基于前背景特性的逆光交通場景圖像增強

摘 要：由于逆光交通場景下采集到的圖像存在前景亮度過低、背景亮度失真等特點，導致采集圖像清晰度低、信息丟失嚴重和可識別性差，針對逆光圖像前背景的不同特性，研究提出了一種分區域增強方法。對逆光圖像使用最大類間方差法（ＯＴＳＵ 法） 分割圖像的前景和背景；對逆光圖像全局使用ＬＩＭＥ 方法，提升前景亮度的同時保持色彩的失真度；單獨將背景部分ＲＧＢ 三個通道上的全局直方圖均衡化結果一一映射到對應的限定區間內，提高了背景的對比度；使用Ｃａｎｎｙ 算子檢測出前背景拼接處的黑邊，根據黑邊生成３ 個自適應的濾波模板對黑邊進行分步均值濾波處理，消除了黑色邊緣，提升了圖像的視覺質量。在實驗室自建的ＣＨＤ＿Ｂ 數據集上，所提方法在４ 種常用客觀評價指標上綜合占優。實驗結果表明，所提出的圖像增強算法能有效地消除圖像中的逆光現象。

關鍵詞：逆光圖像；ＬＩＭＥ；直方圖均衡；邊緣優化；圖像增強

中圖分類號：ＴＰ３９１ 文獻標志碼：Ａ 開放資源（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０５－１１４６－０９

０ 引言

隨著交通領域的快速發展，在交通場景下獲取高質量圖像成為了一種新的必然的要求。攝像頭在采集圖片的過程中很容易受到光照環境的影響，在逆光環境下采集的圖像背景亮度高、前景亮度低，前景中的有效信息無法正常獲取。消除逆光現象的常用方法是使用補光燈照射前景，但在大量的交通場景中采用該方法會產生高額的成本。為了消除交通場景圖像中的逆光現象，研究者從軟件的角度提出了圖像增強技術。

直方圖均衡化［１－４］是處理逆光圖像時常用的一種方法，通過對圖像的灰度值進行均衡化分布處理，對圖像進行增強，但對逆光圖像過暗部分的亮度提升效果較為有限。此外，針對灰度進行處理的灰度線性變換以及灰度非線性變換等方法也常被應用于逆光圖像的清晰化處理，該方法處理后的圖像整體對比度增強明顯，但不利于突出感興趣的前景區域信息。許多學者對Ｒｅｔｉｎｅｘ［５－７］理論進行深入研究并優化，提出了單尺度Ｒｅｔｉｎｅｘ 算法（ＳＳＲ），多尺度Ｒｅｔｉｎｅｘ算法（ＭＳＲ）和帶色彩恢復的Ｒｅｔｉｎｅｘ 算法（ＭＳＲＣＲ）。ＳＳＲ 算法假設入射光是平滑的，但逆光圖像中的入射光變化很大，因此該算法會在較暗的前景輪廓處產生光暈。ＭＳＲ 算法通過多個尺度的濾波去改善ＳＳＲ 算法的缺點，但該方法沒有考慮到顏色的因素，處理后的圖像存在顏色失真的問題。ＭＳＲＣＲ 算法加入了色彩因子，改善了ＭＳＲ 處理圖像的色彩失真問題，但顏色因子的計算大大增加了算法的運行時間，該算法還需要設置很多經驗參數，降低了算法的泛用性。Ｉｍ等［８］采用暗通道發的思想，將圖像中欠曝光前景部分提取出來，并用自適應對比度進行空域對比度增強。而暗通道法最初被用來處理圖像去霧任務，該方法分割出的前景與背景區域并不可靠。北京交通大學的郭倩在文獻［９］中采用了分區域處理的方法并引入了基于亮度保持的圖像局部區域增強方法，對逆光圖像局部區域進行增強，但在局部的增強過程中，暗區提取方式單一，該方法在很多場景無法應用。為此，提出一種基于逆光圖像前背景特性的圖像增強算法，對明暗兩部分分別進行針對性處理，該方法對交通場景下的逆光圖像增強效果顯著。

１ 相關背景

１． １ 逆光交通場景（ＣＨＤ＿Ｂ）數據集

在陜西省交通運輸廳道路養護的工作中，使用Ｃａｎｏｎ ＥＯＳ ７０Ｄ 單反相機采集交通逆光場景下的各種交通場景圖像，經篩選共保留１２０ 張。自建了名為ＣＨＤ＿Ｂ 的數據集，該數據集中的圖像采集于西安市尚苑路和朱宏路交匯處、長安大學渭水校區北門周圍、尚苑路、草灘一路、長安大學渭水校區內部路以及汽車試驗場。采集的圖像內容包含交通標識牌、交通信號燈以及各種其他逆光的交通場景等。ＣＨＤ＿Ｂ 數據集的部分圖像如圖１ 所示。

１． ２ ＬＩＭＥ 理論

在以往基于Ｒｅｔｉｎｅｘ 理論的逆光圖像增強研究中，各方法對入射分量的估計往往不夠真實，使得處理結果容易出現過度增強、亮度增強不夠等問題。學者們通常以優化入射分量作為切入點進行研究，使其更加自然。Ｇｕｏ 等［１０］基于Ｒｅｔｉｎｅｘ 理論，提出了一種簡單有效的微光圖像增強（ＬＩＭＥ）理論。通過估計圖像的光照圖來實現低照度圖像的增強，為簡化計算，選取３ 個顏色分量的最大值作為光照圖來進行光照估計，將光照圖Ｔ 初始化為：

通過此方法得到的Ｔ＾ （ｘ）不會出現飽和的情況，因為：

Ｒ（ｘ） ＝ Ｌ（ｘ）／ （ｍａｘ ｃ Ｌｃ（ｘ）＋ ε）。（２）

加入了非常小的常量ε，主要為了避免分母為０和Ｒ（ｘ）過度飽和。

可使用式（１）初步地估算出光照的情況，更好的方法是由局部一致性估算光照情況，以下是比較常用的２ 種方法：

式中：Ω（ｘ）是以像素ｘ 為中心的區域，ｙ 是Ω（ｘ）區域的位置索引，這種方法增強了局部一致性，但在結構性上欠缺考慮。下面自定義了的優化方法對存在的問題進行優化：

式中：‖·‖Ｆ 和‖·‖１ 為Ｆ 范數和Ｌ１ 正則，α 為平衡系數。式（５）前項的Ｆ 范數，考慮細化后的光照圖與初始光照圖之間的保真度，式（７）后項為Ｌ１正則，考慮的是平滑度。！Ｔ 為一階導數濾波器，包括水平和垂直２ 個方向。Ｗ 為權重矩陣，優化的關鍵在于Ｗ 如何設計。受ＲＴＶ 啟發，對于每個位置的權重設計方式如下：

由于圖像不同位置噪聲大小的差異，對所有位置采用相同的去噪方法會損失很多的信息。要避免在暗處過度去噪，同時也要避免在亮處過度平滑。采用如下方法改進：

Ｒｆ ← Ｒ·Ｔ ＋ Ｒｄ ·（１ － Ｔ）， （９）

式中：Ｒｆ 為去噪后的結果，Ｒｄ 為重構后的結果。

２ 本文方法

本文基于逆光圖像的特性，使用最大類間方差法（ＯＴＳＵ 法）將逆光圖像分割成過暗的前景和較亮的背景２ 個區域。使用ＬＩＭＥ 方法全局處理逆光圖像，只保留處理后的前景區域，作為前景增強的結果。對逆光圖像做掩膜處理，只保留背景區域，并對其使用限定區域的直方圖均衡化處理，作為背景增強的結果。最后對兩部分處理結果進行拼接，并對拼接邊緣處突兀不自然的問題進行３ 次邊緣優化處理，得到整幅逆光圖像的增強結果。算法流程如圖２ 所示。

２． １ 逆光圖像閾值分割

逆光圖像的成因是拍攝目標恰好位于光源與拍攝設備之間，具有低亮度部分和高亮度部分且亮度反差通常較大，所以逆光圖像的灰度值通常集中于某個低亮度值和某個高亮度值附近，圖像的直方圖呈現“雙峰”狀分布。根據逆光圖像灰度分布的特點，本文采用ＯＴＳＵ 法計算出最佳閾值對圖像進行分割，能正確地將逆光圖像的前景區域和背景區域分割開的同時，保證算法的運行速度。在后續的處理中，使用二值化后的圖像作為蒙版，掩膜遮蓋得到逆光圖像的前景和背景，并分別對２ 區域進行單獨處理。

２． ２ 結合全局的ＬＩＭＥ 前景處理

為了優化前景圖像的亮度和清晰度，本文使用ＬＩＭＥ 方法分別單獨對前景局部和全局逆光圖像進行處理，得到的結果如圖３ 所示。

前景區域進行局部ＬＩＭＥ 處理后，前景亮度的提升相較于全局ＬＩＭＥ 處理效果相差不大。但局部處理結果的前景邊緣處（圖３（ｃ）的方框中）出現了多處過度曝光，導致圖像出現色彩失真，丟失了部分前景細節。因此本文選擇結合全局的ＬＩＭＥ 處理逆光圖像的前景部分，在提升了前景亮度的同時，保證了色彩失真度，使得過暗的前景區域得到了較好的增強。本文對全局ＬＩＭＥ 的處理結果做掩膜，只保留前景部分，將該部分作為本文算法前景的增強結果。

２． ３ 逆光圖像的背景增強

２． ３． １ 較亮區域亮度區間估計

對于背景區域的彩色逆光圖像，分別對逆光圖像的Ｒ、Ｇ、Ｂ 三個色彩分量進行直方圖均衡化處理，并將結果融合。逆光圖像進行直方圖均衡化處理后，雖然圖像的整體對比度明顯提高，圖像較亮區域中的細節得到增強，但整體色彩失真十分嚴重，對于亮度的恢復效果并不理想。逆光圖像的背景區域仍然整體處于一個亮度、色彩失調的狀態，視覺效果遠達不到對逆光圖像清晰化的目標。

在改進上述問題之前，首先要對背景灰度分布區間有一個較為準確的估計。根據逆光圖像的性質，背景區域灰度值集中于某個較高亮度值附近。本文假設其灰度值分布規律服從正態分布Ｎ （μ，σ２ ），μ、σ 分別為背景區域灰度值的均值和標準差：

式中：ｒ 為圖像較亮部分的灰度值，Ｎｒ 為灰度值為ｒ的像素點的個數。由較亮區域像素值可以統計得到正態分布Ｎ（μ，σ２ ）的置信區間［μ－ｚσ，μ＋ｚσ］，期望得到盡可能多包含較亮區域灰度值的灰度區間。為了更多地保持背景區域的亮度及色彩，本文令ｚ ＝ ２． ５８ 得到置信區間［μ－２． ５８σ，μ＋２． ５８σ］，使置信水平ｐ ＝ ０． ９９，即期望逆光圖像背景區域的灰度值落在該置信區間內的概率為９９％ 。

２． ３． ２ 限定區間的直方圖均衡化

由于逆光圖像背景區域亮度較為合理，本文結合逆光圖像特點基于直方圖均衡化方法提出了一種針對逆光圖像背景區域進行增強的方法，使背景區域在保持原有亮度及色彩的前提下進行限定灰度區間的直方圖均衡化處理，達到突出其細節的增強效果。

在進行限定區間的直方圖均衡化處理時，分別在逆光圖像較亮區域的３ 個顏色分量上令：

得到限定的灰度區間［ｌｏｗ，ｈｉｇｈ］。將其３ 個顏色分量上的全局直方圖均衡化結果一一映射至對應的限定區間內：

ｓｒ ＝ ｌｏｗ ＋ Ｔ（ｒ）／ ２５５·（ｈｉｇｈ － ｌｏｗ），ｒ ＝ １，２，…，２５５，（１２）

式中：ｓｒ 為灰度值ｒ 經本文方法映射至［ｌｏｗ，ｈｉｇｈ］得到的灰度值。采用本文方法對逆光圖像較亮區域灰度分布直方圖進行限定區間的均衡化處理，逆光圖像的較亮區域經過本文方法處理后擁有了更多細節，對比度也得到了增強。改善了傳統直方圖均衡化處理后圖像的顏色失真、亮度失調的問題。最終得到的結果如圖４ 所示。

２． ４ 拼接邊緣處優化

本文方法對逆光圖像前景和背景區域處理并將２ 區域拼接后，圖像前景部分的增強效果理想，亮度和色彩都得到了較好的恢復，且背景部分的細節在保持原有亮度和色彩的基礎上得到了很好的增強。

對拼接后的圖像進行觀察，在前景和背景的交界處往往會出現一圈黑邊，十分突兀。經研究分析，出現黑邊的主要原因是逆光處的光源照射在拍攝目標時，通常會在拍攝目標的輪廓處產生較強的反光，產生輪廓處亮度較高的情況，甚至高于整幅圖像較亮部分中的大部分區域，因此在閾值分割時這部分高亮邊緣會被劃分至較亮區域。而對過暗的前景區域進行處理后，逆光圖像前景的亮度得到了增強，通常超過黑邊的亮度，導致黑邊更加突兀，降低了本文方法對逆光圖像清晰化的整體效果及視覺效果。

基于反光引起的黑邊具有狹窄且寬度較為均勻的特性，本文提出一種提取黑邊部分并對其優化的方法。黑邊部分優化步驟的示例如圖５ 所示。處理步驟如下：

處理步驟如下：

① 以圖５（ａ）局部黑邊部分為例，通過對前景和背景區域拼接處鄰域采用Ｃａｎｎｙ 算子進行邊緣檢測，并得到最大連通區域即可得到待優化的黑邊部分，再向過暗部分略微膨脹，得到包括拼接邊緣以及黑邊部分的目標處理區域，如圖５（ｂ）中紅色區域。對該區域以直徑大于目標區域寬度的均值濾波模版進行均值濾波，選擇較大模版是為了采集到期望考慮到的黑邊之外的顏色與亮度，使黑邊色彩得到較大程度平滑，與周圍色彩更加接近，消除黑邊部分的突兀感。

② 將步驟①中目標區域向較亮區域進一步膨脹，得到本次處理目標區域，如圖５（ｃ）中藍色區域，并選用直徑小于目標區域寬度的均值濾波模版進行均值濾波，本次處理在步驟①的基礎上略微擴大了處理范圍，并選用較小的模版，目的是在盡量保持圖像原有細節的基礎上對步驟①中處理區域的邊界進一步平滑，優化圖像的視覺效果。

③ 針對之前處理區域的邊緣進行進一步優化，對步驟②中目標區域的邊緣部分進行輕微膨脹并與其輕微腐蝕結果作差，得到需要優化的目標區域，如圖５（ｄ）中綠色區域。對此部分采用直徑較小的均值濾波模版進一步平滑優化處理，得到最終的優化結果。本文對目標區域ｆ（ｘ，ｙ）內的像素點以半徑為ｒ 的均值濾波模版進行均值濾波時，在Ｒ、Ｇ、Ｂ三個顏色分量上分別以式（１３）計算得到目標像素點ａ（ｉ，ｊ）的值。優化結果如圖６ 所示。

從圖６（ｃ）可以直觀看到，本文提出的優化方法對于拍攝目標輪廓黑邊的優化效果顯著，突兀的黑邊已經消失，并且明暗部分色彩過渡平滑自然，觀察不到拼接的痕跡，驗證了本文方法對逆光圖像增強結果視覺效果的改善作用。

３ 實驗結果與分析

本文所給出的運行結果和運行時間均在同一臺電腦上得到，其運行環境如下：ＣＰＵ 為Ｉｎｔｅｌ （Ｒ）Ｃｏｒｅ（ＴＭ）ｉ７-６７００ ＣＰＵ ＠ ３． ４０ ＧＨｚ，顯卡為Ｉｎｔｅｌ（Ｒ）ＨＤ Ｇｒａｐｈｉｃｓ ５３０，內存８ ＧＢ，操作系統為Ｗｉｎｄｏｗｓ １０專業版，使用軟件為Ｍａｔｌａｂ Ｒ２０８１ｂ 和Ｐｙｃｈａｒｍ ２０１８。

３． １ 閾值分割驗證實驗

閾值分割作為本文實驗的第一步驟，需要滿足區分過暗前景和較亮背景的正確性以及算法運行時較快的速度。分別對比ＯＴＳＵ 方法、直方圖雙峰法、迭代閾值法、三角閾值法和最大熵法［１１］對逆光圖像進行閾值分割，處理結果如圖７ 所示，Ｔ 為對應算法所求出的閾值。

圖７（ａ）的前景區域為較暗的紅綠燈，背景為較亮的天空，閾值分割的結果應將紅綠燈和天空區分開。ＯＴＳＵ 法、直方圖雙峰法和迭代閾值法的閾值集中在８９ 附近，能夠很好地將前景區域和背景區域分割開。三角閾值法和最大熵法的閾值都大于１００，部分較亮的背景區域被分割到過暗的前景區域，出現區域分割錯誤的情況。這種錯誤會嚴重影響本文提出的基于前背景特性的逆光圖像增強效果，在選擇算法時不考慮這２ 種算法。

為了同時兼顧算法的運行時間，分別展示了分割效果優秀的３ 種算法在ＣＨＤ＿Ｂ 數據集上的平均運行時間，其中ＯＴＳＵ 法和迭代閾值法使用Ｍａｔｌａｂ語言，在ＣＰＵ 上計算；直方圖雙峰法使用Ｐｙｔｈｏｎ 語言，在ＣＰＵ 上運行。具體數據如表１ 所示。

ＯＴＳＵ 法的運行時間最快，且閾值分割的正確性高，驗證了該算法在交通場景下逆光圖像閾值分割的有效性。

３． ２ 分區域對比實驗

３． ２． １ 前景對比實驗

本次實驗對前景區域的處理要求是提升前景的亮度，找回因亮度過低而丟失的前景信息，因此本文采用前景區域的亮度均值作為處理效果優劣的評價指標，該值越大表明圖像的亮度越高，處理效果越好。分別使用ＬＩＭＥ 方法、ＳＲＩＥ 方法［１２］、ＭＦ 方法［１３］、Ｙｉｎｇ 方法［１４］和ＳＤＤ 方法［１５］對圖像進行處理，將處理后的圖像進行掩模，只留下處理后的前景部分。不同方法處理ＣＨＤ＿Ｂ 數據集的平均像素均值比較如表２ 所示。效果展示如圖８ 所示。

ＬＩＭＥ 算法處理結果的像素均值遠高于其他方法，前景區域亮度最高，前景的紅綠燈信息清晰可見。

３． ２． ２ 背景對比實驗

由于逆光圖像的背景區域的亮度普遍較高，因此亮度不能作為該區域增強結果的評價指標。圖像的信息熵［１６］代表圖像的細節信息含量，其值越大，代表圖像中的細節信息越豐富、圖像的清晰程度與平滑度越高。可以使用信息熵作為背景區域清晰化結果分析的評價指標：

Ｈ（ｘ） ＝ － Σｐ（ｘ）ｌｂｐ（ｘ）， （１４）

式中：ｐ（ｘ）表示圖像中灰度值為ｘ 的像素所占全部像素的比例。分別使用ＳＲＩＥ 方法、ＭＦ 方法、Ｙｉｎｇ方法、ＳＤＤ 方法和本文方法對圖像進行處理，處理后遮蓋前景，只留下背景部分，并分別計算其信息熵。不同方法處理ＣＨＤ＿Ｂ 數據集的信息熵平均值數據如表３ 所示。效果展示如圖９ 所示。

圖９（ｂ）、圖９（ｄ）和圖９（ｅ）背景對比度相較于原始圖像更低，沒有起到增強效果；圖９（ｃ）存在顏色失真的情況；圖９（ｆ）的色彩對比度增強、細節豐富，有良好的視覺效果。從客觀的角度來看，除本文方法外，其余方法處理后圖像的信息熵均低于原始圖像，減少了圖像中的信息。綜上所述，本文在背景區域增強的結果在細節豐富度和顏色失真度上綜合占優。

３． ３ 逆光圖像增強結果分析

３． ３． １ 主觀評價

分別使用本文方法、ＳＲＩＥ 方法、ＭＦ 方法、ＳＤＤ方法和Ｙｉｎｇ 方法對ＣＨＤ＿Ｂ 數據集中的交通逆光圖像進行處理。本文方法與列舉其他方法處理的數據集中的部分結果如圖１０ 所示。

圖１０（ｂ）存在增強過的問題，許多云彩的紋理模糊，且前景的亮度不高；圖１０（ｃ）和圖１０（ｄ）存在顏色失真的情況；圖１０（ｅ）的亮度整體偏暗，丟失了細節信息；圖１０（ｆ）的前景和背景增強效果自然，細節信息豐富，視覺效果好。

對比不同方法的處理效果可以直觀地體現本文方法相比于其他方法在視覺效果上的優越性，不僅對逆光圖像前景區域的亮度與顏色進行了恢復，并且在保持亮度的同時增強了背景區域的對比度，使逆光圖像全局達到了良好的增強效果。

３． ３． ２ 客觀評價

分別采用Ｎａｔｕｒａｌ Ｉｍａｇｅ Ｑｕａｌｉｔｙ Ｅｖａｌｕａｔｉｏｎ（ＮＩＱＥ）［１７］、Ｂｌｉｎｄ ／ Ｒｅｆｅｒｅｎｃｅｌｅｓｓ Ｉｍａｇｅ Ｓｐａｔｉａｌ Ｑｕａｌｉｔｙ Ｅｖａｌｕａｔｏｒ（ＢＲＩＳＱＵＥ）［１８］、平均梯度和圖像信息熵指標對清晰化結果進行客觀評價。ＮＩＱＥ 是一種無參考的評價指標，該指標通過計算測試圖像中提取的特征模型與事先設定好的模型特征特之間的距離，來評價圖像的質量。ＢＲＩＳＱＵＥ 為無參考的空域圖像質量評價指標，算法總體原理是將Ｍｅａｎ ＳｕｂｔｒａｃｔｅｄＣｏｎｔｒａｓｔ Ｎｏｒｍａｌｉｚｅｄ Ｃｏｅｆｆｉｃｉｅｎｔｓ（ＭＳＣＮ）從圖像中提取出來，并將其擬合成非對稱的廣義高斯分布，高斯分布的特征輸入到支持向量機（ＳＶＭ）中做回歸，得到圖像評估的結果；平均梯度表現圖像的在多維方向上的灰度變化率，這種變化率可以準確反映圖像的清晰度；圖像信息熵反映圖像中所包含信息的多少。不同方法對ＣＨＤ＿Ｂ 數據集處理后的平均結果如表４ 所示，最優結果用粗體標出。

ＮＩＱＥ 值越小意味著該圖像的失真越少，圖像越自然；ＢＲＩＳＱＵＥ 值越小表示圖像質量越高，其取值為０ ～ １００；平均梯度值越大代表圖像中細節表達能力越強；信息熵值越大代表圖像中的內容越豐富。本文方法在以上評價指標上均為最優。

分別展示了各種算法處理ＣＨＤ＿Ｂ 數據集所有圖像的平均運行時間，所有的算法均使用Ｍａｔｌａｂ 語言，在ＣＰＵ 上運行得到。ＳＲＩＥ、ＳＤＤ 方法的時間開銷過大，僅存在實驗意義，很難運用到實際生產中；本文算法的時間開銷在合理的范圍內，且僅次于Ｙｉｎｇ 方法。不同方法平均運行時間比較的具體數據如表５ 所示。

綜合上述，本文算法在較少的時間開銷范圍內，有最好的處理效果，在實際的生產應用中有很大的科研價值。

４ 結束語

由于逆光圖像的特性，在圖像中同時包含過暗區域和較亮區域，對圖像整體增強的算法通常都會出現過暗區域增強不足或較亮區域曝光過度的情況。本文從這一問題入手，提出了一種分區域的處理方法。首先將逆光圖像準確地分割成過暗區域和較亮區域，然后使用結合全局的ＬＩＭＥ 方法對過暗區域進行處理，接下來提出了一種限定區間的直方圖均衡化方法對較亮區域進行處理，最后分３ 步優化２ 區域合成后邊緣處出現的黑邊。考慮算法的實際應用情況，本文在算法的時間開銷上盡可能地減少，因此本文的方法可以作為圖像預處理的一部分嵌入到各種圖像處理方法當中，將逆光圖像增強到較好的水平后再由其他方法處理。在未來的工作中，將嘗試使用深度學習的方法來優化本文算法，并提高其處理其他類型圖像的能力，而不僅限于交通逆光場景下的數據集。

參考文獻

［１］ ＲＡＯ Ｂ Ｓ． Ｄｙｎａｍｉｃ Ｈｉｓｔｏｇｒａｍ Ｅｑｕａｌｉｚａｔｉｏｎ ｆｏｒ ＣｏｎｔｒａｓｔＥｎｈａｎｃｅｍｅｎｔ ｆｏｒ Ｄｉｇｉｔａｌ Ｉｍａｇｅｓ［Ｊ］． Ａｐｐｌｉｅｄ Ｓｏｆｔ Ｃｏｍｐｕｔｉｎｇ，２０２０，８９：１０６１１４．

［２］ 王瀟，于炯，楊嘉能，等． 優化動態直方圖均衡的水下圖像增強方法［Ｊ ］． 計算機仿真，２０２２，３９ （１０ ）：２５９－２６４．

［３］ 閆哲，蔣礫，楊帆等． 基于雙直方圖均衡算法的紅外圖像增強［Ｊ］． 紅外技術，２０２２，４４（９）：９４４－９５０．

［４］ 羅強，吳俊峰，于紅，等． 一種基于改進直方圖均衡化的顯著圖提取算法［Ｊ］． 小型微型計算機系統，２０１８，３９（５）：１０９２－１０９６．

［５］ 雷飛，朱林，王雪麗． 改進多尺度Ｒｅｔｉｎｅｘ 色彩灰度的水下彩色圖像研究［Ｊ］． 小型微型計算機系統，２０１８，３９（１）：１８５－１８８．

［６］ ＱＩＮ Ｘ Ｊ，ＣＨＥＮＧ Ｙ Ｆ，ＦＡＮ Ｙ Ｌ，ｅｔ ａｌ． Ｒｅｔｉｎｅｘ ＩｍａｇｅＥｎｈａｎｃｅｍｅｎｔ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ ＴｈｒｅｅＳｉｄｅ Ｆｉｌｔｅｒｉｎｇ ｉｎＨＳＶ Ｃｏｌｏｒ Ｓｐａｃｅ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎｅｓｅ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍｓ ，２０１６，３７（１）：１６８－１７２．

［７］ 謝鳳英，湯萌，張蕊． 基于Ｒｅｔｉｎｅｘ 的圖像增強方法綜述［Ｊ］． 數據采集與處理，２０１９，３４（１）：１－１１．

［８］ ＩＭ Ｊ，ＹＯＯＮ Ｉ，ＨＡＹＥＳ Ｍ Ｈ，ｅｔ ａｌ． Ｄａｒｋ Ｃｈａｎｎｅｌ ＰｒｉｏｒＢａｓｅｄ Ｓｐａｔｉａｌｌｙ Ａｄａｐｔｉｖｅ Ｃｏｎｔｒａｓｔ Ｅｎｈａｎｃｅｍｅｎｔ ｆｏｒ ＢａｃｋＬｉｇｈｔｉｎｇ Ｃｏｍｐｅｎｓａｔｉｏｎ ［Ｃ ］∥ ２０１３ ＩＥＥＥ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ．Ｖａｎｃｏｕｖｅｒ：ＩＥＥＥ，２０１３：２４６４－２４６８．

［９］ 郭倩． 低質圖像增強算法研究［Ｄ］． 北京：北京交通大學，２０１８．

［１０］ ＧＵＯ Ｘ Ｊ，ＬＩ Ｙ，ＬＩＮＧ Ｈ Ｂ． ＬＩＭＥ：Ｌｏｗｌｉｇｈｔ Ｉｍａｇｅ Ｅｎｈａｎｃｅｍｅｎｔ ｖｉａ Ｉｌｌｕｍｉｎａｔｉｏｎ Ｍａｐ Ｅｓｔｉｍａｔｉｏｎ ［Ｊ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２０１６，２６（２）：９８２－９９３．

［１１］ 范九倫． 灰度圖像閾值分割法［Ｍ］． 北京：科學出版社，２０１９．

［１２］ ＦＵ Ｘ Ｙ，ＺＥＮＧ Ｄ Ｌ，ＨＵＡＮＧ Ｙ，ｅｔ ａｌ． Ａ Ｗｅｉｇｈｔｅｄ Ｖａｒｉａｔｉｏｎａｌ Ｍｏｄｅｌ ｆｏｒ Ｓｉｍｕｌｔａｎｅｏｕｓ Ｒｅｆｌｅｃｔａｎｃｅ ａｎｄＩｌｌｕｍｉｎａｔｉｏｎ Ｅｓｔｉｍａｔｉｏｎ［Ｃ］∥２０１６ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＣｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ （ＣＶＰＲ）． ＬａｓＶｅｇａｓ：ＩＥＥＥ，２０１６：２７８２－２７９０．

［１３］ ＦＵ Ｘ Ｙ，ＺＥＮＧ Ｄ Ｌ，ＨＵＡＮＧ Ｙ，ｅｔ ａｌ． Ａ ＦｕｓｉｏｎｂａｓｅｄＥｎｈａｎｃｉｎｇ Ｍｅｔｈｏｄ ｆｏｒ Ｗｅａｋｌｙ Ｉｌｌｕｍｉｎａｔｅｄ Ｉｍａｇｅｓ ［Ｊ］．Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２０１６：１２９：８２－９６．

［１４］ ＹＩＮＧ Ｚ Ｑ，ＬＩ Ｇ，ＲＥＮ Ｙ Ｒ，ｅｔ ａｌ． Ａ Ｎｅｗ Ｉｍａｇｅ ＣｏｎｔｒａｓｔＥｎｈａｎｃｅｍｅｎｔ Ａｌｇｏｒｉｔｈｍ Ｕｓｉｎｇ Ｅｘｐｏｓｕｒｅ Ｆｕｓｉｏｎ Ｆｒａｍｅｗｏｒｋ［Ｃ］∥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ａｎａｌｙｓｉｓ ｏｆＩｍａｇｅｓ ａｎｄ Ｐａｔｔｅｒｎｓ． Ｙｓｔａｄ：Ｓｐｒｉｎｇｅｒ，２０１７：３６－４６．

［１５］ ＨＡＯ Ｓ Ｊ，ＨＡＮ Ｘ，ＧＵＯ Ｙ Ｒ，ｅｔ ａｌ． Ｌｏｗｌｉｇｈｔ Ｉｍａｇｅ Ｅｎｈａｎｃｅｍｅｎｔ ｗｉｔｈ Ｓｅｍｉｄｅｃｏｕｐｌｅｄ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ ［Ｊ ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｕｌｔｉｍｅｄｉａ，２０２０，２２ （１２ ）：３０２５－３０３８．

［１６］ 李響，馬榮貴，何逸煦． 基于序列光圈拍攝的逆光圖像重建方法［Ｊ］． 計算機技術與發展，２０２２，３２ （６ ）：７９－８４．

［１７］ ＭＩＴＴＡＬ Ａ，ＳＯＵＮＤＡＲＡＲＡＪＡＮ Ｒ，ＢＯＶＩＫ Ａ Ｃ． Ｍａｋｉｎｇａ “Ｃｏｍｐｌｅｔｅｌｙ Ｂｌｉｎｄ”Ｉｍａｇｅ Ｑｕａｌｉｔｙ Ａｎａｌｙｚｅｒ［Ｊ］． ＩＥＥＥＳｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｌｅｔｔｅｒｓ，２０１３，２０（３）：２０９－２１２．

［１８］ ＭＩＴＴＡＬ Ａ，ＭＯＯＲＴＨＹ Ａ Ｋ ，ＢＯＶＩＫ Ａ Ｃ． ＮｏｒｅｆｅｒｅｎｃｅＩｍａｇｅ Ｑｕａｌｉｔｙ Ａｓｓｅｓｓｍｅｎｔ ｉｎ ｔｈｅ Ｓｐａｔｉａｌ Ｄｏｍａｉｎ ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２０１２，２１ （１２）：４６９５－４７０８．

作者簡介

馬榮貴 男，（１９６７—），博士，教授，博士生導師。主要研究方向：交通信息及控制。

（*通信作者）魏子仲 男，（１９９９—），碩士研究生。主要研究方向：交通信息類數字圖像處理。

何逸煦 男，（１９９９—），碩士研究生。主要研究方向：交通信息及控制。

黃訓燕 女，（１９９８—），碩士研究生。主要研究方向：智能交通與信息系統工程。

基金項目：國家重點研發計劃（２０２１ＹＦＢ１６００１０４）；國家自然科學基金（５２００２０３１）