曾绍华，赵秉渝，王帅，陈亚楠，朱德利

（1 重庆师范大学 计算机与信息科学学院，重庆 401331）

（2 重庆市数字农业服务工程技术研究中心，重庆 401331）

（3 重庆市农业技术推广总站，重庆 400014）

（4 重庆市万州区土肥与农业生态保护站，重庆 404199）

0 引言

由于自然光照条件的影响，野外机器视觉采集的土壤图像环境条件不一致，会造成成像条件不同，生成的图像也不同，并可能给后续土种识别产生影响。为了解决环境条件的不一致性对进一步图像处理的影响，一种方法是完整采集各种不同自然光照条件下的土壤图像，建立模型进行识别，但受自然条件、时间和经济成本限制，实施较为困难。另一种方法是对采集土壤图像进行预处理，将其转换为某些固定光照环境下的图像进行识别，可降低成像环境条件不一致影响。因此，土壤图像亮度可控增强成为令人瞩目的研究课题。

传统的图像增强主要为对比度增强，包括基于Retinex 理论的方法［1-5］和基于直方图的方法［6-9］。直方图方法分为直方图均衡化（Histogram Equalization，HE）［10-16］和直方图规定化（Histogram Specification，HS）［17-23］。HS 是将输入图像的直方图变换为期望直方图形态，被许多学者改进。张龙涛［17］将空域增强转换到模糊域增强，弥补了传统空间域图像增强方法在提高图像对比度时对噪声敏感的缺陷。HUSSAIN K等［18］将输入图像直方图的不同部分通过特定变化获得目标直方图，克服了效果不自然、增强过度和伪影等缺点。YELMANOV S 等［19］基于亮度二元分布的无参数估计对图像进行增强，提高了对比度增强的效率。LIU Chengwei 等［20］利用全局和局部的互补特性增强红外图像的对比度，以消除增强后的伪影。JAYASANKARI S 等［21］提出反高斯直方图技术，增加直方图两侧的像素点数，解决不同偏斜图像的对比度增强问题。

研究者对图像对比度增强的同时，对图像亮度也有不同程度的改善。但多数图像增强算法对增强图像的亮度是不可控的。XIAO Bin 等［22］用一维高斯曲线或二维高斯曲线，通过调整高斯曲线均值和标准差参数完成输入图像的直方图规定化，初步实现增强图像亮度和对比度控制。陆许明等［23］通过图像的照度直方图裁剪与补偿，及概率模型的亮度和标准差估算，实现图像的亮度可控增强。

在土壤图像预处理中，将其转换为某些固定光照环境下的图像，降低成像环境条件不一致对后续土种识别的影响，要求对图像亮度操控比较精准，增强后的图像必须非常近似真实环境条件下采集的真实图像，失真度小。现有算法［22-23］不能满足亮度可控土壤图像增强的精度要求，亮度可控精度差，颜色失真。本文通过加权高斯减法拟合提高对土壤图像原图亮度直方图的拟合精度，根据高斯曲线均值特性，进行拟合曲线迁移，以实现转换后图像亮度均值的精准可控，获取土壤图像亮度均值精准可控增强图像。

1 土壤图像的亮度直方图特征分析

对某市某区分布的4 土属34 土种紫色土取土壤“心土”，自然光照条件下拍摄的378 张不同亮度土壤原图，切割为300×300 像素的土壤子图，随机选取985 张子图进行Y分量直方图分析。如图1（c）所示，土壤图像Y分量（亮度）直方图h(t)(y)呈偏态分布。经研究分析发现，如图2（a）所示，Y分量直方图的左部分局部区域近似于高斯曲线g(t)(y)的左部局部区域，能被高斯曲线较精确地拟合；其每次高斯拟合后的残差h(t)(y)-g(t)(y)的左部局部区域仍近似高斯曲线，如图2（b）所示，直到残差h(t)(y)-g(t)(y)近似于白噪声，如图2（c）所示。即土壤图像Y分量（亮度）直方图可被几个高斯曲线拟合。

图2 土壤图像Y 分量直方图左部局部区域的高斯拟合Fig.2 Gaussian fitting of the left local region of soil image Y component histogram

2 加权高斯减法拟合算法

2.1 构建左局部区域的高斯拟合优化模型

2.1.1Y分量直方图

计算土壤图像Y分量各灰度级概率密度Porg(y)

式中，y表示Y分量灰度级y∈[ya，yb]，ya和yb分别表示y中非0 的最小值和最大值，yfre表示灰度级y的频数，h为图像的高，w为图像的宽。

应用Y分量灰度级及其概率密度构建土壤图像Y分量直方图，如图1（c）。

2.1.2 高斯曲线

高斯曲线g(y)为

式中，a是钟形曲线g(y)尖峰的高度；b为位置参数，是钟形曲线g(y)尖峰中心的坐标；c2为尺度参数，表征钟形曲线g(y)的宽度。

2.1.3 左局部区域的高斯拟合优化模型

如图3（a）所示，土壤 图像Y分量定义域为[ya，yb]。对y=b(t)左侧直方图h(t)(y)进行高斯g(t)(y)逼近，则

图3 土壤图像Y 分量（亮度）直方图加权高斯减法拟合过程Fig.3 The process of weighted Gaussian subtractive fittings of soil image Y component（brightness）histogram

式中，t表示第t次高斯拟合。

同时，在y=b(t)右侧(b(t)，yb]区域，高斯曲线g(t)(y)尽可能不超过直方图h(t)(y)，则

即，m(t)(y)为g(t)(y)-h(t)(y)≥0 时的条件积分值。

由于Y分量灰度级y∈[ya，yb]，步长为1，则dy=1。最小化M(t)(y)可等效转化为最小化同理，最小化m(t)(y)等效转化为最小化用为正则项约束最小化，获得左局部区域的高斯拟合优化模型，即

2.2 求解左局部区域的高斯拟合优化模型

2.2.1 计算剩余待拟合直方图

初始h(0)(y)=Porg(y)，g(0)(y)为h(0)(y)左局部区域的高斯拟合。计算每次高斯拟合后的剩余待拟合直方图h(t)(y)为

式中，t≥1。

如果h(t)(y)的灰度级y小于g(t-1)(y)的参数b(t-1)，则h(t)(y)置0；如果h(t)(y)<0，h(t)(y)置0。

2.2.2 设置高斯参数b(t)的搜索区间

计算h(t)(y)在[ya，yb]区域内的均值点为

计算h(t)(y)在区域内的均值点为

2.2.3 设置高斯参数a(t)的搜索区间

计算h(t)(y)在y=的值为

计算h(t)(y)在y=b(t)点的值为

根据高斯曲线的性质，且灰度级y∈[ya，yb]，设置参数a(t)的搜索区间且搜索步长为0.001。

2.2.4 设置高斯参数c(t)的搜索区间

2.2.5 左局部区域的高斯拟合终止条件

计算h(t)(y)在[ya，yb]区域内的拟合剩余差和s

如果s≤0.01，则结束左局部区域的高斯拟合；如果s>0.01，则拟合未完成，对h(t)(y)继续进行左局部区域的高斯拟合。

2.3 加权高斯减法拟合

对左局部区域的高斯拟合结果加权，获得加权高斯减法拟合曲线f(y)

式中，g(t)(y)表示第t个高斯曲线，w(t)表示第t个高斯曲线的权重，N表示左局部区域的高斯拟合次数。

由于Porg(y)为f(y)，构建优化模型

将式（15）等效转化为

利用式（16）求解w(t)，获得加权高斯减法拟合曲线f(y)。土壤图像Y分量（亮度）直方图加权高斯减法拟合过程如图3 所示。

2.4 加权高斯减法拟合算法

根据算法思想，设计加权高斯减法拟合算法（算法1），步骤为：

3 土壤图像的亮度可控增强算法

3.1 Y 分量亮度可控增强

3.1.1 引入目标亮度

对加权高斯减法拟合曲线f(y)归一化，则

计算f*(y)在[ya，yb]区域内的亮度均值μorg

引入目标亮度μtar，计算亮度差值Δμ

3.1.2 计算Y分量的期望概率密度

将亮度差值Δμ引入高斯曲线，则

计算增强图像Y分量的期望概率密度Ptar(y)为

3.1.3 计算Y分量的累积分布

计算原始图像Y分量的累积分布Corg(y)为

对增强图像Y分量的期望概率密度Ptar(y)归一化，则

计算增强图像Y分量的期望累积分布Ctar(y)为

3.1.4Y分量的灰度映射

在[ya，yb]区域内，由原始图像Y分量的累积分布Corg(y)和增强图像Y分量的期望累积分布Ctar(y)计算新灰度级y'为

3.2 U、V 分量颜色校正

计算图像Y分量增强比例γ为

式中，ynew为增强图像的Y分量，yorg为原图像的Y分量。

根据图像颜色比例不变性原理［24］，计算增强图像的U、V分量unew、vnew分别为

最后，将增强图像的亮度分量ynew，色调分量unew、vnew转换回RGB 颜色空间，得到增强RGB 图像。

3.3 加权高斯减法拟合的亮度可控土壤图像增强算法

依据算法思想，在式（20）中引入亮度迁移目标值b()t+Δμ，且基于加权高斯减法拟合曲线进行亮度迁移，因此，命名它为加权高斯减法拟合的亮度可控土壤图像增强算法（算法2），步骤为：

输入 加权高斯减法拟合曲线，土壤图像U、V分量

输出 增强RGB 图像

过程 Step1：用式（17）和式（18）计算原始的亮度值μorg；

Step2：用式（19）计算亮度差值Δμ；

Step3：用式（20）和式（21）计算增强图像的期望概率密度Ptar(y)；

Step4：用式（22）计算原始图像累积分布Corg(y)；

Step5：用式（23）和式（24）计算增强图像期望累积分布Ctar(y)；

Step6：用式（25）计算新灰度级y'；

Step7：用式（26）计算增强图像Y分量增强比例γ；

Step8：用式（27）和式（28），计算U、V分量的增强结果unew、vnew，并进行RGB 转化，获得增强RGB 图像。

4 实验结果与分析

4.1 实验样本的获取

按照重庆市地方标准［25］，在野外自然环境下，采集某市某区分布的4 土属34 土种紫色土土壤图像。用铁锹锹出耕层10～20 cm 的紫色土“心土”放置不动，镜头距离“心土”60～100 cm 处固定相机，自然光条件下用无线蓝牙按钮拍摄一对（2 张）能够完全重叠的无遮挡的高光土壤图像和遮挡部分直射光的低光土壤图像。随机抽取50 对土壤图像，在每对图像对应的相同位置不重叠截取300×300 像素满土（不含任何背景）的土壤子图对。

样本集1：随机选择3 组土壤子图对为一个样本组，共随机组成10 个样本组。

样本集2：将剩余20 组土壤子图对打乱，随机选择3 张土壤子图为一个样本组，共随机组成10 个样本组。

仅不固定相机和刻意遮挡光照，随机拍摄土壤图像1037 张，采集土壤图像进行亮度统计，按采集土壤图像亮度分布域3 等分亮度宽度，随机选择3 等分亮度的高中低亮度图像各30 张，其土壤区域切割为300×300像素子图。

样本集3：从子图中随机选取高中低亮度子图各3 张（共9 张）为一组，共随机组成10 个样本组。

4.2 实验设计和环境

为验证本文算法的有效性设计实验。

1）实验1：子图低亮度向高亮度转换精度实验。

分别用本文算法、文献［22］1-D HS 算法和2-D HS 算法对样本集1 进行实验，比较低亮度子图向高亮度子图的转换结果与高亮度子图各对应像素的亮度差异。

2）实验2：子图高亮度向低亮度转换精度实验。

分别用本文算法、文献［22］1-D HS 算法和2-D HS 算法对样本集1 进行实验，比较高亮度子图向低亮度子图的转换结果与低亮度子图各对应像素的亮度差异。

3）实验3：子图低亮度向高亮度转换图像颜色校正精度实验。

分别用本文算法、文献［22］1-D HS 算法和2-D HS 算法对样本集1 进行实验，比较低亮度子图向高亮度子图的转换结果与高亮度子图各对应像素的r、g、b颜色差异。

4）实验4：子图高亮度向低亮度转换图像颜色校正精度实验。

分别用本文算法、文献［22］1-D HS 算法和2-D HS 算法对样本集1 进行实验，比较高亮度子图向低亮度子图的转换结果与低亮度子图各对应像素的r、g、b颜色差异。

5）实验5：子图低亮度向高亮度转换亮度调节有效范围实验。

将样本集3 每个子图的亮度均值作为基点，10 作为级差进行每个子图亮度递增增强实验，检测本文算法调亮子图亮度的有效（不失真）范围。

6）实验6：子图高亮度向低亮度转换亮度调节有效范围实验。

将样本集3 每个子图的亮度均值作为基点，10 作为级差进行每个子图亮度递减增强实验，检测本文算法调暗子图亮度的有效（不失真）范围。

分别请5 人对增强图像进行主观评判，认为其颜色失真记0 分，不失真记1 分，计算5 人打分均值，低于0.8 的视为失真图像。所有增强图像进行相同级差转换都“不失真”的前提下，亮度调节级差的最大值为亮度调节有效范围。

7）实验7：土壤图像亮度可控增强的目标亮度精度实验。

分别用本文算法、文献［22］1-D HS 算法和2-D HS 算法对样本集2 进行实验，比较增强图像的亮度均值与设置目标亮度差异。

8）实验8：土壤图像加权高斯减法拟合迭代次数实验

用本文算法对样本集1、样本集2、样本集3 进行实验，统计土壤子图的减法高斯拟合迭代次数。

实验在Intel（R）Core（TM）i5-5200U CPU @2.20GHz，内 存12GB，显卡NVIDIA GeForce 920M，Windows 10教育版64 位，PyCharm 2021.1.1（Professional Edition）+ Python 3.6.8+opencv-python 4.1.2.30+numpy 1.17.4+matplotlib 3.1.1 环境下完成。

4.3 实验结果与分析

4.3.1 子图低亮度向高亮度转换实验（实验1 和实验3）结果及分析

对样本集1 进行实验1 和实验3，随机选取No.3 组子图的图像结果和数据结果分别如图4 和表1 所示，10 组样本的实验数据如表2 所示。d(⋅)为增强图像(⋅)分量与目标图像(⋅)分量对应像素间差的绝对值，D(d(⋅))为标准差。其中(⋅)分别表示图像的Y分量、r 分量、g 分量和b 分量。dc表示dr+dg+db，D(dc)表示D(dr)+D(dg)+D(db)。

由图4 可看出：本文算法比1‐D HS 和2‐D HS 算法得到的图像结果整体亮度更符合目标图像的亮度，颜色差异、失真更小。因为本文加权高斯减法算法拟合原始图像的亮度直方图，相比1‐D HS 和2‐D HS 算法用一维高斯和二维高斯描述更精准，保留更多原图像的亮度结构信息；同时本文算法校正了U、V分量颜色，而对比算法1‐D HS 和2‐D HS 仅变化了图像LAB 颜色空间中的L分量。

图4 不同算法在实验样本集1（No.3 组）上得到的子图低亮度向高亮度转换图像Fig.4 Converting sub-images from low to high brightness on dataset 1（No.3 group）with different algorithms

表1 和2 显示，在亮度和转换结果恢复的RGB 颜色与目标图存在差异，本文算法转换图像与目标图像差异最小，精度最高。因此本文算法将子图低亮度向高亮度转换，能实现亮度可控映射和颜色校正，精度较高，算法有效。

表1 不同算法在实验样本集1（No.3 组）上得到的子图低亮度向高亮度转换的精度Table 1 Accuracy of converting sub-images from low to high brightness on dataset 1（No.3 group）with different algorithms

5 13.468 3 13.343 1 16.575 2 16.530 4 1‐D HS 2‐D HS Ours 1‐D HS 2‐D HS Ours 1‐D HS 2‐D HS Ours 1‐D HS 2‐D HS Ours 1‐D HS 2‐D HS Ours 1‐D HS 2‐D HS Ours 1‐D HS 2‐D HS Ours 13.922 3 13.772 1 13.412 8 13.306 6 13.536 9 13.396 5 13.624 0 13.491 7 16.535 3 16.494 9 11.682 1 14.827 3 12.264 1 11.642 5 11.611 5 11.839 4 14.803 2 6 14.021 4 13.8600 17.708 9 17.523 5 14.728 4 14.505 5 14.049 4 13.911 9 14.324 6 14.206 4 14.367 5 14.207 9 17.725 0 17.540 2 12.167 9 15.226 3 13.096 4 12.366 2 12.779 3 12.747 3 15.264 3 7 14.827 9 14.555 5 18.108 0 17.942 0 15.555 4 15.221 3 14.756 4 14.518 1 14.993 2 14.732 5 15.101 7 14.823 9 18.038 4 17.881 5 12.024 0 15.047 3 12.872 7 12.047 0 12.372 1 12.430 6 15.020 9 8 13.220 0 12.979 1 16.066 6 15.940 7 13.681 7 13.428 1 13.193 0 12.968 9 13.099 1 12.827 7 13.324 6 13.074 9 15.977 4 15.859 5 10.515 8 13.233 5 11.094 9 10.509 1 10.478 2 10.694 1 13.176 0 9 14.253 5 14.091 5 17.751 1 17.585 2 15.061 1 14.830 9 14.264 0 14.127 1 14.493 2 14.409 3 14.606 1 14.455 8 17.728 6 17.563 5 11.746 8 14.843 1 12.984 2 11.866 3 12.243 6 12.364 7 14.844 8 10 14.836 3 14.626 7 18.382 4 18.177 9 15.326 0 15.066 2 14.823 0 14.629 0 15.107 4 14.967 3 15.085 5 14.887 5 18.379 2 18.175 1 11.996 4 14.954 7 12.617 2 12.032 2 12.601 9 12.417 1 14.990 6 Average 13.787 3 13.613 1 17.161 6 17.015 4 14.415 7 14.183 8 13.793 8 13.644 7 14.021 1 13.887 7 14.076 9 13.905 4 17.137 3 16.994 6 11.617 7 14.600 2 12.437 7 11.719 4 12.034 5 12.063 9 14.602 5

4.3.2 子图高亮度向低亮度转换实验（实验2 和实验4）结果及分析

在样本集1 上进行实验2 和实验4，随机选取No.7 组子图的图像结果和数据结果分别如图5 和表3 所示，10 组样本的实验数据如表4 所示。

图5 不同算法在实验样本集1（No.7 组）上得到的子图高亮度向低亮度转换图像Fig.5 Converting sub‐images from high to low brightness on dataset 1（No.7 group）with different algorithms

图5、表3 和表4 结果显示：样本集1 子图高亮度向低亮度转换，具有子图低亮度向高亮度转换相同的结论，本文算法有效。

表3 不同算法在实验样本集1（No.7 组）上得到的子图高亮度向低亮度转换的精度Table 3 Accuracy of converting sub⁃images from high to low brightness on dataset 1（No.7 group）with different algorithms

表4 不同算法对在实验样本集1 上得到的子图高亮度向低亮度转换的精度Table 4 Accuracy of converting sub-images from high to low brightness on dataset 1 with different algorithms

10 15.127 1 14.961 8 18.884 6 18.758 6 1‐D HS 2‐D HS Ours 1‐D HS 2‐D HS Ours 15.043 9 14.882 7 15.270 5 15.106 1 15.853 7 15.684 5 15.389 4 15.224 4 18.908 1 18.781 8 11.719 6 14.607 9 12.414 3 11.808 1 12.699 2 12.307 2 14.651 4 Average 13.880 3 13.766 7 17.466 6 17.399 6 14.015 0 13.927 6 14.028 4 13.906 2 14.454 7 14.332 7 14.166 0 14.055 5 17.499 7 17.428 7 11.432 1 14.400 6 12.141 4 11.565 0 12.261 0 11.989 1 14.428 0

4.3.3 子图低亮度向高亮度转换亮度变化有效范围实验（实验5）结果及分析

在样本集3 上进行实验5，随机选取No.5 组子图的图像结果和数据结果分别如图6 和表5 所示。基点为亮度基点，等于子图的亮度均值。

表5 实验5（No.5 组）得到的子图低亮度向高亮度转换主观评价得分及有效范围Table 5 Subjective evaluation score and effective range of converting sub-images from low to high brightness in experiment 5（No.5 group）

图6 实验5（No.5 组）得到的子图低亮度向高亮度转换图像Fig.6 Converting sub-images from low to high brightness in experiment 5（No.5 group）

图6 和表5 显示：基点+30 开始出现一张转换结果图像有1 人认为失真的情形；基点+40 开始出现一张转换结果图像有2 人认为失真的情形；基点+50 以上几乎所有转换结果图像都有2 人以上认为失真。因此子图低亮度向高亮度转换亮度变化有效范围为［0，30］。

4.3.4 子图高亮度向低亮度转换亮度变化有效范围实验（实验6）及分析

在样本集3 上进行实验6，随机选取No.9 组子图的图像结果和实验数据分别如图7 和表6 所示。

表6 实验6（No.9 组）得到的子图高亮度向低亮度转换主观评价得分及有效范围Table 6 Subjective evaluation score and effective range of converting sub-images from high to low brightness in experiment 6（No.9 group）

图7 实验6（No.9 组）得到的子图低亮度向高亮度转换图像Fig.7 Converting sub-images from low to high brightness in experiment 6（No.9 group）

图7 和表6 显示：基点-30 开始出现一张转换结果图像有1 人认为失真的情形；基点-40 开始出现一张转换结果图像有2 人认为失真的情形；基点-50 以上几乎所有转换结果图像都有2 人以上认为失真。因此子图高亮度向低亮度转换亮度变化有效范围为［-30，0］。

4.3.5 土壤图像亮度可控增强的目标亮度精度实验（实验7）及分析

根据4.3.3 子图低亮度向高亮度转换的有效范围［0，30］，确定土壤图像亮度可控增强的目标亮度：基点+10，基点+20，基点+30。在样本集2 上进行实验7 仿真实验，随机选取No.6 组子图的图像结果和数据结果分别如图8 和表7 所示，10 组样本的仿真实验数据均值结果如表8 所示。

表7 实验7（No.6 组）得到的向高亮度转换的土壤图像亮度可控增强的精度Table 7 Accuracy of the controllable brightness enhancement of soil image converted to high brightness in experiment 7（No.6 group）

图8 实验7（No.6 组）得到的向高亮度转换的土壤图像亮度可控增强图像Fig.8 Controllable brightness enhancement of soil image converted to high brightness in experiment 7（No.6 group）

由图8 可看出：在基点+30 范围内亮度增强变换，1-D HS 算法、2-D HS 算法有肉眼可见的失真，本文算法几乎看不出失真。

表7 和表8 显示：随增强幅度的增加，3 个算法得到的增强图像结果的亮度均值与目标亮度的精度差异都增大；本文算法增强图像结果的亮度均值与目标亮度的精度差异均远小于1-D HS 和2-D HS 算法，表明本文算法在低亮度子图向高亮度子图转换的有效范围［0，30］内，可实现较高精度的可控亮度变换。

表8 实验7 实验样本集2 向高亮度转换的土壤图像亮度可控增强的精度Table 8 Accuracy of the controllable brightness enhancement of soil image converted to high brightness in experiment 7（dataset 2）

根据4.3.4 节子图高亮度向低亮度转换变化的有效范围［-30，0］，确定土壤图像亮度可控增强的目标亮度：基点-10，基点-20，基点-30。用样本集2 进行实验7 仿真实验，随机选取No.8 组子图的图像结果和数据结果分别如图9 和表9 所示，10 组样本的仿真实验数据均值结果如表10 所示。

表9 实验7（No.8 组）得到向低亮度转换的土壤图像亮度可控增强的精度Table 9 Accuracy of the controllable brightness enhancement of soil image converted to low brightness in experiment 7（No.8 group）

表10 实验7 实验样本集2 向低亮度转换的土壤图像亮度可控增强的精度Table 10 Accuracy of the controllable brightness enhancement of soil image converted to low brightness in experiment 7（dataset 2）

图9 实验7（No.8 组）得到向低亮度转换的土壤图像亮度可控增强图像Fig.9 Controllable brightness enhancement of soil image converted to low brightness in experiment 7（No.8 group）

图9、表9 和表10 显示：本文算法在子图低亮度向高亮度转换的有效范围［-30，0］内，依然可实现较高精度的可控亮度变换。

4.3.6 土壤图像加权高斯减法拟合迭代次数实验（实验8）及分析

选取样本集1、样本集2、样本集3 中共180 张土壤子图，用本文算法对其Y分量直方图进行减法高斯拟合，统计迭代次数，如图10 所示。可知本文算法的迭代次数集中在7 次，有少量图像Y分量直方图的拟合迭代次数为6 次和8 次。因此，本文算法对土壤子图Y分量直方图加权高斯减法拟合迭代次数为6～8 次。

图10 加权高斯减法拟合迭代次数Fig.10 The histogram of iterations of the weighted Gaussian subtraction fit

5 结论

土壤图像加权高斯减法拟合的亮度可控增强，是对土壤图像亮度直方图进行多次减法高斯拟合，然后加权，再依据拟合曲线进行亮度迁移、颜色校正，实现土壤图像的亮度可控增强。

土壤图像亮度直方图左局部区域近似于高斯曲线，通过构建的高斯拟合优化模型可较好拟合其左局部区域及其拟合残差的左局部区域，多次减法高斯拟合是提高土壤图像亮度直方图拟合精度的有效方法。对减法高斯拟合曲线加权，能进一步提高土壤图像亮度直方图的拟合精度。加权减法高斯拟合曲线，保持了高斯函数的优良特性，通过拟合曲线的亮度均值迁移，能实现土壤图像亮度增强的精准可控。依据亮度迁移结果，应用图像色比不变性对U、V分量颜色校正能减少增强图像颜色失真。

实验结果表明，本文算法的亮度调节有效范围为［-30，30］，可实现较高精度的土壤图像亮度可控增强，验证了算法的有效性。但该算法在亮度迁移时可能会出现块效应，且有效亮度调节范围还较小，尚需后续深入研究。