霧天圖像增強中Retinex算法的細節信息優化

陳靜

摘 要：為了解決霧天圖像增強中的細節信息優化問題，提出了一種新的基于亮度塊Retinex算法的霧天圖像增強方法。該方法首先采用背景亮度作為激勵亮度值對圖像的亮度塊進行分割，然后采用不同尺度的增強因子對分割塊進行增強，在對像素的邊緣信息分割之后，再按照一定的比例對塊信息進行融合。仿真結果顯示：與傳統的Retinex算法相比，基于亮度塊的圖像增強Retinex算法的信息熵較高，增強效果較好。

關鍵詞：Retinex算法；圖像增強；細節信息優化；亮度塊；信息熵

中圖分類號：TP391.41 文獻標識碼：A 文章編號：2095-1302（2015）12-00-02

0 引 言

圖像增強是為了達到人們觀察或機器分析和判別的目的從而在原始圖像上采取的改進方法[1]。如今，因為人類活動對環境的破壞，導致霧霾現象經常出現。霧天環境下，戶外景物的顏色及對比度都發生了退化，計算機視覺系統不能正確對場景中的目標進行檢測和跟蹤，因此需要對霧天圖像作清晰化處理[2-4]。目前，霧天圖像處理方法主要分為基于大氣退化物理模型[5-7]的方法和增強對比度[8]這兩種方法。

Retinex 算法是Land[9]等人在1964年提出的，現已從不同角度有所發展，雖然基于Retinex 算法的增強效果較好，但它忽略了霧天圖像亮度較低的特點，使得處理結果色彩暗淡，細節表現力差[10]。為了解決現有的霧天圖像增強中的細節處理問題，本文提出了一種基于亮度塊的Retinex算法增強圖像的細節。首先采用背景亮度作為激勵亮度值對圖像的亮度塊進行分割，然后采用不同尺度的增強因子對分割塊進行增強，最后在對像素的邊緣信息分割之后，按照一定的比例對塊信息進行融合。實驗結果表明，與傳統的Retinex算法相比，本文算法的信息熵較高，增強之后圖像細節更豐富。

1 標準Retinex算法

2 改進的Retinex算法

2.1 亮度塊分割

根據心理學韋伯定律，ΔB/B=K， B表示激勵強度，ΔB表示最小的顯著差別，K是一常數。引入背景強度代替激勵強度，不同區域有不同的斜坡，每個區域分割成三個區域：飽和區、中亮度區和低亮度區。高亮度區由于受刺激飽和度的影響稱作飽和區。中亮度區隨亮度均勻變化，顏色信息豐富，因此人眼確定的主要區域集中在中亮度區。而在低亮度區，人眼很難感知到亮度的變化。

當像素滿足B1≤B（x，y）≤B2和T（x，y）/B（x，y）≥T1時，該區域被判定為中亮度區；當像素滿足B（x，y）≥B2和T（x，y）/B（x，y）2≥T2時，該區域被判定為飽和區；其它的為低亮度區。按照上述方法將圖像的亮度分割為很多區域來實現不同圖像分別實施圖像增強的目的對對應的參數進行設置，a=0.01， b=0.7，m=0.8，n=1.6。

2.2 亮度塊增強

在本文中，原始圖像的3個分割區域的亮度定義為：低亮度區I1，中亮度區I2和飽和區I3。Retinex算法的計算過程不采用線性加權的方法而采用亮度區的劃分結果，在不同的尺度σ上進行有針對性的Retinex 增強，從而集成了不同尺度高斯函數的優點。

由于中亮度區的視覺效果最好且更適合人眼觀察效果，因此本文以中亮度區的處理為例。首先，采用尺度為σ2的高斯函數進行濾波操作得到區域的輸入系數，然后從圖像中減去輸入系數得到反射系數，從而實現對亮度區的增強。將原始圖像S用亮度I來表示，則可以用如下公式表示：

其中，F2（x，y）是尺度為σ2的高斯函數， I2（x，y）是分割之后亮度區的像素，與中亮度區的計算類似， 余下的飽和區和低亮度區同樣采用獨立處理方法進行處理，分別采用不同的高斯濾波器在不同的尺度上進行運算以實現不同亮度區的亮度增強，公式表達如下：

其中，Fk（x，y）是尺度為σk的高斯函數，Ik是不同的亮度區，k=1，2，3。*代表僅應用在對應亮度區Ik， k=1，2，3的高斯模版的中心核。

通過上述對不同亮度區的分別處理得到其對應的亮度區反射系數R1（x，y），R2（x，y）和R3（x，y），從而實現圖像增強。

2.3 塊信息融合

定義所有區域經過不同尺度處理之后的結果為：I'1，I'2，和I'3。選擇區域中心像素點O（x，y）作為中心點，區域周邊大小為N×N的方形窗口作為模版，窗口中低亮度區、中亮度區及飽和區的比例分別表示為p1， p2和p3，則信息融合的比例公式如下：

其中，N通常取奇數如3和5，以3×3的窗口為例，矩陣的中心點代表未知圖像的亮度點。隨著窗口選擇的細化，計算量也隨之增大。將最終結果的I'（x，y）與原始圖像的H， S分量相結合就得到我們需要的增強結果。該算法只處理圖像的亮度信息，因此，與原圖像相比，增強的圖像在顏色和飽和度上的失真較少，且視覺特征也得到了提高。

3 實驗仿真

為了驗證本文所提算法的有效性，進行了仿真實驗并與傳統的Retinex算法作比較。在濃霧和薄霧的實驗條件下，比較了采用兩種算法增強之后圖像的信息熵，實驗結果如圖1和圖2所示。

由圖1和圖2可以看出，與傳統的Retinex算法增強相比，采用本文提出的Retinex算法進行增強后圖像的信息熵更大，因此通過采用改進的Retinex算法進行圖像增強，圖像的細節更加豐富。

4 結 語

針對霧天圖像增強中存在的細節優化問題，提出了基于亮度塊分割的改進Retinex算法圖像增強算法，采用背景亮度作為激勵亮度值對圖像的亮度塊進行分割，然后采用不同尺度的增強因子對分割塊進行增強，最后在對像素的邊緣信息分割之后，按照一定的比例對塊信息進行融合。仿真結果顯示：與傳統的Retinex算法相比，本文提出的基于亮度塊的圖像增強Retinex算法的信息熵較高，增強之后圖像細節更豐富。

參考文獻

[1] 趙宏宇，肖創柏，禹晶，等.基于WLS的Retinex單幅夜間彩色圖像增強方法[J].北京工業大學學報，2014，40（3）：404-410.

[2]儲召輝，汪榮貴，方帥.基于Retinex理論的小波域霧天圖像增強方法[J].計算機工程與應用，2011，47（15）：175-179.

[3]王多超，王永國，董雪梅，等.貝葉斯框架下的單幅圖像去污算法[J].計算機輔助設計與圖形學學報，2010，22（10）：1756-1761.

[4]羅會蘭，林家彪.一種基于多尺度Retinex算法的圖像去霧方法[J].計算機應用與軟件，2013，30（4）：58-60.

[5] Oakley JP， Satherley BL.Improving image quality in poor visibility conditions using a physical model for contrast degradation [J]. IEEE Transactions on Image Processing， 1998， 7（2）： 167-179.

[6] NARASIMHAN SG， NAYAR SK.Contrast reato-ration of weather degraded images [J].IEEE Transactions on Patten Analysis and Machine Intelligence， 2003，25（6）： 713-724.

[7] NARASIMHAN SG， NAYAR SK. Vision and the atmosphere[J].International Journal of Computer Vision， 2002， 48（3）： 233-254.

[8] 陳志斌，張超，宋巖，等.灰度拉伸Retinex在大動態范圍煙霧圖像增強中的應用[J].紅外與激光工程，2014，43（9）：3146-3150.

[9] Land E H， McCann L J. Lightness and retinex theory[J].Journal of the Optical Society of American，1971，61（1）：1-11.

[10]劉佳嘉，周超.一種基于色彩恒常理論的薄霧圖像增強方法[J].科學技術與工程，2013，13（13）：3774-3778.