CN103839245A - 基于统计规律的Retinex夜间彩色图像增强方法 - Google Patents

Abstract

基于统计规律的Retinex夜间彩色图像增强方法属于夜间彩色图像处理技术领域，其特征在于，分析输入图像与基于双边滤波的Retinex算法处理得到的或者输入图像与基于多尺度的Retinex算法处理得到的光照估计图像像素值之间的变换关系，变换关系曲线用圆形曲线进行拟合。拟合过程中，按所述变换关系曲线均过点(255,255)以及用输入图像各点像素值的均值表示圆形曲线与Y正半轴的交点坐标的统计方法来求解圆半径值及圆心坐标值，从而得到输入图像与拟合后光照估计图像的圆形曲线表达式，进而得到基于统计规律的输入图像的反射图像。本发明与现有的Michael Elad提出的算法以及MSRCR算法相比，在图像的对比度、算法时间复杂度以及增强效果上均有所提高。

Description

基于统计规律的Retinex夜间彩色图像增强方法

技术领域

本发明涉及图像处理领域，具体涉及一种夜间彩色图像处理方法及系统。

背景技术

在夜间获取的图像，由于照明强度的影响，会导致图像可视效果下降。因此需要对夜间图像进行处理，改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。

目前对于夜间图像质量增强的技术主要包括图像融合和图像增强。图像融合技术包括夜间图像与可见光图像融合以及夜间图像与红外图像融合，此类方法都需要在同一场景下采集多幅不同频谱的图像且算法复杂耗时。图像增强技术可分为空间统一方法和空间非统一方法两类。空间统一方法主要包括：对数压缩，伽玛校正，直方图均衡，线性拉伸；这类方法计算高效，实现简单，但是效果往往不能满足实际的应用。空间非统一方法主要包括：局部直方图均衡，基于人眼对比敏感度的方法，基于Retinex方法等；这类算法往往算法效果较好。其中基于Retinex模型的增强算法对夜间图像具有较好的增强效果。根据估计亮度图像的方法不同，基于Retinex模型的增强算法大致分为基于路径比较的方法、基于迭代的方法和中心环绕计算方法等。其中，中心环绕的Retinex算法是使用最为广泛的方法。具有代表性的有单尺度Retinex（Singlescale-Retinex,SSR）算法和多尺度Retinex（Multiscale-Retinex,MSR）算法，以及在此基础上为了克服颜色失真问题而提出的颜色复原的多尺度Retinex（Multiscale-Retinex with color restoration,MSRCR）算法。鉴于中心环绕方法存在“光晕伪影”的现象，Michael Elad等提出了基于双边滤波的Retinex算法，该算法能够有效地消除“光晕伪影”现象；Meylan等提出了一种基于中心/邻域Retinex模型的自适应滤波方法，根据图像边缘方向自适应调整滤波器的形状，以此抑制图像边缘处的Halo效应，但仍不可避免地在图像边缘处产生过增强现象。

发明内容

本发明的目的在于提出一种基于统计规律的Retinex夜间彩色图像增强方法。

本发明的特征在于，在计算机中是依次按以下步骤实现的：

步骤(1)，计算机初始化：

预置：双边滤波的Retinex算法及多尺度Retinex算法；

步骤(2)，读取一幅未处理图像，简称原图像；

步骤(3)，把步骤2得到的一幅未处理图像的数据从RGB颜色空间转换到HSV颜色空间，对其中的亮度分量V按以下步骤进行夜间彩色图像增强操作；

步骤(4)，对所述原图像进行基于双边滤波的Retinex算法处理，得到基于双边滤波的Retinex算法的光照估计图像，对所述原图像进行基于多尺度的Retinex算法处理，得到基于多尺度的Retinex算法的光照估计图像；

步骤(5)，分析原图像与步骤(4)得到的两类所述的光照估计图像像素值之间的变化关系，步骤如下：

步骤(5.1)，输入所述原图像的各点的像素值k，得到各个像素值对应位置的所述基于双边滤波的Retinex算法的光照估计图像像素值的集合S₁，取所述集合S₁的各点像素值平均值为m1；

步骤(5.2)，输入所述原图像的各点的像素值k，得到各个像素值对应位置的所述基于多尺度的Retinex算法的光照估计图像像素值的集合S₂，取所述集合S₂的各点像素值平均值为m₂，分析得到两条所述原图像像素值和对应的双边滤波的Retinex算法处理的光照估计图像像素值及原图像像素值与对应的多尺度Retinex算法处理的光照估计图像像素值之间的变换曲线，分析得到的每组两条曲线都通过点(255,255)；

步骤(6)，对步骤(5)得到的两种所述的变换关系中的任何一种变换关系按以下步骤用圆形曲线拟合，得到拟合后的圆形曲线表达式：

步骤(6.1)，设定所述圆形曲线的参数：

λ:所述的拟合圆形曲线与Y轴正半轴交点坐标的y值，

x₀:所述的拟合圆形曲线圆心O的X轴坐标，

y₀:所述的拟合圆形曲线圆心O的Y轴坐标，

r:所述的拟合圆形曲线的半径，

其中：

$y_0=\frac{{255}^2-{\mathrm{\λ}}^2/2-255*x_0}{255-\mathrm{\λ}}$

$r=\sqrt{{(x_0-255)}^2+{(y_0-255)}^2}$

步骤(6.2)，设定：λ等于所述原图像的各点像素值的平均值，x₀=max(127,round(6000*exp^-λ/30))，其中round()为取整函数的符号，x₀的下限阀值为127，

步骤(6.3)，根据步骤(6.2)的λ值得到y₀的值，

步骤(6.4)，通过圆心O的坐标及半径r得到所述的拟合的圆形曲线，表达式为：

$y=\sqrt{r^2-{(x-x_0)}^2}+y_0$

k为所述原图像的像素值，m_k为对应光照估计图像的像素值，则：

$m_k=\sqrt{r^2-{(k-x_0)}^2}+y_0$

步骤(7)，通过所述原图像的各点的像素值k，得到相应光照估计图像像素值m_k，从而得到光照估计图像M；

步骤(8)，按下式得到所述原图像的反射图像R,M为步骤(7)得到的光照估计图像，

logR＝logV-logM。

为验证本算法的有效性，本文对多幅夜间彩色图像进行了实验，并分别从主观视觉效果和客观评价两方面对其进行验证。将本算法与MichaelElad提出的基于双边滤波的Retinex算法和MSRCR算法进行比较。本发明采用图像均值、标准差、耗时对图像增强效果进行客观评价。均值反映了图像的明暗程度；标准差反映了图像的对比度；耗时反应了算法的时间复杂度（运行算法的计算机配置，CPU：Pentium(R)3.00GHz；内存：3.00GB；编写算法语言：Matlab）。部分客观比较试验结果如下表所示：

表1例1评价标准

表2例2评价标准

表3例3评价标准

表4例4评价标准

表5例5评价标准

由表1-5可以看出，均值方面，MSRCR算法对于均值的提高效果最为显著，表现为增强后的图像整体偏亮，本算法对均值的提升效果高于MichaelElad，图像整体适中，符合人的视觉感受；标准差方面本算法优于其他两种算法，表明本算法对图像对比度的增强效果显著，图像细节恢复效果明显；耗时方面本算法明显优于其他两种算法，表明本算法时间复杂度低。另外本算法不需手动控制参数，增大了算法的实用性。

经由上述的技术方案可知，与现有技术相比，本发明公开了一种基于统计规律的Retinex夜间彩色图像增强方法，通过分析输入图像像素值与光照估计图像像素值之间的变换关系，并用数学公式进行表达。能够简便准确的求解光照图像，进而通过Retinex理论获得结果图像。通过本发明的方法与系统，能够有效、快速的提升夜间彩色图像的对比度，恢复图像细节，消除“光晕伪影”现象。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种夜间彩色图像处理方法的流程图；

图2基于双边滤波的Retinex算法以及多尺度Retinex算法输入图像像素值与光照估计图像像素值之间的变换关系图(a,b,c,d为不同的四幅图像)。a-1、b-1、c-1、d-1：基于双边滤波的Retinex算法的输入图像与光照估计图像像素值之间的变换关系；a-2、b-2、c-2、d-2：多尺度Retinex算法的输入图像与光照估计图像像素值之间的变换关系；

图3为本发明增强结果和Michael Elad、MSRCR增强结果的主观效果对比例1，(a)原图像、(b)Michael Elad、(c)MSRCR、(d)本发明方法；

图4为本发明增强结果和Michael Elad、MSRCR增强结果的主观效果对比例2，(a)原图像、(b)Michael Elad、(c)MSRCR、(d)本发明方法；

图5为本发明增强结果和Michael Elad、MSRCR增强结果的主观效果对比例3，(a)原图像、(b)Michael Elad、(c)MSRCR、(d)本发明方法；

图6为本发明增强结果和Michael Elad、MSRCR增强结果的主观效果对比例4，(a)原图像、(b)Michael Elad、(c)MSRCR、(d)本发明方法。

图7为本发明增强结果和Michael Elad、MSRCR增强结果的主观效果对比例5，(a)原图像、(b)Michael Elad、(c)MSRCR、(d)本发明方法。

具体实施方式

根据Retinex理论，一幅图像可以表示为光照图像与反射图像的乘积，表示为：

I(x,y)＝R(x,y)·L(x,y)

其中，I为原始图像，R为反射图像，L为光照图像。由Retinex理论可知，物体在某个波段内的反射能力是物体本身固有的属性，即反射图像R决定了一副图像的内在性质。如果能从给定的图像中分离出光照和反射信息，在颜色恒定的约束下，可通过改变光照信息与反射信息之间的比例，达到图像增强的目的。在实际计算中，先利用对数变换将乘积转换为求和关系，表示为：

logR(x,y)＝logI(x,y)-logL(x,y)

由式得到反应实际场景信息的反射图像的对数表示，最后通过幂运算得到反应实际场景信息的反射图像R(x,y)，最终获得图像增强结果。

由式可知，Retinex算法的效果好坏主要取决于对光照图像的估计，好的估计能够得到更好的反射图像，从而使图像增强效果更加接近于真实场景。有鉴于此，本发明提出一种基于统计规律的Retinex夜间彩色图像增强方法，以解决现有技术的算法处理夜间图像时，造成的图像颜色失真、图像边缘处产生的过增强现象，以及高对比度区域产生的Halo效应的问题。

由于RGB彩色空间颜色的相关性，直接在RGB颜色空间（R代表红色通道，G代表绿色通道，B代表蓝色通道）增强彩色图像容易造成颜色失真，因此，本发明选择在色彩感知上更加接近人类视觉感受的HSV颜色空间（H代表色调分量，S代表饱和度分量，V代表亮度分量）对图像进行处理。本发明方法仅对HSV颜色空间中的亮度分量进行处理。

为了寻找原图像与光照图像像素值之间的对应关系，我们分别对基于双边滤波的Retinex算法以及多尺度Retinex算法输入图像与光照图像像素值之间的变换关系进行了分析。

读取多幅未处理图像以及基于双边滤波的Retinex算法和多尺度Retinex算法处理后的图像。根据Retinex理论可用原图像和结果图像得到两种算法的光照估计图像。记：输入图像为E,基于双边滤波的Retinex算法的光照估计图像为F，基于多尺度的Retinex算法的关照估计图像为G。

输入图像像素值k，则对应该像素值相应位置的光照估计图像像素值应为一个集合，即为s。取s各像素值的平均值m，则原图像与光照估计图像像素值之间的关系，实际为k与m之间的变换关系。这种变换关系的图形化反应为说明书附图2。

然后用圆形曲线表示原图像与光照估计图像之间的变换关系，通过观察图2，可知该圆始终过（255,255）点。为了方便计算参数设定为：λ：圆曲线与y正半轴交点的y坐标；x₀：圆曲线圆心x轴坐标；y₀：圆曲线圆心y轴坐标；r：圆半径。则:

$y_0=\frac{{255}^2-{\mathrm{\λ}}^2/2-255*x_0}{255-\mathrm{\λ}}$

半径r表示为：

$r=\sqrt{{(x_0-255)}^2+{(y_0-255)}^2}$

通过半径及圆心坐标可求得圆曲线表达式：

$y=\sqrt{r^2-{(x-x_0)}^2}+y_0$

此时得到的是含有未知参数为a、λ的圆形曲线，该圆表示着原图像与光照估计图像像素值之间的变换关系。对于输入的未处理的图像用其像素值均值来表示λ。用下式表示a。

x₀＝max(127,round(6000*exp^-λ/30))

此时得到的是无参数的圆形表达式来表示原图像与光照估计图像像素值之间的变换关系。将原图像像素值作为表达式的输入，输出即为光照估计图像相应位置的像素值，遍历整幅图像则得到了整幅光照估计图像。

根据Retinex理论求解反射图像即结果图像R：

logR＝logV-logM

其中V为原图像，M光照光照估计图像。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明公开了一种夜间彩色图像数据处理方法及系统，通过分析基于双边滤波的Retinex算法以及多尺度Retinex算法输入图像与光照估计图像之间的变换关系，利用得到的变换函数直接对照度图像进行求解，进而得到增强后的图像。下面对本发明的方法进行详细说明。

实施例：

如图1所示，本发明的方法主要包括以下步骤：

步骤S101，统计分析原图像与光照估计图像之间的变换关系。

执行步骤S101，读取原图像与基于双边滤波的Retinex算法及多尺度Retinex算法处理后结果图像的光照图像，并转换至HSV空间，本发明对图像V分量进行处理，统计的是V分量的变换关系。找出原图像像素值k与基于双边滤波的Retinex算法及多尺度Retinex算法增强后图像的光照图像对应像素值集合s。取集合s的平均值为像素值m，k、m之间的关系表示了原图像像素值与基于双边滤波的Retinex算法以及多尺度Retinex算法增强后图像的光照图像像素值之间的变换关系。

步骤S102，圆形曲线拟合变换关系。

执行步骤S102，根据上述步骤得到的变换关系，并用圆形曲线进行拟合，可知圆形曲线过（255，255）点，用圆形曲线进行拟合，并利用输入图像像素均值控制圆形曲线的参数，得到无参数的圆曲线表达式来表示原图像与光照估计图像像素值之间的变换关系。

步骤S103，计算光照估计图像。

执行步骤S103，将原图像像素值曲线的输入x,将求解的y作为结果图像的光照估计图像相应位置的像素值，遍历原图像的所有位置，求解光照估计图像。

步骤S104，计算结果图像。

执行步骤S104，根据Retinex理论求解反射图像即结果图像R：

logR＝logV-logM

其中V为原图像，M为上述步骤求解的光照估计图像。

Claims (1)

1.基于统计规律的Retinex夜间彩色图像增强方法其特征在于，在计算机中是依次按以下步骤实现的：

步骤(1)，计算机初始化：

预置：双边滤波的Retinex算法及多尺度Retinex算法；

步骤(2)，读取一幅未处理图像，简称原图像；

步骤(3)，把步骤(2)得到的一幅未处理图像的数据从RGB颜色空间转换到HSV颜色空间，对其中的亮度分量V按以下步骤进行夜间彩色图像增强操作；

步骤(4)，对所述原图像进行基于双边滤波的Retinex算法处理，得到基于双边滤波的Retinex算法的光照估计图像，对所述原图像进行基于多尺度的Retinex算法处理，得到基于多尺度的Retinex算法的光照估计图像；

步骤(5)，分析原图像与步骤(4)得到的两类所述的光照估计图像像素值之间的变化关系，步骤如下：

步骤(5.1)，输入所述原图像的各点的像素值k，得到各个像素值对应位置的所述基于双边滤波的Retinex算法的光照估计图像像素值的集合S₁，取所述集合S₁的各点像素值平均值为m1；

步骤(5.2)，输入所述原图像的各点的像素值k，得到各个像素值对应位置的所述基于多尺度的Retinex算法的光照估计图像像素值的集合S₂，取所述集合S₂的各点像素值平均值为m₂，分析得到两条所述原图像像素值和对应的双边滤波的Retinex算法处理的光照估计图像像素值及原图像像素值与对应的多尺度Retinex算法处理的光照估计图像像素值之间的变换曲线，分析得到的每组两条曲线都通过点(255,255)；

步骤(6)，对步骤(5)得到的两种所述的变换关系中的任何一种变换关系按以下步骤用圆形曲线拟合，得到拟合后的圆形曲线表达式：

步骤(6.1)，设定所述圆形曲线的参数：

λ:所述的拟合圆形曲线与Y轴正半轴交点坐标的y值，

x₀:所述的拟合圆形曲线圆心O的X轴坐标，

y₀:所述的拟合圆形曲线圆心O的Y轴坐标，

r:所述的拟合圆形曲线的半径，

其中：

$y_0=\frac{{255}^2-{\mathrm{\λ}}^2/2-255*x_0}{255-\mathrm{\λ}}$

$r=\sqrt{{(x_0-255)}^2+{(y_0-255)}^2};$

步骤(6.2)，设定：λ等于所述原图像的各点像素值的平均值，x₀=max(127,round(6000*exp^-λ/30))，其中round()为取整函数的符号，x₀的下限阀值为127，

步骤(6.3)，根据步骤(6.2)的λ值得到y₀的值，

步骤(6.4)，通过圆心O的坐标及半径r得到所述的拟合的圆形曲线，表达式为：

$y=\sqrt{r^2-{(x-x_0)}^2}+y_0$

k为所述原图像的像素值，m_k为对应光照估计图像的像素值，则：

$m_k=\sqrt{r^2-{(k-x_0)}^2}+y_0$

步骤(7)，通过所述原图像的各点的像素值k，得到相应光照估计图像像素值m_k，从而得到光照估计图像M；

步骤(8)，按下式得到所述原图像的反射图像R,M为步骤(7)得到的光照估计图像，

logR=logV-logM。

Images