基于光照-反射成像模型和形態(tài)學(xué)操作的多譜段圖像增強(qiáng)算法?

王殿偉 韓鵬飛 范九倫 劉穎 許志杰 王晶

1)(西安郵電大學(xué)通信與信息工程學(xué)院,西安 710121)2)(電子信息現(xiàn)場(chǎng)勘驗(yàn)應(yīng)用技術(shù)公安部重點(diǎn)實(shí)驗(yàn)室,西安 710121)3)((英國)哈德斯菲爾德大學(xué)計(jì)算機(jī)與工程學(xué)院,哈德斯菲爾德HD13DH)4)((英國)謝菲爾德哈雷姆大學(xué)計(jì)算機(jī)學(xué)院,謝菲爾德S11WB)(2018年7月4日收到;2018年8月10日收到修改稿)

為解決多譜段降質(zhì)圖像增強(qiáng)問題,提出了一種基于光照-反射成像模型和形態(tài)學(xué)操作的多譜段圖像增強(qiáng)算法.首先對(duì)圖像飽和度使用自適應(yīng)非線性拉伸函數(shù)進(jìn)行拉伸,使增強(qiáng)后的圖像色彩更加飽和、自然;接下來利用引導(dǎo)濾波算法提取出圖像的光照分量,提出了一種基于細(xì)節(jié)特征的加權(quán)融合策略,利用光照分布特性構(gòu)造了一種自適應(yīng)Gamma校正函數(shù)對(duì)光照分量進(jìn)行處理,并將其與利用對(duì)比度受限的自適應(yīng)直方圖均衡化方法處理后的光照分量以及原始光照分量進(jìn)行融合;然后在反射分量校正時(shí),構(gòu)造了一種形態(tài)學(xué)操作函數(shù)來校正反射信息;最后合并光照分量和反射分量,并與處理后的飽和度分量和色調(diào)分量一起得到增強(qiáng)圖像.采用主客觀評(píng)價(jià)指標(biāo)對(duì)可見光低照度圖像、水下圖像、高動(dòng)態(tài)范圍圖像、沙塵暴圖像、霧天圖像和熱紅外圖像6種降質(zhì)多譜段圖像實(shí)驗(yàn)結(jié)果進(jìn)行分析比較,結(jié)果表明本文算法能夠有效地抑制圖像噪聲、增強(qiáng)圖像細(xì)節(jié)信息、改善圖像視覺效果,可應(yīng)用于多種圖像增強(qiáng)領(lǐng)域.

1 引 言

隨著科學(xué)技術(shù)水平的不斷發(fā)展,多譜段圖像的成像技術(shù)已經(jīng)被廣泛應(yīng)用于醫(yī)學(xué)診斷、公共安檢、交通監(jiān)管、視覺導(dǎo)航等領(lǐng)域.但在實(shí)際的工程應(yīng)用中,由于外界環(huán)境影響以及譜段自身的性質(zhì)限制[1,2],導(dǎo)致采集到的圖像質(zhì)量受損、噪聲偏多、圖像整體對(duì)比度較低,對(duì)后續(xù)圖像的觀察以及分析造成了很大的困難.因此,對(duì)多譜段圖像進(jìn)行增強(qiáng),提高圖像視覺效果、增強(qiáng)圖像對(duì)比度以及細(xì)節(jié)信息就顯得尤為重要[3,4].

與普通場(chǎng)景圖像的增強(qiáng)算法相比較,低照度圖像、水下圖像、高動(dòng)態(tài)范圍(high-dynamic range,HDR)圖像、沙塵暴圖像、霧天圖像以及熱紅外圖像的增強(qiáng)算法相對(duì)較少.常用的圖像增強(qiáng)算法主要包括直方圖均衡化[5?7]、基于Retinex理論的圖像增強(qiáng)算法[8?11]、頻域?yàn)V波[12?15]和基于物理模型類算法[16?18]等.這些算法各有優(yōu)缺點(diǎn):1)直方圖均衡化類算法利用圖像像素的分布特點(diǎn)來對(duì)圖像進(jìn)行增強(qiáng),易產(chǎn)生過增強(qiáng)現(xiàn)象,且增強(qiáng)后圖像的視覺效果不夠好;2)基于Retinex理論的算法使得增強(qiáng)后圖像更加符合人眼特性,視覺效果更好,但會(huì)產(chǎn)生光暈現(xiàn)象;3)頻域?yàn)V波主要是濾除圖像中的噪聲,對(duì)圖像進(jìn)行平滑;4)基于物理模型的算法可使增強(qiáng)后的圖像更加清晰,色彩更加飽和豐富;但是上述圖像增強(qiáng)算法只能夠增強(qiáng)某一特定譜段的圖像領(lǐng)域的問題,具有局限性.目前對(duì)于多個(gè)譜段圖像增強(qiáng)算法研究較少,畢國玲等[3]利用基于光照-反射成像模型和有界運(yùn)算的方法對(duì)低照度圖像、霧霾圖像、紅外圖像以及X光醫(yī)學(xué)圖像進(jìn)行增強(qiáng),不僅可以很好地增強(qiáng)圖像亮度,提高圖像對(duì)比度,而且增強(qiáng)后的圖像具有較好的視覺效果,其局限性在于其適用于灰度圖像;李紅等[4]利用基于主特征提取的Retinex多譜段圖像增強(qiáng)算法實(shí)現(xiàn)了對(duì)X光圖像、紫外圖像、可見光圖像、低照度可見光圖像和紅外圖像等圖像的增強(qiáng),可以增強(qiáng)圖像亮度和對(duì)比度,抑制圖像噪聲,使得圖像的細(xì)節(jié)信息更加凸顯,但該算法中參數(shù)多是利用經(jīng)驗(yàn)值手動(dòng)設(shè)置,難以自動(dòng)地尋找到最優(yōu)參數(shù).上述兩種多譜段圖像增強(qiáng)算法雖然很好地解決大多數(shù)多譜段圖像降質(zhì)的問題,但是均未涉及到水下、HDR與含沙塵暴圖像增強(qiáng)領(lǐng)域,具有其局限性.

針對(duì)以上問題,本文提出了一種基于光照-反射成像模型和形態(tài)學(xué)操作的多譜段圖像增強(qiáng)算法.首先將圖像亮度分為光照分量與反射分量,對(duì)于光照分量,文中提出一種細(xì)節(jié)特征加權(quán)融合策略,利用光照分布特性構(gòu)造了一種自適應(yīng)Gamma校正函數(shù)對(duì)光照分量進(jìn)行處理,并將其與利用對(duì)比度受限的自適應(yīng)直方圖均衡化(contrast-limited adaptive histogram equalization,CLAHE)方法處理后的光照分量,以及原始光照分量進(jìn)行融合;對(duì)于反射分量,構(gòu)造了一種形態(tài)學(xué)操作函數(shù),對(duì)反射分量進(jìn)行去噪的同時(shí)可以增強(qiáng)圖像細(xì)節(jié)信息;然后對(duì)于圖像飽和度,使用一種自適應(yīng)非線性拉伸函數(shù)對(duì)圖像飽和度進(jìn)行拉伸,使得圖像的色彩更加飽和、自然.文中算法實(shí)現(xiàn)了多譜段圖像去噪、對(duì)比度增強(qiáng)與細(xì)節(jié)增強(qiáng)的結(jié)合,實(shí)現(xiàn)了對(duì)可見光低照度圖像、水下圖像、HDR圖像、沙塵暴圖像、霧天圖像和熱紅外圖像6種多譜段降質(zhì)圖像的亮度以及對(duì)比度的增強(qiáng),抑制了圖像噪聲,有效地凸顯出圖像的細(xì)節(jié)信息并提高了多譜段降質(zhì)圖像的視覺質(zhì)量.

2 基本理論

2.1 光照-反射成像模型

由光照-反射成像模型[8]可知,若使用二維函數(shù)S(x,y)來表示一幅圖像,每一個(gè)像素點(diǎn)(x,y)對(duì)應(yīng)的函數(shù)值即為該點(diǎn)圖像的亮度值.S(x,y)由照射到場(chǎng)景的光照分量I(x,y)與經(jīng)物體表面反射后的反射分量R(x,y)乘積構(gòu)成,其模型表達(dá)式如下:

由光照-反射成像模型理論可得,對(duì)于一幅數(shù)字圖像,光照分量主要決定圖像中像素的動(dòng)態(tài)范圍,對(duì)應(yīng)于圖像中的低頻部分,反映了圖像的全局特性以及圖像的邊緣細(xì)節(jié)信息;反射分量代表圖像的內(nèi)在本質(zhì)特性,對(duì)應(yīng)于圖像中的高頻部分,包含圖像的大多數(shù)局部細(xì)節(jié)信息以及所有噪聲.

2.2 引導(dǎo)濾波器原理

引導(dǎo)濾波[13]是一種基于局部線性模型的具有邊緣保持平滑特性的濾波器,其思想是定義任一像素點(diǎn)與其相鄰的像素點(diǎn)為線性關(guān)系,然后對(duì)其進(jìn)行局部濾波,將所有局部濾波后的結(jié)果進(jìn)行累加來得到濾波后的結(jié)果.假設(shè)引導(dǎo)圖像為I,輸入圖像為p,輸出圖像為q.對(duì)于輸出圖像中的第i個(gè)像素而言,其計(jì)算方法可表示為

式中i和j為像素標(biāo)簽;Wij為濾波核函數(shù),定義為[11]

式中,Wk為第k個(gè)核函數(shù)窗口;|ω|為窗口內(nèi)的像素個(gè)數(shù);μk,σ2k是引導(dǎo)圖I在窗口ω內(nèi)的均值和方差;ε為平滑因子.

3 基于細(xì)節(jié)特征加權(quán)融合的圖像增強(qiáng)算法

3.1 算法原理

本文在光照-反射成像模型的基礎(chǔ)上,將圖像去噪、對(duì)比度增強(qiáng)與細(xì)節(jié)增強(qiáng)相結(jié)合,提出了一種基于光照-反射成像模型和形態(tài)學(xué)操作的多譜段圖像增強(qiáng)算法,基本步驟(見圖1)如下:1)將圖像從RGB色彩空間轉(zhuǎn)到HSV色彩空間,獲取圖像的亮度分量V、色調(diào)分量H與飽和度分量S;2)使用一種自適應(yīng)非線性拉伸函數(shù)對(duì)S分量進(jìn)行自適應(yīng)拉伸,使得圖像的色彩更加飽滿、自然;3)利用引導(dǎo)濾波對(duì)V分量進(jìn)行處理,將其分解為光照分量和反射分量,估計(jì)出圖像的光照分量,提出了一種基于細(xì)節(jié)特征的加權(quán)融合策略,利用光照分布特性構(gòu)造了一種自適應(yīng)Gamma校正函數(shù)對(duì)光照分量進(jìn)行處理,并將其與利用CLAHE方法處理后的光照分量以及原始光照分量進(jìn)行融合;4)構(gòu)造了一種形態(tài)學(xué)操作函數(shù)對(duì)反射分量進(jìn)行處理,在去除圖像噪聲的同時(shí)增強(qiáng)圖像細(xì)節(jié)信息;5)最后將處理后的反射分量與光照分量合并得到增強(qiáng)后的亮度分量V,與色調(diào)H、拉伸后的飽和度S進(jìn)行合并,并將增強(qiáng)后的結(jié)果轉(zhuǎn)換到RGB色彩空間,從而得到增強(qiáng)后的圖像.本文算法的流程圖如圖1所示.

圖1 本文算法流程圖Fig.1.Flow diagram of proposed method.

3.2 亮度分量V增強(qiáng)

為了更好地提高圖像的圖像質(zhì)量,減少光照等因素對(duì)于圖像的影響,準(zhǔn)確地提取出圖像的光照信息特別重要.目前,應(yīng)用較廣泛的光照信息提取算法主要有基于高斯濾波的算法[9]、基于變分框架的Retinex算法[10]、引導(dǎo)濾波算法[12,13]和雙邊濾波算法[14,15]等.基于高斯濾波的提取算法容易造成圖像邊緣模糊,細(xì)節(jié)信息保持較差;基于變分框架的Retinex算法提取光照信息時(shí),對(duì)含有光照突變的圖像提取效果并不理想;雙邊濾波算法的運(yùn)算量過大,實(shí)時(shí)性不好,難以應(yīng)用于實(shí)際工程中.

3.2.1 光照分量增強(qiáng)

鑒于引導(dǎo)濾波算法在對(duì)圖像平滑時(shí)具有良好的邊緣保持能力,并能夠抑制圖噪聲,本文采用引導(dǎo)濾波算法對(duì)亮度分量V做濾波平滑,利用(1)式所示的光照-反射成像模型,將圖像的亮度分解為光照分量I(x,y)與反射分量R(x,y)的乘積.為了獲得更好的光照分量的增強(qiáng)效果,分別采用自適應(yīng)Gamma校正算法和CLAHE[6]方法對(duì)圖像的光照分量進(jìn)行處理,并利用基于細(xì)節(jié)特征的加權(quán)融合算法進(jìn)行融合,對(duì)光照分量的處理過程如圖2所示.

輸入I1為圖像的原始光照分量I(x,y),其包含了大量的原始結(jié)構(gòu)信息,可以避免圖像增強(qiáng)過程中產(chǎn)生失真現(xiàn)象.

輸入I2是采用自適應(yīng)Gamma函數(shù)對(duì)光照分量進(jìn)行校正后的結(jié)果,本文提出了一種新的自適應(yīng)Gamma校正函數(shù),表達(dá)式為

式中I(x,y)為原始光照分量值;I2(x,y)為自適應(yīng)校正后的光照分量值;r(x,y)為Gamma函數(shù)的控制參數(shù),其取值直接決定Gamma函數(shù)校正的效果.

現(xiàn)有的Gamma校正算法中r(x,y)的值通常憑經(jīng)驗(yàn)選取一個(gè)固定值,當(dāng)r(x,y)>1時(shí)會(huì)降低整幅圖像的亮度,當(dāng)r(x,y)<1時(shí)會(huì)提高整幅圖像的亮度,r(x,y)=1時(shí)圖像亮度保持不變.實(shí)際的圖像中既有整體光照過亮的圖像也有整體光照過暗的圖像,這就給r(x,y)最優(yōu)值的選取帶來困難.為此,本文提出一種r(x,y)最優(yōu)值自適應(yīng)選取策略,利用每一個(gè)像素點(diǎn)的光照分布特性動(dòng)態(tài)地調(diào)整Gamma函數(shù)的參數(shù),實(shí)現(xiàn)對(duì)圖像亮度的自適應(yīng)校正處理,提高光照過暗區(qū)域圖像的光照分量值,降低光照過亮區(qū)域圖像的光照分量值,得到校正后的光照分量.r(x,y)的計(jì)算方法如下:這里m,n分別為圖像的寬與高. 采用自適應(yīng)Gamma校正可以很好地提高圖像亮度,豐富暗區(qū)域細(xì)節(jié)信息,抑制住原圖中較亮區(qū)域的增強(qiáng),防止出現(xiàn)過增強(qiáng).

雖然自適應(yīng)Gamma校正函數(shù)可以改善光照分量的分布,但動(dòng)態(tài)范圍有所壓縮,會(huì)導(dǎo)致圖像的局部對(duì)比度過低.因此,采用CLAHE[4]對(duì)光照分量進(jìn)行處理,得到光照輸入I3.其表達(dá)式可以寫為

圖2 光照分量算法框圖Fig.2.Processing block diagram of illumination component algorithm.

3.2.2 光照輸入融合

為了得到光照分量的最優(yōu)增強(qiáng)效果,本文提出一種基于細(xì)節(jié)特征的圖像融合策略,將3.2.1節(jié)中得到的I1,I2,I3加權(quán)融合后的值作為該像素點(diǎn)的光照分量值.鑒于圖像的方差、梯度、熵分別反映圖像質(zhì)量、清晰度以及圖像的豐富程度,選用方差、梯度、熵這3個(gè)參數(shù),來求取圖像的局部特征.方差、梯度、熵的計(jì)算方法分別為

式中Qvar,p(x,y)為方差;Qgrad,p(x,y)為梯度;Qentr,p(x,y)為熵;p=1,2,3分別代表輸入I1、輸入I2和輸入I3;d為鄰域半徑,d=(2k+1)(2k+1),尺寸大小由k決定,常用尺寸為7×7,9×9,11×11等,本文選取9×9;Ip表示第p個(gè)輸入光照估計(jì),Ip表示所選鄰域內(nèi)各像素點(diǎn)的光照分量均值,其計(jì)算公式為

融合過程中,對(duì)于每一個(gè)像素點(diǎn)(x,y),統(tǒng)計(jì)其鄰域內(nèi)像素點(diǎn)的方差、梯度和熵作為該像素點(diǎn)的局部特征,并以此來確定I1,I2和I3在融合中所占的權(quán)重.在這里,圖像的質(zhì)量測(cè)度是由上述的方差、梯度、熵的一種或多種所構(gòu)成,對(duì)應(yīng)的質(zhì)量測(cè)度定義為

其中,α,β,γ取值為0或者1.為了可以獲取更佳的光照校正效果,取方差、梯度及熵3個(gè)圖像局部特征來對(duì)圖像的光照信息進(jìn)行融合,所以α,β,γ三者都取值為1.

權(quán)重系數(shù)的設(shè)計(jì)為

式中Qp(x,y)是光照輸入估計(jì)的質(zhì)量測(cè)度,且權(quán)重系數(shù)必須滿足這里,h是一個(gè)特別小的正數(shù),目的是防止分母值為零.融合后的光照分量即為增強(qiáng)后的光照分量Ienhanced,其表達(dá)式為

3.2.3 反射分量增強(qiáng)

受成像技術(shù)影響,除可見光圖像外,低照度可見光圖像、水下圖像、HDR圖像、沙塵暴圖像、霧天圖像和熱紅外圖像中都存在一定的噪聲.圖像的反射分量包含了圖像大部分的細(xì)節(jié)信息以及圖像的噪聲.為此本文提出了一種改進(jìn)的形態(tài)學(xué)操作方法,對(duì)反射分量進(jìn)行處理,在增強(qiáng)圖像細(xì)節(jié)信息的同時(shí)去除圖像噪聲,處理步驟如下.

1)對(duì)圖像反射分量進(jìn)行膨脹操作,其結(jié)構(gòu)元素取5×5的直線型結(jié)構(gòu)元素H,然后對(duì)反射分量進(jìn)行腐蝕操作,取與H垂直的5×5的結(jié)構(gòu)元素HC,對(duì)反射分量進(jìn)行去噪,形態(tài)學(xué)操作表達(dá)式為

2)提出了一種改進(jìn)后的形態(tài)學(xué)操作對(duì)去噪后的圖像進(jìn)行處理,達(dá)到圖像細(xì)節(jié)增強(qiáng)的效果,方程定義如下:

其中b為3×3的圓盤形結(jié)構(gòu)元素.

為了驗(yàn)證這種形態(tài)學(xué)操作的增強(qiáng)效果,使用5×5的結(jié)構(gòu)元素,對(duì)加入密度為0.03的椒鹽噪聲圖像進(jìn)行膨脹、腐蝕、開與閉運(yùn)算以及本文提出的基于形態(tài)學(xué)的細(xì)節(jié)去噪增強(qiáng)算法等操作,增強(qiáng)結(jié)果如圖3所示.

圖3 不同算法對(duì)反射分量增強(qiáng)處理后的結(jié)果 (a)原始圖像;(b)密度為0.03的噪聲圖像;(c)膨脹操作結(jié)果;(d)腐蝕操作結(jié)果;(e)開操作結(jié)果;(f)閉操作結(jié)果;(g)文中提出的去噪算法;(h)本文細(xì)節(jié)增強(qiáng)算法Fig.3.Processing results of the reflection components by different techniques:(a)Original image;(b)noisy image with a density of 0.03;(c)expansion operation result;(d)corrosion operation result;(e)open operation result;(f)closed operation result;(g)denoising algorithm proposed in this paper;(h)detail enhancement algorithm proposed in this paper.

3.3 飽和度分量增強(qiáng)

對(duì)圖像的亮度分量V進(jìn)行增強(qiáng)后,圖像的亮度得到了顯著提升,但是圖像的色彩飽和度在一定程度上有所降低.因此,本文構(gòu)建了一種自適應(yīng)非線性拉伸函數(shù)對(duì)飽和度S進(jìn)行拉伸,使得增強(qiáng)后圖像的色彩更加鮮艷、自然,能夠更好地符合人眼視覺特性,函數(shù)定義如下:

圖4 不同算法對(duì)飽和度分量的效果圖 (a)原始飽和度分量;(b)文獻(xiàn)[19]算法處理結(jié)果;(c)本文算法處理結(jié)果Fig.4.Resultant images of saturation components by different algorithms:(a)Original saturation component;(b)processing results by the method in Ref.[19];(c)processing results by our proposed method.

式中Sin和Sout分別是拉伸前、后圖像的飽和度;mean(R,G,B),max(R,G,B)和min(R,G,B)分別為原始圖對(duì)應(yīng)像素點(diǎn)R,G,B顏色分量的平均值、最大值和最小值.

分別采用文獻(xiàn)[19]算法和本文算法對(duì)原始圖像飽和度分量S進(jìn)行處理,其實(shí)驗(yàn)結(jié)果如圖4所示.

由圖4可知,本文所提算法相較于文獻(xiàn)[19]方法,可以更好地調(diào)節(jié)圖像的飽和度分量,通過對(duì)圖像飽和度分量進(jìn)行分線性自適應(yīng)拉伸,使得圖像的色彩更加鮮艷,豐富.

4 實(shí)驗(yàn)結(jié)果與分析

4.1 主觀評(píng)價(jià)

為了驗(yàn)證本文算法對(duì)不同譜段圖像的增強(qiáng)效果,首先選取低照度圖像、水下圖像、HDR圖像、沙塵暴圖像、霧天圖像和熱紅外圖像6組圖像分別進(jìn)行實(shí)驗(yàn),并與各個(gè)領(lǐng)域的增強(qiáng)算法進(jìn)行比較,實(shí)驗(yàn)結(jié)果如圖5—圖10所示.

圖5 低照度圖像增強(qiáng)對(duì)比 (a)低照度圖像;(b)文獻(xiàn)[20]算法;(c)文獻(xiàn)[21]算法;(d)文獻(xiàn)[22]算法;(e)文獻(xiàn)[23]算法;(f)文獻(xiàn)[24]算法;(g)文獻(xiàn)[25]算法;(h)本文算法Fig.5.Comparison of low light image enhancement:(a)Low light image;(b)result in Ref.[20];(c)result in Ref.[21];(d)result in Ref.[22];(e)result in Ref.[23];(f)result in Ref.[24];(g)result in Ref.[25];(h)result obtained by our proposed method.

圖5是不同算法對(duì)于低照度圖像增強(qiáng)處理的結(jié)果,可見文獻(xiàn)[20]、文獻(xiàn)[21]、文獻(xiàn)[22]和文獻(xiàn)[23]中的算法雖可以改善圖像的質(zhì)量,但存在圖像的對(duì)比度過高或過低,圖像邊緣細(xì)節(jié)保持不好等問題;文獻(xiàn)[24]和文獻(xiàn)[25]算法出現(xiàn)了過增強(qiáng)現(xiàn)象,導(dǎo)致圖像的細(xì)節(jié)信息不夠清楚,顏色有所失真;本文算法在增強(qiáng)過程中,很好地保持了圖像原有的細(xì)節(jié)特征信息,且色彩更加飽和自然,更加符合人眼特性.

圖6是不同算法對(duì)于水下圖像增強(qiáng)處理的結(jié)果.由圖6可知,文獻(xiàn)[8]、文獻(xiàn)[9]、文獻(xiàn)[10]和文獻(xiàn)[11]的算法雖提高了圖像的對(duì)比度,但是存在噪聲放大現(xiàn)象,圖像整體的視覺效果不佳;文獻(xiàn)[5]和文獻(xiàn)[24]的算法提高了圖像的對(duì)比度,保持了圖像原有的細(xì)節(jié)特征信息,但是灰度變化較小,顏色也不夠自然;本文算法在進(jìn)行對(duì)比度增強(qiáng)的同時(shí)去除了圖像噪聲,而且增強(qiáng)后的圖像色彩更加鮮艷自然.

圖7是不同算法對(duì)于HDR圖像處理結(jié)果,可以看出文獻(xiàn)[8]、文獻(xiàn)[14]和文獻(xiàn)[26]的算法提高了圖像對(duì)比度,但暗區(qū)域信息丟失嚴(yán)重;文獻(xiàn)[5]、文獻(xiàn)[15]和文獻(xiàn)[27]的算法可突出明暗區(qū)域的對(duì)比度,但算法增強(qiáng)后圖像顏色不夠自然,文獻(xiàn)[5]算法無法增強(qiáng)較暗區(qū)域的細(xì)節(jié)信息;本文算法提高了圖像的整體對(duì)比度,增強(qiáng)了明暗區(qū)域的細(xì)節(jié)信息,同時(shí)增強(qiáng)后的圖像顏色更加飽滿自然.

圖6 水下圖像增強(qiáng)對(duì)比 (a)水下圖像;(b)文獻(xiàn)[5]算法;(c)文獻(xiàn)[8]算法;(d)文獻(xiàn)[9]算法;(e)文獻(xiàn)[10]算法;(f)文獻(xiàn)[11]算法;(g)文獻(xiàn)[24]算法;(h)本文算法Fig.6.Comparison of underwater image enhancement:(a)Underwater image;(b)result in Ref.[5];(c)result in Ref.[8];(d)result in Ref.[9];(e)result in Ref.[10];(f)result in Ref.[11];(g)result in Ref.[24];(h)result obtained by our proposed method.

圖7 HDR圖像增強(qiáng)對(duì)比 (a)HDR圖;(b)文獻(xiàn)[5]算法;(c)文獻(xiàn)[8]算法;(d)文獻(xiàn)[14]算法;(e)文獻(xiàn)[15]算法;(f)文獻(xiàn)[26]算法;(g)文獻(xiàn)[27]算法;(h)本文算法Fig.7.Comparison of HDR image enhancement:(a)HDR image;(b)result in Ref.[5];(c)result in Ref.[8];(d)result in Ref.[14];(e)result in Ref.[15];(f)result in Ref.[26];(g)result in Ref.[27];(h)result obtained by our proposed method.

圖8是不同算法對(duì)于沙塵暴圖像處理結(jié)果.由圖8可見,文獻(xiàn)[8]、文獻(xiàn)[9]和文獻(xiàn)[10]算法較好地去除了沙塵暴的影響,增強(qiáng)了近景圖像,但是對(duì)于遠(yuǎn)景圖像效果不佳;文獻(xiàn)[6]算法提高了圖像對(duì)比度以及細(xì)節(jié)信息,但是沒有很好地去除掉沙塵暴的影響,使得圖像顏色不夠自然;文獻(xiàn)[17]和文獻(xiàn)[28]算法雖然可以很好地增強(qiáng)圖像細(xì)節(jié)信息,但清晰度以及遠(yuǎn)景圖像效果不好;本文算法很好地去除了沙塵暴對(duì)于圖像質(zhì)量的影響,提高了圖像整體對(duì)比度以及細(xì)節(jié)信息.

圖8 沙塵暴圖像增強(qiáng)對(duì)比 (a)沙塵暴圖像;(b)文獻(xiàn)[6]算法;(c)文獻(xiàn)[8]算法;(d)文獻(xiàn)[9]算法;(e)文獻(xiàn)[10]算法;(f)文獻(xiàn)[17]算法;(g)文獻(xiàn)[28]算法;(h)本文算法Fig.8.Comparison of sand-storm image enhancement:(a)Sand-storm image;(b)result in Ref.[6];(c)result in Ref.[8];(d)result in Ref.[9];(e)result in Ref.[10];(f)result in Ref.[17];(g)result in Ref.[28];(h)result obtained by our proposed method.

圖9是不同算法對(duì)于含霧圖像處理結(jié)果,文獻(xiàn)[6]算法雖提高了圖像整體對(duì)比度以及圖像清晰度,但顏色失真嚴(yán)重;文獻(xiàn)[29]算法提高了圖像能見度,但是細(xì)節(jié)信息能見度太弱,造成了過增強(qiáng)現(xiàn)象;文獻(xiàn)[18]與文獻(xiàn)[30]算法可很好地提高圖像的能見度,但圖像細(xì)節(jié)信息增強(qiáng)不夠好,且圖像視覺效果不好;文獻(xiàn)[16]和文獻(xiàn)[21]算法對(duì)近景圖像的細(xì)節(jié)信息增強(qiáng)效果較好,提高了其清晰度與對(duì)比度,但是對(duì)于遠(yuǎn)景圖像仍存在模糊現(xiàn)象;本文算法在一定程度上很好地解決了上述算法的缺點(diǎn),使得增強(qiáng)后的圖像更加清晰,圖像的顏色更加飽滿,具有更好的視覺效果.

圖10是不同算法對(duì)于熱紅外圖像處理之后的實(shí)驗(yàn)結(jié)果圖,文獻(xiàn)[8]、文獻(xiàn)[9]和文獻(xiàn)[10]算法使得增強(qiáng)后的圖像變得模糊,細(xì)節(jié)信息不清晰,顏色有所失真;文獻(xiàn)[5]和文獻(xiàn)[6]算法雖然可以很好地增強(qiáng)圖像對(duì)比度,但是圖像噪聲有所放大,顏色失真明顯且圖像細(xì)節(jié)信息丟失較為嚴(yán)重;文獻(xiàn)[7]提高了圖像整體對(duì)比度,且顏色保持較好,但是細(xì)節(jié)信息基本沒有變化;本文算法在增強(qiáng)細(xì)節(jié)信息的同時(shí)去除了圖像噪聲,使得增強(qiáng)后的圖像具有更好的視覺效果.

圖9 霧天圖像增強(qiáng)對(duì)比 (a)霧天圖像;(b)文獻(xiàn)[6]算法;(c)文獻(xiàn)[16]算法;(d)文獻(xiàn)[18]算法;(e)文獻(xiàn)[21]算法;(f)文獻(xiàn)[29]算法;(g)文獻(xiàn)[30]算法;(h)本文算法Fig.9.Comparison of foggy image enhancement:(a)Foggy image;(b)result in Ref.[6];(c)result in Ref.[16];(d)result in Ref.[18];(e)result in Ref.[21];(f)result in Ref.[29];(g)result in Ref.[30];(h)result obtained by our proposed method.

圖10 熱紅外圖像增強(qiáng)對(duì)比 (a)熱紅外圖;(b)文獻(xiàn)[5]算法;(c)文獻(xiàn)[6]算法;(d)文獻(xiàn)[7]算法;(e)文獻(xiàn)[8]算法;(f)文獻(xiàn)[9]算法;(g)文獻(xiàn)[10]算法;(h)本文算法Fig.10.Comparison of thermal infrared image enhancement:(a)Thermal IR image;(b)result in Ref.[5];(c)result in Ref.[6];(d)result in Ref.[7];(e)result in Ref.[8];(f)result in Ref.[9];(g)result in Ref.[10];(h)result obtained by our proposed method.

4.2 客觀評(píng)價(jià)

為了更加客觀地對(duì)不同算法的增強(qiáng)效果進(jìn)行評(píng)價(jià),選用圖像對(duì)比度、清晰度以及信息熵3個(gè)客觀評(píng)價(jià)指標(biāo),對(duì)各個(gè)譜段圖像在不同算法下增強(qiáng)效果進(jìn)行衡量[31?34].圖像對(duì)比度是指圖像中從黑到白的一個(gè)漸變層次,通過對(duì)圖像對(duì)比度進(jìn)行增強(qiáng),可以調(diào)節(jié)圖像灰度層次范圍,有效地凸顯圖像的細(xì)節(jié)信息.圖像對(duì)比度通常利用標(biāo)準(zhǔn)差(如(18)式)進(jìn)行衡量.清晰度則表示影像上各細(xì)部影紋及其邊界的清晰程度,一般用圖像的平均梯度(如(19)式)來衡量.熵是衡量圖像中所包含的信息量的大小,熵越大說明包含的信息越多,用信息熵(如(20)式)來計(jì)算圖像的熵值.

其中M,N分布為圖像的長(zhǎng)與寬;x(i,j)表示第i行、第j列的像素值;μ表示均值.

其中M,N分布為圖像的長(zhǎng)與寬;x(i,j)表示第i行、第j列的像素值.

其中q(x)表示圖像灰度x的分布密度,k為圖像的灰度級(jí).

對(duì)于不同譜段圖像的增強(qiáng)結(jié)果的客觀評(píng)價(jià)指標(biāo)描述分別如圖11—圖16所示.

圖11 不同算法對(duì)低照度圖像增強(qiáng)效果質(zhì)量評(píng)價(jià)Fig.11.Quality evaluation of different algorithms for low illumination image enhancement.

圖12 不同算法對(duì)水下圖像增強(qiáng)效果質(zhì)量評(píng)價(jià)Fig.12.Quality evaluation of different algorithms for underwater image enhancement.

由圖11—圖16可知,各種增強(qiáng)算法增強(qiáng)后的圖像對(duì)比度、清晰度和信息熵較原圖相比都有很大的提高,在一定程度上改善圖像的對(duì)比度和清晰度.但本文算法得到的對(duì)比度、清晰度和信息熵3種指標(biāo)的值都優(yōu)于其他算法.

從定性和定量?jī)煞矫鎭韺?duì)不同增強(qiáng)算法處理效果進(jìn)行了對(duì)比分析,結(jié)合主客觀評(píng)價(jià)指標(biāo)可知本文算法在一定程度上能夠有效地抑制圖像噪聲、提高圖像的清晰度、增強(qiáng)圖像細(xì)節(jié)及對(duì)比度,改善圖像視覺效果,且本文算法適用于多譜段圖像增強(qiáng).

圖13 不同算法對(duì)HDR圖像增強(qiáng)效果質(zhì)量評(píng)價(jià)Fig.13.Quality evaluation of different algorithms for HDR image enhancement.

圖14 不同算法對(duì)沙塵暴圖像增強(qiáng)效果質(zhì)量評(píng)價(jià)Fig.14.Quality evaluation of different algorithms for sandstorm image enhancement.

圖15 不同算法對(duì)霧天圖像增強(qiáng)效果質(zhì)量評(píng)價(jià)Fig.15.Quality evaluation of different algorithms for hazy image enhancement.

圖16 不同算法對(duì)熱紅外圖像增強(qiáng)效果質(zhì)量評(píng)價(jià)Fig.16.Quality evaluation of different algorithms for thermal infrared image enhancement.

5 結(jié) 論

為解決多譜段圖像降質(zhì)問題,本文提出了一種基于光照-反射成像模型和形態(tài)學(xué)操作的多譜段圖像增強(qiáng)算法.算法基于HSV色彩空間,對(duì)圖像飽和度進(jìn)行自適應(yīng)非線性拉伸,使得圖像的色彩更加飽和;將圖像亮度分解為光照分量與反射分量,提出了一種基于細(xì)節(jié)特征的加權(quán)融合策略,利用光照分布特性構(gòu)造了一種自適應(yīng)Gamma校正函數(shù)對(duì)光照分量進(jìn)行處理,并將其與利用CLAHE方法處理后的光照分量以及原始光照分量進(jìn)行融合;然后在反射分量校正時(shí),構(gòu)造了一種形態(tài)學(xué)操作函數(shù)來校正反射信息;將光照反射分量進(jìn)行合并,與拉伸后的飽和度以及色調(diào)重構(gòu)出增強(qiáng)后的圖像.

實(shí)驗(yàn)結(jié)果表明,本文算法同時(shí)對(duì)低照度圖像、水下圖像、HDR圖像、沙塵暴圖像、含霧圖像和熱紅外圖像都有很好的增強(qiáng)效果,可以有效地提高圖像對(duì)比度以及清晰度,增強(qiáng)圖像細(xì)節(jié)信息,并抑制圖像噪聲,同時(shí)增強(qiáng)后的圖像顏色更加鮮艷自然.但由于算法復(fù)雜性太高,導(dǎo)致運(yùn)算時(shí)間較長(zhǎng),如何提高降低算法復(fù)雜度將是今后的研究重點(diǎn).