。
3.1.2 暗图像
低对比度暗图像的灰度集中在小部分区域并且集中在灰度均值附近，需要将直方图拉升到较大的范围，此时c = k，变换曲线在$I_o$ = $I_i$的上方，陡峭部分曲线的值随 $\sigma$移动，图像的整体亮度增加，灰度值较低的像素点对比度增强，灰度值高的对比度降低，更又利于分辨低灰度值的图像细节，转换函数为：
$I_o$ = $I_i$^$\gamma$/k
3.2 高对比度
高对比度图像，亮度调整比对比度增强重要，这时的$\gamma$取值范围在1附近，保证图像的对比度变换范围不大，文章里$\gamma$取值：
$\gamma$ = exp(1-($\mu$ + $\sigma$)/2)
3.2.1 暗图像
对于高对比度的暗图像，均值和方差都小于0.5，因此$\gamma$>=1，转换曲线在$I_o$ = $I_i$的上方，图像均值和方差越小，增强的曲线越陡峭；对于暗图像均值接近于0.5的，转换曲线接近于一条直线；
3.2.2亮图像
对于高对比度的亮图像，图像有较好的亮度和对比度，均值和方差都接近于0.5，转换曲线接近于直线。

二、效果展示

选取低照度的图片，运行该代码后，图像增强效果如图所示：
原始低照度图片
增强后的图片

总结

该方法对于暗图像增强有显著的提升，但是也存在较大的问题，对于高对比度高亮度的图片，会存在过增强和丢失细节等问题。