УДК 123.

456_
И.Ю. Грицкевич, Н.А Ерганжиев, Жарков В.И.
Санкт-Петербургский государственный университет
телекоммуникаций им. проф. М.А.Бонч-Бруевича
Санкт-Петербург, Россия

ВЫБОР РАЗМЕРА ОБЛАСТИ ЭКВАЛИЗАЦИИ ПРИ ЛОКАЛЬНОМ

КОНТРАСТИРОВАНИИ ЭЛЕМЕНТОВ ИЗОБРАЖЕНИЙ.

Аннотация:
При контрастировании элементов изображений, определяются размеры локальных
областей, полученных при дискретно косинусном преобразовании (ДКП). Области, по
которым производим эквализацию каждого пикселя, оцениваем статистически до и после
обработки.
Ключевые слова: дискретно косинусное преобразование(ДКП), карта размеров,
локальное контрастирование, статистичские распределения, локальная эквализация.

I. Y. Gritzkevich, N. A. Erganzhiev, V. I. Zharkov

The bonch-Bruevich Saint-Peterburg State
University of Telecommunications
Saint-Peterburg, Russia

Abstract.
When image elements is contrasting, the sizes of local areas obtained by discrete cosine
transform (DCT) are determined. Evaluation of areas for pixel equalization occurs before and after
image processing.
Keyword: discrete cosine transform (DCT), size map, local contrasting, statistical
distributions, local equalization.

Адаптивные алгоритмы обработки изображений для решения различных

задач широко применяются наряду с классическими линейными, медианными и
статистическими методами анализа.
Ранее было показано, что использование разных параметров эквализации
для отдельных частей изображения, позволяет уменьшить количество
артефактов и влияние шумов на качество выходного изображения [1].
Для автоматической адаптации возможно использование частотных
коэффициентов, например, скользящего окна ДКП для локального изменения
размеров оцениваемой вокруг каждого пикселя области изображения[2].
В ряде работ утверждается, что использование статистических распределений
яркости элементов, помогают выбрать необходимые параметры обработки
изображений[3-5]. Такой подход к адаптации алгоритмов выбран для оценки

1
правильности размера области, которая используется при методе «эквализации
скользящим окном» [2].

Наиболее подходящими статистическими параметрами для

характеристики изображения являются среднее значение яркости и дисперсия.
Именно они определяют вид изображения. Среднее значение яркости определяет
меру средней яркости, а дисперсия – меру среднего отклонения яркости или
контраста. Для фрагмента изображения Sxy, представляющего собой матрицу
размером m×n, эти статистические характеристики рассчитываются по
формулам (1,2) [6, 7]:
n
1
=  g (s, t ),
mn ( s ,t )S xy (1)

n
1
 =  ( g ( s, t ) −  )
2 2
, (2)
mn ( s ,t )S xy

где µ – среднее значение уровня яркости фрагмента Sxy;

Sxy – область элемента изображения в котором производится
расчёт;
m,n – размеры области;
g(s, t) – текущий уровень яркости во фрагменте;
σ2 – дисперсия фрагмента.
Глобальные среднее значение яркости и дисперсия вычисляются по всей
площади изображений и обычно используются для общего выравнивания
интенсивности и контраста изображения в целом. Более эффективным является
применение этих двух параметров в методах локального улучшения, где
локальное среднее значение яркости и дисперсия используются как основа для
проведения изменений, зависящих от характеристик окрестности вокруг
каждого пикселя.
Оценим размеры области эквализации при локальном контрастировании
элементов изображений:
- считаем «карту размеров» обработки изображения по коэффициентам ДКП,
- вокруг каждого пикселя получаем размеры областей, по которым будем считать
локальную эквализацию,
- по таким же областям вокруг каждого пикселя считаем среднюю дисперсию в
этой области, до и после эквализации скользящим окном,

2
- сравниваем среднюю дисперсию до обработки с полученным значением после
обработки,
- для вычисления искомого коэффициента размера меняем размер областей
обработки, до тех пор пока средние дисперсии до и после обработки станут
отличаться на некий минимум.

Для оценки влияния шума сравним форму классических вероятностей

распределения шумов[8].

Рисунок 1 – Функции плотности распределения вероятностей

По характеру полученных экспериментально результатов, можно сделать

вывод, что в анализируемых случаях распределение плотности распределения
вероятности имеет следующий вид:

3
 Рисунок 2 – Экспериментальные распределения изображения неба по
области обработки в ИК-спектре имеет равномерный шум.

Рисунок 3 – Экспериментальные распределения изображения неба в ИК-

спектре по строке обработки, имеет равномерный шум.

4
 Рисунок 4 – Экспериментальные распределения по области обработки(16*16),
имеет рэлеевский шум
Ниже приведены значения средней локальной дисперсии изображения
посчитанные до (таблица 1) и после (таблица 2) обработки.

Таблица 1 – Значения дисперсии до обработки

Таблица 2 – Значения дисперсии после обработки

5
 Рисунок 5 – Оригинал

Рисунок 6 – Результат обработки

6
Вывод:
В работе представлены результаты выбора размера области эквализации
при локальном контрастировании элементов изображений. Приведены
результаты практических(экспериментальных) исследований. Результаты
работы могут быть использованы в ИК-области.

Список литературы:

1. Грицкевич И.Ю., Ерганжиев Н.А. Результаты применения выборочных параметров

локального контрастирования для отдельных частей изображения, ПУТС-
2019(Лэти), Сборник докладов Т. 1. 2019 г. с. 271-274.
2.
3. Ana Bel ́en Petro, Catalina Sbert, Jean-Michel Morel,Multiscale Retinex, Image
Processing On Line, 4 (2014), pp. 71–88.
4. M. Wan, G. Gu, W. Qian, K. Ren, Q. Chen and X. Maldague, Infrared Image
Enhancement Using Adaptive Histogram Partition and Brightness Correction, Remote
Sensing, vol.10, no. 5, May. 2018
5. Chengwei Liu, Xiubao Sui Optimized Contrast Enhancement for Infrared Images Based
on Global and Local Histogram Specification, April 2019 Remote Sens. 2019, 11, 849
pp.1-21
6. S. U. Qureshi, “Adaptive Equalization,” Proceedings of the IEEE, vol-73, pp. 1349-1387,
Sept. 1985.
7. Farhang-Boroujeny, B., Adaptive Filters: Theory and Applications, Chichester, England,
John Wiley & Sons, pp. 130-139, 1998.
8. Егорова Ю.Б., Мамонов И.М. Непрерывные случайные величины: Методические
указания к практическим занятиям по дисциплине «Высшая математика»/ Ю.Б.
Егорова, И.М. Мамонов. М.: МАТИ, 2009. 12 с.