低照度環(huán)境下圖像非均勻紋理增強算法

李 寧

（安徽財貿(mào)職業(yè)學院信息工程學院，安徽 合肥 230601）

數(shù)字圖像的增強是目前視覺研究領(lǐng)域的熱點。在日常生活中，圖像增強處理的技術(shù)應(yīng)用非常廣泛，在醫(yī)療、安全監(jiān)控等方面都具有非常重要的價值［1］。圖像是人類獲取外界信息的重要載體，在現(xiàn)實的生活場景中，由于客觀條件的原因，在光照條件不足的情況下，例如夜間、惡劣天氣環(huán)境等，采集到的一些圖像會存在低對比度和細節(jié)丟失等現(xiàn)象，造成色彩失真以及圖像內(nèi)容模糊，圖像質(zhì)量較差［2］。在低照度環(huán)境下，圖像整體偏暗，無法獲取有用信息，為后續(xù)圖像中目標識別、后續(xù)處理等應(yīng)用造成麻煩。尤其是處理圖像中的非均勻紋理的部分，非常容易造成細節(jié)丟失，因此，需要增強低照度環(huán)境下圖像非均勻紋理，突出圖像中人們感興趣的內(nèi)容和區(qū)域。在低照度環(huán)境下，圖像增強方法是目前相關(guān)學者研究的重點。

文獻［3］中提出了一種基于小波變換的分數(shù)階微分紋理增強算法，將小波變換應(yīng)用在圖像中人們感興趣的部位，能夠?qū)⑵溥M行分解并得到多個子帶分量。引入分數(shù)階微分得到分數(shù)階微分掩膜，求解并得到多個高頻子帶分量進行卷積。在小波逆變換的基礎(chǔ)上實現(xiàn)圖像中人們感興趣的部位的重組和增強。但是傳統(tǒng)的增強算法中，在處理非均勻紋理時容易丟失圖像細節(jié)，導致增強后的圖像在峰值信噪比與結(jié)構(gòu)相似性方面的量化值偏低，因此，筆者設(shè)計了一種針對低照度環(huán)境下的圖像非均勻紋理增強算法。

1 低照度圖像非均勻紋理增強

1.1 圖像中非均勻紋理的增強優(yōu)先權(quán)獲取

增強圖像的非均勻紋理時，需要考慮邊界像素點的優(yōu)先權(quán)。一般情況下，如果某非均勻紋理中的像素點周圍的高置信度像素點數(shù)量越多［4］，那么其增強的優(yōu)先權(quán)則越高。

圖1中，?Ω 表示待增強區(qū)域的邊界，標注Ω 的白色區(qū)域表示圖像中待增強的部分，p表示其中的任意像素點，ψp表示以像素點p為中心的像素集合，也是待增強的部分。那么，此時該像素集合區(qū)域的置信度計算公式為：

圖1 圖像中非均勻紋理的合成示意圖Fig. 1 Synthetic schematic diagram of non-uniform texture in the image

式（2）中，vp表示?Ω 在p點的單位法矢量表示p點的等照度矢量［6］，α表示數(shù)據(jù)生成數(shù)據(jù)項過程中的參數(shù)。結(jié)合式（1）和式（2），能夠得到優(yōu)先權(quán)系數(shù)的計算公式為：根據(jù)式（3）對于優(yōu)先權(quán)系數(shù)的定義可知，置信度、數(shù)據(jù)項的值與優(yōu)先權(quán)系數(shù)呈現(xiàn)正比例關(guān)系［7］。通過計算出圖像中的增強次序，在整體的增強算法中去優(yōu)先增強像素信息含量更多的像素點集合塊，保證圖像經(jīng)過增強之后的光度連貫性更強，避免出現(xiàn)模糊。

1.2 基于卷積自編碼的低照度圖像增強模型構(gòu)建

確定像素點增強優(yōu)先權(quán)之后，需要建立一個增強模型來保證增強過程的順利進行［8］。圖像增強主要是解決圖像中亮度的自適應(yīng)調(diào)整，并對圖像中存在的噪聲和顏色偏差等問題進行糾正［9］。因此，在卷積自編碼網(wǎng)絡(luò)的基礎(chǔ)上進行改進，設(shè)計一種圖像增強模型，模型的結(jié)構(gòu)見圖2。

圖2 基于卷積自編碼的低照度圖像增強模型Fig. 2 Low-light image enhancement model based on convolutional auto-encoding

圖2中的增強模型主要是從圖像的結(jié)構(gòu)與損失兩方面進行改進，將圖像進行分解之后，利用損失函數(shù)進行重建和增強，并且利用多層感知對其進行約束［10］?；趥鹘y(tǒng)增強算法中Retinex理論的指導，反射編碼器與圖像重建是模型反射分量支路中的重要組成部分［11］，反射編碼器主要是由下采樣層和特征提取組成。圖2所示的圖像非均勻紋理增強模型中，設(shè)計了對反射分量和照度分量的提取層，該層級中主要是由殘差結(jié)構(gòu)組成，殘差塊結(jié)構(gòu)見圖3。

圖3 殘差塊結(jié)構(gòu)Fig. 3 Residual block structure

利用圖3中的殘差塊結(jié)構(gòu)放置在特征提取層中，可以增加模型中特征提取的層數(shù)，避免出現(xiàn)非均勻紋理梯度消失。

1.3 增強圖像照度劃分及融合

根據(jù)人眼識別的特性，圖像中不同的光強度值的最小可覺差的劃分見圖4。

圖4 人類視覺光強度值的最小可覺差劃分Fig.4 Minimum perceptible difference division of human visual light intensity value

圖4中，在低對比度區(qū)域中，人眼是感覺不到光強變化的，德弗里斯區(qū)域也就是低照度區(qū)域，韋柏區(qū)域?qū)儆谥姓斩葏^(qū)域［12］。在圖像增強過程中，就是要將圖像從德弗里斯區(qū)域調(diào)整到韋柏區(qū)域。完成劃分之后，為了保證人眼在觀察圖像過程中的完整性，還需要對劃分完畢的區(qū)域進行融合［13］。因為經(jīng)過加強之后，各個預(yù)期的亮度會存在不同大小的差異，為了避免增強后的圖像出現(xiàn)塊狀效應(yīng)，因此，需要按照加權(quán)求和的方式對反射分量進行恢復(fù)和融合［14］。利用圖像面積因子進行融合。以某像素點為中心，其周圍3×3范圍內(nèi)能夠計算出人類視覺光強度值的最小可覺差劃分中各個區(qū)域的像素數(shù)量，求出周圍像素點在各個區(qū)域的數(shù)量以及比值之后，能夠得到加權(quán)求和結(jié)果。并按照面積因子最終求出的結(jié)果，實現(xiàn)像素塊之間的融合。至此完成低照度環(huán)境下圖像非均勻紋理增強算法的設(shè)計。

2 算法性能測試

2.1 測試參數(shù)與訓練過程設(shè)計

為了對本文設(shè)計的低照度環(huán)境下圖像非均勻紋理增強算法的性能進行評估，需要對算法性能進行測試。在測試過程中，將本文設(shè)計的增強算法作為實驗組，與此同時，將目前使用的MSRCR算法、DONG算法、NPE算法、MF算法、LIME算法以及SRIE算法等作為對照組同時進行測試。在性能測試中，需要對測試環(huán)境參數(shù)進行設(shè)置（表1）。

表1 測試環(huán)境參數(shù)Tab. 1 Test environment parameters

在以上測試環(huán)境下，首先對進行訓練的數(shù)據(jù)進行處理。文中使用的圖像集合為室外多重曝光低照度數(shù)據(jù)集，該數(shù)據(jù)集是目前測試非均勻紋理增強算法的有效數(shù)據(jù)集。該集合中有近300組不同照度下的非均勻紋理圖像，選擇數(shù)據(jù)集中的260 組作為訓練數(shù)據(jù)，其余的40組作為測試數(shù)據(jù)。文中所設(shè)計的非均勻紋理增強算法，其中的深度學習模型需要大量的參數(shù)，只有通過訓練才能使得到的參數(shù)最佳，使網(wǎng)絡(luò)更好地擬合。將訓練得到的樣本數(shù)據(jù)作為支撐，在訓練過程，需要確定訓練集的迭代次數(shù)和收斂情況。數(shù)據(jù)集的訓練過程和收斂性分析情況見圖5。

圖5 訓練過程Fig. 5 Training process

從圖5可以看出，圖像在訓練過程中，不同種類的損失在經(jīng)過訓練迭代之后逐漸穩(wěn)定，變化較小，且損失函數(shù)趨近于0。在完成訓練之后，分別使用不同的增強算法對數(shù)據(jù)集中的測試數(shù)據(jù)進行增強，并對比不同算法下的增強效果。對比的指標主要是經(jīng)過增強后的非均勻紋理的峰值信噪比、結(jié)構(gòu)相似性以及時間。峰值信噪比越大，表示圖中有用的信息越多，結(jié)構(gòu)相似性越大，表示跟原圖越接近。在以上實驗環(huán)境下，分別得到不同算法的增強結(jié)果，并對各個算法下的結(jié)果進行對比分析。

2.2 實驗結(jié)果分析與討論

根據(jù)成像結(jié)果，能夠分析出各個算法所獲得的圖像中的峰值信噪比與結(jié)構(gòu)相似性情況（表2）。

表2 不同算法下圖像的峰值信噪比與結(jié)構(gòu)相似性Tab. 2 Image peak signal-to-noise ratio and structural similarity under different algorithms

為了進一步對比本文算法和傳統(tǒng)方法之間的性能差異，選擇測試集中200 萬~800 萬不同像素的圖像，對比各算法下的處理時間（表3）。

表3 不同算法對不同像素的圖像的處理時間對比Tab. 3 Comparison of processing time of images with different pixels by different algorithms s

從表2、表3中的結(jié)果可以看出，目前所用的各種圖像增強算法中，在處理200萬像素的圖像時，除了DONG 算法、MF算法和SRIE 算法花費時間較長之外，其他算法的時間相差不多；但是隨著像素的增加，DONG算法與LIME算法的后續(xù)表現(xiàn)比較穩(wěn)定，但是與本文算法相比，耗時還是比較長。NPE算法在200萬像素時的耗時最小，但是隨著像素的增加，到800萬像素時，耗時達到208.46 s，其余的傳統(tǒng)算法的耗時也分布在25~140 s范圍內(nèi)。因此，可以得出隨著圖像像素的增加，不同算法之間在圖像處理過程中耗時的差距逐漸顯現(xiàn)，綜合不同像素情況下的測試結(jié)果，與其他傳統(tǒng)算法相比，本文算法在不同像素情況下的耗時情況更具有優(yōu)勢。

3 結(jié)束語

針對一些低照度環(huán)境下的圖像質(zhì)量較低的問題，筆者在傳統(tǒng)增強算法的基礎(chǔ)上進行了改進。通過計算增強優(yōu)先權(quán)和建立增強模型，能夠有效針對圖像中非均勻紋理進行增強，并取得了良好的效果。但是文中的驗證部分還存在一些不足，主要是因為圖像增強在質(zhì)量評價上沒有統(tǒng)一的標準，主觀的視覺與客觀的數(shù)據(jù)缺少綜合評價體系。因此，本文的實驗效果在衡量方面或許存在偏差，在后續(xù)的研究中，要針對這一點進行改進。