Выравнивание гистограммы для коррекции контраста изображений

Введение

Гистограммное выравнивание — это метод обработки изображений для регулировки контраста с использованием гистограммы изображения.

Обзор

Этот метод обычно увеличивает глобальный контраст многих изображений, особенно когда изображение представлено узким диапазоном значений интенсивности. Благодаря этой корректировке интенсивности могут быть лучше распределены по гистограмме, равномерно используя полный диапазон интенсивностей. Это позволяет областям с низким локальным контрастом получить более высокий контраст. Выравнивание гистограммы достигает этого, эффективно размывая часто встречающиеся значения интенсивности, которые приводят к снижению контраста изображения. Метод полезен для изображений с фоном и передним планом, которые одновременно светлые или темные. В частности, он может улучшить видимость структуры костей на рентгеновских снимках и детализацию на переэкспонированных или недоэкспонированных фотографиях. Ключевым преимуществом метода является его простота, адаптивность к входному изображению и возможность обратного преобразования. Таким образом, теоретически, если известна функция выравнивания гистограммы, то исходную гистограмму можно восстановить. Вычисление не является ресурсоемким. Недостатком метода является его неразборчивость. Он может усилить контраст фонового шума, уменьшая при этом полезный сигнал. В научной визуализации, где пространственная корреляция важнее интенсивности сигнала (например, при разделении фрагментов ДНК фиксированной длины), низкое отношение сигнал/шум часто затрудняет визуальное обнаружение. Выравнивание гистограммы часто приводит к нереалистичным эффектам на фотографиях, однако оно очень полезно для научных изображений, таких как тепловые, спутниковые или рентгеновские снимки – часто того же класса, к которому применяется ложная цветовая кодировка. Кроме того, выравнивание гистограммы может вызывать нежелательные эффекты (например, видимый градиент изображения) при применении к изображениям с низкой глубиной цвета. Например, при применении к 8-битному изображению, отображаемому с 8-битной палитрой оттенков серого, это еще больше уменьшит глубину цвета (количество уникальных оттенков серого). Выравнивание гистограммы будет наиболее эффективно при применении к изображениям с гораздо большей глубиной цвета, чем размер палитры, например, к непрерывным данным или 16-битным изображениям в оттенках серого. Существует два подхода к реализации выравнивания гистограммы: как изменение изображения или как изменение палитры. Операцию можно выразить как P(M(I)), где I – исходное изображение, M – операция преобразования гистограммы, а P – палитра. Если определить новую палитру как P'=P(M) и оставить изображение I неизменным, то выравнивание гистограммы реализуется как изменение палитры. С другой стороны, если палитра P остается неизменной, а изображение изменяется на I'=M(I), то реализация выполняется путем изменения изображения. В большинстве случаев предпочтительнее изменение палитры, поскольку сохраняются исходные данные. Модификации этого метода используют несколько гистограмм, называемых субистограммами, для усиления локального контраста, а не общего глобального контраста. Примеры таких методов включают адаптивное выравнивание гистограммы, адаптивное выравнивание гистограммы с ограничением контраста (CLAHE), многопиковое выравнивание гистограммы (MPHE) и многоцелевое бета-оптимизированное бигистограммное выравнивание (MBOBHE). Цель этих методов, особенно MBOBHE, – улучшить контраст без создания артефактов смещения яркости и потери деталей путем модификации алгоритма выравнивания гистограммы. Эквивалентное выравниванию гистограммы преобразование сигнала также наблюдается в биологических нейронных сетях для максимизации частоты выходных импульсов нейрона в зависимости от входной статистики. Это было доказано, в частности, на сетчатке мухи. Выравнивание гистограммы является частным случаем более общего класса методов переназначения гистограммы. Эти методы направлены на корректировку изображения для облегчения анализа или улучшения визуального качества (например, ретинекс).

This method usually increases the global contrast of many images, especially when the image is represented by a narrow range of intensity values. Through this adjustment, the intensities can be better distributed on the histogram utilizing the full range of intensities evenly. This allows for areas of lower local contrast to gain a higher contrast. Histogram equalization accomplishes this by effectively spreading out the highly populated intensity values which are used to degrade image contrast. The method is useful in images with backgrounds and foregrounds that are both bright or both dark. In particular, the method can lead to better views of bone structure in x ray images, and to better detail in photographs that are either over or under exposed. A key advantage of the method is that it is a fairly straightforward technique adaptive to the input image and an invertible operator. So in theory, if the histogram equalization function is known, then the original histogram can be recovered. The calculation is not computationally intensive. A disadvantage of the method is that it is indiscriminate. It may increase the contrast of background noise, while decreasing the usable signal. In scientific imaging where spatial correlation is more important than intensity of signal (such as separating DNA fragments of quantized length), the small signal to noise ratio usually hampers visual detections. Histogram equalization often produces unrealistic effects in photographs; however it is very useful for scientific images like thermal, satellite or x ray images, often the same class of images to which one would apply false color. Also histogram equalization can produce undesirable effects (like visible image gradient) when applied to images with low color depth. For example, if applied to 8 bit image displayed with 8 bit gray scale palette it will further reduce color depth (number of unique shades of gray) of the image. Histogram equalization will work the best when applied to images with much higher color depth than palette size, like continuous data or 16 bit gray scale images. There are two ways to think about and implement histogram equalization, either as image change or as palette change. The operation can be expressed as P(M(I)) where I is the original image, M is histogram equalization mapping operation and P is a palette. If we define a new palette as P'=P(M) and leave image I unchanged then histogram equalization is implemented as palette change or mapping change. On the other hand, if palette P remains unchanged and image is modified to I'=M(I) then the implementation is accomplished by image change. In most cases palette change is better as it preserves the original data. Modifications of this method use multiple histograms, called subhistograms, to emphasize local contrast, rather than overall global contrast. Examples of such methods include adaptive histogram equalization, contrast limiting adaptive histogram equalization or CLAHE, multipeak histogram equalization (MPHE), and multipurpose beta optimized bihistogram equalization (MBOBHE). The goal of these methods, especially MBOBHE, is to improve the contrast without producing brightness mean shift and detail loss artifacts by modifying the HE algorithm. A signal transform equivalent to histogram equalization also seems to happen in biological neural networks so as to maximize the output firing rate of the neuron as a function of the input statistics. This has been proved in particular in the fly retina. Histogram equalization is a specific case of the more general class of histogram remapping methods. These methods seek to adjust the image to make it easier to analyze or improve visual quality (e. g., retinex)

Задней проекция

Задняя проекция (или "проект") гистограммированного изображения — это повторное применение модифицированной гистограммы к исходному изображению, которое действует как таблица соответствия для значений яркости пикселей. Для каждой группы пикселей, взятых из одинаковых координат во всех входных одноканальных изображениях, функция помещает в целевое изображение значение бина гистограммы, где координаты бина определяются значениями пикселей в этой входной группе. Со статистической точки зрения, значение каждого пикселя выходного изображения характеризует вероятность того, что соответствующая группа входных пикселей принадлежит объекту, гистограмма которого используется.

Цветные изображения

Выше описано выравнивание гистограммы для изображений в оттенках серого. Однако его также можно применять к цветным изображениям, применяя тот же метод отдельно к красной, зеленой и синей компонентам RGB-значений изображения. При этом применение одного и того же метода к красной, зеленой и синей компонентам RGB-изображения может привести к существенным изменениям цветового баланса, поскольку относительное распределение цветовых каналов изменяется в результате применения алгоритма. Однако, если изображение сначала преобразовать в другое цветовое пространство, например, Lab или HSL/HSV, то алгоритм можно применить к каналу яркости (luminance) или значению (value) без изменения цветового тона и насыщенности изображения. Существует несколько методов выравнивания гистограммы в 3D-пространстве. Траханиас и Венецанопулос применили выравнивание гистограммы в 3D-цветовом пространстве, однако это приводит к эффекту "обесцвечивания" (whitening), при котором вероятность появления ярких пикселей выше, чем темных. Хан и др. предложили использовать новую кумулятивную функцию распределения (CDF), определенную плоскостью изолюминантности, что обеспечивает равномерное распределение оттенков серого.

Примеры

Для обеспечения согласованности со статистической практикой, "CDF" (т.е. кумулятивная функция распределения) следует заменить на "кумулятивная гистограмма", особенно учитывая, что в статье приведена ссылка на кумулятивную функцию распределения, которая вычисляется путем деления значений в кумулятивной гистограмме на общее количество пикселей. Выровненная кумулятивная гистограмма определяется через ранг как .

Преимущества

Лучшие изображения: выравнивание гистограммы улучшает качество изображений, делая детали более различимыми и повышая их общую привлекательность. Помогает выявлять объекты: оно может помочь компьютерным программам обнаруживать важные элементы на изображениях, что полезно для таких задач, как медицинская диагностика или идентификация объектов. Простота использования: для использования выравнивания гистограммы не требуется специальных знаний. Это простой метод, доступный начинающим в редактировании изображений и компьютерном зрении. Экономия времени и ресурсов: поскольку выравнивание гистограммы работает непосредственно с пикселями изображения, не требуются дополнительные данные или сложная настройка, что делает его эффективным для приложений реального времени и устройств с ограниченными вычислительными возможностями.

Недостатки

Может искажать изображение: Иногда выравнивание гистограммы может придать изображениям неестественный вид, чрезмерно выделяя мелкие детали или делая текстуры слишком выраженными, что может отвлекать. Плохо работает с локальными деталями: может недостаточно хорошо сохранять мелкие детали, особенно в областях изображения, содержащих как светлые, так и темные участки. Недостаточная гибкость настроек: оно применяется ко всему изображению одинаково, что может быть неэффективно для изображений с особыми условиями освещения или уникальными особенностями. Сложно точно настроить: настройка параметров выравнивания гистограммы может быть затруднительной, и для достижения оптимального результата часто требуется хорошее понимание принципов обработки изображений.