（计算机应用技术专业论文）基于retinex图像增强算法研究与实现.pdf

硕上论文皋于r e t i n e x 图像增强算法研究与实现 摘要 r e t i n e x 理论是一种基于人类视觉系统调节和感知物体颜色和亮度模型而提出的图 像增强理论，其本质思想是从原始图像中估计出照射图像，然后用原始图像减去照射图 像从而得到反应物体本质的反射图像，即图像中物体的本来面貌。r e t i n e x 图像增强方 法可以有效地压缩图像的动态范围，使阴影处的图像细节更加突出，提高图像的对比度， 有效保持图像色彩恒常性等优点。因此在图像增强领域中有着较为广泛的应用。本文亦 将对此理论作深入的研究。 本文实现了几种经典的基于迭代和基于中心环绕的r e t i n e x 图像增强方法，并在颜 色恒常理论的基础上研究这几种r e t i n e x 图像增强方法，在实验过程中使用了图像质量 评价的常用指标来衡量增强效果的优劣。并评价了这几种经典方法在提高图像质量，颜 色保持及计算速度方面的优劣情况，分析了这几种增强方法共同的优缺点，以及各种不 同方法在不同指标下的优劣。 最后本文通过对几种经典r e t i n e x 图像增强方法的分析，详细说明并模拟了经典 r e t i n e x 方法增强时光晕的产生，并提出一种消除光晕现象的r e t i n e x 增强方法。通过实 验结果的分析比较，证实这种新的r e t i n e x 增强方法不仅可以提高图像质量，而且可以 达到去除光晕伪影的目的。 关键词：r e t i n e x 理论、颜色恒常、图像质量、光晕去除 a b s t r a c t t h er e t i n e xt h e o r yi sb a s e do na d j u s t i n gh u m a nv i s u a ls y s t e ma n dp e r c e i v i n go b j e c t c o l o ra n dl u m i n a n c em o d e l ，w h i c hi s p r o p o s e da si m a g ei n t e n s i f i c a t i o nt h e o r y i t se s s e n t i a l 1 d e o l o g yi st h a tw ee s t i m a t ei l l u m i n a t i v ei m a g ef r o mo r i g i n a li m a g e ，t h e nw es u b t r a c tt l l e i l l u m i n a t i o ni m a g ew i t ht h eo r i g i n a li m a g e t h u s ，w ec a no b t a i nr e f l e c t i o ni m a g et h a tc a n r e s p o n s et h ee s s e n c eo fo b j e c t s a n dt h er e f l e c t i o ni m a g ei st h en a t u r ea p p e a r a n c eo ft h e o b je c t si ni m a g e s r e t i n e xi m a g ee n h a n c e m e n tm e t h o d sc a ne f f e c t i v e l y c o m p r e s s e dt h e d y n a m i cr a n g eo fl m a g e s ，t om a k ei m a g ed e t a i li nd i ma r e am o r ep r o m i n e n t ，e n h a n c ec o n t r a s t o fi m a g ea n dm a i n t a i ne f f e c t i v e l yi m a g ec o l o ra n ds o o n t h e r e f o r e ，r e t i n e xt h e o r yh a sa m o r ew i d e s p r e a da p p l i c a t i o ni nt h ei m a g ee n h a n c e m e n td o m a i n i nt h i s p a p e r t h et h e o n r w o u l da l s ob ef o c u s e d t h i st h e s i sf i r s th a v e i m p l e m e n t e ds e v e r a lk i n d so fc l a s s i c a li t e r a t e b a s e da n d s u r r o u n d - b a s e di m a g ee n h a n c e m e n tm e t h o d ， w h i l es t u d y i n gt h e s er e t i n e xi m a g ee n h a n c e m e t h o dw h i c hi sb a s e do nt h ec o l o rc o n s t a n tt h e o r y , t h e nm e a s u r e dt h ea d v a n t a g ea n d d i s a d v a n t a g eo fe n h a n c e di m a g er e a s o n a b l e u s i n gc o m m o ni n d i c a t o r so fi m a g eq u a l i t y e v a l u a t i o nb ye x p e r i m e n t t h i st h e s i sa l s oe v a l u a t e da d v a n t a g ea n dd i s a d v a n t a g eo ft h e s e c l a s s i c a lm e t h o d si ni m p r o v i n gi m a g eq u a l i t y , m a i n t a i n i n gi m a g ec o l o ra n d c o m p u t i n gs p e e d w h i l ea n a l y z e dt h ec o m m o ng o o da n db a dp o i n t so ft h e s e m e t h o d ，a n da d v a n t a g ea n d d i s a d v a n t a g eo f d i f f e r e n ti n d i c a t o r st ot h e i rr e s p e c t i v ed i f f e r e n t m e t h o d f i n a l l y , t h et h e s i sg a v ed e t a i l e dd e s c r i p t i o na n ds i m u l a t i o nt ot h ec l a s s i c a lr e t i n e x m e t h o d w h e ni tm a k e si m a g ee n h a n c e d ，i tl e a d t op r o d u c eh a l o t h e no n em e t h o dt o e l i m i n a t eh a l op h e n o m e n o nh a v e b e e n p r o p o s e d w i t ha n a l y s i s e da n dc o m p a r e dt h e e x p e n m e n t a lr e s u l t s ，t h ee x p e r i m e n th a v ep r o v e nt h a tt h en e wr e t i n e xm e t h o dc a nn o to n l y i m p r o v ei m a g eq u a l i t y , b u ta l s or e d u c eh a l oa r t i f a c t s k e yw o r d ：r e t i n e xt h e o r y , c o l o rc o n s t a n c y , i m a g eq u a l i t y , h a l oe l i m i n a t i o n i i 图表目录硕l ：论文 v i 图表目录 图2 1r e t i n e x 算法基本流程图6 图2 2m a c c a n 算法路径流程图7 图2 3 m c c a n n 算法灰度增强结果一1 0 图2 4 m c c a n n 算法彩色增强结果l1 图2 5 高斯金字塔模型12 图2 6 m c c a n n 9 9 增强结果1 4 图2 7 其他彩色模型下的增强结果1 7 图2 8 在w u 幽中m c c a n n 算法与m c c a n n 9 9 算法结果比较18 图2 9 在j i e 图中m c c a n n 算法与m c c a n n 9 9 算法结果比较19 图3 1 不同尺度的高斯核模型2 3 图3 2s s r 不同尺度的增强效果。2 4 图3 3 在a d o b e 图中儿种r e t i n e x 算法的比较2 6 图3 4 在b o o k 图中儿种r e t i n e x 算法的比较2 6 表3 2 几种r e t i n e x 算法对比度的比较2 7 表3 3 几种r e t i n e x 算法信息熵的比较2 8 表3 4 几种r e t i n e x 算法清晰度的比较2 8 图3 5 在b o o k 图中几种r e t i n e x 算法比较统计图2 9 图3 6 在a d o b e 图中几种r e t i n e x 算法比较统计图2 9 图4 1 模拟光晕的产生3l 图4 2 光晕的产生3 2 图4 3 本文去除光晕算法流程图3 5 图4 4p c a 变换图比较3 8 图4 5m a s k 图像41 图4 6c a n n y 边缘检测4 2 图4 7 增强的亮度图像。4 2 图4 8 在s t r e e t 图中本文方法的实验结果比较4 5 图4 9 在m a n 图中本文方法的实验结果比较4 6 表4 1 本文方法的运行时间比较4 7 声明 本学位论文是我在导师的指导下取得的研究成果，尽我所知，在 本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发 表或公布过的研究成果，也不包含我为获得任何教育机构的学位或学 历而使用过的材料。与我一同工作的同事对本学位论文做出的贡献均 已在论文中作了明确的说明。 研究生签名： 学位论文使用授权声明 南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅 或上网公布本学位论文的部分或全部内容，可以向有关部门或机构送 交并授权其保存、借阅或上网公布本学位论文的部分或全部内容。对 于保密论文，按保密的有关规定和程序处理。 研究生签名： 加7 年“月蛔 硕士论文基于r e t i n e x 图像增强算法研究与实现 1 绪论 1 1 论文的选题背景 科学统计表明，在当今这个信息高度发达的时代，人类从外界获得的信息7 5 来自 于视觉系统，而图像就是视觉系统获得信息的重要来源【l l 。图像经常会受到各种环境因 素的影响如相对运动、光学系统的失真、光照不均等使得图像质量降低，导致人们不易 于观察，计算机处理起来也可能造成严重的错误。因此，必须恢复和提高图像的质量。 图像增强是一大类基础的图像处理技术的总称，内容非常广泛，如图像去噪声，模糊图 像恢复，图像的边缘处理，提取图像中的特征等等。在图像处理过程中遇到图像质量不 高的情况时，经常对此类图像运用图像增强的方法抑制一些没有用的信息，在提高图像 的使用价值后再进行后续的图像处理和应用。因此图像增强技术是图像应用的基础和十 分重要的环节。图像增强是图像处理的一个重要的组成部分，在模式识别【2 】、医学图像 处理1 3 】【4 】等领域有着广泛的应用，一直是图像处理研究的热点。而r e t i n e x 算法，是当 前计算机图像增强中一个热门的研究课题。 传统的图像增强的基本方法有线性变换，直方图均衡化，直方图规定化，同态滤波 等。在直方图拉伸和直方图均衡化后，出现了一个问题，那就是颜色产生了歪曲，即图 像出现了彩色失真。1 9 6 4 年，e d w i nl a n d 5 j 从人类视觉的亮度和颜色感知的模型提出了 一种颜色恒常知觉的计算理论r e t i n e x 理论。r e t i n e x 是一个合成词，它的构成是 r e t i n a ( 视网膜) + c o r t e x ( 脑皮层) = r e t i n e x 。 r e t i n e x 是一种建立在科学实验和科学分析基础上的理论【6 】。它主要包含了两部分内 容：物体的颜色是由物体对光线的反射能力决定的，而不是由反射光强度的绝对值决定 的；物体的色彩不受光照非均性的影响，具有一致性，即r e t i n e x 理论是以颜色恒常性 为基础的。该理论的主要目标就是将一幅给定的图像分解成两幅不同的图像：反射物体 图像和照射光图像，其实质就是从图像中抛开照射光的影响来获得物体的反射性质。与 其它图像增强方法相比，r e t i n e x 算法具有锐化、颜色恒常性、动态范围压缩大、色彩 逼真度高等特剧6 。 目前r e t i n e x 理论已经越来越多的应用到各种图像的增强算法当中，如航空遥感图 像增强【7 】【8 1 ，医学图像增科3 】1 9 】，高光谱图像增强等，并取得了不错的增强效果，为图 像的下一步应用打下了良好的基础。正因如此r e t i n e x 理论将更广泛地应用于数字图像 处理这一领域。 l 绪论硕十论文 1 2 图像增强方法简介 图像增强是指增强图像中有用的信息，其目的是要增强图像的视觉效果。例如：将 原来模糊的图像变得清晰，强调图像当中的某些感兴趣的特征，抑制不感兴趣的特征， 使得图像的质量改善，信息量更加丰富。增强后的图像对于图像的下一步应用提供良好 的条件。 图像增强的目的是改善图像的视觉效果，针对给定图像的应用场合，有目的地强调 图像的整体或局部特性，扩大图像中不同物体特征之间的差别，满足某些特殊分析的需 要。其方法是通过一定手段对原图像附加一些信息或变换数据，有选择地突出图像中感 兴趣的特征或者抑制( 掩盖) 图像中某些不需要的特征，使图像与视觉响应特性相匹配。 在图像增强过程中，如果不分析图像质量下降的原因，那么处理后的图像就不一定满足 应用的要求。图像增强技术根据增强处理过程所在的空间不同，可分为基于空域的算法 和基于频域的算法两大类。基于空域的算法处理时直接对图像灰度级做运算，基于频域 的算法是在图像的某种变换域内对图像的变换系数值进行某种修正，是一种间接增强的 算法。 1 2 1 基于空域的图像增强方法 图像在空域中增强可以用下面的式子来表示： g ( x ，y ) = t ( f ( x ，y ) ) ( 1 2 1 1 ) 式( 1 2 1 1 ) 中g ( x ，y ) 是增强后的图像，t 是空域上的一种变换，坟x ，y ) 是输入的图像。在空 域中的图像增强方法有许多种，其中最常用的有灰度值变换、直方图均衡化、中值滤波、 均值滤波、空间差分法等等。 灰度值变换的方法很多，比如线性变换，分段变换，非线性变换，阈值变换，逆反 处理等等。这些变换方法都是依赖于变换函数，变换函数一旦确定，就会对图像中的每 个像素点的灰度值进行特定的变换。变换函数通常比较简单，常常是一些分段拉伸的函 数，或是线性拉伸函数。由于灰度值变换是一种全局的灰度值调整，因此常常不能取得 比较好的结果，通常用来做一些前期预处理工作。 直方图均衡化是目前使用比较广泛的一种图像增强方法，这种增强算法使用概率论 当中的累积分布函数为基础，对图像的直方图进行修正，直方图均衡化的基本原理是， 当图像中所有的灰度级出现是一个均匀分布时，图像所包含的信息最多。用这种方法可 以使原始图像灰度级比较集中的区域在增强以后均匀分布，因此图像的对比度增大，细 节更加清晰。直方图均衡化是建立在概率论的基础上的，与灰度值变换相比较有着更好 的增强效果。由于直方图均衡化的目的是将灰度值的分布修正到均匀分布上，因此图像 增强以后不同类型的图像在灰度级的分布上比较相似【l0 1 。基于直方图的增强方法还有直 方图规定化、自适应的直方图均衡化等，这些方法都是以直方图均衡化为基础的。 2 硕一i - 论文 基于r e t i n e x 图像增强算法研究与实现 中值滤波是一种减少边缘模糊的非线性平滑方法。它的思想是用邻域中灰度值的中 值来代替图像当前的像素点。邻域中的中值不会受到个别噪声毛刺的影响，因此中值滤 波的结果可以很好的消除冲激噪声，并且中值滤波增强后的图像边缘的模糊情况并不明 显，因此中值滤波的方法也可以迭代使用。 均值滤波也是一种为了使图像更加平滑的图像增强方法。它和中值滤波比较相似， 由于均值滤波是取一个邻域中的狄度均值来取代原来的像素值，它的运算速度要快于中 值滤波。通常均值滤波的邻域范围取3 * 3 或者5 * 5 。均值滤波在清除噪声的同时，同样 也会使图像的边缘变的模糊。 离散空间差分法是用来对图像进行边缘增强，使图像更加锐化的图像增强方法。它 利用各种算子计算出图像中的一阶灰度差和二阶灰度差，用来对图像中灰度对比强烈的 区域进行增强或检测边缘区域。经常使用的算子有r o b e r t s 算子、l a p l a c e 算子、s o b e l 算子、p r e w i t t 算子、c a n n y 算子等。这些算子在使图像边缘锐化的同时也会带来图像对 比度和清晰度的下降。 1 2 2 基于频域的图像增强方法 在频域的图像增强方法主要是利用傅立叶变换，将图像从空域转换到频域，然后使 用各种滤波器对图像进行滤波，完成以后再用反傅立叶变换得到增强以后的图像。用数 学公式表示为： g ( x ，少) = h ( x ，j ，) 宰f ( x ，y ) ( 1 2 2 1 ) 式( 1 2 2 1 ) 中f ( x ，y ) 是原图在傅里叶变换后的频域表示，h ( x ，y ) 是传递函数。最后反 变换得到增强后的图像的公式为： g ( x ，y ) = f 叫lh ( x ，y ) 木f ( x ，y ) l ( 1 2 2 2 ) 在频域增强方法当中传递函数h ( x ，y ) 的选择是最为关键的一步，不同的传递函数会 带来不同的增强效果，因此频域增强方法又分为高通滤波、低通滤波、同态滤波。 高通滤波顾名思义就是让高通信号顺利的通过滤波器，而使低通信号无法通过，经 常使用的高通滤波器有理想高通滤波器、高斯高通滤波器、频域的拉普拉斯算子、巴特 沃斯高通滤波器等等。高通滤波处理后的增强图像有明显的锐化现象。 低通滤波器与高通滤波器相反，使用低通滤波器处理过的图像，会使得图像更加的 平滑并去除了孤立的噪声点。常用的低通滤波器有理想低通滤波器、高斯低通滤波器、 巴特沃斯低通滤波器等等。 同态滤波则是利用亮度反射模型对原始图像进行处理的，增强后的图像在动态范围 上得到了压缩，并且对比度也得到了增强。由于同态滤波是建立在亮度反射模型的基础 上的，因此它对人眼视觉特性的模拟是比较好的。但是实际的情况下，在频域的同态滤 波常常没有一种足够理想的低通或者高通滤波器来计算出反射图像，因此同态滤波的增 l 绪论 硕_ ：论文 强效果并不稳定。 由于频域的图像增强方法都要经过两次频域与空域之间的转换，因此在转换的当中 难免会使图像的信息有所丢失，也使得增强后的图像有时并不能保持良好的特性。 1 3r e t i n e x 图像增强理论的研究现状及存在的问题 第一个r e t i n e x 算法的是l a n d 等人提出的一种随机路径算法【5 】【1 1 1 。基本的思路是 图像中下一个像素的选择是从当前图像像素的邻域中随机产生的。 同态滤波r e t i n e x 方法反射图像对应图像的锐利的细节( 即边缘) ，而照明图像假设 为空间平滑的，一个合理的猜测即照射图像是一个低通的原始图像，用这种方法照射图 像通常是由原始图像与高斯核做卷积而得到的【1 2 】。 基于泊松方程的r e t i n e x 算法也相继被提出，它是以l a n d 的m o n d r i a n 全局模型为基础 的【1 3 1 1 1 2 1 。 m c c a n n 算法【1 4 】是一种基于多重迭代策略i 拘r e t i n e x 算法，单个点的像素值取决于一 条特定路径的环绕的结果，并迭代多次。随后f u n t 又提出y m c c a n n 9 9 算法，使用高斯金 字塔模型进行逐层地迭代【1 5 】。 单尺度r e t i n e x 算法给每个像素在一个尺度内用其尺度内的加权平均代替原有的像 素值。尺度的选取对图像的增强效果有很大的影响。色彩保真度和图像的局部细节很难 同时保证【j 。 多尺度r e t i n e x 算法一定程度上缓解了单尺度r e t i n e x 算法的天生缺陷，既可以保持 图像色彩的保真度，又能保证图像的细节不至于丢失。这个算法是由3 个单尺度r e t i n e x 算法结合而成的【1 6 】【1 7 1 。 近年来基于可变框架的r e t i n e x 算法以r e t i n e x 算法的几个假设为基础，通过对可变 框架模型方程的迭代求解，估计出亮度图像，再用原始图像减去亮度图像来进行增强， 达到了很好的增强效果【1 2 】【1 8 】。 随着数字图像处理技术的不断发展，r e t i n e x 算法的应用越来越广泛，理论也不断地 完善。r e t i n e x 理论由于其具有锐化、颜色恒常性、动态范围压缩大、色彩逼真度高等 特点不断应用于航天遥感图像恢复【7 】f 8 】，医学图像增强【3 】1 9 】，薄雾低对比度图像增剐19 1 ， 车牌识别【4 】等各个领域，有着广泛的应用前景。 r e t i n e x 理论也有着自身的缺点，在明暗对比强烈的边缘处，会出现光晕现象直接影 响到图像的质量【2 0 1 。另外计算量比较大也是一个有待解决的问题。目前很多从事图像处 理研究的专家学者正致力于这方面的研究。 4 硕i 二论文 基于r e t i n e x 图像增强算法研究与实现 1 4 本文的研究目的和结构安排 本文从r e t i n e x 基础理论入手，分析其理论基础，实现了几种经典的r e t i n e x 增强算 法并通过实验对比分析其各自的特点。总结出其增强的优势和存在的问题，对于其存在 的问题分析其原因并提出改进的新方法并通过实验证明新方法的正确性。 具体的每章的主要内容如下： 第一章：绪论，介绍了传统的图像增强方法和r e t i n e x 理论产生和发展的背景，以及理 论目前的发展现状和存在的问题；最后介绍了本文的研究目的和结构安排。 第二章：分析基于迭代的r e t i n e x 算法，介绍r e t i n e x 理论基础，实现两种基于迭代的 r e t i n e x 算法，并对m c c a n n 9 9 算法的不足进行改进。研究基于r e t i n e x 理论在 h s i 空间和y u v 空间对彩色图像增强的方法，并实验与传统方法进行对比分 析。最后通过实验分析对比两种迭代的r e t i n e x 算法的优劣。 第三章：分析基于中心环绕的r e t i n e x 算法。实现最为经典的两种r e t i n e x 算法s s r 和 m s r ，用图像质量评价的客观指标对增强后的图像进行分析对比。最后指出这 种基于中心环绕r e t i n e x 算法不可避免的缺点，为下一章的改进算法打下基础。 第四章：实现去除光晕的r e t i n e x 算法。分析在r e t i n e x 算法中光晕形成的内在原因，提 出一种新的基于中心环绕结合p c a 的r e t i n e x 算法，并达到去除光晕的效果。 最后，通过实验与以上经典的r e t i n e x 方法进行比较分析。判断此种方法在光 晕去除和色彩保持上的性能。 第五章：对全文进行总结，并对以后理论的发展方向进行展望。 2 果于迭代的r e t i n c x硕上论文 2 基于迭代的r e t i n e x 算法 2 1r e ti n e x 理论基础 r e t i n e x 【5 】( r e t i n a ( 视网膜) + c o r t e x ( 脑皮层) ) 是l a n d 和m c c a n n 等人于上世纪7 0 年代提出的一个关于人类视觉系统( h s v ) 如何感知和调节周围物体颜色和亮度的模型。 这个模型解释了一般颜色理论无法解释的人眼对颜色的波长与亮度不是特别对应的现 象。l a n d 通过大量的实验证明物体的表面颜色不会因为光照条件的变化而改变即颜色 恒常性。简单来说颜色恒常就是说无论是在正午的阳光下，白炽灯的灯光下，还是在阴 暗的光照条件下，人类感觉到的同样物体的颜色是一致的。正因如此在进行图像操作时 应当去除光照强度，照射不均等一些不确定和非本质因素的影响，只保留物体本质的反 射性质如反射率等信息。基于这种方法处理的图像可以使图像在边缘锐化、动态范围压 缩和颜色的恒定性方面都有很好的效果。 r e t i n e x 理论的基本思想是将原始图像s ( x ，y ) 看成是由照射光图像l ( x ，y ) 和物体反射 属性r ( x ，y ) 组成的，他们之间可以用公式s ( x ，y ) = l ( x ，y ) 木r ( x ，y ) 来表示；照射光图像l ( x ，y ) 直接决定了幅图像中像素能够达到的动态范围，物体反射属性r ( x ，y ) 决定了图像的内 在性质，因此在原始图像中去除或降低照射图像的影响从而保留本质的反射属性是 r e t i n e x 理论的基本思想。由于r e t i n e x 理论没有一个统一的数学模型，因此，自从l a n d 提出r e t i n e x 理论模型以来，各种不同的r e t i n e x 算法相继出现了。例如同态滤波r e t i n e x 方法、泊松方程r e t i n e x 算法、m c c a n n 算法、单尺度r e t i n e x 算法( s s r ) 、多尺度r e t i n e x 算法( m s r ) 等虽然它们在形式上各有不同，但实质上都比较相似，都是通过某一种平 滑来模拟出照射图像，并通过相对复杂的计算使其尽量的准确。其一般的处理过程如图 2 1 所示。 图2 1r e t i n e x 算法基本流程图 2 2m c c a n n sr e t i n e x 算法 m c c a n n 算法是m c c a n n 和f r a n k l e 一起发明的r e t i n e x 算法【1 4 1 。这种算法提供了在 大动态范围辐射强度的自然环境中，来计算近似的人类视觉系统中的物体。并且处理后 的图像代表了最佳的显示媒体，如摄影，电视和印刷机的动态范围。照片和图像根据上 6 硕上论文基于r e t i n e x 图像增强算法研究与实现 述机制，图像中的每一个像素都要与图像中不同区域的像素进行比较。根据r e t i n e x 理 论，图像的根本属性并不是由反射光强度的绝对值决定的，而是由物体对光线的反射能 力这个物体本身的属性决定的与光源的强度没有依赖关系。因此通过比较各个像素点与 图像中其他区域像素点的相对明暗关系，可以对像素点的像素值进行校正。m c c a n n 算 法的主要步骤有：数据的前期转换，像素间的比较校正和数据的显示。 2 2 1 数据的前期转换 r e t i n e x 理论的基本思想是将原始图像s ( x ，y ) 看成是由亮度图像l ( x ，y ) 和反射图像 r ( x ，y ) 组成的( 如式2 2 1 1 ) ，然后在原始图像中去除或降低照射图像的影响从而保留 图像本质的反射属性。由于乘法运算不好处理，前期的数据准备主要是将原始图像s ( x ， y ) 从整数域转换到对数域，这样就将乘法运算转换为了加减法运算，方便了后期的计算。 为了不出现对数值为负数的情况采用以下公式进行转换( 如式2 2 1 2 ) 。为下一步的像素 间的比较做好准备。 s ( x ，y ) = l ( x ，y ) r ( x ，y )( 2 2 1 1 ) s ( x ，y ) = l 0 9 0 + s ( x ，y ) ) ( 2 2 1 2 ) 2 2 2 像素间的比较校正 m c c a n n 算法的核心思想是通过不同像素之间的比较，来估计图像中照度的变化情 况。因此用于比较的像素的选择就显得尤其重要，参与比较的像素太多则计算量将会非 常大，从而影响算法的执行效率；比较的像素少就不容易代表整个图像的照度特点，就 会影响到图像增强后的效果。因此选择一条非常适合的比较路径进行比较是非常重要 的。m c c a n n 算法选择了一条类似于螺旋结构的路径进行像素比较。 ( 8 ，o ) ( 2 o ) 、 ( o 2 ) n 1、 入，o ) 磊 ( o ，8 ) ( 0 - 4 ) ( 一4 0 ) 图2 2m a c c a n 算法路径流程图 7 2 基于迭代的r e t i n e x硕上论文 m c c a n n 算法的路径如图2 2 所示，首先将输出图像初始化r ( x ，y ) 为常数t 。对于基 准点( o ，0 ) 在一次迭代中路径的开始位置为( s h i f t ，0 ) 点s h i f t 是一个被原始图像的长和宽所 决定的量。s h i f t 的取值满足式( 2 2 2 1 ) 其中n r o w s 和n c o l s 分别是原始图像的长和宽，f i x 是取整函数。在与路径上的两点比较完成后将比较得到的差值存储到，：，( x ，y ) 相应的位 置。s h i f t 将被重新赋值s h i f t = - s h i f t 2 继续比较接下来的两点，直到s h i f t 的绝对值小于l 停止。原始图像中的每个像素点在一轮迭代当中都要经过在这个路径上的比较。从这个 路径上不难看出越接近基准点则参与比较的点越多，离基准点越远则参与比较的像素点 越少，这样的采样点的分布即代表了整个图的照度特点，又体现出了某一单点的照度受 到周围点的影响大于稍远点的特性。 s 历驴= 2 m 醇m 吣r o w s n c m ( 2 2 2 1 ) 在完成上述一次迭代后 ( 训) ：坐掣掣 ( 2 2 2 2 ) 在式( 2 2 2 2 ) 中名( x ，y ) 是上一次迭代完成的结果，巧( x ，y ) 是r o ( x ，y ) 与亮度差的和。 力= 乏戮： 泣2 2 3 ， 越是这一点在路径上的亮度差，m a x 是s ( x ，y ) 的最大值。在经过n 次迭代后+ 。( x ，y ) 就是输出值。迭代的次数n 也会影响最后输出图像的质量和执行的速度，通过实验发现 n 比较小时容易实现大的动态范围的压缩，输出的图像比较尖锐，n 的取值比较大，则 会降低动态范围的压缩，输出图像比较平滑，颜色也比较自然，但是计算量会增加，影 响增强的速度。综合考虑图像质量和运行速度一般n 取值为5 8 之间。 2 2 3 图像输出显示 在经过一系列的迭代比较运算以后，输出的结果厂肿。o ，力是聚集在初始化常数t 周围 的一系列浮点数，并且数据量相当集中。因为数据集中且又为浮点型，所以必须对 + 。( x ，y ) 进行线性拉伸。拿8 位灰度图举例来说，最亮的应是2 5 5 ，最暗的为0 。采用式 ( 2 2 3 1 ) 对输出的+ ( x ，y ) 进行线性拉伸。 8 o p ( x ，y ) =二! ! 兰! 兰! 二里! 呈木2 5 5 m a x - m i n ( 2 2 3 1 ) 其中m i n 为k ，( 工，y ) 中的最小值，m a x 为+ 。( x ，y ) 中的最大值。o p ( x ，y ) 就是最后增 硕卜论文基于r e t i n e x 图像增强算法研究与实现 强后的现实图像。 2 2 4 彩色图像的情况 彩色图像的增强与灰度图像的增强是相似的，同样也是要经过上述的三个步骤。如 果把灰度图像看成是一个二维的像素点阵集合，那么彩色图像就可以看成是三个通道相 独立的二维点阵，这三个通道分别是r 通道，g 通道，b 通道。因此可以在读取图像的 时候将彩色图像的r 分量、g 分量、b 分量分别对出来各自形成一个像素矩阵。然后分 别在r 通道，g 通道和b 通道分别使用上述算法对各个通道进行增强。在最后的输出 显示时再将三个通道组合起来成为r g b 彩色图像即可。 2 2 5 具体的算法流程 1 对输入的图像进行变换将s ( x ，y ) 转换到对数域的s ( x ，y ) 。如果遇到的是彩色图像 则将图像分解成三个通道，再分别转换到对数域当中来； 2 将r o ( x ，y ) 初始化为一个常数t 的矩阵，长宽与s ( x ，y ) 相同； 3 确定s h i f t 变量，当s h i f t 0 时名+ 1 0 厅驴+ x ，y ) = 名( x ，y ) + s ( s h i f t + x ，y ) 一s ( x ，y ) ； + l o ，y + s h i f t ) = 名“力+ s ( x ，y + s h i f t ) s ( x ，y ) ； 4 当 s h i f t 0 时 匕+ l ( x ，少) = ，；i 一幽驴，y ) + s ( x ，y ) -s ( x s h i f t ，y ) ； + , i x ，y j = r o ( x ，y - s h i f t ) + s ( x ，y ) 一s ( x ，y - s h i f t ) ； 5 改变s h i f t ，s h i f t = - s h i f t 2 ； 6 重复3 、4 、5 直到s h i f t 的绝对值小于1 为止： 7 重复3 、4 、5 、6 、n 次； 8 对输出图像进行线性拉伸，如果是彩色图像则在三个通道分别拉伸再组合成彩色图 像输出。 9 2 基于选代的r e t i n e x碰论立 2 2 6m c c a n n 算法结果显示 a ) 原始图像( 迭代2 次增强图像 鲨汹 c ) 迭代5 谈增强图像( d ) 迭代1 0 捷增强图像 叠幽 陶23 m c c a n n 葬法灰度增强结果 图2 _ 3 给出了使用m c c a n n 算法进行图像增强实验的结果。由于左上的原始图像受 到雾气的干扰使得图像的对比度不高图像的质量很低。在采用m c c a n n 算法对图像进 行增强以后图像的质量有了明显的提高。右上角的图像采用2 次迭代，增强后的图像明 显比较尖锐。右下角的图像采用了1 0 次迭代，输出的图像比较平滑，颜色也比较自然， 但是在实验过程中增强的时间明显的延长了。左下角的图像采用5 次迭代，效果基本上 与右下角图像相同，但在处理过程中占用的时间却不长。因此在使用m c c a n n 算法进行 图像增强是迭代次数选取5 是比较合理的1 2 “。 硕士论文基于r e t n c x 圈像增强算浩研究与实现 原始图像 增强图像 图2 a m c c a t m 算法彩色增强结果 图24 给出了使用m c c a r m 算法在彩色图像增强中的应用，从图中可以看出原始图 像对比度很低，并且伴有严重的偏色，很难辨认。增强后的图像边缘比较明显，对比度 提高，消除了原图中的偏色，说明了m c c a t m 算法在彩色图像中也是可以应用的。 2 3m e c a n n 9 9r e t i n e x 算法 m c c a n n 9 9 算法是f u n t 等人对m c c a n n 算法的改进，他实现了一种多分辨率的 m c c a n n 算法，高斯金字塔模型对图像进行分辨率自低向高的逐层迭代，节约了增强的 时间。m c c a n n 9 9 算法与m c c a n n 算法一样都是要经过前期转换像素问的比较。图像 输出显示三个步骤。像素间的比较相对于m c c a n n 算法要复杂一些另外两个步骤比较 相似。 2 3 1m c c a n n 9 9 算法执行的前提与初始化 m c c a r m 9 9 算法对图像的长宽要求比较严格。如一幅w * h 的图像，由于使用的金字 塔模型是以2 整数次幂展开的，因此需将图像的长和宽分解成( c o l2 “) + ( r o w 2 4 ) 的形 式，并且c o l 和l o w 分别为1 至5 之间的整数，c o l 大于r o w 。满足以上的条件才能进行 下一步的计算。由于图像m c c a n n 9 9 算法对图像的要求过于严格以至于大部分的图像不 能直接使用此算法进行增强，本文将在后面的章节中针对此缺点做出改进。m c c a n n 9 9 算法的初始化与m c c a n n 算法一样，将数据转化到对数域计算，并且生成图像r 初始化 位c o l * r o w 的矩阵，矩阵元素都是对数域中原始图像的像素的最大值i n a x 。 群 2 菸于迭代的r e t i n e x 硕十论文 2 3 2m c c a n n 9 9 算法像素间的比较校正 m c c a n n 9 9 算法中像素之间的比较是通过高斯金字塔来完成的高斯金字塔模型如图 2 5 所示。 第一阶 第二阶 第三阶 第n 阶 第n + l 阶 图2 5 高斯金字塔模型 在每一阶比较当中，原始图像将被分块，在第k 阶像素校正状态下原始图像中的像 素每2 州木h 个像素将被合并成一个像素，取其均值为这个像素的像素值。这样原始 图像s 大小变为( 耐z ) 木( 胱z ) 。在第k 阶的像素值校正中每一个像素都与其相邻的8 个 像素进行比较，比较的方法为式( 2 3 2 1 ) ，其中r ( x , y ) 是第n 阶的输出图像在( x ，y ) 点的值， & 伍力是第n 阶的原始图像在( x ，y ) 点的值。工和分分别取( 一1 ，o ) ，( - l ，1 ) ，( 0 ，1 ) ，( 1 ，1 ) ，( 1 ，0 ) ， ( 1 ，1 ) ，( 0 ，1 ) ，( 1 ，1 ) 8 组值，代表了周围8 个点的位置偏移量。 吃( 五力= 罪坞( 训) 飞( 卅 c 肘缈) ( 2 3 2 1 ) 上述的像素校正过程需要迭代n 次，在完成一次迭代后生成图像的受到邻域像素的 影响发生改变，在下一次迭代时受到邻域的影响的范围就会扩大。因此与m c c a n n 算法 相似，迭代次数r l 的选择也是很重要的，其大小与增强的效果的关系和m c c a n n 算法是 一致的。在完成n 次迭代比较后需要为下一阶的像素校正提供初始的生成图像 + l ( x ，少) 。首先将校正后的图像进行平均g 力= 心伉力+ 巧g 瑚2 ，o ( x ，y ) 为像 素校正f j 初始的生成图像屹【x ，y j 。最后对r 【x ，y ) 进行拓展，其目的是将矩阵的行列 数分别扩大一倍，以满足下一阶金字塔的要求，其拓展方式如式( 2 3 2 2 ) 所示。 1 2 硕上论文 基于r e t i n e x 图像增强算法研究与实现 嘲一 11 11 3 3 3 3 2 2 22 44 4 4 ( 2 3 2 2 ) 在n + 1 层的像素比较完成结束后，将结果线性拉伸即可，这与m c c a n n 算法是一样 的。遇到彩色图像时的处理方法与m c c a n n 算法也是一致的。 2 3 3 对m e c a n n 9 9 算法的改进 m c c a n n 9 9 算法对图像的长宽有着很严格的要求，由于使用的金字塔模型是以2 的 整数次幂展丌的，因此需将图像的长和宽分解成( c 0 1 2 ”) 木( r o w 2 ”) 的形式，并且c o l 和 r o w 分别为1