基于Retinex 理论的低照度图像增强技术*

刘 健，郭 潇，徐鑫龙，赵牛杰，赵 腾

（北方自动控制技术研究所，太原 030006）

0 引言

由于受环境光照不足或照度不均因素的影响，低照度图像往往会出现对比度低、亮暗不均、阴影区域细节难以分辨的问题，影响视频会议等应用的主观视觉效果，给军事侦察、视频监控等工作的后续处理造成很大困难。因此，低照度图像增强技术有重要的研究价值。

低照度图像增强技术的目的是改善图像质量，并获取更多淹没在阴影区域的细节信息，其方法主要包括基于直方图的方法、基于小波变换的方法和基于Retinex 理论的方法［1］。基于Retinex 理论的图像增强算法主要是从图像中估计环境照度分量，并去除该分量的影响，获取反射分量。根据照度分量的计算方法，又可分为随机路径算法、同态滤波算法和中心环绕算法等。其中，中心环绕算法最为经典。典型的中心环绕算法有单尺度Retinex（SSR）［2］、多尺度Retinex（MSR）［3］与带色彩恢复的多尺度Retinex（MSRCR）［4］。目前，基于Retinex 理论的低照度图像增强算法普遍存在以下问题：在图像明暗变化剧烈的区域易产生光晕［5］；图像暗区域存在过增强，导致该区域噪声放大；图像亮区域像素溢出，导致细节信息丢失；参数数目较多，针对不同图像需要设置不同参数，算法自适应性差［1］。

本文提出一种基于Retinex 理论与LIP 模型的低照度图像增强方法，对照度缓慢变化与照度不均的低照度图像进行增强。在HSV 色彩空间，结合引导滤波与高斯平滑估计图像V 分量的照度分量，避免了颜色失真与光晕现象；在图像运算过程中，使用LIP 模型代替传统的数学运算，以避免由像素溢出造成的暗区域过增强的问题，同时可以减少参数设置，增强算法的自适应性；求得的反射分量经灰度变换后作为增强的V 分量；经色彩空间转换后作为最终的增强图像。

1 基于Retinex 理论的相关算法及局限性分析

人类视觉系统具有颜色恒常性，当环境照度变化时，人眼对物体颜色的感知保持相对不变。E.H.Land 基于颜色恒常性理论提出了Retinex 理论，认为一幅图像I（x，y）可由反射分量R（x，y）和照度分量L（x，y）的乘积表示，即

其中，照度分量决定像素的动态范围；反射分量反映成像物体的本质属性，通常为要求解的增强图像。在对数域中，将照度分量从原图像中去除，便得到反射分量。照度分量只能通过近似估计获取。Retinex 算法一般流程如图1 所示。

图1 Retinex 算法一般流程

MSR 算法对原始图像的R、G、B 3 个通道分别进行多尺度计算，再将计算结果融合为增强图像。单一通道的计算公式如式（2）表示：

式中，k 为尺度个数，ωi为尺度权重，* 表示卷积运算，G（x，y）采用高斯中心环绕函数。使用MSR 算法处理的结果如图2 所示。

图2 MSR 算法处理结果

在图2（b）中出现了明显的光晕现象，这是由于Retinex 理论假设空间照度是缓慢变化的，在图像明暗变化剧烈的区域，由高斯中心环绕函数估计的照度分量趋于平缓，与实际的照度不相符。因此，在增强图像中易出现光晕。

为解决光晕问题，文献［6］提出使用具有边缘保持特性的双边滤波核函数作为中心环绕函数，双边滤波可以准确估计明暗突变的环境照度分量，但是其计算复杂度高，且存在梯度逆转现象［7］。采用具有平滑与边缘保持特性的引导滤波［8］估计照度分量，计算复杂度低，可以避免光晕现象，但引导滤波中使用的均值滤波没有考虑像素空间位置对中心像素的影响，导致照度分量估计不准确，反射分量出现过增强的问题。使用引导滤波估计照度分量的Retinex 算法处理结果如图3 所示。图3（a）与图3（b）的引导滤波参数设置分别来自文献［9-10］。引导滤波中参数r 表示滤波模板的大小，eps 为平滑因子。eps 值较大时，引导滤波对图像的操作趋于平滑，边缘保持性差；值较小时，边缘保持性好；值为0 时，不对图像作任何处理。

由图3 可以看出，使用引导滤波估计照度分量可以避免光晕问题，但是最终增强的结果出现了颜色失真。对于该问题，文献［9］设计了颜色恢复函数改善反射分量，但对于含局部光源、逆光拍摄等照度不均的低照度图像处理时，存在图像亮区域细节丢失的问题，且该算法参数较多，自适应性差；文献［10］在反射分量中加入校正后的照度分量，保护了亮区域细节，但存在图像暗区域过增强的问题。

2 本文算法

本文算法的结构框图如图4 所示。算法首先将图像从RGB 空间转换到HSV 空间；分别使用引导滤波与高斯平滑对V 分量进行处理，对处理的结果使用LIP 模型加法与乘法进行融合，得到照度分量L；再由LIP 模型的减法去除照度分量，并进行灰度变换，得到反射分量R；最后将图像从HSV 空间转换到RGB 空间，作为最终的增强图像。

2.1 颜色空间转换

MSR 算法对图像R、G、B 3 个颜色通道分别做多尺度卷积运算，算法复杂度高，并且容易改变3个颜色通道之间的比例关系，造成颜色失真［1］。因此，本文将原始图像从RGB 空间转换到HSV 空间，仅对V 分量进行计算处理，减小计算复杂度，避免颜色失真；将增强处理后的V 分量与原H、S 分量合成并转化到RGB 空间，作为增强后的图像。

2.2 估计照度分量

为避免增强结果的颜色失真与光晕问题，本文提出分别使用引导滤波与高斯平滑对V 分量进行处理，再对处理的结果进行融合。在融合过程中，若使用传统的数学运算处理图像，可能会产生像素溢出的现象，可以通过改变增益参数来调节溢出像素数目的多少。当溢出像素数目增多时，照度分量估计增大，反射分量减小，导致全局亮度降低，低照度图像增强效果改善不明显；当溢出像素数目减小时，照度分量估计减小，反射分量增大，导致图像暗区域过度增强。因此，在该过程中，若使用传统的数学运算处理图像，增益参数的选取与图像自身有很大关系，难以达到自适应处理。

本文采用LIP 模型在有界区间内对图像进行操作。LIP 模型重新定义了适用于图像处理的加法、减法、乘法等运算，这些运算具有封闭性，可以在避免像素溢出的同时，有效提高图像效果，该模型也被证明与人类视觉系统的处理过程相一致。LIP 模型用灰度色调函数表示图像的强度，计算公式如式（3）所示：

式中，I（x，y）为输入图像的亮度值，f（x，y）为灰度色调函数，M 为图像最大亮度值，在8 bit 数字图像中，取值为256。LIP 模型的部分运算定义如下：

将式（6）与式（3）联立求解经LIP 数乘运算后得到的亮度值I3，可得计算公式如式（7）所示：

式中，I1为式（6）中f1对应的亮度值。可见，图像的LIP 数乘运算等价于图像的伽马变换，增益参数α等价于伽马系数，本文取经验值为0.3。

2.3 求取反射分量

在MSR 算法、文献［9-10］算法中，反射分量的求取是在对数域中进行的。LIP 模型本身具有对数变换的性质，因此，将V 分量与照度分量L 作LIP模型减法，再经灰度变换后的输出作为反射分量。

在LIP 模型减法，即式（5）中，若f1

式中，r'为R'归一化值，r 为反射分量R 归一化值，bth 为溢出阈值，计算公式如式（9）所示：

式中，n 为r'中大于1 的像素数目。

3 实验仿真与分析

为验证本文算法有效性，在MATLAB R2014b平台上对多幅低照度彩色图像进行实验，将算法与文献［9-10］算法进行比较，从主观效果与客观指标两方面对算法进行验证。相关参数设置如下：

1）文献［9］算法：引导滤波参数r=4，eps=0.04，颜色恢复函数参数α=9，β=300，G=1；

2）文献［10］算法：引导滤波参数r=8，eps=0.001；

3）本文算法：高斯尺度参数σ=180，引导滤波参数r=4，eps=0.04。

3.1 主观效果对比

3 种算法进行图像增强的仿真试验结果如图5～图7 所示，图5 为照度缓慢变化时的仿真结果，测试图像来自于低亮度的视频监控图像；图6 为照度不均时的仿真结果，测试图像来自于背光的视频会议图像，以及含局部光源的视频监控图像；图7为仿真结果局部细节对比。从图5 中可以看出照度缓慢变化的情况，文献［9］算法存在颜色失真与过饱和现象；文献［10］算法存在暗区域过增强，噪声被放大的现象；而本文算法在保护色彩不失真的同时，能够恢复阴影区域的细节，并有效抑制了该区域的噪声。从图6 中可以看出照度不均的情况，文献［9］算法存在一定的亮区域细节丢失；文献［10］算法的暗区域存在过增强。由图8（b）可以看出，文献［9］算法存在过饱和与亮区域细节丢失的现象，由图8（c）可以看出文献［10］算法存在暗区域过增强的现象。本文算法在恢复暗区域细节的同时保护了亮区域的细节，主观视觉效果较好。

3.2 客观指标对比

图5 照度缓慢变化时的仿真结果

图6 照度不均时的仿真结果

图7 测试结果细节对比

本文采用平均梯度、信息熵与结构相似性（SSIM）作为图像增强效果的客观评价指标。平均梯度反映图像的清晰度，信息熵反映图像信息量的大小，结构相似性用于衡量处理前后两幅图像的相似度，取值为0～1，值越大，结构失真越小。下页表1～表3 分别为增强图像的平均梯度、信息熵与SSIM客观指标，其中，编号为1～4 的图像为图5 中的低照度图像，5～8 为图6 中的低照度图像。由测试数据可知，本文算法的客观指标较文献［10］算法的客观指标均有所提升，说明本文算法处理的结果清晰度高、信息量大、失真少；文献［9］算法在处理照度不均的低照度图像时，信息熵反而下降，这说明该算法在处理类似图像时造成了细节信息丢失。综上所述，本文算法在处理照度缓慢变化与照度不均的低照度图像时，能够在提高清晰度与信息量的同时，减少细节丢失与颜色失真。

表1 平均梯度测试数据

表2 信息熵测试数据

表3 SSIM 测试数据

4 结论

为了解决低照度图像增强的问题，本文在HSV色彩空间实现了基于Retinex 理论与LIP 模型的低照度彩色图像增强算法。本文算法在HSV 色彩空间对V 分量进行增强，减少了算法复杂度；采用引导滤波与高斯平滑估计照度分量，避免颜色失真与光晕现象；算法的图像运算采用LIP 模型有界运算法则，避免像素溢出、暗区域过增强，并减少参数的设置；算法对反射分量采用一种灰度变换策略，减少了亮区域的细节丢失。实验结果表明，算法可以有效恢复淹没在阴影区域的图像细节，并保护亮区域的细节，提高图像的清晰度与信息量，主观视觉效果与客观评价指标优于对比算法。