HSV空间的多尺度Retinex低照图像增强

唐 超

（广州科技职业技术大学信息工程学院，广州 510550）

0 引言

图像增强的目的在于提升图像的视觉效果，突出人们感兴趣或者重要的部分，发掘图像的有效信息。最初的低照图像增强方法为统一提升图像的亮度，但是部分亮度较高的区域会产生过增强；直方图均衡化以拉伸图像的像素动态范围提升图像的对比度；但是对于部分图像会产生失真效果。基于Retinex 理论的增强方法［1-3］将图像分解为光照图像和反射图像两部分，对光照图像进行增强处理以提升图像的亮度。Wang等［4］设计了亮通滤波器以用于Retinex 分解，设法在保持图像自然度的同时增强低照图像的细节。Fu等［5］使用Sigmoid函数和自适应直方图均衡化对光照图像进行增强。但是其对多种增强技术的融合缺乏鲁棒性，难以适用于性质不同的图像。Guo 等［6］用R、G和B通道中的最大值作为光照图像的像素估计值，在初始光照图上施加1 个先验结构来改善初始光照图。基于鲁棒的Retinex模型，Ren等［7］提出一种序列算法以估计分段光滑的光照图像和去噪的反射图像，以增强低照图像。为提高低照图像的对比度和消除光晕伪影，王彦林等［8］设计一个由全局照度、局部照度和反射率乘积构成的改进成像模型。但是其对全局照度、局部照度和反射率进行伽玛校正的伽玛因子缺乏理论依据。黄丽雯等［9］提出混合空间的增强方法，以增强低照图像的边缘和细节。Li等［10］用ł1范数约束光照的分段平滑度，采用保真度项增强反射图像的结构细节。Wang等［11］提出一种吸收光散射模型，该模型能够从低照图像中再现隐藏的轮廓和细节。由于成像的硬件条件和环境条件较复杂，所提出的模型未必适用于性质不同的各种图像。为了在图像增强中有效地恢复低照区域的细节，Wang 等［12］在神经网络中引入中间光照图像，将输入图像与预期的增强图像进行关联，训练网络使其有效地学习丰富多样的光照条件。李志海等［13］对图像的细节图像和基础图像分别构造增益系数，以解决增强过程中存在的光晕伪影和低对比度问题，但是其对图像的色调分量和饱和度分量进行空域滤波，会破坏图像的自然度，引入失真的效果。Gu等［14］将分数阶变分模型应用于光照图像和反射图像。黄慧等［15］结合平滑聚类和改进的Retinex 算法将图像分解为基础层和细节层，根据局部一致性优化光照图像。张江鑫等［16］用多尺度Retinex 算法和指数变换对图像的高频成分进行增强，而线性拉伸低频成分。这些方法在一定程度上改善了图像的光照条件，提升图像的对比度，但在一定程度上也引入了失真效果，破坏了图像的自然效果。

为了在提升低照图像的光照条件的同时，提升对比度和保持图像的自然效果，本文提出了HSV空间的多尺度Retinex 低照图像增强方法（Low Illumination Image Enhancement Based on Multiscale Retinex in HSV Space，IEMRH）。在HSV空间中，将图像的明度分量V进行多尺度分解，分别对其光照图像进行指数矫正，然后将增强后的各尺度明度分量的均值图像作为增强的明度分量V′，与色相分量H和饱和度分量S进行重组得到最后的增强图像。

1 HSV色彩空间

RGB颜色空间用红色（R）、绿色（G）和蓝色（B）3通道表示1 张图像，用3 个颜色分量的线性组合来表示颜色。但是3 个颜色分量都与亮度密切相关，皆随亮度的改变而改变，因此，RGB 颜色空间是1 种均匀性较差的颜色空间，适合于显示系统，但不适合于图像处理。

HSV色彩空间直观地表达了颜色的色调、鲜艳程度和明暗程度，便于颜色的对比。HSV 表达彩色图像的方式由3 个部分组成：Hue（色调），Saturation（饱和度）和Value（明度）。色相决定色彩偏向于红、绿、蓝的哪一方，低色调偏向红色，中色调偏向于绿色，高色调偏向于蓝色。饱和度决定颜色空间中颜色分量，饱和度越高，颜色越深，饱和度越低，说明颜色越浅。明度决定颜色空间中颜色的明暗程度，明度越高，表示颜色越明亮鲜艳，明度起到控制RGB组合色明暗程度的作用。RGB空间转为HSV空间的定义为［17］：

式中，R、G和B分别表示RGB图像的红、绿、蓝3 通道图像，其取值范围为［0，255］。

2 Retinex理论

Retinex理论的基本内容为：物体的颜色由物体对长波（红）、中波（绿）和短波（蓝）光线的反射能力决定，而不是由反射光强度的绝对值决定。物体色彩不受光照非均匀性的影响，具有一致性，即Retinex 以色感一致性（颜色恒常性）为基础［18］。Retinex 可以在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡，可以对各种不同类型的图像进行自适应的增强。

Retinex模型是根据人类视觉感知系统提出的图像分解方法，认为图像I可由光照图像L和反射图像R两部分组成：

光照图像L可用低通滤波器对图像进行滤波而得到；而反射图像通过对数变换得到，

一般地，低通滤波器采用用高斯函数

式中，x和y为对应的空间坐标。低通滤波的效果取决于滤波器的大小，即滤波邻域的大小。邻域越大，滤波效果越模糊，去除的纹理和细节越多。用邻域大小为17 ×17 的高斯滤波作为Retinex 的低通滤波器，对图像4（a）进行Retinex分解的效果如图1 所示。

图1 Retinex分解图像

3 多尺度指数矫正的明度增强

单尺度的Retinex 图像增强往往难以取得理想的增强效果，因为单一尺度难以兼顾小、中和大尺度的纹理细节的保持。因此，根据高斯滤波对纹理细节的滤波效果，本文选择r1＝5、r2＝11 和r3＝17 作为多尺度Retinex分解的高斯滤波的半径。一般地，r1＝5 体现小尺度的纹理细节；r2＝11 体现中尺度的纹理细节；而r3＝17 体现大尺度的纹理细节。根据式（1）～（4），将图像转换到HSV色彩空间，得到H、S和V分量。将V分量进行多尺度分解，得到光照图像L1、L2、L3和反射图像R1、R2、R3。然后对光照图像Lx（x＝1，2，3，x为多尺度分解的序号）进行指数矫正

将指数矫正后的光照图像L′x（x＝1，2，3）分别与对应的Rx（x＝1，2，3）进行Retinex 重构，得到增强的明度分量Vx（x＝1，2，3）

将增强的多尺度明度分量Vx（x＝1，2，3）的均值图像作为增强的明度分量

最后将增强的明度分量V′与H、S重组，得到最后的增强图像。

多尺度Retinex指数矫正的明度增强的流程图如图2 所示。

图2 多尺度指数矫正的明度增强的流程图

指数γ对光照图像的亮度进行提升或压缩，当γ＜1 时，提升图像暗区的亮度，压缩亮区的亮度。对图像的亮度进行自适应的局部调整，在提升暗区亮度的同时，有效防止亮区过增强，如图3 所示。在数据集Exclusively Dark［19］上运用试错法进行实验，一般地，用γ ＝0.28 对图像的明度分量的光照图像进行指数矫正，可以实现近似最优的增强效果。

图3 指数变换函数

4 实验分析

用Intel i5 CPU和8GB内存的PC和Matlab 2019a作为实验工具，实验所用的低照图像如图4 所示，均为选自Exclusively Dark数据集［19］。根据视觉感知、直方图与信息熵［20］，以比较的方式评价所提出方法IEMRH的有效性。视觉感知从主观上度量图像的亮度适宜度和对比度等，直方图分布从客观上度量图像像素分布的合理性，信息熵用分析统计的方法表示图像的信息量，熵越大，图像的纹理和细节更丰富。用作参照的方法为文献［6，10，13，16］中提出的方法。

图4 不同实验图像

4.1 视觉感知

对低照图像Girl用5 种方法进行增强的图像如图5 所示。文献［10］中的方法虽然能提升图像的亮度和对比度，但是效果过于鲜艳，缺乏自然度和逼真；文献［13］中的方法存在对原图像的亮区域过增强，而对暗区域增强不足的缺陷；文献［16］中的方法增强图像整体泛白，对比度不足以及颜色产生了变化；文献［6］中的方法与IEMRH 的增强效果较好，两者的效果不相上下，但是细心观察可以看出，IEMRH 的增强图像自然度和逼真性比文献［6］要好一些。

图5 对Girl用5种方法处理的增强图像对比

对低照图像Columns用5 种方法进行增强的图像如图6 所示。文献［6］中的方法增强效果偏暗，对比度不高，部分图像细节未能清晰显示；文献［10］中的方法增强效果部分失真，色彩过于鲜艳；文献［13］中的方法增强效果亮度充足，但是存在过增强的缺陷，比如白色柱子的表面过于耀眼；文献［16］中的方法增强效果泛白，亮度偏暗，对比度不高。相对地，IEMRH的增强效果色彩自然，对比度较高，最右边的砖面以及最上面的屋檐的纹理都较清晰地显示出来。

图6 对Columns用5种方法处理的增强图像对比

4.2 直方图分布

对低照图像进行增强，就是要在保持图像颜色自然度的同时，一方面将所有的像素在整个像素值范围内分布，扩大像素的动态范围；另一方面整体提升低照图像的亮度，将暗区的细节和纹理结构显示出来。

对低照图像OnGra用5 种方法进行增强后对应的直方图如图7 所示。原图的像素动态范围较小，150以上的像素值几乎没有像素，绝大多数的像素值较小，集中于暗区；文献［6］中的方法在一定程度上扩大了像素的动态范围，但是像素值210 以上的像素还是极少，分布范围不够大，而直方图的峰中心偏左，图像的整体亮度偏暗；文献［10］中扩大了像素的分布范围，但是像素值为220 以上的像素极少，分布范围不够大，其直方图的峰的中心偏左，图像的整体亮度不够；文献［13］中将像素在全部像素范围内进行重分布，但其不足之处在于，像素在所有的像素级上均匀地分布，图像的对比度稍差；文献［16］中的直方图峰中心接近中间，其整体亮度适宜，但是对于像素值200 以上的像素范围没有充分利用；IEMRH相对地充分利用了整个像素范围，将像素分布于所有像素值上，并且直方图的峰中心居中央，整体亮度较适宜，自然度较好。因此，从增强图像的直方图来看，IEMRH的增强效果在图像的亮度、对比度和自然度方面都优于现有方法。

图7 对OnGra用5种方法进行增强后对应的直方图

4.3 信息熵

图像的信息熵越大，图像的纹理和细节越明显，包含的信息量越大。上述5 种方法对图4 中各图像进行增强后对应的信息熵如表1 所示。表1 的行标题为图像名，列标题为增强所用的方法：对图像Girl，文献［6，10］中的方法所得到的信息熵值较高，IEMRH 得到的熵最高，比文献［6，10］高出约0.06；对图像Columns，文献［13］中的方法增强图像的熵较高，文献［6，10］其次，IEMRH对应的熵最高，比最好的现有方法高出0.6；对图像OnGra，增强后所得到对应的熵，IEMRH最高，其次是文献［13，6］；对于图像WaterC，文献［6］中的增强图像的熵较高，其次是文献［13］的方法，IEMRH对应的熵最高，相对较高的文献［6］还高出0.21。根据对图4 中所有图像进行增强而得到的熵可以看出，现有的4 种方法的相对优劣，根据图像的不同而不同，但是IEMRH始终保持较高的信息熵，其增强图像的纹理细节较丰富，对比度较高。

表1 5 种方法对图4 中各图像增强后的信息熵

5 结语

为了降低增强图像的失真，在提升亮度和对比度的同时保持图像的自然度，提出了HSV空间的多尺度Retinex低照图像增强算法。在HSV 色彩空间中，将明度分量进行多尺度Retinex分解和指数矫正，取增强的多尺度明度分量的均值图像作为增强的明度分量，经HSV空间重组得到增强图像。主客观的实验结果证明了所提方法的有效性，相对于部分最新提出现有的方法，本文IEMRH的图像增强效果更好，亮度和自然度更适宜。