CN111223068A - 基于Retinex的自适应非均匀低照度图像增强的方法 - Google Patents

Abstract

基于Retinex的自适应非均匀低照度图像增强的方法，步骤1：将输入原图像I(x,y)的RGB色度空间转化为HSI色度空间，获得色度图H，饱和度图S，亮度图I；步骤2：根据Retinex理论构建三个半径不同的引导滤波器窗口获得亮度图I的入射分量L(x,y)；步骤3：根据韦伯‑费希纳定律校正亮度L(x,y)，其中权重系数的经验值为α₁＝3，α₂＝4，结合输入原图像I(x,y)平均值获取的调整参数，得到两张信息不等增强图像S₁,S₂；步骤4：通过主成分分析法融合S₁,S₂不同的信息特征，得到亮度均匀的图像I_en；步骤5：将色度图，饱和度图，增强后的亮度图I_en重新合并得到最终增强图像。本发明解决在暗环境下采集到的非均匀低照度图像的自适应增强，提高整体亮度和对比度的同时保持颜色恢复和抑制高亮区域的增强。

Description

基于Retinex的自适应非均匀低照度图像增强的方法

技术领域

本发明涉及图像处理技术领域，特别涉及基于Retinex的自适应非均匀低照度图像增强的方法。

背景技术

光源不充足的狭小昏暗环境下，采集到的图像视觉效果不佳，存在整体阴暗，颜色退化，对比度低，光照不均匀等问题，极大影响机器视觉对目标检测分割和分析决策的准确率。因此，图像亮度的增强处理，能获得有效图像信息，以达到良好的视觉效果，提高分析决策的准确率。现阶段用于增强低照度、非均匀图像的方法主要是直方图均衡化、色调映射、暗通道先验、Retinex算法等。

通过亮度直方图局部线性化图像增强方法来提高彩色遥感图像的可视效果,首先将图像进行HSI变换，对I分量进行直方图均衡，然后利用局部线性化的灰度映射曲线进行增强，有效改善了图像的可视效果，可以减少图像增强后的灰度，但会增强后的图像亮度不均匀，会丢失细节信息。基于色调映射图像的亮度分区的盲质量指标，可以很好的保留图像细节信息，但整体对比度不高且计算量复杂。高斯曲线建模的自适应暗通道先验(DCP)去雾增强算法，通过计算块级暗通道获得像素级暗通道，与其他DCP方法相比，提高了约30倍的处理速度，但获得恢复图像的同时放大了噪声点，降低了图像的质量。改进型Retinex算法的雾天图像技术，有效提高了雾天图像的清晰度和对比度，不能有效抑制高亮区域的过度增强。

发明内容

为了解决以上技术问题，本发明的目的在于提供基于Retinex的自适应非均匀低照度图像增强的方法，该方法可以解决在暗环境下采集到的非均匀低照度图像的自适应增强，提高整体亮度和对比度的同时恢复颜色和抑制高亮区域的增强。

为了实现上述目的，本发明采用的技术方案是：

基于Retinex的自适应非均匀低照度图像增强的方法，包括以下步骤；

步骤1：将输入原图像I(x,y)的RGB色度空间转化为HSI色度空间，获得色度图H，饱和度图S，亮度图I；

步骤2：根据Retinex理论，构建三个半径不同的引导滤波器窗口，获得亮度图I的入射分量L(x,y)；

步骤3：根据韦伯-费希纳定律校正亮度L(x,y)，其中权重系数的经验值为α₁＝3，α₂＝4，结合输入原图像I(x,y)平均值获取的调整参数，得到两张信息不等增强图像S₁,S₂；

步骤4：通过主成分分析法(PCA)融合S₁,S₂不同的信息特征，得到亮度均匀的图像I_en；

步骤5：将色度图H，饱和度图S，增强后的亮度图I_en重新合并得到最终增强的图像。

所述步骤1中色调、饱和度、亮度彼此独立，可以在H和S不变的情况下调整I分量，抑制图像颜色失真。

所述步骤2中，由算法提取入射分量L(x,y)，反映了低照度图像的整体结构，入射分量L(x,y)可以通过中心/环绕操作来估计，定义如下:

L(x，y)＝lg(G(x，y)*I(x，y)) (1)

其中*为卷积运算，G(x,y)为高斯环绕函数，定义如下：

式中，k为归一化参数，σ为高斯函数的标准差，满足∫∫G(x,y)dxdy＝1，构建三个半径不同的引导滤波器窗口代替高斯滤波获得亮度图像的入射分量L，假定引导图像G_i与输出图像q_i存在局部线性关系，可建立线性模型：

式中，i为像素索引，M_k代表半径为r的滤波窗口，k为滤波窗口的中心像素点，|w|为滤波窗口Mk中的总像素个数，令引导图像G_i与输入图像p_i一致，所以线性系数a_k和b_k表示为：

b_k＝(1-a_k)u_k (5)

式中，u_k和

分别为滤波窗口Mk中像素的平均值和方差，ε用于调整平衡平滑和保持边缘信息，防止a_k过大的归一化因子，令三个滤波半径不同的引导滤波器来估计入射分量；基于公式(1)获得入射分量：

式中，n为尺度数目，N为尺度总数，本文中N＝3，W_n为第n个尺度所对应的权重不同尺度，引导滤波器的加权因子，其中

选择三个半径不同的引导滤波窗口，从而融合不同尺度的优点，确保平滑和边缘细节的性能保持平衡状态。

所述步骤3中，基于韦伯-费希纳定律校正亮度自适应增强，定律表明心理量和物理量的关系，物体反射出的光线撞击人眼视网膜将产生人眼感知的主观亮度(心理量)，主观亮度的感知I′和客观亮度(物理量)I之间的关系是对数线性关系：

I′＝εlg(I)+ε₀ (7)

式中，ε₀和ε是常数，为避免对数运算所需的计算负担增加，图像不同区域过度增强或抑制增强，将对数域的输出量化到[0,255]区间，如公式:

式中，255为8位图的灰度级，k为调整系数，图像增强的幅度随k的增加而减小，I′为增强图像，I为增强前的亮度图像，L为估计的入射分量，亮度调整曲线k根据输入图像的像素平均值

自动获取，由公式：

式中，α为权重系数，W为RGB图像中的像素总数，输出图像的亮度增强程度随α值减小而增大。

所述步骤4中，将对图像不执行多尺度分解，通过计算源图像的权重相加获得最终图像，公式如下：

式中，I_en为融合图像，S_i为待融合图像，w_i为加权系数，加权系数通过主成分分析(principal compo-nents analysis,PCA)确定，PCA是通过获得图像特征向量和对应特征值，识别相似图像的主要成分，根据主成分确定待融合图像的权重，S₁和S₂为两个源图像，假定每个图像用n维向量Xp表示，则图像融合步骤如下：

(1)构造源图像矩阵X：

(2)计算矩阵X的协方差矩阵C：

式中，

为图像的协方差，满足条件如下：

为第i个源图像的灰度值的平均值；

(3)创建特征公式|λI-C|＝0并计算协方差矩阵C的特征值(λ₁,λ₂)和特征向量(ξ₁,ξ₂)，其中ξ_i为2×1的向量

(4)选择其中较大的特征值：

P＝argmax(λ_P)P＝1,2 (14)

(5)使用最大特征值对应的的特征向量计算权重系数：

(6)计算融合图像：

I_en＝w₁S₁+w₂S₂ (16)

式中，I_en为融合的亮度图像，本申请融合方法基于信息不同的亮度图像之间的相关性来执行图像融合，压缩共享特征的数据，增强独特特征的数据。

本发明的有益效果：

本发明的可以有效增强非均匀低照度视频图像的增强，比较其他算法对若干张钢厂作业间工人高危作业的图像进行了效果测试，图像整体对比度和亮度都明显提高，MSR算法处理的结果过于增强，表现在图像右边高亮区域被同时增强。非均匀照度图像自然色彩恢复算法(Efficient Naturalness Restoration Algorith-m,ENRA)算法避免了过度增强高亮区域，对比度较强，但是图像整体亮度不高。本发明算法处理结果明显提高了整体亮度和对比度，增强细节信息的同时避免了高亮区域的过度增强。

本发明可以自适应增强非均匀低照度视频图像的增强，提升图像亮度、对比度，恢复颜色、抑制噪声和保留细节信息的目标。

附图说明

图1为与MRC、ENRA算法对图像1进行增强处理后的示意图。

图2为与MRC、ENRA算法对图像2进行增强处理后的示意图。

图3为增强后图像的信息熵比较示意图。

图4为增强后图像的均值比较示意图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

将输入图像转化为HSI色度空间，获得色度图H，饱和度图S，亮度图I；

根据Retinex理论，构建三个半径不同的引导滤波器窗口获得亮度图像的入射分量L；

根据经验值α₁＝3，α₂＝4和输入图像的平均值自动获取调整参数，并得到两张信息不等增强图像I′₁，I′₂；

通过主成分分析法(PCA)融合不同的信息特征，得到亮度均匀的图像I_en。

为验证本文算法的有效性，设计MATLAB程序，在台式计算机(Inetel(R)Core(TM)i5-4200 CPU@2.50GHz和Windows7操作系统)的测试平台上进行实验数据对比分析。实验过程中，参数设置：r₁＝16，r₂＝64，r₃＝128，α₁＝3，α₁＝4

所述步骤2中，由算法提取输入图像的入射分量L(x,y)，反映了低照度图像的整体结构。步骤如下：

(1)构建三个半径r不同的引导滤波器窗口获得亮度图像的入射分量L，假定引导图像G_i与输出图像q_i存在局部线性关系，可建立线性模型：

式中，i为像素索引，M_k代表半径为r的滤波窗口，k为滤波窗口的中心像素点，|w|为滤波窗口M_k中的总像素个数。令引导图像G_i与输入图像p_i一致，所以线性系数a_k和b_k表示为：

b_k＝(1-a_k)u_k (3)

式中，u_k和

分别为滤波窗口Mk中像素的平均值和方差。ε用于调整平衡平滑和保持边缘信息，防止a_k过大的归一化因子。令三个滤波半径不同的引导滤波器来估计入射分量：

式中，其中*为卷积运算，n为尺度数目，N为尺度总数，本文中N＝3，W_n为第n个尺度所对应的权重不同尺度，引导滤波器的加权因子，其中

选择三个半径不同的引导滤波窗口，从而融合不同尺度的优点，确保平滑和边缘细节的性能保持平衡状态。

所述步骤3中，基于韦伯-费希纳定律校正亮度自适应增强，定律表明心理量和物理量的关系，物体反射出的光线撞击人眼视网膜将产生人眼感知的主观亮度(心理量)，主观亮度的感知I′和客观亮度(物理量)I之间的关系是对数线性关系：

I′＝εlg(I)+ε₀ (5)

式中，ε₀和ε是常数，为避免对数运算所需的计算负担增加，图像不同区域过度增强或抑制增强，将对数域的输出量化到[0,255]区间，如公式:

式中，255为8位图的灰度级，k为调整系数，图像增强的幅度随k的增加而减小。I′为增强图像，I为增强前的亮度图像，L为估计的入射分量，亮度调整曲线k根据输入图像的像素平均值

自动获取。

由公式：

式中，α为权重系数，W为RGB图像中的像素总数。输出图像的亮度增强程度随α值减小而增大。

将对图像不执行多尺度分解，通过计算源图像的权重相加获得最终图像。公式如下：

式中，I_en为融合图像，S_i为待融合图像，W_i为加权系数。加权系数通过主成分分析(principal compo-nents analysis,PCA)确定，PCA是通过获得图像特征向量和对应特征值，识别相似图像的主要成分，根据主成分确定待融合图像的权重。S₁和S₂为两个源图像，假定每个图像用n维向量Xp表示,则图像融合步骤如下：

(1)构造源图像矩阵X：

(2)计算矩阵X的协方差矩阵C：

式中，

为图像的协方差，满足条件如下：

为第i个源图像的灰度值的平均值。

(3)创建特征公式|λI-C|＝0并计算协方差矩阵C的特征值(λ₁,λ₂)和特征向量(ξ₁,ξ₂)，其中ξ_i为2×1的向量

(4)选择其中较大的特征值：

P＝argmax(λ_P)P＝1,2 (12)

(5)使用最大特征值对应的的特征向量计算权重系数：

(6)计算融合图像：

I_en＝w₁S₁+w₂S₂ (14)

式中，I_en为融合的亮度图像。本文融合方法基于信息不同的亮度图像之间的相关性来执行图像融合，压缩共享特征的数据，增强独特特征的数据。

将融合后的亮度图I_en与源图像的饱和度图H和色图度S重新合成HSI色度空间图，再次将HSI转化为RGB图。增强后的图在主观和客观两个角度进行对比。

图1(a)为摄像头拍下的钢厂作业间工人高危作业的图像，图像整体较暗，右边光源部分曝光。(b)，(c)，(d)分别为MRC算法、ENRA算法和本发明方法对图像进行增强处理后的结果，图像整体对比度和亮度都明显提高，MSR算法处理的结果过于增强，表现在图像右边高亮区域被同时增强。ENRA避免了过度增强高亮区域，对比度较强，但是图像整体亮度不高。本发明方法处理结果明显提高了整体亮度和对比度，增强细节信息的同时避免了高亮区域的过度增强。

图2(a)为钢厂作业间工人高危作业的图像。MSR和ENRA处理结果增强了对比度，但是亮度不足，而本发明方法明显提高了图像整体亮度，表现在图像左边部分，黑暗区域亮度明显提升。MSR和ENRA的结果图像中光照不均匀，丢失了细节信息。本发明方法提升低照度图像的亮度，同时解决了图像光照不均匀的问题，有效抑制高亮区域的增强。

图3、4分别为两组图像的信息熵和均值的评估数据，由数据可知，MSR，ENRA，本发明方法法都能够有效增强图像，还原图像的清晰度，但本发明方法在图像增强结果的信息熵和均值都优于其他方法，展现了本发明方法的有效性。

Claims (5)

1.基于Retinex的自适应非均匀低照度图像增强的方法，包括以下步骤；

步骤1：将输入原图像I(x,y)的RGB色度空间转化为HSI色度空间，获得色度图H，饱和度图S，亮度图I；

步骤2：根据Retinex理论，构建三个半径不同的引导滤波器窗口获得亮度图I的入射分量L(x,y)；

步骤3：根据韦伯-费希纳定律校正亮度L(x,y)，其中权重系数的经验值为α₁＝3，α₂＝4，结合输入原图像I(x,y)平均值获取的调整参数，得到两张信息不等增强图像S₁,S₂；

步骤4：通过主成分分析法(PCA)融合S₁,S₂不同的信息特征，得到亮度均匀的图像I_en；

步骤5：将色度图H，饱和度图S，增强后的亮度图I_en重新合并得到最终增强的图像。

2.根据权利要求1所述的基于Retinex的自适应非均匀低照度图像增强的方法，其特征在于，所述步骤1中色调、饱和度、亮度彼此独立，可以在H和S不变的情况下调整I分量，抑制图像颜色失真。

3.根据权利要求1所述的基于Retinex的自适应非均匀低照度图像增强的方法，其特征在于，所述步骤2中，由算法提取入射分量L(x,y)，反映了低照度图像的整体结构，入射分量L(x,y)可以通过中心/环绕操作来估计，定义如下:

L(x，y)＝lg(G(x，y)*I(x，y)) (1)

其中*为卷积运算，G(x,y)为高斯环绕函数，定义如下：

式中，k为归一化参数，σ为高斯函数的标准差，满足∫∫G(x,y)dxdy＝1，构建三个半径不同的引导滤波器窗口代替高斯滤波获得亮度图像的入射分量L，假定引导图像G_i与输出图像q_i存在局部线性关系，可建立线性模型：

式中，i为像素索引，M_k代表半径为r的滤波窗口，k为滤波窗口的中心像素点，|w|为滤波窗口Mk中的总像素个数，令引导图像G_i与输入图像p_i一致，所以线性系数a_k和b_k表示为：

b_k＝(1-a_k)u_k (5)

式中，u_k和

分别为滤波窗口Mk中像素的平均值和方差，ε用于调整平衡平滑和保持边缘信息，防止a_k过大的归一化因子，令三个滤波半径不同的引导滤波器来估计入射分量；基于公式(1)获得入射分量：

式中，n为尺度数目，N为尺度总数，本文中N＝3，W_n为第n个尺度所对应的权重不同尺度，引导滤波器的加权因子，其中

选择三个半径不同的引导滤波窗口，从而融合不同尺度的优点，确保平滑和边缘细节的性能保持平衡状态。

4.根据权利要求1所述的基于Retinex的自适应非均匀低照度图像增强的方法，其特征在于，所述步骤3中，基于韦伯-费希纳定律校正亮度自适应增强，定律表明心理量和物理量的关系，物体反射出的光线撞击人眼视网膜将产生人眼感知的主观亮度(心理量)，主观亮度的感知I′和客观亮度(物理量)I之间的关系是对数线性关系：

I′＝εlg(I)+ε₀ (7)

式中，ε₀和ε是常数，为避免对数运算所需的计算负担增加，图像不同区域过度增强或抑制增强，将对数域的输出量化到[0,255]区间，如公式:

式中，255为8位图的灰度级，k为调整系数，图像增强的幅度随k的增加而减小，I′为增强图像，I为增强前的亮度图像，L为估计的入射分量，亮度调整曲线k根据输入图像的像素平均值

自动获取，由公式：

式中，α为权重系数，W为RGB图像中的像素总数，输出图像的亮度增强程度随α值减小而增大。

5.根据权利要求1所述的基于Retinex的自适应非均匀低照度图像增强的方法，其特征在于，所述步骤4中，将对图像不执行多尺度分解，通过计算源图像的权重相加获得最终图像，公式如下：

式中，I_en为融合图像，S_i为待融合图像，w_i为加权系数，加权系数通过主成分分析(principal compo-nents analysis,PCA)确定，PCA是通过获得图像特征向量和对应特征值，识别相似图像的主要成分，根据主成分确定待融合图像的权重，S₁和S₂为两个源图像，假定每个图像用n维向量Xp表示，则图像融合步骤如下：

(1)构造源图像矩阵X：

(2)计算矩阵X的协方差矩阵C：

式中，

为图像的协方差，满足条件如下：

为第i个源图像的灰度值的平均值；

(3)创建特征公式|λI-C|＝0并计算协方差矩阵C的特征值(λ₁,λ₂)和特征向量(ξ₁,ξ₂)，其中ξ_i为2×1的向量

(4)选择其中较大的特征值：

P＝arg max(λ_P)P＝1,2 (14)

(5)使用最大特征值对应的的特征向量计算权重系数：

(6)计算融合图像：

I_en＝w₁S₁+w₂S₂ (16)

式中，I_en为融合的亮度图像。

Images