低照度图像增强matlab

### 使用Matlab实现低照度图像增强的方法 #### 方法一：自适应直方图均衡化（AHE） 自适应直方图均衡化是一种局部增强技术，能够有效提升低照度图像的质量。通过划分图像的小区域并对其进行独立的直方图均衡化操作，可以显著改善图像细节的表现力。 以下是一个完整的代码示例： ```matlab close all; clear all; warning off all; I = imread('rice.png'); figure; imshow(I); title('原始图像'); [m, n, d] = size(I); if d == 1 J = I; else J = rgb2gray(I); end % 图像边界扩展 w = 257; k = 0.8; w = k * min(m, n); padsize = [w / 2, w / 2]; padsize = ceil(padsize); padSrc = padarray(J, padsize, 'symmetric', 'both'); R = zeros(m, n); iter = 0; w2 = w; w3 = ceil(w / 2); for i = 1:m for j = 1:n slideWindow = padSrc(i:i + w2 - 1, j:j + w2 - 1); AHE_pixel = AHE(slideWindow, J(i, j)); R(i, j) = AHE_pixel; end end R = uint8(R); figure; imshow(R); title('处理后的图像'); function outPixel = AHE(window, inPixel) [m, n] = size(window); ProbPixel = imhist(window) / (m * n); % 计算累积分布密度 CumuPixel = zeros(1, 256); CumuPixel(1) = ProbPixel(1); for l = 2:256 CumuPixel(l) = CumuPixel(l - 1) + ProbPixel(l); end CumuPixel = uint8(255 .* CumuPixel + 0.5); % 取整数 outPixel = CumuPixel(inPixel); end ``` 这种方法适用于需要保留更多局部细节的情况[^2]。 --- #### 方法二：全局增强法 全局增强方法主要针对整个图像进行调整，适合用于均匀光照条件下的低照度场景。该方法的核心是对像素值进行非线性变换以提高对比度。 以下是具体的实现代码： ```matlab clear; clc; close all; % 读入图片 A = imread('before.png'); figure; imshow(A); title('RGB Original Image'); outval = ALTM(A); figure; imshow(outval); function outval = ALTM(I) II = im2double(I); Ir = double(II(:, :, 1)); Ig = double(II(:, :, 2)); Ib = double(II(:, :, 3)); % 输入世界亮度值 Lw = 0.299 * Ir + 0.587 * Ig + 0.114 * Ib; % 最大亮度值 Lwmax = max(max(Lw)); [m, n] = size(Lw); % 对数值平均亮度 Lwaver = exp(sum(sum(log(0.001 + Lw))) / (m * n)); Lg = log(Lw / Lwaver + 1) / log(Lwmax / Lwaver + 1); gain = Lg ./ Lw; gain(find(Lw == 0)) = 0; outval = cat(3, gain .* Ir, gain .* Ig, gain .* Ib); end ``` 此方法简单高效，在大多数情况下都能取得较好的效果[^3]。 --- #### 方法三：同态滤波器 同态滤波器是一种频率域上的增强方法，它通过对图像的不同频谱成分施加不同的增益来达到增强目的。具体来说，它可以减少阴影效应并增加图像的整体清晰度。 下面是基于同态滤波的实现代码： ```matlab function HomomorphicFilter() originalImage = imread('low_light_image.jpg'); figure; subplot(1, 2, 1),imshow(originalImage),title('Original Image'); gammaL = 0.5; gammaH = 2.5; c = 1; D0 = 10; rH = 0.5; rL = 0.5; Y = rgb2gray(im2double(originalImage)); [M,N] = size(Y); fftY = fftshift(log(1 + fft2(Y))); U = 1:M; V = 1:N; [V,U] = meshgrid(V-U(N/2+1),U-M/2); D = sqrt(U.^2 + V.^2); H = (gammaH-gammaL).*(1-exp(-c.*(D./D0).^2))+gammaL; filteredY = real(ifft2(exp(fftshift(H.*ifftshift(fftY))))); enhancedImage = mat2gray(filteredY); subplot(1, 2, 2),imshow(enhancedImage),title('Enhanced Image'); end ``` 这种技术特别适合于存在明显明暗差异的复杂场景中的应用[^4]。 --- ### 总结 以上三种方法各有优劣，可以根据实际需求选择合适的技术路线。如果追求更高的计算效率，则可以选择全局增强；而当关注的是局部特征时，推荐使用自适应直方图均衡化或者同态滤波器。