| 标题 | 改进细节提升多尺度Retinex图像增强算法 |
| 范文 | 王仕女 孙文胜 摘 要：为了改善复杂照度下彩色图像增强出现的细节丢失和色彩失真問题，依据颜色空间转换和边缘细节融合算法，提出基于HSI空间细节提升多尺度Retinex图像增强算法。通过边缘提取融合算法增强HSI模型亮度分量，进行基于高斯模糊的多尺度细节提升，获得增强图像。与经典的MSR、MSRCR等进行仿真比较，实验数据表明，在主观视觉效果和客观评价指标下，该算法均优于MSR和MSRCR，增强图像细节丰富，色彩自然逼真。 关键词：图像增强;HSI颜色空间;Retinex算法;图像边缘细节;多尺度细节提升 DOI：10. 11907/rjdk. 182208 中图分类号：TP317.4文献标识码：A文章编号：1672-7800（2019）004-0179-05 0 引言 图像增强是图像处理学科中至关重要的研究点，因为现实拍摄图像经常会有环境光照不够或不均匀状况，会严重影响图像检测研究和图像观测效果。因而，对复杂照度图像进行增强，可更好地为主观观察和深入研究提供高质量图片。 目前手机拍摄和视频监控已经广泛普及，无论是日常拍摄记录生活，还是重要地点安防监测、人流车辆管理等，图像质量都至关重要。复杂照度环境下低质量图像可能对视频监控和图像识别构成严峻考验。低质量图像特点是：一方面图片存在大面积黑暗区域，区域内物体难以辨认，细节色彩完全丧失;另一方面在强灯光或者反射光下，图像又呈现高亮区域，导致图像过亮过暗两极分化，给后续图像检测等过程带来困难。各方面来看，对复杂照度图像增强算法的深入探讨与研究理应成为目前重点关注的图像处理方向之一[1-3]。 复杂照度图像增强关键目标无非是增强暗区亮度和恢复暗区细节，同时防止高亮区过曝，以达到图像清晰化目的。当前经典实用的图像增强算法有基于直方图均衡的增强方法[4-7]、基于小波变换的增强方法[8]、基于Retinex理论的增强方法[9-12]等。其中，基于Retinex的算法中改善效果相对出色的有：单尺度Retinex（Single Scale Retinex， SSR）[10]、多尺度Retinex（Multi Scale Retinex，MSR）[11]、带彩色恢复的多尺度Retinex（Multi Scale Retinex with Color Restoration，MSRCR）[12]以及改善算法。Retinex理论中对照射分量的估量和去除是研究重点，通常采用高斯滤波估算照射分量：SSR仅从单尺度进行图像滤波估算，较简单但主观呈现不理想;MSR实质为多维SSR线性加权得到，兼顾了细节和色彩，能较好地提高图像整体亮度和对比度，同样仍存在图像边缘锐化不足、易出现较严重颜色失真等问题;MSRCR 是加入颜色恢复因子的MSR，颜色失真改善，但图像颜色会偏离自然色彩、泛白，在原图亮区增强后的图像出现明显细节丢失、清晰度不足问题。 近几年为弥补色彩失真和细节丢失缺陷，国内外学术界进行了不同程度研究，以修正色彩和恢复细节。Michael等[13]提出基于双边滤波的Retinex算法，在图像显示细节上有一定提升， 但算法效率不高。Chang等[14]采用稀疏表示方法表示物体反射分量，通过动态字典对带细节信息的反射部分进行学习，增强图像视觉质量，但可能带来图像噪声。Hanuman等[15]采用改进的色彩恢复算法，在色彩失真和算法效率上有改进效果。Yu等[16]采用HSV颜色模型彩色校正方法（HSV-IMSR），根据V分量调整饱和度以改善色彩失真。赵军辉等[17]提出基于Lab色彩空间和色调映射的Retinex增强算法，通过减少伪影增强图像边缘和细节并改善色彩偏移。汪小威[18]结合映射函数和细节增益因子保留亮区细节获得更清晰视觉效果。李红等[19]利用主特征提取估计照度分量增强图像主结构边缘细节。 为解决上述Retinex图像增强存在的问题，致力于在保证不引入噪声情况下提升足够的局部和全局细节，保证算法效率，本文从色彩空间和边缘算子入手，提出一种改进细节提升基于Retinex的增强方法。对HSI色彩空间[23]的亮度分量进行Retinex增强后与Sobel边缘细节保留图像进行融合，最后对图像进行多尺度细节提升[26]，改善色彩失真并显著提升细节，算法简单，效果明显。 1 基于Retinex的图像增强算法 人类视觉处理系统有着与生俱来的优势，Retinex理论是Land等[20]提出的涉及人类视觉感知系统通过调整感知物体颜色和亮度的生物学理论。根据Retinex理论，图像I由两分量构成：照射分量相当于图像的低频部分，场景反射分量相当于高频部分，该分量真实地反映了图像本质信息。根据Retinex模型，可得图像I的数学表达式为： 多尺度Retinex增强图像后，结果图像经常偏向灰色，主要是因为原图彩色值经过对数处理后的数值范围变窄，恢复像素域的线性量化函数相对平坦，导致图像丢失彩色信息，颜色失真明显。带色彩恢复的MSR算法，引入彩色恢复因子到MSR算法中，弥补了MSR图像增强后颜色严重失真的缺陷，在颜色和亮度保持、动态范围压缩等部分表现优异，但仍不可避免地存在丢失局部细节、色彩恢复不完全、噪声凸显等缺点。 2 改进Retinex图像增强算法 MSRCR算法实质就是对数域中在原图基础上去除原图与高斯函数的卷积部分，针对图像中大片暗区，MSRCR增强后图像显现较为清晰的景物以及细节，但在图像原本亮度较高的部分出现过曝，丢失边缘细节部分，图像整体亮度过大，色彩信息偏离原图较严重[21]。 以设计无色彩失真、细节提升的图像增强算法为目标，考虑提出改进细节提升的基于Retinex的增强方法，主要包括两个步骤：①无色彩失真且保留边缘细节的MSR图像增强;②对步骤①得到的增强图像进行多尺度局部细节提升。整体算法模型如图1所示。 2.1 图像色彩空间转换 经典的Retinex算法在彩色图像红、黄、蓝三通道空间上进行增强，各通道增强幅度不一致，容易出现图像颜色失真。MSRCR等图像增强理论的前提是灰度世界假设，即红、黄、蓝各分量大致相等，如果拍摄图像某色彩占比更多，增强图像则会颜色偏移甚至失真，趋于灰色[22]。 考虑将复杂照度图像从红黄、蓝、色彩空间转变至HSI空间进行图像增强，HSI色彩空间是直觉颜色模型，利用人眼感知特点，由Hue（色调）、Saturation（饱和度）和Intensity（亮度）3个分量呈现图像色彩[23]。该色彩空间避开RGB的缺陷，分离了图像亮度与颜色分量，对亮度分量的增强操作不影响颜色信息，能有效避免图像颜色失真，且对图像的增强处理仅需在一个维度进行，提升了图像处理速度[24]。本文考虑从HSI空间进行增强，不仅可以改善彩色图像亮度的不均匀分布，而且近乎完整地保留了图像色彩信息。RGB彩色格式图像至HSI色彩空间转换公式为： 2.2 边缘细节保留图像增强融合算法 图像亮度分量经过MSR增强后，较好地保持了原图色彩和恢复了暗处细节，但存在边缘锐化程度不够明显、高光照区域细节不清晰等缺点。本文提出一种边缘细节保留的融合模型，通过融合MSR增强图像和经过Soble算子增强边缘图像，达到保留细节且调整图像整体亮度的效果。模型表达式为： 图像对数域空间恢复到像素域的量化过程中，算法优劣对输出图像质量高低影响显著，通用线性量化过程获得的图像常常偏向灰色，考虑采用另一种简单有效的量化算法，加入图像均值和均方差值调整像素值，并引入控制图像动态范围参数以实现图像无色偏调整[25]。计算表达式为： 2.3 图像多尺度局部细节提升 以上HSI色彩空间融合算法较好地保留了边缘细节且无色彩失真，但对局部细节把握仍不足，为进一步提升图像局部细节效果，考虑进行图像多尺度局部细节提升[26]。对增强图像进行多尺度高斯模糊，相减得各程度图像细节，再经过合适的权值系数融合3部分细节信息到原图中。数学表达式为： 3 实验结果及分析 为了验证本文算法的有效性，进行仿真验证，计算机配置为：Intel（R） Core（TM） i5-2300 CPU@1，8GHz，4GB内存，操作系统Win10，软件环境matlabR2014a。 下面给出本文方法的增强结果，并与SSR、MSR、MSRCR处理结果相比较。本文测试原图像分析：女孩照片在单方向阳光照射下拍摄，导致图像左半部呈现强光照射，右半部由于遮挡整体较暗，同时获得亮、暗处信息有一定挑战;白塔和建筑摄于黄昏夜晚等低照度情况下，暗处细节及颜色信息被隐藏，亮处比如塔身和建筑柱子栅栏处均保留较好细节，对图像进行增强需同时考虑亮、暗处。 图2-图4分别为3幅图像采用SSR、MSR、MSRCR以及本文算法处理不同图像的实验效果对比。可以看出，各增强算法均实现了增强暗处对比度，使用SSR、MSR算法处理图像后，亮度和色彩改善，但图像整体色彩泛白，边缘细节保持不理想，视觉效果欠佳。MSRCR增强对色彩有一定恢复，但仍存在结果图像过饱和、图像清晰度不高、局部细节丢失等问题。本文算法效果无色彩失真，而且亮处和暗处细节均明显，整体色调自然，不存在过增强，色彩保持性质良好。图5截取了图中局部图像块进行MSRCR，与本文算法进行细节和色彩对比，可以明显看到本文算法细节明显且色彩饱满清晰。 人眼观测和评估是一种有效的图像评价标准，但它是一种主观标准，为了更准确地验证实验结果，本文还采用客观质量评价标准检验算法有效性。考虑采用图像均值、标准差、熵以及结构相似性值等4个简洁有效的标准作为评价指标。整张图像的均值体现了图片亮暗情况，图像灰度级为256，图像均值取中值127.5最为理想，通常此时图像质量就最好，不会过暗或过亮;标准差反映了图像对比度;熵为体现图像是否色彩丰富的量化指标，熵越大，圖像色彩信息越丰富，图像质量越好[27]。结构相似性测量值（Structural Similarity Index Measurement，SSIM）反映了两张图片的相似度，通过计算图像结构的变化值以体现图像失真情况，值越接近1则说明两幅图像越接近，用式（21）计算。 各评价指标在一定程度上能良好地反映各算法的优劣性，评价指标数据如表1所示。对于测试图像，增强后图像的均值、均方差、熵、SSIM等评价指标大概率最好。3幅验证图像所有量化指标中，本文算法除个别非最优外，余下均最优，充分表明算法的优越性。针对少量原图过暗、视觉观察极差的验证图像，本文算法SSIM值较低主要由提升原图细节导致。在算法效率上，本文算法优于MSR和MSRCR。 仿真结果表明：①在均值方面，MSR算法对于均值的提高效果最为显著，但图像整体存在色偏且泛白，且均值考虑越接近中值图像色调越自然，本文算法对均值提升效果最接近中值，符合人的视觉感受;②在标准差方面，本文算法大概率优于其它算法，表明本文算法对图像对比度的提升效果明显，图像细节恢复效果良好;③在熵方面，本文算法均最优，拥有相当丰富的信息量，呈现更多图片细节，更清晰;④在结构相似度方面，本文算法在不引入噪声的情况下，良好地保留了图像的原始结构信息。 4 结语 针对多尺度Retinex算法在复杂照度图像增强上存在的缺陷：色彩失真、细节丢失，本文设计一种改进算法，对图像色彩空间、一阶差分Sobel算子、图像高斯滤波进行深入研究。利用HSI隔离亮度分量和色彩的特性，在亮度分量上进行MSR增强，再利用Sobel算子保留边缘时细节过度平缓、抗噪性能好的性质，与MSR增强后丢失细节图像融合，得到无色偏保留细节的增强图像，为了视觉效果更清晰，通过高斯滤波获取图像高频分量组合，获得提升整体细节和无色彩失真的图像增强结果。通过Matlab仿真，显示出本算法在人眼观察、客观评价指标和运算效率方面都有显著优势。同时也需注意，当前提出算法的测验参数根据逻辑规律和实测调整，后续要考虑对其进行自适应调整分析。 參考文献： [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] 华夏，禹晶，肖创柏. 基于目的性优化及改进直方图均衡化的夜间彩色图像增强[J]. 计算机研究与发展， 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] 赵军辉，吴玉峰，胡坤融，等. 基于Lab色彩空间和色调映射的彩色图像增强算法[J]. 计算机科学，2018，45（2）：297-300. [18] 汪小威. 基于Retinex亮度校正与感知对比度的图像增强算法[J]. 电子测试与仪器学报，2018，32（6）：115-123. [19] 李红，吴炜，杨晓敏，等. 基于主特征提取的Retinex多谱段图像增强[J]. 物理学报，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] 刘伟华，隋青美. 基于色调恒定的 MSR 图像增强算法[J]. 光子学报，2011，40（4）：642-646. [22] 肖进胜，单姗姗，段鹏飞. 基于不同色彩空间融合的快速图像增强算法[J]. 自动化学报，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] 聂超. 基于直方图的高效图像增强算法研究[D]. 杭州：杭州电子科技大学，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. （責任编辑：何 丽） |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。