《Technologies》：Equalization of Images in Low Contrast Environments Through Adaptive Local Equalization for Enhanced Local Contrast Lighting
编辑推荐：
高质量图像对于诸多计算机视觉应用至关重要。因此，低对比度图像常常构成重大挑战，因为它们可能导致自动检测与分析过程的失败。本研究提出一种创新性策略，通过将图像分割成交错单元组并利用均衡化独立处理每组单元来提升图像质量。针对每组单元，研究人员构建一个局部均衡化图像
高质量图像对于诸多计算机视觉应用至关重要。因此，低对比度图像常常构成重大挑战，因为它们可能导致自动检测与分析过程的失败。本研究提出一种创新性策略，通过将图像分割成交错单元组并利用均衡化独立处理每组单元来提升图像质量。针对每组单元，研究人员构建一个局部均衡化图像网格，随后通过一组融合函数对其进行整合。该方法不仅基于强度直方图实现均衡化，还依据图像元素的空间属性进行均衡化，从而确保整幅图像的整体对比度增强。同样地，由于该算法具有确定性，其延迟时间可被可靠估计，并可通过硬件实现进行可靠加速。所提出方法的性能已与其他先进算法进行了定性与定量验证，展现出卓越的结果。
论文解读：基于自适应局部均衡化的低对比度图像增强方法
一、研究背景与问题
高质量图像是模式识别、目标检测和图像分割等众多计算机视觉任务的基础。低对比度图像会显著增加自动分析的难度，可能导致目标检测与分析过程中的错误。例如，在图像分割过程中，对比度不足会使前景与背景元素的区分变得困难，进而导致目标表示不完整。因此，确保图像具有最佳对比度对于自动驾驶、医学影像和人脸识别等计算机视觉技术至关重要。
传统的图像对比度增强方法主要分为几类。直方图均衡化（Histogram Equalization, HE）是最广泛使用的策略，通过重新分配图像强度等级来利用全部色调范围，同时保持图像完整性。然而，经典直方图均衡化存在亮度偏移、噪声放大和细节丢失等问题。为此，研究者提出了多种改进方法，如自适应可变直方图均衡化（AVHEQ）、保持亮度双直方图均衡化（BBHE）、基于强度极值的子图像直方图均衡化（ESIHE）、对比度受限自适应直方图均衡化（CLAHE）、递归子图像直方图均衡化（RSESIHE）和最小平均亮度误差双直方图均衡化（MMBEBHE）等。此外，基于元启发式算法的对比度增强方法将增强过程视为数值优化问题，如粒子群优化（PSO）、飞蛾群算法（MSA）、政治优化器（PO）、差分进化（DE）和布谷鸟搜索（CS）等。然而，这些元启发式算法存在计算复杂度高、执行时间长、参数敏感、收敛行为不稳定等显著缺陷。
传统直方图均衡化策略往往忽视像素的空间分布，对具有相同直方图的不同图像应用相同的变换函数，导致特定区域的信息被破坏。因此，需要一种既考虑强度直方图又考虑空间分布、且具有确定性、可重复性和低计算成本的对比度增强方法。
二、研究内容与结论
针对上述问题，本研究提出了一种基于自适应局部均衡化（Adaptive Local Equalization, ALE）的新方法。该方法将原始图像划分为两组交错单元集合，对每组单元独立进行均衡化处理。随后，通过基于距离的线性组合将两组单元的均衡化结果拼接为单一全局图像，再经滤波处理生成光照与阴影轮廓，并将其叠加到传统均衡化图像上，从而获得同时兼顾全局对比度与局部对比度的增强图像。
实验结果表明，ALE方法在熵（Entropy）、视觉信息保真度（Visual Information Fidelity, VIF）和对比度改善指数（Contrast Improvement Index, CII）三项指标上均取得最高平均值，并通过配对Wilcoxon符号秩检验确认了与全部六种对比方法相比均具有统计学显著改善。在盲/无参考图像空间质量评估器（BRISQUE）指标上，ALE获得最低平均分，显著优于AVHEQ、BBHE、RSESIHE和MMBEBHE。该方法的主要权衡在于亮度保持方面表现相对较弱，AMBE值较高，且在无参考图像质量指标（NIQE和PIQE）上表现参差不齐。总体而言，在42项成对指标比较中，ALE在27项中显著优于对比方法，在6项中显著劣于对比方法，在9项中无显著差异。该方法具有确定性、延迟一致性和硬件可加速性，适用于实时视频流等应用场景。
三、主要技术方法
研究人员采用的主要技术方法包括：将图像分割为两组交错单元集合，对每个单元独立应用直方图均衡化；利用基于像素到单元中心距离的S形（sigmoid）权重函数，通过alpha混合将两组局部均衡化图像拼接为单一图像；应用中值滤波去除饱和点并平滑单元间接缝；应用双边滤波（bilateral filter）在保持边缘的同时进一步平滑光照与阴影轮廓；将提取的局部光照与阴影叠加层与传统直方图均衡化图像进行alpha混合（混合系数α约为0.6），最后对合成图像再次进行传统直方图均衡化以确保最佳性能。实验在MATLAB RD2025b环境中进行，使用包含54幅低对比度灰度图像的标准图像库，并与AVHEQ、BBHE、ESIHE、CLAHE、RSESIHE和MMBEBHE六种方法进行比较。
四、研究结果
4.1 实验设置
实验采用包含54幅低对比度灰度图像的图像库，在配备AMD Ryzen AI 9 HX 370W处理器、32GB内存、Windows 11系统的计算机上使用MATLAB RD2025b完成。采用七项指标评估性能：熵（Entropy）、视觉信息保真度（VIF）、对比度改善指数（CII）、盲/无参考图像空间质量评估器（BRISQUE）、绝对平均亮度误差（AMBE）、自然图像质量评估器（NIQE）和基于感知的图像质量评估器（PIQE）。
4.2 性能评估
4.2.1 视觉表现
研究人员从数据集中选取9幅对比度极低、具有挑战性的图像进行视觉比较。结果显示，与其他算法相比，ALE方法处理后的图像包含更清晰、更易辨别的元素和结构，能够突出许多精细细节，且不改变图像的自然外观。相比之下，多种对比方法产生的图像亮度过高或过低，可能降低图像质量甚至减少对比度。
4.2.2 定量性能
在54幅图像上的统计结果表明，ALE在熵（6.9363±0.4427）、VIF（0.909±0.0921）和CII（2.6061±0.4028）三项指标上取得最高平均值，且配对Wilcoxon检验确认了相对于全部六种对比方法的统计显著改善。ALE在BRISQUE指标上获得最低平均分（30.0921±9.8909），显著优于AVHEQ、BBHE、RSESIHE和MMBEBHE。然而，ALE的AMBE值相对较高（0.1420±0.1138），表明其亮度保持能力弱于部分对比方法。在NIQE和PIQE指标上，CLAHE显著优于ALE。总体而言，ALE在27项成对比较中显著优于对比方法，在6项中显著劣于对比方法，在9项中无显著差异。
五、讨论与结论
讨论部分总结：与需要迭代优化或深度学习策略的方法相比，ALE方法采用直接确定性的操作序列，对相同输入产生相同结果，计算时间仅需单次图像处理，且图像被分解为多个单元，所有像素可并行更新。由于单元尺寸预定义，大量平滑矩阵可预先计算并查询，无需在视频处理的每一帧重新计算。然而，该方法完全基于经典均衡化和滤波技术，无法利用深度学习策略的灵活性，但这一设计决策旨在确保过程完全确定性和可解释性。该方法的主要局限在于某些图像区域可能出现强度过饱和现象，未来工作可通过引入动态单元生成来识别图像相关区域并相应生成直方图，从而减少饱和。
结论翻译：本研究提出了一种生成自适应局部均衡化的方法。在该方法下，采用一对局部交错均衡化集合，并提出一种将局部均衡化拼接为局部光照与阴影图像的技术。该互补局部光照图像随后与传统均衡化图像叠加，既增强整体对比度又考虑局部光照，确保均衡化强度在全局和局部情境中均得到评估。ALE方法的结果与AVHEQ、BBHE、ESIHE、CLAHE、RSESIHE和MMBEBHE技术的结果进行了评估，采用七项重要性能指标进行视觉和数值估计。实验结果表明，所开发的对比度增强技术在定性和定量性能方面均高效可靠。从视觉角度看，增强图像包含比原始图像更清晰、更易辨别的元素和结构，且不改变图像的自然外观。定量评估结果支持该技术在所选性能指标上优于大多数当代对比度增强技术，展示了其在图像增强、信息保持和可视化之间取得平衡的能力。
