【《利用Retinex增强视频图像的案例分析》4300字】

利用Retinex增强视频图像的案例分析目录TOC\o"1-3"\h\u14315利用Retinex增强视频图像的案例分析 1291631.1直方图均衡化 192591.2Retinex图像增强 3304921.3Retinex算法的改进 5250651.1.1改进思想 6216531.1.2实现步骤 824381.4实验结果分析 1144231.5在图像增强中的应用 16240601.6GUI界面 211.1直方图均衡化在第一部分介绍了直方图均衡化的图像增强算法，主要是通过统计灰度值出现的频率并进行调整，是图像灰度变换中最常用的方法之一，通过调整图像灰度值的动态范围，提高图像对比度，丰富图像细节。利用直方图均衡化对图像进行增强，均衡后的直方图结果如下图(1.1)所示：图1.1均衡化后的直方图图1.2直方图均衡化图像增强对比图直方图均衡化的图像结果如下图(图1.2直方图均衡化图像增强对比图由实验结果图(1.1)可得，均衡化后的图像直方图分布均匀，从图像结果(1.2)上看，图像对比度提高，图像整体变亮，被暗光遮挡的图像细节也显示出来，但是直方图出现灰度级大量减少，图像出现过曝，模糊、失真并且不自然，大部分细节信息丢失。1.2Retinex图像增强（1）SSR图像增强第二章中介绍的单尺度Retinex算法原理中可知，SSR算法的实验效果主要受高斯函数中尺度𝞼的影响，𝞼的不同会影响操作邻域的大小，从而决定像素周围的像素点对该像素的作用强度，𝞼控制着算法对图像色彩和细节的作用效果。不同尺度的SSR算法图像增强实验结果如下图(1.3)所示：图1.3不同尺度增强结果对比由结果图可得，不同尺度的选择对图像的作用效果不同，当选择的尺度较小时，图像阴影部分的一些细节被加强，图像整体仍较暗，出现发灰、色调变浅等现象；当选择的尺度较大时，图像暗部细节信息显示出来，整体偏亮，但原图中较亮的部分在经过算法增强后出现颜色失真现象。SSR处理图像时较为简单和快速，但是在图像整体增强效果上有待提高，能增强图像细节，调整图像亮度等，但与此同时可能伴随着图像发灰、阴影部分偏暗以致细节丢失等现象，单个尺度无法同时兼顾图像细节增强、亮度改善、色彩保持等。（2）MSR图像增强在SRR算法的基础上，提出MSR算法，单个尺度无法平衡细节增强和整体视觉提高的不足，引入多个尺度进行改善。在实验中，选取大、中、小三个不同范围的尺度对图像进行处理，𝞼分别为30、80、200，各尺度的比重为1/3。MSR算法的图像增强实验结果如下图(1.4)所示：图1.4MSR算法图像增强对比图由实验结果图(1.4)可得，图像的暗部信息显示出来，原图中较暗的部分亮度得以提高，较亮的部分也没有出现过曝，在细节信息增强、明暗比例、整体效果上与SSR相比好一些，但仍然出现了颜色失真现象，这是因为多尺度多通道卷积运算下，MSR无法协调各颜色通道的比例，导致结果失真。（3）MSRCR图像增强MSRCR算法在MSR算法的基础上加入一个色彩恢复因子，用于计算原图像中RGB各颜色通道的比例，并调节增强后图像的各通道的比例，以达到颜色恢复的目的,𝞫=2，𝞪=1，𝞼分别为30、80、200，各尺度的比重为1/3。MSRCR算法的图像增强实验结果如下图(1.5)所示：图1.5MSRCR算法图像增强对比图从图(1.5)中可得，MSRCR算法处理后，图像的信息基本得以加强和显示出来，图像的颜色也得到保持恢复，亮度得以调节，但是整体上较为模糊，图像也有偏灰的趋势，但与图(1.4)的MSR算法增强结果相比，在信息增强，颜色恢复方面有较大的改善。1.3Retinex算法的改进对于视频处理，增强其视频图像，改善视频图像的质量能从整体上提高视频的视觉效果，通过读取视频，分帧处理，合并分帧，对帧进行图像增强处理即可以对视频进行增强，最重要的环节是利用算法对视频图像进行改善增强，在通过对Retinex理论的学习、经典算法的研究分析后，为获得视觉效果更佳的视频图像处理结果，对MSR进行了进一步的处理并称之为MMSR，将其与上文介绍的经典Retinex算法实验结果从主观和客观的角度进行对比分析。1.1.1改进思想对于Retinex理论而言，由公式(2.6)可得，图像增强的实质是估算图像中的光照分量并将其去除，以获得图像原本的反射分量，让图像从细节上，视觉体验上得以提高，符合人眼视觉要求，但一次性去除全部照度分量可能会导致图像信息、色彩丢失等，由此提出，将照度分量进行二次处理，用两次滤波处理后的照度分量进行照度去除，可以保留一些原始图像中的亮度细节信息。高斯滤波是一种平滑滤波器，用于消除图像中的噪声，主要方法为，对固定尺度模板内的像素进行加权平均，并将此值作为改模板内中心像素的值。图(1.6)为不同尺度的高斯函数曲线图：图1.6不同尺度的高斯函数曲线图由高斯函数曲线图可得，尺度越大图像动态压缩范围越大，图像噪声消除、平滑力度更大，尺度越小，图像的对比度就会被提高，平滑力度小，细节信息保持较好。传统MSR算法的一次滤波，是从原始图像中将经过高斯滤波后的照度分量全部减掉，则输出图像的亮度等于原始图像的亮度减去经过高斯模板加权平均后的亮度，对于明暗差别较大，亮度不均匀的图像而言，一次滤波过后的照度分量仍然不均匀，在后续的去除照度分量过程中并不能很好的从原图中消除光照对图像不均匀照射、明暗差别较大的影响，在Retinex算法中求解照度分量需要将高斯函数与图像进行卷积，尺度小时算法效率高，但面对尺度较大时计算量大，导致算法效率较低，两次滤波处理后的照度分量已趋于平缓均匀，能较好的对图像亮度进行补偿和调整，所以均衡算法效率，图像增强效果对照度分量进行两次滤波处理。以图像“Lena”为例，显示不同次数滤波过后照度分量的不同，如下图(1.7)所示。图1.7lena图两次滤波结果对比图由图(1.7)可得，一次滤波后的结果是图像中原始亮度信息，因为原图亮度不均匀，明暗差距较大，所以一次滤波过后，Lx,y图像中的灰度变换是动态的，如果用该照度分量对图像进行处理，得到的图像仍然亮度不均匀，增强效果不佳。于是进行二次滤波，二次滤波后的L1(x,y)中亮度变换平缓，因为去除了Lx,y中的高频部分，所以得到了一个较1.1.2实现步骤（1）、读取视频，进行分帧；（2）、读取帧图像，提取图像的R、G、B通道分量，将其转换为浮点数据类型，并化到对数域中；（3）、选择大、中、小三个尺度因子对每个通道的照度分量进行估计，两次卷积运算为最终的照度分量，将照度分量转换到对数域中；（4）、根据公式2.8求解各通道反射分量；（5）、将求解得到的各通道反射分量合并，转换到实数域中，得到反射图。上述方法对图像进行处理后的结果如下图(1.8)所示：图1.8两次滤波图像增强对比图结果图(1.8)可得，b)在亮度提高，细节增强方面取得了较好的效果，并且一定程度上避免了图像颜色失真，图中的主体突显出来，暗部亮度得到补偿改善，提高了视觉效果。为了加强细节，使图像中的物体更为清晰和突出，利用拉普拉斯算子对输出图像进行边缘增强。拉普拉斯算子能很好的检测到边缘信息并且进行增强，对于提高图像对比度、增强图像边缘等细节信息有明显的效果。拉普拉斯锐化后的图像结果如下图(1.9)所示：图1.9锐化增强对比图经过对比可得，b)图像细节更加明显，对比度提高，图像中的物体更加突出和清晰，视觉效果更佳。MMSR基本流程为下图(1.10)所示图1.10MMSR流程图1.4实验结果分析原始图像直方图均衡化原始图像直方图均衡化SSRMSRf)MMSRe)f)MMSRe)MSRCR从主观视觉对实验结果进行评价，b)直方图均衡化算法和e)MSRCR算法亮度最高，图像中的细节展示最丰富，但是图像严重失真并且模糊，导致增强后的图像效果不佳，整体上看背景太过模糊，图像花乱；对于c)SSR和d)MSR算法而言，处理后的图像亮度提高，暗部环境得到改善，一些暗部的物体、人物被还原和凸显出来，但图像整体仍然暗，图像中的人物背景等看不太清并出现色彩失真现象；相比之下，本文方法处理后的图像f)，图像亮度改善，图像中的大部分物体显示出来，细节信息得到增强，图像明暗恰当，色彩正常，符合人眼视觉要求，从整体上看，无论是图像信息的增强、亮度改善，还是色彩的保持还原等方面，图像f)的视觉效果更好，利用客观的图像质量评价标准对图像进行评价，对图像进行评价的客观指标一般有图像的均值，标准差，信息熵等。（1）图像均值通过计算图像中的像素平均值获得，是图像亮度的评价标准，图像质量得到提高，则平均亮度也相应提高，均值也相应变大；（2）标准差反应的是图像像素灰度值与均值的离散程度，图像的质量越好，则灰度级分散均匀，标准差也越大；（3）信息熵是是指图像所携带的平均信息量，图像中包含的信息越多，信息熵也越大；综上，图像均值、标准差、信息熵变大，图像的质量就得到增强和改善。结果图中直方图均衡化和MSRCR算法的实验结果严重失真，已不符合人眼观察的标准，所以基于原始图像，SSR算法，MSR算法及本文方法的实验结果图计算均值、标准差、信息熵进行客观评价，结果如表(1.12)所示：表1.12客观评价指标数据方法均值标准差信息熵原始图像6.419518.67521.5793SSR11.239015.96584.1866MSR12.648018.60024.4138MMSR21.369321.92465.6047由表(1.12)数据可得，MMSR的三个评价指标都大于其他方法，综上无论是主观视觉方面，还是客观指标评价方面，图像的质量都得到了改善和提高并且优于其他算法。原始图像SSRMSRM原始图像SSRMSRMMSR图1.13图像增强结果示例1原始图像SSRM原始图像SSRMSRMMSR方法均值标准差信息熵原始图像29.066427.56076.1723SSR57.208348.06847.1942MSR56.025547.23047.1602MMSR65.332350.74657.3475图1.15图像增强结果示例2表1.16示例2客观评价指标数据方法均值标准差信息熵原始图像8.954411.76501.0830SSR28.955944.93345.4522MSR29.769145.21465.4694MMSR49.338549.35676.7544原始图像SSRM原始图像SSRMSRMMSR表1.18示例3客观评价指标数据方法均值标准差信息熵原始图像19.294021.60065.5916SSR35.500534.27326.3628MSR36.991435.25416.4296MMSR62.792544.79147.3048原始视频图像1MSRM原始视频图像1MSRMMSRSSR原始视频图像4原始视频图像3原始视频图像4原始视频图像3图1.19视频图像增强结果图示例1原始视频图像2表1.表1.20视频图像增强结果示例1客观评价数据方法均值标准差信息熵视频图像118.670436.00315.0221SSR38.467350.07056.2941MSR31.918045.67585.9144MMSR48.824551.45696.8641方法均值标准差信息熵视频图像217.526234.18484.9152SSR37.233249.00046.2310MSR30.895444.70165.8428MMSR49.001754.23816.8494方法均值标准差信息熵视频图像321.019837.45145.2129SSR41.501751.66056.5107MSR36.009749.10496.1115MMSR51.866655.85276.9564方法均值标准差信息熵视频图像421.188536.61335.2313SSR41.169252.47146.5182MSR35.646147.73906.1319MMSR51.267354.91656.9590原始视频图像原始视频图像2原始视频图像1原始视频图像3SSRMSRMMSR原始视频图像4图1.图1.21视频图像增强