改進細節提升多尺度Retinex圖像增強算法

王仕女 孫文勝

摘 要：為了改善復雜照度下彩色圖像增強出現的細節丟失和色彩失真問題，依據顏色空間轉換和邊緣細節融合算法，提出基于HSI空間細節提升多尺度Retinex圖像增強算法。通過邊緣提取融合算法增強HSI模型亮度分量，進行基于高斯模糊的多尺度細節提升，獲得增強圖像。與經典的MSR、MSRCR等進行仿真比較，實驗數據表明，在主觀視覺效果和客觀評價指標下，該算法均優于MSR和MSRCR，增強圖像細節豐富，色彩自然逼真。

關鍵詞：圖像增強;HSI顏色空間;Retinex算法;圖像邊緣細節;多尺度細節提升

DOI：10. 11907/rjdk. 182208

中圖分類號：TP317.4文獻標識碼：A文章編號：1672-7800（2019）004-0179-05

0 引言

圖像增強是圖像處理學科中至關重要的研究點，因為現實拍攝圖像經常會有環境光照不夠或不均勻狀況，會嚴重影響圖像檢測研究和圖像觀測效果。因而，對復雜照度圖像進行增強，可更好地為主觀觀察和深入研究提供高質量圖片。

目前手機拍攝和視頻監控已經廣泛普及，無論是日常拍攝記錄生活，還是重要地點安防監測、人流車輛管理等，圖像質量都至關重要。復雜照度環境下低質量圖像可能對視頻監控和圖像識別構成嚴峻考驗。低質量圖像特點是：一方面圖片存在大面積黑暗區域，區域內物體難以辨認，細節色彩完全喪失;另一方面在強燈光或者反射光下，圖像又呈現高亮區域，導致圖像過亮過暗兩極分化，給后續圖像檢測等過程帶來困難。各方面來看，對復雜照度圖像增強算法的深入探討與研究理應成為目前重點關注的圖像處理方向之一[1-3]。

復雜照度圖像增強關鍵目標無非是增強暗區亮度和恢復暗區細節，同時防止高亮區過曝，以達到圖像清晰化目的。當前經典實用的圖像增強算法有基于直方圖均衡的增強方法[4-7]、基于小波變換的增強方法[8]、基于Retinex理論的增強方法[9-12]等。其中，基于Retinex的算法中改善效果相對出色的有：單尺度Retinex（Single Scale Retinex， SSR）[10]、多尺度Retinex（Multi Scale Retinex，MSR）[11]、帶彩色恢復的多尺度Retinex（Multi Scale Retinex with Color Restoration，MSRCR）[12]以及改善算法。Retinex理論中對照射分量的估量和去除是研究重點，通常采用高斯濾波估算照射分量：SSR僅從單尺度進行圖像濾波估算，較簡單但主觀呈現不理想;MSR實質為多維SSR線性加權得到，兼顧了細節和色彩，能較好地提高圖像整體亮度和對比度，同樣仍存在圖像邊緣銳化不足、易出現較嚴重顏色失真等問題;MSRCR 是加入顏色恢復因子的MSR，顏色失真改善，但圖像顏色會偏離自然色彩、泛白，在原圖亮區增強后的圖像出現明顯細節丟失、清晰度不足問題。

近幾年為彌補色彩失真和細節丟失缺陷，國內外學術界進行了不同程度研究，以修正色彩和恢復細節。Michael等[13]提出基于雙邊濾波的Retinex算法，在圖像顯示細節上有一定提升， 但算法效率不高。Chang等[14]采用稀疏表示方法表示物體反射分量，通過動態字典對帶細節信息的反射部分進行學習，增強圖像視覺質量，但可能帶來圖像噪聲。Hanuman等[15]采用改進的色彩恢復算法，在色彩失真和算法效率上有改進效果。Yu等[16]采用HSV顏色模型彩色校正方法（HSV-IMSR），根據V分量調整飽和度以改善色彩失真。趙軍輝等[17]提出基于Lab色彩空間和色調映射的Retinex增強算法，通過減少偽影增強圖像邊緣和細節并改善色彩偏移。汪小威[18]結合映射函數和細節增益因子保留亮區細節獲得更清晰視覺效果。李紅等[19]利用主特征提取估計照度分量增強圖像主結構邊緣細節。

為解決上述Retinex圖像增強存在的問題，致力于在保證不引入噪聲情況下提升足夠的局部和全局細節，保證算法效率，本文從色彩空間和邊緣算子入手，提出一種改進細節提升基于Retinex的增強方法。對HSI色彩空間[23]的亮度分量進行Retinex增強后與Sobel邊緣細節保留圖像進行融合，最后對圖像進行多尺度細節提升[26]，改善色彩失真并顯著提升細節，算法簡單，效果明顯。

1 基于Retinex的圖像增強算法

人類視覺處理系統有著與生俱來的優勢，Retinex理論是Land等[20]提出的涉及人類視覺感知系統通過調整感知物體顏色和亮度的生物學理論。根據Retinex理論，圖像I由兩分量構成：照射分量相當于圖像的低頻部分，場景反射分量相當于高頻部分，該分量真實地反映了圖像本質信息。根據Retinex模型，可得圖像I的數學表達式為：

多尺度Retinex增強圖像后，結果圖像經常偏向灰色，主要是因為原圖彩色值經過對數處理后的數值范圍變窄，恢復像素域的線性量化函數相對平坦，導致圖像丟失彩色信息，顏色失真明顯。帶色彩恢復的MSR算法，引入彩色恢復因子到MSR算法中，彌補了MSR圖像增強后顏色嚴重失真的缺陷，在顏色和亮度保持、動態范圍壓縮等部分表現優異，但仍不可避免地存在丟失局部細節、色彩恢復不完全、噪聲凸顯等缺點。

2 改進Retinex圖像增強算法

MSRCR算法實質就是對數域中在原圖基礎上去除原圖與高斯函數的卷積部分，針對圖像中大片暗區，MSRCR增強后圖像顯現較為清晰的景物以及細節，但在圖像原本亮度較高的部分出現過曝，丟失邊緣細節部分，圖像整體亮度過大，色彩信息偏離原圖較嚴重[21]。

以設計無色彩失真、細節提升的圖像增強算法為目標，考慮提出改進細節提升的基于Retinex的增強方法，主要包括兩個步驟：①無色彩失真且保留邊緣細節的MSR圖像增強;②對步驟①得到的增強圖像進行多尺度局部細節提升。整體算法模型如圖1所示。

2.1 圖像色彩空間轉換

經典的Retinex算法在彩色圖像紅、黃、藍三通道空間上進行增強，各通道增強幅度不一致，容易出現圖像顏色失真。MSRCR等圖像增強理論的前提是灰度世界假設，即紅、黃、藍各分量大致相等，如果拍攝圖像某色彩占比更多，增強圖像則會顏色偏移甚至失真，趨于灰色[22]。

考慮將復雜照度圖像從紅黃、藍、色彩空間轉變至HSI空間進行圖像增強，HSI色彩空間是直覺顏色模型，利用人眼感知特點，由Hue（色調）、Saturation（飽和度）和Intensity（亮度）3個分量呈現圖像色彩[23]。該色彩空間避開RGB的缺陷，分離了圖像亮度與顏色分量，對亮度分量的增強操作不影響顏色信息，能有效避免圖像顏色失真，且對圖像的增強處理僅需在一個維度進行，提升了圖像處理速度[24]。本文考慮從HSI空間進行增強，不僅可以改善彩色圖像亮度的不均勻分布，而且近乎完整地保留了圖像色彩信息。RGB彩色格式圖像至HSI色彩空間轉換公式為：

2.2 邊緣細節保留圖像增強融合算法

圖像亮度分量經過MSR增強后，較好地保持了原圖色彩和恢復了暗處細節，但存在邊緣銳化程度不夠明顯、高光照區域細節不清晰等缺點。本文提出一種邊緣細節保留的融合模型，通過融合MSR增強圖像和經過Soble算子增強邊緣圖像，達到保留細節且調整圖像整體亮度的效果。模型表達式為：

圖像對數域空間恢復到像素域的量化過程中，算法優劣對輸出圖像質量高低影響顯著，通用線性量化過程獲得的圖像常常偏向灰色，考慮采用另一種簡單有效的量化算法，加入圖像均值和均方差值調整像素值，并引入控制圖像動態范圍參數以實現圖像無色偏調整[25]。計算表達式為：

2.3 圖像多尺度局部細節提升

以上HSI色彩空間融合算法較好地保留了邊緣細節且無色彩失真，但對局部細節把握仍不足，為進一步提升圖像局部細節效果，考慮進行圖像多尺度局部細節提升[26]。對增強圖像進行多尺度高斯模糊，相減得各程度圖像細節，再經過合適的權值系數融合3部分細節信息到原圖中。數學表達式為：

3 實驗結果及分析

為了驗證本文算法的有效性，進行仿真驗證，計算機配置為：Intel（R） Core（TM） i5-2300 CPU@1，8GHz，4GB內存，操作系統Win10，軟件環境matlabR2014a。

下面給出本文方法的增強結果，并與SSR、MSR、MSRCR處理結果相比較。本文測試原圖像分析：女孩照片在單方向陽光照射下拍攝，導致圖像左半部呈現強光照射，右半部由于遮擋整體較暗，同時獲得亮、暗處信息有一定挑戰;白塔和建筑攝于黃昏夜晚等低照度情況下，暗處細節及顏色信息被隱藏，亮處比如塔身和建筑柱子柵欄處均保留較好細節，對圖像進行增強需同時考慮亮、暗處。

圖2-圖4分別為3幅圖像采用SSR、MSR、MSRCR以及本文算法處理不同圖像的實驗效果對比。可以看出，各增強算法均實現了增強暗處對比度，使用SSR、MSR算法處理圖像后，亮度和色彩改善，但圖像整體色彩泛白，邊緣細節保持不理想，視覺效果欠佳。MSRCR增強對色彩有一定恢復，但仍存在結果圖像過飽和、圖像清晰度不高、局部細節丟失等問題。本文算法效果無色彩失真，而且亮處和暗處細節均明顯，整體色調自然，不存在過增強，色彩保持性質良好。圖5截取了圖中局部圖像塊進行MSRCR，與本文算法進行細節和色彩對比，可以明顯看到本文算法細節明顯且色彩飽滿清晰。

人眼觀測和評估是一種有效的圖像評價標準，但它是一種主觀標準，為了更準確地驗證實驗結果，本文還采用客觀質量評價標準檢驗算法有效性。考慮采用圖像均值、標準差、熵以及結構相似性值等4個簡潔有效的標準作為評價指標。整張圖像的均值體現了圖片亮暗情況，圖像灰度級為256，圖像均值取中值127.5最為理想，通常此時圖像質量就最好，不會過暗或過亮;標準差反映了圖像對比度;熵為體現圖像是否色彩豐富的量化指標，熵越大，圖像色彩信息越豐富，圖像質量越好[27]。結構相似性測量值（Structural Similarity Index Measurement，SSIM）反映了兩張圖片的相似度，通過計算圖像結構的變化值以體現圖像失真情況，值越接近1則說明兩幅圖像越接近，用式（21）計算。

各評價指標在一定程度上能良好地反映各算法的優劣性，評價指標數據如表1所示。對于測試圖像，增強后圖像的均值、均方差、熵、SSIM等評價指標大概率最好。3幅驗證圖像所有量化指標中，本文算法除個別非最優外，余下均最優，充分表明算法的優越性。針對少量原圖過暗、視覺觀察極差的驗證圖像，本文算法SSIM值較低主要由提升原圖細節導致。在算法效率上，本文算法優于MSR和MSRCR。

仿真結果表明：①在均值方面，MSR算法對于均值的提高效果最為顯著，但圖像整體存在色偏且泛白，且均值考慮越接近中值圖像色調越自然，本文算法對均值提升效果最接近中值，符合人的視覺感受;②在標準差方面，本文算法大概率優于其它算法，表明本文算法對圖像對比度的提升效果明顯，圖像細節恢復效果良好;③在熵方面，本文算法均最優，擁有相當豐富的信息量，呈現更多圖片細節，更清晰;④在結構相似度方面，本文算法在不引入噪聲的情況下，良好地保留了圖像的原始結構信息。

4 結語

針對多尺度Retinex算法在復雜照度圖像增強上存在的缺陷：色彩失真、細節丟失，本文設計一種改進算法，對圖像色彩空間、一階差分Sobel算子、圖像高斯濾波進行深入研究。利用HSI隔離亮度分量和色彩的特性，在亮度分量上進行MSR增強，再利用Sobel算子保留邊緣時細節過度平緩、抗噪性能好的性質，與MSR增強后丟失細節圖像融合，得到無色偏保留細節的增強圖像，為了視覺效果更清晰，通過高斯濾波獲取圖像高頻分量組合，獲得提升整體細節和無色彩失真的圖像增強結果。通過Matlab仿真，顯示出本算法在人眼觀察、客觀評價指標和運算效率方面都有顯著優勢。同時也需注意，當前提出算法的測驗參數根據邏輯規律和實測調整，后續要考慮對其進行自適應調整分析。

參考文獻：

[1] WU S Q，HU Y，YU W Y，et al. A novel color-image enhancement approach for night-vision images[J]. Applied Mechanics & Materials， 2014，556-562：4750-4754.

[2] 華夏，禹晶，肖創柏. 基于目的性優化及改進直方圖均衡化的夜間彩色圖像增強[J]. 計算機研究與發展， 2015，52（6）：1424-1430.

[3] CHO S M，CHAO J H. Thresholding for edge detection using fuzzy reasoning technique[C].Singapore Iccs 94 Conference，1994：1121-1124.

[4] CELIK T. Two-dimensional histogram equalization and contrast enhancement[J]. Pattern Recognition， 2012，45（10）：3810-3824.

[5] CHEN Y，FENG P，YANG J，et al. An adaptive enhancement algorithm of low illumine color video image [J]. International Journal of Sensing， Computing & Control， 2012，2（2）：79-86.

[6] ARICI T，DIKBAS S，ALTUNBASAK Y. A histogram modification framework and its application for image contrast enhancement[J].? IEEE Transactions on Image Processing，2009，18（9）：1921-1935.

[7] CHANG Y，CHANG C. A simple histogram modification scheme for contrast enhancement[J]. Transactions Consumer Electronics，2010，56（2）：737-742.

[8] ASMARE M H，ASIRVADAM V S，HANI A F M. Image enhancement based on contourlet transform[J].? Signal， Image and Video Processing， 2015，9（7）：1-12.

[9] LAND E H. The Retinex theory of color vision[J]. Scientific American，1978，237（6）：108-128.

[10] LIU H B，YANG J，WU Z P， et al. A fast single image dehazing method based on dark channel prior and Retinex theory[J]. Acta Automatica Sinica，2015，41（7）：1264-1273.

[11] LIN H， SHI Z. Multi-scale Retinex improvement for nighttime image enhancement[J].? Optik International Journal for Light and Electron Optics，2014，125（24）：7143-7148.

[12] WANG Y， WANG H， YIN C， et al. Biologically inspired image enhancement based on Retinex[J]. Neurocomputing，2015，177：373-384.

[13] ELAD M. Retinex by two bilateral filters[C].? Springer Berlin Heidelberg， 2005：217-229.

[14] CHANG H， NG M K， WANG W， et al. Retinex image enhancement via a learned dictionary[J]. Optical Engineering， 2015，54（1）：1-15.

[15] HANUMANTHARAJU M C，RAVISHANKAR M，RAMESHBABU D R， et al. Color image enhancement using multiscale Retinex with modified color restoration technique[C]. International Conference on Emerging Applications of Information Technology，2011：93-97.

[16] YU J，KIM Y，LEE N，et al. Effective color correction method employing HSV color model[J]. Journal of Measurement Science and Instrumentation，2012，3（1）：39-45.

[17] 趙軍輝，吳玉峰，胡坤融，等. 基于Lab色彩空間和色調映射的彩色圖像增強算法[J]. 計算機科學，2018，45（2）：297-300.

[18] 汪小威. 基于Retinex亮度校正與感知對比度的圖像增強算法[J]. 電子測試與儀器學報，2018，32（6）：115-123.

[19] 李紅，吳煒，楊曉敏，等. 基于主特征提取的Retinex多譜段圖像增強[J]. 物理學報，2016，65（16）：1-16.

[20] LAND E H. Recent advances in Retinex theroy and some implications for cortical computations： color vision and the natural image[J]. Proceeding of the National Academy of Sciences，1983， 80（16）：5163-5169.

[21] 劉偉華，隋青美. 基于色調恒定的 MSR 圖像增強算法[J]. 光子學報，2011，40（4）：642-646.

[22] 肖進勝，單姍姍，段鵬飛. 基于不同色彩空間融合的快速圖像增強算法[J]. 自動化學報，2014， 40（4）：697-705.

[23] ROTARU C， GRAF T， ZHANG J. Color image segmentation in HSI space for automotive applications[J]. Journal of Real-Time Image Processing， 2008，3（4）：311-322.

[24] RAHMAN Z，JOBSON D J，WOODELL G A， et al. Image enhancement， image quality and noise [C]. Proceedings of SPIE - The International Society for Optical Engineering？，2005：5907.

[25] 聶超. 基于直方圖的高效圖像增強算法研究[D]. 杭州：杭州電子科技大學，2014.

[26] KIM Y， KOH Y J， LEE C， et al. Dark image enhancement based on pairwise target contrast and multi-scale detail boosting[C]. International Conference on Image Processing，2015：1404-1408.

[27] KARNIK N N， MENSEL J M. Introduction to Type-2 fuzzy logic systems[C]. World Congress on IEEE International Conference on Fuzzy Systems，2002：915-920.

（責任編輯：何 麗）