CN105654433A - 基于改进多尺度Retinex的彩色图像增强方法 - Google Patents

Abstract

本发明公开了一种基于改进多尺度Retinex的彩色图像增强方法，首先，读取一幅未处理的彩色图像，对传统的多尺度Retinex算法改进，并采用双边滤波来计算当前像素的平均亮度分量，得到基于双边滤波方法的亮度分量估计；其次，依据每个像素点的亮度与其领域平均亮度的大小关系进行局部对比度增强；最后，将增强后的亮度图像与原始图像的亮度分量进行比较，线性调整恢复增强后图像的RGB信息，并最终得到彩色图像增强。本发明提供的彩色图像增强方法具有图像细节恢复，消除“光晕”现象，符合人眼视觉效果及运行时间较短等优点。

Description

基于改进多尺度Retinex的彩色图像增强方法

技术领域

本发明涉及属于图像处理技术领域，具体涉及一种基于改进多尺度Retinex的彩色图像增强方法。

背景技术

由于光线和设备的原因，图像亮度不够明显，以至于获取图像背景中的细节无法被人们感知，需要经过图像处理来获得清晰度较高的图像。图像增强技术在改善图像质量中起着重要的作用。利用图像增强方法，可以获得更佳效果，方便人眼观察和计算机分析及处理。

目前，图像增强算法主要包括传统的空域和频域图像增强算法。目前空域图像增强方式主要包括三种方式：直接灰度变化、直方图处理和空间滤波。它只能针对有特定需求的图像增强，不能够同时对图像的各项指数指标进行增强，不能达到良好的增强效果。而频域图像增强方式主要包括三种方式：低通滤波、高通滤波和同态滤波。它可以增强图像的一些特定指标，如突出图像细节信息和提取图像的轮廓信息等，但是在此图像增强过程中，图像的某些灰度级会丢失，图像变得模糊，以至于图像细节不突出，不能满足人们的要求。

最近几年，研究人员开始关注基于Retinex(Retinex是一个合成词，由retina(视网膜)和cortex(皮层)构成)的图像增强，并且在图像增强区域取得很大的进步，对进一步图像处理提供更清晰，更生动的图像。基于Retinex理论的的增强方法，以及在此基础之上发展起来的单尺度Reinex(SSR，Single-ScaleRetinex)算法、多尺度Retinex(MSR，Multi-ScaleRetinex)以及在此基础之上为解决颜色失真问题而提出的带彩色恢复多尺度Retinex(MSRCR)等改进算法。这种算法所获得的图像虽然在一定条件下符合人类的视觉效果，但是会出现颜色失真和“光晕”现象。鉴于此，Kimmel提出一种利用同态滤波进行照度分量估计的Retinex算法，该方法能够有效的消除“光晕”现象以及抑制颜色失真；Meylan等提出一种自适应滤波的Retinex算法，通过调整图像边缘自适应滤波器的形状，来消除图像边缘处的“光晕”现象，但图像过增强现象仍然抑制不了。

发明内容

本发明所要解决的技术问题是提供一种基于改进多尺度Retinex的彩色图像增强方法，其具有图像细节恢复，消除“光晕”现象，符合人眼视觉效果及运行时间较短等优点。

为解决上述问题，本发明是通过以下方案实现的：

一种基于改进多尺度Retinex的彩色图像增强方法，包括步骤如下：

步骤1，读取一幅未处理的彩色图像，并提取彩色图像的原始亮度分量I(x,y)，即

I(x,y)＝max[I_R(x,y),I_G(x,y),I_B(x,y)]

其中，I_R(x,y)，I_G(x,y)，I_B(x,y)分别表示红色分量、绿色分量和蓝色分量的亮度值；

步骤2，对彩色图像采用三高斯模型滤波和传统高斯滤波相结合的双边滤波来计算彩色图像的平均亮度分量即

$\stackrel{\‾}{I}(x,y)=G_r(x,y)log\[1+I(x,y)\]/G_v(x,y)$

其中，表示平均亮度分量；I(x,y)表示原始亮度分量；G_r(x,y)表示空间邻近三高斯核函数，G_v(x,y)表示传统高斯核函数；

步骤3，依据每个像素点的亮度分量I(x,y)与其平均亮度分量的大小关系进行局部对比度增强，得到彩色图像的增强亮度分量I′(x,y)，即

$I^{\′}(x,y)=A\{\log \[1+I(x,y)\]/\log \left(256\right)-\stackrel{\‾}{I}(x,y)\}+\stackrel{\‾}{I}(x,y)$

其中，I′(x,y)表示增强亮度分量；I(x,y)表示原始亮度分量；表示平均亮度分量；A表示局部线性关系的比例，为设定的正值常数；

步骤4，将彩色图像的增强亮度图像I′(x,y)与原始亮度分量I(x,y)进行比较，线性调整恢复增强后图像的信息，得到彩色图像的最终亮度分量I_j″(x,y)，即

I″(x,y)＝[I′(x,y)·I_R(x,y)/I(x,y)]+[I′(x,y)·I_G(x,y)/I(x,y)]+[I′(x,y)·I_B(x,y)/I(x,y)]

其中，I″(x,y)表示增强后的亮度分量；I′(x,y)表示增强亮度分量；I_R(x,y)，I_G(x,y)，I_B(x,y)分别表示红色分量、绿色分量和蓝色分量的亮度值；I(x,y)表示提取的原始亮度分量；

步骤5，对彩色图像引入增益常数α，使彩色图像的亮度分量达到理想增强效果，得到彩色图像的多尺度的输出分量R(x,y)，即

$R(x,y)=\frac{1}{3}\log \{\mathrm{\α}\·\frac{I^{\′\′}{(x,y)}^3}{G_1(x,y)\·G_2(x,y)\·G_3(x,y)}\}$

其中，R(x,y)表示多尺度的输出分量；I″(x,y)表示最终亮度分量；G₁(x,y)，G₂(x,y)，G₃(x,y)分别表示中央，四周和边缘的高斯函数；G₁(x,y)＝Kexp[-(x²+y²)/2σ₁ ²]I(x,y)，G₂(x,y)＝Kexp[-(x²+y²)/2σ₂ ²]I(x,y)，G₃(x,y)＝Kexp[-(x²+y²)/2σ3²]I(x,y)，K为归一化因子，σ₁，σ₂，σ₃分别表示中央，四周和边缘的尺度系数，I(x,y)表示原始亮度分量；

上述x,y分别表示图像的像素点的横坐标和纵坐标。

步骤3中，空间邻近三高斯核函数为：

G_r(x,y)＝λ₁exp(-r/2σ₁ ²)-λ₂exp(-r/2σ₂ ²)+λ₃exp(-r/2σ₃ ²)

其中，r表示高斯滤波器的区域半径，r＝x²+y²；λ₁，λ₂，λ₃分别表示中央，四周和边缘的峰值系数；σ₁，σ₂，σ₃分别表示中央，四周和边缘的尺度系数。

步骤3中，传统高斯核函数为：

G_v(x,y)＝exp[-I²(x,y)/2σ₁ ²]+exp[-I²(x,y)/2σ₂ ²]+exp[-I²(x,y)/2σ₃ ²]

其中，I(x,y)表示原始亮度分量；σ₁，σ₂，σ₃分别表示中央，四周和边缘的尺度系数。

与已有技术相比，本发明提出了一种基于改进的Retinex的彩色图像增强方法，该方法在增强图像时，提高图像亮度，丰富图像细节，使图像更加自然。首先，利用双边滤波进行亮度分量估计，用数学公式进行表达；然后，将每个像素点的亮度与其领域平均亮度的大小关系进行局部对比度增强，增强亮度图像；最后，将增强后的亮度图像与原始图像HSV彩色空间的亮度分量I进行对比，进行彩色图像恢复，有效地避免颜色失真及抑制“光晕”现象。在运行时间方面，降低算法的时间复杂度，有效地处理图像节省时间。

附图说明

图1为基于改进多尺度Retinex的彩色图像增强方法的流程图。

具体实施方式

基于中心环绕思想的多尺度Retinex算法，它不仅可以很好的实现图像动态范围压缩，还能保证颜色一致性。其数学表达式如下：

$R_{{\mathrm{MSR}}_j}(x,y)=\underset{i,j=1}{\overset{3}{\Σ}}{W}_j{R}_{{\mathrm{SSR}}_i}=\underset{i,j=1}{\overset{3}{\Σ}}{W}_j\{{\mathrm{lgI}}_i(x,y)-\lg \[F_j(x,y)*I(x,y)\]\}$

其中，表示第j个颜色通道多尺度输出分量；表示第i个单尺度输出分量；W_j表示与环绕函数相关的权重系数；*表示卷积运算；F_j(x,y)表示第j个中心/环绕函数，其数学表达式如下：

其中，σ表示高斯函数的标准偏差即尺度参数，其大小直接影响增强图像的质量。当σ取值较小时，高斯模板较小，动态范围的压缩能力越强，图像细节的黑暗部分增强效应更好，但是输出分量颜色失真严重。而当σ取值较大时，高斯模板较大，输出分量的颜色具有较高的保真度，动态范围的压缩能力变弱，局部细节模糊。K为归一化因子，参数K的选择必须满足以下条件：

$K=\frac{1}{\underset{x}{\Σ}\underset{y}{\Σ}F(x,y)}$

由于受尺度参数的个数和尺度参数值的影响，不同的尺度参数，多尺度Retinex算法会产生不同的增强效果。如果单纯地引用中心/环绕函数增强的话，效果不理想。为了尽可能地使原始图像达到理想的增强效果，对MSR算法进行改进，可以引入一个增益常数α，其数学表达式如下：

$R(x,y)=\underset{j=1}{\overset{3}{\Σ}}{W}_j{R}_j=\frac{1}{3}(R1+R2+R3)=\frac{1}{3}\lg \{{\mathrm{\α}}_1\·{\mathrm{\α}}_2\·{\mathrm{\α}}_3.\frac{I{(x,y)}^3}{G_1(x,y)\·G_2(x,y)\·G_3(x,y)}\}$

其中，α₁，α₂，α₃分别表示为三个不相等的增益常数，为了计算方便可以用一个增益常数α来简化。

G_j(x,y)＝F_j(x,y)*I(x,y)

$R(x,y)=\frac{1}{3}\lg \{\mathrm{\α}\·\frac{I{(x,y)}^3}{G_1(x,y)\·G_2(x,y)\·G_3(x,y)}\}$

根据三高斯模型滤波和传统高斯滤波相结合的双边滤波来获得领域的平均亮度值。该方法既能增强图像的边缘对比，而且可以有效提升区域对比亮度和亮度分量信息，使估计出的亮度分量信息更加准确，其表达式如下：

$\stackrel{\‾}{I}(x,y)=G_r(x,y)log\[1+I(x,y)\]/G_v(x,y)$

其中，表示当前像素的平均亮度分量；I(x,y)表示原始亮度分量；G_r(x,y)表示空间邻近三高斯核函数，G_v(x,y)表示传统高斯核函数。

图像经过亮度对数变换后，图像的动态范围压缩能力减弱，对比度下降，图像效果与预期相差较远，需要采取相应的措施来改善图像的对比度，可以依据每个像素点的亮度与其领域平均亮度的大小关系进行局部对比度增强，增强后的亮度分量I′(x,y)如下所示：

$I^{\′}(x,y)=A\[I_m(x,y)-\stackrel{\‾}{I}(x,y)\]+\stackrel{\‾}{I}(x,y)$

其中，A表示正值常数，局部线性关系的比例；I_m(x,y)表示对数变换后的亮度分量。

由上式表达式可以知道，如果当前点的亮度高于领域平均亮度，则增强该点的亮度；反之，就降低该点的亮度。全局亮度对数变换是对图像全局明暗程度进行非线性调整，完成对图像中暗区域增强和动态范围的压缩功能。其变换公式如下：

I_m(x,y)＝log[1+I(x,y)]/log(256)

图像经过局部对比度增强后，需要对颜色进行恢复。通过将增强后的亮度图像I′(x,y)与原始图像HSV颜色空间提取的亮度分量I(x,y)进行比较，线性调整恢复增强后图像的RGB信息，其数学表达式如下：

I_j″(x,y)＝I′(x,y)·I_j(x,y)/I(x,y)

其中，j＝R,G,B相等于j＝1,2,3；I_j″(x,y)表示增强后第j个颜色分量，如I″_R(x,y)相当于I₁″(x,y)表示增强后红色分量，I″_G(x,y)相当于I₂″(x,y)表示增强后绿色分量，I″_B(x,y)相当于I₃″(x,y)表示增强后蓝色分量；I_j(x,y)表示原始图像中第j个颜色分量，如I_R(x,y)相当于I₁(x,y)表示原始红色分量，I_G(x,y)相当于I₂(x,y)表示原始绿色分量，I_B(x,y)相当于I₃(x,y)表示原始蓝色分量；I(x,y)表示提取的原始亮度分量。

基于以上分析，本发明采用改进的MSR图像增强，用双边滤波进行亮度分量估计，将每个像素点的亮度与其领域平均亮度的大小关系进行局部对比度增强，将增强后的亮度图像与原始图像HSV彩色空间的亮度分量进行对比，进行彩色图像恢复。即一种基于改进多尺度Retinex的彩色图像增强方法，如图1所示，具体包括步骤如下：

步骤1，读取一幅未处理的彩色图像，并提取彩色图像的原始亮度分量I(x,y)，即

I(x,y)＝max[I_R(x,y),I_G(x,y),I_B(x,y)]

其中，I_R(x,y)，I_G(x,y)，I_B(x,y)分别表示红色分量、绿色分量和蓝色分量的亮度值。

由于RGB颜色空间具有相关性(R代表红色分量，G代表绿色分量，B代表蓝色分量)，若单纯的直接在RGB颜色空间基础之上对彩色图像增强的话，容易造成颜色失真。因此，本发明还可以将RGB颜色空间转换为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)，本发明将对HSV颜色空间中的亮度分量进行估计,将RGB颜色空间转换到HSV颜色空间，来提取亮度分量I(x,y)。

步骤2，对彩色图像采用三高斯模型滤波和传统高斯滤波相结合的双边滤波来计算彩色图像的平均亮度分量即

$\stackrel{\‾}{I}(x,y)=G_r(x,y)log\[1+I(x,y)\]/G_v(x,y)$

其中，表示平均亮度分量；I(x,y)表示原始亮度分量；G_r(x,y)表示空间邻近三高斯核函数，G_v(x,y)表示传统高斯核函数。

空间邻近三高斯核函数为：

G_r(x,y)＝λ₁exp(-r/2σ₁ ²)-λ₂exp(-r/2σ₂ ²)+λ₃exp(-r/2σ₃ ²)

其中，r表示高斯滤波器的区域半径，r＝x²+y²；λ₁，λ₂，λ₃分别表示中央，四周和边缘的峰值系数；σ₁，σ₂，σ₃分别表示中央，四周和边缘的尺度系数。

传统高斯核函数为：

G_v(x,y)＝exp[-I²(x,y)/2σ₁ ²]+exp[-I²(x,y)/2σ₂ ²]+exp[-I²(x,y)/2σ₃ ²]

其中，I(x,y)表示原始亮度分量；σ₁，σ₂，σ₃分别表示中央，四周和边缘的尺度系数。

步骤3，依据每个像素点的亮度分量I(x,y)与其平均亮度分量的大小关系进行局部对比度增强，来改善图像的对比度，得到彩色图像的增强亮度分量I′(x,y)，即

$I^{\′}(x,y)=A\{log\[1+I(x,y)\]/log\left(256\right)-\stackrel{\‾}{I}(x,y)\}+\stackrel{\‾}{I}(x,y)$

其中，I′(x,y)表示增强亮度分量；I(x,y)表示原始亮度分量；表示平均亮度分量；A表示局部线性关系的比例，为设定的正值常数。

将当前点的原始亮度分量与领域平均亮度分量相比较。若当前点的原始亮度分量高于领域平均亮度分量，则该点的亮度分量得到增强；若当前点的原始亮度分量低于领域平均亮度分量，则降低该点的亮度。

步骤4，在图像经过局部对比度增强后，对颜色进行恢复。将彩色图像的增强亮度图像I′(x,y)与原始亮度分量I(x,y)进行比较，线性调整恢复增强后图像的信息，得到彩色图像的最终亮度分量I_j″(x,y)，即

I″(x,y)＝[I′(x,y)·I_R(x,y)/I(x,y)]+[I′(x,y)·I_G(x,y)/I(x,y)]+[I′(x,y)·I_B(x,y)/I(x,y)]

其中，I″(x,y)表示增强后的亮度分量；I′(x,y)表示增强亮度分量；I_R(x,y)，I_G(x,y)，I_B(x,y)分别表示红色分量、绿色分量和蓝色分量的亮度值；I(x,y)表示提取的原始亮度分量。

步骤5，由于受尺度参数的个数和尺度参数值的影响，不同的尺度参数，多尺度Retinex算法会产生不同的增强效果。对彩色图像引入增益常数α，使彩色图像的亮度分量达到理想增强效果，得到彩色图像的多尺度的输出分量R(x,y)，即

$R(x,y)=\frac{1}{3}log\{\mathrm{\α}\·\frac{I^{\′\′}{(x,y)}^3}{G_1(x,y)\·G_2(x,y)\·G_3(x,y)}\}$

其中，R(x,y)表示多尺度的输出分量；I″(x,y)表示最终亮度分量；G₁(x,y)，G₂(x,y)，G₃(x,y)分别表示中央，四周和边缘的高斯函数；G₁(x,y)＝Kexp[-(x²+y²)/2σ₁ ²]I(x,y)，G₂(x,y)＝Kexp[-(x²+y²)/2σ₂ ²]I(x,y)，G₃(x,y)＝Kexp[-(x²+y²)/2σ3²]I(x,y)，K为归一化因子，σ₁，σ₂，σ₃分别表示中央，四周和边缘的尺度系数，I(x,y)表示原始亮度分量。

上述x,y分别表示图像的像素点的横坐标和纵坐标。

为验证本文算法的有效性，选取一幅彩色图像进行实验，并分别从主观视觉效果和客观评价两方面进行分析。与直方图均衡化、MSR算法、MSRCR算法以及Kimmel算法的输出图像进行对比。为了更好地分析本发明算法的增强效果，采用均值、对比度、信息熵以及运行时间的数据进行客观评价。均值反映图像的明暗程度；对比度用图像的标准差表示；信息熵可以通过数学表达式来计算像素值出现的概率来表示；运行时间反应了算法的时间复杂度，与计算机的配置相关，本发明算法是在CPU：Pentium(R)2.8GHz；内存：4GB；软件：Matlab2012；图像增强效果对比如下表1所示：

表1图像增强效果数据对比

在均值方面，从表1可以看出MSRCR的均值相比于其他算法较高，表现为增强后的图像整体偏亮，而本发明算法均值比较适中，适合人的视觉感受；在对比度方面，本发明算法优于其他的算法，表现为本发明算法的增强效果显著，图像细节部分恢复较明显；在信息熵方面，本发明算法的信息熵明显要优于其他算法，增强后图像所包含的信息量更丰富，图像空间信息能更好的保持；在运行时间方面，直方图均衡化虽然处理时间相对于较短，但其它增强效果较差。而本发明算法，需要增加颜色空间变换、滤波和颜色恢复额外的计算开销，因此它的运行时间与直方图均衡化相比较长一点，与其他算法相比的话，时间缩短较多。

本发明公开了一种基于改进多尺度Retinex的彩色图像增强算法，它属于图像处理技术领域，其具体实施步骤如下：首先，读取一幅未处理的彩色图像，将图像的RGB颜色空间转换到HSV颜色空间，对传统的多尺度Retinex算法改进，并采用双边滤波来计算当前像素的平均亮度值，得到基于双边滤波方法的亮度分量估计；其次，依据每个像素点的亮度与其领域平均亮度的大小关系进行局部对比度增强；最后，将增强后的亮度图像与原始图像HSV颜色空间的亮度分量I进行比较，线性调整恢复增强后图像的RGB信息，并最终得到彩色图像增强。本发明提供的彩色图像增强方法具有图像细节恢复，消除“光晕”现象，符合人眼视觉效果及运行时间较短等优点。

Claims (3)

1.一种基于改进多尺度Retinex的彩色图像增强方法，其特征是，包括步骤如下：

步骤1，读取一幅未处理的彩色图像，并提取彩色图像的原始亮度分量I(x,y)，即

I(x,y)＝max[I_R(x,y),I_G(x,y),I_B(x,y)]

其中，I_R(x,y)，I_G(x,y)，I_B(x,y)分别表示红色分量、绿色分量和蓝色分量的亮度值；

步骤2，对彩色图像采用三高斯模型滤波和传统高斯滤波相结合的双边滤波来计算彩色图像的平均亮度分量即

$\stackrel{\‾}{I}(x,y)=G_r(x,y)log\[1+I(x,y)\]/G_v(x,y)$

其中，表示平均亮度分量；I(x,y)表示原始亮度分量；G_r(x,y)表示空间邻近三高斯核函数，G_v(x,y)表示传统高斯核函数；

步骤3，依据每个像素点的亮度分量I(x,y)与其平均亮度分量的大小关系进行局部对比度增强，得到彩色图像的增强亮度分量I′(x,y)，即

$I^{\′}(x,y)=A\{log\[1+I(x,y)\]/log\left(256\right)-\stackrel{\‾}{I}(x,y)\}+\stackrel{\‾}{I}(x,y)$

其中，I′(x,y)表示增强亮度分量；I(x,y)表示原始亮度分量；表示平均亮度分量；A表示局部线性关系的比例，为设定的正值常数；

步骤4，将彩色图像的增强亮度图像I′(x,y)与原始亮度分量I(x,y)进行比较，线性调整恢复增强后图像的信息，得到彩色图像的最终亮度分量I″_j(x,y)，即

I″(x,y)＝[I′(x,y)·I_R(x,y)/I(x,y)]+[I′(x,y)·I_G(x,y)/I(x,y)]+[I′(x,y)·I_B(x,y)/I(x,y)]

其中，I″(x,y)表示增强后的亮度分量；I′(x,y)表示增强亮度分量；I_R(x,y)，I_G(x,y)，I_B(x,y)分别表示红色分量、绿色分量和蓝色分量的亮度值；I(x,y)表示提取的原始亮度分量；

步骤5，对彩色图像引入增益常数α，使彩色图像的亮度分量达到理想增强效果，得到彩色图像的多尺度的输出分量R(x,y)，即

$R(x,y)=\frac{1}{3}log\{\mathrm{\α}\·\frac{I^{\′\′}{(x,y)}^3}{G_1(x,y)\·G_2(x,y)\·G_3(x,y)}\}$

其中，R(x,y)表示多尺度的输出分量；I″(x,y)表示最终亮度分量；G₁(x,y)，G₂(x,y)，G₃(x,y)分别表示中央，四周和边缘的高斯函数；G₁(x,y)＝Kexp[-(x²+y²)/2s₁ ²]I(x,y)，G₂(x,y)＝Kexp[-(x²+y²)/2s₂ ²]I(x,y)，G₃(x,y)＝Kexp[-(x²+y²)/2s3²]I(x,y)，K为归一化因子，σ₁，σ₂，σ₃分别表示中央，四周和边缘的尺度系数，I(x,y)表示原始亮度分量；

上述x,y分别表示图像的像素点的横坐标和纵坐标。

2.根据权利要求1所述的一种基于改进多尺度Retinex的彩色图像增强方法，其特征是，步骤3中，空间邻近三高斯核函数为：

G_r(x,y)＝λ₁exp(-r/2σ₁ ²)-λ₂exp(-r/2σ₂ ²)+λ₃exp(-r/2σ₃ ²)

其中，r表示高斯滤波器的区域半径，r＝x²+y²；λ₁，λ₂，λ₃分别表示中央，四周和边缘的峰值系数；σ₁，σ₂，σ₃分别表示中央，四周和边缘的尺度系数。

3.根据权利要求1所述的一种基于改进多尺度Retinex的彩色图像增强方法，其特征是，步骤3中，传统高斯核函数为：

G_v(x,y)＝exp[-I²(x,y)/2σ₁ ²]+exp[-I²(x,y)/2σ₂ ²]+exp[-I²(x,y)/2σ₃ ²]

其中，I(x,y)表示原始亮度分量；σ₁，σ₂，σ₃分别表示中央，四周和边缘的尺度系数。