CN106504212A - 一种改进的hsi空间信息低照度彩色图像增强算法 - Google Patents

Abstract

本发明涉及计算机视觉领域，其具体公开了一种基于改进的HSI空间信息低照度彩色图像增强算法。首先对读取原始低照度彩色图像，将颜色空间转换成感知上更接近人类视觉期望值的HSI颜色空间，然后保持色调H分量，对色饱和度S进行线性拉伸。再对亮度I分量进行改进的MSR算法增强；最后图像由HSI颜色空间转换回RGB颜色空间，最终获得增强后的彩色图像。本发明能有效地提高低照度图像的对比度，丰富图像的细节信息，更符合人眼视觉的感知，使得图像更加逼真。

Description

一种改进的HSI空间信息低照度彩色图像增强算法

技术领域

本发明涉及计算机视觉领域，特指一种基于改进的HSI空间信息低照度彩色图像增强算法。

背景技术

在图像采集或视频监控的应用中，由于受到恶劣天气、光照不均、低照度等外部因素的影响，获得的图像常常会出现亮度不均、对比度低、颜色失真及边缘模糊等问题，导致图像质量变差，影响之后的信息判读和提取。因此，为了改善彩色图像质量并提取更多的可用信息，快速且有效的图像增强算法成为了图像分析和理解领域的关键内容之一。

现有的图像增强方法主要包括传统的空域和频域图像增强算法、基于小波变换的图像增强算法、基于人工神经网络的图像增强方法、基于人眼视觉特性的图像增强方法等。其中，空域图像增强方法中效果比较好的是直方图均衡化，但是直方图均衡化仍存在一些缺陷，如变化后的图像灰度级减少、某些图像细节消失、图像过增强等。频域图像增强方法处理后的图像则视觉效果不够理想，会出现色彩失真现象。基于小波变换的图像增强方法能够使细节清晰，层次感强，但图像对比度的改变不是很大，而且多级小波分解的计算量较大，降低了图像增强的效率。基于人工神经网络的图像增强方法能够较好地去除椒盐噪声和脉冲噪声，但是会导致图像模糊，且参数较多，算法比较复杂。而基于人眼视觉特性的图像增强方法在很大程度上提高了图像的亮度和对比度，避免了色彩失真现场，增强后的图像细节信息更丰富，更加符合人眼视觉感受。基于人眼视觉特性的图像增强方法主要有：基于Retinex理论的图像增强方法，以及在此基础上发展的单尺度Retinex、多尺度Retinex和带彩色恢复多尺度Retinex算法等改进算法，这类方法虽然符合人眼视觉特性，但是会出现不同程度的彩色失真。

针对上述存在的问题，本发明提出一种基于改进的HSI空间信息低照度彩色图像增强算法，该算法基于人眼视觉特性，将图像转换到符合人眼视觉特性的HSI色彩空间，消除各颜色分量之间的相关性，保持色调不变，调整亮度分量和饱和度分量来达到图像增强的目的。本发明算法能有效地提高低照度图像的对比度，丰富图像的细节信息，使得图像更加逼真。

发明内容

本发明要解决的技术问题在于：针对低照度彩色图像增强这个特定问题，为了提高图像的对比度和局部细节的清晰度，更符合人眼视觉的感知，提出了改进的HSI空间信息彩色图像增强算法。

为解决上述技术问题，本发明采取的技术方案是：一种改进的HSI空间信息低照度彩色图像增强算法，包括如下步骤：

(1)读取原始低照度彩色图像，将图像由RGB颜色空间转换成HSI颜色空间；

(2)保持色调H分量不变，对色饱和度S进行线性拉伸；

(3)对亮度I分量进行改进的MSR算法增强；

(4)将增强处理后的图像由HSI颜色空间转换回RGB颜色空间，最终得到增强后的彩色图像。

作为本发明技术方案的进一步改进，所述步骤(1)中，；对图像的RGB颜色空间任何3个R、G、B值，对应HSI模型的H、S、I分量可用式(1)至(3)进行转换：

式中：H为像素点的色调H值；S为像素点的饱和度S值；I为像素点的亮度I值；R为像素点的R颜色分量值；G为像素点的G颜色分量值；B为像素点的B颜色分量值；R、G、B∈[0,1]；S、I∈[0,1]；H∈[0°,360^°]。

作为本发明技术方案的进一步改进，所述步骤(2)中，

所述线性拉伸采用自适应的饱和度分量S线性拉伸算法，所述线性拉伸算法表示为公式(4)：

其中，S表示原始图像的饱和度，S'表示线性拉伸后图像的饱和度；M_v表示原始图像的均值；max(R,G,B)和min(R,G,B)分别表示R、G、B三个颜色分量的最大值和最小值。

作为本发明技术方案的进一步改进，所述步骤(3)中，

首先对图像的亮度I分量进行多尺度Retinex变换，所述多尺度Retinex变换如下：

其中：I(x,y)是原始图像的I分量，r(x,y)为Retinex变换后的分量；N表示尺度的个数，通常采用三个尺度；w_i是加权系数，通常假定各个尺度的权重是相等的，即w₁＝w₂＝w₃＝1/3，高斯函数G_i(x,y)为

其中：c_i是第i个尺度常量，分别取输入图像大小的1％、15％、50％；i＝1、2、3，λ是使得高斯函数归一化的常量矩阵，满足：

∫∫G(x,y)dxdy＝1 (7)

对r(x,y)进行线性拉伸，r'(x,y)为拉伸后分量：

r'(x,y)＝G×(r(x,y)+b) (9)

G,b为常数；

为防止像素点亮度值下降：

r”(x,y)＝max(r'(x,y),I) (10)

输出增强后的亮度值：

I_HSI＝0.7I+0.9ur”(x,y) (11)

I_HSI为增强后的亮度值；u为自适应调整参数。

作为本发明技术方案的进一步改进，所述步骤(4)中，

将处理后的图像从HSI颜色空间转换回RGB颜色空间，转换公式如下：

当0°≤H≤120°时：

当120°≤H≤240°时：

当240°≤H≤360°时：

与现有技术相比，本发明具有以下有益效果：

在低照度情况下，本发明能够提高彩色图像的视觉特性，调整动态范围、提高亮度和对比度、重建颜色。较有效地抑制图像阴影区域中的噪声，且在增强后的图像亮度适合人眼观看，细节较丰富、颜色更加逼真自然。

附图说明：

图1是实施例所述改进的HSI低照度彩色图像增强算法流程图；

图2，3是实施例所述本算法低照度增强图像效果对比；

图2a是普通图像1，图2b是图像1经实施例所述算法处理得到的图像；

图3a是普通图像2，图3b是图像2经实施例所述算法处理得到的图像。

具体实施方式：

以普通单幅低照度彩色图像为例，结合附图对本发明做进一步详细说明。

第一步：读取原始低照度彩色图像，将颜色空间转换成HSI颜色空间；

根据人眼结构，所有的颜色都可以看作是3个基本颜色-红(R,Red)、绿(G,Green)、蓝(B,Blue)的不同组合。RGB模型就是在三基色理论基础上开发的混合颜色空间，它使用不同数量的R、G、B三种基色相加产生不同的颜色。HSI颜色空间是一种直观的颜色模型，它从人眼视觉系统出发，用H(hue,色调)、S(Saturation,饱和度)和I(Intensity，亮度)来描述色彩。将原始图像从RGB色彩空间转换到符合人眼视觉特性的HSI色彩空间进行处理，可以避免传统方法在RGB色彩空间中分别对三个颜色通道进行调整而导致的颜色失真问题，使增强后的图像更加符合人眼视觉特性。

RGB色彩空间和HSI色彩空间只是同一物理量的不同表示法，因为它们之间存在着转换关系。对任何3个R、G、B值，对应HSI模型的H、S、I分量可用式(1)-(3)转换：

式中：H为像素点的色调H值；S为像素点的饱和度S值；I为像素点的亮度I值；R为像素点的R颜色分量值；G为像素点的G颜色分量值；B为像素点的B颜色分量值。R、G、B∈[0,1]；S、I∈[0,1]；H∈[0°,360°]。

第二步：保持色调H分量，对色饱和度S进行线性拉伸；

在HSI色彩空间中，保持色调H分量不变的前提下。由于图像获取时的外界环境不同，每幅低照度图像需要对饱和度分量S进行拉伸的程度也不相同。

为了自适应地使各种低照度图像的饱和度分量S达到最优，本发明提出了一种自适应的饱和度分量S线性拉伸算法，其表示式为：

其中，S表示原始图像的饱和度，S'表示线性拉伸后图像的饱和度；M_v表示原始图像的均值；max(R,G,B)和min(R,G,B)分别表示R、G、B三个颜色分量的最大值和最小值。此算法能够很好地满足不同程度低照度图像的饱和度S的增强需求，且计算量小，效率较高。

第三步：对亮度I分量进行改进的MSR算法增强；

首先对图像的亮度I分量进行多尺度Retinex变换，如下：

其中：I(x,y)是原始图像的I分量，r(x,y)为Retinex变换后的分量；为N表示尺度的个数，通常采用三个尺度；w_i是加权系数，通常假定各个尺度的权

重是相等的，即w₁＝w₂＝w₃＝1/3。高斯函数G_i(x,y)为

其中：c_i是第i个尺度常量(i＝1、2、3)，分别取输入图像大小的1％、15％、50％；λ是使得高斯函数归一化的常量矩阵，满足：

∫∫G(x,y)dxdy＝1 (7)

对r(x,y)进行线性拉伸，r'(x,y)为拉伸后分量：

r'(x,y)＝G×(r(x,y)+b) (9)

G,b为常数，G＝150,b＝0.6。

为防止像素点亮度值下降：

r”(x,y)＝max(r'(x,y),I) (10)

输出增强后的亮度值：

I_HSI＝0.7I+0.9ur”(x,y) (11)

I_HSI为增强后的亮度值；u为自适应调整参数。

第四步：由HSI颜色空间转换回RGB颜色空间，最终得到增强后的彩色图像。

将处理后的图像从HSI颜色空间转换回RGB颜色空间，转换公式如下：

当0°≤H≤120°时：

当120°≤H≤240°时：

当240°≤H≤360°时：

经过公式(12)至(14)的色彩空间变换后，得到最后的增强的彩色图像。

在低照度情况下，本发明提高彩色图像的视觉特性，调整动态范围、提高亮度和对比度、重建颜色。较有效地抑制图像阴影区域中的噪声，且在增强后的图像亮度适合人眼观看，细节较丰富、颜色更加逼真自然。

如图1所示为实施例所述改进的HSI空间信息彩色图像增强算法流程图；图2，3为实施例对照低照度原图和本发明方法处理后图像的对比图。

本发明中提出的方法实际上可嵌入FPGA实现，开发具有低照度图像增强功能的相机或摄像机。以上实施例仅起到解释本发明技术方案的作用，本发明所要求的保护范围并不局限于上述实施例所述的实现系统和具体实施步骤。因此，仅对上述实施例中具体的公式及算法进行简单替换，但其实质内容仍与本发明所述方法相一致的技术方案，均应属于本发明的保护范围。

Claims (5)

1.一种基于改进的HIS空间信息低照度彩色图像增强算法，其特征在于，包括如下步骤：

(1)读取原始低照度彩色图像，将图像由RGB颜色空间转换成HSI颜色空间；

(2)保持色调H分量不变，对色饱和度S进行线性拉伸；

(3)对亮度I分量进行改进的MSR算法增强；

(4)将增强处理后的图像由HSI颜色空间转换回RGB颜色空间，最终得到增强后的彩色图像。

2.如权利要求1所述的基于改进的HSI低照度图像增强算法，其特征在于，所述步骤(1)中，；对图像的RGB颜色空间任何3个R、G、B值，对应HIS模型的H、S、I分量可用式(1)至(3)进行转换：

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

$S=1-\frac{3\[\min (R,G,B)\]}{(R+G+B)}---\left(2\right)$

式中：H为像素点的色调H值；S为像素点的饱和度S值；I为像素点的亮度I值；R为像素点的R颜色分量值；G为像素点的G颜色分量值；B为像素点的B颜色分量值；R、G、B∈[0,1]；S、I∈[0,1]；H∈[0°,360°]。

3.如权利要求1所述的基于改进的HSI低照度图像增强算法，其特征在于，所述步骤(2)中，

所述线性拉伸采用自适应的饱和度分量S线性拉伸算法，所述线性拉伸算法表示为公式(4)：

$S^{\′}=(1+\frac{M_v}{max(R,G,B)+\min (R,G,B)+1})\×S---\left(4\right)$

其中，S表示原始图像的饱和度，S'表示线性拉伸后图像的饱和度；M_v表示原始图像的均值；max(R,G,B)和min(R,G,B)分别表示R、G、B三个颜色分量的最大值和最小值。

4.如权利要求1所述的基于改进的HSI低照度图像增强算法，其特征在于，所述步骤(3)中，

首先对图像的亮度I分量进行多尺度Retinex变换，所述多尺度Retinex变换如下：

$r(x,y)=\underset{i=1}{\overset{N}{\Σ}}{w}_i\×\{log\[I(x,y)\]-log\[I(x,y)\×G_i(x,y)\]\}---\left(5\right)$

其中：I(x,y)是原始图像的I分量，r(x,y)为Retinex变换后的分量；N表示尺度的个数，通常采用三个尺度；w_i是加权系数，通常假定各个尺度的权重是相等的，即w₁＝w₂＝w₃＝1/3，高斯函数G_i(x,y)为

$G_i(x,y)=\mathrm{\λ}\×e^{-\frac{(x^2+y^2)}{c_i^2}}---\left(6\right)$

其中：c_i是第i个尺度常量，分别取输入图像大小的1％、15％、50％；i＝1、2、3，λ是使得高斯函数归一化的常量矩阵，满足：

∫∫G(x,y)dxdy＝1 (7)

$\mathrm{\λ}=\frac{1}{\underset{x}{\Σ}\underset{y}{\Σ}G(x,y)}---\left(8\right)$

对r(x,y)进行线性拉伸，r'(x,y)为拉伸后分量：

r'(x,y)＝G×(r(x,y)+b) (9)

G,b为常数，G＝150；b＝0.6；

为防止像素点亮度值下降：

r”(x,y)＝max(r'(x,y),I) (10)

输出增强后的亮度值：

I_HSI＝0.7I+0.9ur”(x,y) (11)

I_HSI为增强后的亮度值；u为自适应调整参数。

5.如权利要求1所述的基于改进的HSI低照度图像增强算法，其特征在于，所述步骤(4)中，

将处理后的图像从HSI颜色空间转换回RGB颜色空间，转换公式如下：

当0°≤H≤120°时：

当120°≤H≤240°时：

当240°≤H≤360°时：

经过上述公式(12)至(14)的色彩空间变换后，得到最后的增强的彩色图像。