CN105654436A

CN105654436A - 一种基于前景背景分离的背光图像增强去噪方法

Info

Publication number: CN105654436A
Application number: CN201510996113.6A
Authority: CN
Inventors: 夏志强; 刘峰; 干宗良; 吕月圆; 陈色桃
Original assignee: GUANGDONG XUNTONG TECHNOLOGY Co Ltd
Current assignee: GUANGDONG XUNTONG TECHNOLOGY Co Ltd
Priority date: 2015-12-24
Filing date: 2015-12-24
Publication date: 2016-06-08
Anticipated expiration: 2035-12-24
Also published as: CN105654436B

Abstract

本发明公开了一种基于前景背景分离的背光图像增强去噪方法，包括：采用交互式抠图算法将背光图像划分成前景区域和背景区域；采用改进型Retinex算法对前景区域中的像素点进行增强；采用CLAHE算法对背景区域的像素点进行均衡处理；采用多尺度的NLM算法对增强后的前景区域和均衡处理后的背景区域进行降噪；将降噪后的前景区域和背景区域进行加权融合后获得增强降噪后的背光图像。本发明针对背光图像的前景区域和背景区域分别采用不同的增强和去噪方法，能够对背光图像的前景区域实现细节增强，同时保护背景区域不被过度增强，去噪效果好、准确度高，可广泛应用于背光图像的处理领域中。

Description

一种基于前景背景分离的背光图像增强去噪方法

技术领域

本发明涉及图像处理领域，特别是涉及一种基于前景背景分离的背光图像增强去噪方法。

背景技术

名词解释：

Retinex算法：Retinex是“Retina”(视网膜)和“Cortex”(大脑皮层)的缩写。Retine算法是一种建立在科学实验和科学分析基础上的基于人类视觉系统的图像增强算法，可以在动态范围压缩、边缘增强和颜色恒常三方面达到平衡，对各种不同类型的图像进行自适应性的增强；

CLAHE算法：Contrast-limitedAdaptiveHistogramEqualizationalgorithm，限制对比度自适应直方图均衡化算法；

NLM算法：Non-LocalMeansalgorithm，非局部平均图像去噪算法，通过对自相似结构块做加权平均来估计参考块的中心点，从而降低噪声。

随着科技的发展，数字产品的应用越来越广泛，图像传感器作为一典型例子在各个领域都得到了广泛应用。但是，图像传感器在采集图像时，有时候会拍摄到主体很暗但是背景很亮的图像，本申请中将这种图像称为背光图像。当采集的图像为背光图像时，需要对背光图像进行图像增强、去噪从而提取获得图像内容。但是，目前背光图像的处理仍然没有成熟解决方案的难题。复杂的光线条件极大地增加了背光图像处理的难度。传统的图像增强方法往往会造成背光图像的前景区域细节增强不明显，而背景区域过度被增强的现象，同时，背光图像在前景区域和背景区域中，噪声大小不同，传统的单尺度图像降噪也无法很好地对背光图像进行去噪。传统方法处理后的背光图像无法准确地对背光图像进行增强去噪，不仅影响视觉感官，而且对以后一系列后续的图像处理工作例如图像分割、特征提取、超分辨率重建都会造成一定的障碍。

发明内容

为了解决上述的技术问题，本发明的目的是提供一种基于前景背景分离的背光图像增强去噪方法。

本发明解决其技术问题所采用的技术方案是：

一种基于前景背景分离的背光图像增强去噪方法，包括：

S1、采用交互式抠图算法将背光图像划分成前景区域和背景区域；

S2、采用改进型Retinex算法对前景区域中的像素点进行增强；

S3、采用CLAHE算法对背景区域的像素点进行均衡处理；

S4、采用多尺度的NLM算法对增强后的前景区域和均衡处理后的背景区域进行降噪；

S5、将降噪后的前景区域和背景区域进行加权融合后获得增强降噪后的背光图像。

进一步，所述步骤S1，包括：

S11、将背光图像转换为灰度图像；

S12、提取灰度图像的粗略的前景轮廓和背景轮廓后，将灰度图像划分为前景区域、背景区域和未知区域；

S13、针对未知区域的每个像素点，通过求解像素点梯度场的泊松方程，依次将该像素点划分到前景区域或背景区域；

S14、根据灰度图像的前景区域和背景区域的划分结果，划分背光图像的前景区域和背景区域。

进一步，所述步骤S13，包括：

S131、针对未知区域的每个像素点，采用G-S迭代法对下式进行求解，获得该像素点的合成比例值：

Δ α = d i v (\frac{&dtri; I}{F - B})

上式中，F表示该像素点的前景色，B表示该像素点的背景色，I表示该像素点的灰度值，α表示该像素点的合成比例值，div表示散度算子，表示拉普拉斯算子，表示偏导符号；

S132、判断合成比例值是否大于第一预设阈值，若是，则将该像素点划分到前景区域，否则，判断合成比例值是否小于第二预设阈值，若是，则将该像素点划分到背景区域，反之将该像素点划分到未知区域；

S133、更新灰度图像的前景区域、背景区域和未知区域，并判断未知区域中是否存在像素点，若是，则返回执行步骤S131，否则结束。

进一步，所述步骤S2，包括：

S21、分别采用不同的权重因子，将前景区域分解成反射光部分和环境照度部分；

S22、采用Retinex算法对反射光部分进行细节提取处理；

S23、对环境照度部分进行拉伸处理后，采用CLAHE算法进行均衡处理；

S24、针对不同的权重因子，将其对应的处理后的反射光部分和环境照度部分进行合成，从而获得多个增强图像；

S25、对获得的多个增强图像进行盲图像质量评估，进而获得最优的权重因子后，将该最优的权重因子对应的增强图像作为前景区域的增强图像。

进一步，所述步骤S21，包括：

S211、分别采用不同的权重因子，根据下式计算前景区域的每个像素点的每个色彩通道的反射光值和环境照度值；

\{\begin{matrix} L_{i} (x, y) = R L_{i} (x, y) + A I_{i} (x, y) \\ A I_{i} (x, y) = β L_{i} (x, y) \\ R L_{i} (x, y) = (1 - β) L_{i} (x, y) \end{matrix}

上式中，(x,y)表示像素点的位置，L_i(x,y)表示第i个色彩通道的像素值，RL_i(x,y)表示第i个色彩通道的反射光值，AI_i(x,y)表示第i个色彩通道的环境照度值，β表示权重因子；

S212、根据前景区域的每个像素点的每个色彩通道的反射光值和环境照度值，将前景区域分解成反射光部分和环境照度部分。

进一步，所述步骤S22，包括：

S221、根据下式获得反射光部分的每个像素点的每个色彩通道的入射分量：

\{\begin{matrix} F_{i} (x, y) = L_{i} (x, y) * G F (x, y) \\ L_{i} (x, y) = \underset{i &Element; (R, G, B)}{m a x} (R L_{i} (x, y)) \\ G F (x, y) = \frac{1}{2 {πσ}^{2}} \exp (- \frac{(x^{2} + y^{2})}{2 σ^{2}}) \end{matrix}

上式中，(x,y)表示像素点的位置，F_i(x,y)表示第i个色彩通道的入射分量，L_i(x,y)表示该像素点的R、G、B三个色彩通道的反射光值的最大值，GF(x,y)表示高斯函数，RL_i(x,y)表示第i个色彩通道的反射光值；

S222、根据下式计算获得该像素点的每个色彩通道的反射分量：

R_{i} (x, y) = \frac{{RL}_{i} (x, y)}{F_{i} (x, y)}

上式中，R_i(x,y)表示第i个色彩通道的反射分量。

进一步，所述步骤S23，包括：

S231、根据下式对环境照度部分的每个像素点进行拉伸处理：

AI_adjusted(x,y)＝2arctan(γAI(x,y))/π

上式中，(x,y)表示像素点的位置，AI(x,y)表示环境照度值，AI_adjusted(x,y)表示拉伸处理后的环境照度值，γ表示控制拉伸函数形状的缩放因子；

S232、根据下式，采用CLAHE算法对拉伸处理后的环境照度部分进行均衡处理：

AI_final(x,y)＝CLAHE(AI_adjusted(x,y))

上式中，AI_final(x,y)表示经过CLAHE均衡处理后的结果。

进一步，所述步骤S25，包括：

S251、根据下式对获得的多个增强图像进行盲图像质量评估，进而获得最优的权重因子：

argmax_β(F(β)+CEF(β)),s.t.|PQM(β)-10|<0.1，0≤β≤1

上式中，β表示权重因子，F(β)表示该权重因子对应的增强图像的相对增强因子，CEF(β)表示该权重因子对应的增强图像的相对色彩增强因子，PQM(β)表示该权重因子对应的增强图像的感知质量评价值；

S252、将该最优的权重因子对应的增强图像作为前景区域的增强图像。

进一步，所述步骤S4，包括：

S41、针对背光图像的每个像素点，分别统计以该像素点为中心的第一预设窗口中，属于前景区域的第一像素数量和属于背景区域的第二像素数量；

S42、根据第一像素数量和第二像素数量的大小关系，在第一滤波参数值和第二滤波参数值中，选择该像素点的滤波参数值；

S43、基于每个像素点对应的滤波参数值，根据下式，采用NLM算法分别对增强后的前景区域和均衡处理后的背景区域的每个像素点进行降噪：

\{\begin{matrix} {\hat{I}}_{e} (i) = \underset{j &Element; I}{Σ} \frac{1}{Z (i)} e^{- \frac{| | f (N_{i}) - f (N_{j}) | |_{2, a}}{h^{2}}} I_{e} (j) \\ Z (i) = \underset{j &Element; I}{Σ} e^{- \frac{| | f (N_{i}) - f (N_{j}) | |_{2, a}}{h^{2}}} \end{matrix}

上式中，表示该像素点降噪后的像素值，I_e(j)表示第一预设窗口，h表示该像素点对应的滤波参数，N_i、N_j表示相似窗口，a表示相似窗口的大小。

进一步，所述步骤S5，包括：

S51、针对背光图像的每个像素点，分别统计以该像素点为中心的第二预设窗口中，属于前景区域的像素所占的第一比例和属于背景区域的像素所占的第二比例；

S52、根据下式将降噪后的前景区域和背景区域进行加权融合后获得增强降噪后的背光图像：

I_{r} (x, y) = p_{1} \times I_{r_{1}} + p_{2} \times I_{r_{2}}

上式中，I_r(x,y)表示增强降噪后的背光图像，p₁表示第一比例，p₂表示第二比例，表示降噪后的前景区域，表示降噪后的背景区域。

本发明的有益效果是：本发明的一种基于前景背景分离的背光图像增强去噪方法，包括：采用交互式抠图算法将背光图像划分成前景区域和背景区域；采用改进型Retinex算法对前景区域中的像素点进行增强；采用CLAHE算法对背景区域的像素点进行均衡处理；采用多尺度的NLM算法对增强后的前景区域和均衡处理后的背景区域进行降噪；将降噪后的前景区域和背景区域进行加权融合后获得增强降噪后的背光图像。本方法针对背光图像的前景区域和背景区域分别采用不同的增强和去噪方法，能够对背光图像的前景区域实现细节增强，同时保护背景区域不被过度增强，避免了传统方法处理背光图像的缺陷。此外，本发明针对增强后的背光图像中前景背景区域噪声水平不同，采用多尺度的NLM算法处理，可以实现对图像良好的去噪，去噪准确度高。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明的一种基于前景背景分离的背光图像增强去噪方法的流程图；

图2是本发明的一具体实施例中所进行处理的背光图像；

图3是本发明的一具体实施例中对背光图像转换获得的灰度图像；

图4是本发明的一具体实施例中对灰度图像进行粗略划分的结果示意图；

图5是本发明的一具体实施例中对图2所示的背光图像进行划分后所获得的前景区域；

图6是本发明的一具体实施例中对图2所示的背光图像进行划分后所获得的背景区域；

图7是本发明的一具体实施例中对图2的背光图像进行增强去噪后获得的结果。

具体实施方式

参照图1，本发明提供了一种基于前景背景分离的背光图像增强去噪方法，包括：

S2、采用改进型Retinex算法对前景区域中的像素点进行增强；

S3、采用CLAHE算法对背景区域的像素点进行均衡处理；

进一步作为优选的实施方式，所述步骤S1，包括：

S11、将背光图像转换为灰度图像；

进一步作为优选的实施方式，所述步骤S11，其具体为：

按照以下公式，将背光图像转换为灰度图像：

I＝0.299R+0.587G+0.114B

上式中，I表示转换后的灰度图像的像素点的灰度值，R、G、B分别表示背光图像的对应像素点的R、G、B三个通道的像素值。

进一步作为优选的实施方式，所述步骤S13，包括：

Δ α = d i v (\frac{&dtri; I}{F - B})

进一步作为优选的实施方式，所述步骤S2，包括：

S22、采用Retinex算法对反射光部分进行细节提取处理；

进一步作为优选的实施方式，所述步骤S21，包括：

\{\begin{matrix} L_{i} (x, y) = R L_{i} (x, y) + A I_{i} (x, y) \\ A I_{i} (x, y) = β L_{i} (x, y) \\ R L_{i} (x, y) = (1 - β) L_{i} (x, y) \end{matrix}

进一步作为优选的实施方式，所述步骤S22，包括：

\{\begin{matrix} F_{i} (x, y) = L_{i} (x, y) * G F (x, y) \\ L_{i} (x, y) = \underset{i &Element; (R, G, B)}{m a x} (R L_{i} (x, y)) \\ G F (x, y) = \frac{1}{2 {πσ}^{2}} \exp (- \frac{(x^{2} + y^{2})}{2 σ^{2}}) \end{matrix}

R_{i} (x, y) = \frac{{RL}_{i} (x, y)}{F_{i} (x, y)}

上式中，R_i(x,y)表示第i个色彩通道的反射分量。

进一步作为优选的实施方式，所述步骤S23，包括：

S231、根据下式对环境照度部分的每个像素点进行拉伸处理：

AI_adjusted(x,y)＝2arctan(γAI(x,y))/π

AI_final(x,y)＝CLAHE(AI_adjusted(x,y))

上式中，AI_final(x,y)表示经过CLAHE均衡处理后的结果。

进一步作为优选的实施方式，所述步骤S24，其具体为：

针对不同的权重因子，按照下式，将其对应的处理后的反射光部分和环境照度部分进行合成，从而获得多个增强图像：

EI_i(x,y)＝R_i(x,y)×AI_final(x,y)

上式中，(x,y)表示像素点的位置，EI_i(x,y)表示增强图像的第i个色彩通道的像素值，R_i(x,y)表示第i个色彩通道的反射分量，AI_final(x,y)表示经过CLAHE均衡处理后的结果。

进一步作为优选的实施方式，所述步骤S25，包括：

argmax_β(F(β)+CEF(β)),s.t.|PQM(β)-10|<0.1，0≤β≤1

进一步作为优选的实施方式，所述步骤S4，包括：

\{\begin{matrix} {\hat{I}}_{e} (i) = \underset{j &Element; I}{Σ} \frac{1}{Z (i)} e^{- \frac{| | f (N_{i}) - f (N_{j}) | |_{2, a}}{h^{2}}} I_{e} (j) \\ Z (i) = \underset{j &Element; I}{Σ} e^{- \frac{| | f (N_{i}) - f (N_{j}) | |_{2, a}}{h^{2}}} \end{matrix}

进一步作为优选的实施方式，所述步骤S5，包括：

I_{r} (x, y) = p_{1} \times I_{r_{1}} + p_{2} \times I_{r_{2}}

上式中，I_r(x,y)表示增强降噪后的背光图像，p₁表示第一比例，p₂表示第二比例，表示降噪后的前景区域，表示降噪后的背景区域。、

以下结合具体实施例对本发明做详细说明。

参照图1，一种基于前景背景分离的背光图像增强去噪方法，包括：

S2、采用改进型Retinex算法对前景区域中的像素点进行增强；

S3、采用CLAHE算法对背景区域的像素点进行均衡处理；

具体的，步骤S1包括S11～S14：

S11、按照以下公式，将背光图像转换为灰度图像：

I＝0.299R+0.587G+0.114B

上式中，I表示转换后的灰度图像的像素点的灰度值，R、G、B分别表示背光图像的对应像素点的R、G、B三个通道的像素值；

本步骤对图2所示的背光图像进行灰度转换后获得的灰度图像如图3所示；

S12、参照图4，提取灰度图像的粗略的前景轮廓和背景轮廓后，将灰度图像划分为前景区域、背景区域和未知区域，图4中，1表示前景区域，2表示背景区域，3表示未知区域；提取灰度图像的粗略的前景轮廓和背景轮廓的方法可以有多样，可以是基于现有技术的提取方法进行粗略提取，或者响应于用户输入的粗略的前景轮廓和背景轮廓来提取获得粗略的轮廓；

S14、根据灰度图像的前景区域和背景区域的划分结果，划分背光图像的前景区域和背景区域，最后划分得到的前景区域如图5所示，背景区域如图6所示。

本实施例中，步骤S13包括S131和S132：

Δ α = d i v (\frac{&dtri; I}{F - B})

S132、判断合成比例值是否大于第一预设阈值，若是，则将该像素点划分到前景区域，否则，判断合成比例值是否小于第二预设阈值，若是，则将该像素点划分到背景区域，反之将该像素点划分到未知区域；本实施例中，第一预设阈值为0.95，第二预设阈值为0.05；

步骤S131中公式的来源如下：

在数字抠图模型中，图像中的每个像素点可由下式表示：

I＝αF+(1-α)B

其中，F表示该像素点的前景色，B表示该像素点的背景色，I表示该像素点的灰度值，α表示该像素点的合成比例值，也称该像素点的alpha因子，取值范围为α∈[0,1]；

对该表达式两边求偏导，可获得下式：

&dtri; I = (F - B) &dtri; α + α &dtri; F + (1 - α) &dtri; B

其中，表示偏导符号；

假定图像中的前景色与背景色均是平滑的，则上式中的和约等于0，上式变形得到：

&dtri; α \approx \frac{1}{F - B} &dtri; I

进而可以得到：

Δ α = d i v (\frac{&dtri; I}{F - B})

其中，div表示散度算子，表示拉普拉斯算子。采用G-S迭代法对该式进行求解，可以获得合成比例值α。

最后，进行判断，如果α大于0.95，则将该像素点判定为前景区域像素点，如果α小于0.05，则将该像素点判定为背景区域像素点。若α处于第一预设阈值和第二预设阈值之间，即这里的0.05～0.95之间，则将该像素点判定为未知区域的像素点，将该像素点划分到未知区域；

本步骤中，通过求解泊松方程，将未知区域的部分像素点划分到前景区域中，另外一部分划分到背景区域中，然后对剩余的未知区域的像素点，重复执行本步骤，直到所有未知区域的像素点都被划分到前景区域或背景区域中。

本实施例中，步骤S2包括S21～S25：

S22、采用Retinex算法对反射光部分进行细节提取处理；

本实施例中，步骤S21，包括S211和S212：

\{\begin{matrix} L_{i} (x, y) = R L_{i} (x, y) + A I_{i} (x, y) \\ A I_{i} (x, y) = β L_{i} (x, y) \\ R L_{i} (x, y) = (1 - β) L_{i} (x, y) \end{matrix}

具体的，步骤S22，包括S221和S222：

\{\begin{matrix} F_{i} (x, y) = L_{i} (x, y) * G F (x, y) \\ L_{i} (x, y) = \underset{i &Element; (R, G, B)}{m a x} (R L_{i} (x, y)) \\ G F (x, y) = \frac{1}{2 {πσ}^{2}} \exp (- \frac{(x^{2} + y^{2})}{2 σ^{2}}) \end{matrix}

R_{i} (x, y) = \frac{{RL}_{i} (x, y)}{F_{i} (x, y)}

上式中，R_i(x,y)表示第i个色彩通道的反射分量。

具体的，步骤S23，包括S231和S232：

S231、根据下式对环境照度部分的每个像素点进行拉伸处理：

AI_adjusted(x,y)＝2arctan(γAI(x,y))/π

AI_final(x,y)＝CLAHE(AI_adjusted(x,y))

上式中，AI_final(x,y)表示经过CLAHE均衡处理后的结果。

具体的，步骤S24，其具体为：

EI_i(x,y)＝R_i(x,y)×AI_final(x,y)

具体的，步骤S25包括S251和S252：

argmax_β(F(β)+CEF(β)),s.t.|PQM(β)-10|<0.1，0≤β≤1

上式中，β表示权重因子，F(β)表示该权重因子对应的增强图像的相对增强因子，CEF(β)表示该权重因子对应的增强图像的相对色彩增强因子，PQM(β)表示该权重因子对应的增强图像的感知质量评价值；F(β)、CEF(β)和PQM(β)满足以下公式：

\{\begin{matrix} F (β) = \frac{Q_{B} (β)}{Q_{A} (β)} \\ C E F (β) = \frac{{CM}_{B} (β)}{{CM}_{A} (β)} \\ P Q M (β) = δ + ϵ B {(β)}^{γ_{1}} A {(β)}^{γ_{2}} Z {(β)}^{γ_{3}} \end{matrix}

且Q和CM的公式为：

其中，σ和μ分别表示增强图像的标准值和均值，Q表示图像的对比度质量指标，Q_B(β)表示该权重因子对应的增强后图像的对比度质量指标，Q_A(β)表示该权重因子对应的增强前图像的对比度质量指标，σ_φ和分别表示φ和的标准差，μ_φ和分别表示φ和的均值，φ＝R-G，其中，R、G、B分别表示背光图像的对应像素点的R、G、B三个通道的像素值，CM(I)表示图像的色彩因子，CM_B(β)表示该权重因子对应的增强后图像的色彩因子，CM_A(β)表示该权重因子对应的增强前图像的色彩因子，分别表示模型相关参数，B(β)表示平均块，A(β)表示块之间绝对差值的均值，Z(β)表示过零率。当PQM(β)的值越接近于10，表示图像质量越好，因此，取PQM(β)的最接近于10的值所对应的权重因子β作为最优的权重因子；

具体的，步骤S4，包括S41～S43：

S41、针对背光图像的每个像素点，分别统计以该像素点为中心的第一预设窗口中，属于前景区域的第一像素数量和属于背景区域的第二像素数量；优选的，本实施例中第一预设窗口的大小设为5×5，设第一像素数量为n₁，第二像素数量为n₂；

S42、根据第一像素数量和第二像素数量的大小关系，在第一滤波参数值和第二滤波参数值中，选择该像素点的滤波参数值，若n₁最大，则选择第一滤波参数值作为该像素点的滤波参数值，反之，若n₂最大，则选择第二滤波参数值作为该像素点的滤波参数值；优选的，本实施例中，第一滤波参数值为10，第二滤波参数值为4；

\{\begin{matrix} {\hat{I}}_{e} (i) = \underset{j &Element; I}{Σ} \frac{1}{Z (i)} e^{- \frac{| | f (N_{i}) - f (N_{j}) | |_{2, a}}{h^{2}}} I_{e} (j) \\ Z (i) = \underset{j &Element; I}{Σ} e^{- \frac{| | f (N_{i}) - f (N_{j}) | |_{2, a}}{h^{2}}} \end{matrix}

上式中，表示该像素点降噪后的像素值，I_e(j)表示第一预设窗口，h表示该像素点对应的滤波参数，为步骤S42中选择的值，N_i、N_j表示相似窗口，a表示相似窗口的大小。

步骤S41～S43的算法的核心思想是在大小为第一预设窗口的像素范围内搜寻尽可能多的与被滤波像素相似的其它像素参与到滤波过程中，以实现更好的滤波效果。搜索窗内两个像素点i和j的相似性，则通过中心分别位于这两个像素点的相似窗N_i和N_j中所有像素点的加权欧几里德距离来度量。考虑到滤波参数h决定了该算法的降噪程度，而同一幅图像前景和背景区域经过增强后含噪水平不同，因而通过判断图像属于前景区域或背景区域选择不同的滤波参数h，对增强后的含噪图像实现多尺度非局部均值滤波去噪(NLM)，可以根据噪声水平的不同，对图像进行良好的去噪。

具体的S51和S52，步骤S5，包括：

S52、根据下式将降噪后的前景区域和背景区域进行加权融合后获得增强降噪后的背光图像，如图7所示：

I_{r} (x, y) = p_{1} \times I_{r_{1}} + p_{2} \times I_{r_{2}}

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims

1.一种基于前景背景分离的背光图像增强去噪方法，其特征在于，包括：

S2、采用改进型Retinex算法对前景区域中的像素点进行增强；

S3、采用CLAHE算法对背景区域的像素点进行均衡处理；

2.根据权利要求1所述的一种基于前景背景分离的背光图像增强去噪方法，其特征在于，所述步骤S1，包括：

S11、将背光图像转换为灰度图像；

3.根据权利要求2所述的一种基于前景背景分离的背光图像增强去噪方法，其特征在于，所述步骤S13，包括：

Δ α = d i v (\frac{&dtri; I}{F - B})

4.根据权利要求1所述的一种基于前景背景分离的背光图像增强去噪方法，其特征在于，所述步骤S2，包括：

S22、采用Retinex算法对反射光部分进行细节提取处理；

5.根据权利要求4所述的一种基于前景背景分离的背光图像增强去噪方法，其特征在于，所述步骤S21，包括：

\{\begin{matrix} L_{i} (x, y) = R L_{i} (x, y) + A I_{i} (x, y) \\ A I_{i} (x, y) = β L_{i} (x, y) \\ R L_{i} (x, y) = (1 - β) L_{i} (x, y) \end{matrix}

6.根据权利要求4所述的一种基于前景背景分离的背光图像增强去噪方法，其特征在于，所述步骤S22，包括：

\{\begin{matrix} F_{i} (x, y) = L_{i} (x, y) * G F (x, y) \\ L_{i} (x, y) = \underset{i &Element; (R, G, B)}{m a x} (R L_{i} (x, y)) \\ G F (x, y) = \frac{1}{2 {πσ}^{2}} \exp (- \frac{(x^{2} + y^{2})}{2 σ^{2}}) \end{matrix}

R_{i} (x, y) = \frac{{RL}_{i} (x, y)}{F_{i} (x, y)}

上式中，R_i(x,y)表示第i个色彩通道的反射分量。

7.根据权利要求4所述的一种基于前景背景分离的背光图像增强去噪方法，其特征在于，所述步骤S23，包括：

S231、根据下式对环境照度部分的每个像素点进行拉伸处理：

AI_adjusted(x,y)＝2arctan(γAI(x,y))/π

AI_final(x,y)＝CLAHE(AI_adjusted(x,y))

上式中，AI_final(x,y)表示经过CLAHE均衡处理后的结果。

8.根据权利要求4所述的一种基于前景背景分离的背光图像增强去噪方法，其特征在于，所述步骤S25，包括：

argmax_β(F(β)+CEF(β)),s.t.|PQM(β)-10|<0.1，0≤β≤1

9.根据权利要求1所述的一种基于前景背景分离的背光图像增强去噪方法，其特征在于，所述步骤S4，包括：

\{\begin{matrix} \hat{I_{e}} (i) = \underset{j &Element; I}{Σ} \frac{1}{Z (i)} e^{- \frac{{| | f (N_{i}) - f (N_{j}) | |}_{2, a}}{h^{2}}} I_{e} (j) \\ Z (i) = \underset{j &Element; I}{Σ} e^{- \frac{{| | f (N_{i}) - f (N_{j}) | |}_{2, a}}{h^{2}}} \end{matrix}

10.根据权利要求1所述的一种基于前景背景分离的背光图像增强去噪方法，其特征在于，所述步骤S5，包括：

I_{r} (x, y) = p_{1} \times I_{r_{1}} + p_{2} \times I_{r_{2}}