CN113256533B - 基于msrcr的自适应低照度图像增强方法及系统 - Google Patents

基于msrcr的自适应低照度图像增强方法及系统 Download PDF

Info

Publication number
CN113256533B
CN113256533B CN202110660908.5A CN202110660908A CN113256533B CN 113256533 B CN113256533 B CN 113256533B CN 202110660908 A CN202110660908 A CN 202110660908A CN 113256533 B CN113256533 B CN 113256533B
Authority
CN
China
Prior art keywords
layer
image
enhancement
pixel point
bright
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110660908.5A
Other languages
English (en)
Other versions
CN113256533A (zh
Inventor
常霞
王利娟
高岳林
万仁霞
朱凤娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North Minzu University
Original Assignee
North Minzu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North Minzu University filed Critical North Minzu University
Priority to CN202110660908.5A priority Critical patent/CN113256533B/zh
Publication of CN113256533A publication Critical patent/CN113256533A/zh
Application granted granted Critical
Publication of CN113256533B publication Critical patent/CN113256533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供基于MSRCR的自适应低照度图像增强方法，属于图像处理技术领域。包括：输入源图像Iin(u,v)；将源图像Iin(u,v)由RGB空间转换至HSV空间，得到色调分量H(u,v)、亮度分量V(u,v)和饱和度分量S(u,v)；分解亮度分量V(u,v)，得到Retinex增强层V1和细节恢复层V2；通过MSRCR算法对Retinex增强层V1进行自适应权重计算，得到增强层计算结果Q1；通过导向滤波算法增强细节恢复层V2，得到增强后的细节恢复层
Figure DDA0003115233120000011
融合增强层计算结果Q1和增强后的细节恢复层
Figure DDA0003115233120000012
得到亮度分量Vfina(u,v)；逆变换色调分量H(u,v)、亮度分量Vfina(u,v)和饱和度分量S(u,v)至RGB空间，得到图像增强后的图像Ien(u,v)。本发明还提供基于MSRCR的自适应低照度图像增强系统。

Description

基于MSRCR的自适应低照度图像增强方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于MSRCR的自适应低照度图像增强方法及系统。
背景技术
在光照不足或天气恶劣等条件下得到的低质量图像无法满足人们对高清图像的需求，通过图像增强算法增强图像可以起到改善图像视觉效果的作用。
滤波器算法是具有保边去噪特性的一种图像增强算法，其包括高斯滤波器、以及双边滤波器等：用高斯滤波增强图像经常会出现过度模糊边缘现象；双边滤波器是一种对图像像素的空间距离和亮度信息进行双重考虑的非迭代的滤波算法，但对图像中梯度变化大的部分，双边滤波核函数不稳定，极易出现梯度反转现象。
基于Retinex理论的算法SSR、MSR和MSRCR等改进算法，SSR算法主要用于增强灰度图像，但难以平衡图像的动态压缩和色彩恒定；MSR算法将多个不同尺度的SSR进行线性加权进行彩色图像的增强，但带来了彩色退化的问题；MSRCR在MSR的基础上引入了色彩恢复因子，使得增强后的图像具有较好的色彩保证性，但图像的色彩会偏移原始色彩，过曝光。
发明内容
有鉴于此，本发明提供一种基于MSRCR的自适应低照度图像增强方法及系统，可用于处理光照不足环境下拍摄的光照强度较低的低质量图像，有效克服尺度参数对亮度信息恢复造成的过增强现象，获得具有清晰边缘和色彩自然的增强图像。
本发明实施例解决其技术问题所采用的技术方案是：
一种基于MSRCR的自适应低照度图像增强方法，其特征在于，包括：
输入源图像Iin(u,v)；
将所述源图像Iin(u,v)由RGB空间转换至HSV空间，得到色调分量H(u,v)、亮度分量V(u,v)和饱和度分量S(u,v)；
分解所述亮度分量V(u,v)，得到Retinex增强层V1和细节恢复层V2；
通过MSRCR算法对所述Retinex增强层V1进行自适应权重计算，得到增强层计算结果Q1；
通过导向滤波算法增强所述细节恢复层V2，得到增强后的细节恢复层
Figure GDA0003719652140000021
融合所述增强层计算结果Q1和所述增强后的细节恢复层
Figure GDA0003719652140000022
得到亮度分量Vfina(u,v)；
逆变换所述色调分量H(u,v)、所述亮度分量Vfina(u,v)和所述饱和度分量S(u,v)至RGB空间，得到图像增强后的图像Ien(u,v)。
较优地，所述分解所述亮度分量V(u,v)，得到Retinex增强层V1和细节恢复层V2包括：
计算所述Retinex增强层V1和所述细节恢复层V2的计算公式为：
V＝αV1+βV2,α+β＝1
其中，所述α为所述V1的权重，所述β为所述V2的权重。
较优地，所述α的取值为0.8，所述β的取值为0.2。
较优地，所述通过MSRCR算法对所述Retinex增强层V1进行自适应权重计算，得到增强层计算结果Q1包括：
在[0,255]区域范围内，利用正态分布模型将所述Retinex增强层V1的像素点分类为暗像素点、中亮像素点和亮像素点，所述暗像素点位于暗区域[0,85)，所述中亮像素点位于中亮区域[85,170)，所述亮像素点位于亮区域[170,255]；
计算所述暗像素点、所述中亮像素点、以及所述亮像素点的似然概率，得出所述暗像素点的似然概率z1、所述中亮像素点的似然概率z2、以及所述亮像素点的似然概率z3，
Figure GDA0003719652140000031
Figure GDA0003719652140000032
Figure GDA0003719652140000033
其中，所述x和y为V1图像的像素坐标信息，所述μ1为所述暗区域的正态分布模型的期望值，所述μ2为所述中亮区域的正态分布模型的期望值，所述μ3为所述亮区域的正态分布模型的期望值，所述σ为正态分布的标准差；
根据所述暗像素点的似然概率z1、所述中亮像素点的似然概率z2、以及所述亮像素点的似然概率z3计算所述暗像素点的权重ω1、所述中亮像素点的权重ω2、以及所述亮像素点的权重ω3，
Figure GDA0003719652140000034
根据所述暗像素点的权重ω1、所述中亮像素点的权重ω2、以及所述亮像素点的权重ω3计算所述增强层计算结果Q1，
Figure GDA0003719652140000035
其中，所述Cj(x,y)为每个尺度下的颜色恢复因子，所述
Figure GDA0003719652140000036
为ωj的转置，所述fj(x,y)为每个尺度下的高斯滤波器，所述“*”为卷积运算。
较优地，所述通过导向滤波算法增强所述细节恢复层V2，得到增强后的细节恢复层
Figure GDA0003719652140000037
包括：
以所述细节恢复层V2作为导向图像进行滤波计算，得到滤波后的平滑层图像Q2；
根据所述细节恢复层V2和所述平滑层图像Q2进行差值图像计算，得到边缘层图像Q3，
Q3＝V2-Q2
设置增益系数k作为所述边缘层图像Q3的权重，计算出所述增强后的细节恢复层
Figure GDA0003719652140000041
Figure GDA0003719652140000042
较优地，所述融合所述增强层计算结果Q1和所述增强后的细节恢复层
Figure GDA0003719652140000043
得到亮度分量Vfina(u,v)包括：
融合所述增强后的细节恢复层
Figure GDA0003719652140000044
与所述增强层计算结果Q1，得到融合结果
Figure GDA0003719652140000045
Figure GDA0003719652140000046
选取模板窗口m×n，将融合结果
Figure GDA0003719652140000047
归一化；
计算经归一化的所述融合结果
Figure GDA0003719652140000048
中像素点f(x,y)的局部区域8邻域均值average，
Figure GDA0003719652140000049
增强所述像素点f(x,y)的灰度值，s为增强强度，得到对比度增强后的融合结果
Figure GDA00037196521400000410
Figure GDA00037196521400000411
根据伽马矫正方法对所述对比度增强后的融合结果
Figure GDA00037196521400000412
进行细节拉伸，得到所述亮度分量Vfina(u,v)，
Figure GDA00037196521400000413
其中，所述Rm为所述
Figure GDA00037196521400000414
的均值，所述h为调节因子。
本发明还提供一种基于MSRCR的自适应低照度图像增强系统，其特征在于，包括：
输入模块，用于输入源图像Iin(u,v)；
空间转换模块，用于将所述源图像Iin(u,v)由RGB空间转换至HSV空间，得到色调分量H(u,v)、亮度分量V(u,v)和饱和度分量S(u,v)；
分解模块，用于分解所述亮度分量V(u,v)，得到Retinex增强层V1和细节恢复层V2；
计算模块，用于通过MSRCR算法对所述Retinex增强层V1进行自适应权重计算，得到增强层计算结果Q1；
增强模块，用于通过导向滤波算法增强所述细节恢复层V2，得到增强后的细节恢复层
Figure GDA0003719652140000051
融合模块，用于融合所述增强层计算结果Q1和所述增强后的细节恢复层
Figure GDA0003719652140000052
得到亮度分量Vfina(u,v)；
所述空间转换模块，用于逆变换所述色调分量H(u,v)、所述亮度分量Vfina(u,v)和所述饱和度分量S(u,v)至RGB空间，得到图像增强后的图像Ien(u,v)。
较优地，所述计算模块包括：
分类单元，用于在[0,255]区域范围内，利用正态分布模型将所述Retinex增强层V1的像素点分类为暗像素点、中亮像素点和亮像素点，所述暗像素点位于暗区域[0,85)，所述中亮像素点位于中亮区域[85,170)，所述亮像素点位于亮区域[170,255]；
似然概率计算单元，用于计算所述暗像素点、所述中亮像素点、以及所述亮像素点的似然概率，得出所述暗像素点的似然概率z1、所述中亮像素点的似然概率z2、以及所述亮像素点的似然概率z3，
Figure GDA0003719652140000053
Figure GDA0003719652140000054
Figure GDA0003719652140000055
其中，所述x和y为V1图像的像素坐标信息，所述μ1为所述暗区域的正态分布的期望值，所述μ2为所述中亮区域的正态分布模型的期望值，所述μ3为所述亮区域的正态分布模型的期望值，所述σ为正态分布模型的标准差；
权重计算单元，用于根据所述暗像素点的似然概率z1、所述中亮像素点的似然概率z2、以及所述亮像素点的似然概率z3计算所述暗像素点的权重ω1、所述中亮像素点的权重ω2、以及所述亮像素点的权重ω3，
Figure GDA0003719652140000061
增强计算单元，还用于根据所述暗像素点的权重ω1、所述中亮像素点的权重ω2、以及所述亮像素点的权重ω3计算所述增强层计算结果Q1，
Figure GDA0003719652140000062
其中，所述Cj(x,y)为每个尺度下的颜色恢复因子，所述
Figure GDA0003719652140000063
为ωj的转置，所述fj(x,y)为每个尺度下的高斯滤波器，所述“*”为卷积运算。
较优地，所述增强模块包括：
滤波计算单元，用于以所述细节恢复层V2作为导向图像进行滤波计算，得到滤波后的平滑层图像Q2；
差值计算单元，用于根据所述细节恢复层V2和所述平滑层图像Q2进行差值图像计算，得到边缘层图像Q3，
Q3＝V2-Q2
增强单元，用于设置增益系数k作为所述边缘层图像Q3的权重，计算出所述增强后的细节恢复层
Figure GDA0003719652140000064
Figure GDA0003719652140000065
较优地，所述融合模块包括：
融合单元，用于融合所述增强后的细节恢复层
Figure GDA0003719652140000071
与所述增强层计算结果Q1，得到融合结果
Figure GDA0003719652140000072
Figure GDA0003719652140000073
归一化单元，用于选取模板窗口m×n，将所述融合结果
Figure GDA0003719652140000074
归一化；
均值计算单元，用于计算经归一化的所述融合结果
Figure GDA0003719652140000075
中像素点f(x,y)的局部区域8邻域均值average，
Figure GDA0003719652140000076
对比度增强单元，用于增强所述像素点f(x,y)的灰度值，s为增强强度，得到对比度增强后的融合结果
Figure GDA0003719652140000077
Figure GDA0003719652140000078
细节拉伸单元，用于根据伽马矫正方法对所述对比度增强后的融合结果
Figure GDA0003719652140000079
进行细节拉伸，得到所述亮度分量Vfina(u,v)，
Figure GDA00037196521400000710
其中，所述Rm为所述
Figure GDA00037196521400000711
的均值，所述h为调节因子。
由上述技术方案可知，本发明实施例提供的基于MSRCR的自适应低照度图像增强方法及系统，可用于处理光照不足环境下拍摄的光照强度较低的低质量图像，有效克服尺度参数对亮度信息恢复造成的过增强现象，获得具有清晰边缘和色彩自然的增强图像。
附图说明
图1为本发明实施例的基于MSRCR的自适应低照度图像增强方法的流程图。
图2为本发明实施例的基于MSRCR的自适应低照度图像增强系统的结构图。
图3为本发明实施例的实施方法效果展示图。
图4为本发明实施例中不同权重下的融合效果图。
图5为本发明实施例中不同尺度参数下的实验对比图。
图6为本发明实施例中自适应权重前后的实验对比图。
图7为本发明实施例中边缘层增强前后的实验对比图。
图8为本发明实施例对于名为“原图1”的场景图的5种方案增强结果对照参考图。
图9为本发明实施例对于名为“原图2”的场景图的5种方案增强结果对照参考图图。
图10为本发明实施例对于名为“原图3”的场景图的5种方案增强结果对照参考图。
图11为本发明实施例对于名为“原图4”的场景图的5种方案增强结果对照参考图。
图12为本发明实施例对于名为“原图5”的场景图的5种方案增强结果对照参考图。
图13为本发明实施例系统的一实施流程图。
具体实施方式
以下结合本发明的附图，对本发明的技术方案以及技术效果做进一步的详细阐述。
本发明提出一种基于MSRCR的自适应低照度图像增强方法，首先将RGB格式的源图像转换至HSV颜色空间，在HSV颜色空间中将亮度通道图像分解为Retinex增强层和细节恢复层。在Retinex增强层中，利用图像像素的明暗不同区域的概率分布函数，提出自适应权重代替平均权重算法。算法有效地消除了传统多尺度Retinex算法增强结果中出现的白化现象。在细节恢复层中，利用导向滤波将图像分解成平滑层和边缘层图像，并利用增益系数增强边缘层信息。最后通过伽马校正算法恢复图像在融合过程中丢失的部分细节和色彩信息。如图1所示，具体包括以下实施步骤：
步骤S1，输入源图像Iin(u,v)；
步骤S2，将源图像Iin(u,v)由RGB空间转换至HSV空间，得到色调分量H(u,v)、亮度分量V(u,v)和饱和度分量S(u,v)；
步骤S3，分解亮度分量V(u,v)，得到Retinex增强层V1和细节恢复层V2；
步骤S4，通过MSRCR算法对Retinex增强层V1进行自适应权重计算，得到增强层计算结果Q1；
步骤S5，通过导向滤波算法增强细节恢复层V2，得到增强后的细节恢复层
Figure GDA0003719652140000091
步骤S6，融合增强层计算结果Q1和增强后的细节恢复层
Figure GDA0003719652140000092
得到亮度分量Vfina(u,v)；
步骤S7，逆变换色调分量H(u,v)、亮度分量Vfina(u,v)和饱和度分量S(u,v)至RGB空间，得到图像增强后的图像Ien(u,v)。
由于RGB格式的图像难以区分图像的色度，亮度和饱和度信息，如果直接在RGB颜色空间增强源图像的对比度，则R，G和B三者之间的比例关系极易被破坏，故而产生色彩失真现象。HSV(hue,saturation,value)颜色空间比其他颜色空间更符合人类对颜色感知的体验，可以很大程度的减少图像的细节信息和颜色信息的相互干扰。步骤S2将源图像Iin(u,v)从RGB色彩空间转换为HSV色彩空间的转换函数可以用公式(1)表示：
Figure GDA0003719652140000093
步骤S3对亮度分量V(u,v)进行分层，分别记为Retinex增强层V1和细节恢复层V2，并设计了V1的权重α和V2的权重β，如公式(2)所示：
V＝αV1+βV2,α+β＝1 (2)
分层后所得到的融合结果既要避免V2层边缘放大造成过度卡通化，又要避免Retinex算法出现的亮度过度增强导致增强结果出现白化现象。如图4所示，图4为3组V1在不同权重下的融合结果对比图：图像Retinex增强层V1所占的比重较小时，融合结果呈现过分曝光趋势，出现部分细节信息丢失现象；Retinex增强层V1所占的比重超过V1＝0.8*V时，融合结果的亮度保持效果呈现过度下降趋势，出现部分细节模糊现象。当Retinex增强层V1所占的比重为V1＝0.8*V时，塔和树木的边缘信息都得到了增强，图像的对比度也得到了改善。因此，α的取值0.8，β的取值0.2，Retinex增强层V1所占的比重为V1＝0.8*V，细节恢复层V2所占比重为V2＝0.2*V时的融合效果最好。
步骤S4通过MSRCR算法对Retinex增强层V1进行自适应权重计算，得到增强层计算结果Q1的具体实施包括：
在[0,255]区域范围内，利用正态分布模型将Retinex增强层V1的像素点分类为暗像素点、中亮像素点和亮像素点，暗像素点位于暗区域[0,85)，中亮像素点位于中亮区域[85,170)，亮像素点位于亮区域[170,255]；
计算暗像素点、中亮像素点、以及亮像素点的似然概率，得出暗像素点的似然概率z1、中亮像素点的似然概率z2、以及亮像素点的似然概率z3，
Figure GDA0003719652140000101
Figure GDA0003719652140000102
Figure GDA0003719652140000103
其中，所述x和y为V1图像的像素坐标信息，μ1为暗区域的正态分布模型的期望值，μ2为中亮区域的正态分布模型的期望值，μ3为亮区域的正态分布模型的期望值，σ为正态分布的标准差；
根据z1、z2、z3计算暗像素点的权重ω1、中亮像素点的权重ω2、以及亮像素点的权重ω3，
Figure GDA0003719652140000111
根据暗像素点的权重ω1、中亮像素点的权重ω2、以及亮像素点的权重ω3计算增强层计算结果Q1，
Figure GDA0003719652140000112
其中，Cj(x,y)为每个尺度下的颜色恢复因子，
Figure GDA0003719652140000113
为ωj的转置，fj(x,y)为每个尺度下的高斯滤波器，“*”为卷积运算。
在MSRCR算法中，不同的尺度参数具有不同的增强效果，使用15，80和250三个尺度参数的高斯核对源图像进行高斯滤波。由图5可知，当σ1＝15时，局部对比度提升，但丢失了许多细节信息，色调变差；当σ1＝250时，图像的细节信息、亮度信息和颜色信息可保留更多；当σ1＝80时，细节信息有所恢复但亮度信息恢复不足。所以本发明依据图像像素的明暗不同区域的概率分布函数提出自适应权重的MSRCR算法，在[0,255]范围内利用正态分布模型将图像像素等区域分为暗像素点、中亮像素点和亮像素点3类，即暗区域[0,85)、中暗区域[85,170)和亮区域[170,255]，再分别取均值作为三个区域的代表值作为正态分布的期望值，即μ1＝43，μ2＝128，μ3＝213。对于正态分布的标准差，统一取σ＝43。如图6为自适应权重MSRCR算法前后的输出结果，图6(c)显示出，自适应权重后的图像对比度和亮度明显提高，部分细节信息也均在。
步骤S5通过导向滤波算法增强细节恢复层V2，得到增强后的细节恢复层
Figure GDA0003719652140000114
的具体实施包括：
以细节恢复层V2作为导向图像进行滤波计算，得到滤波后的平滑层图像Q2此时，平滑层图像Q2为模糊的图像；
根据细节恢复层V2和平滑层图像Q2进行差值图像计算，得到边缘层图像Q3，
Q3＝V2-Q2 (8)
设置增益系数k作为边缘层图像Q3的权重，计算出增强后的细节恢复层
Figure GDA0003719652140000121
Figure GDA0003719652140000122
此处的增益系数k不易过大，如果原图像有任何零值或者选择的k值过大使得增益之后的峰值大于原图像中的最小值时，这样会导致最终的结果出现负灰度。负值将会导致边缘周围出现暗色晕轮，所以这里取k＝2即可达到高提升滤波的效果，如图3所示，k取值为2时进行细节回复的处理输入图像的流程示例。
如图7所示的实验效果：图7(e)-(f)显示，边缘增强后的V2结果比边缘未增强的V2结果更加清晰，尤其是塔的栅栏处，以及树木的轮廓。
步骤S6融合增强层计算结果Q1和增强后的细节恢复层
Figure GDA0003719652140000123
得到亮度分量Vfina(u,v)的具体实施包括：
融合增强后的细节恢复层
Figure GDA0003719652140000124
与增强层计算结果Q1，得到融合结果
Figure GDA0003719652140000125
Figure GDA0003719652140000126
选取模板窗口m×n，将融合结果
Figure GDA0003719652140000127
归一化；
计算经归一化的融合结果
Figure GDA0003719652140000128
中像素点f(x,y)的局部区域8邻域均值average，
Figure GDA0003719652140000129
增强像素点f(x,y)的灰度值，s为增强强度，得到对比度增强后的融合结果
Figure GDA00037196521400001210
Figure GDA00037196521400001211
根据伽马矫正方法对对比度增强后的融合结果
Figure GDA00037196521400001212
进行细节拉伸，得到亮度分量Vfina(u,v)，
Figure GDA0003719652140000131
其中，Rm为
Figure GDA0003719652140000132
的均值，h为调节因子，图像越暗则Rm越小，h便增大。
步骤S7基于增强后的亮度分量Vfina(u,v)将图像转换到RGB空间，得到RGB格式的增强图像Ien，变换函数如公式(14)所示：
Figure GDA0003719652140000133
在仿真实验中，将本发明实施例所提出的方法与单尺度Retinex(SSR)、多尺度Retinex(MSR)、带色彩恢复因子的多尺度Retinex(MSRCR)以及鲁棒性Retinex(Robust-Retinex)进行效果对比，请一并参照图8-12：
图8-12的实验结果显示，SSR算法的增强结果中显示，虽然图像的局部细节信息和局部纹理信息的质量有所改善，但对于图像整体的对比度增强和亮度保持效果较弱，整体呈现视觉感知较暗现象，颜色信息恢复的也较少且存在局部色彩失真现象。图8-10结果显示，基于MSR与MSRCR算法的增强结果中显示，增强结果出现整体色彩偏紫的失真现象，不符合人眼的视觉特性；图11-12中基于MSR与MSRCR算法的结果显示，增强结果趋于白化现象，整体较模糊导致部分细节信息无法被清晰的显示。图8-10中基于Robust-Retinex算法的结果显示，增强结果的色彩自然，亮度和对比度信息都有所恢复，但是依然存在细节信息丢失，整体呈现雾化视觉效果，图像细节信息的清晰度下降；图12中基于Robust-Retinex算法的整体增强效果良好，图像的细节恢复较多。而本文算法的增强结果既不存在失真和白化现象，也不存在雾化模糊情况。在视觉感知上，本发明实施例的算法结果整体上更加清晰自然，算法尤其对于图像的色彩信息具有较强的恢复能力。
图像增强结果的评价分为主观评价和客观评价，主观评价通过视觉系统直接观察实验结果图像的亮度信息、对比度信息和色彩信息的增强效果。客观评价就是利用图像统计参数进行判定。本发明试验结果可采用熵值、图像清晰度(Tenengrad梯度)和平均梯度指标作为客观平价数据内容。
图像熵是一种基于概率的强度分布统计信息，可以衡量图像信息的丰富程度，公式如下所示：
Figure GDA0003719652140000141
其中，p(xi)代表像素值的概率，MN表示像素总数。
Tenengrad反映了图像的清晰程度，公式如下：
Figure GDA0003719652140000142
其中，△mx(u,v)和△nx(u,v)分别是像素(u,v)水平与垂直方向上像素之间的差异。
平均梯度反映了图像对细节反差和纹理变化，公式如下：
Figure GDA0003719652140000143
其中
Figure GDA0003719652140000144
表示沿着i方向上在在j位置上图像的梯度值。图像的客观评估指标结果如表1所示：
Figure GDA0003719652140000145
Figure GDA0003719652140000151
表1
由表1中的数据可以得到，在五组图像增强结果参数对比中，五种算法的各个评价指标呈现递增的变化趋势，这是因为改进算法对于图像的颜色信息以及对比度信息不断改进，算法的细节内容在不断的增强。而本发明实施例的算法的熵值、清晰度、平均梯度指标比其他对比算法都大，都得到了提升。这说明本发明实施例方法恢复了更多的细节信息和颜色信息，具有较高的亮度保持度和色彩保真度。所以不管在最后增强图像的视觉质量，即主观评价上，还是在客观参数的评价上，本发明提出的方法都具有优越性，与现有的传统图像增强方法相比可以取得更好的效果。
如图2所示，本发明还提供一种基于MSRCR的自适应低照度图像增强系统，可用于实施图1所示的方法，具体包括输入模块21、空间转换模块22、分解模块23、计算模块24、增强模块25和融合模块26，其中：
输入模块21，用于输入源图像Iin(u,v)；
空间转换模块22，用于将源图像Iin(u,v)由RGB空间转换至HSV空间，得到色调分量H(u,v)、亮度分量V(u,v)和饱和度分量S(u,v)；
分解模块23，用于分解亮度分量V(u,v)，得到Retinex增强层V1和细节恢复层V2；
计算模块24，用于通过MSRCR算法对Retinex增强层V1进行自适应权重计算，得到增强层计算结果Q1；
增强模块25，用于通过导向滤波算法增强细节恢复层V2，得到增强后的细节恢复层
Figure GDA0003719652140000161
融合模块26，用于融合增强层计算结果Q1和增强后的细节恢复层
Figure GDA0003719652140000162
得到亮度分量Vfina(u,v)；
空间转换模块22，用于逆变换色调分量H(u,v)、亮度分量Vfina(u,v)和饱和度分量S(u,v)至RGB空间，得到图像增强后的图像Ien(u,v)。
具体的，计算模块24包括：
分类单元241，用于在[0,255]区域范围内，利用正态分布模型将Retinex增强层V1的像素点分类为暗像素点、中亮像素点和亮像素点，暗像素点位于暗区域[0,85)，中亮像素点位于中亮区域[85,170)，亮像素点位于亮区域[170,255]；
似然概率计算单元242，用于计算暗像素点、中亮像素点、以及亮像素点的似然概率，得出暗像素点的似然概率z1、中亮像素点的似然概率z2、以及亮像素点的似然概率z3，计算过程如步骤S4所示；
权重计算单元243，用于根据暗像素点的似然概率z1、中亮像素点的似然概率z2、以及亮像素点的似然概率z3计算暗像素点的权重ω1、中亮像素点的权重ω2、以及亮像素点的权重ω3，计算过程如步骤S4所示；
增强计算单元244，还用于根据暗像素点的权重ω1、中亮像素点的权重ω2、以及亮像素点的权重ω3计算增强层计算结果Q1，计算过程如步骤S4所示。
具体的，增强模块25包括：
滤波计算单元251，用于以细节恢复层V2作为导向图像进行滤波计算，得到滤波后的平滑层图像Q2；
差值计算单元252，用于根据细节恢复层V2和平滑层图像Q2进行差值图像计算，得到边缘层图像Q3，计算过程如步骤S5所示；
增强单元253，用于设置增益系数k作为边缘层图像Q3的权重，计算出增强后的细节恢复层
Figure GDA0003719652140000171
计算过程如步骤S5所示。
具体的，融合模块26包括：
融合单元261，用于融合增强后的细节恢复层
Figure GDA0003719652140000172
与增强层计算结果Q1，得到融合结果
Figure GDA0003719652140000173
计算过程如步骤S6所示；
归一化单元262，用于选取模板窗口m×n，将融合结果
Figure GDA0003719652140000174
归一化；
均值计算单元263，用于计算经归一化的融合结果
Figure GDA0003719652140000175
中像素点f(x,y)的局部区域8邻域均值average，计算过程如步骤S6所示；
对比度增强单元264，用于增强像素点f(x,y)的灰度值，s为增强强度，得到对比度增强后的融合结果
Figure GDA0003719652140000176
计算过程如步骤S6所示；
细节拉伸单元265，用于根据伽马矫正方法对对比度增强后的融合结果
Figure GDA0003719652140000177
进行细节拉伸，得到亮度分量Vfina(u,v)。
图13为本发明实施例的系统处理输入图像的一实施流程，其中k的取值为2，最终可获得具有清晰边缘和色彩自然的融合图像。
本发明实施例提供的基于MSRCR的自适应低照度图像增强方法及系统，可以抑制多尺度Retinex算法处理低照度图像时出现的“光晕伪影”和色彩泛白现象，并且能够恢复图像更多的色彩信息，可用于处理光照不足环境下拍摄的低质量图像；其能够有效地克服尺度参数对亮度信息恢复造成的过增强现象；将MSRCR算法与导向滤波的保边优势进行融合，最终获得具有清晰边缘和色彩自然的增强图像。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (8)

1.一种基于MSRCR的自适应低照度图像增强方法，其特征在于，包括：
输入源图像Iin(u,v)；
将所述源图像Iin(u,v)由RGB空间转换至HSV空间，得到色调分量H(u,v)、亮度分量V(u,v)和饱和度分量S(u,v)；
分解所述亮度分量V(u,v)，得到Retinex增强层V1和细节恢复层V2；
通过MSRCR算法对所述Retinex增强层V1进行自适应权重计算，得到增强层计算结果Q1；
通过导向滤波算法增强所述细节恢复层V2，得到增强后的细节恢复层
Figure FDA0003719652130000014
融合所述增强层计算结果Q1和所述增强后的细节恢复层
Figure FDA0003719652130000015
得到亮度分量Vfina(u,v)；
逆变换所述色调分量H(u,v)、所述亮度分量Vfina(u,v)和所述饱和度分量S(u,v)至RGB空间，得到图像增强后的图像Ien(u,v)；
所述通过MSRCR算法对所述Retinex增强层V1进行自适应权重计算，得到增强层计算结果Q1包括：
在[0,255]区域范围内，利用标准正态分布模型将所述Retinex增强层V1的像素点分类为暗像素点、中亮像素点和亮像素点，所述暗像素点位于暗区域[0,85)，所述中亮像素点位于中亮区域[85,170)，所述亮像素点位于亮区域[170,255]；
计算所述暗像素点、所述中亮像素点、以及所述亮像素点的似然概率，得出所述暗像素点的似然概率z1、所述中亮像素点的似然概率z2、以及所述亮像素点的似然概率z3，
Figure FDA0003719652130000011
Figure FDA0003719652130000012
Figure FDA0003719652130000013
其中，所述x和y为V1图像的像素坐标信息，所述μ1为所述暗区域的正态分布模型的期望值，所述μ2为所述中亮区域的正态分布模型的期望值，所述μ3为所述亮区域的正态分布模型的期望值，所述σ为正态分布模型的标准差；
根据所述暗像素点的似然概率z1、所述中亮像素点的似然概率z2、以及所述亮像素点的似然概率z3计算所述暗像素点的权重ω1、所述中亮像素点的权重ω2、以及所述亮像素点的权重ω3，
Figure FDA0003719652130000021
根据所述暗像素点的权重ω1、所述中亮像素点的权重ω2、以及所述亮像素点的权重ω3计算所述增强层计算结果Q1，
Figure FDA0003719652130000022
其中，所述Cj(x,y)为每个尺度下的颜色恢复因子，所述
Figure FDA0003719652130000023
为ωj的转置，所述fj(x,y)为每个尺度下的高斯滤波器，所述“*”为卷积运算。
2.如权利要求1所述的基于MSRCR的自适应低照度图像增强方法，其特征在于，所述分解所述亮度分量V(u,v)，得到Retinex增强层V1和细节恢复层V2包括：
计算所述Retinex增强层V1和所述细节恢复层V2的计算公式为：
V＝αV1+βV2,α+β＝1
其中，所述α为所述V1的权重，所述β为所述V2的权重。
3.如权利要求2所述的基于MSRCR的自适应低照度图像增强方法，其特征在于，所述α的取值为0.8，所述β的取值为0.2。
4.如权利要求1所述的基于MSRCR的自适应低照度图像增强方法，其特征在于，所述通过导向滤波算法增强所述细节恢复层V2，得到增强后的细节恢复层
Figure FDA0003719652130000024
包括：以所述细节恢复层V2作为导向图像进行滤波计算，得到滤波后的平滑层图像Q2；根据所述细节恢复层V2和所述平滑层图像Q2进行差值图像计算，得到边缘层图像Q3，
Q3＝V2-Q2
设置增益系数k作为所述边缘层图像Q3的权重，计算出所述增强后的细节恢复层
Figure FDA0003719652130000031
Figure FDA0003719652130000032
5.如权利要求1所述的基于MSRCR的自适应低照度图像增强方法，其特征在于，所述融合所述增强层计算结果Q1和所述增强后的细节恢复层
Figure FDA0003719652130000033
得到亮度分量Vfina(u,v)包括：
融合所述增强后的细节恢复层
Figure FDA0003719652130000034
与所述增强层计算结果Q1，得到融合结果
Figure FDA0003719652130000035
Figure FDA0003719652130000036
选取模板窗口m×n，将所述融合结果
Figure FDA0003719652130000037
归一化；
计算经归一化的所述融合结果
Figure FDA0003719652130000038
中像素点f(x,y)的局部区域8邻域均值average，
Figure FDA0003719652130000039
增强所述像素点f(x,y)的灰度值，s为增强强度，得到对比度增强后的融合结果
Figure FDA00037196521300000310
Figure FDA00037196521300000311
根据伽马矫正方法对所述对比度增强后的融合结果
Figure FDA00037196521300000312
进行细节拉伸，得到所述亮度分量Vfina(u,v)，
Vfina(u,v)＝h*(Rm ^gamma),h＝(1-Rm)/Rm
其中，所述Rm为所述
Figure FDA00037196521300000313
的均值，所述h为调节因子。
6.一种基于MSRCR的自适应低照度图像增强系统，其特征在于，包括：
输入模块，用于输入源图像Iin(u,v)；
空间转换模块，用于将所述源图像Iin(u,v)由RGB空间转换至HSV空间，得到色调分量H(u,v)、亮度分量V(u,v)和饱和度分量S(u,v)；
分解模块，用于分解所述亮度分量V(u,v)，得到Retinex增强层V1和细节恢复层V2；计算模块，用于通过MSRCR算法对所述Retinex增强层V1进行自适应权重计算，得到增强层计算结果Q1；
增强模块，用于通过导向滤波算法增强所述细节恢复层V2，得到增强后的细节恢复层
Figure FDA0003719652130000041
融合模块，用于融合所述增强层计算结果Q1和所述增强后的细节恢复层
Figure FDA0003719652130000042
得到亮度分量Vfina(u,v)；
所述空间转换模块，用于逆变换所述色调分量H(u,v)、所述亮度分量Vfina(u,v)和所述饱和度分量S(u,v)至RGB空间，得到图像增强后的图像Ien(u,v)；
所述计算模块包括：
分类单元，用于在[0,255]区域范围内，利用标准正态分布模型将所述Retinex增强层V1的像素点分类为暗像素点、中亮像素点和亮像素点，所述暗像素点位于暗区域[0,85)，所述中亮像素点位于中亮区域[85,170)，所述亮像素点位于亮区域[170,255]；
似然概率计算单元，用于计算所述暗像素点、所述中亮像素点、以及所述亮像素点的似然概率，得出所述暗像素点的似然概率z1、所述中亮像素点的似然概率z2、以及所述亮像素点的似然概率z3，
Figure FDA0003719652130000043
Figure FDA0003719652130000044
Figure FDA0003719652130000045
其中，所述x和y为V1图像的像素坐标信息，所述μ1为所述暗区域的正态分布模型的期望值，所述μ2为所述中亮区域的正态分布模型的期望值，所述μ3为所述亮区域的正态分布模型的期望值，所述σ为正态分布模型的标准差；
权重计算单元，用于根据所述暗像素点的似然概率z1、所述中亮像素点的似然概率z2、以及所述亮像素点的似然概率z3计算所述暗像素点的权重ω1、所述中亮像素点的权重ω2、以及所述亮像素点的权重ω3，
Figure FDA0003719652130000051
增强计算单元，还用于根据所述暗像素点的权重ω1、所述中亮像素点的权重ω2、以及所述亮像素点的权重ω3计算所述增强层计算结果Q1，
Figure FDA0003719652130000052
其中，所述Cj(x,y)为每个尺度下的颜色恢复因子，所述
Figure FDA0003719652130000053
为ωj的转置，所述fj(x,y)为每个尺度下的高斯滤波器，所述“*”为卷积运算。
7.如权利要求6所述的基于MSRCR的自适应低照度图像增强系统，其特征在于，所述增强模块包括：
滤波计算单元，用于以所述细节恢复层V2作为导向图像进行滤波计算，得到滤波后的平滑层图像Q2；
差值计算单元，用于根据所述细节恢复层V2和所述平滑层图像Q2进行差值图像计算，得到边缘层图像Q3，
Q3＝V2-Q2
增强单元，用于设置增益系数k作为所述边缘层图像Q3的权重，计算出所述增强后的细节恢复层
Figure FDA0003719652130000054
Figure FDA0003719652130000055
8.如权利要求7所述的基于MSRCR的自适应低照度图像增强系统，其特征在于，所述融合模块包括：
融合单元，用于融合所述增强后的细节恢复层
Figure FDA0003719652130000056
与所述增强层计算结果Q1，得到融合结果
Figure FDA0003719652130000057
Figure FDA0003719652130000061
归一化单元，用于选取模板窗口m×n，将所述融合结果
Figure FDA0003719652130000062
归一化；
均值计算单元，用于计算经归一化的所述融合结果
Figure FDA0003719652130000063
中像素点f(x,y)的局部区域8邻域均值average，
Figure FDA0003719652130000064
对比度增强单元，用于增强所述像素点f(x,y)的灰度值，s为增强强度，得到对比度增强后的融合结果
Figure FDA0003719652130000065
Figure FDA0003719652130000066
细节拉伸单元，用于根据伽马矫正方法对所述对比度增强后的融合结果
Figure FDA0003719652130000067
进行细节拉伸，得到所述亮度分量Vfina(u,v)，
Vfina(u,v)＝h*(Rm ^gamma),h＝(1-Rm)/Rm
其中，所述Rm为所述
Figure FDA0003719652130000068
的均值，所述h为调节因子。
CN202110660908.5A 2021-06-15 2021-06-15 基于msrcr的自适应低照度图像增强方法及系统 Active CN113256533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110660908.5A CN113256533B (zh) 2021-06-15 2021-06-15 基于msrcr的自适应低照度图像增强方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110660908.5A CN113256533B (zh) 2021-06-15 2021-06-15 基于msrcr的自适应低照度图像增强方法及系统

Publications (2)

Publication Number Publication Date
CN113256533A CN113256533A (zh) 2021-08-13
CN113256533B true CN113256533B (zh) 2022-08-09

Family

ID=77187924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110660908.5A Active CN113256533B (zh) 2021-06-15 2021-06-15 基于msrcr的自适应低照度图像增强方法及系统

Country Status (1)

Country Link
CN (1) CN113256533B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114119433A (zh) * 2021-11-09 2022-03-01 武汉贝塞尔三维图像设计有限公司 一种基于贝塞尔曲线的暗图像处理方法
CN114429426B (zh) * 2021-12-20 2022-08-16 哈尔滨理工大学 一种基于Retinex模型的低照度图像质量改善方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530250A (zh) * 2016-11-07 2017-03-22 湖南源信光电科技有限公司 一种基于改进的Retinex低照度彩色图像增强方法
CN109191390A (zh) * 2018-08-03 2019-01-11 湘潭大学 一种基于不同颜色空间多算法融合的图像增强算法
CN109978789A (zh) * 2019-03-26 2019-07-05 电子科技大学 一种基于Retinex算法与引导滤波的图像增强方法
CN111968041A (zh) * 2020-07-03 2020-11-20 南昌大学 一种自适应图像增强方法
CN113313639A (zh) * 2021-03-03 2021-08-27 辽宁工程技术大学 基于Retinex多层次分解的图像增强方法
CN114187222A (zh) * 2021-12-13 2022-03-15 安徽大学 一种低照度图像的增强方法、系统及可存储介质
CN114549358A (zh) * 2022-02-24 2022-05-27 清华大学合肥公共安全研究院 基于引导滤波的相机特性的低照度图像增强方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654433A (zh) * 2015-12-28 2016-06-08 桂林电子科技大学 基于改进多尺度Retinex的彩色图像增强方法
CN107527332B (zh) * 2017-10-12 2020-07-31 长春理工大学 基于改进Retinex的低照度图像色彩保持增强方法
CN110047051B (zh) * 2019-04-24 2022-09-13 郑州轻工业学院 一种非均匀照明彩色图像增强方法
CN110473152B (zh) * 2019-07-30 2022-08-12 南京理工大学 基于改进Retinex算法的图像增强方法
CN111223068B (zh) * 2019-11-12 2023-02-28 西安建筑科技大学 基于Retinex的自适应非均匀低照度图像增强的方法
CN112288652A (zh) * 2020-10-30 2021-01-29 西安科技大学 一种基于PSO寻优的引导滤波-Retinex低照度图像增强方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530250A (zh) * 2016-11-07 2017-03-22 湖南源信光电科技有限公司 一种基于改进的Retinex低照度彩色图像增强方法
CN109191390A (zh) * 2018-08-03 2019-01-11 湘潭大学 一种基于不同颜色空间多算法融合的图像增强算法
CN109978789A (zh) * 2019-03-26 2019-07-05 电子科技大学 一种基于Retinex算法与引导滤波的图像增强方法
CN111968041A (zh) * 2020-07-03 2020-11-20 南昌大学 一种自适应图像增强方法
CN113313639A (zh) * 2021-03-03 2021-08-27 辽宁工程技术大学 基于Retinex多层次分解的图像增强方法
CN114187222A (zh) * 2021-12-13 2022-03-15 安徽大学 一种低照度图像的增强方法、系统及可存储介质
CN114549358A (zh) * 2022-02-24 2022-05-27 清华大学合肥公共安全研究院 基于引导滤波的相机特性的低照度图像增强方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Single Image Defogging Based on Multi-Channel Convolutional MSRCR;W. Zhang, L. Dong, X. Pan, J. Zhou, L. Qin , W. Xu;《Digital Object Identifier》;20191231;论文第 72492-72504页 *
改进重构的自适应权重Retinex图像增强算法;李忠海,陈灿灿,金海洋;《火力与指挥控制》;20181231;论文第127-131页 *
用于低照度图像增强的自适应颜色保持算法;朱德利,杨德刚,万辉,杨雨浓;《计算机工程与应用》;20191231;论文第190-195页 *
野生动物监测光照自适应Retinex图像增强算法;张军国,程浙安,胡春鹤,陈宸,鲍伟东;《农业工程学报》;20181231;论文第183-189页 *

Also Published As

Publication number Publication date
CN113256533A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN107527332B (zh) 基于改进Retinex的低照度图像色彩保持增强方法
CN110889812B (zh) 一种多尺度融合图像特征信息的水下图像增强方法
CN111986120A (zh) 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法
CN111047530A (zh) 基于多特征融合的水下图像颜色校正和对比度增强方法
CN114066747B (zh) 一种基于光照和反射互补性的低照度图像增强方法
CN111968041A (zh) 一种自适应图像增强方法
CN113256533B (zh) 基于msrcr的自适应低照度图像增强方法及系统
CN114331873B (zh) 一种基于区域划分的非均匀光照彩色图像校正方法
CN109886885B (zh) 一种基于Lab色彩空间和Retinex的图像增强方法及系统
CN104318529A (zh) 处理在恶劣环境中所拍摄低照度图像的方法
CN117252773A (zh) 基于自适应颜色校正和导向滤波的图像增强方法及系统
Kim et al. Single image haze removal using hazy particle maps
CN111476744A (zh) 一种基于分类及大气成像模型的水下图像增强方法
CN111563854B (zh) 用于水下图像增强处理的粒子群优化方法
CN114972102B (zh) 基于全局变对比度增强和局部校正的水下图像增强方法
CN117611501A (zh) 一种低照度图像增强方法、装置、设备及可读存储介质
Lei et al. Low-light image enhancement using the cell vibration model
CN110580690B (zh) 一种识别峰值变换非线性曲线的图像增强方法
Wang et al. Single Underwater Image Enhancement Based on $ L_ {P} $-Norm Decomposition
CN115809966A (zh) 一种低照度图像的增强方法和系统
CN113781367A (zh) 一种低照度图像直方图均衡后降噪方法
CN109859138A (zh) 一种基于人眼视觉特性的红外图像增强方法
CN114037641A (zh) 一种低照度图像增强方法、装置、设备及介质
CN116681627B (zh) 一种跨尺度融合的自适应水下图像生成对抗增强方法
CN110175959B (zh) 一种台风云图增强方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant