改进Retinex算法对特殊环境下的车牌图像增强研究

侯晓然，秦丽娟，王 永

（沈阳理工大学 信息科学与工程学院，辽宁 沈阳 110159）

0 引言

随着近年来雾霾天气的不断出现，拍摄到的车牌图像质量严重下降，不仅模糊不清、对比度下降，甚至车牌图像呈现巨大的颜色偏移和严重的失真现象，影响了对车牌图像的识别。其次，傍晚拍摄到的车牌图像由于光线暗淡而难以识别出车牌号码，给交通管理和安全管理带来极大的不便。因此，对于雾天、傍晚环境下能使车牌图像更加清晰的增强算法的研究，对日常生活具有非常重要的应用意义。

车牌图像增强的实际意义就是针对不清晰的图像，突出其有用信息车牌部分，削弱其无用信息。20世纪80年代Retinex算法[1]就被不断地改进并应用于不同的场景，但单尺度 Retinex（Single Scale Retinex，SSR）算法，不能使图像边缘细节特征和颜色恢复特性同时存在，且极易出现“光晕”现象。Rahman[1]等进一步提出了多尺度Retinex（Multi-Scale Retinex，MSR）算法，解决了“光晕”问题，却达不到恢复预期颜色的效果，甚至出现严重的颜色失真现象。Rahman等又提出了带彩色恢复的多尺度 Retinex （Color Restored Multi-Scale Retinex，MSRCR）算法[1]，实现了色彩补偿效果，提高了图像的对比度，有效地实现了边缘细节增强和色彩恢复的双重效果，但是该算法复杂，加入了太多的可设参数，计算量加大，处理图片的时间长，不利于被应用到现实生活中。

针对上述效果缺陷本文提出了一种改进的Retinex算法，即五尺度Retinex算法，并且将该算法中的中心函数改进，引入了幂函数和双边滤波函数对车牌的部分边缘细节进行增强。本文创新性的研究不仅增强了车牌图像的细节特征，而且还能比较完美地实现车牌部分的颜色恢复，减少了车牌图像的处理时间及运算的复杂度和运算量。

1 传统的Retinex算法

1.1 Retinex算法的理论基础

Edwin Land建立的Retinex理论的图像增强模型[2]给图像增强带来了全新视野，实现了边缘细节增强和颜色恒常性同时达到平衡。

Retinex[3]模型中理想的图像 S（x，y）可以用式（1）表达：

其中R（x，y）为反射图像，与光照无关，对应图像的高频部分决定了图像的本来面目，L（x，y）为照射图像，与景物无关，反应了图像的动态范围。将上式转换为：

减少了运算量，而且符合人眼感知亮度的非线性特征。

1.2 传统的Retinex算法简介

通过上节对Retinex算法的叙述，许多研究者对其进行了改进和实际应用，并出现了多种不同的基于Retinex的算法。

SSR算法表达式如下：

上式中 Ri（x，y）是第i个单颜色通道图像的输出，F（x，y）为中心函数，“N”表示输入图像的通道个数。

中心函数表示形式为：

其中δ为尺度常数。Retinex算法对图像的增强效果就是由尺度常数决定的：δ的值越大，增强后的车牌图像颜色恢复就越接近自然颜色，但是此时就会忽略了细节信息；δ的值越小，增强后的图像效果虽然增大了动态范围压缩，突出了图像细节，但是图像的色彩保真性并没有得到很好的改善。所以，SSR算法不能满足对图像处理的边缘细节保持特性和色彩保真效果的同时实现。

为了弥补SSR的不足，提出了MSR算法，表达式如下：

式中wk是中心函数相对应的权值，而且满足1，K表示单尺度Retinex算法不同尺度高斯环绕函数的个数。

MSR算法对一些图片的处理结果会造成与原图像的本质颜色有一定的失真效果，为了解决这一问题，研究者们进一步提出了MSRCR算法，算法表达式如下：

其中 Ci（x，y）用来改善色彩，调节三个通道颜色比例的颜色恢复参数，Ci（x，y）可以用下式来表达：

制非线性强度因子。对其用类似于直方图对输出的图像做截取的处理进一步完善：

其中：G是增益，增加全局的对比度以获取较为理想的效果，b是偏移量，可以调节处理结果。

2 改进的Retinex算法与双边滤波的结合

雾天、傍晚条件下拍摄到的车牌图片很难用肉眼识别车牌号码，只有对车牌图像进行增强处理才能识别出车牌的细节信息。为了使车牌图像边缘细节得到增强，本文首先对车牌图像用幂函数进行处理，再用双边滤波函数对其进一步处理，最后对其使用五尺度Retinex算法做最终的处理，相对于传统的Retinex算法处理的效果得到了加强。

幂函数[4]的非线性变换特性使得图像效果更加接近人类视觉系统对光线的感知能力。幂函数的表达形式如下：

其中c、r都为正常数。

经过幂函数变换的图像可以将灰度区域映射到更加宽的区域，使得图像的对比度增加。当r=1时，幂函数变换相当于对图像进行线性变换；当 0＜r＜1时，幂函数变换为非线性变换，可以增强图像中的亮度区域的信息，压缩暗像素的信息；当r＞1时，幂函数变换可以增加暗度区域的信息。选择合适的r值，可以有效地增加车牌图像的边缘细节信息。

双边滤波[5]不仅可以消除图像噪声，而且能够保持车牌图像的边缘细节信息，解决了Retinex算法中的中心函数模糊图像的问题，并对图像增强进一步改善。双边滤波函数的表达形式主要是由几何空间距离和像素差值分别决定滤波系数的两个函数组成，这种组合使得其具有了边缘保持特性。双边滤波函数[5]中，邻域像素值的加权组合决定了输出像素的值：

权重系数 w（i，j，k，l）取决于式（11）的定 义域 核与式（12）的值域核的乘积，如式（13）所示。

其中 f（i，j）和 f（k，l）为相邻的两个像素值，δd为距离差尺度，δr为亮度差尺度。

五尺度Retinex算法的主要思想是将五个SSR算法加权平均，达到增加全局对比度的效果，并且将其中传统的中心函数进行相应的改变，从而简化了函数的复杂程度并节省了对图像的处理时间，达到了理想的处理效果。本算法的公式表达式为：

其中尺度函数 Fn（x，y）由传统的高斯函数表达：

可改变成如下表达式：

通过改变δ大小可调整图像的清晰度，而上述MSRCR算法中需要调整多个参数来达到此效果，因此本算法计算量及运算的复杂程度简化了很多，并且通过实验证明可以达到较为理想的处理结果。

图像信息的丰富程度是用信息熵来表示的，熵越大图像的信息就越丰富，图像的细节也就越丰富，信息熵的表达式表示为：

其中Pi是灰度值为i的点出现的频率，假设图像中灰度值为i的点有M个，图像像素的总个数为N，则

通过以上幂函数、双边滤波、五尺度Retinex算法对图像三次边缘细节保持处理，此方法完善了边缘细节保持特性和颜色保真效果，对比度增加，车牌图像变得更加清晰，分辨率显著增加，达到了对车牌部分的增强效果。

3 特殊环境下车牌图像增强仿真实验

图1是对雾霾天气下的车牌图像进行SSR、MSR、MSRCR与本文算法的图像增强处理图。

图1 强度雾霾环境下的车牌图像处理结果图

由图1可以清晰地看出车牌图像经过SSR处理后出现了明显的 “光晕”现象，MSR处理后的图像解决了这一现象，但是颜色恢复性出现了误差，进一步改进的MSRCR算法处理后的图像解决了光晕现象和色差问题，但是还有一定的模糊性，细节信息体现得不够明显，五尺度 Retinex解决了“光晕”和颜色问题，但是车牌号码的字迹边框还是不够清晰，本文通过幂函数、双边滤波函数具有的边缘细节保持特性，结合五尺度Retinex算法对原始图像进行处理，使得车牌字符更加清晰。从表1中图像的信息熵可以清晰地看出本文算法的信息熵数大，即图像的细节丰富。从图1（f）中的灰度直方图可以看出本文算法的灰度直方图成分覆盖的灰度级宽，图像的对比度高。对比度越大，色彩越丰富，从而颜色保真度越高。 从公式（3）、（8）、（16）可以看出本文算法简化了传统算法的复杂性，从表2的处理时间结果还可以看出缩短了处理时间。

表1 雾霾环境下的车牌图像不同算法处理后的信息熵

表2 雾霾环境下的车牌图像处理时间

从表3中信息熵数值大小可以清晰看出本文算法的信息熵值最大，即图像的细节最丰富，较好地完成了三次边缘细节保持的特性。

表3 雾霾环境下的车牌图像不同算法处理后的信息熵

对于傍晚条件下拍摄的车牌图像，本文主要是对车牌部分的增强，而对于尺度参数δ调整主要以车牌部分效果为准。 本文采取的 δ值为 650、1 789、2 010、2 360、3 980，图2是对傍晚环境下车牌图像经过SSR、MSR、MSRCR与本文算法处理的结果图。

图2 傍晚环境下的车牌图像处理效果图

4 结束语

针对传统Retinex算法的不足，提出了幂函数和双边滤波与改进的Retinex算法五尺度Retinex算法相结合的算法，可实现对特殊环境（强度雾霾、傍晚）下的车牌图像进行车牌部位的增强。引入幂函数的非线性变换符合人类视觉感知能力，并且提高了图像的边缘细节信息，再结合双边滤波消除噪声，保持图像的边缘细节信息，再用改进的Retinex算法五尺度Retinex算法对车牌图像进一步处理，实验结果显示，处理后图像清晰度增加，边缘细节信息丰富。此算法还将传统的高斯函数加以改进，减少了运算量及算法的复杂性，缩短了对图像的处理时间。本文算法实现了边缘细节增强、颜色恢复同时存在的效果，使得车牌图像更加清晰，具有很好的实用性。

[1]李垚峰，何小梅，吴小强.改进的带彩色恢复的多尺度Retinex雾天图像增强算法 [J].计算机应用，2014，34（10）：2996-2999.

[2]顾理琴，王译庆.改进Retinex方法在人脸图像分辨率提高中的应用[J].科技通报，2013，29（11）：130-133.

[3]Li Jia.Application of image enhancement method for digital images based on Retinex theory[J].Optik-International Journal for Light and Electron Optics，2013，124 （23）：5986-5988.

[4]陈超.改进单尺度Retinex算法在图像增强中的应用[J].计算机应用与软件，2013，30（4）：55-57.

[5]武院生，杨卫平，张胜辉，等.一种基于双边滤波和图像融合的增强方法[J].微处理机，2014，12（6）：50-54.