多尺度Retinex图像增强应用中的彩色空间选择

刘黎明

(中国船舶重工集团公司第七二三研究所，江苏 扬州 225001)

多尺度Retinex图像增强应用中的彩色空间选择

刘黎明

(中国船舶重工集团公司第七二三研究所，江苏 扬州 225001)

研究了基于Retinex理论的图像增强算法，介绍了图像和视频处理中常用的RGB、HSV、YIQ、YCbCr和Lab5种颜色空间，给出了均方误差(MSE)、峰值信噪比(PSNR)、信息熵、彩色增强因子(CEF)和结构相似度(SSIM)5个图像质量评价指标的计算公式，并用这5个指标评价了CLAHE算法在5种颜色空间上的增强效果。实验结果表明，相比于其它4种颜色空间，多尺度Retinex算法在HSV颜色空间上取得了最好的增强效果。

图像增强；Retinex理论；多尺度；颜色空间

0 引 言

Retinex理论是Land等人在1971年提出的一种关于人类视觉的光亮度和色彩感知模型[1]，Retinex是由Retina (视网膜)和Cortex (脑皮层)2个单词组成，全称是视网膜脑皮层理论。该理论认为人类在感知物体表面颜色时，与物体表面的反射特性密切相关，而与投射到人眼的光谱特性关系不大，也就是说人眼感知物体的表面颜色不受光照变化的影响，具有色彩常恒性。目前，Retinex理论已广泛应用于遥感、医学、红外、可见光等图像的对比度增强处理和去雾处理中[2-5]。

经学者们的不断研究，现已出现多种不同形式的Retinex算法。第1个Retinex算法是Land等人提出的一种随机路径算法[1]，其基本思路是比较像素的选择,是从当前图像像素的邻域中随机产生的，该算法缺陷在于参数不易确定。此后，学者们分别提出了基于泊松方程的Retinex算法[6]、McCann's Retinex算法[7]、单尺度Retinex算法[8]、多尺度Retinex算法[9]、带色彩恢复的多尺度Retinex算法[10]、变分Retinex算法[11]等。其中，多尺度Retinex算法具有较大的动态压缩范围和较高的色彩保真度，故最引人关注。不过，大部分学者关注的是如何选择多尺度Retinex算法中的参数，包括尺度个数、尺度大小和权重，而少有人研究多尺度Retinex算法在什么颜色空间中能获得更好的增强效果。为此，本文的研究目标就是通过某些准则来客观评估多尺度Retinex算法在各种彩色空间中的图像增强效果。

1 Retinex算法

本节将介绍Retinex理论基础、单尺度Retinex和多尺度Retinex。

1.1 Retinex理论基础

根据Land 提出的Retinex 模型，原始图像S(x，y)可分解为光照图像L(x，y)与反射图像R(x，y)的乘积，数学表达式为：

(1)

原始图像S(x，y)是人眼观察到的图像，光照图像L(x，y)决定了图像的动态范围，而反射图像R(x，y)包含了图像中物体的细节特征。因此，在原始图像中去除或降低照射图像的影响，并保留能反映物体本质特征的反射属性是Retinex理论的基本思想。针对公式(1)而言，为了将复杂的乘积形式变成简单的加减运算，可将公式(1)放入对数域处理，即有：

(2)

式中：s(x,y)=ln(S(x,y))；l(x,y)=ln(L(x,y))；r(x,y)=ln(R(x,y))。

Retinex算法流程如图1所示。

1.2 单尺度Retinex(SSR)

SSR在二维路径的前提下，选取高斯函数作为卷积核函数，估计出光照分量，再用对数运算去除光照分量。SSR的数学表达式为：

r(x,y)=ln(R(x,y))=ln(S(x,y))- ln(S(x,y)*G(x,y))

(3)

式中：r(x,y)为反射分量；S(x,y)*G(x,y)为光照分量的估计,符号“*”表示卷积运算,G(x,y)为高斯环绕函数，相当于一个高斯模板。

G(x,y)的表达式为：

(4)

SSR无法同时在动态范围压缩、细节保持、色彩保真度、边缘锐化上取得最佳效果，进而有人提出了多尺度Retinex。

1.3 多尺度Retinex(MSR)

MSR与SSR的本质相同：都是用高斯环绕函数与原图像做卷积运算，得到对光照图像的估计，进而得到反应物体本质特征的反射图像。MSR就是将多个SSR的结果进行加权求和，其数学表达式为：

(5)

式中：Gk(x,y)为第k个高斯环绕函数；wk为第k个高斯的权重；K为尺度个数。

当K=1时，MSR退化为SSR。一般情况下，取K=3，这样3个尺度参数分别取小尺度、中尺度和大尺度，从而使得MSR兼备了SSR低、中、高3个尺度的优点，而权重一般取平均值，即有w1=w2=w3=1/3。至于尺度参数的具体取值，对于百万像素内的图像，文献[11]建议3个尺度参数分别取15、80和250，故本文实验中也使用这3个尺度参数。

2 测试实验结果与分析

本文选用了5种常用的颜色空间来测试多尺度Retinex的性能，它们分别是RGB颜色空间[12]、HSV颜色空间[13]、YCbCr颜色空间[14]、YIQ颜色空间[15]、Lab颜色空间[16]。此外，选用了均方差(MSE)、峰值信噪比(PSNR)、信息熵(ER)、彩色增强因子(CEF)[15]、结构相似度(SSIM)[17]和计算耗时共6个指标来评价各颜色空间输出图像的增强效果。

图2～图5给出了5种颜色空间在不同图像上的增强效果对比图，即主观评价；图6～图10为5种颜色空间对应MSE、PSNR、ER、CEF、SSIM这5个指标在20幅图像上的分布，表1给出5种颜色空间的6种指标在20幅图像上的平均值，即客观评价。

从主观评价来看，多尺度Retinex算法在5种颜色空间上处理后都得到了比原图像好的结果，即都有所增强。基于RGB、YCbCr、Lab这3种颜色空间的增强图像在对比度增强方面优于其他2种颜色空间，但有时过度增强使得图像有点泛白，导致色彩失真比较严重，还会引入噪声。在HSV和YIQ颜色空间上得到的结果具有较高的色彩保真度。

对于客观评价，MSE值越小，表示失真越小，5种颜色空间中对应HSV的MSE值最小，其次是YIQ；PSNR值越大，表示信噪比提升得越多，5种颜色空间中对应HSV的PSNR值最大，其次是YIQ；ER值越大，表示从图形中可以获得信息内容越多，5种颜色空间中对应RGB的ER值最大，其次是HSV；CEF值越大，表示色彩越丰富，5种颜色空间中对应RGB的CEF值最大，其次是HSV；SSIM越大，表示与原图像越相似，5种颜色空间中对应HSV的SSIM值最大，其次是YIQ；对于计算耗时来说，越小越好，5种颜色空间中对应YCbCr的计算耗时最小，其次是YIQ，虽然RGB颜色空间不存在转换问题，但由于需要在每个颜色通道做一次多尺度Retinex算法，而其他颜色空间仅仅在亮度通道上实施多尺度Retinex算法，故基于RGB颜色空间的计算耗时反而大于其他颜色空间。故从客观评价来看，总体上来说，多尺度Retinex算法在HSV彩色空间中取得的图像增强效果好于其他4种颜色空间。

表1 5种颜色空间的6种指标的平均值

3 结束语

本文首先研究了Retinex理论、单尺度Retinex算法和多尺度Retinex算法，接着介绍了RGB颜色空间、HSV颜色空间、YIQ颜色空间、YCbCr颜色空间、Lab颜色空间等5种颜色空间，给出了MSE、PSNR、信息熵、CEF、SSIM这5种图像质量评价指标的计算公式，并用这5个指标和计算耗时共6个指标对多尺度Retinex算法在5种颜色空间上的增强效果做评价。实验结果表明，总体来说，多尺度Retinex算法在HSV颜色空间上取得的增强效果好于其他4种彩色图像。

虽然多尺度Retinex算法对雾天图像和夜色图像都有一定的增强，但由于在实验中的参数是固定的，故不能取得很好的增强效果，下一步将研究如何利用梯度和纹理等信息来自动设置算法中的某些参数，以获取更好的增强效果。

[1] LAND E H,MCCANN J J.Lightness and retinex theory[J].Journal of The Optical Society of America,1971,61(1):1-11.

[2] 赵忠明,朱重光.遥感图像中薄云的去除方法[J].遥感学报,1996,11(3):195-199．

[3] 王彦臣,李树杰,黄康卿.基于多尺度Retinex的数字X光图像增强方法研究[J].光学精密工程,2006,14(1):70-77.

[4] 刘瑞剑, 陈树越, 张甲杰.多尺度Retinex算法在红外图像增强中的应用[J].弹箭与制导学报,2008,28(4):193-195.

[5] RAHMAN Z U,JOBSON D J,WOODELL G A.Retinex processing for automatic image enhancement [J].Journal of Electronic Imaging,2004,13(1):100-110．

[6] HORN B K P.Determining lightness from an image [J].Computer graphics and image processing,1974,3(4):277-299.

[7] FUNT B,CIUREA F,MECANN J.Retinex in matlab [J].Journal of Electronic Imaging,2004,13(1):48- 57.

[8] JOBSON D J,RAHMAN Z U,WOODELL G A.Properties and performance of a center/surround retinex [J].IEEE Transactions on Image Processing,1995(6):451-462.

[9] RAHMAN Z U,JOBSON D J,WOODELL G A.Multi-scale retinex for color image enhancement [C]//Proceedings of The International Conference on Image Processing,Lausanne:IEEE,1996:1003-1006.

[10]JOBSON D J,RAHMAN Z U,WOODELL G A.A multi-scale Retinex for bridging the gap between color images and the human observation of scenes [J].IEEE Transactions on Image Processing,1997,6(7):965- 976.

[11]ELAD M,KILNMEL R,SHAKED D,et al.Reduced complexity Retinex algorithm via the Variational approach [J].Journal of Visual Communication and Image Representation,2003,14(l):369-388.

[12]MURAHIRA K.Hue-preserving color image enhancement in RGB color space with rich saturation [C]// International Symposium on Intelligent Signal Processing and Communications Systems (ISPACS).New Taipei:IEEE,2012:266-269.

[13]REN C C,YANG J G.A novel color microscope image enhancement method based on HSV color space and curvelet transform [J].International Journal of Computer Science Issues,2012,9(2):272-277.

[14]LEE S,KWAK Y,KIM Y J,et al.Contrast-preserved chroma enhancement technique using YCbCr color space[J].IEEE Transactions on Consumer Electronics,2012,58(2):641-645.

[15]LAL S,NARASIMHADHAN A V,KUMAR R.Automatic method for contrast enhancement of natural color images [J].Journal of Electrical Engineer & Technology,2015,10(3):1233-1243.

[16]CHO Y H,KIM Y T,LEE H K,et al.Color image enhancement technique using gamut mapping based on color space division [C]//Electronic Imaging 2003.International Society for Optics and Photonics,2003:81-91.

[17]WANG Z,BOVIK A C,SHEIKH H R,et al.Image quality assessment:from error visibility to structural similarity[J].IEEE Transactions on Image Processing,2004,13(4):600-612.

Color Space Selection for Multi-scale Retinex Image Enhancement Application

LIU Li-ming

(The 723 Institute of CSIC,Yangzhou 225001,China)

This paper studies the image enhancement algorithm based on Retinex theory,introduces five color spaces:RGB,HSV,YIQ,YCbCrandLab,which are often used in image and video processing domain,gives the calculation formulas of five image quality evaluation indexes:mean square error (MSE),peak signal to noise ratio (PSNR),entropy,color enhancement factor (CEF),structural similarity (SSIM),which are used to evaluate the enhancement effect of CLAHE algorithm on five color spaces.The experimental results show:comparied with other four color spaces,multi-scale Retinex algorithm inHSVcolor space has achieved the best enhancement effect.

image enhancement;Retinex theory;multi-scale;color space

2016-05-12

TN911.73

A

CN32-1413(2017)01-0068-06

10.16426/j.cnki.jcdzdk.2017.01.015