基于Retinex 理论改进的低照度图像增强算法

2020-12-27 09:27闫保中韩旭东何伟

应用科技 2020年5期

闫保中，韩旭东，何伟

哈尔滨工程大学自动化学院，黑龙江哈尔滨 150001

图像信息是人与人之间进行交换信息的主要传播媒介，人们在日常生活中，图像信息是不可或缺的。据研究结构不完全统计，视觉信息在人类获取的外界信息比听觉信息多一倍以上，大约占信息总数的3/4。图像是最简单直观的信息来源。随着科技的发展，人工智能当前发展迅速，在进行物体识别时，许多识别场合都需要用到视觉效果良好的图像。然而在实际场景中，理想的光照条件往往很难得到满足，在这种环境下，无论是通过人眼直接获取，还是通过图像采集单元采集到的图像信息，常常存在整体亮度偏暗、噪声大、图像细节信息少等问题。因此有必要采用图像增强算法，去处理视觉效果差的图像，提高图像的质量，丰富图像细节，提高图像对比度，消除图像噪声，以便对图像进行后期处理。例如:视频监控、驾驶员驾驶行为检测、医学图像处理等。综上所述低照度图像增强技术在未来各行各业都有重要的研究价值。

在实际生活中，多种图像增强技术已经被应用，其中常用的有暗通道算法、伽马校正、依据直方图的直方图均衡化、色调映射神经网络、Retinex理论。其中基于Retinex 理论，经过多年的研究，学者又提出了多种图像增强算法。刘晓阳等[1]在Retinex 算法基础上用双边滤波代替高斯滤波，该算法避免了图像的颜色失真及细节丢失，缺点是算法复杂，程序运行时间长；Fu 等[2]在Kimmel 和Ng 方法的基础上提出了光照和反射的加权变分模型，该算法可以使图像的高频信息不被破坏；李慧芳等[3]人使用变分最优化技术，并且在该技术中加入了投影归一化最速下降法，通过两种技术的结合去遥感图像的光照分量也即低频分量，该算法作用明显，能够明显消除遥感图像的灰度不均匀性，并且保持图像的纹理信息；刘钦堂[4]在处理图像时，对颜色空间进行了变换，将图像的颜色空间由RGB 变换至HIS，在HIS 空间中，I 表示的是亮度分量，除此之外他还将亮度分量分成不同的区间段，区间的分段采用对数图像处理模型，每一个区间段都有自己的尺度，在每个区间独立地使用Retinex 算法进行图像增强，该算法可以减少图像中颜色的失真。张雪峰等[5]提出使用具有边缘保持特性的双边滤波核函数作为中心环绕函数，双边滤波可以准确估计明暗突变的环境照度分量，但是该算法比较复杂，计算量较大，在嵌入式系统中考虑到实时性，该算法不能被采用。He 等[6]采用局部线性模型的引导滤波作为中心环绕函数，引导滤波保留着双边滤波的平滑保边作用，并且其效率不受窗口半径的影响，程序运行的时间复杂度也大大降低。

针对光照不均匀，导致采集到的图像噪声大、分辨率低、图像整体对比度差等问题，本文对Retinex 理论进行研究，用改进的低照度图像增强算法去恢复图像原有的视觉特征，提高图像的质量。

1 Retinex 基本理论

1.1 Retinex 理论

Retinex 理论由Land 在大量的重复试验后在俄亥俄州提出。根据Retinex 理论，一幅图像由入射图像和反射图像构成，入射图像在频域中属于低频分量，它是缓慢变化的；反射分量具有突变性，在图像的频域中属于图像的高频分量。

图像模型表示为

式中:S(x,y)为源图像；L(x,y)为图像的光照分量；R(x,y)为图像的反射分量。其中R(x,y)为我们要求的目标图像，光照分量只能通过近似估计获得。Retinex 算法框图如图1 所示。

图1 Retinex 算法框图

1.2 Retinex 相关算法

在Retinex 理论提出后，单尺度Retinex(single-SR, SSR)算法出现。为了计算方便，在求解时，需要将式(1)转换到对数域

在传统的Retinex 算法中，G(x,y)常取高斯函数，使用高斯尺度算子可以对原图像提供更局部的处理，从而更好地增强图像，式(2)中G(x,y)表示的是Retinex 算法中的中心环绕函数。

式中: λ是一个常量，满足:c作为中心环绕函数的一个重要尺度常量，c的大小与图像的动态压缩范围密切相关。c越小，表示低照度图像的动态范围压缩的程度就相比较大；c越大，图像锐化程度越大。使用SSR 算法不能同时满足细节增强、颜色保真。

SSR 算法在单一尺度对图像进行处理。这种单一操作，不能同时保证图像的色彩动态范围和图像的色感。针对这一问题，Rahman 等[7]提出了MSR 算法。MSR 是SSR 算法的加权平均。MSR算法表示如下:

式中:n为MSR 算法中多尺度的个数，经实验验证n通常取3 比较合适，当n取3 时可以表示彩色图像； ωi为加权系数；Gi(x,y)一般取高斯低通滤波器:

MSR 算法已经做出了很大的改进。在进行MSR 算法时分别对RGB 每个通道进行处理，在对单独通道进行处理时容易造成每个通道处理之后不平衡，引入其他干扰噪声，这样处理之后会导致图像的局部颜色失真，不能呈现物体本身的面貌，图像的整体效果将会变差，视觉效果不佳。

2 低照度图像增强算法改进

2.1 HSV 颜色空间及变换

物体的颜色空间目前有很多种，例如RGB、LAB、YUV 等类型。颜色是人们视网膜以及大脑处理之后产生的视觉效应。人们根据物体颜色的直观特性提出了HSV 颜色空间。在HSV 颜色空间中，H表示颜色的色调、S为饱和度、V为亮度，该模型在几何图形中与六角锥类似，人们常称HSV 颜色空间为六角锥模型。HSV 颜色空间模型如图2 所示。

图2 HSV 颜色空间模型

在HSV 模型中，色调H用数学上的圆形角度度量，范围为0°～360°；亮度V取值范围为0～1，V值越大，图像颜色越饱和；饱和度S的取值范围为0～100%，S越大，表示图像的颜色越饱和。

在HSV 颜色空间，亮度分量是单独通道，对亮度通道进行处理不会对图像的色彩产生其他影响，避免了处理之后颜色失真。RGB 图像转换到HSV 颜色空间如下

2.2 非局部均值滤波算法

非局部均值(NLM)[8]是近年来通过实验方法得到的一种新的数字式去噪方法。NLM 方法将图像中的冗余信息充分利用起来，不但可以有效对图像进行降噪，而且可以最大程度保留图像的细节纹理信息。NLM 算法是以块之间的相似性为基础建立权值计算模型的[9]。假设图像P(x,y)为噪声图像，图像D(x,y)为去噪之后的图像，图像D(x,y)中像素点x处的灰度值为

式中ω(x,y)为图像中每个像素点之间的相似度，ω(x,y)的大小计算过程如下

式中:V(x)、V(y)分别为以x和y为中心求取的欧式距离；h为滤波算法的滤波参数，其值越大，去噪效果越理想，但图像的细节信息就会减少；z(x)为图像的归一化系数:

2.3 改进MSR 算法

MSR 算法通过提升图像中暗区域的幅度进而去提升图像的亮度。在传统的MSR 算法中，研究人员通常对R、G、B 三通道分别采用Retinex 算法进行操作，由于3 个通道图像增强尺度不一致，导致其在后期图像融合会产生颜色失真[10]。本文将RGB 颜色空间转换到HSV 空间，由于对低照度图像进行增强，亮度通道作用明显，算法仅仅处理V 分量，可以在恢复和调节图像光照条件的同时保持图像真实色彩，有利于后续图像识别与分析的准确性。改进的MSR 算法流如图3 所示。

图3 低照度图像增强算法示意

3 实验结果分析

本文图像增强算法进行实验的硬件环境如下:CPU 为Intel(R) Core(TM) i5-4210U @ 1.70 GHz 2.40 GHz，内存4 GB；软件环境:Window10 操作系统，Visual Studio 2017 软件，图像处理库版本OpenCv3.41。

在低照度图像增强算法实验中，为了验证本文算法的有效型，本文从图像库选择了多幅图像进行实验，并与SSR 算法、MSR 图像增强算法进行了比较。在实验中选择了部分实验结果图像进行对比，如图4～7 所示。

图4 立交桥低照度图像对比

图5 人像低照度图像对比

图6 室外低照度图像对比

图7 室内低照度图像对比

3.1 主观评价

针对图4～7 实验结果，对源图像以及增强后的图像的局部区域进行解释说明。在测试图4中，用SSR 算法进行增强，光线明亮，但图像质量变差；用MSR 算法处理，图像略模糊；而用本文算法处理低照度图像，轮廓清晰。在测试图5 中，在原始图像中，小男孩右侧漆黑一片，看不出任何细节，在进行图像增强之后，小男孩右侧能够看到一只手；传统的算法在增强之后，图像若隐若现地出现一层薄雾；而本文算法处理之后轮廓更加明显，并且可以看清小男孩上衣的字母，在本文算法和传统的SSR、MSR 算法比较之后，本文算法有明显的优势。在测试图6 中，本文算法处理之后，墙上的箭头颜色更加鲜艳明亮。在测试图7 中，本文算法处理的图像物体轮廓鲜明，易于分辨。综上所述，本文算法在主观视觉方面比其他图像增强算法增强作用更佳，能够增强图像的细节。