HSV空間的多尺度Retinex低照圖像增強

唐 超

（廣州科技職業技術大學信息工程學院，廣州 510550）

0 引言

圖像增強的目的在于提升圖像的視覺效果，突出人們感興趣或者重要的部分，發掘圖像的有效信息。最初的低照圖像增強方法為統一提升圖像的亮度，但是部分亮度較高的區域會產生過增強；直方圖均衡化以拉伸圖像的像素動態范圍提升圖像的對比度；但是對于部分圖像會產生失真效果。基于Retinex 理論的增強方法［1-3］將圖像分解為光照圖像和反射圖像兩部分，對光照圖像進行增強處理以提升圖像的亮度。Wang等［4］設計了亮通濾波器以用于Retinex 分解，設法在保持圖像自然度的同時增強低照圖像的細節。Fu等［5］使用Sigmoid函數和自適應直方圖均衡化對光照圖像進行增強。但是其對多種增強技術的融合缺乏魯棒性，難以適用于性質不同的圖像。Guo 等［6］用R、G和B通道中的最大值作為光照圖像的像素估計值，在初始光照圖上施加1 個先驗結構來改善初始光照圖?；隰敯舻腞etinex模型，Ren等［7］提出一種序列算法以估計分段光滑的光照圖像和去噪的反射圖像，以增強低照圖像。為提高低照圖像的對比度和消除光暈偽影，王彥林等［8］設計一個由全局照度、局部照度和反射率乘積構成的改進成像模型。但是其對全局照度、局部照度和反射率進行伽瑪校正的伽瑪因子缺乏理論依據。黃麗雯等［9］提出混合空間的增強方法，以增強低照圖像的邊緣和細節。Li等［10］用?1范數約束光照的分段平滑度，采用保真度項增強反射圖像的結構細節。Wang等［11］提出一種吸收光散射模型，該模型能夠從低照圖像中再現隱藏的輪廓和細節。由于成像的硬件條件和環境條件較復雜，所提出的模型未必適用于性質不同的各種圖像。為了在圖像增強中有效地恢復低照區域的細節，Wang 等［12］在神經網絡中引入中間光照圖像，將輸入圖像與預期的增強圖像進行關聯，訓練網絡使其有效地學習豐富多樣的光照條件。李志海等［13］對圖像的細節圖像和基礎圖像分別構造增益系數，以解決增強過程中存在的光暈偽影和低對比度問題，但是其對圖像的色調分量和飽和度分量進行空域濾波，會破壞圖像的自然度，引入失真的效果。Gu等［14］將分數階變分模型應用于光照圖像和反射圖像。黃慧等［15］結合平滑聚類和改進的Retinex 算法將圖像分解為基礎層和細節層，根據局部一致性優化光照圖像。張江鑫等［16］用多尺度Retinex 算法和指數變換對圖像的高頻成分進行增強，而線性拉伸低頻成分。這些方法在一定程度上改善了圖像的光照條件，提升圖像的對比度，但在一定程度上也引入了失真效果，破壞了圖像的自然效果。

為了在提升低照圖像的光照條件的同時，提升對比度和保持圖像的自然效果，本文提出了HSV空間的多尺度Retinex 低照圖像增強方法（Low Illumination Image Enhancement Based on Multiscale Retinex in HSV Space，IEMRH）。在HSV空間中，將圖像的明度分量V進行多尺度分解，分別對其光照圖像進行指數矯正，然后將增強后的各尺度明度分量的均值圖像作為增強的明度分量V′，與色相分量H和飽和度分量S進行重組得到最后的增強圖像。

1 HSV色彩空間

RGB顏色空間用紅色（R）、綠色（G）和藍色（B）3通道表示1 張圖像，用3 個顏色分量的線性組合來表示顏色。但是3 個顏色分量都與亮度密切相關，皆隨亮度的改變而改變，因此，RGB 顏色空間是1 種均勻性較差的顏色空間，適合于顯示系統，但不適合于圖像處理。

HSV色彩空間直觀地表達了顏色的色調、鮮艷程度和明暗程度，便于顏色的對比。HSV 表達彩色圖像的方式由3 個部分組成：Hue（色調），Saturation（飽和度）和Value（明度）。色相決定色彩偏向于紅、綠、藍的哪一方，低色調偏向紅色，中色調偏向于綠色，高色調偏向于藍色。飽和度決定顏色空間中顏色分量，飽和度越高，顏色越深，飽和度越低，說明顏色越淺。明度決定顏色空間中顏色的明暗程度，明度越高，表示顏色越明亮鮮艷，明度起到控制RGB組合色明暗程度的作用。RGB空間轉為HSV空間的定義為［17］：

式中，R、G和B分別表示RGB圖像的紅、綠、藍3 通道圖像，其取值范圍為［0，255］。

2 Retinex理論

Retinex理論的基本內容為：物體的顏色由物體對長波（紅）、中波（綠）和短波（藍）光線的反射能力決定，而不是由反射光強度的絕對值決定。物體色彩不受光照非均勻性的影響，具有一致性，即Retinex 以色感一致性（顏色恒常性）為基礎［18］。Retinex 可以在動態范圍壓縮、邊緣增強和顏色恒常三個方面達到平衡，可以對各種不同類型的圖像進行自適應的增強。

Retinex模型是根據人類視覺感知系統提出的圖像分解方法，認為圖像I可由光照圖像L和反射圖像R兩部分組成：

光照圖像L可用低通濾波器對圖像進行濾波而得到；而反射圖像通過對數變換得到，

一般地，低通濾波器采用用高斯函數

式中，x和y為對應的空間坐標。低通濾波的效果取決于濾波器的大小，即濾波鄰域的大小。鄰域越大，濾波效果越模糊，去除的紋理和細節越多。用鄰域大小為17 ×17 的高斯濾波作為Retinex 的低通濾波器，對圖像4（a）進行Retinex分解的效果如圖1 所示。

圖1 Retinex分解圖像

3 多尺度指數矯正的明度增強

單尺度的Retinex 圖像增強往往難以取得理想的增強效果，因為單一尺度難以兼顧小、中和大尺度的紋理細節的保持。因此，根據高斯濾波對紋理細節的濾波效果，本文選擇r1＝5、r2＝11 和r3＝17 作為多尺度Retinex分解的高斯濾波的半徑。一般地，r1＝5 體現小尺度的紋理細節；r2＝11 體現中尺度的紋理細節；而r3＝17 體現大尺度的紋理細節。根據式（1）～（4），將圖像轉換到HSV色彩空間，得到H、S和V分量。將V分量進行多尺度分解，得到光照圖像L1、L2、L3和反射圖像R1、R2、R3。然后對光照圖像Lx（x＝1，2，3，x為多尺度分解的序號）進行指數矯正

將指數矯正后的光照圖像L′x（x＝1，2，3）分別與對應的Rx（x＝1，2，3）進行Retinex 重構，得到增強的明度分量Vx（x＝1，2，3）

將增強的多尺度明度分量Vx（x＝1，2，3）的均值圖像作為增強的明度分量

最后將增強的明度分量V′與H、S重組，得到最后的增強圖像。

多尺度Retinex指數矯正的明度增強的流程圖如圖2 所示。

圖2 多尺度指數矯正的明度增強的流程圖

指數γ對光照圖像的亮度進行提升或壓縮，當γ＜1 時，提升圖像暗區的亮度，壓縮亮區的亮度。對圖像的亮度進行自適應的局部調整，在提升暗區亮度的同時，有效防止亮區過增強，如圖3 所示。在數據集Exclusively Dark［19］上運用試錯法進行實驗，一般地，用γ ＝0.28 對圖像的明度分量的光照圖像進行指數矯正，可以實現近似最優的增強效果。

圖3 指數變換函數

4 實驗分析

用Intel i5 CPU和8GB內存的PC和Matlab 2019a作為實驗工具，實驗所用的低照圖像如圖4 所示，均為選自Exclusively Dark數據集［19］。根據視覺感知、直方圖與信息熵［20］，以比較的方式評價所提出方法IEMRH的有效性。視覺感知從主觀上度量圖像的亮度適宜度和對比度等，直方圖分布從客觀上度量圖像像素分布的合理性，信息熵用分析統計的方法表示圖像的信息量，熵越大，圖像的紋理和細節更豐富。用作參照的方法為文獻［6，10，13，16］中提出的方法。

圖4 不同實驗圖像

4.1 視覺感知

對低照圖像Girl用5 種方法進行增強的圖像如圖5 所示。文獻［10］中的方法雖然能提升圖像的亮度和對比度，但是效果過于鮮艷，缺乏自然度和逼真；文獻［13］中的方法存在對原圖像的亮區域過增強，而對暗區域增強不足的缺陷；文獻［16］中的方法增強圖像整體泛白，對比度不足以及顏色產生了變化；文獻［6］中的方法與IEMRH 的增強效果較好，兩者的效果不相上下，但是細心觀察可以看出，IEMRH 的增強圖像自然度和逼真性比文獻［6］要好一些。

圖5 對Girl用5種方法處理的增強圖像對比

對低照圖像Columns用5 種方法進行增強的圖像如圖6 所示。文獻［6］中的方法增強效果偏暗，對比度不高，部分圖像細節未能清晰顯示；文獻［10］中的方法增強效果部分失真，色彩過于鮮艷；文獻［13］中的方法增強效果亮度充足，但是存在過增強的缺陷，比如白色柱子的表面過于耀眼；文獻［16］中的方法增強效果泛白，亮度偏暗，對比度不高。相對地，IEMRH的增強效果色彩自然，對比度較高，最右邊的磚面以及最上面的屋檐的紋理都較清晰地顯示出來。

圖6 對Columns用5種方法處理的增強圖像對比

4.2 直方圖分布

對低照圖像進行增強，就是要在保持圖像顏色自然度的同時，一方面將所有的像素在整個像素值范圍內分布，擴大像素的動態范圍；另一方面整體提升低照圖像的亮度，將暗區的細節和紋理結構顯示出來。

對低照圖像OnGra用5 種方法進行增強后對應的直方圖如圖7 所示。原圖的像素動態范圍較小，150以上的像素值幾乎沒有像素，絕大多數的像素值較小，集中于暗區；文獻［6］中的方法在一定程度上擴大了像素的動態范圍，但是像素值210 以上的像素還是極少，分布范圍不夠大，而直方圖的峰中心偏左，圖像的整體亮度偏暗；文獻［10］中擴大了像素的分布范圍，但是像素值為220 以上的像素極少，分布范圍不夠大，其直方圖的峰的中心偏左，圖像的整體亮度不夠；文獻［13］中將像素在全部像素范圍內進行重分布，但其不足之處在于，像素在所有的像素級上均勻地分布，圖像的對比度稍差；文獻［16］中的直方圖峰中心接近中間，其整體亮度適宜，但是對于像素值200 以上的像素范圍沒有充分利用；IEMRH相對地充分利用了整個像素范圍，將像素分布于所有像素值上，并且直方圖的峰中心居中央，整體亮度較適宜，自然度較好。因此，從增強圖像的直方圖來看，IEMRH的增強效果在圖像的亮度、對比度和自然度方面都優于現有方法。

圖7 對OnGra用5種方法進行增強后對應的直方圖

4.3 信息熵

圖像的信息熵越大，圖像的紋理和細節越明顯，包含的信息量越大。上述5 種方法對圖4 中各圖像進行增強后對應的信息熵如表1 所示。表1 的行標題為圖像名，列標題為增強所用的方法：對圖像Girl，文獻［6，10］中的方法所得到的信息熵值較高，IEMRH 得到的熵最高，比文獻［6，10］高出約0.06；對圖像Columns，文獻［13］中的方法增強圖像的熵較高，文獻［6，10］其次，IEMRH對應的熵最高，比最好的現有方法高出0.6；對圖像OnGra，增強后所得到對應的熵，IEMRH最高，其次是文獻［13，6］；對于圖像WaterC，文獻［6］中的增強圖像的熵較高，其次是文獻［13］的方法，IEMRH對應的熵最高，相對較高的文獻［6］還高出0.21。根據對圖4 中所有圖像進行增強而得到的熵可以看出，現有的4 種方法的相對優劣，根據圖像的不同而不同，但是IEMRH始終保持較高的信息熵，其增強圖像的紋理細節較豐富，對比度較高。

表1 5 種方法對圖4 中各圖像增強后的信息熵

5 結語

為了降低增強圖像的失真，在提升亮度和對比度的同時保持圖像的自然度，提出了HSV空間的多尺度Retinex低照圖像增強算法。在HSV 色彩空間中，將明度分量進行多尺度Retinex分解和指數矯正，取增強的多尺度明度分量的均值圖像作為增強的明度分量，經HSV空間重組得到增強圖像。主客觀的實驗結果證明了所提方法的有效性，相對于部分最新提出現有的方法，本文IEMRH的圖像增強效果更好，亮度和自然度更適宜。