CN103996179A - 一种基于单尺度Retinex的快速实时图像增强方法 - Google Patents

Abstract

本发明公开了一种基于单尺度Retinex的快速实时图像增强方法，包括以下步骤：第一步：读取RGB彩色空间中待增强的彩色图像；第二步，计算图像的尺寸，如大于标准尺寸，则对其进行降采样；第三步，将图像分解为R、G、B三个分量；第四步，对图像的各分量采用单尺度Retinex方法进行增强，得到各反射分量；第五步，对各反射分量取指数并合并得到增强的RGB图像；第六步，把得到的RGB图像转化为HIS图像，并用直方图均衡化进一步增强；第七步，把增强后的图像采用双线性插值法进行插值，得到输出图像。本发明利用单尺度Retinex方法对图像进行增强，通过对原始图像进行降采样，加快增强速度，从而达到实时增强的目的。

Description

一种基于单尺度Retinex的快速实时图像增强方法

技术领域

本发明属于数字图像增强技术领域，涉及一种快速实时图像增强方法。

背景技术

图像增强是图像处理领域的一个重要方面，也是图像处理领域的一个研究热点。图像增强的主要目的在于使人眼获得更好的视觉效果，或更方便计算机系统识别以满足系统对图像信息的需求。图像特征增强主要包括对比度、亮度、颜色等多方面的处理。传统的图像增强算法主要有：线性变换、直方图均衡化等。其中线性变换即比例变换，即因变量和自变量之间存在固定的比例系数，通常情况下线性变换是将图像中较小的灰度范围拉伸到较大的灰度范围，因此常称为灰度拉伸；直方图均衡化算法的基本思想是把原始图像的直方图变换为均匀分布的形式，这样能够增加像素灰度值的动态范围，从而达到增强图像整体对比度的效果。而近年来，基于人眼视觉系统模型的图像增强成为研究热点，在该理论的基础上提出了很多具有现实意义和应用价值的方法，Retinex方法就是其中一种。Retinex是由Retina(视网膜)和Cortex(大脑皮层)两个词组合成的，因此Retinex理论又被称为“视网膜大脑皮层理论”。Retinex理论主要包括两个方面：一方面是物体对不同波长的光线的反射能力决定了物体的颜色，另一方面是物体的色彩具有一致性，并不受光照的非均匀性影响。Retinex理论的基本原理是将一幅图像分为亮度图像和反射图像两部分，然后通过降低亮度图像对反射图像的影响而达到增强的目的。

发明内容

技术问题：本发明提供一种快速实时增强，增强效果好，大幅提高了图像增强效率的基于单尺度Retinex的快速实时图像增强方法。

技术方案：本发明的基于单尺度Retinex的快速实时图像增强方法，包括以下步骤：

步骤1：读取RGB彩色空间中待增强的彩色图像I，记该图像的数据大小为W×H×3，其中W和H都为正整数，分别表示彩色图像I的列数和行数，3表示图像的通道数；

步骤2：比较彩色图像I的尺寸W×H与设定的标准尺寸S_std的大小，如果W和H的乘积小于或等于S_std，则把彩色图像I作为后续处理的图像K(x,y)，并进入步骤3，否则按照下式对彩色图像I进行多次降采样，直至得到尺寸小于或等于S_std的图像K(x,y)后进入步骤3：

$G^{\′}(i,j)=\underset{m=-2}{\overset{2}{\mathrm{\Σ}}}\underset{n=-2}{\overset{2}{\mathrm{\Σ}}}w(m,n)G(2i+m,2j+n),$

其中，G'(i,j)表示降采样后图像G'的第i行第j列的像素，G(2i+m,2j+n)表示降采样前图像G的第2i+m行第2j+n列的像素，且有0≤i≤H_G'-1，0≤j≤W_G'-1，其中H_G'为图像G'的行数，W_G'为图像G'的列数，w(m,n)为5×5大小且具有低通滤波特性的窗口函数，其表达式为：

$\mathrm{\ω}(m,n)=\frac{1}{256}\left[\begin{array}{ccccc}1& 4& 6& 4& 1\\ 4& 16& 24& 16& 4\\ 6& 24& 36& 24& 6\\ 4& 16& 24& 16& 4\\ 1& 4& 6& 4& 1\end{array}\right],$

图像K(x,y)中，x和y是自变量，x表示像素点在图像中的行坐标，y表示像素点在图像中的列坐标，0≤x≤H_k-1，0≤y≤W_k-1，且x和y均为正整数，H_k和W_k分别表示图像K(x,y)的行数和列数；

步骤3：将图像K(x,y)分解为三个分量，并将各分量的像素值转化为浮点数，结果记为K_R(x,y)、K_G(x,y)和K_B(x,y)，其中K_R(x,y)、K_G(x,y)和K_B(x,y)分别表示图像K(x,y)在RGB彩色空间中的红色色度分量、绿色色度分量和蓝色色度分量；

步骤4：根据下式对所述步骤3得到的图像K(x,y)的转化为浮点数的三个分量分别采用单尺度Retinex方法进行增强，得到反射分量f_α(x,y)：

f_α(x,y)＝k_α(x,y)-log(H(x,y)*K_α(x,y))

其中，K_α(x,y)为图像K(x,y)的某一分量，α表示分量类型，取R、G或B，k_α(x,y)为K_α(x,y)取对数后的结果，即k_α(x,y)＝log K_α(x,y)；f_α(x,y)为k_α(x,y)的反射分量，H(x,y)为高斯卷积函数，由下式表示：

$H(x,y)=\mathrm{\λ}\·e^{\frac{-(x^2+y^2)}{{\mathrm{\σ}}^2}}$

其中，e为自然底数，σ表示尺度常量，取值设定在80至250之间，λ是满足下式条件的常量矩阵：

∫∫H(x,y)dxdy＝1；

步骤5：对所述步骤4中得到的反射分量f_α(x,y)取指数，得到反射图像F_α(x,y)：

$F_{\mathrm{\α}}(x,y)=e^{f_{\mathrm{\α}}(x,y)}$

然后将得到的反射图像F_α(x,y)的各分量F_R(x,y)，F_G(x,y)和F_B(x,y)组合得到增强的RGB图像F(x,y)；

步骤6：首先把RGB图像F(x,y)转化为HSI空间中的图像J(x,y)，其中H、S、I分别表示图像在HSI空间中的色调、饱和度和强度分量，转化公式如下：

$H=\left\{\begin{array}{cc}\mathrm{\θ},& B\≤G\\ 360-\mathrm{\θ}& B>G\end{array}\right.$

$S=1-\frac{3}{R+G+B}\left[\min (R,G,B)\right]$

$I=\frac{1}{3}(R+G+B)$

其中， $\mathrm{\θ}=\arccos \left\{\frac{\frac{1}{2}[(R-G)+(R-B)]}{{[{(R-G)}^2+(R-B)(G-B)]}^{1/2}}\right\},$

然后对所述强度分量I用直方图均衡化进一步增强得到增强后的强度分量I'，并把H、S、I'分量合成HSI空间中的图像，最后把该图像转化到RGB空间，记得到的RGB图像为P(x,y)；

步骤7：对图像P(x,y)采用双线性插值法进行插值，得到的大小为W×H×3的图像Q(x,y)作为最后的输出图像。

本发明方法的一种优选方案中，所述步骤2中，标准尺寸S_std的大小设定在以下范围内：

$\frac{320\×240\×L}{\max (W/H,H/W)}\≤S_{\mathrm{std}}\≤\frac{340\×260\×L}{\max (W/H,H/W)}$

其中，L是图像增强时所用处理器的频率，max(W/H,H/W)表示取W/H和H/W两个值中较大的那个。

有益效果：与现有的技术相比，本发明具有以下优点：

1、本发明采用单尺度Retinex方法对图像进行增强，相比多尺度Retinex方法、双边Retinex方法、三边滤波Retinex方法以及其他增强方法，单尺度Retinex方法的算法复杂度要低很多，因此运算量小，处理速度大大加快，能够很好的用在快速实时的图像增强场合；

2、本发明对彩色图像进行通道分离，并对各个通道分量进行对数变换，由于实数域中的乘法运算到对数域后变为加法运算，因此使得算法的复杂度进一步降低，运行速度得到更大的提高；

3、本发明对较大的待检图像进行降采样，降采样后图像的尺寸变小，使得运用增强算法的对象变小，在图像尺寸满足要求的范围内，大大加快了增强的速度，这样就能在单位时间内增强更多帧图像，在视频图像增强时能够满足实时性增强的要求。

附图说明

图1是本发明方法的整体流程图。

具体实施方式

下面结合实施例和说明书附图，对本发明的作进一步详细说明。

本发明的基于单尺度Retinex的快速实时图像增强方法，包括以下步骤：

步骤1：读取RGB彩色空间中待增强的彩色图像I，记该图像的数据大小为W×H×3，其中W和H都为正整数，分别表示彩色图像I的列数和行数，3表示图像的通道数；

步骤2：比较彩色图像I的尺寸W×H与设定的标准尺寸S_std的大小，如果W和H的乘积小于或等于S_std，则把彩色图像I作为后续处理的图像K(x,y)，并进入步骤3，否则按照下式对彩色图像I进行多次降采样，直至得到尺寸小于或等于S_std的图像K(x,y)后进入步骤3：

$G^{\′}(i,j)=\underset{m=-2}{\overset{2}{\mathrm{\Σ}}}\underset{n=-2}{\overset{2}{\mathrm{\Σ}}}w(m,n)G(2i+m,2j+n),$

其中，G'(i,j)表示降采样后图像G'的第i行第j列的像素，G(2i+m,2j+n)表示降采样前图像G的第2i+m行第2j+n列的像素，且有0≤i≤H_G'-1，0≤j≤W_G'-1，其中H_G'为图像G'的行数，W_G'为图像G'的列数，w(m,n)为5×5大小且具有低通滤波特性的窗口函数，其表达式为：

$\mathrm{\ω}(m,n)=\frac{1}{256}\left[\begin{array}{ccccc}1& 4& 6& 4& 1\\ 4& 16& 24& 16& 4\\ 6& 24& 36& 24& 6\\ 4& 16& 24& 16& 4\\ 1& 4& 6& 4& 1\end{array}\right],$

图像K(x,y)中，x和y是自变量，x表示像素点在图像中的行坐标，y表示像素点在图像中的列坐标，0≤x≤H_k-1，0≤y≤W_k-1，且x和y均为正整数，H_k和W_k分别表示图像K(x,y)的行数和列数；

S_std的确定方法如下：

分别选取尺寸在280×200到360×280范围内的17张不同尺寸的一组图片，每张图片的宽和高分别比前一张图片递增5，在主频为1GHz的处理器上分别对这17张图片进行增强处理，比较增强效果和增强所需的时间，选出实验效果最好的尺寸范围；

用上述方法分别对20组不同的图片进行处理，然后综合比较得到图像增强的最佳尺寸范围；

步骤3：将图像K(x,y)分解为三个分量，并将各分量的像素值转化为浮点数，结果记为K_R(x,y)、K_G(x,y)和K_B(x,y)，其中K_R(x,y)、K_G(x,y)和K_B(x,y)分别表示图像K(x,y)在RGB彩色空间中的红色色度分量、绿色色度分量和蓝色色度分量；

步骤4：根据下式对所述步骤3得到的图像K(x,y)的转化为浮点数的三个分量分别采用单尺度Retinex方法进行增强，得到反射分量f_α(x,y)：

f_α(x,y)＝k_α(x,y)-log(H(x,y)*K_α(x,y))

上述公式的具体推导过程如下：

首先按下式建立图像成像模型：

K_α(x,y)＝L_α(x,y)·F_α(x,y)

其中，K_α(x,y)为图像K(x,y)的某一分量，α表示分量类型，取R、G或B，L_α(x,y)为K_α(x,y)的亮度信息，F_α(x,y)为K_α(x,y)的反射信息；

然后对上述图像成像模型表达式等号两边同时取自然对数，得到对数域的图像成像模型如下：

k_α(x,y)＝l_α(x,y)+f_α(x,y)

其中k_α(x,y)为对数域中图像k(x,y)的某一分量，l_α(x,y)为分量k_α(x,y)的亮度信息，f_α(x,y)为分量k_α(x,y)的反射分量，且k_α(x,y)＝log K_α(x,y)，l_α(x,y)＝log L_α(x,y)，f_α(x,y)＝log F_α(x,y)；

最后对对数域的图像成像模型做变换，提取出反射分量f_α(x,y)，即得到该公式：

f_α(x,y)＝k_α(x,y)-l_α(x,y)＝k_α(x,y)-log(H(x,y)*K_α(x,y))

其中，H(x,y)为高斯卷积函数，由下式表示：

$H(x,y)=\mathrm{\λ}\·e^{\frac{-(x^2+y^2)}{{\mathrm{\σ}}^2}}$

其中，σ表示尺度常量，取值设定在80至250之间，λ是常量矩阵，满足下式给出的条件：

∫∫H(x,y)dxdy＝1；

步骤5：对所述步骤4中得到的反射分量f_α(x,y)取指数，得到反射图像F_α(x,y)：

$F_{\mathrm{\α}}(x,y)=e^{f_{\mathrm{\α}}(x,y)}$

然后将得到的反射图像F_α(x,y)的各分量F_R(x,y)，F_G(x,y)和F_B(x,y)组合得到增强的RGB图像F(x,y)；

步骤6：首先把RGB图像F(x,y)转化为HSI空间中的图像J(x,y)，其中H、S、I分别表示图像在HSI空间中的色调、饱和度和强度分量，转化公式如下：

$H=\left\{\begin{array}{cc}\mathrm{\θ},& B\≤G\\ 360-\mathrm{\θ}& B>G\end{array}\right.$

$S=1-\frac{3}{R+G+B}\left[\min (R,G,B)\right]$

$I=\frac{1}{3}(R+G+B)$

其中， $\mathrm{\θ}=\mathrm{arc}\cos \left\{\frac{\frac{1}{2}[(R-G)+(R-B)]}{{[{(R-G)}^2+(R-B)(G-B)]}^{1/2}}\right\},$

然后对所述强度分量I用直方图均衡化进一步增强得到增强后的强度分量I'，并把H、S、I'分量合成HSI空间中的图像，最后把该图像转化到RGB空间，记得到的RGB图像为P(x,y)；

步骤7：对图像P(x,y)采用双线性插值法进行插值，得到的大小为W×H×3的图像Q(x,y)作为最后的输出图像。

本发明方法的一种优选实施例中，所述步骤2中，标准尺寸S_std的大小设定在以下范围内：

$\frac{320\×240\×L}{\max (W/H,H/W)}\≤S_{\mathrm{std}}\≤\frac{340\×260\×L}{\max (W/H,H/W)}$

其中，L是图像增强时所用处理器的频率，max(W/H,H/W)表示取W/H和H/W两个值中较大的那个，通过步骤2中的S_std的确定方法发现图片尺寸在320×240到340×260范围内时，实验效果最好，而且通过进一步实验发现处理效果和处理器的频率成正比关系，和图像的宽高比(当图像宽大于高时)或高宽比(当图像高大于宽时)成反比关系。

Claims (2)

1.一种基于单尺度Retinex的快速实时图像增强方法，其特征在于，该方法包括以下步骤：

步骤1：读取RGB彩色空间中待增强的彩色图像I，记该图像的数据大小为W×H×3，其中W和H都为正整数，分别表示彩色图像I的列数和行数，3表示图像的通道数；

步骤2：比较彩色图像I的尺寸W×H与设定的标准尺寸S_std的大小，如果W和H的乘积小于或等于S_std，则把彩色图像I作为后续处理的图像K(x,y)，并进入步骤3，否则按照下式对彩色图像I进行多次降采样，直至得到尺寸小于或等于S_std的图像K(x,y)后进入步骤3：

$G^{\′}(i,j)=\underset{m=-2}{\overset{2}{\mathrm{\Σ}}}\underset{n=-2}{\overset{2}{\mathrm{\Σ}}}w(m,n)G(2i+m,2j+n),$

其中，G'(i,j)表示降采样后图像G'的第i行第j列的像素，G(2i+m,2j+n)表示降采样前图像G的第2i+m行第2j+n列的像素，且有0≤i≤H_G'-1，0≤j≤W_G'-1，其中H_G'为图像G'的行数，W_G'为图像G'的列数，w(m,n)为5×5大小且具有低通滤波特性的窗口函数，其表达式为：

$\mathrm{\ω}(m,n)=\frac{1}{256}\left[\begin{array}{ccccc}1& 4& 6& 4& 1\\ 4& 16& 24& 16& 4\\ 6& 24& 36& 24& 6\\ 4& 16& 24& 16& 4\\ 1& 4& 6& 4& 1\end{array}\right],$

图像K(x,y)中，x和y是自变量，x表示像素点在图像中的行坐标，y表示像素点在图像中的列坐标，0≤x≤H_k-1，0≤y≤W_k-1，且x和y均为正整数，H_k和W_k分别表示图像K(x,y)的行数和列数；

步骤3：将图像K(x,y)分解为三个分量，并将各分量的像素值转化为浮点数，结果记为K_R(x,y)、K_G(x,y)和K_B(x,y)，其中K_R(x,y)、K_G(x,y)和K_B(x,y)分别表示图像K(x,y)在RGB彩色空间中的红色色度分量、绿色色度分量和蓝色色度分量；

步骤4：根据下式对所述步骤3得到的图像K(x,y)的转化为浮点数的三个分量分别采用单尺度Retinex方法进行增强，得到反射分量f_α(x,y)：

f_α(x,y)＝k_α(x,y)-log(H(x,y)*K_α(x,y))

其中，K_α(x,y)为图像K(x,y)的某一分量，α表示分量类型，取R、G或B，k_α(x,y)为K_α(x,y)取对数后的结果，即k_α(x,y)＝log K_α(x,y)；f_α(x,y)为k_α(x,y)的反射分量，H(x,y)为高斯卷积函数，由下式表示：

$H(x,y)=\mathrm{\λ}\·e^{\frac{-(x^2+y^2)}{{\mathrm{\σ}}^2}}$

其中，e为自然底数，σ表示尺度常量，取值设定在80至250之间，λ是满足下式条件的常量矩阵：

∫∫H(x,y)dxdy＝1；

步骤5：对所述步骤4中得到的反射分量f_α(x,y)取指数，得到反射图像F_α(x,y)：

$F_{\mathrm{\α}}(x,y)=e^{f_{\mathrm{\α}}(x,y)}$

然后将得到的反射图像F_α(x,y)的各分量F_R(x,y)，F_G(x,y)和F_B(x,y)组合得到增强的RGB图像F(x,y)；

步骤6：首先把RGB图像F(x,y)转化为HSI空间中的图像J(x,y)，其中H、S、I分别表示图像在HSI空间中的色调、饱和度和强度分量，转化公式如下：

$H=\left\{\begin{array}{cc}\mathrm{\θ},& B\≤G\\ 360-\mathrm{\θ}& B>G\end{array}\right.$

$S=1-\frac{3}{R+G+B}\left[\min (R,G,B)\right]$

$I=\frac{1}{3}(R+G+B)$

其中， $\mathrm{\θ}=\arccos \left\{\frac{\frac{1}{2}[(R-G)+(R-B)]}{{[{(R-G)}^2+(R-B)(G-B)]}^{1/2}}\right\},$

然后对所述强度分量I用直方图均衡化进一步增强得到增强后的强度分量I'，并把H、S、I'分量合成HSI空间中的图像，最后把该图像转化到RGB空间，记得到的RGB图像为P(x,y)；

步骤7：对图像P(x,y)采用双线性插值法进行插值，得到的大小为W×H×3的图像Q(x,y)作为最后的输出图像。

2.根据权利要求1所述的基于单尺度Retinex的快速实时图像增强方法，其特征在于，所述步骤2中，标准尺寸S_std的大小设定在以下范围内：

$\frac{320\×240\×L}{\max (W/H,H/W)}\≤S_{\mathrm{std}}\≤\frac{340\×260\×L}{\max (W/H,H/W)}$

其中，L是图像增强时所用处理器的频率，max(W/H,H/W)表示取W/H和H/W两个值中较大的那个。