关于改进Retinex的低光照图像增强的研究

华北水利水电大学 邱贞光 廖 双 王炳辛

在低光照条件下所拍摄的图像，其质量容易在光度和噪声的影响下而降低，严重时，甚至会导致图像中的关键信息丢失。本文基于Retinex，提出了一种低光照图像增强方法，并通过实验的方式对其应用效果进行客观评价，实验结果表明，本文所提出的方法在各项性能指标上都具有良好的表现，相较于其他图像增强方法更具稳定性，希望为相关行业提供借鉴。

图像的可见度越高，其所反映的目标场景细节越清晰，但就实际情况而言，想要拍摄出高可见度的图像，对摄像头系统和拍摄人员拍摄技巧提出了严格的要求，在多数情况下，在采集图像时使用的装置多为廉价传感器。但传感器容易受到光照和噪声的影响，其图像采集质量也会因此而降低，无法满足使用者的需求。而改进Retinex的低光照图像增强方法的应用，有利于提升图像质量。

1 算法的提出

研究结果表明，在图像增强方面，Retinex模型的应用效果极为显著，图像增强原理为L=R·T。在这个模型中，反射图像由R表示，照明图像由T表示。为降低计算复杂度，Retinex算法会使用对数变换。假设低光照图像具有三个共享通道，可以用T代表一个通道的照明图，而三个通道的照明图则由表示，分解已知图像，促使其转换为所需光照增强场景和照明图的乘积，就是这个模型的物理意义。

1.1 图像平滑取类获取细节图

在初期，我们需要通过平滑取类的方式，对图像进行去纹处理，总共有两个步骤，第一个步骤是检测图像像素，第二个步骤是对图像区域内的像素点进行平滑聚类。在平滑聚类后得知，图像窗口中心像素点(i,j)的灰度值为f(i,j)，像素点集合为Si, j和窗口全部像素值的平均值AUg(Si, j)的公式如下：

对像素点(i,j)做中值平滑，即可得到灰度值，这里所说的像素点，主要是指滤波窗口中心的像素点。滤波操作可以模糊边界，在此基础上，以Lbase为基础层，有助于低光照图像中细节层Ldetail的提取，在提取完成后，对其进行单独保存，在最后融合阶段将其加入到图像之中即可。

1.2 对照明图进行初始化

1.3 优化照明图

通过上文分析可知，光照估计在局部一致性中受益，会导致不同区域的增强效果出现差异，这些策略的运用，有助于照明图像局部一致性的增强，但由于其结构未知，因此，需要将初始照明度作为基础，通过优化问题的方式，使整体结构的得到保留，同时，还能对细节进行平滑纹理。其公式如下所述：

由此可见，设置合适的权值矩阵对于优化照明图而言极为关键，需要选择合适方法设置权重。

通过max-RGB初始化的照明图如图1(a)所示，在这种方法下得到的光照图，具有均匀性的特点，但仅能促进全局照明度的提升，如果图像属于非均匀照明图，这种方法很难取得应用效果。在观察图1中(b)图像后得知，双边滤波方法的应用，可以使图像的色彩丰富度得到提升，但容易模糊调色板的颜色，并且调色板和植物细节会损失；图1(c)图像是应用总变分最小法调整后的照明图，图像具有非常高的清晰度，但背景信息却受到了不利影响，具体表现为花盆后的场景信息十分模糊，已经无法使用。虽然图1(b)和图1(c)在解决非均匀图像处理问题时，可以起到一定的图像增强效果，但这两种方法的增强结果会导致图像不同位置细节信息的丢失受损，而本文所研究的方法，相较于上述三种方法而言，图像增强效果极为显著，可以充分显示图像中的细节信息。

图1 多种算法对光照图像的优化结果

2 仿真实验

2.1 对比方法和参数设置

本文将Matlab R2018a平台作为的实验平台，为确保实验效果的准确性，所选取的图像，其来源均为ExculusivelyDark数据集，这个数据集属于弱光图像的集合，从中选择数据，可以对常用图像增强方法和本文所研究的方法进行对比。实验方法的特点如下所述：

第一，LE。通过等比例拉伸的方式，使图像的整体亮度提升，但容易在参数饱和与截断的影响下损失灰度级。第二，GC。通过调节图像对比度的方式，使光照不均和局部阴影现象得到控制。但这种方法的应用，会导致图像中的部分细节消失。第三，SSR。将原始图中的低频照射部分去除，仅保留高频分量，能够使图像中的边缘信息得到增强，但由于对比度范围较小，结果容易失真。第四，MSR。具有色彩增强的功能，可以保持图像的真实度，但却不适用于亮度差距过大的图片，具体表现为增强亮度较高的图像，容易出现光晕，导致阴影边界突出。第五，MSRCR。能够对颜色失真缺陷进行调节，这里所说的颜色失真缺陷其产生原因是局部区域对比度增强，与此同时，还能使局部对比度提升，调节后的图像与真实场景相似程度高，视觉效果极为显著，但与MSR方法相同，这种处理方法在调节亮度较高的图像时，容易出现光晕。此外，色彩保持能力不强，同样是这种方法的缺陷。第六，MSRCP。在处理RGB空间时，可以取得良好的效果，但与MSR、MSRCR存在相同的缺陷，在此不做过多赘述。第七，Retinex能够对低光照图像视觉效果进行强化，同时还能表示图像分解，这对于图像亮度调节而言，具有十分重要的意义。但增强后的图片，却存在强光区域失真的现象。第八，本文所研究的图像增强方法，所得到的图像十分自然，真实度高，色彩保持能力强，颜色丰富，能够充分显示图像的细节。

2.2 对滤波算法进行确定

对图像预处理，使细节层分离，是增强图像的重要步骤，有利于图像增强后细节纹理的保护。而选择合适的滤波方法，是提升处理效果的有效途径，为此，本文通过实验的方式，对几种滤波方法的效果进行评价，实验方法包括均值滤波、高斯滤波、最小值滤波、最大值滤波和中值滤波。实验结果表明，相较于其他方法，中值滤波法的耗时仅落后于高斯滤波，在综合考虑耗时和提取效果因素后，本文将中值滤波方法作为主要选择。

2.3 实验结果

仅通过视觉效果或某项评价指标数值，对图像增强后的质量进行评价，很难保证评价结果的准确性。因此，本文以能量梯度、空间频率为评估函数，对基于改进Retinex的低光照图像增强方法进行评价，结果如下所述：

第一，能量梯度函数在提取边缘信息时较为常用，一般情况下，图像对焦效果越好，其边缘就更加尖锐，梯度值也更大。实验结果表明，基于改进Retinex的低光照图像增强方法，在大多数图像处理中，能量梯度函数均大于其他方法。第二，空间频率函数属于对比感受性函数，在视觉系统中的应用较为普遍。实验结果表明，基于改进Retinex的低光照图像增强方法，其函数结果大于其他函数，这表明，本文方法具有良好的增强效果，能够在最大程度上保持图像的真实性。

结论：本文所研究的图像增强方法，与其他方法相比，在各个性能指标上均具有良好的表现，且稳定性较强。虽然在EG评估质量函数指标中部分函数值低于其他方法，但指标数值位于正常范围。再加上图像视觉效果显著，表明基于改进Retinex的低光照图像增强方法，在保留图像细节信息方面，效果极为显著。