CN109816608A - 一种基于噪声抑制的低照度图像自适应亮度增强方法 - Google Patents

Abstract

本发明提出了一种基于噪声抑制的低照度图像自适应亮度增强方法，属于图像处理技术领域。本发明针对低照度图像中的噪声，使用噪声抑制来代替噪声去除，对低照度图像中的噪声进行抑制。首先，将低照度图像的色彩空间由RGB转为HSV。然后，在HSV空间对亮度分量依次进行预处理、自适应gamma校正以及后处理操作。最后，将增强后的亮度分量与H、S分量融合并转到RGB色彩空间获得增强图像。本发明不再需要建立相应的噪声模型并去噪，使计算量相比之前的方法大幅减小，速度更快。本发明中的自适应gamma校正方法相比于之前同类的方法在不影响图像增强效果的情况下，需要的信息更少。

Description

一种基于噪声抑制的低照度图像自适应亮度增强方法

技术领域

本发明涉及一种低照度图像亮度增强方法，特别涉及一种基于噪声抑制的低照度图像自适应亮度增强方法，属于图像处理技术领域。

背景技术

一图胜千言，图像是信息传递的重要途径。然而，在室内、夜间等低照度条件以及逆光的条件下，由于非自然光源的照度不充分，导致目标表面的反射光较弱，造成进入成像传感器的光线不足，导致采集的图像质量退化严重、图像可辨识性很低，且含有大量噪声，以至于难以分辨图像的细节，大大降低了图像的应用价值。因此，对低照度图像的质量提升，是目前图像质量提升领域的研究热点之一。尤其是在城市交通、监控视频等计算机视觉领域，低照度图像的质量提升具有重大意义。

正因上述而言，低照度图像增强技术有很高的科研价值，致使国内外的很多学者做出了大量的基础研究。当前低照度图像增强的方法主要分为四类：基于Retinex理论的方法、基于暗原色去雾的方法、基于自适应gamma校正的方法以及基于深度学习的方法。基于Retinex理论的方法是将一幅图像分为亮度图像和反射图像两部分，通过改善亮度图像对反射图像的影响而达到增强效果。比较典型的例子就是LIME(Guo X,Li Y,Ling H,etal.LIME:Low-Light Image Enhancement via Illumination Map Estimation[J].IEEETransactions on Image Processing,2017,26(2):982-993.)。但是这类方法由于假设亮度图像对应于原始图像的低频部分，通常采用一个低通滤波器来估计图像的亮度，这会导致边缘部分的模糊。基于暗原色去雾的方法是首先对低照度图像进行反转，然后对反转图像进行去雾操作，接着去雾后得到的非真实图像被再次反转并将其作为最终增强结果，典型的就是(Dong X,Wang G,Pang Y,et al.Fast efficient algorithm for enhancementof low lighting video[C].international conference on multimedia and expo,2011:1-6.)。此类方法虽能在一定程度上提高视觉质量，但增强后的图像往往不符合实际场景，且容易在边缘出现伪影。基于自适应gamma校正的方法是在传统gamma校正的基础上，结合全局和局部信息设定gamma值，使得图像的增强程度能够随着图像亮度、对比度等信息的变化而自动变化。这类方法典型的是(Rahman S,Rahman M M,Abdullah-Al-Wadud M,etal.An adaptive gamma correction for image enhancement[J].EURASIP Journal onImage and Video Processing,2016,2016(1):35.)。但由于自适应gamma校正需要更多的信息来确定增强程度，与传统的gamma校正方法相比，尽管提升了效果，但同时也增加了时间复杂度。最近，学者们又提出了一种基于深度学习的低照度图像增强方法，这类方法主要是利用自编码器或卷积神经网络，建立一个端到端的增强模型，然后将内容、色彩以及纹理等信息的误差作为损失函数，比较典型的就是(Tao L,Zhu C,Xiang G,et al.LLCNN:Aconvolutional neural network for low-light image enhancement[C].visualcommunications and image processing,2017:1-4.)。

发明内容

本发明的目的是要基于噪声抑制思想，利用自适应gamma校正的方法来实现低照度图像的亮度增强，得到一幅噪声少且增强自然的图像。

本发明技术方案的主要思想是：对低照度图像中的噪声进行抑制而不是直接使用去噪方法对其进行去除。首先，将低照度图像的色彩空间由RGB转为HSV。然后，在HSV空间对亮度分量依次进行预处理、自适应gamma校正以及后处理操作。最后，将增强后的亮度分量与H、S分量融合并转到RGB色彩空间获得增强图像。

本发明采用的技术方案如下：

一种基于噪声抑制的低照度图像自适应亮度增强方法，包括以下步骤：

步骤1、进行色彩空间转换。

为避免亮度增强导致图像颜色偏移，将低照度图像由RGB(三元色光)色彩空间转换到HSV(色相hue，饱和度saturation，明度value)色彩空间(可参见https://en.wikipedia.org/wiki/HSL_and_HSV)。后续，只对图像的亮度分量进行处理。

步骤2、对亮度分量进行预处理。

首先，将亮度分量V的取值范围由[0-255]压缩到[0-1]，如式(1)所示：

I_n＝I_v/255 (1)

其中，I_v表示压缩前的亮度分量，I_n表示压缩后的亮度分量。

然后，对亮度分量V中的不同区域分别进行抑制和增强，如式(2)所示：

其中，I_n(i，j)是预处理前亮度分量(i，j)处的像素值，I_s(i，j)是预处理后得到的值。α是(0，1)内的浮点数，用于调节增强及抑制区域，亮度分量中大于α的值将会被增强，小于α的值将会被抑制，等于α的值不变。τ是不小于1的浮点数，用于调节抑制程度，当τ＝1时，表示不抑制，抑制程度随着τ的增大而增大。ρ是不小于1的浮点数，用于调节增强程度，当ρ＝1时，表示不增强，增强程度随着ρ的增大而增大。

步骤3、进行自适应gamma校正。

首先，针对亮度分量V中每个像素I_s(i，j)的值，计算其对应的gamma值，如式(3)所示：

γ_i，j＝max(I_s(i，j)^λ，μ) (3)

其中，γ_i，j表示亮度分量(i，j)处的像素对应的gamma值，I_s(i，j)由式(2)获得。λ的取值范围是[0,1]，用于控制增强程度，增强程度随λ的增大而增大。μ的取值范围是[0,1]，用于调节γ的取值范围，避免由于γ过小导致图像的过增强。

然后，进行gamma校正，如式(4)所示：

其中，I_g(i，j)表示亮度分量(i，j)处像素经过gamma校正后对应的像素值，γ_i，j由式(3)获得。

步骤4、进行亮度分量后处理。

对增强后的亮度分量V不同区域分别进行不同程度的抑制，如式(5)所示：

其中，I_o(i，j)表示亮度分量(i，j)处像素值经过抑制后的输出值。I_g(i，j)由式(4)获得。是(0，1)内的浮点数，用于将图像分为两种抑制区域。式(5)是对亮度分量V中值小于的像素进行抑制，避免噪声被增强，对值大于的像素也进行抑制，避免过增强，由于抑制的目的不同，需要的抑制程度也不同，因此采取的抑制方式也不同。δ是不小于1的浮点数，用于调节抑制程度，当δ＝1时，表示不抑制，抑制程度随着δ的增大而增大。ω的取值范围是[0,1]，当ω＝1时，表示不抑制，抑制程度随ω的减小而增大。

最后，将亮度分量V的取值范围由[0,1]转为[0,255]，如式(6)所示。

I′_o(i，j)＝I_o(i，j)×255 (6)

其中，I_o(i，j)由式(5)获得。I′_o(i，j)是取值范围为[0,255]的亮度分量V在(i，j)处的像素值。

步骤5、进行色彩空间转换。

将经过自适应gamma校正增强后的亮度分量V与H、S分量进行融合，并将色彩空间由HSV转换到RGB(https://en.wikipedia.org/wiki/HSL_and_HSV)，获得增强后的图像。HSV色彩空间分为H(色调)、S(饱和度)、V(明度)三个部分，H、S分别指色调和饱和度。

至此，从步骤1到步骤5，完成了一种基于噪声抑制的低照度图像自适应亮度增强方法。

有益效果

本发明所述方法，对比现有技术，具有以下特点：

(1)现有的低照度增强方法为了去除低照度图像中的噪声，需要建立相应的噪声模型，因此尽管这些算法可以在增强的同时去除噪声，取得较好的效果，但其计算复杂度较高。而本发明使用噪声抑制代替了去噪，不再需要建立相应的噪声模型并去噪，这使得我们的算法计算量相比之前的方法大幅减小。实验表明，本发明相比与之前需要去噪的低照度增强方法速度更快。

(2)现有的利用自适应gamma校正对低照度图像进行亮度增强的方法需要结合图像的多种信息才能确定每个像素的增强程度即gamma值，如图像的全局或局部的亮度均值，标准差等。这一方面会使得计算量大幅增加，另一方面也使得增强模型的建立更加复杂。而本发明中的自适应gamma校正方法只需要图像中的每个像素值就可以确定其对应的gamma值，因此本发明中的自适应gamma校正方法相比于之前同类的方法在不影响图像增强效果的情况下，需要的信息更少。

附图说明

图1是本发明方法的流程示意图。

具体实施方式

下面结合附图和实施例对本发明所述方法做进一步详细说明。

实施例

本实施例描述了本发明所述一种基于噪声抑制的低照度图像自适应亮度增强方法的具体实现过程。图1是本实施例的实现流程示意图。

从图1中可以看出，本发明及本实施例的具体实现步骤如下：

步骤1、进行色彩空间转换。

为了避免增强导致图像颜色偏移，将低照度图像由RGB色彩空间转换到HSV色彩空间(https://en.wikipedia.org/wiki/HSL_and_HSV)。后续，只对图像的亮度分量进行处理。

步骤2、进行亮度分量预处理。

首先，将亮度分量V的取值范围由[0-255]压缩到[0-1]，如式(1)所示。

I_n＝I_v/255 (1)

其中，I_v表示压缩前的亮度分量，I_n表示压缩后的亮度分量。

然后，对亮度分量V中的不同区域分别进行抑制和增强，定义如式(2)所示。

其中，I_n(i，j)是预处理前亮度分量(i，j)处的像素值，I_s(i，j)是预处理后得到的值。α是(0，1)内的浮点数，用于调节增强及抑制区域，亮度分量中大于α的值将会被增强，小于α的值将会被抑制，等于α的值不变。τ是不小于1的浮点数，用于调节抑制程度，当τ＝1时，表示不抑制，抑制程度随着τ的增大而增大。ρ是不小于1的浮点数，用于调节增强程度，当ρ＝1时，表示不增强，增强程度随着ρ的增大而增大。此处取α＝0.1，τ＝ρ＝2.0。

步骤3、进行自适应gamma校正。

首先针对亮度分量V中每个像素I_s(i，j)的值计算其对应的gamma值，定义如式(3)所示。

γ_i，j＝max(I_s(i，j)^λ，μ) (3)

其中，γ_i，j表示亮度分量(i，j)处的像素对应的gamma值，I_s(i，j)由式(2)获得。λ的取值范围是[0,1]，用于控制增强程度，增强程度随λ的增大而增大。μ的取值范围是[0,1]，用于调节γ的取值范围，避免由于γ过小导致图像的过增强。此处取λ＝0.175，μ＝0.45。

然后进行gamma校正，定义如式(4)所示：

其中，I_g(i，j)表示亮度分量(i，j)处像素经过gamma校正后对应的像素值，γ_i，j由式(3)获得。

步骤4、进行亮度分量后处理。

对增强后的亮度分量I_g不同区域分别进行不同程度的抑制，定义如式(5)所示。

其中，I_o(i，j)表示亮度分量(i，j)处像素值经过抑制后的输出值，I_g(i，j)由式(4)获得。是(0，1)内的浮点数，用于将图像分为两种抑制区域。式(5)的含义是对亮度分量中值小于的像素进行抑制，避免噪声被增强，对值大于的像素也进行抑制，避免过增强，由于抑制的目的不同，需要的抑制程度也不同，因此采取的抑制方式也不同。δ是不小于1的浮点数，用于调节抑制程度，当δ＝1时，表示不抑制，抑制程度随着δ的增大而增大。ω的取值范围是[0,1]，当ω＝1时，表示不抑制，抑制程度随ω的减小而增大。此处取

最后，将亮度分量的取值范围由[0,1]转为[0,255]，如式(6)所示。

I′_o(i，j)＝I_o(i，j)×255 (6)

I_o(i，j)由式(5)获得，I′_o(i，j)是取值范围为[0,255]的亮度分量在(i，j)处的像素值。

步骤5、进行色彩空间转换。

将上述经过自适应gamma校正增强后的亮度分量与H、S分量融合，并将色彩空间由HSV转换到RGB(https://en.wikipedia.org/wiki/HSL_and_HSV)，获得增强后的图像。

按照步骤1到步骤5中方法，就可以实现对低照度图像的亮度增强。相比于之前的低照度图像增强方法。本发明基于噪声抑制思想，利用自适应gamma校正对低照度图像进行亮度增强。由此同时避免了复杂的去噪过程以及噪声的放大，减小了算法的时间复杂度，最后得到的增强图像相比之前的方法噪声更少，增强更自然。

Claims (1)

1.一种基于噪声抑制的低照度图像自适应亮度增强方法，其特征在于，包括以下步骤：

步骤1、进行色彩空间转换；

为避免亮度增强导致图像颜色偏移，将低照度图像由RGB色彩空间转换到HSV色彩空间，后续，只对图像的亮度分量进行处理；

步骤2、对亮度分量进行预处理；

首先，将亮度分量V的取值范围由[0-255]压缩到[0-1]，如式(1)所示：

I_n＝I_v/255 (1)

其中，I_v表示压缩前的亮度分量，I_n表示压缩后的亮度分量；

然后，对亮度分量V中的不同区域分别进行抑制和增强，如式(2)所示：

其中，I_n(i，j)是预处理前亮度分量(i，j)处的像素值，I_s(i，j)是预处理后得到的值；α是(0，1)内的浮点数，用于调节增强及抑制区域，亮度分量中大于α的值将会被增强，小于α的值将会被抑制，等于α的值不变；τ是不小于1的浮点数，用于调节抑制程度，当τ＝1时，表示不抑制，抑制程度随着τ的增大而增大；ρ是不小于1的浮点数，用于调节增强程度，当ρ＝1时，表示不增强，增强程度随着ρ的增大而增大；

步骤3、进行自适应gamma校正；

首先，针对亮度分量V中每个像素I_s(i，j)的值，计算其对应的gamma值，如式(3)所示：

γ_i，j＝max(I_s(i，j)^λ，μ) (3)

其中，γ_i，j表示亮度分量(i，j)处的像素对应的gamma值，I_s(i，j)由式(2)获得；λ的取值范围是[0，1]，用于控制增强程度，增强程度随λ的增大而增大；μ的取值范围是[0，1]，用于调节γ的取值范围，避免由于γ过小导致图像的过增强；

然后，进行gamma校正，如式(4)所示：

其中，I_g(i，j)表示亮度分量(i，j)处像素经过gamma校正后对应的像素值，γ_i，j由式(3)获得；

步骤4、进行亮度分量后处理；

对增强后的亮度分量V不同区域分别进行不同程度的抑制，如式(5)所示：

其中，I_o(i，j)表示亮度分量(i，j)处像素值经过抑制后的输出值；I_g(i，j)由式(4)获得；是(0，1)内的浮点数，用于将图像分为两种抑制区域；；δ是不小于1的浮点数，用于调节抑制程度，当δ＝1时，表示不抑制，抑制程度随着δ的增大而增大；ω的取值范围是[0，1]，当ω＝1时，表示不抑制，抑制程度随ω的减小而增大；

最后，将亮度分量V的取值范围由[0，1]转为[0，255]，如式(6)所示；

I′_o(i，j)＝I_o(i，j)×255 (6)

其中，I_o(i，j)由式(5)获得；I′_o(i，j)是取值范围为[0，255]的亮度分量V在(i，j)处的像素值；

步骤5、进行色彩空间转换；

将经过自适应gamma校正增强后的亮度分量V与H、S分量进行融合，并将色彩空间由HSV转换到RGB，获得增强后的图像。