【《夜间视频增强算法的实践探究报告》6700字】

夜间视频增强算法的实践探究报告目录TOC\o"1-3"\h\u158501.1引言 [36]。因此，本文考虑使用有限对比度自适应直方图均衡（CLAHE）。CLAHE是在AHE算法的基础上改进后获得的算法。这个算法控制了每一个图像子区域的对比度，能够解决AHE中噪声过高的问题。对像素值周围对比度进行放大的程度主要是取决于变换函数的斜率。这个斜率和每个特定区域的直方图斜率成比例。CLAHE在计算前先用预定义的参数值对直方图进行裁剪，限制对比度放大的幅度。但是CLAHE算法也并不是简单地把直方图直接裁剪，而是在裁剪掉超出预定数值的直方图部分同时，把这些裁剪掉的部分再均匀分布到整个直方图上，这样能够保证直方图裁剪前后的总面积保持不变。裁剪和拼接的原理如下图：图3-SEQ图\*ARABIC13直方图均衡原理示意图对多尺度细节增强后的I’分量进行CLAHE变换后的效果如下图。可以明显看出图像的对比度变高了，亮区和暗区对比明显，合成至RGB图像后表现为图像的亮度有了明显提高，图像细节也保持良好，输入图片暗区中的建筑、行人、树木等物体在进行增强后轮廓变得清晰可见。图3-SEQ图\*ARABIC14CLAHE增强前后对比（c）灰度拉伸经过CLAHE算法改善后的图像亮度有了明显提高，但依然没有达到白天拍摄的亮度效果，若原图管线较暗且本身色彩较深则增强效果一般。于是考虑到在CLAHE算法的基础上再叠加一次灰度变换，对亮度分量I进行二次拉伸。灰度变换常用的方式有：对数变换、幂率变换、灰度拉伸等方法。在本文中，我们选择使用对数变换进行增强。对数变换主要的作用就是把图像的低灰度区域增大，把高灰度的区域缩小，这样可以达到突出图像低灰度部分的效果，也就增强了图像的亮度。变换的方式由下式给出： （3-11）这里的是对数变换的底数，对于不同的底数，有不同的变换曲线（图3-15），v值越大，则曲线弯曲程度越大，对图像的增强效果也就越强，如图：图3-SEQ图\*ARABIC15v值与变换曲线图3-SEQ图\*ARABIC16不同v值对I分量的增强效果对I分量进行细节增强、CLAHE变换和对数变换后的结果如图5，可以观察到图像整体亮度有了显著提高，图像的细节信息更加丰富，原图中由于背景过暗，导致树木和左下角凉亭难以辨认，增强后物体清晰地显现出来，且保持了图像中原本的明暗关系，没有出现失真和噪声的现象，增强效果较好。原图对数变换图像图3-SEQ图\*ARABIC17原图与对数变换图像的对比（d）结果分析从主观角度来说，基于同态滤波增强的I分量亮度明显高于原图和基于空域增强的I分量，图像的整体亮度获得了显著提升。在提升亮度的同时，基于同态滤波增强的图像保留了较好的图像细节，如图中云的纹路，松树的枝干等细节更加清晰，增强效果明显高于基于空域增强算法。从客观数据来看，基于空域增强算法的平均亮度和平均梯度均得到了大幅度的提升。平均梯度甚至超过了基于同态滤波算法的2倍，说明此算法对图像的清晰度有了巨大改善。不论是从主观观察结果还是客观数据分析，基于空域的增强算法的增强效果都要明显好于基于同态滤波的增强算法。因此，在后续对视频的增强算法中，本文选用了基于空域的I分量增强算法。原图I分量基于同态滤波增强的I分量基于空域增强的I分量图3-SEQ图\*ARABIC18原图与两种算法增强后I分量的对比熵值平均梯度平均亮度原始图像6.22852.816744基于同态滤波增强6.77001.029453基于空域增强7.06177.8884118表格3-9原图与两种算法增强后I分量的客观数据对比原图基于同态滤波增强的图像基于空域增强的图像图3-SEQ图\*ARABIC19原图与两种算法增强后图像的对比熵值平均梯度平均亮度原始图像5.41711.768418基于同态滤波增强6.90064.505152基于空域增强7.45208.0915118表格3-10原图与两种算法增强后图像的客观数据对比1.3.3饱和度分量（S）增强若仅对I分量进行调整容易出现色彩过度饱和的现象，因此对图像饱和度分量的处理要考虑适当降低饱和度，以达到视觉上更加舒适自然的效果。本文讨论了两种增强饱和度分量S的方法，分别是伽马增强和分段线性增强。（a）伽马增强伽玛变换常常被用于调整图像的动态范围以增强对比度。对于特定图像或图像的特定区域，伽玛函数参数值的选择很重要。例如，较小的Gamma值（<1）可用于增亮场景的黑暗区域，而较大的Gamma值（>1）适用于过度曝光区域的对比度增强。伽马变换的公式如下： （3-12）其中Iin和Iout分别是输入图像和输出图像。显而易见，γ值较小（γ<1）时，Gamma变换有益于改善图像中暗区的亮度和对比度，但是亮像素可能会被裁剪；相反，较大的γ值（γ>1）可以恢复曝光过度区域的细节，但是黑暗区域可能不可见。不同的Gamma值对应的不同变换曲线图3-20所示。图3-SEQ图\*ARABIC20Gamma值对应的变换曲线在本文中，由于要降低饱和度，也就是要降低饱和度分量S的对比度，因此选择的Gamma参数大小为1.2，增强后的图像效果如下图，人眼观察与增强前对比不明显，但可看出色彩饱和度有所减少。增强前增强后图3-21Gamma增强前后对比（b）分段线性增强 线性变换是对图像进行灰度变换的一种常见方式，通过线性拉伸图像的灰度达到图像增强的效果，其公式为 （3-13）其中，表示原图的像素值，表示增强后的像素值，k为斜率，b为截距。但线性拉伸是对整个图像进行调整，无法针对局部的情况进行增强，于是在此基础上又产生了分段线性拉伸算法。分段线性函数经常被用来增强图像对比度。这个方法其实就是对原图各个部分分别进行增强，也就是在增加图像中某些选定的灰度区域的同时，抑制其他的灰度区域。与简单的线性拉伸相比，分段的灰度拉伸算法更加灵活，这种方法可以直接控制输出直方图的灰度分布，可以自行选择某一段灰