自适应对比度增强原理：
ACE原理是将一幅图像分成两个部分：一是低频部分，可以通过图像的低通滤波（平滑模糊）获得；二是高频部分，可以由原图减去低频部分得到。而算法的目标是增强代表细节的高频部分，即对高频部分乘以某个增益值，然后重组得到增强的图像。所以ACE算法的核心就是高频部分增益系数的计算，一种方案是将增益设为一个固定值，另一种方案是将增益值表示为与方差相关的量，后面在附加的公式中再说明。
假设一幅图像中像素点表示为 x(i,j), 那么以(i，j)为中心，窗口大小为(2n+1)*(2n+1)的区域内，其局部均值和方差可以表示为：
均值mx可以近似认为是背景部分，此时 x-m 即是高频细节部分，对高频作增益乘积，有：
对于增益G,方案一是取大于1的常数，达到增强的效果，即为：
方案二是表示为与局部均方差成反比的变化值，即为：
在图像的高频区域，局部均方差较大，此时增益值就比较小，这样结果不会出现过亮情况。但是在图像平滑的区域，局部均方差很小，此时增益值比较大，从而可能会放大噪声信号，所以需要对增益最大值做一定的限制才能取得较好的效果。
代码如下：
#include <iostream>
#include <opencv2/opencv.hpp>
using namespace cv;
using namespace std;
Mat matrixWiseMulti(Mat &m1, Mat &m2){
Mat dst = m1.mul(m2);
return dst;
}
//float MaxCG:对高频成分的最大增益值,int n：局部半径,int C:对高频的直接增益系数
void ACE(Mat &src, int C = 3, int n = 3, float MaxCG = 7.5){
int rows = src.rows;
int cols = src.cols;
Mat meanLocal; //图像局部均值
Mat varLocal; //图像局部方差
Mat meanGlobal;//全局均值
Mat varGlobal; //全局标准差
blur(src.clone(), meanLocal, Size(n, n));
imshow("低通滤波", meanLocal);
Mat highFreq = src - meanLocal;//高频成分
imshow("高频成分", highFreq);
varLocal = matrixWiseMulti(highFreq, highFreq);
blur(varLocal, varLocal, Size(n, n));
//换算成局部标准差
varLocal.convertTo(varLocal, CV_32F);
for (int i = 0; i < rows; i++){
for (int j = 0; j < cols; j++){
varLocal.at<float>(i, j) = (float)sqrt(varLocal.at<float>(i, j));
}
}
meanStdDev(src, meanGlobal, varGlobal);
Mat gainArr = 0.5 * meanGlobal / varLocal;//增益系数矩阵
//对增益矩阵进行截止
for (int i = 0; i < rows; i++){
for (int j = 0; j < cols; j++){
if (gainArr.at<float>(i, j) > MaxCG){
gainArr.at<float>(i, j) = MaxCG;
}
}
}
gainArr.convertTo(gainArr, CV_8U);
gainArr = matrixWiseMulti(gainArr, highFreq);
Mat dst1 = meanLocal + gainArr;
imshow("变增益方法", dst1);
Mat dst2 = meanLocal + C*highFreq;
imshow("恒增益方法", dst2);
}
int main()
{
const char* img_path = "1.bmp";
Mat src = imread(img_path, 0);
imshow("src", src);
int C = 5;
int n = 7;
float MaxCG = 8;
ACE(src, C,n, MaxCG);
waitKey();
return 0;
}