影像拉伸方法

在获取影像数据的过程中，受多种因素的影响，图像质量难免会出现一定程度的退化。对影像数据进行拉伸的主要目的是改善其显示效果和质量，从而提升影像的清晰度。这一过程有助于突出便于人或机器分析的关键信息，同时抑制无关信息，以增强影像数据的使用价值。

本质上，影像拉伸是通过调整亮度和对比度，使影像中的地物特征更加清晰易辨。

目前， SuperMap ImageX Pro 提供的影像拉伸方法包括最值拉伸、百分比截断拉伸、高斯拉伸、直方图均衡化、对数拉伸和伽马拉伸。您可以根据具体的影像特征和需求，选择适合的拉伸方式，从而优化影像的显示效果，提升影像分析价值。

最值拉伸

通过线性映射的方式将影像的像素值从原始范围调整到指定的新范围，使像素值分布在新范围之间。

通过这样的拉伸处理，明显提高影像的对比度和亮度，从而使影像中的地物更清晰。一般适用于像素值分布密集的栅格影像。


图：无拉伸	图：最值拉伸

假设影像的大部分像素都处于某一个范围内，超过最大值的范围被认为其像素值为255，超过最小值的范围被认为其像素值为0，然后再对范围内的像素值进行最值拉伸。其中，最大最小值需通过指定最大最小截断百分比来确定。

例如：一幅影像的像素值范围为[0,100]，最大最小截断百分比分别设置为90和10。通过百分比截断拉伸后，[0,10]的范围显示为0，[10,90]之间的值将被拉伸到[0,255]范围进行显示，[90,100]的范围显示为255。


图：无拉伸	图：百分比截断拉伸

高斯拉伸的目的是使影像数据的像素值趋于正态分布，属于线性拉伸的一种。通过将像素值乘以高斯拉伸系数后，再拉伸到[0,255]的范围内显示。


图：无拉伸直方图	图：高斯拉伸后直方图

通过重新分配影像像素值，使影像中每个像素值的像元个数大致相等。

例如：图像的原始像素值集中分布在[50,100]的范围，[0,50]和[100,255]范围的像元个数极少。通过直方图均衡化，将[50,100]均衡拉伸到[0,255]，使得每个像素值的像元个数趋于一致。

若原始影像的质量比较差、数据动态范围小、直方图分布极不均匀时，不宜使用此拉伸方式。

图：拉伸前后的直方图示意(图片源于网络)


图：无拉伸	图：直方图均衡化拉伸

扩展图像的低灰度范围，同时压缩高灰度范围，将图像暗的部分扩展，而将亮的部分抑制，即强调图像的低灰度部分。

图像曝光不足或过度时，伽马拉伸可调节图像的对比度。利用非线性变换，扩展图像的低/高灰度范围，从而对较暗或较亮的图像进行校正，增强图像显示细节，改善影像数据的显示质量。

此拉伸方式需设置伽马拉伸参数。默认值为0.5，取值范围为（0，+∞）。

自适应拉伸（全称：限制对比度自适应直方图均衡化）是自适应直方图均衡的一种变体。该方法将图像划分为多个子区域，分别计算各区域的直方图，并据此重新分配图像的亮度值。这使其能有效增强局部对比度并提升图像各区域内的边缘清晰度。

然而，传统自适应直方图均衡可能在图像中较均匀的区域（其直方图高度集中）过度放大对比度，导致该区域的噪声被显著放大。自适应拉伸通过限制对比度的增强幅度，有效减少了此类噪声放大问题。

该方法适用于增强影像的局部对比度，目前支持处理8位无符号和16位无符号数据类型的影像。

关于无值区域的处理：

指定的无值区域 (通常为0或255)：将识别并排除用户指定的无值区域，这些区域的像素值在计算过程中被保留原始值，因此其显示不受增强处理影响。
其他区域：影像中未被指定为无值的区域，其像素值会参与自适应拉伸计算。经处理后的像素值可能发生变化，若结果值恰好落在指定的无值范围（如0或255）内，则可能在显示时被误识别为无值区域，导致视觉异常。

使用自适应拉伸时，需要设置以下参数信息：

裁剪阈值：通过限制直方图中单个像素值对应的最大像素数量，间接约束了局部对比度增强的幅度。这能有效防止在噪声区域或灰度分布集中的区域（如平坦区域）因过度增强而产生显著的噪声放大或人工伪影。
分块行数/列数：指定影像划分的分块数量，即分块总数 = 行数 × 列数。
- 分块行数/列数大：子区域面积小，增强算法对影像局部细节更敏感，局部对比度提升更精细、更显著。但相邻子区域间处理结果的差异可能导致块状边界伪影。
- 分块行数/列数小：子区域面积大，增强效果在空间上更平滑、更均匀，减少了块效应风险。但对影像中小尺度细节和纹理的增强效果减弱，可能无法充分提升局部对比度。