基于快速模糊聚類的動(dòng)態(tài)多直方圖均衡化算法

江巨浪，劉國(guó)明，朱 柱，黃 忠，鄭江云

（安慶師范大學(xué)電子工程與智能制造學(xué)院,安徽安慶 246133）

1 引言

對(duì)比度增強(qiáng)技術(shù)被廣泛用于改善圖像視覺(jué)質(zhì)量、提高機(jī)器視覺(jué)對(duì)圖像關(guān)鍵特征的感知能力［1，2］.在對(duì)比度增強(qiáng)的各類方法中，直方圖均衡化（Histogram Equalization，HE）因其簡(jiǎn)單性和有效性得到廣泛應(yīng)用.該方法利用圖像直方圖信息確定灰度級(jí)映射函數(shù)，通過(guò)自動(dòng)拉伸圖像動(dòng)態(tài)范圍獲得較高對(duì)比度.傳統(tǒng)HE算法容易導(dǎo)致過(guò)度擴(kuò)展高頻灰度級(jí)區(qū)間而產(chǎn)生過(guò)度增強(qiáng)，以及過(guò)度合并低頻灰度級(jí)而引起細(xì)節(jié)丟失.同時(shí)，HE 算法的輸出圖像平均亮度是與原圖像亮度無(wú)關(guān)的恒定值，容易導(dǎo)致圖像真實(shí)感丟失與視覺(jué)效果不自然［3，4］.

針對(duì)HE 算法的過(guò)度增強(qiáng)與細(xì)節(jié)丟失問(wèn)題，基于修改直方圖的方法被提出［5］.該方法通過(guò)限制高頻灰度級(jí)的壓倒性優(yōu)勢(shì)，改善了圖像中高頻度灰度級(jí)所在區(qū)域的過(guò)度增強(qiáng)與低頻度灰度級(jí)所在區(qū)域的細(xì)節(jié)丟失.由于修改后的直方圖幅度受到限制，該方法在保留圖像細(xì)節(jié)的同時(shí)也減弱了圖像整體增強(qiáng)效果.為了解決這一矛盾，研究者們提出了多種不同策略以控制與平衡直方圖中高頻和低頻灰度級(jí)的增強(qiáng)率［6～9］.多直方圖均衡化是改進(jìn)HE算法的另一種有效途徑.該方法將圖像直方圖分割為多個(gè)子直方圖，讓圖像增強(qiáng)在每個(gè)子直方圖中獨(dú)立進(jìn)行，避免了高幅值子直方圖對(duì)低幅值子直方圖動(dòng)態(tài)范圍的過(guò)度壓縮，達(dá)到避免過(guò)度增強(qiáng)與保持細(xì)節(jié)的目的.多直方圖均衡化的另一個(gè)功能是在一定程度上保持了原圖像亮度.雙直方圖均衡化方法最早被提出，在確定直方圖分割閾值的策略上提出了一些典型算法，包括亮度保持的雙直方圖均衡化算法（Brightness preserving Bi-Histogram Equalization，BBHE）［10］、二元子圖像直方圖均衡化算法（Dualistic Sub-Image Histogram Equalization，DSIHE）［11］、最小平均亮度誤差的雙直方圖均衡化算法（Minimum Mean Brightness Error Bi-Histogram Equalization，MMBEBHE）12］、基于閾值和優(yōu)化的直方圖均衡化算法（Thresholded and Optimized Histogram Equalization，TOHE）［13］、基于最大熵模型的雙直方圖均衡化算法（Maximum Entropy Model based Bi-Histogram Equalization，MEMBHE）［14］、基于模糊分割的雙直方圖均衡化算法（Fuzzy-based Histogram Partitioning for Bi-Histogram Equalization，F(xiàn)HPBHE）［15］.這些算法具有一定的圖像亮度保持能力，在不同程度上改善了過(guò)度增強(qiáng)與細(xì)節(jié)丟失，比傳統(tǒng)的HE 算法能夠獲得更自然的增強(qiáng)效果.基于進(jìn)一步提高圖像增強(qiáng)質(zhì)量的需要，多直方圖均衡化方法被提出.子直方圖數(shù)量與分割閾值是多直方圖均衡化的兩個(gè)關(guān)鍵問(wèn)題，對(duì)圖像增強(qiáng)結(jié)果直接產(chǎn)生重要影響［16］.直方圖分割數(shù)量越多，越有利于保留圖像亮度以及圖像局部細(xì)節(jié)，但太多的子直方圖使圖像增強(qiáng)效果明顯減弱.此外，如果分割直方圖的閾值選擇不當(dāng)，會(huì)導(dǎo)致子直方圖內(nèi)部存在主導(dǎo)性灰度級(jí)成分，進(jìn)而導(dǎo)致過(guò)度增強(qiáng).目前，多直方圖的分割閾值選擇方法大體可分為兩類.一類方法是由用戶指定子直方圖分割數(shù)量，其中的典型算法包括遞歸均值分割的直方圖均衡化算法（Recursive Mean Separate Histogram Equalization，RMSHE）［17］、遞歸的子圖像直方圖均衡化算法（Recursive Sub-Image Histogram Equalization，RSIHE）［18］、遞歸分割與加權(quán)的直方圖均衡化算法（Recursively Separated and Weighted Histogram Equalization，RSWHE）［19］、基于圖像聚類的多直方圖均衡化算法［20］.在這些算法中，沒(méi)有對(duì)直方圖分割數(shù)量提出一個(gè)最優(yōu)的選擇方案，需要用戶自行選擇.另一類方法能夠自動(dòng)確定直方圖分割的數(shù)量，典型算法包括四元?jiǎng)討B(tài)直方圖均衡化算法（Quadrants Dynamic Histogram Equalization，QDHE）［21］、動(dòng)態(tài)直方圖均衡化算法（Dynamic Histogram Equalization，DHE）［22］、基于熵的動(dòng)態(tài)子直方圖均衡化算法（Entropy-based Dynamic Sub-Histogram Equalization，EDSHE）［23］、基于曝光區(qū)域的多重直方圖均衡化算法（Exposure Region-based Multi-Histogram Equalization，ERMHE）［24］.

多直方圖均衡化方法通過(guò)對(duì)直方圖分割與獨(dú)立的均衡化處理，顯著改善了高值直方圖區(qū)域的過(guò)度增強(qiáng)與低值直方圖區(qū)域的細(xì)節(jié)退化.然而，現(xiàn)有的多直方圖均衡化算法盡管對(duì)于某些特定類型的圖像取得了令人滿意的效果，但仍然缺乏對(duì)不同亮度特征的圖像的普適性.對(duì)此，本文提出一種基于快速模糊聚類的動(dòng)態(tài)多直方圖均衡化算法.通過(guò)采用直方圖加權(quán)的模糊C-均值聚類（Fuzzy C-Means，F(xiàn)CM）與最優(yōu)Davies-Bouldin Index（DBI）標(biāo)度量方法，實(shí)現(xiàn)對(duì)直方圖的快速自動(dòng)分割.在子直方圖均衡化過(guò)程中，綜合運(yùn)用直方圖裁剪與動(dòng)態(tài)范圍分配方法，避免直方圖均衡化引起的過(guò)度增強(qiáng)與細(xì)節(jié)退化.通過(guò)與現(xiàn)有同類算法的性能比較，驗(yàn)證該算法在處理不同亮度圖像時(shí)的整體性能的優(yōu)越性.

2 算法描述

2.1 直方圖分割

采用圖像聚類方法，將原圖像分割為若干子圖像，并依據(jù)每個(gè)子圖像的灰度區(qū)間對(duì)圖像直方圖進(jìn)行分割.使用DBI指數(shù)作為聚類質(zhì)量好壞的評(píng)價(jià)指標(biāo)，以確定最佳聚類個(gè)數(shù).

2.1.1 基于直方圖加權(quán)的FCM快速聚類

FCM 作為一種無(wú)監(jiān)督聚類算法，在圖像聚類中得到廣泛應(yīng)用［25］.采用FCM 算法對(duì)圖像進(jìn)行聚類時(shí)，如果將所有像素灰度值直接作為數(shù)據(jù)樣本將會(huì)使聚類過(guò)程十分耗時(shí)，且運(yùn)行時(shí)間隨圖像尺寸增大而急劇增加.本文將圖像的所有灰度級(jí)及其頻度共同作為待聚類的數(shù)據(jù)樣本，構(gòu)造一種基于直方圖加權(quán)的FCM 圖像快速聚類算法.由于樣本數(shù)目是一個(gè)與圖像尺寸無(wú)關(guān)的常向量（即數(shù)字圖像常用的256 個(gè)灰度級(jí)），算法效率得到大幅度提升，并且完全不受圖像尺寸增加的影響.令數(shù)據(jù)樣本為圖像X的所有灰度級(jí)構(gòu)成的向量G={G1,G2,…,Gn}，圖像灰度直方圖為h={h1,h2,…,hn}，其中n=256.令圖像聚類個(gè)數(shù)為c，聚類中心為V={V1,V2,…,Vc}.用一個(gè)n×c的矩陣U=[μi,j]n×c描述聚類結(jié)果.其中μi,j∈[0,1]，表示第i個(gè)樣本Gi屬于第j類的隸屬度.對(duì)于?i，有=1；對(duì) 于?j，有1 ＜.基于直方圖加權(quán)的FCM 算法通過(guò)迭代運(yùn)算對(duì)以下目標(biāo)函數(shù)進(jìn)行優(yōu)化：

該目標(biāo)函數(shù)在傳統(tǒng)FCM 算法基礎(chǔ)上增加了一個(gè)基于灰度直方圖h的權(quán)重因子.b為模糊指數(shù)，通常取值為2.令f分別對(duì)μi,j與Vj的偏導(dǎo)數(shù)為0，可獲得使目標(biāo)函數(shù)為極小值的優(yōu)化迭代公式.

采用直方圖加權(quán)的FCM 快速聚類算法，將圖像分割為c類，具體步驟如下.

Step1輸入圖像，計(jì)算直方圖h，令G={0,1,2,…,255}.

Step2輸入聚類數(shù)c.設(shè)定迭代停止閾值ε.

Step3令迭代次數(shù)k=1.用隨機(jī)值初始化矩陣U(k)，用式（2）計(jì)算聚類中心V(k)，用式（1）計(jì)算目標(biāo)函數(shù)f(k).

Step4k=k+1.用式（3）計(jì)算矩陣U(k+1)，用式（2）計(jì)算聚類中心V(k+1).

Step5若‖V(k+1)-V(k)‖＜ε，則迭代過(guò)程結(jié)束.否則，返回Step4.

Step6按照最大隸屬度原則確定樣本G中的每個(gè)灰度級(jí)所屬類別.根據(jù)灰度值對(duì)圖像像素進(jìn)行分類.

2.1.2 圖像聚類個(gè)數(shù)的選擇

聚類個(gè)數(shù)的合理選擇，是獲得高質(zhì)量圖像聚類結(jié)果、提高直方圖分割合理性的關(guān)鍵.本文采取遍歷不同聚類個(gè)數(shù)的方式，選擇對(duì)應(yīng)于最優(yōu)圖像聚類質(zhì)量的聚類個(gè)數(shù).考慮算法效率與便捷性，選擇DBI作為圖像聚類質(zhì)量評(píng)價(jià)指標(biāo)［26］.DBI基于類內(nèi)散度與類間距離的綜合度量對(duì)聚類質(zhì)量進(jìn)行評(píng)價(jià)，其數(shù)值越小表明聚類質(zhì)量越好.DBI的計(jì)算式如下：

式（4）中，DWi為第i類的所有樣本到其聚類中心的平均距離，DCij為第i類中心到第j類中心的距離.通過(guò)遍歷不同聚類個(gè)數(shù)并計(jì)算對(duì)應(yīng)的DBI值，從中選擇對(duì)應(yīng)于最小DBI的聚類個(gè)數(shù)，作為最佳聚類個(gè)數(shù)c.將c值的遍歷范圍設(shè)為2～6，采用基于直方圖加權(quán)的FCM算法對(duì)圖像girl 進(jìn)行聚類與直方圖分割（圖1），表1 記錄了不同聚類個(gè)數(shù)對(duì)應(yīng)的DBI 值.數(shù)據(jù)顯示，c=3 對(duì)應(yīng)于最小的DBI 值，表明其對(duì)應(yīng)于圖像girl 的最優(yōu)聚類結(jié)果.此時(shí)，在圖1（c）中原圖像像素被大致劃分為3個(gè)類別：深色的頭發(fā)與領(lǐng)結(jié)；灰色的臉部、衣服與背景；相對(duì)較亮的衣領(lǐng).由最小DBI確定的最佳c值對(duì)應(yīng)于相對(duì)合理的聚類結(jié)果，最佳c值通常隨圖像不同而改變.

表1 圖像聚類個(gè)數(shù)c與對(duì)應(yīng)的DBI值

圖1 對(duì)應(yīng)于不同c值的圖像聚類及直方圖分割

2.2 子直方圖裁剪與動(dòng)態(tài)范圍分配

使用修改直方圖方法，可以控制子直方圖均衡化的增強(qiáng)率，以有效避免子圖像的過(guò)度增強(qiáng)與細(xì)節(jié)退化.本文參考BHEPL 算法［8］，采用子直方圖均值作為幅度極限對(duì)子直方圖進(jìn)行裁剪.對(duì)于第i個(gè)子直方圖hi，假設(shè)其灰度級(jí)區(qū)間為[Gi1,Gi2]，幅度極值Ti的計(jì)算公式為

式（5）中，k為灰度級(jí)，k∈[Gi1,Gi2].通過(guò)裁剪，使子直方圖hi中小于Ti的部分得到保留，大于Ti的部分被限幅.裁剪后的子直方圖為，則

對(duì)于每個(gè)子直方圖，根據(jù)其原有灰度范圍與像素占比分配新的動(dòng)態(tài)范圍.對(duì)于子直方圖hi，動(dòng)態(tài)范圍spani=Gi2-Gi1+1，采用下式計(jì)算hi在輸出圖像中的動(dòng)態(tài)范圍：

式（7）中，L為圖像灰度級(jí)個(gè)數(shù).Nk表示第k個(gè)子直方圖包含的像素?cái)?shù)量.一方面，式（7）使幅值較大的子直方圖的動(dòng)態(tài)范圍在輸出圖像中得到放大，以確保圖像主體部分的對(duì)比度有更明顯的增強(qiáng)；另一方面，又通過(guò)引入對(duì)數(shù)運(yùn)算使這種放大作用受到限制，以避免圖像中非主體部分的細(xì)節(jié)退化.

2.3 整體算法描述

本小節(jié)描述了基于模糊聚類的動(dòng)態(tài)多直方圖均衡化算法，并將其命名為FCDMHE（Fuzzy Clustering based Dynamic Multi-Histogram Equalization）算法.首先遍歷不同取值的聚類個(gè)數(shù)c（本文設(shè)置為2～6），對(duì)圖像進(jìn)行FCM 快速聚類，并根據(jù)聚類結(jié)果的DBI 值最小原則確定最佳聚類個(gè)數(shù).然后依據(jù)子圖像的灰度區(qū)間對(duì)圖像直方圖進(jìn)行分割.對(duì)每個(gè)子圖像，在完成直方圖裁剪之后再進(jìn)行獨(dú)立的直方圖均衡化處理，并映射到新的灰度級(jí)動(dòng)態(tài)范圍.最后合并所有子圖像的直方圖均衡化結(jié)果，得到輸出圖像.FCDMHE算法描述如下.

3 實(shí)驗(yàn)結(jié)果與分析

圖2 是用于算法性能測(cè)試的8 幅圖像.為了考察FCDMHE 算法對(duì)不同圖像亮度特征的適應(yīng)性，測(cè)試圖像包括中等亮度圖像girl 與logic IC、低亮度圖像butterfly 與airplane U2、高亮度圖像penguin 與aerial、亮度不均勻圖像street 與moon.在圖2 的每幅圖像下方繪制了FCDMHE算法對(duì)圖像直方圖的分割結(jié)果.可以看出，對(duì)應(yīng)于最優(yōu)DBI的圖像聚類個(gè)數(shù)（即直方圖分割的數(shù)量c）不是一個(gè)固定的值，隨圖像不同而變化.在現(xiàn)有直方圖均衡化算法中，選擇較為典型的HE，RMSHE［17］，RSWHE［19］，DHE［22］，EDSHE［23］和FHPHE［15］算法，與FCDMHE 算法進(jìn)行圖像增強(qiáng)結(jié)果比較.其中，HE 算法不對(duì)直方圖進(jìn)行分割；FHPHE 算法的子直方圖個(gè)數(shù)c=2；RMSHE 與RSWHE 算法的遞歸深度r由用戶選擇，在此選擇為r=2，即c=4；DHE、EDSHE 與FCDMHE 算法的c值都是根據(jù)具體圖像計(jì)算確定的，隨圖像不同而變化.在對(duì)比算法的實(shí)驗(yàn)中，HE 算法采用開源代碼，RMSHE、RSWHE 與EDSHE 算法代碼由本文依據(jù)原文獻(xiàn)算法復(fù)現(xiàn)，DHE 與FHPHE 算法代碼由文獻(xiàn)作者提供.

下文從以下3 個(gè)方面對(duì)算法性能進(jìn)行評(píng)價(jià)：（1）基于視覺(jué)效果的主觀評(píng)價(jià)；（2）基于性能指標(biāo)的客觀評(píng)價(jià)；（3）算法運(yùn)行時(shí)間.

3.1 主觀評(píng)價(jià)

為了從視覺(jué)效果上驗(yàn)證FCDMHE 算法對(duì)不同圖像亮度特征的適應(yīng)性，在圖2 中選擇具有不同亮度特征的4 幅測(cè)試圖像，采用不同算法得到的增強(qiáng)結(jié)果見(jiàn)圖3～6.圖3 是對(duì)中等亮度圖像girl 的增強(qiáng)結(jié)果.HE和FHPHE 算法在人物面部、衣服上產(chǎn)生了過(guò)度增強(qiáng)，在背景區(qū)域產(chǎn)生了明顯噪聲.DHE 算法增強(qiáng)的人物面部失真，背景存在可見(jiàn)的噪聲.RMSHE，RSWHE 與FCDMHE 算法都獲得了較為自然的增強(qiáng)效果.圖4 顯示了不同算法對(duì)亮度偏低且動(dòng)態(tài)范圍小的圖像butterfly 的增強(qiáng)結(jié)果.RSWHE 算法的增強(qiáng)效果不明顯；RMSHE 算法增強(qiáng)的畫面背景出現(xiàn)不自然的人工痕跡；HE和FHPHE 算法使花朵與背景產(chǎn)生了不同程度的過(guò)度增強(qiáng)，并且在蝴蝶左側(cè)翅膀的偏暗區(qū)域丟失紋理；DHE、EDSHE 與FCDMHE 算法使畫面中的蝴蝶翅膀、花朵與背景都獲得了適度增強(qiáng)，視覺(jué)質(zhì)量較好.圖5 顯示了高亮度圖像penguin 的增強(qiáng)結(jié)果.HE 與FHPHE 算法產(chǎn)生了過(guò)于強(qiáng)烈的明暗變化與不自然的視覺(jué)效果；DHE 算法的圖像亮度整體偏暗；RMSHE，RSWHE 與EDSHE 算法對(duì)于企鵝腹部與雪地的紋理沒(méi)有明顯的增強(qiáng)效果；觀察FCDMHE 算法增強(qiáng)的圖像，企鵝的腹部輪廓、腹部絨毛、雪地紋理都得到了適度增強(qiáng)，沒(méi)有出現(xiàn)不自然的人工痕跡.圖6 是對(duì)亮度不均勻圖像street 的增強(qiáng)結(jié)果，原圖像中左側(cè)的背光建筑物與右側(cè)明亮天空形成強(qiáng)烈的亮度反差.圖像增強(qiáng)結(jié)果表明，只有FCDMHE 算法使建筑物的門柱輪廓變得清晰可見(jiàn)，增強(qiáng)效果優(yōu)于其他算法.

圖2 用于算法性能測(cè)試的8幅圖像

圖3 中等亮度圖像girl的對(duì)比度增強(qiáng)結(jié)果

圖4 低亮度圖像butterfly的對(duì)比度增強(qiáng)結(jié)果

圖5 高亮度圖像penguin的對(duì)比度增強(qiáng)結(jié)果

圖6 中等亮度圖像street的對(duì)比度增強(qiáng)結(jié)果

圖像增強(qiáng)的視覺(jué)效果表明，只有FCDMHE 算法在4 種亮度特征的圖像增強(qiáng)中全部獲得了較為理想的結(jié)果，而其他算法僅在部分測(cè)試圖像上獲得成功.FCDMHE 算法在有效增強(qiáng)圖像細(xì)節(jié)的同時(shí)，沒(méi)有出現(xiàn)過(guò)度增強(qiáng)導(dǎo)致的人工痕跡，處理的圖像具有自然的視覺(jué)效果，對(duì)于各種亮度特征的圖像具有較好的普適性.

3.2 客觀評(píng)價(jià)

客觀評(píng)價(jià)采用圖像對(duì)比度、圖像信息熵與NIQE（Natural Image Quality Evaluator）三種性能指標(biāo).

（1）圖像對(duì)比度計(jì)算采用Wu給出的定義［27］，即

式（8）中，L為圖像的灰度級(jí)個(gè)數(shù)；xi表示第i個(gè)灰度級(jí)；Pi是灰度級(jí)xi的分布概率.圖像增強(qiáng)目的是適當(dāng)提高對(duì)比度.圖像增強(qiáng)后的對(duì)比度不是越大越好，因?yàn)檫^(guò)高的對(duì)比度往往對(duì)應(yīng)于過(guò)度增強(qiáng)的結(jié)果.

（2）圖像信息熵的計(jì)算式為

由于直方圖均衡化會(huì)引起灰度級(jí)合并，圖像信息熵隨著灰度級(jí)個(gè)數(shù)減少而有所降低.圖像增強(qiáng)后的信息熵越大，代表丟失的灰度級(jí)個(gè)數(shù)越少且圖像細(xì)節(jié)保留越多.

（3）NIQE 是Mittal 等人提出的一種無(wú)參考圖像質(zhì)量評(píng)價(jià)指標(biāo)［28］.該算法構(gòu)造了一組“圖像質(zhì)量感知”特征并將它們擬合成一個(gè)多元高斯模型，利用待評(píng)價(jià)圖像的特征模型參數(shù)與預(yù)先建立的模型參數(shù)之間的距離評(píng)估圖像質(zhì)量.NIQE 的值越小，代表圖像質(zhì)量越好.

采用不同算法對(duì)圖2 的8 幅圖像進(jìn)行增強(qiáng)處理，將輸出圖像的3種性能參數(shù)分別統(tǒng)計(jì)于表2～表4.表的最后一行是處理所有圖像的性能參數(shù)平均值.在表的每一行，對(duì)性能參數(shù)相對(duì)最好的3個(gè)數(shù)值使用了深色底紋與粗體字，用于突出顯示相對(duì)較大的對(duì)比度與信息熵、相對(duì)較小的NIQE 值.從表2 數(shù)據(jù)看，HE 算法處理所有圖像的對(duì)比度平均值最大，而視覺(jué)效果顯示其容易產(chǎn)生過(guò)度增強(qiáng)；FCDMHE 算法增強(qiáng)圖像的對(duì)比度值處在所有算法的中間位置，主觀評(píng)價(jià)結(jié)果表明其對(duì)比度增強(qiáng)效果是適中的.表3 與表4 的數(shù)據(jù)顯示，F(xiàn)CDMHE 算法處理每一幅圖像的性能參數(shù)排名都位列所有算法的前3 名.該算法處理所有圖像獲得的平均信息熵最大，比位列第2、第3 名的RSWHE 與RMSHE 算法分別提高了0.20%與1.85%，表明其更好地保留了圖像細(xì)節(jié)；該算法處理所有圖像獲得的平均NIQE 值最小，比位列第2、第3 名的RMSHE 與EDSHE 算法分別降低了2.38%與5.03%，表明其增強(qiáng)的圖像視覺(jué)質(zhì)量更高，視覺(jué)效果更自然.因此，客觀性能指標(biāo)表明，F(xiàn)CDMHE 算法對(duì)各種亮度特征的圖像具有最好的普適性.

表2 圖像對(duì)比度統(tǒng)計(jì)

表3 圖像信息熵的統(tǒng)計(jì)

表4 圖像NIQE的統(tǒng)計(jì)

3.3 算法運(yùn)行時(shí)間

本實(shí)驗(yàn)中，采用MATLAB2016a 編程，CPU 為Intel Core（TM）i5-9400f，內(nèi)存為4 GB，圖像尺寸為512×512.在以上不同算法中，HE算法運(yùn)行時(shí)間最短，為0.011 s；EDSHE 算法的運(yùn)行時(shí)間最長(zhǎng)，為0.3061 s.FCDMHE 算法運(yùn)行時(shí)間為0.2806 s.由于該算法在遍歷5 種聚類個(gè)數(shù)的圖像聚類過(guò)程中，采用直方圖加權(quán)的FCM 聚類算法極大加速了聚類過(guò)程，使其能夠滿足實(shí)時(shí)處理要求.

4 結(jié)論

由于現(xiàn)有的直方圖均衡化算法對(duì)不同亮度圖像的普適性不強(qiáng)，該文提出了一種基于圖像聚類的動(dòng)態(tài)多直方圖均衡化算法.該算法基于圖像聚類方法對(duì)直方圖進(jìn)行分割，圖像聚類個(gè)數(shù)按照?qǐng)D像聚類質(zhì)量評(píng)價(jià)指標(biāo)的最優(yōu)化原則確定.在子直方圖均衡化過(guò)程中，綜合運(yùn)用直方圖裁剪與動(dòng)態(tài)范圍分配方法，有效避免了過(guò)度增強(qiáng)與細(xì)節(jié)丟失.實(shí)驗(yàn)結(jié)果驗(yàn)證了上述措施的有效性，同時(shí)表明該算法適用于各種亮度特征的圖像增強(qiáng)，能夠獲得較為穩(wěn)定的視覺(jué)質(zhì)量，算法效率滿足實(shí)時(shí)要求.