图像多尺度对比增强算法

多尺度对比增强算法的基本观点是将图像分解成代表图像单个细节的像素，然后立
即在这些像素上提高对比度，因此要求选择一种图像分解方法。
在图像分解方法的选择上要遵循以下两个基本条件：
           (1)必须包括所有层次来表示任何大小的结构；
          (2)必须连续不中断。

   在多尺度对比增强算法处理中，图像分解选择拉普拉斯金字塔函数

(1)图像分解的过程

拉普拉斯金字塔函数分解的基本思想是首先原图像进行低通滤波降低像素与像素
间联系的紧密程度，间隔抽样压缩图像数据，也就是说图像样本密度缩小了，然后进行
插值，最后所得结果图像与原图像作差缛到控酱拉斯金字塔中的第一层。基于此层图像
重复上述操作，就会扩展成为金字塔形状的多尺度数据结构。下面介绍拉普拉斯金字塔
的分解和重建过程。
     拉普拉斯金字塔是建立在高斯金字塔基础上的，由一系列L1,L2,L3,L4……上-组成，

每个L就是两层相邻高斯金字塔的差异集，公式如下：

                     L(1)=G(1)-expand(G(l+1));

在处理过程中，每次图像都比上一次的样本密度缩小一半(即缩小为原来的二分之
--)。这时整个过程就呈现了金字塔数据结构，又因为每层金字塔的值代表两个高斯图
像的差异图像，也可以看成是与原始图像不同程度的卷积，这一点很像在图像增强中的
“拉普拉斯”操作，所以叫它拉普拉斯金字塔。

    在图像重建的时候，需要放大高斯金字塔并与低一级的拉普拉斯金字塔相加：

                    G(1)=L(1)+expand(G(l+1))

（2）图像增强的过程

    为了增强图像的细节部分，在进行对比度均衡化前，先对图像进行F/E处理，

     F处理主要是通过调节图像的空间频率特性来改善图像的锐化特性，以达到解剖结构的细节描述，突出图像的细微特征；

    E处理则是在低频的部分降低图像的动态范围，对感兴趣区进行密度补偿。

F处理：

    图像的细节处理可以通过提高图像的高频部分的频率幅度来显示：

                 Y=X+a*B(x)*(x-x1)

    Y、X、X1代表结果图像、原始图像、经过低通滤波的图像后的像素值。（x-x1）表示图像的高频部分，

                     系数a决定了高频部分的增强程度。

F处理的具体过程为：

首先将原始图像进行低通滤波也就是平滑操作，从而得到平滑图像，然后原始图像与平滑图像作差得到差值图像，差值图像代表着图像中的高频信息部分，通常是图像的边缘及细节信息部分，接下来根据图像中不同数据密度部分进行相应程度的图像增强，

这里系数a、函数B(x)是事先给定的，会根据图像类型、图像效果要求、图像数据密度分布的不同而不同，其中图像数据密度分布情况，在算法中尤为重要，因为在后面的算法中拉普拉斯金字塔分解、分层增强系数都与图像数据的密度有关，最后将增强后得到的图像与原始图像做和得到最终的F处理效果图像。

E处理：

有些图像的照射范围太广，不能以恰当的对比度来显示所有的图像区域，因此需要通过减低图像中的低频部分，来提高所有相关图像特征的对比度，

                     Y=X+a(A-X1)   a<1;

           X表示原图像，x1表示平滑滤波后的图像，a是矫正系数，用于控制动态压缩的程度，A常量

E处理的具体过程为：

首先将原始图像进行低通滤波进行平滑操作，从而得到平滑
图像，然后与给定的A做差得到差值图像，然后与给定的系数a相乘，

其意义是进行图像数据密度的动态压缩，即去除了图像中的低频率部分，保留了高频率部分，因为图像
的重要细节信息往往存在于高频中，最后得到的图像与原始图像做和得到最终的效果图
像。