一種基于Retinex理論改進(jìn)的低照度圖像增強(qiáng)算法

李承銘 陳初俠 柯駿 王佳欣 王世龍 何俊潔

摘要：針對(duì)處理低照度圖像出現(xiàn)的色彩失真和邊緣信息丟失問(wèn)題，文章基于Retinex理論提出一種改進(jìn)的低照度圖像增強(qiáng)算法。首先，將低照度圖像從紅、綠、藍(lán)（RGB） 空間轉(zhuǎn)換到色調(diào)、飽和度、亮度（HSI） 空間；其次，在HSI空間中只對(duì)亮度分量進(jìn)行處理，這樣避免了圖像三基色比例關(guān)系被破壞；再次，在處理亮度分量時(shí)，在Retinex理論的基礎(chǔ)上采用雙邊濾波代替高斯濾波來(lái)估算入射圖像。實(shí)驗(yàn)結(jié)果表明，相比于SSR、MSR、MSRCR算法，文章算法增強(qiáng)后的圖像避免了色彩失真問(wèn)題，較好地保留了圖像邊緣信息。

關(guān)鍵詞：Retinex理論；低照度圖像；圖像增強(qiáng)；HSI

中圖分類號(hào)：TN391.9? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2023）13-0022-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）

0 引言

視覺(jué)是人類感知外部世界的重要生物器官，而圖像作為人類獲取外界信息的重要載體，傳遞給人類80%以上的外界信息量[1]。但在現(xiàn)實(shí)生活中，由于光線不足等因素導(dǎo)致所獲取的圖像色彩偏暗，這樣的圖像不僅影響人們對(duì)圖像中的信息識(shí)別，還極大地降低了圖像的后續(xù)應(yīng)用價(jià)值。低照度圖像增強(qiáng)是圖像處理常見(jiàn)問(wèn)題之一，目的是增強(qiáng)原始圖像中的對(duì)比度和清晰度，從而得到更高質(zhì)量的圖像。

低照度圖像增強(qiáng)方法有很多，有基于直方圖均衡化的低照度圖像增強(qiáng)[2]、基于色調(diào)映射的低照度圖像增強(qiáng)[3]、基于暗通道先驗(yàn)的低照度圖像增強(qiáng)、基于小波變換的低照度圖像增強(qiáng)[4]、基于Retinex理論的低照度圖像增強(qiáng)等。本文在研究Retinex理論的基礎(chǔ)上，提出了一種改進(jìn)的低照度圖像增強(qiáng)算法，與經(jīng)典的三種Retinex算法相比，本文算法增強(qiáng)后的圖像避免了色彩失真問(wèn)題，較好地保留了圖像邊緣信息。

1 Retinex基本理論

1.1 Retinex理論基礎(chǔ)

Retinex理論[5]是20世紀(jì)70年代由Edwin Land所提出，他認(rèn)為采集的原始圖像S（x， y）是由入射圖像L（x， y）和反射圖像R（x， y）共同決定，即

[S（x，y）=L（x，y）×R（x，y）]? （1）

Retinex理論的核心是盡可能消除入射分量的影響而最大化估算反射分量。所以準(zhǔn)確估算反射圖像R（x， y）并提取出來(lái)就達(dá)到對(duì)低照度圖像增強(qiáng)的目的。對(duì)式（1） 進(jìn)行對(duì)數(shù)變換并移位有：

[logR（x，y）=logS（x，y）-logL（x，y）]? ? ? ? （2）

對(duì)（2） 式進(jìn)行反對(duì)數(shù)變換，可得反射圖像R（x， y）為：

[R（x，y）=exp[logS（x，y）-logL（x，y）]]? ? ? （3）

Retinex算法框圖如圖1所示。

1.2? 三種Retinex算法

在Retinex理論出現(xiàn)后，相繼出現(xiàn)了三種經(jīng)典的Retinex算法，分別是單尺度Retinex算法（Single Scale Retinex，SSR） 、多尺度Retinex算法（Multi-Scale Retinex，MSR） 和具有色彩恢復(fù)的多尺度Retinex算法（Multi-Scale Retinex with Color Restoration，MSRCR） 。

SSR算法在估計(jì)入射圖像時(shí)采用低通濾波器（一般用高斯低通濾波器）和原始圖像做卷積來(lái)獲得，即[L（x，y）=S（x，y）?G（x，y）]，其中“*”是卷積運(yùn)算符號(hào)，G（x， y）是低通濾波函數(shù)。最終所得反射圖像為

[R（x，y）=exp{logS（x，y）-log[S（x，y）?G（x，y）]}]? ? （4）

使用SSR算法進(jìn)行圖像增強(qiáng)，當(dāng)?shù)屯V波函數(shù)中尺度調(diào)節(jié)參數(shù)較小時(shí)，圖像的細(xì)節(jié)會(huì)得到增強(qiáng)但同時(shí)會(huì)出現(xiàn)較大的色彩失真；當(dāng)尺度調(diào)節(jié)參數(shù)較大時(shí)，圖像的色彩能保留較好但圖像紋理細(xì)節(jié)變得模糊。MSR算法是在SSR算法基礎(chǔ)上進(jìn)行多個(gè)不同的SSR加權(quán)平均得到增強(qiáng)圖像。MSR算法較好地解決了SSR算法在增強(qiáng)圖像時(shí)出現(xiàn)圖像紋理細(xì)節(jié)和顏色保留不可兼顧的缺點(diǎn)，其反射圖像為：

[R（x，y）=exp{i=1nwi[logS（x，y）-log（S（x，y）?G（x，y））]}] （5）

式（5） 中，n表示取不同參數(shù)的次數(shù)，一般取3。[wi]表示第i次濾波所占的比重，它必須滿足歸一化要求。

盡管MSR算法在SSR算法基礎(chǔ)上進(jìn)行了一些改進(jìn)，但在對(duì)彩色圖像進(jìn)行增強(qiáng)時(shí)，MSR算法還是有可能出現(xiàn)圖像顏色失真。因?yàn)樗菍?duì)R（紅色）分量、G（綠色）分量和B（藍(lán)色）分量分別進(jìn)行相應(yīng)的增強(qiáng)運(yùn)算，這樣會(huì)打破R、G、B三者之間的比例平衡，從而出現(xiàn)顏色失真。MSRCR算法的出現(xiàn)在一定程度上解決了這一問(wèn)題。MSRCR算法是在MSR算法基礎(chǔ)上引入了顏色恢復(fù)函數(shù)[γc（x，y）]，是對(duì)MSR算法處理后的圖像進(jìn)行再處理，[γc（x，y）]表達(dá)式為：

[γc（x，y）=βlnαSc（x，y）c∈（R，G，B）Sc（x，y）]? ? ?（6）

式（6） 中，c為顏色通道，b為增益常數(shù)，a為非線性強(qiáng)度控制因子。MSRCR增強(qiáng)算法的輸出是MSR增強(qiáng)算法的輸出[Rc（x，y）]與[γc（x，y）]的乘積。

2? 改進(jìn)的低照度圖像增強(qiáng)算法

盡管SSR、MSR和MSRCR三種算法對(duì)低照度圖像增強(qiáng)具有較好的效果，但實(shí)驗(yàn)中發(fā)現(xiàn)，采用以上三種算法增強(qiáng)后的圖像也存在一些缺陷，主要表現(xiàn)在：1）色彩失真，圖像給人一種灰白感；2）圖像變得模糊，這是因?yàn)镽etinex中使用的高斯濾波器不能較好地保留圖像的邊緣信息。

針對(duì)以上兩個(gè)問(wèn)題，本文在Retinex算法理論基礎(chǔ)上做了針對(duì)性的改進(jìn)。對(duì)于色彩失真問(wèn)題，Retinex算法是對(duì)R、G、B三個(gè)分量分別進(jìn)行處理，這樣增強(qiáng)的圖像很容易出現(xiàn)色彩失真現(xiàn)象。本文采用HSI（色調(diào)Hue、飽和度Saturation和亮度Intersity） 色彩空間，而且只對(duì)亮度分量進(jìn)行處理，在增強(qiáng)圖像的同時(shí)防止了色彩失真現(xiàn)象的出現(xiàn)。在邊緣信息保護(hù)方面，本文采用雙邊濾波代替?zhèn)鹘y(tǒng)的高斯濾波，更好地保護(hù)了圖像邊緣信息。改進(jìn)算法的框圖如圖2所示。

3? 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性，實(shí)驗(yàn)時(shí)筆者選取了三幅圖像，它們分別是“別墅”“城堡”和“樹(shù)葉”。如圖3、圖4、圖5所示為原圖及四種算法的處理結(jié)果。

3.1? 主觀評(píng)價(jià)

由圖3、圖4、圖5可得，首先，從圖像的明暗程度來(lái)看，四種算法處理后的圖像都變得更亮。其次，從色彩上看，SSR、MSR、MSRCR算法處理后的圖像顏色偏暗，不鮮艷，色彩有較明顯的失真；而本文算法處理后的圖像顏色亮麗，沒(méi)有失真現(xiàn)象。再次，從圖像的細(xì)節(jié)看，本文算法處理后的圖像更加細(xì)膩，邊緣部分保護(hù)得更好。總之，與SSR、MSR、MSRCR算法相比，本文算法是最優(yōu)的。

3.2? 客觀評(píng)價(jià)

除主觀評(píng)價(jià)外，本文還采用三個(gè)客觀評(píng)價(jià)指標(biāo)進(jìn)行評(píng)判，它們分別是均值、標(biāo)準(zhǔn)差和清晰度。

1）均值。圖像均值是整幅圖像中所有像素的平均值，它與圖像的明暗程度息息相關(guān)。圖像均值越大，圖像顯得越亮；反之，圖像顯得越暗。其計(jì)算公式為：

[A=1M×Ni=1Mj=1Nf（i，j）]? ? ? ? ?（7）

式（7） 中，M和N分別表示圖像的行數(shù)和列數(shù)，f （i， j）表示圖像在點(diǎn)（i， j）處的灰度值。

2）標(biāo)準(zhǔn)差。標(biāo)準(zhǔn)差反映了圖像像素值與均值的離散程度，圖像標(biāo)準(zhǔn)差越大說(shuō)明圖像的質(zhì)量越好[6]。其公式為：

[σ=1M×Ni=1Mj=1N[f（i，j）-A]2]? ? ? ? （8）

式（8） 中，A為圖像的均值。

3）清晰度。圖像的清晰度是指人眼視覺(jué)感受圖像的清晰程度。對(duì)一幅圖像而言，若其清晰度數(shù)值越大，則圖像越清晰。其公式表示為：

[Q=1M（N-1）i=1Mj=1N[f（i，j+1）-f（i，j）]2+1（M-1）Ni=1Mj=1N[f（i+1，j）-f（i，j）]2 ] （9）

表1、表2、表3分別為三幅圖像及四種增強(qiáng)算法的圖像均值、標(biāo)準(zhǔn)差和清晰度。從表1可以看出，增強(qiáng)后的圖像均值均比原圖要大很多，說(shuō)明四種算法都對(duì)低照度圖像進(jìn)行了有效增強(qiáng)，對(duì)于“城堡”和“樹(shù)葉”兩幅圖，本文算法增強(qiáng)的效果更加明顯。從表2可以看出，相較于SSR、MSR、MSRCR算法，本文算法的標(biāo)準(zhǔn)差最大，說(shuō)明本文算法增強(qiáng)后的圖像質(zhì)量是最好。從表3可以看出，四種算法增強(qiáng)后的圖像其清晰度均比原圖要好，說(shuō)明增強(qiáng)后的圖像比原圖都要清晰；另外，相較于SSR、MSR、MSRCR算法，本文算法增強(qiáng)后的圖像其清晰度數(shù)值最大，這更進(jìn)一步地說(shuō)明本文算法的優(yōu)越性。

4? 結(jié)束語(yǔ)

基于Retinex理論本文提出了一種改進(jìn)的低照度圖像增強(qiáng)算法。首先，將低照度圖像從RGB空間轉(zhuǎn)換到HSI空間，并只對(duì)亮度分量進(jìn)行處理；其次，處理亮度分量時(shí)采用雙邊濾波代替高斯濾波來(lái)估算入射圖像。實(shí)驗(yàn)結(jié)果顯示，本文算法在圖像均值、標(biāo)準(zhǔn)差和清晰度方面均優(yōu)于SSR、MSR、MSRCR算法。從圖像視覺(jué)效果來(lái)看，本文算法增強(qiáng)后的圖像避免了色彩失真現(xiàn)象，也很好地保留了圖像邊緣信息。

參考文獻(xiàn)：

[1] 楊杰.數(shù)字圖像處理及MATLAB實(shí)現(xiàn)[M].3版.北京：電子工業(yè)出版社，2019.

[2] 丁暢，董麗麗，許文海.“直方圖”均衡化圖像增強(qiáng)技術(shù)研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（23）：12-17.

[3] 陳迎春.基于色調(diào)映射的快速低照度圖像增強(qiáng)[J].計(jì)算機(jī)工程與應(yīng)用，2020，56（9）：234-239.

[4] 付爭(zhēng)方，朱虹.基于小波變換的低照度圖像增強(qiáng)算法[J].山西大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，36（4）：497-504.

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

[6] 郭瑞，黨建武，沈瑜，等.改進(jìn)的單尺度Retinex圖像去霧算法[J].蘭州交通大學(xué)學(xué)報(bào)，2018，37（6）：69-75.

【通聯(lián)編輯：朱寶貴】