基于自适应分割和多尺度Retinex的图像增强算法*

李雅梅，谢秉旺

（辽宁工程技术大学 电气与控制工程学院，辽宁 葫芦岛 125105）

0 引 言

智慧交通系统（intelligent transportation system，ITS）是指信息技术、云计算、大数据、自动控制等技术融合运用，从而建立起大范围、全方位的综合智能交通管理系统。其中智能行车预警是ITS发展的主要方向之一，现阶段以机器视觉识别为主要预警信息获取方法，而复杂环境下，例如夜间通过车载设备采集的图像因道路照明，车辆灯光，以及周围环境等的影响，会出现强光影过渡和局部高亮的现象，严重阻碍了机器视觉的高效识别，此类图像信息通常需要经过增强、去噪等预处理，以获得较多、准确的预警信息。图像增强是针对不同场景图像，定向突出感兴趣的图像特征、抑制噪声，使图像更符合视觉感官需求或机器视觉标准的处理技术［1］。

为了解决图像增强过程中存在的失真问题，文献［2］和文献［3］通过对亮度图像进行离散小波变换（DWT），对高、低频子带分别进行不同偏向的增强与滤波处理，并对结果进行融合优化，该方法能够快速、有效地实现低照度图像的清晰化，但在强光影过渡区域易出现伪色彩现象。Wang W等人［4］提出通过简化的高斯卷积运算，构建合理色彩空间的方法，以减小Retinex 中估计入射分量的计算量与误差，该方法能够加快算法运行效率并保持图像色彩，但适用于复杂背景下的图像时，容易出现细节模糊等问题。文献［5］提出一种灰度级映射最优化模型，优化了直方图均衡化的色彩效果与计算效率，但对极低对比度图像的增强中无法增强图像的结构信息。文献［6］通过全变分模型估计图像中的入射分量，以改善传统估计方法中存在的阶梯伪影等不足，但估计过程较复杂，算法的实时性较差。文献［7］提出通过LIP模型分解图像为4 个照度区域，进行不同程度的Retinex增强，再以面积为指导进行照度图像融合，有效增强了亮度与细节信息，但因数次的多尺度变换导致算法参数整定过程较为复杂。

针对上述算法在强光影变换，或整体低照度但含有强光照的图像适应性不佳等问题，本文提出了一种基于自适应分割［8］和多尺度Retinex（multi-scale Retinex，MSR）的图像增强算法，通过对原图像进行分割［9］，对强光照和暗影图像分别进行不同参数的增强，对结果进行类多聚焦图像边界加权融合［10］，得到最终的增强图像。

1 本文算法介绍

本文算法首先对采集到的图像数据进行轻微程度的中值滤波，消除图像中孤立的白点、黑点、椒盐噪声以及斑点噪声等。滤波后的图像进行腐蚀、膨胀，再进行形态学重建，增加图像中的前景元素与背景元素连通性，同时分别标记前景、背景图像。对该图像应用分水岭算法分割为高亮度的前景与较低亮度的背景图像，然后应用不同尺度的Retinex算法分别增强前景、背景图像，对增强后的图像进行局部的加权融合［11，12］，得到最终的增强图像。

2 Retinex算法

Retinex算法的理论基础之一是Retinex理论——一种颜色恒常知觉的计算理论，指出传感器采集到的图像数据是由物体本身反射出的环境光形成［13］，存在着一定的偏差，真实图像只由该物体本身的物理属性决定，如图1所示。

图1 Retinex算法的成像原理

在观测物体固定的条件下，其三者关系为

式中 x，y为该像素在图像中的横、纵坐标，S（x，y）为传感器采集的数据；L（x，y）为环境总入射光线；R（x，y）为物体表面反射光线的能力，不随着环境入射光线L（x，y）的变化而变化，即物体本身存在的颜色属性。为方便求得L（x，y），对式（1）两边取对数，得到

由式（2）可得所求通道的反射分量R（x，y）为

式中 i取值R、G、B代表图像的各个颜色分量通道。由上式可知，入射光线分量L（x，y）计算的准确性直接决定反射光线分量R（x，y）的准确性，并最终决定图像增强的效果。因入射光线L（x，y）为低频信号，故采用高斯卷积函数［14］，通过采集的图像数据S（x，y）估计入射光线L（x，y），表示为

将L（x，y）的估计结果代入式（2），得到

式中 r（x，y）即为传统Retinex算法增强后的结果。

3 仿真实验

3.1 中值滤波和形态学重建

采用中值滤波滤除图像中低照度与高景深引起的一类噪声，中值滤波窗口尺寸决定了滤波效果。此处目的在于滤除图像中存在的脉冲噪声，设计窗口大小N为图像宽度的β关联，经过大量实验，最终取参数β ＝0.006，该参数下既能按照预期滤除噪声，又能够很好地保留图像的纹理信息，选取具有代表性的实验结果如图2及其局部放大的图3。

图2 不同窗口尺寸的中值滤波效果

图3 不同窗口尺寸的中值滤波效果局部放大

为提高算法的适用范围，对中值滤波之后的图像按照文献［15］提出的方法与参数进行膨胀、腐蚀操作以进一步连通图像中特征相似的区域，并消除与周围空间存在跳变差异的像素群，实验过程如图4所示。

图4 相似区域连通效果对比

3.2 分水岭分割

经过3.1 节处理后，得到的拓扑地貌，无明显的伪极小值，图形表现出较为集中集水盆地，无明显孤立盆地，盆地边界清晰，以此为源图像，进行分水岭分割，得到分割的前景RH（x，y）如图5（b）黑色区域所示，背景区域RL（x，y）如图5（c）黑色区域所示。

图5 原图、分割后的背景与前景

3.3 Retinex增强

分割后高亮度的前景S1（x，y），以适当降低亮度，突出图像的纹理与细节，恢复局部图像特征为主要目的，所以选取尺度为σ1的高斯模板G1（x，y）对该区域进行滤波运算，估计反射分量并消减，r1（x，y）为高亮前景的定向处理结果

r1（x，y）＝ln［S1（x，y）］-ln［G1（x，y）×S1（x，y）］（6）

分割后低对比度的背景S2（x，y），以增强整体图像亮度，内容的纹理以及边缘信息为主，所以选取尺度为σ2的高斯模板G2（x，y）对该区域进行滤波运算［16］，估计并消减该区域的入射分量，得到反射分量，以此增强该区域对比度等性能参数，实现过程如下式

式中 r2（x，y）为低对比度背景的定向处理结果。由于需要最大限度的保持图像的色彩信息，所以需要对图像的R、G、B通道分别进行处理，则上式中S2（x，y）取值为

式中 i的取值为R、G、B，分别表示图像的R、G、B 3 个颜色通道。将得到的r1（x，y）、r2（x，y）分别从对数域转换到实数域得到阶段性的输出图像R1（x，y）、R2（x，y）。

3.4 加权融合

融合图片的亮区以分割后增强的亮区为主，暗区则以增强后的暗区为主，并在分割的边界处逐步减小彼此权重，以此为基础，构建如下亮区融合加权矩阵

式中 KH为亮区的融合权重；p为该图像中暗区像素占比，q为该图像中亮区占比；xj，yj为该位置由分水岭算法分割后的图像内部边界坐标；xi，yi为该图像内像素坐标，以此通过像素间的空间距离对亮区图像进行加权处理，同理得到暗区融合加权矩阵

式中 KL为暗区的融合权重，其余参数含义式（9）相同。最终增强结果为

为最大限度保留图像的色彩信息以及纹理特性，以上处理分别在图像的R、G、B通道进行，则表示为

式中 i取值为R、G、B，分别代表分割后的3 个通道图像。则最终本算法输出的结果为

式中 RFF（x，y）为最终的输出结果，为三原色（RGB）格式的彩色图像，定义运算⊕为按图像通道顺序依次合并R、G、B数据到该像素位置。

4 对比实验与结果分析

直方图均衡化（histogram equaliation，HE）、处理单尺度Retinex（single scale Retinex，SSR）、MSR与本文所提算法进行测试对比。

4.1 主观评价

如图6 所示，（a）列为数据集中选取出的原始图片；（b）列为经过HE处理的图像，图像的亮度明显增强，小部分暗部细节得以显现，但强光或光源处存在明显的光晕现象，路面较亮处呈现白色，失去图像纹理细节；（c）列为经过SSR算法增强的结果，图中暗部的亮度的得到有效提升，如图中天空区域及树冠部分，但图像整体均存在灰色蒙板；（d）列为经过MSR算法增强的结果，图像色彩丰富，没有明显的亮度过高现象，暗部图像纹理的得到了一定的增强，但是强光区域存在明显的多层光晕，且图像颜色信息存在一定程度失真；（e）列为本文算法的增强结果，在保持色彩与原图基本一致的前提下，很大程度还原了图像真实的色彩信息，在保持图像原本亮度峰值前提下，增强了暗部的亮度，突出图像细节纹理。

图6 实验结果

4.2 客观评价

对上述的增强结果采用峰值信噪比、平均结构相似度以及信息熵作为客观的评价指标进行分析。表1中数据最优项由粗体标出。

表1 评价指标比较分析

由表1 可得，本文算法的峰值信噪比整体优于其他算法，在处理Tree图片时略逊于MSR，但差距甚微，且MSR处理过的图像存在一定程度的色彩失真；本文增强的图像结构与原图最为相似，最大程度保留了原始的图像边缘纹理等信息，对图像结构的破坏性最小；本文算法基本高于其他3 种算法，且图像的色彩还原度较高，细节信息丰富，图像质量更高。

5 结 论

本文提出的一种基于自适应分割和MSR 的图像增强算法，该算法首先使用自适应窗口大小的中值滤波，腐蚀、膨胀等操作，滤除图像噪声、平滑梯度，面向分水岭分割做前景与背景的预先标定，再分别进行不同侧重的Retinex增强。实验结果表明：较其他两种算法，所提算法有效增加了暗部的图像纹理与亮度，并且有效抑制亮区的光晕伪影，表现出了优秀的效果。尽管取得了优异的进展，但因多种算法的融合使用，导致时间复杂度较高，保证增强效果的同时降低其时间复杂度与算法的复杂度是接下来的主要研究方向。