基于改进多尺度Retinex的模糊图像增强仿真

阚 洪，陶雪娇，冷亚洪，李 明

(1.重庆工程学院软件学院，重庆 400056；2.重庆师范大学计算机与信息科学学院，重庆 400047)

1 引言

随着计算机科学技术的发展，成像技术已经逐渐渗透到工业、医学、军事、遥感等领域中[1]。在这些行业领域中，通常需要用到目标的高分辨率图像，但图像在获取过程中，容易受到各种因素的影响，导致获得的图像模糊。因此，为了改善图像的视觉效果、提高图像的分辨率，需要对模糊图像增强方法进行研究。

智宁[2]等人首先通过多尺度引导滤波技术获取模糊图像的照度分量，将模糊图像从光谱中分解为照度分量与反射分量，并针对照度不均匀的特性提出新的“S型”曲线函数对其特征值进行调整，分析模糊图像的光谱特性，最后利用照度增强系数实现模糊图像的综合增强。但该方法没有对模糊图像进行降噪处理，导致图像在增强时出现失真的现象，视觉效果较差。郭倩[3]等人为避免对模糊图像的局部区域进行增强时出现的“虚化”问题，建立了局部亮度保持的颜色估计模型，然后通过颜色估计模型(CEM)对模糊图像进行全局增强，恢复图像细节信息。但该方法未利用阈值法剔除模糊图像中的噪声点，导致图像在增强后细节部分分辨率较低，图像质量较差。雷芳[4]等人提出一种在HSI模型下的多尺度细节自适应增强与同态滤波的模糊图像增方法，首先为了增强模糊图像的亮度分量，进行RGB色彩空间变换，使其中的色调与饱和度分量不变，然后利用小波变换进行多尺度细节自适应增强，改善光照不均匀的影响，最后提升细节对比度并作分块同态滤波从而获得增强后的模糊图像。但该方法没有结合阈值法，消除噪声对图像增强产生的干扰，导致峰值信噪比较低，不能被广泛使用。

当前方法在对模糊图像进行增强时，存在视觉效果差、图像质量低和峰值信噪比低的现象，因此，提出基于改进多尺度Retinex的模糊图像增强方法。

2 基于阈值法的模糊图像降噪处理

所提方法利用阈值法对增强前的模糊图像进行降噪处理，避免模糊图像在增强时出现颜色失真和图像淡化的现象[5]。利用阈值系数的邻居系数，使每个阈值系数都有不同的值，让阈值选取的更加准确。

如图1所示，以Cj，k为中心的一个大小3*3的领域窗口为Aj，k，图中高频阈值系数为Cj，k，该图是一个矩形框，其中包含了当前阈值系数和其邻居系数。

图1 阈值系数与其邻域窗口的位置关系

(1)

设基本阈值λ的表达式如下所示

(2)

其中，噪声标准差为σ；当前阈值系数所在子带的大小为M*N。

为了阈值能够达到自适应调整的目的，可以在基本阈值上乘以调整因子μj，k，使阈值随着阈值系数的特性自适应地的调整。

设阈值系数Cj，k的自适应阈值表达式如下所示

λj，k=μj，kλ

(3)

式中，基本阈值为λ；调整因子为μj，k。

阈值选取的目标是应尽最大的可能去除阈值系数中的噪声并尽可能保留模糊图像中的细节。对于阈值系数进行取舍时，采取以下策略。

如果当前阈值系数的绝对值大于设定的自适应阈值时，按照式(4)进行搜索

(4)

若当前阈值系数的父系数不在，且阈值系数的绝对值小于设定的自适应阈值，证明当前阈值系数所在的尺度为最粗糙的尺度，则将其置零；反之，则将其进行归一化处理后再与当前阈值系数进行比较，并根据最终的比较结果确定当前阈值系数的取舍。

基于阈值法的模糊图像降噪处理的流程如图2所示。

图2 基于阈值法的模糊图像降噪处理流程

1)对含有噪声的模糊图像进行阈值系数变换：

2)计算自适应阈值，调整领域窗口；

5)计算关联阈值系数Rj，k=Cj，k·Pj，k，其中，当前阈值系数的父系数为Cj，k。

对关联阈值系数进行修正，使关联阈值系数Rj，k与当前阈值系数Cj，k在总体上具有相同能量，增加其可比性，如式(5)所示

(5)

式中，当ρ的取值在0.1～0.3时，去噪效果最好。

7)将领域窗口滑动至下一个高频阈值系数，重复步骤2)至6)，直到所有高频阈值系数处理完毕；

综上所述可知，采用阈值法对模糊图像中的边缘信息进行去噪的基础上，引入当前系数与其父系数之间的乘积作为关联系数，将关联阈值系数的大小作为对当前阈值系数进一步取舍的主要依据，使所提方法既能够具有阈值法有效去噪的优点，又能够良好的保留模糊图像中边缘信息的特征。

3 基于改进多尺度Retinex的模糊图像增强方法

3.1 基于LIP模型的照度子图分割

为了使所提方法的增强效果更加明显，当模糊图像经过降噪处理后，根据背景强度和梯度信息对其进行二维分解[6]。

设I(x，y)为背景强度，通过计算领域像素的加权均值得到，如式(6)所示

(6)

式中，待处理像素四个方向的邻域像素组成的集合为L；权值为m、n；为待处理像素对角线上的领域像素组成的集合为L′。

如果将模糊图像像素值的梯度GG(x，y)作为其中的信息跳变率，就需要定义模糊图像像素的最大差别值[7]，计算方法如式(7)所示

Id=[max(f(x，y))Θmin(f(x，y))]

(7)

设Ii为背景强度的阈值；GGi为梯度的阈值，利用式(8)对模糊图像进行区域划分

(8)

在模糊图像饱和区域中的像素，满足式(9)

(9)

在模糊图像德弗里斯区域中的像素，满足式(10)

(10)

在模糊图像韦伯区域中的像素，满足式(11)

(11)

所提方法将模糊图像分解成几个子图后，将其余的像素统一归并到低对比度区域中，完成对模糊图像各个区域的划分的同时实现了对不同子图分别进行图像增强的目的。

3.2 局部多尺度Retinex算法

改进后的Retinex算法，首先利用上述LIP模型的区域划分法对模糊图像进行照度分割，然后根据分割后各子图的照度特性，使用不同尺度σ的Retinex突出不同尺度的高斯函数的优点，实现增强，方法的具体流程如图3所示[8]。

图3 局部多尺度Retinex算法过程

利用尺度为σ1的高斯模板F1(x，y)对低对比区域的像素进行滤波运算[9]。

首先对该区域的图像入射分量进行估计，然后将其抛开得到反射分量，完成模糊图像中低对比度区域的增强，如式(12)、(13)所示

(12)

(13)

式中，尺度为σ1的高斯函数为F1(x，y)；低对比度区域内的像素为S1(x，y)，原图中低对比度区域的处理结果为R1(x，y)。

利用不同尺度的高斯滤波器对剩下的德弗里斯区域、韦伯区域、饱和区域进行入射分量估计，并根据上述的计算方法完成各个区域的增强[10]，计算方法如式(14)、(15)所示：

(14)

RK(x，y)=logSK(x，y)-log[SK(x，y)*FK(x，y)]

(15)

通过上述计算，对于另外三个区域用同样的方法得到了R2(x，y)、R3(x，y)、R4(x，y)三个子图，并将子图R1(x，y)、R2(x，y)、R3(x，y)、R4(x，y)组合在一起，得到最后的增强效果。

因为模糊图像低对比度区域的像素对比度较低，选用比较小的σ值，能够更好的突出图像的细节，达到增强的效果。其中，σ1、σ2、σ3、σ4为利用高斯函数在模糊图像中分解的四个区域内选取的不同尺度。

德弗里斯区域代表了模糊图像的低照度区域、韦伯区域代表了模糊图像的中照度区域、饱和区域代表了模糊图像的高照度区域，因此，可以按照σ2<σ3<σ4的规则选取尺度。与此同时，所提方法通过改进后的多尺度Retinex算法，满足了对模糊图像中不同特定像素区域的增强要求，使模糊图像得到了较好的色彩保真及细节增强效果。

4 实验与分析

为了验证基于改进多尺度Retinex的模糊图像增强方法的整体有效性，分别对文献[3]方法、文献[4]方法与基于改进多尺度Retinex的模糊图像增强方法，进行图像视觉效果、图像质量评价与峰值信噪比对比测试，实验环境如表1所示，图4为实验示例图像。

图4 实验示例图像

表1 实验环境与各项参数设定

4.1 视觉效果

图5为文献[3]方法、文献[4]方法和基于改进多尺度Retinex的模糊图像增强方法的图像增强后的视觉效果。

图5 不同方法的模糊图像增强效果

由图5可知，所提方法增强后的图像视觉效果最好，表明所提方法能够有效对模糊图像进行增强。因为该方法在对模糊图像进行增强前，采用了阈值法对其进行了降噪处理，避免了模糊图像在增强时出现颜色失真和图像淡化的现象，进而提升了图像的视觉效果。

4.2 图像质量评价

对文献[3]方法、文献[4]方法与基于改进多尺度Retinex的模糊图像增强方法对示意图进行增强处理，如表2所示为不同方法得到的图像均值、标准差和信息熵的数据。

表2 不同方法的评价数据

分析表2的结果可知，所提方法的图像质量评价结果是三种方法中最高的。因为该方法利用了阈值法对模糊图像进行了降噪处理，并通过自适应调整阈值的方法，让每个阈值系数都有不同的值，使图像中的噪声在去除的同时保留了重要的细节部分，因此，增强后的图像质量也明显高于其它方法。

4.3 峰值信噪比

图6为文献[3]方法、文献[4]方法和基于改进多尺度Retinex的模糊图像增强方法的峰值信噪比变化结果。

图6 不同方法峰值信噪比变化

从图6的对比结果可知，与文献[3]方法和文献[4]方法相比，所提方法的峰值信噪比最高。因为该方法结合阈值法，引入当前系数与其父系数之间的乘积作为关联系数，并将关联阈值系数的大小作为对进一步取舍当前阈值系数的依据，消除了噪声对图像增强产生的干扰，进而提高了方法的峰值信噪比。

5 结束语

图像增强是图像处理的重要部分，其本质是通过增强使图像细节部分更加明显。为了改善图像的视觉效果、提高图像的分辨率，提出基于改进多尺度Retinex的模糊图像增强方法，结合阈值法对图像进行了降噪处理，利用改进多尺度Retinex根据LIP模型的区域划分法对模糊图像进行照度分割，通过各子图的照度特性运用不同的尺度的Retinex实现增强，解决了当前方法中存在的问题，在接下来的研究里，会进一步结合相关应用提出开销量更小的模糊图像增强方法。