基于改进Retinex算法的低照度图像增强

摘  要：通过对比不同图像增强算法，针对传统图像增强算法无法兼顾色彩、细节以及纹理的同步处理等问题，文章提出一种MSRCR-HIS图像增强算法，融合直方图转换法与MSRCR算法的优势，并将处理后的图像与原始图像进行融合以保留原图细节信息，通过验证，文章提出的算法与经典算法相比，能够有效地改善图像的呈现效果，有利于后续各项实验操作。

关键词：低照度；图像增强；图像融合；多尺度Retinex

中图分类号：TP391.4  文献标识码：A    文章编号：2096-4706（2023）05-0113-04

Low Illumination Image Enhancement Based on Improved Retinex Algorithm

ZOU Liangna

（Xi'an Technological University， Xi'an  710021， China）

Abstract： By comparing different image enhancement algorithms， aiming at the problems that traditional image enhancement algorithms can not take into account the synchronous processing of color， detail and texture， this paper proposes a MSRCR-HIS image enhancement algorithm， which combines the advantages of histogram conversion method with MSRCR algorithm， and fuses the processed image with the original image to retain the details of the original image information. Through verification， compared with the classical algorithm， the algorithm proposed in this paper can effectively improve the rendering effect of images， and it is conducive to subsequent experimental operations.

Keywords： low illumination; image enhancement; image fusion; multi-scale Retinex

0  引  言

图像能够直观的展示物体以及环境，图像获取方式众多，处理技术成熟，已经广泛的渗入到科研以及生活中，但正是由于图像提供的信息之多，从中提取所需的关键信息摒除冗杂信息与干扰，变得至关重要，这需要图像的质量达到一定的要求。由于图像采集过程中各种不可控因素，特别是在室内照明、夜间照明、阴天等不利条件下，图像采集系统所采集的图像往往存在缺陷，在这些不利条件下，目标表面的反射较弱，并且由于存在噪声而使颜色失真，从而导致图像质量严重下降，使图像无法最大化发挥其作用。因此，如何在低照度条件下获得清晰的静止或运动图像已成为亟待解决的问题。图像增强技术提供了一种可能的解决方案，图像增强不仅满足了对更好视觉体验的需求，还提高了图像的可靠性和鲁棒性，使图像处理系统更容易分析和处理图像。

对于图像增强算法，众多科研人员提出了很多创新可行的方法。DU等人提出了一种新的医学图像增强算法。采用对比度限制自适应直方图均衡（CLAHE）来提高全局对比度；使用低频分量和几个高频分量来增强边缘细节。Alismail等人提出了一种算法，用于在具有挑战性的光照条件下进行鲁棒和实时的视觉跟踪，其特征是光照不足和光照突然剧烈变化。为了解决低照度条件下的视频监控问题，Zhi等人提出了一种新的基于光照调整结合引导滤波和“S曲线”功能的非均匀图像增强算法，用于煤矿环境。Malm H等人突出一种极低光线视频的自适应图像增强算法，实现了对动态视频图像的实时增强，提高了图形增强算法的適用领域。Jim H等人将小波变换应用于图像处理过程中，并将不同参数处理后的图像进行融合来达到增强夜间图像的目的。

图像增强是各个领域普遍存在的问题，如何增强低照度或光照不均匀的图像需要进一步研究。

1  传统低照度图像增强算法

传统的图像增强算法有基于Retinex理论的SSR算法、MSR算法、MSRCR算法以及直方图变换法等。Jobson等人在Land等人建立的Retinex照明反射基础上，提出了一种单尺度Retinex算法，即SSR算法，对图像进行单尺度的变换与调整从而达到对图像的整体增强，由于处理尺度单一，因此图像质量不高，会出现亮度提高但细节丢失严重、颜色失真等问题；该算法经过延伸发展为多尺度Retinex算法，即MSR算法，融合多尺度处理的结果，能够使图片呈现出更好的效果，但是会存在亮度过高，颜色失真的现象；在此基础上通过引入色彩参数对图像的颜色进行修正，这就是带颜色恢复的MSRCR算法，图像的色彩饱和度有了明显的提升，但是会产生光晕的现象；直方图转换法是使用最广泛的一种图像增强算法，通过构造映射函数，实现图像像素的再分配，使得集中在某一区域的像素值尽可能的分布在较广的范围，从而增强图像的对比度，但是强制的像素扩展会导致图像细节丢失，颜色失真，色彩饱和度不高。

针对传统的低照度图像增强算法所存在的问题，文章将结合直方图转换法和MSRCR算法的优势，提出一种将直方图转换法与MSRCR算法相结合，并将处理后的图像与原始图像高频分量进行融合的MSRCR-HIS算法，在保留原图细节的同时，本文算法平衡了整个图像的颜色，并发现了以前在暗区不可见的细节，从而显著提高了图像质量。通过验证，改进后的算法具有较高的清晰度、峰值信噪比以及较低的结构相似性。本文可为未来关于低照度图像增强的研究提供新思路。

2  MSRCR-HIS算法

针对传统的低照度图像增强算法所存在的问题，本文将综合直方图转换法和MSRCR算法的优势，提出一种将直方图转换法与MSRCR算法相结合，并将处理后的图像与原始图像进行融合的MSRCR-HIS算法，通过验证，改进后的算法具有较高的清晰度、峰值信噪比以及较低的结构相似性。

2.1  MSRCR-HIS算法流程图

本小节将对本文提出的MSRCR-HIS算法处理彩色图像的具体步骤进行介绍。具体算法流程图如图1所示。

2.2  MSRCR-HIS算法原理

2.2.1  高频分量提取

图像的高频部分能够提供更多的信息，对图像亮度的提升以及边缘信息的提取至关重要，对整体的呈现效果影响巨大。本文选取高斯函数作为参与计算的中心环绕函数，依次将每个色彩通道与高斯函数进行滤波，以此来提取原始图像中的高频部分。高斯函数为：

低通滤波公式为：

其中Ii （x， y）表示输入图像的第i个光谱色带HIS，*表示卷积运算。

2.2.2  色彩空间的再分配

为了进一步实现色彩空间的均衡化，抑制光晕现象，借助映射函数将图像三个尺度下的色彩映射到另一个分布上从而实现色彩值的重新分配，传统的对RGB色彩空间进行操作，会使得图像色调发生变化，因此此处依旧是在HIS色彩空间进行色彩值得再分配，亮度（I）和饱和度（S）尺度的处理公式为：

2.2.3  多尺度图像融合

将处理后得到的图像金字塔从第二层起的每一层图像进行上采样以及高斯卷积，然后与其下一层图像相减，得到的残差图像就是拉普拉斯分解图像。计算公式为：其中，gas表示高斯卷积函数，Gas表示高斯金字塔，Lap表示拉普拉斯金字塔，*表示卷积运算。将得到的拉普拉斯金字塔对应图层上的图像进行融合得到HIS彩色图像。

对应图层的融合公式为：

，

其中，Hn （i， j），Sn （i， j）分别表示第n幅图像（i， j）位置上的色调和饱和度

3  实验结果与分析

3.1  主观评价

经过图像直观对比可以发现，经过处理之后的图像质量均有所提升，处理结果如图2所示，依次为原图，经过MSR、MSRCR、AHE、MSRCR-HIS处理后的图像，MSR算法处理后的图像亮度明显提升，但是过分集中处理亮度导致图像雾化，细节丢失严重；MSRCR算法处理的图像色彩饱和度优越，雾化现象得到很好的抑制，但有光晕现象的存在；直方图变换法对清晰度的提高比较明显，但对色彩的处理不够细致；本文算法能够较好的保留图像细节信息，增强图像呈现效果，且有效的消除了光晕现象的出现。

3.2  客观评价

不同的算法具有不同的图像增强焦点，主观评价难以展示足够的客观性，为了使评价结果更加的客观准确具有说服力，本文选择清晰度（SMD2）、结构相似性（SSIM），峰值信噪比（PSNR）作为评价指标。

3.2.1  清晰度（SMD2）

清晰度作为最直观的评价指标，在图像评价中具有非常重要的地位，本文选择SMD2作为清晰度的评价指标，计算公式为：

清晰度指标得分越高，说明图像的清晰度越高。

3.2.2  结构相似性（SSIM）

该指标可以看作是处理后图像的影像品质衡量指标，亮度模块、对比度模块以及结构模块是SSIM评价系统的三个重要组成部分，计算公式为：

其中μx，μy表示平均灰度，σx，σy表示标准差。结构相似性指标得分越低，表示图像与原始图像相比图像质量越高。

3.2.3  峰值信噪比（PSNR）

评价图像质量最常用的指标是峰值信噪比，单位为分贝，计算公式为：

其中MAXI表示图像峰值像素值，峰值信噪比指数标得分越高，说明图像信息保留的越完整。

图像数据集处理后的评价指标平均值如表1所示。

通过各个指标分析来看，在清晰度方面，经过处理后图像的清晰度都有一定程度的改善，但是可以看出本文算法对图像清晰度的改善能力要远远超过其他算法；在图像质量方面，处理之后的图像质量都要优于原始图像，其中本文算法处理后的图像质量最高；在峰值信噪比方面，MSR以及MSRCR算法的得分较低，說明较之原图失真度偏高，直方图转换法和本文算法得分较高，说明较之原图失真度很低，其中文章算法要略优于直方图转换法；

为了进一步对比文章算法与其他算法的性能，此处选取图3图像经过各个算法处理之后的直方图如图3所示，依次为原图，经过MSR、MSRCR、AHE、MSRCR-HIS处理后的图像直方图。通过图3直方图的对比我们可以看到，原始图像的像素过多的集中在低亮度范围，图像呈现的效果就是亮度低，图像不清晰；MSR算法处理后的图像像素过多的集中在了高亮度范围，图像呈现的效果就是亮度过高，产生曝光现象，这也符合MSR算法会产生光晕的现象；MSRCR算法处理之后的图像像素分布明显得到了改善，变得均衡但是仍旧有过多的像素分布在高亮度范围，会导致图像会在细节部分丢失；直方图转换法处理后的图像像素明显分布更加均匀，表现为图像清晰度的提高，但整体亮度范围的像素值很低，图像的色彩饱和度得不到保证；MSRCR-HIS算法处理以后的图像像素分布均匀，表现为图像的清晰度高，细节信息保存完整，色彩饱和度高，充分证明了文章算法的优越性。

4  结  论

文章针对低照度图像的增强问题，基于光反射模型和多尺度理论，提出了一种将传统MSRCR算法与直方图转换法相结合并与原图高频分量进行融合的MSRCR-HIS算法。实验表明，文章算法在保留图像细节信息的同时，比经典算法更好的平衡了图像的颜色，提升图像的对比度以及清晰度，图片的色彩也得到了较好的恢复，有更好的呈现效果。同时文章提出的算法能够呈现原始低照度图像黑暗区域看不见的细节，显著提高了图像的质量。与传统算法相比，具有较高的清晰度，峰值信噪比以及较低的结构相似性。并验证了文章算法在极低照度图像中的应用，体现了文章算法的优越性，可为未来关于光照不均匀的图像增强研究提供新的思路。文章算法需要进一步的提升运行速度，扩展应用场景，例如动态视频增强。

参考文献：

[1] 高古学，赖惠成，刘月琴.结合CLAHE和改进MSRCR的沙尘图像增强 [J].计算机仿真，2020，37（8）：157-161+430.

[2] TIAN X，LIU R，WANG Z Y，et al.High quality 3D reconstruction based on fusion of polarization imaging and binocular stereo vision [J].Information Fusion，2022，77：19-28.

[3] LAND E H，MCCAN J J. Lightness and Retinex Theory [J].Journal of the Optical Society of America，1971，61（1）：1-11.

[4] IMMANUEL K，DINESH K A，PRAVEEN K E. Enhanced Intelligent Automated Method to MSRCR Algorithm for Image Enhancement [J].International Journal of Engineering and Advanced Technology，2020，9（3）：1398-1401.

[5] ZHANG W，DONG L，PAN X，et al. Single Image Defogging Based on Multi-Channel Convolutional MSRCR [J].IEEE Access，2019，7：2169-3536.

[6] 崔旭東，杨有.结合HE和改进MSRCR的交通雾霾图像增强 [J].重庆师范大学学报：自然科学版，2018，35（1）：100-106.

[7] 周佐，张静.基于同态滤波与直方图均衡的沙尘图像增强研究 [J].信息与电脑：理论版，2020，32（23）：61-64.

[8] 宋喜娟.微光彩色图像增强算法研究 [D].西安：中国科学院大学（）中国科学院西安光学精密机械研究所）.

作者简介：邹良娜（1996—），女，汉族，山东日照人，硕士研究生在读，研究方向：图像处理。

收稿日期：2022-11-06