基于对比度受限直方图均衡法牛羊眼部图像增强方法.docVIP

基于对比度受限直方图均衡法牛羊眼部图像增强方法 　　摘要：针对牛羊眼部纹理信息提取前需要对牛羊眼部图像进行增强处理的问题，采用对比度受限直方图均衡化方法对牛羊眼部图像进行增强处理。算法首先将原始图像分割成若干个大小相同的子区域，再计算截取值对每个子区域的直方图进行截取，并将截取下的像素均匀分配到每个灰度级，得到限定对比度直方图，根据限定对比度直方图对原图进行灰度双线性插值生成增强图像。实验结果表明，使用对比度受限直方图均衡化方法对牛羊眼部图像进行增强处理，增强后的图像具有更高的图像细节和层次感，同时减少了图像的失真，具有较高的理论和实用价值。 　　关键词： 图像增强；直方图均衡；对比度受限直方图均衡化；牛羊眼部图像； 　　中图分类号： TP391.4 文献标识码：A 文章编号：1672-3791（2016）05（a）-0000-00 　　1. 　　1 基金项目：宁夏高等学校科学技术研究项目（NGY2014052） 　　2. 引言 　　肉类食品的可溯源性已成为严重制约清真牛羊肉食品出口的一个重要环节，将眼部特征识别技术应用在畜牧业生产及牲畜产品溯源过程中，将成为一个新的研究方向。由于牛羊眼部结构和人类眼部结构不同，对牛羊眼部纹理信息提取前需要对牛羊眼部图像进行增强处理。图像增强处理方法有很多种，如直方图处理方法[1]、Retinex[2]、同态滤波[3]、空域彩色图像增强方法[4]和暗通道先验[5]等算法。 　　图像增强是根据特定的需要通过增加图像灰度对比度的方法突出图像中的重要信息，同时减弱或去除不需要的信息，从而有目的的强调图像的整体或局部特征。直方图均衡化是图像增强算法中最常用、最重要的算法之一，但是在图像增强过程中会出现噪声的放大及局部对比度的过度增强问题。为了解决牛羊眼部图像增强过程中的这些问题，本文提将对比度受限自适应直方图均衡法应用于牛羊眼部图像增强处理。仿真实验结果证明，对比度受限自适应直方图均衡化算法拉伸图像灰度的动态范围，突出部分图像细节，同时可有效限制噪声放。将该算法应用于牛羊眼部图像增强处理，增强后的图像具有更高的图像细节和层次感，同时减少了图像的失真，具有较高的理论和实用价值。 　　3. 直方图均衡法 　　直方图均衡化是图像增强算法中最常用、最重要的算法之一。直方图均衡化的基本思想是把原始直方图变换为均匀分布的形式，从而增加象素灰度值的动态范围达到增强图像整体对比度的效果。 　　离散的灰度等级作直方图均衡化时，很难得到完全平坦均匀的结果，而且处理后的图像灰度级有所减少，致使某些细节消失。某些图像，如直方图有高峰等，经处理后其对比度易产生不自然的过分增强。 　　4. 对比度受限自适应直方图均衡法 　　对比度受限自适应直方图均衡法又称为CLAHE算法，是由直方图均衡算法演化发展而来。为了克服上述自适应直方图均衡算法的局限，Reza A等人提 出 了 对 比 度 受 限 自 适 应 直 方 图 均 衡 化（Contrast Limited？Adaptive histogram equalization CLAHE） 算法。对比度受限自适应直方图均衡法（CLAHE）通过限制局部直方图的高度来限制局部对比度的增强幅度，从而限制噪声的放大及局部对比度的过增强。该方法通过将图像分为若干子区域； 然后对每个子区域进行直方图“剪切”。然后对每个子区域进行直方图均衡，再对每个像素通过插值运算得到变换后的灰度值， 从而实现对比度受限自适应图像增强。 　　本文根据牛羊眼部图像的特点，将对比度受限自适应直方图均衡法部分改进后，应用于牛羊眼部图像的增强处理。 　　处理基本流程： 　　（1） 将原图分割为 k个大小为mn 的连续不重叠的子区域。跟据牛羊眼部图像情况动态调整m，n值大小。 　　（2） 计算每个子区域的灰度直方图。 　　（3） 确定每个子区域灰度直方图“剪切”值。 　　（5） 设经过以上重新分配后， 剪切下来像 素点剩余数为。用灰度范围长度除以剩余像素数（8）， 求出“分配像素”步长S。 　　从最小灰度级开始按步长搜索， 遇到像素数小于“剪切”值的位置， 则分配一个像素， 完成从最小灰度级到最大灰度级的循环后， 如果还有剩余的像素没有分配完， 则利用式（8）计算新的步长， 再开始新的循环，直到剩余的像素“分配”完为止。从而得到新的灰度直方图。 　　（6） 对每个子区域内对比度“剪切”后的灰度直方图进行均衡化。 　　（7） 按照新的直方图分布，对图像进行灰度双线性插值，生成增强后的结果图像。 　　5. 实验结果分析 　　本实验采用500万像素虹膜采集仪为奶牛和山羊提取眼部图像。在Matlab R2010b版本上对其进行仿真，验证CLAHE算法对牛羊眼部图像的增强效果。