毕业论文-基于同态滤波及多尺度Retinex的低照度图像增强算法

基于同态滤波及多尺度Retinex的低照度图像增强算法摘要：针对在彩色图像采集过程中，光源偏暗或曝光不足等因素常导致图像亮度和对比度偏低问题，提出了一种改进的的低照度图像增强算法。首先用改进的同态滤波增强低照度图像的RGB各分量，然后将RGB图像转换到HSV彩色空间，对饱和度分量S进行自适应非线性拉伸，同时用改进的多尺度Retinex算法对亮度V进行增强处理，用双边滤波函数代替高斯滤波函数对照射分量进行估计，对照射分量L用伽马变换进行校正，对反射分量R用Sigmoid函数进行处理，最后将图像再转换至RGB空间。用Matlab对图像进行仿真处理，实验表明该算法提高了低照度图像的信息熵、峰值信噪比和对比度，提升了低照度图像的视觉效果。关键词：低照度；图像增强；HSV空间；同态滤波；多尺度Retinex中图分类号：TP391.4文献标志码：ALow-intensityimageenhancementalgorithmbasedonhomomorphicfilteringandmulti-scaleRetinexAbstract:Aimingattheproblemoflowimagebrightnessandcontrastintheprocessofcolorimageacquisition,thelightsourceisdarkorunderexposed,andsoon,animprovedlowilluminationimageenhancementalgorithmisproposed.Firstly,theRGBcomponentsofthelow-lightimageareenhancedbytheimprovedhomomorphicfiltering,andthentheRGBimageistransformedintotheHSVcolorspace,andthesaturationcomponentSissubjectedtoadaptivenonlinearstretching,Atthesametimewiththeimprovedmulti-scaleRetinexalgorithmtoenhancethebrightnessofV,TheGaussfilterfunctionisreplacedbythebilateralfilterfunctiontoestimatetheilluminationcomponent.ThegammacomponentisusedtocorrecttheilluminationcomponentLandtheSigmoidfunctionisusedtoprocessthereflectedcomponentR,TheimageissimulatedbyMatlabshowthatthealgorithmimprovestheinformationentropy,peaksignaltonoiseratioandcontrastoflowilluminationimage,andimprovesthevisualeffectoflowilluminationimage.1引言在现实生活中，图像采集或者视频监控应用中，经常会有夜视或背光等低照度的情况，导致所采集的图像亮度和对比度都比较低，图像细节难已分辨，从而影响了图像的识别与判断和信息的提取。所以对低照度图像进行增强处理，提高图像的亮度与对比度，具有很高的研究价值。目前对于低照度图像的增强算法主要有基于直方图的增强方法[1-3]，基于小波变换的增强方法[4-5]，基于同态滤波的增强方法[6-8]，基于Retinex理论的增强方法[9-12]等。直方图均衡化的优点在于无需设置参数，容易操作，但处理后的图像容易产生过增强，导致丢失细节。同态滤波算法是基于照射-反射模型，可以对光照不均、分辨率低的低照度图像进行增强，但比较依赖实验参数，且处理后的图像局部对比度较差。通过基于Retinex理论算法提升后，图像的亮度与和对比度都有了很大的提升；但其中单尺度Retinex(singlescaleRetinex，SSR)由于尺度参数单一，导致图像的细节和颜色保真难以维持比较好的平衡；多尺度Retinex(multiscaleRetinex，MSR)在某些情况下可能会出现图像淡化和色彩失真等情况，MSR会使图像过亮，可能产生“光晕”现象，如果原始图像彩色信息丢失严重，会导致无法还原出原始图像RGB对应的关系。本文针对上述算法存在的缺点，提出了本文算法。首先用改进的同态滤波增强低照度图像的RGB各分量，然后由RGB空间转换至HSV空间，在保持色调(H)不变的情况下，用改进的多尺度Retinex算法对亮度分量(V)进行一系列的增强处理，对饱和度(S)进行自适应非线性拉伸，最后将图像再转换至RGB空间，并通过Matlab仿真实验验证改进算法的优越性。2同态滤波及传递函数2.1同态滤波同态滤波采用图像的照射-反射模型，通过处理照射分量和反射分量来改善图像的质量[13]，其公式为：(1)其中表示要处理的图像，入射分量取决于光照条件，其变化缓慢，属于频域的低频部分，反射分量取决于成像物体的表面特性，主要反应图像的细节信息，属于频域的高频部分。在处理低照度图像时，降低入射分量，增强反射分量，从而达到图像增强的目的。由于式(1)是两个函数的乘积，所以对其两边同时取对数，得到(2)再进行傅里叶变换，得到频域的表达式为：(3)用滤波函数将分离成入射分量和反射分量，可得：(4)滤波后，对式(4)进行傅里叶逆变换，即：(5)对式(5)取指数，即得到滤波后的图像为：(6)可以看出传递函数是影响同态滤波效果的决定性因素。2.2传递函数通常使用高斯型、巴特沃斯型和指数型作为同态滤波的传递函数[14]，但其单数过多，需要经多多次尝试才能得到良好的效果，所以引入一种参数少且能获得较多高频分量的传递函数。改进的传递函数是一种S型曲线的改进，该曲线为： (7)其滤波函数为：(8)其中(9)式(9)表示点到滤波中点的距离。 由式(8)可以看出，只要控制参数,便可以得到最佳的滤波效果。 用改进的同态滤波算法对多幅低照度图像的R、G、B进行处理，得出在参数0.01时，增强效果最明显且与常用的三种方式差异很小。3Retinex算法3.1单尺度Retinex（SSR）1964年，Land首次提出了颜色恒常知觉的计算理论，也称为Retinex理论。根据此理论可以将可以将图像分为两部分：入射分量和反射分量，用公式表示为：(10)Retinex理论基本原理与上文介绍的同态滤波原理相似，通过入射分量来估计反射分量，从而达到图像增强的目的。1997年，Jobson等改进了该算法，提出了单尺度Retinex（SSR）[15]算法。SSR的公式为:(11)其中，表示颜色模型中的颜色通道，表示第i个颜色通道所输入的低照度图像，表示SSR处理后的第i个通道的输出，表示做卷积运算,表示环绕函数，通常采用高斯函数形式，即：(12)其中为归一化因子，由于的积分恒等于1，由此可以计算出，为环绕函数的尺度因子。3.2多尺度Retinex（MSR）多尺度Retinex(MSR)算法是对单尺度Retinex算法的线性加权求和[16]，其数学表达式为：(13)其中，为不同尺度的权值，且满足=1；表示环绕函数尺度次数，通常取3，表示小、中、大三个尺度；表示尺度为时的环绕函数；其余变量含义同式(11)。3.2改进的MSR算法 传统的Retinex算法采用高斯函数作为其环绕函数，本文将MSR算法中的高斯函数用双边滤波函数[17]代替，双边滤波与高斯滤波相比，可以同时增强空域和时域的平滑性，避免了高斯滤波的误判问题，可以更好的保持图像的边缘信息，使得处理后的图像边缘更加光滑连续，还能在一定程度上解决图像的光晕问题。双边滤波函数为：(14)(15)(16)其中，表示滤波器的窗口大小，为邻域内以为中心的像素值，为定义域方差，为值域方差。3.2.2伽马校正为了使图像的色彩更加的自然，使用下述公式，对经过双边滤波处理后的入射分量进行伽马变换：(17)其中为入射分量，为经过伽马变换处理后的分量，和为常数。3.2.2 Sigmoid函数模拟人眼视觉响应的非线性、局部性等特点，获得了较强的动态范围压缩和细节再现能力[18]。设低照度图像是实际图像与干扰项的乘积，表达式如下：(18)为了增强图像的对比度，使处理后的图像更具有可视性，引入Sigmoid函数对反射图像进行对比度拉伸，公式如下：(19)3.3饱和度分量自适应非线性增强当图像的亮度分量增强后，图像的饱和度偏低，为了使图像颜色更加饱满，所以需要对饱和度进行拉伸[19]；而且在不同的环境中获取的低照度图像有很大差异，所以需要对饱和度处理的程度也就不同；因此，本文提出了一种针对于饱和度分量的自适应非线性拉伸算法，其公式为：(20)其中，与分别为拉伸前与拉伸后的饱和度，，和分别为图像对应像素点R，G，B颜色分量的平均值，最大值和最小值。4实验结果及分析本实验在Intel(R)Core(TM)i7-6700HQCPU@2.60GHz2.60GHz,内存8GB，操作系统为Windows10家庭中文版，采用Matlab2015a仿真实现。为了验证本算法的有效性，如图1图2所示，选取了两幅低照度气图像a和b进行仿真实验，图像的大小分别为374×545、348×544。并将改进算法实验结果与MSR算法及文献[13]的田小平算法进行比较，采取主客观相结合的方法对处理后的图像进行评价。图1低照度原图a图2低照度原图b5.1主观评价MSR算法中的参数设置为，小、中、大三个尺度分别为15、70、110，权重均为1/3，图像的处理结果如图3、图4所示：图3MSR算法(a图)图4MSR算法(b图)对文献[13]的田小平算法进行仿真，取，处理后的低照度图像如图5、图6所示：图5田小平算法(a图)图6田小平算法(b图)本文算法的参数设置分为，=3，处理后的图像如图7、图8所示：图7本文算法(a图)图8本文算法(b图) 从上述仿真图可以看出,图3图4中，由于低照度图像明暗对比度比较强,经过MSR算法处理后的图像整体效果得到了一定的增强，但图像对比度过低或过高，视觉效果欠佳，特别是图3存在严重的光晕现象。图5图6为经过改进的同态滤波算法处理后的图像，图像的质量得到了整体的提升，但处理之后的图像整体偏暗。图7图8为经过本文算法处理之后的图像，我们可以明显的看出，图片的亮度和对比度度得到了提高，也使得暗部细节得到恢复，光晕现象也得到了有效的改善。5.2客观评价 从客观评价角度，以图像的信息熵、峰值信噪比(PSNR)、对比度和运行时间的值来对比几种算法。相关数据如表1、表2所示。信息熵是一个图像重要的质量评价指标，PSNR是衡量图像噪声水平的客观标准，对比度是增强后的图像与原图对比度之比，对比度越大，表示增强效果越好。表一，表二为两幅图像的定量评价指标值，原图a信息熵为4.0055，b信息熵为6.6909。表1a图数据统计分析指标信息熵PSNR（dB）对比度运行时间(s)MSR算法5.041022.43145.33621.2443田小平算法5.499725.58077.39513.3226本文算法5.642030.36628.66213.7665表2a图数据统计分析指标信息熵PSNR（dB）对比度运行时间(s)MSR算法7.156019.46204.74371.4837田小平算法7.426723.27516.63584.1264本文算法7.620129.08837.66214.8961 由表1、表2的数据可知，改进的算法的信息熵要高于其它算法，说明经改进后算法处理的图像含有更多的图像信息，细节信息也更加的丰富。另外本文算法的PSNR要远高于前两种算法，说明图像所含的噪声得到了有效的抑制，减小了图像的失真，图像更加的真实自然。在对比度方面，本文算法与前两种算法都有一定的提高。在运行时间上本文算法要略高前两种算法，说明改进算法的复杂度有所提高，这是因为实现步骤的复杂性，运行时间比目前常用算法大约高出12%，但仍具有优势，我们会在后续的研究中继续进行改进。6结语本文提出了一种基于同态滤波及多尺度Retinex的低照度图像增强算法，首先用改进的同态滤波增强低照度图像的RGB各分量；然后在HSV空间中，对饱和度(S)进行自适应非线性拉伸，用改进的MSR算法对亮度V进行增强处理，用双边滤波函数代替高斯滤波函数对照度分量进行估计，然后对入射分量进行伽马校正,对图像进行非线性色调编辑，用Sigmoid函数进行对反射分量增强，提高图像的对比度，最后将图像再转换至RGB空间。仿真实验表明，改进后的算法无论从主观效果还是客观评价都要达到更优的效果，两幅图片亮度和对比度增强效果明显，光晕现象得到了抑制，恢复之后的图片更加的清晰。参考文献[1]CELIKT.Two-dimensionalhistogramequalizationandcontrastenhancement[J].PatternRecognition,2012,45(10):3810-3824.[2]CHENY,FENGP,YANGJ,etal.Anadaptiveenhancementalgorithmoflowilluminecolorvideoimage[J].InternationalJournalofSensing,Computing&Control,2012,2(2):79-86.[3]何畏.基于改进直方图的低照度图像增强算法[J].计算机科学,2015,42(6A):241-242+262.[4]李庆忠，刘清.基于小波变换的低照度图像自适应增强算法[J].中国激光,2015,42(2):280-286.[5]ASMAREMH,ASIRVADAMVS,HANIAFM.Imageenhancementbasedoncontourlettransform[J].Signal,ImageandVideoProcessing,2015,9(7):1-12.[6]肖俊,宋寿鹏,丁丽娟.空域同态滤波算法研究[J].中国图象图形学报,2008,13(12):2302-2306.[7]ZhiChen,GuozhiWang,ShanFeng,etal.Applicationofhomeostasisfilteringinimageprocessingofparticlesfieldholography[J].ActaPhotonicaSinica,2004,33(2):167-170.[8]LANDEH.Theretinextheoryofcolorvision[J].ScientificAmerican,1978,237(6):108-128.[9]LIUHB,YANGJ,WUZP,etal.Afastsingleimagedehazingmethodbasedondarkchannelpriorandretinextheory[J].ActaAutomaticaSinica,2015,41(7):1264-1273.[10]邵振峰，白云，周熙然.改进多尺度Retinex理论的低照度遥感影像增强方法[J].武汉大学学报(信息科学版),2015,40(1):32-39.[11]WANGY,WANGH,YINC,etal.BiologicallyinspiredimageenhancementbasedonRetinex[J].Neurocomputing,2015,177:373-384.[12]QINX,WANGH,DUY,etal.Structuredlightimageenhance