CN104240194B - 一种基于抛物线函数的低照度图像增强算法 - Google Patents

Abstract

为克服现有的低照度图像增强算法计算量大、颜色失真严重、对比度下降等不足，本发明公开了一种基于抛物线函数的低照度图像增强算法。该算法首先根据直方图分布情况衡量图像光照情况；其次，针对不同光照类别的图像采用不同参数的分段抛物线函数进行自适应的亮度增强；然后，对RGB三通道同比增强，保持色彩不变，得到初步的增强图像；为了提高速度，将图像转化到YUV颜色空间，采用导向滤波仅对亮度分量Y进行去噪，还原RGB颜色空间；最后，对滤波后图像细节补偿，得到最终的增强图像。该方法在不丢失图像信息的基础上可有效改善视觉效果，效果优于其他方法。本发明不仅对低照度图像增强效果明显，而且处理速度快，具有广泛的实用性。

Description

一种基于抛物线函数的低照度图像增强算法

技术领域：

本发明涉及图像处理技术，具体来讲，涉及一种基于抛物线函数的低照度图像增强算法。

技术背景： 背景技术：

在图像采集或视频监控的应用中，经常会遇到夜视或背光等低照度的情况，这种情况下采集到的图像对比度较低，细节信息严重丢失，给很多工作带来不便。利用低照度彩色图像增强技术，可以有效减小低照度环境对图像或视频获取装置的影响，从而有效提升视频监控、图像识别、计算机视觉等系统在低照度情况下的性能，解决许多工作难题。因此研究低照度图像的增强是非常有必要的。

目前低照度图像增强的算法主要有三大类：空域法、变换域法和融合法。空域法主要有直方图法、灰度变换法、Retinex算法、基于大气散射模型增强算法。直方图法是空域增强中最简单有效的方法之一，其采用灰度统计特征将原始图像中的灰度直方图从较为集中的灰度区间转变为均匀分布于整个灰度区间的变换方法。其优点是：算法简单、速度快，可自动增强图像。缺点是：对噪声敏感、细节容易丢失，在某些区域会严重失真。灰度变换法指将输入图像中较窄带的低灰度值映射为较宽带的输出灰度值，常用的映射方式有对数变换以及抛物线变换。其主要优点是运算速度快，其缺点是参数难以确定，针对不同的图像无法自适应调节，有时存在过增强的问题。Retinex算法是一种基于光照补偿的图像增强方法，能够同时实现图像的全局和局部对比度增强，以及基于灰度假设的颜色校正，达到增强效果。包含多种改进算法，最为应用广泛的是中心/领域Retinex算法，其中包括由NASA提出的带彩色恢复的多尺度Retinex算法(MSRCR)。但是由于中心/领域Retinex算法的本质是基于灰度假设，而均匀颜色区域违背了灰度假设，所以处理后的图像颜色去饱和而变为灰色调，存在严重的颜色失真问题。而MSRCR算法的颜色复原过程实际上是引入原始图像的非线性函数来补偿中心/领域Retinex算法处理过程中损失的颜色信息，并不是恢复场景的真实颜色，违背了颜色恒常性的原理，色彩失真严重。近些年来，由于图像去雾的火热，基于大气散射模型的增强算法也流行起来。许多学者把这一模型应用到低照度图像增强上，Dong etc.发表的“Fast efficient algorithm for enhancement of low lighting video”论文，把暗原色先验去雾算法应用到低照度图像增强上，但是它有些缺点：场景不连续时，会出现块瑕疵。并且对对暗区的增强不足，对亮区容易出现过饱和现象。

变换域法是通过某种变换将图像转换到一个空间域，再对系数进行某种处理，最后对系数进行反变换得到增强图像。常见的变换域方法有高通滤波，小波变换等。高通滤波首先对图像进行傅里叶变换，然后通过一个高通滤波器，增强高频分量(即增强图像的细节)，同时抑制低频分量，最后进行傅里叶反变换，得到增强后的图像。小波变换方法首先对图像进行二维离散小波变换，得到图像的小波系数，然后对高频分量和低频分量乘以不同的系数，以增强某个分量或抑制某个分量，达到增强图像对比度的目的。近年来 基于小波的图像处理颇受关注，因为小波变换能同时体现时域和频域的特征，因此将小波变换用于图像处理时，既能提取出图像的边缘又可提取整体结构，适用于低照度图像增强。随着图像处理应用不断发展，在小波变换基础上发展取来的具有更高精度以及更好的稀疏表达特性，更加适合于表达图像的边缘轮廓信息的Curvelet和Contourlet变换。这些超小波变换都是基于变换域的新型的多尺度分析方法。

近年来，许多学者对融合提出了许多方法和思路。图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理提取各自信道中的有利信息，最后综合成高质量的图像。典型的算法是高动态光照渲染(HDR)，HDR方法是对同一场景连续拍摄多幅不同曝光量的图像，利用每个曝光时间相对应最佳细节的图像来合成最终的HDR图像。这种方法在拍摄时需要保持照相器材的稳定，拍摄时间较长，无法应用与实时图像和视频增强领域，而且对于亮度很低的图像效果较差。

发明内容：

本发明的目的在于解决现有的低照度图像增强算法计算量大、颜色失真严重、对比度下降等不足，提供一种基于抛物线函数的低照度图像增强算法。通过所述方法可在保证实时处理的前提下依然能达到较好的视觉增强效果。

为了实现上述目的，本发明提供一种基于抛物线函数的自适应低照度图像增强算法，该算法主要包括以下步骤：

步骤1，图像获取：通过成像设备捕获一张低照度图像I；

步骤2，求取亮度分量V：将步骤1获取的图像转换到HSV颜色空间，即对每个像素点求取RGB分量的最大值，获得亮度分量V；

步骤3，求取夜光照值A：对步骤2获得的亮度分量V计算其像素点在每一个灰度级的分布数量，选取大于某一阈值(图像总像素点*0.05％)的最高像素值作为夜光照值A，此时图像的大部分像素值分布在小于A的区域内；

步骤4，根据夜光照值A的值衡量图像光照情况：经过反复实验，选择像素值205作为明暗的分界点，将图像分为较暗与较亮两类；

步骤5，根据步骤4获得的图像类别确定增强函数；

步骤6，对步骤2获得的亮度分量V利用步骤5确定的增强函数进行增强，求出亮度增益K，再对RGB进行同比增强，保持色彩不变，得到增强后的图像J；

步骤7，将增强后的图像J转化到YUV空间，采用导向滤波器对亮度分量Y进行滤波处理；

步骤8，细节补偿：采用原图像与其高斯滤波后的图像的差作为细节分量，将细节分量加到滤波增强后的图像J_enhance上得到最终增强图像J′。

本发明在HSV颜色空间仅对亮度分量采用不同参数的分段抛物线进行增强。该方法主观上能有效提 高暗区及亮区的细节表现力，同时避免了亮区的颜色饱和，色彩效果更加自然；客观上提高了图像的亮度、细节和图像质量，运行速度快，效果优于其他方法。本发明不仅对低照度图像增强效果明显，而且处理速度快，具有广泛的实用性。

附图说明

图1为本发明的整体流程图；

图2为原始采集的低照度图像；

图3为利用本发明处理图2后的增强图像。

具体实施方式

为了更好的理解本发明，下面结合具体实施方式对本发明的基于抛物线函数的自适应低照度图像增强算法进行更为详细的描述。在以下的描述当中，当前已有的现有技术的详细描述也许会淡化本发明的主题内容，这些描述在这里将被忽略。

图1是本发明基于抛物线函数的自适应低照度图像增强算法的一种具体实施方式的流程图，在本实施方案中，按照以下步骤进行：

步骤1，图像获取：通过成像设备捕获一张低照度图像I，如图2所示；

步骤2，求取亮度分量V：将步骤1获取的图像转换到HSV颜色空间，对每个像素点求取RGB分量的最大值，获得亮度分量V：

V＝max(R，G，B) (1)

步骤3，求取夜光照值A：对步骤2获得的亮度分量V计算其像素点在每一个灰度级的分布数量，选取大于某一阈值(图像总像素点*0.05％)的最高的像素值作为夜光照值A，此时图像的大部分像素值分布在小于A的区域内；

步骤4，根据夜光照值A的值衡量图像光照情况：考虑到灯光的亮度值普遍在230以上，当夜光照值A在200左右时就可以认为图像中几乎没有灯光，人类视觉在像素值为205时最舒适，本发明选择像素值205作为明暗的分界点。当A＞205时，图像中有灯光相对较亮，此时采用步骤5的分段抛物线1对小于A的像素点小幅度提升亮度，对大于A的像素点进行抑制；当A＜205时，图像中几乎没有灯光整体偏暗，采用步骤5的分段抛物线2大幅度提高亮度，对大于A的像素点进行相应抑制。

步骤5，根据图像类别确定增强函数：

当A＞205时，图像属于较亮图像，采用抛物线y²＝2px对暗区进行适当增强，其约束条件为：

A²＝2pA (2)

抛物线y＝ax²+bx+c对高光部分进行适当抑制，参数约束条件为方程组(3)，

各参数均可确定，抛物线1确定。

当A＜205时，图像属于较暗图像，像素点主要集中在夜光照值A以下，类比较亮图像采用对小于A的像素点需要进行大幅度提升，对大于A的像素点仍采用y＝ax²+bx+c抑制。相比较亮图像，其约束条件唯一的变化是当输入像素为A时，将输出像素提高到205，约束条件：

各参数均可确定，抛物线2确定。

步骤6，用步骤5确定的分段抛物线对亮度分量V进行增强，得到增强后的亮度分量V′，利用公式(5)求出亮度增益K，然后采用公式(6)对RGB进行同比增强，保持色彩不变，得到增强后的图像J。

步骤7，将步骤6增强后的图像J转化到YUV空间，采用导向滤波器对亮度分量Y进行滤波处理，具体做法如下：

导向滤波包括引导图像I、输入图像p和输出图像q。其中，I和p根据具体应用事先给定，它们可以是相同的图像。导向滤波是基于局部线性模型的假设推导的。即在以像素为中心的窗口k中，输出图像q是输入图像p的线性变换，如公式(7)所示。局部线性模型可以保证输入图像p中存在边缘的地方在输出图像中也有边缘。

其中a_k，b_k是假定在窗口k中为常量的线性系数，可以通过使输入图像p与输出图像q的差异最小化解得。具体而言就是最小化以下代价函数：

其中系数ε是为了防止a_k太大。上式可以通过线性回归的方法解出：

其中μ_k，σ_k是引导图像I在ω_k内像素的均值和方差。|ω|是ω_k内像素数。是输入图像p在ω_k内像素的均值。计算出了每一个窗口中的a_k与b_k，就可得到输出图像q。在不同窗口中计算的q_i值不同，可以简单取所有包括像素i的窗口的像素值的平均得到q_i，如公式(11)所示。

本发明选取ε＝0.001，窗口半径r为输入图像宽高较小者的1/30平滑效果较好并有较强的适用性，之后得到的滤波结果也更清晰自然。

步骤8，细节补偿：采用原图像I与其高斯滤波(5x5模板)后的图像I_gauss的差作为细节分量D，如公式(12)所示；将细节分量D加到滤波增强后的图像J_ehance上得到最终增强图像J′，如公式(13)所示。

D＝I-I_gauss (12)

J′＝J_enhance+D (13)

图3为低照度图2采用本发明增强算法后所获得的图像。

综上所述，本发明首先根据直方图分布情况确定图像光照情况，针对不同类别的图像采用不同参数的分段抛物线函数进行自适应的亮度增强；然后对RGB三通道进行同比增强，保持色彩不变。为了节省时间，将图像转化到YUV颜色空间，采用导向滤波仅对亮度分量Y进行去噪，然后还原RGB颜色空间；最后对增强后图像进行细节补偿，得到最终的增强图像。

尽管上面对本发明说明性的具体实施方式进行了描述，但应当清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于抛物线函数的低照度图像增强算法，其特征在于，包括以下步骤：

步骤1，图像获取：通过成像设备捕获一张低照度图像I；

步骤2，求取亮度分量V：将步骤1获取的图像转换到HSV颜色空间，即对每个像素点求取RGB分量的最大值，获得亮度分量V；

步骤3，求取夜光照值A：对步骤2获得的亮度分量V，计算其像素点在每一个灰度级的分布数量，选择图像总像素点的0.05％作为阈值，定义灰度级上分布像素点数量大于该阈值的最高像素值作为夜光照值A，来估计图像中光照情况；

步骤4，根据夜光照值A将图像分为明暗两类图像，其具体分类方法如下：

当A＞205时，图像中有灯光相对较亮，此时该图像分类为较亮图像；

当A＜205时，图像中几乎没有灯光整体偏暗，此时该图像分类为较暗图像；

步骤5，根据步骤4获得的图像类别确定增强函数；

具体地，所述步骤5中对低照度图像中的较亮和较暗的图像进行分段处理，所采用的分段函数为：

对暗区采用抛物线函数：y²＝2px；

对亮区采用抛物线函数：y＝ax²+bx+c；

具体来讲：

当A＞205时，图像属于较亮图像，采用抛物线y²＝2px对暗区进行适当增强，其约束条件为：

A²＝2pA

抛物线y＝ax²+bx+c对高光部分进行适当抑制，参数约束条件为方程组：

<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>A</mi> <mo>=</mo> <msup> <mi>aA</mi> <mn>2</mn> </msup> <mo>+</mo> <mi>b</mi> <mi>A</mi> <mo>+</mo> <mi>c</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>2</mn> <mi>a</mi> <mi>A</mi> <mo>+</mo> <mi>b</mi> <mo>=</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>255</mn> <mo>=</mo> <mi>a</mi> <msup> <mn>255</mn> <mn>2</mn> </msup> <mo>+</mo> <mi>b</mi> <mn>255</mn> <mo>+</mo> <mi>c</mi> </mrow> </mtd> </mtr> </mtable> </mfenced>

各参数均可确定，抛物线1确定；

当A＜205时，图像属于较暗图像，像素点主要集中在夜光照值A以下，类比较亮图像采用

对小于A的像素点需要进行大幅度提升，对大于A的像素点仍采用y＝ax²+bx+c抑制；相比较亮图像，其约束条件唯一的变化是当输入像素为A时，将输出像素提高到205，约束条件：

<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>205</mn> <mo>=</mo> <mi>k</mi> <msqrt> <mrow> <mi>A</mi> <mo>&amp;CenterDot;</mo> <mi>A</mi> </mrow> </msqrt> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>205</mn> <mo>=</mo> <msup> <mi>aA</mi> <mn>2</mn> </msup> <mo>+</mo> <mi>b</mi> <mi>A</mi> <mo>+</mo> <mi>c</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>2</mn> <mi>a</mi> <mi>A</mi> <mo>+</mo> <mi>b</mi> <mo>=</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>255</mn> <mo>=</mo> <mi>a</mi> <msup> <mn>255</mn> <mn>2</mn> </msup> <mo>+</mo> <mi>b</mi> <mn>255</mn> <mo>+</mo> <mi>c</mi> </mrow> </mtd> </mtr> </mtable> </mfenced>

各参数均可确定，抛物线2确定；

步骤6，对步骤2获得的亮度分量V利用步骤5确定的增强函数进行增强，求出亮度增益K，再对RGB进行同比增强，保持色彩不变，得到增强后的图像J；

步骤7，将增强后的图像J转化到YUV空间，为提高运算速度，采用导向滤波器对亮度分量Y进行滤波处理，然后还原RGB颜色空间；

步骤8，细节补偿：采用原图像与其高斯滤波后的图像的差作为细节分量，将细节分量加到滤波增强后的图像J_enhance上得到最终增强图像J′。