低光照图像特征检测方法*

潘 瑞，曾良才，伍世虔，王瑞平

(1.武汉科技大学 机械自动化学院，湖北 武汉 430080；2.武汉科技大学 信息科学与工程学院，湖北 武汉 430080)

0 引 言

特征的检测与提取是众多计算机视觉应用的基础，例如三维重建[1]、物体检测及追踪[2]等。图像质量对特征点检测效果的好坏有着直接影响，在实际应用中，由于各种原因，并非所有采集的图像都满足光照均匀一致的要求。为了更精确地捕捉图像的细节信息，有必要针对不同的应用场合，根据图像实际情况进行一系列的预处理。

鉴于图像特征点检测和匹配的频繁使用，众多国内外学者提出了大量Hand-craft特征点检测算法。在公开数据集上，尺度不变特征变换(scale invariant feature transform,SIFT)，SURF(speeded up robust features)，FAST(feature for accelerated segment test)，Harris，ORB[3]等具有较好的几何不变性。此外，随着深度学习的发展，众多基于深度学习的特征检测方法也涌现出来，但针对低光照下的图像特征点检测具有特征点数量少、重复率低、匹配点对少等缺陷。因此，需要针对以上问题，对图像进行预处理，改善图像的质量，更好地保留图像边缘和细节信息[4]，提升现有特征点检测算法的检测效果。

目前，众多基于空域的光照不均匀图像处理算法有着不错的效果，如常用的直方图均衡化方法、伽马矫正算法、Retinex算法等。直方图均衡化模型的算法简单、运算速度快，对整体亮度偏暗的图像具有很好的增强效果。但是，对于低光照图像而言，直方图均衡化算法可能会导致过增强现象[5,6]，产生视觉伪影[7]。伽马校正增强了图像对比度，但对于光照不均匀图像，其受到过饱和或者欠饱和问题的困扰[8]。Retinex算法将图像分解为光照分量和反射分量，把调整后的反射分量作为增强的结果，对于一般的低光照图像具有较好的增强效果。但是这类算法运算复杂度过高，而且存在“光晕”效应以及暗处噪声放大等问题[9]。文献[10]提出一种低光照图像亮度提升的ALTM方法，该方法结合传统的Retinex对图像进行色调映射，其中的全局自适应方法对于低照度图像具有很好的照度提升效果，但该算法没有充分利用临近像素，导致处理后出现了一些平面显示问题。

本文推荐了一种基于自适应对数变换的低光照图像特征检测方法。基于图像信息熵值，对不同光照条件下的图像进行不同基底的选取，保证了图像在光照变化下得到最佳的变换，然后再使用特征点检测算法。实验结果表明，针对光照差异较大的图像，推荐方法具有更强的光照鲁棒性。

1 相关工作

1.1 LIP模型

在数字图像处理领域，传统的线性处理存在着一些明显的不足，即两幅图像经过线性运算后灰度值很有可能超出其原本定义的区间范围，从而产生数值越界的问题，导致一些细节信息丢失和过度增强。从这一问题出发，Jourlin M等人提出了LIP模型图像处理算法[11]，模型中定义了加、减、乘、微分、积分、卷积以及傅里叶变换和小波变换等一系列运算符。

在LIP模型中，一幅图像可以近似理解为，近光通过一个光滤波器形成了图像，其吸收函数称之为灰度色调函数，图像的灰度级则表示为通过光滤波器的光的总量

g(i,j)=m-f(i,j)

(1)

式中M为图像最大灰度值，f(i,j)为像素点灰度值，g(i,j)为每一个像素点的灰度色调函数。

LIP模型图像处理算法为

(2)

(3)

(4)

式中g1和g2为图像的灰度色调函数，⊕、⊖、⊗分别为对数图像处理模型下的加减数乘运算。α为大于零的数乘系数，用来进行灰度值的放大或缩小。LIP模型利用对数法则和人类视觉系统处理光线时的对数特性，更加符合物理特性。

1.2 信息熵

在衡量图像质量及其清晰度方面，本文引入了信息熵概念，在进行图像对数变换的过程中，将信息熵作为指标来进行图像对数域变换基底的选取。在大量图像处理的过程中，需要判别一个图像的清晰度和图像分割结果的优劣，于是引入了信息熵的概念，用来作为评价图像的一个量化标准。

对于计算机，像素值概率分布均衡等于图像色彩艳丽；对于人眼来说，色彩艳丽等于轮廓清楚等于图像清楚。所以可以认为，熵值大则图像的色彩艳丽，甚至某些情况下，熵值大等同于图像轮廓清楚，也就等同于图像清楚。

1.3 重复率

特征点重复率是对特征点检测算法的评价指标，用来判断不同特征点检测算法的性能。在文献[12]中，重复率定义为两幅图像中相对于检测点总数的重复点数量。所使用的重复率计算公式

(5)

(6)

2 低光照图像的自适应对数变换

本文所采用的自适应对数变换方法，能够保持低光照图像整体明暗效果，对图像分层得到的基础层进行动态范围调整。

对数变换是将图像的低灰度值部分扩展，高灰度值部分压缩，以达到强调图像低灰度部分的目的。变换方法由式(7)给出

s=c·logv+1(1+v·r)，r∈[0,1]

(7)

式中 (v+1)为基底，实际计算时，将图像灰度值矩阵进行归一化操作后得到r的值，其输入为[0,1]，其输出也为[0,1]。对于不同的基底，其对应的对数变换曲线如图1所示。

图1 不同基底的对数变换曲线

从图1中可以很直观地看出，由于对数函数本身上凸的性质，可以把低灰度(即较暗)部分的亮度提高，v越大，灰度提高越明显，即图像越来越亮

f(x)=logv+1(1+v·r)

(8)

面对场景动态范围较大时，上式固定的对数基底不能很好兼顾高亮区域和黑暗区域。对数基底较小时，高亮区域的压缩程度不足，导致高亮区域细节不明显；对数基底较大时，则对黑暗区域压缩过度，导致黑暗区域细节不明显。

为了解决上述矛盾，提出一种自适应基底的对数变换算法。根据图像信息熵值的不同，选取不同的对数基底，以进行动态范围的调整，动态范围小的像素压缩较小，动态范围大的像素则压缩较大。本文根据两幅试验图像的信息熵值以及比例变换系数，来确定进行对数变换的基底，将变换后的图像与参考图像进行特征点检测等处理，并使用不同的检测方法分别进行试验。式(9)是一个基本的对数函数公式，其基本属性使得其可以任意选取对数基

(9)

图像的信息熵值会随图像光照的变化而变化，因此，可以根据图像光照的强弱来进行对数基底的自适应选取。图像信息熵反映了图像中平均信息量的多少，是一种特征的统计形式，信息的信息内容被定义为

Ii=log(1/pi)=-log(pi)

(10)

一个对象的信息内容与其概率成反比，称为它的信息熵。令pi表示图像中灰度值为的像素所占的比例，可由灰度直方图获得，则定义灰度图像的灰度熵

(11)

(12)

式中entr1为变换图像的信息熵值，entr2为对比图像的信息熵值。在进行变换前，先计算出两幅图像的信息熵值，得到其比值，为了提高算法的灵活度，引入比例变换系数k。将式(12)代入对数变换公式得到自适应变换公式

(13)

上式自适应对数变换方法，可以根据低光照图像不同程度的光照条件，对其进行不同程度的光照补偿，获得更佳的亮度提升。

3 实验结果与分析

为验证本文算法的可行性及泛化性，本文将选用不同的特征点检测算法进行验证。采用重复率、匹配点对、信息熵值以及增强图像后人眼的直观感受来判断算法的效果及其光照鲁棒性。其中,试验选用的参考图像来自Belgium,Memorial_org,BigTree,ChurchDesk,Snowman_org等多个图像标准库。选取其中光照最均匀、检测特征点最多的图像作为对比图像，与其他低光照图像进行对比试验，在进行特征点检测前先进行图像信息熵的计算，然后根据信息熵进行基底的选取，并根据得到的试验结果，判断本文自适应对数变换的效果。

本文将SURF算法、FAST算法、Harris角点检测算法、ORB(Oriented FAST and Rotated BRIEF)算法等传统算法与本文自适应对数变换方法相结合，并将多尺度Retinex(MSR)算法、ALTM算法与本文所述方法进行对比试验，检测各种方法得到的重复率和匹配点对。图2～图4为来自不同数据集的低光照图像处理后的效果图。

图2 整体光照较低的图像利用不同算法处理后的结果

图3 整体光照较低的图像利用不同算法处理后的结果

图4 整体光照较低的图像利用不同算法处理后的结果

由上述整体光照较低的图像利用不同算法处理后的效果图可见，由于原图像光照较低，其中的部分细节几乎看不清楚，经过了不同算法处理后，图像的亮度得到明显提升。使用MSR(multi-scale Retinex)算法处理后的图像在亮度提升的同时也放大了的噪声，部分区域曝光严重，反而丢失了很多细节(比如图2栈道区域)；而使用ALTM算法处理后的图像，虽然整体亮度得到了有效的提升，但部分区域仍然没有得到较好的提升(比如图3楼梯部分)，较多的细节部分显示不清楚。通过试验对比结果可知，本文所述基于自适应对数变换的低光照图像特征检测方法相较传统特征点检测方法，在有效提高图像亮度的同时，保留了更多的细节，显示出了更好的效果。

为了进一步比较不同算法的处理效果，利用图像的特征点匹配点对、重复率和信息熵等客观指标来衡量不同算法处理前后图像的客观质量。在试验所得数据中随机选取其中一组(ORB特征点提取算法计算的重复率及匹配点对)，得到数据表1。

表1 不同算法处理前后图像的客观指标

由表1中的数据可以看出，经过本文算法处理后的不同场景的低光照图像信息熵值明显增大，这意味着可以从处理后的图像中获得更多的信息；各图像的匹配点对和重复率也均有较大的提升，从图像中提取到的可用特征点也就愈多。低光照图像在经过不同的算法处理后，进行特征点匹配，同一图像的特征点匹配结果有不同程度的改善。

图5 不同算法处理后的低光照图像利用ORB算法进行特征点匹配

所用自适应对数域变换中，系数k取20。用MSR算法、ALTM算法以及本文算法在相同标准数据集上进行特征点检测、匹配及重复率计算，得出这些算法的对比数据。所用试验图像光照依次增加，将不同算法匹配点对和重复率的检测结果与本文所述基于自适应对数变换的低光照图像特征检测方法结果进行对比，对比结果如图6。

图6 实验结果对比

由图6明显可见本文所提方法(proposed method)在图像信息熵、特征点匹配点对和重复率上均有较大提升。本文算法降低了低光照图像的照度影响，对各种特征点检测方法都有较大的增益，对不同场景的低光照图像有着较好的矫正效果，具有较强的光照鲁棒性。

4 结 论

为了提高低光照图像的质量及其特征点检测的效果，本文提出基于自适应对数变换的低光照图像特征检测方法，根据图像的信息熵值进行自适应基底的对数域变换。在结果评判方法上加入了信息熵、匹配点对和重复率等多个评判标准。实验结果表明：本文推荐方法模型简单，对低光照图像有较好的检测效果。但本文算法在处理图像时没有考虑噪声对试验结果的影响，在细节处亮度放大的同时，噪声也可能同样放大，在后续工作中，应把噪声的影响加以考虑，进一步提高算法对低光照图像的矫正能力。