基于Retinex的自适应非均匀光照图像增强算法

尹旷 王红斌 胡帆 莫文雄 潘东东

摘要：传统的Retinex算法没有区分图像的亮区域和暗区域，采用固定尺度对不均匀光照图像整体进行增强，自适应性较差，且增强后可能会出现暗区域增强不足、亮区域增强过度的问题。针对此问题，提出了一种基于K-means和Retinex理论的自适应图像增强算法。该算法利用K-means算法分割图像的亮区域和暗区域，以原始亮度和滤波函数尺度的相关性为依据，自适应地获得各子图的滤波尺度并进行增强。验证结果表明，与传统的图像增强方法相比，该自适应增强方法在图像光照补偿和颜色保持上表现良好。

关键词：图像处理；图像增强；Retinex； K-means；非均匀光照

中图分类号：TP391.4文献标志码：A文章编号：1008-1739（2022）16-65-6

0引言

随着计算机视觉技术的发展，图像数据量以惊人的速度增长，由于采集环境影响，不均匀光照图像占据了很大比例，严重影响了图像的应用价值。目前，低光照图像增强算法大多是基于Land提出的Retinex理论的改进，改进的最终目标是估计出准确的光照图。经典的单尺度Retinex（Single-Scale Retinex， SSR）[1]算法采用高斯核函数作为卷积核，通过设置适当的尺度可以得到对图像光照的估计。多尺度Retinex（Multi-Scales Retinex， MSR）[2]算法由多个尺度的高斯滤波结果加权平均组成，可有效减少SSR算法中的光晕现象。带色彩恢复的多尺度视网膜增强（Multi-Scale Retinex with Color Restoration，MSRCR）[3]算法在MSR算法的基础上保持增强图像三通道的比例，避免了色彩失真。为了更有效地保留光照突变边缘的细节信息，Guo等[4]提出了LIME算法，该算法利用RGB三通道的最大像素值优先估计初始光照图，再使用一个结构保留的光滑模型来增强光照图。常戬等[5]提出了一种基于Retinex的改进双边滤波的多聚焦融合算法，图像细节增强效果特别显著。Yang等[6]提出了基于Retinex分解和自适应伽玛校正的低光图像增强，有效增强了光照图的细节。

近年来，基于学习的图像增强方法发展迅速[7]，Shen等[8]将MSR算法与深度学习相结合，提出了MSR-Net网络。Lv等[9]根据增强过程设计了分解网络、照明调整网络和融合细化网络，减少了图像退化。但基于深度学习的方法，在增强效果上非常依赖于训练的数据集，不仅在数据收集上产生一定的工作量，训练结果也可能出现意想不到的效果，现阶段很难用在工业生产上[10]。

本文提出了一种基于K-means的自适应Retinex图像增强算法，该算法以图像亮度与高斯滤波函数尺度的映射关系为基础，在HSV空间下利用K-means聚类算法将V分量分割为若干子图，根据子图质心与Retinex尺度的映射关系求解出各子图高斯滤波尺度，再结合SSR算法完成对亮度V的整体增强。对比试验表明，本文方法更适用于不均匀光照场景下的图像增强。

1非均匀光照图像的亮度自适应分割

1.1非均匀光照增强的尺度效应分析

由于拍摄面积大，相机的动态范围有限，采集到的图像经常会出现光照不均匀的情况，如图1所示，金属表面图像中间区域光照较强，相对清晰，边缘部分较暗，无法显示出零件细节信息。

目前，基于Retinex理論的图像增强算法通常用高斯低通滤波器提取入射亮度，该方法需要根据实际处理的图像特点设置合适的高斯尺度，不同尺度下的高斯滤波对入射光照的估计效果如图2所示，对应的增强效果如图3所示。

由图2和图3可以看出，当较小时，光照估计图像的细节保留效果较好，低光照区域图像的细节能得到较好地增强。但对光照的估计精度较差，光照去除后容易造成颜色失真。反光金属表面图像的边缘区域亮度较低，对光照估计的精度要求不高，可以用较小尺度的高斯滤波器估计光照，以最大程度地恢复极暗区域的细节信息。

当尺度较大时，图像模糊程度提高，对光照的估计也就更准确，增强后图像颜色保真性较好。但无法有效地保留光照图像边缘突变区域的信息，因此增强图像纹理边缘会产生明显的伪影现象。金属表面图像的中间区域亮度较高，通常含有复杂的光照，因此更适合用大尺度的高斯滤波器准确地估计出光照分量，以提高增强图像的颜色保真性。

另外，随着尺度的增大，运行时间也会变得更长。综上所述，对不同亮度区域做不同尺度的Retinex增强可以达到既保留图像边缘细节又最大程度地恢复图像颜色的目的。

1.2基于K-means的亮度聚类算法

HSV颜色空间用色调（Hue）、饱和度（Saturation）和明度（Value）三个属性表示色彩，更符合人眼对色彩描述的直观感受，并且三通道互不影响，可以单独处理，非常适用于图像增强任务。因此，本文算法结合这一特点，首先将RGB空间图像转换到HSV空间；然后利用K-means算法单独对V分量进行聚类，以此将V分量划分为若干区域，来表示图像的亮区域和暗区域；最后以局部处理的方式，做不同的图像增强处理。亮度划分流程如图4所示。

K-means聚类算法原理简单且易于实现，首先，在图像像素范围内随机选取个值作为初始聚类中心，计算所有像素到聚类中心的距离，并按照最小距离原则将其分配到各类中；然后，将聚类中心值更新为各聚类区域像素的平均值，并进行迭代更新，直到中心值不再改变。因此，初始聚类中心和距离度量方法的选择直接影响着算法的效率和聚类效果。

由于大部分算法的初始聚类中心是随机生成的，不可避免地会增加算法的迭代次数、降低效率。在实际应用中，根据图像的特点选取初始中心点至关重要，本文考虑到反光金属表面图像的亮度分布相对均匀，因此在0～255均匀选取个值作为初始中心，以加快收敛速度。传统的K-means聚类算法与改进后算法在运行时间和迭代次数的对比如表1所示。

2自适应Retinex图像增强算法

传统的Retinex算法对全图做相同的增强处理，并不适合于部分区域高光，部分低光的不均匀光照图像增强。因此，基于SSR算法中滤波尺度和图像亮度的相关性，本文在HSV空间下提出一种基于K-means聚類算法的自适应Retinex图像增强算法，根据聚类质心亮度值自动选择需要的尺度，不需要人工参与调节尺度参数。首先，将RGB空间的图像转换到HSV空间。其次，利用K-means算法把亮度分量V分割成若干子图，并根据质心亮度值与高斯滤波器尺度的映射关系求解出自适应滤波尺度。再次，融合各尺度滤波后的子图得到对入射亮度的整体估计。然后，只对V分量利用SSR算法得到增强后的V分量。最后，合并HSV通道并转换到RGB空间，得到增强后的图像，具体流程如图6所示。

3实验与分析

为验证本文所提算法的有效性，本文采用了4种非均匀光照图像增强算法进行对比实验，所采用的4种算法分别为：直方图均衡化（Histogram Equalization，HE），SSR，MSR，MSRCR。所有算法在Microsoft Visual Studio 2017软件下编程实现，实验运行环境为Intel（R） Core（TM） i5-7200U CPU @ 2.50 GHz 2.70 GHz，4 GB内存的PC机。

3.1主观评价

文中提出的算法与其他算法的图像处理结果如图8所示。可以看出，HE算法的细节保持效果较好，增强效果自然，但亮度增强效果差，尤其在边缘的偏暗区域没有得到有效的光照补偿；SSR和MSR算法的增强效果整体上颜色不饱和，视觉效果较差，并且在零件周围出现明显的光晕现象；MSRCR算法光照补偿效果比较好，但增强效果最差，颜色失真严重，并且参数过多，不利于自动化实现，不适合本文图像场景；本文所提算法在色彩重建上表现得较为出色，图像增强后饱和度更佳，产生了更好的视觉效果，既能有效抑制高光又没有颜色的损失，并且在边缘暗光区域光照补偿效果更佳，在局部和整体上都有很好的效果。

3.2客观评价

为了从数据上客观地验证本文算法的有效性，引入了2种普适的无参考图像质量评价指标：自然图像质量评价指标（Natural Image Quality Evaluator，NIQE）[11]和基于感知的图像质量评价指标（Perception-based Image Quality Evaluator，PIQE）[12]。这2种指标均从人类如何感知图像质量为出发点，综合了图像局部质量和整体质量的评价结果。其计算的指标能够比较全面地解释图像的感知质量，2个指标与图像的感知质量均成反比，低分值表示高感知质量，高分值表示低感知质量。

NIQE，PIQE的评价结果如表2所示。

从对比结果可以看出，HE算法的NIQE指标较低，虽然接近自然图像效果，但整体较暗，不适合做图像处理操作； SSR和MSR算法处理效果的2项指标相差不大，MSRCR算法在2种指标下均表现最差，和主观评价结果保持一致。本文算法在2种指标中均比SSR，MSR，MSRCR数值低，表明图像增强效果较好，整体表现自然，更加符合人眼主观视觉感受。

4结束语

本文中不均匀光照图像增强算法利用K-means算法来计算V分量的最佳分割阈值，根据分割阈值自适应选择滤波尺度进行增强，很好地弥补了传统Retinex算法需要根据图像特点和处理效果手动调节尺度的缺点，并且基于本文提出的分割阈值与尺度的映射关系，在补偿图像亮度的同时，也兼顾了色彩的增强。与其他算法相比，本文算法处理后的图像细节较好，具有良好的颜色恢复性，主观评价和客观评价都有明显的优势。同时，由于本文算法采取了自适应尺度算法，参数较少，可有效提高大型金属表面的零件缺陷识别和缺陷检测的准确率，利于缺陷检测自动化的实现。

本文算法对图像高光中心区域的色彩增强效果不佳，后续可针对金属高反光图像的特点，加入高光抑制算法，并结合周围像素信息来恢复高光区域的色彩。除此之外，为了保持图像色彩一致性，还需继续研究亮度分量V与饱和度S的关系，使图像的S分量随着增强后的V分量也进行自适应的调整，以保证图像亮度与饱和度的相对关系不变，使图像全局色彩更加自然。

参考文献

[1] BINDHU A， DR U M O.Color Corrected Single Scale Retinex Based Haze Removal and Color Correction for Underwater Images[J].Color Research & Application，2020，45（6）： 1084-1093.

[2] SUN L，TANG C， XU M， et al.Non-uniform Illumination Correction Based on Multi-scale Retinex in Digital Image Correlation[J].Appl. Opt，2021，60（19）：5599-5609.

[3] BO J， GLENN A.WOODELL D J..Novel Multi-scale Retinex with Color Restoration on Graphics Processing Unit[J]. Journal of Real-Time Image Processing，2015，10（2）：239-253.

[4] GUO X J， LI Y， LING H B.Lime： Low-light Image Enhancement via Illumination Map Estimation[J].IEEE Trans. Image Process，2016，26（2）：982-993.

[5]常戩，任营，贺春泽.改进双边滤波Retinex的多聚焦图像融合[J].中国图象图形学报， 2020， 25（3）： 432-441.

[6] YANG J Y， XU Y W， YUE H J， et al. Low -light Image Enhancement Based on Retinex Decomposition and Adaptive Gamma Correction[J].IET Image Processing，2020，15（5）： 1189-1202.

[7]叶鲁建.基于深度学习和Retinex理论的低照度图像增强算法研究[D].合肥：中国科学技术大学， 2021.

[8] SHEN L， YUE Z H， FENG F， et al. MSR-net：Low-light Image Enhancement Using Deep Convolutional Network[J].[2022-04-40]. https：//arxiv.org/abs/1711.02488.

[9] LV X Q， SUN Y J， ZHANG J J， et al. Low-light Image Enhancement via Deep Retinex Decomposition and Bilateral Learning[J]. Signal Processing： Image Communication， 2021，99：125-130.

[10] LI P Y， TIAN J D， TANG Y D， et al. Deep Retinex Network for Single Image Dehazing[J]. IEEE Transactions on Image Processing： A Publication of the IEEE Signal Processing Society， 2020，30：1100-1115.

[11] VENKATANATH N ， PRANEETH D ， CHANDRASEKHAR B ， et al. Blind Image Quality Evaluation Using Perception Based Features[C]// 2015 Twenty First National Conference on Communications. Mumbai：IEEE， 2015：1-6.

[12] MITTAL A ，SOUNDARARAJAN R， BOVIK A C. Making a Completely Blind Image Quality Analyzer[J]. IEEE Signal Processing Letters， 2013， 20（3）：209-212.