前言

文章主要对图像增强算法进行综述，并比较之前直方图均衡化算法的优缺点提出一种新的基于Gamma增强的算法。算法的主要步骤：
1、色彩空间转换，BGR转换到HSV空间，选取V空间(亮度空间)，计算V空间的均值和方差；
2、图像分类，规避传统直方图均衡化的缺点，根据V的均值将图像分成亮图像和暗图像，根据V的方差将图像分成低对比度和高对比度；不同亮度和对比度的图像分配不同的增益和对比度参数；
3、曲线转换，根据不同的分类分配不同的增益系数c和转换函数曲线控制系数r，根据Gamma理论对V空间进行增强，最后增强后的V空间和原始的S、V空间合并得到新的BGR空间。

一、算法流程

主要分为三个步骤，流程图如图所示：
算法流程图

算法流程图

1、色彩空间转换
将BGR色彩空间转至HSV空间，并分离通道，只对V亮度空间进行处理；把V空间类型转成浮点类型，计算其均值和方差；
2、图像分类
根据计算的均值 $\mu$ 和方差 $\sigma$ ，分配不同的系数，文章中定义：
$\mu$ <=0.5，认为是暗图像，反之是亮图像
4* $\sigma$ <=1/3，认为是低对比度，反之是高对比度
3、曲线转换
Gamma的公式： $I_o$ = c* $I_i$ ^ $\gamma$
其中，参数c 是增益系数，参数 $\gamma$ 控制转换曲线的趋势， $I_i$ 是输入图像， $I_o$ 是输出图像；
3.1 低对比度图像
低对比度图像，参数c定义为：
c= 1/(1 + Heaviside(0.5 ? $\mu$ ) × (k ? 1))
其中，k = $I_i$ ^ $\gamma$ + (1 - $I_i$ ^ $\gamma$ ) * $\mu$ ^ $\sigma$
Heaviside是个符号操作，定义为:
Heaviside(x) = 0, if x<=0；
反之，Heaviside(x) =1，if x>0
3.1.1 亮图像
低对比度的亮图像， $\mu$ 是大于0.5的，图像的亮度较高只需要增强细节的对比度，此时c=1，转换函数变成：
$I_o$ = $I_i$ ^ $\gamma$
论文中选取 $\gamma$ = - $log_2$ ( $\sigma$ )，对于临界点， $\gamma$ _min = ?log2(0.0833) = 3.585；转换曲线在 $I_o$ = $I_i$ 的下方。
3.1.2 暗图像
低对比度暗图像的灰度集中在小部分区域，需要将直方图拉升到较大的范围，此时c = k，变换曲线在 $I_o$ = $I_i$ 的上方。
转换函数：
$I_o$ = $I_i$ ^ $\gamma$ /k
3.2 高对比度
高对比度图像，亮度调整比对比度增强重要，这时的 $\gamma$ 取值范围在1附近，文章里 $\gamma$ 取值：
$\gamma$ = exp(1-( $\mu$ + $\sigma$ )/2)
3.2.1 暗图像
对于高对比度的暗图像，均值和方差都小于0.5，因此 $\gamma$ >=1，图像均值越小，增强的越多；对于暗图像均值接近于0.5的，转换曲线接近于一条直线；
3.2.2亮图像
对于高对比度的亮图像，图像有较好地亮度和对比度，均值和方差都接近于0.5，转换曲线接近于直线。