局部标准差自适应对比度增强算法

该方法由NarendraPM等人在《Real-Time Adaptive Contrast Enhancement》中提到，属于自适应对比度增强(ACE)算法。

ACE算法采用了反锐化掩模技术，解释如下：首先图像被分成两个部分。一是低频的反锐化掩模（unsharp mask）部分，可以通过图像的低通滤波（平滑，模糊技术）获得。二是高频成分，可以过原图减去反锐化掩模获取。然后高频部分被放大（放大系数即为对比度增益CG)并加入到反锐化掩模中去，最后得到增强的图像。ACE算法的核心就是如何计算CG。

unsharp mask对应于图像的低频成分。对于具体的像素，一般可以通过计算以该像素为中心的局部区域的像素平均值来实现。假定x(i,j)是图像中某点的灰度值，局部区域的定义为：以(i，j)为中心，窗口大小为(2n+1)*(2n+1)的区域，其中n为一个整数。局部的平均值，也就是低频部分，可以用下式计算：

而局部方差为：

      上式中σx(i,j)就是所谓的局部标准差（LSD)。定义f(i,j)表示x(i,j)对应的增强后的像素值。则ACE算法可以表示如下：

     其中的函数G(i,j)就是上文所讲的CG。

一般情况下CG总是大于1的，这样高频成分得到增强。

     关于CG的取值，一种最简单的方式就是令其为常量，假定为C，一般C>1，式（３）变为：

     这种情况下，图像中所有的高频部分都被同等放大，可能有些高频部分会出现过增强的现象的。

一种解决的方案就是使用不同的增益。Lee等人提出了如下的方案：

上式中，D是常数，所以CG是空间自适应的，并且和局部均方差成反比，在图像的边缘或者其他变化剧烈的地方，局部均方差比较大，因此CG的值比较小，这样就不会产生振铃效应。然而，在平滑的区域，局部均方差就会很小，这样CG的值比较大，从而引起了噪音的放大，所以对CG的最大值做一定的限制能获得更好的效果。

参考：

【1】https://www.cnblogs.com/Imageshop/p/3324282.html