低照度图像增强算法

王闻博，穆向阳，汤 楠

(西安石油大学陕西省钻机控制技术重点实验室，陕西 西安 710065)

0 引言

目前，视频监控系统在国内外应用越来越广泛，人们对视频监控系统图像的评价更加重视。由于光照环境较为复杂，导致画面中常出现对比度低、噪声大、照度不均等情况，导致对图像增强造成了很多的困难。为了解决这个问题，目前常用的增强方法有:空域增强算法、频域增强算法和基于生理模型的增强算法。其中基于生理模型的增强算法结合了人眼的视觉特性，使处理效果更适合人眼的识别。

国内外学者针对视频监控图像的特点，提出了很多对经典算法改进的方法。文献［1］提出了多尺度Retinex强度区间标准差截断法，对经多尺度Retinex处理后的图像强度在其平均值附近经1倍、2倍和3倍标准差截断后再拉伸，得出的结论是1倍标准差图像普遍好于经2倍、3倍标准差截断后再拉伸得到的图像，这种方法的参数自适应性较好。此外，另一种改进型的直方图均衡方法从一定程度上克服了直方图均衡的简单现象，并保持了图像的亮度［2-3］。Land研究了人类彩色恒常性现象，并建立了Retinex照射反射模型［4］，被成功地应用于图像对比度增强［5-6］。Jobson［7-8］等人发展了单尺度(SSR)、多尺度(MSR)和多尺度彩色恢复(MSRCR)的算法，并成功地应用到图像对比度增强。

在单尺度算法(SSR)中，环境函数F(x，y)选择反平方环境函数F(x，y)=1/r2进行处理时，尺度常量选择高尺度效果较好，但在局部细节中增强的效果不好;多尺度的Retinex算法(MSR)能够同时提供动态范围压缩和颜色高保真的效果，但在某些情况下可能会对图像造成颜色失真的情况。为了增加颜色的保持，采用多尺度彩色恢复的 Retinex方法(MSRCR)。改进的MSRCR对MSR的结果进行彩色补偿，大大改善了图像清晰度的输出效果，但参数设定复杂，自适应性较差，同时也存在计算量大的问题。

常规的Retinex算法可以增强彩色图像，但存在若干缺陷。

Maylan［9］等人在 Retinex方法的基础上，采用全局处理和局部处理相结合的思路，适用范围比Retinex方法更广，但仍然存在计算复杂度过高的问题。Orsini［10］等人采用简便的全局增强和细节增强变换函数，避免了复杂的多尺度模板卷积操作，大大降低了算法的计算时间，但其缺陷是所需人工设定的参数较多，参数自适应能力较差。

由于环境比较复杂，对于在不同照度的图像而言，选择一种方法是远远不够的，需要结合多种方法来满足图像增强的要求。

1 图像增强方法分析

1.1 同态滤波

同态滤波是一种在频域中同时将图像亮度范围进行压缩和将图像对比度进行增强的方法。它是以照明反射模型作为频域处理的基础，将频率过滤和灰度变换结合起来的一种处理方法。

一幅图像可以定义为f(x，y)，它是由照射分量和反射分量来表示，设照射分量为i(x，y)，反射分量为r(x，y)，照射分量是无限制的，而反射分量是r(x，y)＜1。设H(u，v)称作同态滤波函数，它可以分别作用于照射分量和反射分量上。在傅里叶变换中低频对应照射分量，高频部分对应反射分量。最终的结果是同时压缩了图像的动态范围和增加了图像相邻各部分之间的对比度。为了得到更好的效果，选择巴特沃斯高通滤波器来对傅里叶变换的高频分量和低频分量产生不同影响的滤波函数H(u，v)，来得到更好的效果。如图1所示。

图1 低照度情况下夜间图像的同态滤波效果

1.2 直方图均衡化

直方图均衡化方法的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了像素灰度值的动态范围，达到增强图像整体对比度的效果。但是，由于灰度离散化，均衡化图像的直方图只是使直方图分布均匀。均衡化后的图像动态范围是增加了，但其实是扩大了量化间隔;相反，均衡化后级数分布减少，因而可能会出现伪轮廓。经过处理之后，图像的整体亮度和对比度有了很大的提升，但画面出现了过度曝光。如图2所示。

图2 低照度情况下夜间图像的直方图均衡化效果

1.3 非线性动态范围调整

图像进行线性动态范围调整时，将目标区域的灰度变化范围扩大，可以使得细节部分表现的更加清楚。但是，由于夜间图像中的光照分布是非线性的，所以该方法直接应用于夜间图像得到的效果并不明显。非动态范围调整的作用是抑制高亮度区域，扩展低亮度区域。这在一定程度上能够解决景物中的高亮度区域信号掩盖低亮度区域信号的问题。但处理后的图像对比度略显不足。如图3所示。

图3 低照度情况下夜间图像的非线性动态范围调整效果

2 照射分量的估计方法

依据光照的特性，本文采用递归滤波器获得对照射分量的估计，其数学表达式为:

通过使用递归滤波器分别进行一次迭代滤波和3次迭代滤波后的结果可以发现，存在明显的相位失真。对图像连续进行4次滤波处理，来解决这个问题。像素扫描顺序分别为从上到下、从下到上、从左到右、从右到左，最后对4次滤波结果取均值作为输出，达到消除图像中的相位失真的目的。如图4所示。

图4 递归滤波算法实验效果

3 照射分量的处理

根据视频图像在不同环境下的特点，发现像素主要集中于低灰度区域和高灰度区域，在中灰度区域像素分布较少。有时图像会显现出光源区域过亮或者景物过暗的现象。为解决此问题，在选择函数时，函数曲线应在中灰度和低灰度区域以高斜率单调递增形式出现，高灰度区域应低斜率或接近水平形式出现，这样可以在处理时避免景物偏暗而光源区域过亮情况的出现。选择函数为指数函数和线性函数的融合。

其中，α(z)为权重函数，用于调整指数函数和线性函数的作用比例，实验发现对于夜间图像权重函数使用α(z)=z2时，效果比较理想;γ∈［0.2，0.3］。

经过非线性函数的调整后亮度有所提升，但是对比度还不太理想。为了进一步提高图像的全局对比度，可以通过直方图并运用线性动态范围调整的思想，对图像进行直方图截取拉伸的方法，将目标区域的灰度变化范围扩大，可以使得细节部分表现的更加清楚。

图5所示为图4(d)的灰度直方图分布，横轴表示灰度值，纵轴表示该灰度值下像素点的个数。a和b分别为图像中所有像素值中的最小值和最大值，在夜间图像中往往a和b的取值为0和255。

图5 图4(d)的直方图分布

从图5中可以发现，图像中的绝大部分像素都集中在［a，b］之间，只有少量像素超出范围，对于灰度值在［0，a］和［b，255］的这些像素点，对于整幅图的影响可以微乎其微，可以忽略不计，损失小部分信息的代价换来使图像中的目标区域［a，b］之间的信息得到增强也是值得的，将这部分像素进行灰度级压缩，只对属于［a，b］区间的像素点进行拉伸增强。对于直方图中上、下饱和点的选取，本文根据图像的累积分布概率来得到。图像的累积分布概率表示图像中的像素点在某一灰度级及以下灰度级所占的比例。根据直方图和累积分布概率二者的关系，当某一灰度值的累积分布概率超过下饱和点的概率值时，该灰度级即为下饱和点a，同理当某一灰度值的累积分布概率低于上饱和点的概率值时，该灰度级即为上饱和点b。一般情况下，上、下饱和点的概率值分别取0.01和0.99。

运用直方图截取拉伸的方法提高图像的对比度线性动态范围调整计算如下:

其中，图像大小为m×n，a为下饱和点，b为上饱和点。

4 反射分量的处理方法

由于在夜间图像中过大的动态范围主要是照射分量产生的，边缘细节仅取决于反射分量。处理反射分量目的是要增强边缘轮廓信息和抑制图像噪声。噪声一般产生在低灰度区域并不断增强，要使低灰度区域增益小于中、高灰度区域，需要利用参数调整曲线在低灰度区域的增益，减弱对低灰度区域噪声的增强，从而减少因为增强而使噪声加重的现象。一般是将其转换到更符合人眼视觉特性的对数域中进行处理，因为人眼从接收图像信号到在大脑中形成一个形象的过程中，有一个近似对数映射的环节，因此根据人眼的这一视觉特性，所选择的调整函数为:

其中，k控制幅值决定了细节增强的效果，函数C(z)控制函数的斜率，式(7)为C(z)的数学描述:

其中，参数a、b、d控制着函数的斜率、曲度和低灰度区域的曲线幅度。处理后的反射分量为:

在得到处理后的照射分量iout和反射分量rout后，经过增强后的图像为

5 仿真实验结果及分析

实验中低照度图像来源于西安石油大学教学楼内部，图像尺寸大小均为320×240。计算机处理器:Intel(R)Core(TM)2Duo CPU;内存:3.00GB;图像处理软件为Matlab 7.0，该软件具有完备的图形处理功能。运行结果数据精度保留小数点后4位有效数字。

为了验证本算法的有效性，如图6所示的是一组低照度情况下拍摄的室内夜间图像增强效果比较图。图7所示的是增强效果亮度分量直方图，横轴表示灰度值，纵轴表示的是该灰度值下像素点的个数。由于这类图像同时存在亮暗区域，从图6(b)与图7(b)中可以看采用出多尺度增强方法，亮度确实有较大的提升，但是图像对比度很低并且有较大的失真现象，整个图白化较严重。图6(c)与图7(c)为非线性动态范围调整，这种算法都对图像的亮度有较好的提升，但是图像的对比度有所下降，在图像中部分区域的处理效果不理想。图6(d)为同态滤波效果图，从直方图7(d)中可以发现此方法对图像的亮度提升不是很理想。从图6(e)直方图均衡化效果图和图7(e)中可以看出，图像虽然对比度得到很大的提升，但是出现了亮区过亮，暗区过暗的现象，这显然不能满足图像增强的效果。图6(f)与图7(f)相对其它图分析而言，在对比度的提高和亮区处理方面都有很好的效果，并且很好地保持了原图中的细节信息，同时对光晕部分进行了很好的抑制。

MSR算法和本算法在Matlab 7.0环境下对算法的运行时间进行对比时，本算法快于MSR。从表1的客观评价参数结果来看，除直方图均衡化的对比度高于本算法外，其余算法在对比度和峰值信噪比参数上都低于本算法。

图6 低照度情况下的一组增强效果对比图

图7 低照度情况下的一组增强效果亮度分量直方图

表1 图6增强效果亮度分量的客观评价结果

6 结束语

本文运用Retinex照射反射模型的思想并对其进行改进，通过对照射分量和反射分量引入不同的非线性变换函数，改善图像的对比度和峰值信噪比。提出的算法可以在RGB和HSV不同的彩色空间内进行，不会失真，处理速度快，能达到实时处理的目的和要求。在低照度环境下拍摄的图像噪声现象十分严重，虽然本文算法对噪声有一定的抑制效果，但是对于噪声过于严重的情况，抑制效果不是很好，所以笔者今后在低亮度图像的噪声抑制方面还有待进一步的研究。

［1］江兴方，陶纯堪.Retinex彩色图像增强理论的物理思考及其截断区间对图像质量的影响［J］.光学技术，2007，33(1):127-129.

［2］闫钧宣，张科.HSI空间亮度信息的多尺度Retinex图像增强研究［J］.计算机工程与应用，2010，46(23):31-33.

［3］张洪坤，薛模根，周浦城.基于非线性扩散均值漂移的Retinex雾天图像清晰化算法［J］.图学学报，2013，34(2):47-51.

［4］李权合，毕笃彦，马时平.基于Retinex和视觉适应性的图象增强［J］.中国图像图形学报，2010，15(12):1728-1732.

［5］杨万挺，汪荣贵，方帅，等.滤波器可变的Retinex雾天图像增强算法［J］.计算机辅助设计与图形学学报，2010，22(6):965-971.

［6］胡韦伟，汪荣贵，方帅，等.基于双边滤波的Retinex图像增强算法［J］.工程图学学报，2010(2):104-109.

［7］付国文.基于Retinex的图像增强算法研究及实现［D］.上海:上海交通大学，2011.

［8］傅剑锋，汪荣贵，张新龙，等.基于人眼视觉特性的Retinex算法研究［J］.电子测量与仪器学报，2011，25(1):29-37

［9］李冠章，罗武胜，李沛.基于人眼视觉特性的彩色图像增强算法［J］.光电工程，2009，36(11):92-95.

［10］许欣，陈强，王平安，等.消除光晕现象的快速Retinex图像增强［J］.计算机辅助设计与图形学学报，2008，20(10):1325-1331.

［11］Huang Guang-hua，Ni Guo-qiang，Zhang Bin.Land’s experiment based false color fusion method for visual and infrared images［J］.Optical Technique，2007，33(1):98-101

［12］宋凯，沈红，刘昶.多尺度Retinex灰度图像增强算法［J］.辽宁大学学报，2008，35(1):46-48.

［13］乔小燕，姬光荣，陈雾.一种改进的全局Retinex图像增强算法及其仿真研究［J］.系统仿真学报，2009，21(4):1195-1201

［14］Rahman Z U，Jobson D J，Woodell G A.Retinex processing for automatic image engancement［J］.Journal of Electronic Imaging，2004，13(1):100-110.

［15］Meylan L，Susstrunk S.Bio-inspired image enhancement for natural color images［C］//IS＆T/SPIE Electronic Imaging(S1017-9909).The Human Vision and Electronic Imaging.2004:46-56.

［16］Orsini G，Ramponi G，Carrai P，et al.A modified Retinex for image contrast enhancement and dynamics control［C］//Proceedings of 2003 International Conference on Image Processing.2003:393-396.