欠曝光图像的信息增强技术

王佳欣，窦小磊

(河南工程学院 计算机学院，河南 郑州 451191)

欠曝光图像的信息增强技术

王佳欣，窦小磊

(河南工程学院 计算机学院，河南 郑州 451191)

在光线背景条件不好的环境下进行图像采集容易曝光不足，导致成像质量不高.为了提高欠曝光图像的成像质量，提出了一种基于Radon尺度变换的欠曝光图像信息增强技术.对采集的欠曝光图像进行分块处理，通过区域网格径向划分实现图像分割；采用模板自适应匹配方法进行光照敏感度修正，实现白平衡补偿；运用Radon尺度变换提取欠曝光图像的多尺度Retinex颜色特征分量，实现图像信息的增强，改善成像质量.仿真结果表明，采用该方法进行欠曝光图像的信息增强处理，输出图像具有较好的成像性能，归一化相关系数和峰值信噪比均高于传统方法，说明该方法的抗噪性和鲁棒性较好.

欠曝光图像；信息增强；Radon尺度变换；峰值信噪比

随着多媒体信息技术和数字图像处理技术的发展，成像设备不断更新，手机、数码照相机、激光扫描仪、红外成像仪等层出不穷，它们能有效满足人们各种图像采集的需求.但在一些特殊条件和环境下，图像采集过程受到采集设备、气候、光照及色差等因素的影响，易导致采集的图像曝光不足，图像的可分辨能力和识别性能不好，此时需要对欠曝光图像进行信息增强处理，提高图像的利用效益[1].欠曝光图像的信息增强技术在图像修复、图像识别和图像还原等领域具有较高的应用价值，相关算法的研究受到了图像处理领域中学者们的极大关注.

在曝光不足的条件下进行图像采集受环境因素的干扰较大，所采集的图像具有分辨率不高和噪点较多的特点，对该类图像进行信息增强的难度较大.对欠曝光图像进行信息增强的传统方法主要有基于小波降噪和分辨率无关处理的信息增强技术[2]、基于MeanShift角点检测的图像增强方法、粒子滤波方法及Retinex图像增强方法等[3].上述方法通过对图像的RGB特征分量分解，结合主成分特征分析进行图像的降噪和信息增强，提高了欠曝光图像的细节呈现能力，取得了一定的研究成果.其中，文献[4]提出了一种基于形态学滤波的红外图像背景补偿技术进行图像增强处理，采用HCT变换与联合稀疏模型进行图像的影像融合，结合滤波算法进行图像降噪，提高了红外欠曝光图像的细节特征表达能力，输出图像的质量较好，但该方法的计算开销较大，不能实时地实现图像的处理和输出；文献[5]提出了一种基于多尺度Retinex的超声图像去噪及增强技术，基于多尺度Retinex分解方法进行图像的色差均衡处理，结合频谱分离方法进行超声图像去噪和信息增强，该方法的缺点是抗干扰性能差，在图像细节信息量不足时，输出的信噪比不高.

针对上述问题，本研究提出了一种基于Radon尺度变换的欠曝光图像信息增强技术.首先，对采集的欠曝光图像进行分块处理，通过区域网格径向划分实现图像的分割.然后，采用模板自适应匹配方法进行光照敏感度修正，实现白平衡补偿，运用Radon尺度变换提取欠曝光图像的多尺度Retinex颜色特征分量，实现图像信息的增强.最后，通过仿真实验进行性能测试，得出了有效性结论.

1 欠曝光图像的增强原理与预处理

1.1 图像采集及增强设计

图1 欠曝光图像信息的增强Fig.1 Block diagram of image enhancement for under exposure image

为了实现对欠曝光图像的信息增强处理，先要进行图像的采集和分块处理.图像采集系统建立在高分辨率的数码设备Nikon D7200基础上，设定的感光度ISO为100，光圈为F14.由于定在夜间采集,图像采集过程中设定的曝光时间不足，输出的图像较暗，图像细节特征的呈现能力不好，故需要进行图像增强处理.首先，采用图像分割技术进行分块处理，在4×4网格区域内进行图像像素信息分块，结合傅里叶变换进行欠曝光图像的尺度信息分解和特征采集，运用Radon尺度变换提取欠曝光图像的多尺度Retinex颜色特征分量，通过脊波变换得到图像的频率和角度信息参量[6]，以此为信息素引导参量进行图像增强处理.根据上述设计，得到本设计的欠曝光图像信息增强过程描述，如图1所示.

根据图1构建的图像增强算法进行设计，通过图像采集和像素特征表达，得到采集欠曝光图像的像素点特征量J1(Wi)，可以写为

(1)

1.2 图像分割与模板匹配预处理

在对采集的欠曝光图像进行分块处理的基础上，通过区域网格径向划分实现图像的分割，在复杂背景的干扰下，得到了图像像素分布区域的暗原色特征分解结果：

I(x)=J(x)t(x)+A(1-t(x))，

(3)

式中：A为欠曝光图像的尺度信息；t(x)为图像参考帧在弱光照条件下的透射率；J(x)t(x)为图像的视差分量.采用区域网格分块方法进行图像亮度信息的局部特征分解[7]，特征分解的判别函数为

(4)

式中：V(t)表示欠曝光图像的稀疏先验信息分量；W(t)表示图像灰度像素统计值；α(t)表示多重色差核；H1表示曝光过度区域；H0表示曝光不足区域.通过对图像的区域分块，运用模板自适应匹配方法进行光照敏感度修正[8].假设图像的颜色分量具有单尺度特性，计算每个颜色分量上像素的曝光度：

(5)

式中：ux和uy为图像空间像素的二维几何矩；C1表示输出像素序列的不变矩.在采用模板自适应匹配方法进行光照敏感度修正的基础上，进行白平衡补偿，补偿后输出图像可表达为

(6)

式中：wnk是小波函数族Ψa，b通过Ψ(t)层Radon变换的亮度增益，邻域内像素点的加权系数是αmk；v(t)为加性高斯白噪声.

2 图像增强算法的改进

2.1 基于Radon尺度变换的特征提取

在进行图像分割与模板匹配预处理的基础上，进行欠曝光图像的增强处理，提出了一种基于Radon尺度变换的欠曝光图像信息增强技术，运用Radon尺度变换提取欠曝光图像的多尺度Retinex颜色特征分量[9]，给出了Radon尺度变换的基函数：

(7)

式中：r1表示图像尺度信息分解维数；r2表示先验像素点；σ1表示边缘相关性约束向量；N1为仿射不变矩.

利用Radon变换的尺度不变性，得到图像二维几何矩的相似度信息分量：

(8)

式中：J(w，e)为自适应像素分块约束向量；αi为4×4子区域块的信息熵；φ(xi)为噪声敏感系数.

依据图像中像素特征点空间位置的结构差异性进行模板自适应匹配，得到了欠曝光图像的边缘轮廓点族：

(9)

式中：cx和cy分别是全局显著图融合信息分量；K为图像的视觉显著性修正系数.基于Radon尺度变换，得到了欠曝光图像的多尺度Retinex颜色特征分量，提取计算如下：

(10)

(11)

(12)

结合上述颜色特征分量的提取结果，通过连续的Radon尺度分解，采用变尺度的曝光敏感度补偿和亮度区域分割方法，进行欠曝光图像的区域性信息增强.

2.2 欠曝光图像信息增强优化

由于图像采集中色彩和光照的差异，对图像信息敏感区域的背景特征进行多尺度Radon变换，第i级Radon分解下图像的白平衡敏感系数为Hi(i=1,2,3,4,5 ).对一幅含噪声的模糊图像，通过3层小波分解得到图像边缘信息的分量:

(13)

WSSIMHi=ωHLi·WSSMHLi+ωLHi·WSSIMLHi+ωHHi·WSSIMHHi.

(14)

在Radon尺度平移坐标系(a，bm)上计算欠曝光图像的模板特征匹配值:

g(x，y)=f(x，y)+ε(x，y)，

(15)

式中：f(x，y)，g(x，y)，ε(x，y)分别代表图谱区域分割尺度、噪声分布均值和测量误差.通过约束模糊核估计进行图像的盲去卷积处理，得到输出图像的软抠图，记为FWSSIM,则

(16)

进一步利用标准化先验盲去模糊处理实现色差中和，得到图像的曝光敏感差异值Jdark(x)逼近0.经过上述图像处理，获得信噪比较好的全息图，可表示为

(17)

Ima(xi)=J+p(xi|zi，ut-1，zt-1，…，u0，z0)，

(18)

式中：

(19)

图像的色差对比度为d(xk,vi)，n为图像像素点个数，结合欠曝光图像成像的初始评价参数，实现了图像信息的增强处理.

3 仿真实验与结果分析

为了验证本方法在实现欠曝光图像优化成像和信息增强处理中的性能，进行仿真实验.实验利用Matlab 7仿真软件进行算法编程，利用光学数字成像设备进行图像采集，曝光持续时间tm=12 s，图像的分辨率为500×240，像素失真阀值ε=0.25，Radon变换的尺度系数ξ=1.25，模糊核卷积为100*125，图像噪声强度均值为0，方差为0.043.在图像分块中，每个小块均包含8×8的像素，获取12维特征向量作为图像信息增强的训练集.在图像质量评价中，使用峰值信噪比PNSR作为图像质量评价指标，PNSR越大，表示图像质量越好.PNSR的计算公式如下：

(20)

式中:I(i,j)表示原始欠曝光图像中(i,j)点的像素值；I′(i,j)表示经过图像增强处理后(i,j)点的像素值.

采用归一化相关系数NC评价欠曝光图像信息增强的鲁棒性，NC∈(0,1)，NC越大，表示算法的鲁棒性越高，NC的计算公式如下：

(21)

式中：w(i,j)和w′(i,j)分别表示原始图像和图像信息增强处理后的输出图像像素值.

根据上述仿真环境和参量的设定，进行图像信息增强处理仿真实验，给出原始采集的欠曝光图像，如图2 所示.

分析图2可知，原始图像由于曝光不足，图像边缘信息黑暗模糊，不能分辨图像的信息特征，需要进行图像信息增强处理.采用本方法对采集的欠曝光图像进行分块处理，采用模板自适应匹配方法进行光照敏感度修正，得到的光照敏感度修正结果如图3所示.

图2 原始待处理图像Fig.2 Original image to be processed

图3 光照敏感度修正结果Fig.3 Illumination sensitivity correction result

对图3修正后的图像运用Radon尺度变换进行特征提取和信息增强，得到图像信息增强输出结果，如图4 所示.

图4 图像信息增强输出结果Fig.4 Enhanced image information output

对比处理前后的图像可知，采用本方法进行图像处理，对欠曝光图像无法表达的隐藏信息实现了有效恢复和增强，提高了图像的细节特征表达能力，图像的成像质量得到了有效改善.

为了对比不同算法的性能，采用本方法和传统方法进行图像评价指标分析，得到的对比结果如图5所示.分析图5得知，采用本方法进行图像处理，输出图像的峰值信噪比和归一化相关系数较高，这说明图像的成像质量、鲁棒性及抗噪性能均优于传统方法.

图5 图像处理质量与性能对比Fig.5 Image processing quality and performance comparison

4 结语

本研究提出了一种基于Radon尺度变换的欠曝光图像信息增强技术，对采集的欠曝光图像进行了分块处理，通过区域网格径向划分实现了图像分割，采用模板自适应匹配方法进行光照敏感度修正，实现了白平衡补偿，运用Radon尺度变换提取欠曝光图像的多尺度Retinex颜色特征分量，实现了图像信息的增强，改善了成像质量.仿真结果表明，采用本方法进行图像增强的成像质量较高，性能优越.

[1] 周毅敏,李光耀.多重光照色差下图像平滑美化处理算法[J].计算机科学,2016,43(10):287-291.

[2] 陆兴华.一种结合辐射特征的高效红外目标提取算法[J].激光与红外,2016,46(5):634-638.

[3] 卞乐,霍冠英,李庆武.基于Curvelet变换和多目标粒子群的混合熵MRI图像多阈值分割[J].计算机应用,2016,36(11):3188-3195.

[4] 李武周,余锋,王冰,等.基于形态学滤波的红外图像背景补偿[J].红外技术,2016,38(4):333-336.

[5] 郑海峰.基于多尺度Retinex的超声图像去噪及增强技术[J].激光杂志,2016,37(2):71-73.

[6] 文政颖,王佳欣.基于小波分析的夜间色光背景图像白平衡优化算法[J].河南工程学院学报(自然科学版),2016, 28(2):70-75.

[7] 李积英,党建武,王阳萍.融合量子克隆进化与二维Tsallis熵的医学图像分割算法[J].计算机辅助设计与图形学学报,2014,26(3):465-471.

[8] ORTIZ A,GORRIZ J M,RAMIREZ J,et al.Improving MR brain image segmentation using self-organising maps and entropy-gradient clustering[J].Information Sciences,2014,262(3):117-136.

[9] 赵丽玲,孙权森.通过直方图中轴化提高融合图像光谱保真度[J].计算机应用,2017,37(2):559-563.

[10]丰明博,刘学,赵冬.多/高光谱遥感图像的投影和小波融合算法[J].测绘学报,2014,43(2):158-163.

Research on information enhancement technology for under exposure image

WANG Jiaxin，DOU Xiaolei

(CollegeofComputerScience,HenanUniversityofEngineering,Zhengzhou451191,China)

The image acquisition in the background light condition is not good, and it easily leads to insufficient exposure, the imaging quality is not high. In order to improve the quality of image under exposure image, an under exposure image enhancement technology is proposed based on Radon scale transform. The collected images under exposed image block processing, the regional grid division radial image segmentation is taken, using adaptive template matching method for light sensitivity correction, and white balance compensation is realized, extraction of multi-scale Retinex color feature under exposure image using Radon transform is taken, the image enhancement is realized, the image quality is then improved. The simulation results show that by using this method for enhancement processing, the output image has good imaging performance, the normalized correlation coefficient and peak signal-to-noise ratio of output images are higher than traditional methods, the anti-noise and robustness of the method is better.

under exposure image; information enhancement; Radon scale transform; peak signal to noise ratio

2017-01-26

河南省教育厅高等学校重点科研项目(17A520025)

王佳欣(1983-)，男，河南洛阳人，讲师，主要研究方向为图像处理与计算机应用.

TP391

A

1674-330X(2017)02-0072-06