CN102044070A - 一种基于Retinex的非线性彩色图像增强方法 - Google Patents

Abstract

本发明提出了一种基于Retinex的非线性彩色图像增强方法。该算法首先将图像从RGB空间转换到YCbCr空间，从而避免了直接在RGB空间进行处理时易造成颜色失真的缺陷，然后采用改进的Retinex照射反射模型进行局部自适应增强，很好地保留了图像的细节信息，再利用Gamma校正做全局亮度调整，对图像的整体动态范围进行压缩，最后再将图像从YCbCr空间转换到RGB空间。实验结果没有出现颜色失真现象，在改善视觉效果的同时也增强了图像的细节信息。

Description

一种基于Retinex的非线性彩色图像增强方法 

技术领域：

本发明属于图像增强领域，是一种基于Retinex的非线性彩色图像增强方法。 

背景技术：

Retinex理论是由Land提出的一个关于人类视觉系统如何调节感知到物体的颜色和亮度的模型，指出了图像色彩的恒常性，也就是说同样的物体在不同的光源或光线底下颜色是恒定的。根据Retinex理论，人眼中的图像的成像主要由两个元素决定，分别为入射光和反射物体，相应地一幅图像可以看成是由光照图像和反射图像两部分组成。在颜色恒定的条件下，就可以分别对光照图像和反射图像进行调整来达到图像增强的目的(参考对比文件1，2)。Horn指出光照可以用二维Laplacien加以估计(参考对比文件3)。Hurlbert从数学角度对Retinex理论进行了研究，并指出光照估计问题等价于泊松方程的求解(参考对比文件4)。在此基础上，Jobson等人提出了单尺度Retinex(SSR)、多尺度Retinex(MSR)和多尺度Retinex彩色恢复(MSRCR)算法，用于增强图像的对比度(参考对比文件5，6，7)。事实上，由于SSR和MSR等算法都假设光照在空间上是均匀分布的，这样就导致在高对比度边缘附近容易出现光晕现象；另外由于需要进行卷积运算，计算复杂性也较高。此后还有一些学者提出了一些改进算法。Kimmel等人提出了一种Retinex的变分表达形式(参考对比文件8)。Maylan等人在Retinex方法的基础上提出了一种全局处理和局部处理相结合的方法(参考对比文件9)。 

对比文件1：Land E，McCann J.Lightness and Retinex theory.Journal of The Optical Society of America，1971，61(1)：1～11 

对比文件2：Land E.Recent advances in Retinex theory and some implications for cortical computations：Colorvision and the natural image[J].Proceedings ofthe National Academy of Sciences ofthe United States of America，1983，80(16)：5163～5169 

对比文件3：Horn B K P.Determining lightness from an image.Computer Graphics and Image Processing，1974，3：277～299 

对比文件4：Hurlbert A.Formal connections between lightness algorithms.Journal of the Optical Society ofAmerica A，1986，3：1684～1692 

对比文件5：Jobson D J，Rahman Z，Woodell G A.Properties and performance of a center/surround retinex [J].IEEE Trans.Image Process(S1057-7149)，1997，6(3)：451～462 

对比文件6：Rahman Z，Jobson D J，Woodell G A.Image enhancement，image quality，and noise[J].Proceedingof SPIE(S0277-786X)，2005，5907：59070N 

对比文件7：Rahman Z U，Jobson D J，Woodell G A.Retinex processing for automatic image enhancement[J].Journal of Electronic Imaging(S1017-9909)，2004，13(1)：100～1110 

对比文件8：Kimmel R，Elad M，Shaked D，et al.A variational framework for retinex [J].Int.J.Comput.Vis(S0920-5691)，2003，52(1)：7～23 

对比文件9：Meylan L，Susstrunk S.High dynamic range image rendering with a Retinex-based adaptive filter[J].IEEE Transactions on Image Processing，2006，15(9)：2820～2830 

发明内容：

提出了一种基于Retinex的非线性彩色图像增强方法。该算法首先将图像从RGB空间转换到YCbCr空间，从而避免了直接在RGB空间进行处理时易造成颜色失真的缺陷，然后采用改进的Retinex照射反射模型进行局部自适应增强，很好地保留了图像的细节信息，再利用Gamma校止做全局亮度调整，对图像的整体动态范围进行压缩，最后再将图像从YCbCr空间转换到RGB空间。 

其中基于Retinex的非线性彩色图像增强方法可分为以下四个阶段： 

1)图像预处理：图像预处理主要包括两个部分：归一化和空间转换。将图像数据转换到[0，1]区间，然后再将归一化后的图像数据从RGB空间转换到YCbCr空间。 

2)局部自适应增强：通过对原始图像进行Mean Shift滤波估计出照射分量，然后采用改进后的Retinex模型得到增强后的亮度分量。 

3)全局亮度调整：利用Gamma校正对图像进行全局的调整，提高图像的整体亮度。 

4)图像恢复：图像恢复与图像预处理相对应，包括空间转换和归一化。 

本发明所提出的基于Retinex的非线性彩色图像增强方法，首先将图像从RGB空间转换到YCbCr空间，然后进行全局和局部两方面的调整，再将结果转换到RGB空间，从而实现了图像的增强。由于采用了空间变换的方法，从而避免了颜色的失真，同时在局部自适应增强的过程中对原有的Retinex照射反射模型进行了改进，采用了加权求和的形式，所以图像的细节信息也得到了很好的保留。 

附图说明：

图1是Man原始图像(图像数据来自于L.Meylan的主页http://lcavwww.epfl.ch/alumni/meylan/)。 

图2是Man图像用MSRCR算法增强得到的结果图。 

图3是Man图像用本发明提出的算法增强得到的结果图。 

图4是北京师范大学主校区IKONOS遥感影像。 

图5是对遥感影像用MSRCR算法增强得到的结果图。 

图6是对遥感影像用本发明提出的算法增强得到的结果图。 

图7是本发明整体流程图。 

具体实施方式：

本发明的目的在于实现一种避免颜色失真和增强细节信息的图像增强方法：基于Retinex的非线性彩色图像增强。具体步骤如下：首先进行图像预处理，然后对图像进行局部和全局两方面处理，最后进行图像恢复。 

1)图像预处理 

为了确保图像数据在同一个数量级上进行运算，我们先要对图像数据进行归一化的处理。图像的归一化处理可以将图像数据转换到一个预先设定的变化范围。设I(i，j，k)为图像像素点(i，j)第k通道的值，图像的大小为m×n，有R、G、B三个通道，图像数据中的最小值和最大值分别为min(I)和max(I)。设N(i，j，k)为图像数据归一化处理后像素点(i，j)在第k通道的取值，设定的变化范围是[a，b]，计算公式如下： 

$N(i,j,k)=\frac{(b-a)[I(i,j,k)-\min \left(I\right)]}{\max \left(I\right)-\min \left(I\right)+1e-9}+a$

由于出现了除法运算，一旦分母为0，将导致程序无法正确运行。为了克服这个缺陷，可在分母加上一个极小的数以避免除零的情况发生，我们这里取的是le-9。设定的变化范围是[0，1]。 

为了避免颜色失真，我们在YCbCr空间对图像进行增强。其中Y与YUV空间中的Y含义一致，代表亮度分量，Cb，Cr同样都指色彩，只是在表示方法上不同而已。由RGB空间到YCbCr空间的转换公式如下： 

$\left\{\begin{array}{c}Y=0.299R+0.587G+0.114B\\ \mathrm{Cb}=-0.169R-0.331G+0.500B\\ \mathrm{Cr}=0.500R-0.419G-0.081B\end{array}\right.$

其中，R，G，B为彩色图像在RGB空间三个分量上的取值，Y，Cb，Cr为对应的像素点在YCbCr空间三个分量上的取值。YCbCr空间的图像数据我们记为Ybr。 

2)局部自适应增强 

记Ybr中的第一个分量即亮度分量为Y。一幅图像Y(x，y)由照射分量L(x，y)与反射分量R(x，y)两部分构成，即： 

Y(x，y)＝L(x，y)R(x，y) 

在对数域中可表示为： 

In Y(x，y)＝lnL(x，y)+lnR(x，y) 

在本发明中我们采用Mean Shift滤波进行光照估计，该滤波算法可以有效地消除光晕现象。 

在对数域中，反射图像可以表示为(数据经过了归一化，数值范围是[0，1])： 

lnR(x，y)＝lnY(x，y)-lnL(x，y) 

我们将增强后的亮度分量记为Y′(x，y)，则有： 

Y′(x，y)＝exp[k₁·lnR(x，y)+k₂·lnL(x，y)] 

＝exp[k₁·(lnY(x，y)-lnL(x，y))+k₂·lnL(x，y)] 

＝exp[k₁·lnY(x，y)+(k₂-k₁)·lnL(x，y)] 

最终在改进的Retinex照射反射模型中，Y′(x，y)可表示为：(令t₁＝k₁，t₂＝k₂-k₁) 

Y′(x，y)＝exp[t₁·ln Y(x，y)+t₂·lnL(x，y)] 

3)全局亮度调整 

利用Gamma校正对图像进行全局的调整，提高图像的整体亮度。调整的方法为 

$I^{\′}=I^{\frac{1}{\mathrm{\γ}}}$

其中I为归一化到[0，1]的RGB空间的图像数据， 

当Y_avg大于2时，不进行整体动态范围压缩；Y_avg越小， 越小，对黑暗区的有拉伸的效果，这样可以保护细节，避免图像失真。Y_avg在对数域中进行计算： 

$Y_{\mathrm{avg}}=\frac{\underset{1\≤i\≤m}{\mathrm{\Σ}}\underset{1\≤j\≤n}{\mathrm{\Σ}}\ln Y(i,j)}{m\·n}$

对2)中得到的亮度分量Y′(x，y)进行同样的全局自适应调整，将全局调整后的图像数据由RGB空间转换到YCbCr空间，并将其中的第一个分量即亮度分量替换为Y′(x，y)，替换后的结果我们记为Ybr′。 

4)图像恢复 

图像恢复与图像预处理相对应，包括空间转换和归一化。 

将图像数据从YCbCr空间转换到RGB空间，变换的公式如下： 

$\left\{\begin{array}{c}R=Y+1.403\mathrm{Cr}\\ G=Y-0.344\mathrm{Cb}-0.714\mathrm{Cr}\\ B=Y+1.773\mathrm{Cb}\end{array}\right.$

仿真结果： 

1)使用MSRCR算法和本发明中算法分别处理同一幅彩色图像(图像数据来自于L.Meylan的主页http://lcavwww.epfl.ch/alumni/meylan/)，图像大小均为360×288。其中，图1为原始彩色图像，图2为MSRCR算法进行图像增强的结果，图3为本发明算法进行图像增强的结果。 

从数理统计和目视判读两方面分别对原始自然图像、MSRCR算法增强后的图像以及本发明算法增强后的图像进行分析和比较，结论如下： 

从图1，2，3中可以看出，原图的对比度偏低，一些暗处的细节不明显。MSRCR算法处理得到的结果与原图相比，许多暗处的细节都凸现出米了，但由于是直接在RGB空间进行处理的，所以颜色有些失真；用本发明的算法处理后，图像的对比度得到了增强，和MSRCR算法处理的结果相比，颜色没有失真，而且窗外天空中淡蓝色的云彩也得到了保留。 

从表1中可以看出，原图的亮度偏低，而MSRCR算法处理得到的图像的亮度偏高，而用本发明算法处理得到的图像的亮度介于两者之间，视觉效果较好。信息熵值越大，反映了图像携带的信息量越多；消晰度值越大，说明对应的图像越清晰。从表1中可以很明显地看出本发明算法处理得到的图像的信息熵值和清晰度值最大，MSRCR算法处理得到的图像次之，原始图像的信息熵值和清晰度值最小，这说明本发明算法处理得到的图像的细节信息最为丰富。 

2)采用的实验数据是SPOT5传感器的RGB波段构成的多光谱影像(预处理后)。实验区位于北京师范大学主校区，覆盖区域有操场、树木以及房屋。影像大小均为512×512，其中多光谱影像显示是由4、3、2三个波段合成的假彩色影像。其中，图4为原始遥感影像，图5为MSRCR算法进行影像增强的结果，图6为本发明算法进行影像增强的结果。 

从数理统计和目视判读两方面分别对原始遥感影像、MSRCR算法增强后的影像以及本发明算法增强后的影像进行分析和比较，结论如下： 

(1)从图4，5，6中可以看出，原图的对比度偏低，一些暗处的细节不明显。MSRCR算法处理得到的结果与原图相比，对比度得到了增强，但整体颜色偏绿；由于本发明算法中采用了空间变换的方法，因此影像的对比度得到了增强的同时，却没有出现颜色失真的现象。 

(2)从表2中可以看出，原图的亮度偏低，而MSRCR算法处理得到的影像的亮度偏高，而用本发明算法处理得到的影像的亮度介于两者之间，视觉效果较好。从表2中可以很明显地看出本发明算法处理得到的影像的信息熵值和清晰度值最大，MSRCR算法处理得到的影像次之，原始影像的信息熵值和清晰度 值最小，这说明本发明算法处理得到的影像的细节信息最为丰富。 

表1Man图像处理结果的对比表 

表2对遥感影像处理结果的对比表 

Claims (3)

1.一种基于Retinex的非线性彩色图像增强方法，其特征在于：本方法依次包括图像预处理、局部自适应增强、全局亮度调整、图像恢复四个过程。

2.如权利要求1所述的一种基于Retinex的非线性彩色图像增强方法，其中基于图像预处理的特征往于：对图像数据进行归一化处理，然后将图像数据从RGB空间转换到YCbCr空间，接下来的处理过程均在YCbCr空间进行处理。

3.如权利要求1所述的一种基于Retinex的非线性彩色图像增强方法，其中基于局部自适应增强的特征在于：在局部自适应增强的过程中对原有的Retinex照射反射模型进行了改进，采用了加权求和的形式，所以图像的细节信息也得到了很好的保留。

Images