局部对比度增强的彩色图像灰度化参数化算法研究

局部对比度增强的彩色图像灰度化参数化算法
摘要
图像灰度化就是将彩色图像转换成灰度图像，本质上是对彩色图像做降维处理，主要任务是在灰度图中尽量保持原彩色图中的视觉信息，以使在灰度图中也能辨认原图中可以被辨认的图像部分。

在图像预处理、打印显示等领域中图像灰度化算法有广泛的应用，因此具有重要的研究价值。

在以往的灰度化算法中，都只是对整幅图像作自动而统一的灰度化映射。

在实际图像处理时，经常需要按不同主观需求，选择图像的不同区域做不同程度的对比度保持。

为了在灰度图中突出图像中用户关注度高的前景区域，本文提出一种局部对比度增强的彩色图像灰度化参数化方法。

本文的方法既支持用户交互的方式来选择前景引导局部对比度的增强，同时也支持自动检测注意聚焦区域来引导局部对比度的增强。

本文方法可以有效地控制灰度化图像中的各区域内容的清晰度，让灰度化之后的图像对比度更加符合显著性分布。

本文的彩色图像灰度化算法分为四个主要步骤。

首先，通过GrabCut图像分割技术或者频率调谐显著性提取技术，由输入彩色图像获得一幅引导图像。

然后，利用引导图像中各像素点的显著度值和原图的RGB颜色通道建立一个多项式参数化模型，其中参数化模型中的显著度通道是实现局部对比度增强的关键。

接着，建立能量优化函数，能量函数中的各像素输出灰度值用参数化模型函数来表示，并运用引导图像对目标对比度进行缩放，以实现局部对比度的增强。

最后，通过求偏微分将能量函数的求解转换成线性方程组的求解，用迭代循环方式计算出参数化模型函数中的各项参数。

通过与现有的彩色图像灰度化算法进行实验比较，证明本文算法能够有效地增强灰度化图像的局部区域的对比度，使人们更加容易理解灰度图像中的内容，改善了灰度图像的效果。

I
关键词：图像灰度化,图像分割,显著性图，参数化模型
II
RESEARCH ON PARAMETRIC IMAGE
DECOLORIZATION WITH LOCAL
CONTRAST ENHANCEMENT
ABSTRACT
Decolorization is to transform the colorful picture into the grayscale image，and is just to reduce the dimensionality of the input image. The main task is to try to preserve the visual information of the original colorful picture and to make us recognize the image regions that are recognizable in the color image. It is widely used in the fields of image preprocessing, image printing and displaying. Therefore, it is worthy of studying and researching.
In the previous decolorization methods, the color images are usually mapped into the grayscale image uniformly and automatically. Sometimes，we need to enhance or weaken the contrast depending on our subjective wishes. In order to highlight the foreground regions which attract the user’s attention, this paper propose a parametric image decolorization algorithm with local contrast enhancement. The proposed method does not only support for choosing the interesting image parts with an interactive method but also support for obtaining the interesting parts automatically using the saliency detection to guide local contrast
III
enhancement. Hence, we can control the contrast of each part of the grayscale image meet the distribution of the user’s attention.
Our image decolorization algorithm consists of four main steps. Firstly, we process the input image to obtain the guidance image with the GrabCut image segmentation technology or the frequency-tuned saliency detection technology. Secondly, we combine the salience of the guidance image and the RGB channels of the input image to build a polynomial parametric model. The salience channel is the key to enhance the contrast locally. Thirdly, construct the energy function, replacing each pixel’s output value in the energy function with the parametric model. Next, zoom in or zoom out the standard contrast in the energy function with the guidance image. Finally, by transforming the energy function into partial differential equations, we get the output weight coefficient of each term in the parametric model.
When compared with the results of other decolorization methods, our results demonstrate that our algorithm can enhance the contrast of local region well. It can make people understand the context of the grayscale picture more easily and it improves the decolorization quality.
KEY WORDS: image decolorization, image segmentation, saliency map, parametrical model
IV
目录
摘要 (I)
ABSTRACT................................................................................................................................... I II 第一章绪论 (1)
1概述 (3)
2本文主要工作 (6)
3论文组织结构 (6)
第二章均匀彩色图像灰度化算法 (9)
1Color2Gray算法 (9)
2对比度保持灰度化算法 (12)
3本章小结 (16)
第三章引导图像生成技术 (17)
1图像分割算法综述 (17)
1.1图像分割效果质量的评价 (17)
1.2常见的图像分割算法 (18)
1.3 GrabCut图像分割算法 (19)
2显著性提取算法综述 (21)
2.1显著性提取效果评价标准 (22)
2.2常见的客观评判方法 (22)
2.3常见的显著性提取方法 (22)
2.4频率调谐显著性检测方法 (24)
3本章小结 (26)
第四章局部对比度增强的灰度化参数化算法 (27)
1前言 (27)
2局部增强灰度化 (28)
2.1生成引导图 (28)
2.2四通道参数化模型 (28)
2.3引导灰度化 (29)
2.4可选择式的双峰分布模型 (30)
2.5能量函数求解 (30)
3实验结果比对与分析 (31)
4本章小结 (35)
第五章总结与展望 (37)
1本文总结 (37)
2工作展望 (38)
参考文献 (39)
致谢 (43)
攻读学位期间发表的学术论文 (45)
V
VI
第一章绪论
第一章绪论
文字、声音、图像是人类感知外部世界的三大重要的信息来源，其中图像是客观事物的直观描述，可以用来生动直观地呈现和记录事物，它是人类感知信息的重要载体。

研究分析表明，人类四分之三的信息量是来自于视觉,随着网络带宽的提高和硬件水平的进步，图像信息在信息处理和交流中占据了越来越大的比重。

图像常见的定义是所有提供视觉效果的画面的总称，按照图像记录方式的不同，可以分为模拟图像和数字图像，模拟图像就是用各颜色的同一物理量的连续强弱变化来表示的画面；数字图像就是在离散的点组成的矩形区域中，用离散的数值来存储各像素点值来逼近模拟图像效果的画面。

在图像采集技术的发展中，刚开始由于硬件设备的限制，只能用灰度图像来记录场景和事物，随着图像采集硬件水平日益的提高，人类采集的图像主要形式变成了彩色，甚至由彩色演变为增强型真彩色，可以表示的颜色种类越来越丰富，但是出于处理效率和成本的考虑，灰度图像的运用还是比较广泛。

彩色图像灰度化技术，就是将三通道的彩色图像降维得到单通道的灰度图像。

由于灰度图像只有一个通道，相比彩色图像所占的内存和处理时间要少很多，因此彩色图像灰度化技术应用非常广泛，在机器学习、模式识别等应用中，经常需要将输入的彩色图像先做灰度化处理，以减少冗余信息，这样提高了运算效率也降低了内存占用量；在打印时，如果要打印彩色图像，需要将三个通道内的值组合，再确定最终的颜色，需要较高的颜料成本并且打印所需的时间也会较长，在很多时候对打印结果并不需要完全保持原图中丰富的颜色信息，如果打印时改为打印灰度图，由于灰度图只有一个通道，取值范围也只是0到255之间，并且只需通过保持原图中像素之间的显著的对比度信息就可以满足人眼分辨原图像主要信息的需求，这样就可以显著降低打印成本和提高打印速度；在医学等应用领域，通过医学仪器排查之后，把反应身体器官健康状况的医学图像提供给医生做参考分析，大部分的医学图像出于数据量的考虑都选择输出灰度图像，这时候灰度图像的边缘和细节保持的好坏直接关系到医生对病情判断的准确程度，在很多医学科室的医学检测图像都要求高品质的灰度图像作为医生判断身体器官健康状况的重要参考，如眼角膜造影等，有一系列相应的先进算法提出以试图满足这一需求，如Eisenbrey 等人[1]提出的依据灰度图像和次谐波超声成像结合使用的方法等；在一些特殊人群中，如存在先天遗传原因，有些人无法分辨某些颜色，因此无法识别一些彩色图像中包含的物体，但是通过灰度化算法将其转换成灰度图后，就不需要区分不同颜色，可以在灰度图中轻松辨别图像，这对于色盲人群在使用电脑等电子产品观看图像和电影时很有实用价值；灰度化技术在艺术领域也有重要的应用价值，在文明发展历程中，很长一段时间里，由于书写绘画材料的限制，绘画艺术只能
1
温州大学硕士学位论文
通过黑白笔画的浓淡来表现，于是只有黑白色调的中国国画，发展成了一种体系的艺术表达方式，而在现代，虽然高清彩色照相机能够更真实的采集现实生活中的画面，但是却丢失了黑白图像给人的怀旧意境和艺术内涵，于是在很多广告和宣传画册的插图上，需要用到灰度化算法生成灰度图像，来更好地迎合人们的审美和品位需求，以吸引观众。

由于灰度化后，可以表示的灰度级别范围明显小于彩色图像可以表示的颜色种类，肯定会存在信息丢失，所以灰度化算法的主要任务就是能让灰度化之后的图像，尽可能的保持原图中的显著性信息，让灰度图中的各个部分依然可以清晰可辨。

在图像处理领域中，图像灰度化的研究由来已久，通过实验统计得出，在灰度化过程中，由像素的三通道映射为单通道的灰度值时，同一种颜色在不同文化背景和语言环境下，会映射到不同的灰度级别上去，但是像素之间的对比度确是人眼区别图像中不同事物的主要依据，因此需要尽可能的保持。

Gooch等[2]提出对比度保持的灰度化算法就是基于原输入图像显著性对比度保持的方法。

基于在以往的算法中，对一幅图像做灰度化处理，只是在这幅图像的CIE-Lab空间中，取其L通道，作为其灰度值，这样处理是线性的，运算效率也高，但是不同颜色的像素点，其亮度值可能相近甚至一样，灰度化的结果中亮度值相近的不同颜色将会丢失颜色对比信息。

所以Gooch[2]等用像素对之间的亮度差异和色度差异综合保持，优化得到结果的灰度值，通过能量优化，找出能使灰度图最大化保持原图显著的对比度的各像素点灰度值，也就是让各像素对之间灰度值差异最大化的接近原彩色图像各像素对之间的差异值，差异值的求解是综合亮度通道和色度通道的差异得出的值，这样就较充分的保持了原图中的对比信息。

基于Gooch
等[2]显著对比度保持的思想，之后很多研究者也提出了新颖和效果较好的灰度化算法，比较有代表性就是Lu等提出的对比度保持的灰度化算法[3]，提出了参数化映射模型以及线性的求解方法。

为了避免Gooch等[2]算法中出现的空间复杂度和时间复杂度过高的情况，Lu等在能量优化时，只考虑像素点与其四邻域之间的对比度保持，这样让高分辨率的图像处理时，也能在较短的时间内实现灰度化处理，提高了算法的实用性。

在灰度值的计算时，提出参数化映射模型，整幅图片用同一权重向量，这样让像素点即使是只与其四邻域对比度保持，也能让相同颜色的像素点映射到同一灰度级别，在能量优化求解中，将能量优化的求解转化成了线性方程的求解，让求解过程清晰简洁。

以上是对本文由重要启发性的灰度化算法，通过对以往先进的灰度化算法的研究，可以看出以往的灰度化的过程都是一种均匀的未对其做人工干预的自动处理，都是对原图中的显著性对比度做趋近，在实际的应用中，对一幅图像，我们感兴趣的地方，可能只是其中某一部分，我们可能只希望感兴趣的部分灰度化后对比度保持明显，如果是以往的算法，整幅图片在一同一个框架下做自动处理,对比度只是自动去分布，整体上对比度相当于均匀的分布在了整个图像中。

因此需要提出一种灰度化算法，能按人的主观
2
第一章绪论
意图去选择原图的某一部分的，然后使对比度能按照主观感兴趣程度做不同程度的对比度突出或者是弱化。

1概述
图像灰度化方法从能量函数中保持对比度的像素对的邻域范围来分类，可以分为全局灰度化方法和局部灰度化方法。

接下来对相关工作进行简要介绍并对具体算法的优缺点做出分析说明。

全局灰度化就是保持每个像素点与其他所有像素点之间的颜色对比，这样可以充分保持原图像的整体对比度。

但是所有像素点之间的对比度的保持在颜色比较丰富的图像中可能会造成灰度图像中的相邻像素之间的对比度被压缩，以至于灰度结果相邻区域无法被区分，而且由于需要计算每个像素点之间的信息，时间复杂度和存储复杂度都会太大，对计算机的性能配置要求也会较高，因此只适合处理较小分辨率的图像。

在全局灰度化算法中, Gooch等[2]考虑彩色图像中，人眼不仅对不同亮度之间对比敏感，对不同颜色之间的对比也比较敏感，提出在原图中，像素对计算对比度时，从亮度差异和色度差异综合考虑进行选择，以充分保持原图对比。

Tanaka等[5]对Gooch等的方法进行了数学上的分析，通过量化颜色级别并且将相同颜色像素点作统一处理减少运算量并且引入查找表方法，将大量色度压缩值事先存储好以缩短运算时间，同时提出了修改标准差符号定义等改进方法，通过这些工作，灰度化的运行效率得到了明显的提高，但是此算法只是对Gooch等算法的加速，效果上并没有改善。

Majewicz等[5]考虑到彩色图像转换为灰度图像存在必然的信息丢失，并且大部分的灰度化算法只是适合某一小类的图像的处理，因此作者提出了一种适合处理大部分图片的算法，一种自适应的灰度化算法，算法能较大程度的保持原图中信息，通过颜色聚类、三维分割和模拟退火算法三个步骤，将显著的和不同的颜色映射成不同的灰度级，很好的保存了传统算法中丢失的图像信息。

但是在处理自然图像高对比度区域时不太成功。

贺姣[6]分析了Gooch等只是有选择性将彩色图像亮度对比度或颜色对比度映射到灰度图像，在处理过程中也会丢失部分的颜色信息，导致灰度图像的对比度不够理想，提出为了能让灰度图像各部分能尽量被观察和识别，分别在HIS和RGB 颜色空间中对Gooch等的方法进行灰度图像对比度的改进，在HIS颜色空间中，通过Gooch等人算法理论模型的改进，同时映射彩色图像中的颜色对比度和亮度对比度，在RGB颜色空间中，同样基于Gooch等人的算法理论模型，通过矩阵变换获得了直接包含RGB空间三通道的对比度保持目标函数，并且利用共轭梯度循环迭代优化的方法得到较理想对比度的灰度函数。

但是两者都是做全局的对比度保持，因此导致算法计算量较大，应用受到限制，同时基于RGB空间内做灰度化时，由于三个通道相关性较大，因此在处理复杂图片时，可能会丢失背
3
温州大学硕士学位论文
景的细节信息，降低图像的整体感知特性。

Ancuti等[7]通过只关注显著性区域的对比度来压缩计算量，综合考虑色度和亮度信息来保存初始化的色彩区分度并且强调色彩对比度，用模糊策略生成的空间分布，能更好的区分描述亮度区域和色彩特征。

由于未使用逐像素点的优化，时间复杂度和图像分辨率是线性关系，实现了实时处理，算法被应用到了视频去彩色化，细节增强和单幅图像的去雾算法等众多领域。

但是在灰度化后容易造成将原图本来存在人的工痕迹放大的不利影响。

Liu等[8]提出了在更高维度的特征向量上处理，以更好的保持图像特征，该算法首先建立独立于特殊图片的特征向量空间字典，当对一幅图片做灰度化处理时，字典元素自动收集来反应图像的视觉显著性区域，同时也去除冗余的颜色信息，最后通过一个稀疏线性变换来完成彩色图像到灰度图像的映射。

由于是保持主要的颜色信息，不可避免的在灰度结果图中就会丢失一些细节信息。

Grunland 和Dodgson[9]提出了一个新的对比度增强的灰度化线性映射，和其他的灰度化方法比较，能够保存好消色差的亮度对比度，相比其他灰度化算法，处理速度较快，实现了灰度化的实时处理，算法过程中充分利用了可预测亮度、饱和度和灰度顺序等属性。

Kim等[10]提出了一种快速的灰度化方法并且能够很好的保持彩色图片的视觉特征，在处理中，能较好地保持特征分辨性和合理的颜色顺序，通过简单的非线性全局映射优化得到结果图，但其中的颜色顺序还存在很大的改进空间。

Seo等[11]提出了基于PCA的灰度化算法，能够保持颜色和纹理的辨别性，相较其他算法，不需要灰度化过程中指定任何特殊参数，只是对彩色图像的子空间进行简单映射，预算复杂度较低，实现了实时处理，文中主要贡献是使用特征值权重线性组合各子空间，通过大量的实验证明了算法在处理速度和结果效果质量上都取得了提高。

周金和等提出了一种有选择的图像灰度化方法，在图像上选中一种颜色在对应灰度图上固定为黑色，作为坐标轴的原点，然后按与此颜色的距离，对其他颜色赋予相应的灰度值，离原点最远的点对应是白色，为了方便选取或生成颜色，通常可以选择不同的颜色空间，算法简单但实用。

在颜色映射算法中，还存在较大的改进空间，以达到更好的对比度保持效果和选色效果。

Lu等[3]在计算像素点对比度值的时候，提出双峰分布，让颜色映射成灰度图片时，不再遵循严格的顺序，各像素对自动在两种颜色顺序中选择，最大程度的保持了原图中颜色之间的对比度。

随后，在此基础上Lu等又从运行速度上做了大量工作，通过减少特征空间，量化颜色值以及求解时，使用查找表等改进，提出了快而有效的实时灰度化方法[12]。

Zhu等[13]提出了基于滤波器理论的感知灰度化算法，提出由于人眼接收图像信息时，只接受部分显著性通道，对其他通道会进行压制，引入了通道显著性的概念来测量不同通道显著性，选择显著性最高的通道在灰度化处理中引导增强灰度结果图的对比度。

Hu等[14]基于rgb2gray简单线性模型提出了用简单的线性组合RGB颜色空间各通道值来得到灰度结果图的一种新颖的实时灰度化算法，又利用局部优化框架在置信空间内得到最优的灰度值，即使在普通的CPU上运算，也能做到实时的处理高分辨率的图片。

但是在处理中，可以通
4
第一章绪论
过更好的DCD和设计测量矩阵改善效果和鲁棒性，还可以考虑通过更好的颜色描述模型更精确的表示复杂图片，视频灰度化的连续性问题也可以用更复杂的搜索策略来完成。

Wu等[15]提出了多尺度带权重的融合框架以把输入图像的RGB 通道通过权重金字塔图像融合框架合成为灰度图片，权重由简单的视觉质量矩阵得到，有效地保持了原图的对比度。

但是在灰度结果中，感知的色调顺序可能会丢失。

最近，Ji等[16]提出用一系列高斯差分滤波器来表示图像的对比度，算法的时间复杂度和图片分辨率是线性关系，因此可以在较短时间内处理大分辨率图像，但是相同颜色值映射到相同的灰度值，因此也无法完成显著性区域对比度增强的任务。

局部灰度化则只考虑像素点与其接近的邻域内像素点的对比度，能够有效提升运算效率，但是可能会造成图像信息的丢失。

如图1所示，在应用Gooch等[2]的灰度化方法过程中，基于局部9-邻域生成的灰度化图像存在严重的噪声。

在局部灰度化算法中，Bala和Eschbach[17]基于考虑相邻的不同颜色但是亮度值相近造成的对比度的丢失，提出了让高频色彩信号加入到亮度通道，首先通过空域高频滤波器处理色度通道，用独立于亮度的项加权后加入到亮度通道，结果中存在色度高频信号的区域对比度得到了加强，这样就有效地保持了边界信息，但在处理过程中容易产生对比度过度增强的缺点。

Neumann等[18]基于Coloroid颜色系统的实验背景，提出了简单而快速的灰度化算法，解决了连续性问题，通过局部的选择连续颜色梯度，用快速的二维集成来得到灰度图，虽然时间复杂和图像分辨率成线性关系，但还是未达到实时处理。

Smith等[19]用两个步骤的算法将复杂的图像转换成感知精确的灰度图像，首先得到全局初始化灰度图和颜色顺序后，然后通过局部的锐化边界来增强灰度图的对比度获得灰度结果图，算法只是在颜色对比信息丢失的局部区域加入丢失的连续性，能保持全局图像的亮度范围差异以及颜色顺序和空间细节。

此算法的主要缺陷是不能保持不连通区域的颜色对比度，这样容易造成偶然的不连续；算法还可能会将不可靠的颜色信息引起的人工痕迹加强。

现有图像灰度化算法都是基于底层的图像视觉信息进行自动处理的，都是尽量使图像清晰地通用算法。

在实际应用中，可能希望能够将灰度图像中的某一感兴趣区域清晰地呈现，以达到观察和处理的需要。

尽管Zhao等[20]在考虑图像中像素点空间坐标和纹理特征基础上，提出了结构感知的全局优化框架，利用用户线条输入达到交互式选择区域灰度化的目的，但是所选择区域的像素灰度值直接取自CIE-Lab颜色空间的亮度通道，而未选择的区域则保持原彩色不变。

因此，有必要设计一个能够有效增强感兴趣局部区域对比度的彩色图像灰度化方法。

温州大学硕士学位论文
2本文主要工作
本文针对人眼观察图像或图像处理与图像识别中对图像各部分的清晰度需求不一样，提出了反应主观需求的局部对比度增强的灰度化参数化算法，先通过交互简单而效果又很好的图像分割算法GrabCut算法提取指定的前景区域[21]，或者是通过处理效果较好且运行速度较快的频率调谐算法获得显著性度图，对前景区域或者是显著性区域分别作相应的预处理得到引导图，再通过引导图对能量函数中的参照对比度值做缩放，引导灰度化结果图中的像素对灰度值的差值趋势。

对原图中显著度值高的区域的像素在灰度图中增强它们之间的差值，对原图中显著度值低的区域的像素对减小它们之间的差值，为了能让不同显著度值的区域做不同的处理，再通过增加一个显著度值组成的通道，通过参数化模型映射，解决了非均匀的可控制的对比度分布。

让不同显著度的区域中的相同颜色差异的颜色对可以在映射之后有不同的对比度。

但是由于参数化模型的约束，显著度值相同的区域，相同颜色又会映射到相同的灰度级别，这样又会尽量的保持原图中颜色信息，对后续观察和处理有重要的意义。

3论文组织结构
本文从以往灰度化算法的研究入手,首先介绍彩色图像灰度化的相关知识，以及相应的应用领域，然后再对现阶段国内外的研究现状做一些简要的介绍，得出了以往灰度化研究存在的盲区，也就是没有解决主观控制图像不同部分的灰度化结果对比度保持强弱的问题，提出了一个新的局部对比度增强的灰度化参数化算法。

为了实现局部对比度增强的灰度化算法这一目的，需要用到图像分割技术和显著性检测技术来得到主观引导图，于是本文先介绍了对这两类图像处理领域的研究，并分析了本文需要用到的相应算法。

随后对本文借鉴的Gooch等[2]和Lu[3]等提出的灰度化算法，作了详细分析，并指出了其中重要的贡献。

最后详细介绍局部对比度增强的灰度化参数化算法的详细步骤和主要贡献,大量实验结果证明了算法能较好的实现突出感兴趣区域对比度的目的，同时可以选择式的弱化不感兴趣区域的对比度，算法的处理速度较快，图像结果质量也较好。

本文的主要结构安排如下：
第一章绪论部分，对图像灰度化做过程介绍，并指出灰度化处理在图像处理中的应用，以及在日常生产生活中方方面面灰度化处理研究的重要意义，对现有的灰度化算法分为局部灰度化和全局灰度化两大类作简要的阐释，并分析提出本文研究的主要内容。

第二章相关灰度化算法的研究，在本章中，着重对两种灰度化算法做介绍，Gooch等提出的Color2Gray灰度化算法[2]和Lu等提出的对比度保持的灰度化算法[3]。

由于这两种算法对本文有重要的借鉴意义，因此作了详细分析。