在很久前實現對比度受限的自適應直方圖均衡化時，就曾經想過對該算法進行一定程度的擴展，之后使用自動對比度和自動色階代替直方圖均衡化也提出了新的算法，也達到了不錯的效果。本文進一步對該算法進行一定程度的擴展和補充優化。
一、本文算法的概述
根據選取的優化的水平和垂直網格數，將圖像切分成一個一個的子塊，然后統計每個子塊的直方圖信息，並和原圖整體的直方圖信息進行某種混合，對於彩色圖像，為了避免不同通道之間處理后變化過於不協調，還增加了各通道直方圖與亮度通道直方圖的信息合成，然后對合成后的直方圖進行直方圖裁剪和均衡化的，獲取各子塊新的映射直方圖，為了避免新的映射表中的數據有較大的奇點或噪音，對映射表的數據進行多點取樣，然后使用樣條插值算法對取樣點進行插值，或者對新的映射表進行一定程度的高斯模糊，得到一張較為平滑的映射表。最后使用類似CLAHE算法中的雙線性插值對每個子塊之間的映射表進行插值得到新的像素值。本方法計算量小，速度很快，對映射表進行平滑插值或高斯模糊能有效的抑制對比度調整時產生的噪聲，防止了信息的過度放大造成圖片失真，是一種高效並且效果突出的對比度增強算法。
二、算法過程詳解
1、水平和垂直網格數的確定
類似於CALHE算法，對網格的合理選取也會對本算法的結果產生重要的影響，過多的網格數會使得計算量顯著加大，過少的網格數使得結果趨於接近整體的直方圖均衡化，一般情況下，可選擇8*8個網格，這里可以通過以下原則來簡單的做個優化：圖像的亮度的均方差越小，即整幅圖像的明暗比較一致，使用較多的網格數，比如8*8，否則使用較少的網格，比如4*4。這是因為當圖像明暗較為一致時，各小塊的直方圖數據差異不會很大，而如果明暗不一致，選擇較小的塊，各塊之間的直方圖信息差異可能很大，會造成插值時出現明顯的瑕疵。
2、按規定的網格數划分圖像，並獲取每塊的直方圖信息HistB，HistG，HistR。
3、獲取全圖的直方圖數據HistgramB，HistgramG，HistgramR以及亮度直方圖HistgramL。
其中亮度定義為： Lightness = (R*19595 + G*38469 + B*7472) >> 16
4、對子塊直方圖和全局直方圖進行融合，如下代碼所示：
HistB[Index] = (HistB[Index] * Adaptation + (100 - Adaptation) * HistgramB[Index]) / 100; HistG[Index] = (HistG[Index] * Adaptation + (100 - Adaptation) * HistgramG[Index]) / 100; HistR[Index] = (HistR[Index] * Adaptation + (100 - Adaptation) * HistgramR[Index]) / 100; HistL[Index] = (HistL[Index] * Adaptation + (100 - Adaptation) * HistgramL[Index]) / 100;
其中Adaptation為融合因子，其有效范圍為[0,100]，當取值越小時，全局直方圖其主導作用，效果越接近普通的直方圖均衡。
5、對上述融合后的結果再次和亮度直方圖進行融合，融合過程如下所示：
HistB[Index] = (HistB[Index] * Correction + (100 - Correction) * HistL[Index]) / 100; HistG[Index] = (HistG[Index] * Correction + (100 - Correction) * HistL[Index]) / 100; HistR[Index] = (HistR[Index] * Correction + (100 - Correction) * HistL[Index]) / 100;
其中Correction為顏色校正因子，其有效范圍為[0,100]，當取值越大時，各通道之間越獨立，效果越接近普通的直方圖均衡。
上述代碼中Index表示直方圖色階的索引范圍，有效值[0,Bins – 1]，Bins為直方圖的數量，8位時為256。
6、按照CALHE的方式對直方圖進行裁剪，之后對裁剪的直方圖進行均衡化得到每個小塊的映射表。
7、局部均衡化后映射表的平滑。
1) 將映射表的 Bins取K等份，得到每等份數據對應的映射表值，構成K個二維坐標點序列，亦可以根據直方圖的累計數據，把累計數據平均分為K等分，得到K個二維序列點。
2）根據K個二維坐標點，使用樣條插值算法擬合出一條過各個取樣點的平滑映射曲線。
3）在平滑曲線表中取0至於Bins中各色階對應的插值結果，作為新的映射表結果。
對於Bins =256的圖像，K值建議可取32左右。
或者另外一種處理方式就是對映射表進行一維方向的均值或者高斯平滑，平滑窗口可選WindowSize = 7左右。
這種平滑可以帶來一定的好處，特別是對於圖像變換比較平緩的區域，能夠在一定程度上減弱由於增強帶來的色塊感覺，而且這種方式推廣到所有基於直方圖增強技術的算法中。
8、按照CLAHE算法的過程對每個小塊進行雙線性插值得到最終的增強效果，當然對第一行、第一列、最后一行、最后一列的子塊靠近圖像邊緣的那一半都只使用映射表單個方向的線性插值，而這些子塊的其他部分以及其他子塊均使用映射表雙線性插值獲得最終結果。
如果輸入圖像是灰度圖，由於只有一個通道，則本算法中的Correction在此場景中是可舍棄的。
整個過程的流程框圖如下所示：
三、測試結果
下圖為未經過處理的原始圖像，可見原始圖中對比度很差，圖像的細節信息很少，圖像飽和度也很差。右側是使用本算法后處理的效果圖，處理后圖像飽和度自然，色彩鮮艷，隱藏在原圖右側的一些不可易見的細節也能清楚的展示出。
原始圖像 Adaptation = 50，Correction = 50， ClipLimit = 20時的效果
Adaptation = 0，Correction = 50， ClipLimit = 20時的效果 Adaptation = 100，Correction = 50， ClipLimit = 20時的效果
Adaptation = 50，Correction = 0， ClipLimit = 20時的效果 Adaptation = 50，Correction = 100， ClipLimit = 20時的效果
下面作圖是另外一副未經處理的圖像，這副圖像信息較為完整，色彩也較為豐富，但是經過本算法處理后，得到的結果圖（右圖）則顯得更為驚艷和奪目，因此對於正常的圖像，本算法也具有較強的實用性。
特別強調，該算法不適宜處理人臉圖像。
該算法難以使用SSE優化，我在考慮是否還有其他方式優化。速度上1080P的彩圖大約30ms可以搞定。
測試工程的地址：http://files.cnblogs.com/files/Imageshop/SSE_Optimization_Demo.rar
寫博不易，歡迎點贊或者打賞。
