Retinex算法（精选6篇）
Retinex算法 篇1
0 引言
目前,电影院、电视台等单位存有大量的旧视频资料,一方面由于早期的视频资料拍摄设备技术的限制,存在曝光不足、没有色温调整而引起偏色等问题,另一方面这些资料以胶片或磁带形式存储,长时间后,胶片或磁带中的化学成分会发生变质,此外胶片磁带在播放、拷贝、存放过程中不可避免地存在损伤,因而这些旧视频资料会出现划痕、斑点、雪花点、视频偏色等问题[1]。旧电影、电视视频是宝贵的历史资料,修复和翻新这些旧视频资料具有重大意义和巨大的商业价值[2]。
视频序列增强是修复和翻新旧视频资料的一个非常重要的方面。传统的图像增强技术如图像平滑去噪、图像锐化、图像边缘增强、同态滤波等往往只是增强图像的某一些特征。全局的直方图均衡化和局部的直方图均衡化的增强方法[3]能扩展图像的动态范围,增强图像的对比度,其缺点是图像灰度级合并而使图像细节丢失,对于直方图有高峰的图像容易过分增强。基于Retinex理论的增强算法[4]在视频和图像增强中有重要的应用,有代表性的算法有单尺度Retinex(Single Scale Retinex,SSR)算法[5,6]、多尺度Retinex(Multi-scale Retinex,MSR)[7,8,9]等著名算法,基于Retinex理论的增强算法动态范围压缩大,能突出图像暗区的细节,颜色恒常性好,色彩保真度高,其缺点是具有图像的整体对比度小、亮区细节丢失的问题。
笔者针对旧视频资料存在图像不清晰、图像动态范围低、似薄雾的偏色等问题,将基于Retinex理论的图像增强算法应用到旧视频序列增强中。同时引入了伽马校正(即γ校正)、对比度拉伸、高斯直方图变换,通过一种能保护图像的亮区细节γ校正获取亮区细节保持的视频图像序列来补偿亮区的细节,对比度拉伸、高斯直方图变换能够显著地提高视频序列的对比度,此外高斯直方图变换能消除旧视频序列的似薄雾的偏色。
1 基于Retinex的旧视频增强算法
提出了一种基于Retinex的视频序列图像增强算法,图1为该算法的基本流程。
视频图像序列分两条路径处理,一条路径是Retinex算法增强图像的暗区,由于旧视频经常出现似薄雾的偏色,可以看成外界彩色光照影响的结果,而Retinex算法能从给定的图像中抽取出亮度图像(亮度图像表示外界光照信息),因而能够将彩色薄雾转为白色薄雾并削弱薄雾。原图像经过亮度估计抽取出亮度图像,得到物体的反射性质图像r(x,y),动态范围受到极大压缩,暗区细节增强明显,但是亮区细节也不可避免地大量丢失,经对比度拉伸后可得到暗区细节增强的图像R(x,y)。为了补偿图像的亮区细节,另一条路径经过采用像素的灰度级合并主要在暗区的伽马校正,图像的整体动态范围向亮区扩展,保护图像的亮区细节,经对比度拉伸后可得亮区细节保持的视频图像序列G(x,y)。将R(x,y)和G(x,y)通过加权均值融合,这里权重都取值为0.5,使得增强的图像RG(x,y)兼顾图像暗区和图像亮区的细节。增强后的图像RG(x,y)动态范围细节突出,但整体的对比度较小,最后经高斯直方图变换调整整体的对比度,并且能够消除原图中彩色的薄雾或增强过程中产生的泛白薄雾。
1.1 增强图像的暗区
采用具有低通滤波能力的高斯函数卷积来估计亮度图像,通过式(1)定义高斯平滑滤波器
式中:i表示颜色通道R,G,B。这里使用了2个参数,参数σ用于调整卷积模板中值的相对大小,参数k用于调整卷积模板中值的均值,这样能很好地估计亮度图像。
通过式(3)拉伸图像的整体动态范围,改进图像的增强效果。dlow,dhigh分别表示图像的灰度级下饱和点和上饱和点,即图像像素灰度级集中在[dlow,dhigh],在[min,dlow]和[dhigh,max]的灰度级几乎可以忽略,其中min,max是图像r(x,y)最小和最大灰度级。利用式(4)图像的累积分布函数来设定dlow,dhigh,其中A0是图像的总像素个数,Hr(d)为图像r的直方图,通常设定P(dlow)=0.01,
1.2 获取图像的亮区细节
传统的伽马校正函数是输出值与输入值之间呈指数的函数,如式(5)所示
式中:xin是输入的灰度值,xout是输出的灰度值。
对于传统的伽马校正函数,当γ的值大于1时,输入输出映射曲线如图2a所示,图像暗区向亮区扩展,当伽马校正的值小于l时,输入输出映射曲线如图2b所示,图像由亮区向暗区扩展。伽马校正主要用于平滑地扩展暗调的细节,不可避免地出现灰度级的合并,从而丢失图像的细节信息。
伽马校正时,图像的灰度级会发生合并,灰度级合并主要发生在伽马输入输出曲线斜率较小的区域。对于图2a中的输入输出映射曲线,灰度级合并主要发生在输入输出映射曲线斜率较小的亮区,导致图像的亮区细节丢失。对于图2b的输入输出映射曲线,灰度级合并主要发生在输入输出映射曲线斜率较小的暗区,但是图像由亮区向暗区扩展,使得本来偏暗的旧视频序列更加偏暗。
为了解决这个问题,通过式(6)~(8)定义Gamma校正函数
参数α主要调节伽马输入输出曲线的弧度,α值的范围为[0,1],参数x0通常设为128。图2c为x0=128,α=0.4的伽马输入输出曲线,图像亮区和暗区向中间灰度级区域扩张,灰度级合并主要在中间灰度级区域。伽马校正后的视频图像序列通过式(3)对比度拉伸后,得到亮区细节保持的视频图像序列G(x,y)。
1.3 加权融合和高斯函数的直方图变换
前面得到了暗区增强视频图像序列R(x,y)和亮区细节保持视频图像序列G(x,y),通过式(9)加权融合R(x,y)和G(x,y),得到暗区和亮区细节都较好的增强图像RG(x,y)
最后对RG(x,y)进行高斯函数直方图变换,调整视频图像序列整体的对比度。算法过程如下:图像RG(x,y)为变换前图像,图像RR(x,y)是变换后的图像,变量r代表灰度级,rm是图像的最大灰度级,A0是图像的总像素个数,Hi(r)代表彩色图像RG(x,y)红、绿、蓝三通道的直方图,mi代表彩色图像RG(x,y)红、绿、蓝三通道的灰度平均值,σi代表彩色图像RG(x,y)红、绿、蓝三通道的灰度均方差
式中:i表示颜色通道R,G,B。
各通道引入均值修正因子k1i和均方差修正因子k2i,利用高斯函数构造高斯分布的灰度级概率密度函数
将*pi(r)归一化就得到各颜色通道灰度级的实际概率密度分布pi(r)
则各颜色通道灰度级的累积概率分布函数为
最后得出基于高斯函数的直方图变换中各颜色通道的灰度变换函数为
各颜色通道的灰度变换为
高斯函数直方图变换主要有两个作用,一方面调整输出图像整体的对比度,另一方面对于有彩色或白色的薄雾式偏色的图片,高斯函数的直方图变换能很好地将其消除,加强图像的对比度,使图像更清晰。当均值修正因子k1i增大,图像向暗区扩展,图像整体变暗,当均值修正因子k1i变小时,图像向亮区扩展,图像整体变亮,通常k1i设置为1,只改变均方差修正因子k2i,当均方差修正因子k2i变小时,图像整体对比度增大,去薄雾能力增强,反之,图像整体对比度减小,去薄雾能力减弱。
2 实验结果与分析
笔者所提出的算法对不同类型的彩色视频图像序列进行了实验,图3~4是20世纪80年代的视频资料《血液中心》和《法卡山》中的场景,图3a的主要问题是视频图像偏暗,图像的动态范围小。图4a的主要问题是视频图像有薄雾式的偏色,对比度小。图5是20世纪早期的视频资料《梅兰芳》中的场景,图5a的主要问题是黑白视频资料视频图像偏暗,图像的动态范围小。
参照图1算法的基本流程可见,R(x,y)和G(x,y)两幅处理过程的中间图像对应图3~5中的图像b,c,图像b主要增强了图像的暗区细节,图像c通过伽马校正稍微调整了整体亮度,同时保留亮区的细节。图像d是图像b,c的加权融合图像,融合图像的暗区和亮区细节。图像d经过高斯直方图变换后,调整整体的对比度得到最终结果图像e。这里要说明的是,对于黑白场景的旧视频资料,数字化后也使用24位真彩图像,只有R,G,B三通道的值相等而已,因此该算法仍然适用。结果表明笔者提出的增强有较好的效果,适用于不同类型的视频图像序列。图6为本文算法输出和MSR输出对比图。
将本文算法与MSR算法进行对比,选取了3组视频图像进行对比分析。图6中第1组整体偏暗或偏灰的场景中,MSR和本文算法都表现出较好的增强效果。第2组整体较亮场景中,笔者提出的算法在亮区细节和整体的对比度表现更好,由于MSR算法中对比度拉伸是从[min,max]拉伸到[0,255](其中min是图像灰度最小值,max是图像灰度最大值),而本文算法中对比度拉伸是从[dlow,dhigh]拉伸到[0,255](其中dlow,dhigh分别表示图像的灰度级下饱和点和上饱和点),由于min
在第3组具有彩色薄雾偏色的场景中,MSR输出会存在一定程度的泛白[10],表现为一种白色的薄雾,而旧电影电视视频资料中经常会出现这样具有彩色薄雾的场景,为了克服这个问题,算法最后引入了高斯直方图变换,高斯直方图在显著增强图像对比度的同时,解决了泛白的薄雾问题,使本文算法具有更好的稳健性。
3 小结
提出了一种基于Retinex增强算法,引入γ有效改善了图像的亮区细节,而灰度拉伸改善了整体的对比度,高斯直方图变换能够有效消除彩色或白色的薄雾,增加算法的稳健性。从处理效果来看,该算法明显优于MSR算法。从实验效果来看,该增强算法具有锐化、颜色恒常性、动态范围压缩大、色彩保真度高的优点。
摘要：为了解决早期的旧视频资料存在图像不清晰、图像动态范围低、似薄雾的偏色等问题,提出一种旧视频序列增强算法。该算法利用Retinex理论的图像增强获取图像暗区增强视频序列,利用伽马曲线调整获取亮区细节保持视频序列,通过加权合成最终增强的视频序列。实验证明所提方法是有效的。
关键词：视频增强,Retinex理论,高斯函数直方图变换,伽马校正
参考文献
[1]谌安军.数字视频修复若干关键技术研究[D].北京:中国科学院研究生院,2006.
[2]苏隆坡.数码修复技术让旧电影重放光彩[J].数码广场,2004(10):83-84.
[3]沈琪.视频增强技术研究及其硬件实现[D].南京:南京理工大学,2009.
[4]金辉.一种提高多媒体视频服务质量的图像质量增强算法[J].中兴通讯技术,2007,13(4):43-45.
[5]DOO H C,ICK H J,MI H K.Color image enhancement using single-scale retinex based on n improved image formation model[C]//Proc.16th European Signal Processing.Lausanne,Switzerland:[s.n.],2008:25-29.
[6]DOO H C,ICK H J,MI H K.Color image enhancement based onsingle-scale retinex with a JND-based nonlinear filter[C]//Proc.ISCAS 2007.[S.l.]:IEEE Press,2007:3948-3951.
[7]JAE H J,BOORYM C.Sub-band decomposed multiscale retinex withspace varying gain[C]//.Proc.IEEE International on Digital ObjectIdentifier.San Diego,CA:IEEE Press,2008:3168-3171.
[8]LIU Nian.Multiscale retinex color image recovery enhancementalgorithm[C]//Proc.IEEE Digital Object Identifier.Guilin:IEEE Press,2009:3976-3979.
[9]CHEN Shuyue.Chest radiographic image enhancement based on multi-scale Retinex technique[C]//Proc.IEEE Digital Object Identifier.Guilin:IEEE Press,2009:1-3.
[10]李冠章,罗武胜,李沛.一种高效地修正Retinex图像自适应对比度增强算法[J].测试技术学报,2009,23(5):445-451.
Retinex算法 篇2
随着当代中国工业化和城镇化的快速发展,工业生产和个人驾车交通出行等产生的废气不断增多,绿化面积却由于城镇建设而呈现下跌趋势,恶劣天气频繁地出现。在恶劣天气条件下,我们获得的图像质量会受到严重影响。
很多户外系统的正常工作都需要获得具有一定质量的图像。例如智能交通系统中图像的拍摄,如果因为天气原因造成图像质量下降,致使无法识别车牌号码、车辆颜色,就会对智能交通系统的工作造成负面影响,导致智能交通系统无法发挥应有的功能。在视频监控系统中,很多视频监控系统采用可见光成像技术,在光照不佳、雨雾天气下,图像亮度降低、对比度减弱、清晰度下降,导致无法看清某些细节信息,因此,监控效果不佳。总之,雾霾天气下的图像增强处理有着广阔的前景和宽广的需求。
图像增强处理,就是根据给定图像的应用场合,根据应用需求强调或凸出图像的整体或局部特征,将不够清晰的较模糊图像变得更清晰,或突出感兴趣的特征,增强不同物体特征之间的区别,提高图像质量、增强图像识别效果。
1 基于Retinex的雾霾图像算法
Retinex理论是一种建立在科学实验和科学分析基础上、基于人类视觉系统的图像增强理论。该算法与线性和非线性变换、图像锐化等传统图像增强算法不同,这些算法只能对图像的某类特征进行增强处理,而Retinex具有大动态范围压缩、颜色恒常性、高色彩保真度等特点,适用于对受光照影响严重的图像进行补偿,能够提高图像的清晰度,使图像的颜色更接近原图像,图像增强后的视觉效果更佳。
中值滤波是一种非线性图像平滑技术,它对脉冲噪声有很好的滤除作用,同时能够克服线性滤波器在处理图像细节时出现模糊的问题。
本文将Retinex和中值滤波算法相结合,对含雾图像进行了增强处理。系统原理图如图1 所示。
1.1 图像增强算法
众所周知:(1)真实的世界是没有颜色的,我们平时看到的颜色是由不同强度不同频率的电磁波组成的;(2)每一个颜色区域都是由给定波长的红、绿、蓝三原色构成;(3)每个单位区域的颜色由三原色确定。
Retinex的基础理论是物体颜色是由物体对长波、中波和短波光线的反射能力决定,而不是由反射光强度的绝对值决定。物体的色彩不受光照非均匀性的影响,具有一致性,也就是说,Retinex是以色感一致性(颜色恒常性)为基础的(图2)。
单尺度(Single-Scale Retinex,SSR)算法的公式为:
其中为输出图像,*为卷积符号,是中心环绕函数,表示为:
c表示高斯环绕尺度,是一个尺度,取值必须满足以下条件:
单尺度Retinex算法的实现流程如下:
(1)读入原始图像,若为灰度图,将图像每个像素的灰度值由整数值转换为浮点数,并转换到对数域;若为彩色图,将图像的每个颜色分别处理,将每个分量的像素值由整数值转换为浮点数,并转换到对数域中,便于计算。(2)输入尺度c,在离散条件下,积分转换为求和,进一步确定参数λ 的值。(3)根据前述公式,计算得到r(x ,y );如果是彩图,则每个通道均有一个r(x , y)。(4)将r(x , y)从对数域转换到实数域得到输出图像,并以相应格式输出。
1.2 图像降噪算法
直接获取的灰度图像或通过彩色图像转换而来的灰度图像都存在噪声,噪声对图像质量影响很大。对图像进行中值滤波可去除孤点噪声,同时保持图像的边缘特性,不会使图像出现显著的模糊。
中值滤波的基本思想:将滤波窗口内像素灰度的最大值和最小值均看作噪声,以该窗口内的灰度中值代替窗口中心像素点的灰度值。
中值滤波的步骤如下:(1)将含有若干个点的滑动窗口(滤波模板)在图像中漫游,将窗口中心与图像的某个像素位置重合;(2)读取窗口中各像素的灰度值,并将这些灰度值按从小到大的顺序排成一列;(3)计算这列数据的中间数据,将其作为对应模板中心位置的像素灰度。
2 仿真实验
为了验证该算法的有效性,我们选取了一张典型的雾霾天气图像进行仿真处理。
由图3、图4 可看出图像在增强处理之后对比度、亮度和画面细节都有着显著的提升,有效信息显著增多,但经过增强处理后的图像有较明显的噪声(图4 左下的裂纹和路面颗粒明显失真)。
图5 和图6 为降噪效果对比,可以看到图中的噪声相对减少(图6 左下噪声)。同时图3 和图6 进行对比,可以清楚地看到图像增强降噪处理对图像质量的提升。
3 结论
本文提出了一种基于Retinex的雾霾图像去雾增强算法。受雾霾天气影响的失真图像用Retinex算法进行处理,再使用中值滤波对图像进行去噪处理。Matlab仿真实验表明该算法对受到雾霾天气影响的图像有着较好的增强效果,在降低噪声的情况下有较好的画面观感。
参考文献
[1]韩祥辉,王好贤.恶劣天气环境下退化图像的清晰化算法[J].计算机工程,2011.37(22):207-208.
[2]王萍,张春,罗颖昕.一种雾天图像低对比度增强的快速算法[J].计算机应用,2006.26(1):152-154.
Retinex算法 篇3
关键词：去雾,大气物理模型,多尺度Retinex算法
0 引言
雾是由于大气中悬浮的水汽凝结而造成能见度降低的一种天气现象。在雾天天气条件下,大气能见度下降,致使光学器材获取的图像对比度下降,使图像退化,以至模糊,从而影响图像中信息提取,并且极大地限制和影响了户外视觉系统(如户外的监测、监控、自动导航、目标跟踪等)的正常工作,也严重地影响了人们的生活。因此对这种自然现象引起图像质量下降开展研究具有普遍的实际意义。
目前,图像去雾技术主要有两种:一种是不考虑图像退化的原因,从图像呈现的低亮度和低对比度的特征考虑,采用增强的方法处理。目前使用较多的是直方图均衡化和基于Retinex理论的MSR算法。文献[1]针对其难以匹配模板内景物深度突变信息问题,提出了一种基于幂函数的自适应加权部分重叠直方图均衡改进算法。文献[2]根据Retinex理论及有雾图像直方图的特点,分析了MSR算法,采用正态截取拉伸对其输出图像进行处理,取得了较好的图像去薄雾效果。文献[3]将直方图幂次变换函数均衡化法和基于Retinex理论的图像增强法相结合,提出了以图像方差指标作为结合与否的判据,达到了自适应处理薄、浓雾天降质图像的目的。
另一种是从造成图像退化的具体原因和物理成因的角度对大气散射作用进行建模分析,实现场景复原。文献[4]根据大气散射物理模型,利用图像的稀疏先验知识,在贝叶斯框架下提出一种单幅图像去雾算法。文献[5]中,该算法从大气散射模型出发,通过对大气光照进行白平衡,从而简化大气散射模型;利用快速双边滤波方法估计大气耗散函数,进而恢复场景反照率。文献[6]中提出了一个暗原色先验的方法对图像进行去雾。
以上两种方法都有不足之处,在图像去雾的过程中,图像增强方法虽然增强了图像中雾化部分的对比度,但同时也削弱或去除了图像中没有被雾化部分的信息。物理模型的方法中,因为图像的景深是未知的,所以很难得到图像的衰减因子,只能大概估算衰减因子,得到结果误差比较大。结合上述两种方法本文提出了一种图像去雾方法,该方法先对已有的图像退化模型进行改进,使得改进后的模型能够适应MSR算法,再根据MSR算法对改进后的图像退化模型进行处理,有效去除雾化效果。本方法不仅能有效去除雾化效果,还大幅降低了图像的失真率。为了消除天空中的异变,引入了Matting方法,从而实现彩色退化图像的复原。
1 基于MSR算法的图像去雾方法
1.1 大气物理模型
大气与光的相互作用主要有3类:散射、吸收和辐射。其中,散射是由空气中的悬浮微粒产生的。在有雾等恶劣天气条件下,散射是造成图像退化的主要原因。
大气散射是一个复杂的过程,它取决于大气中悬浮微粒的类型、大小、浓度以及光的波长、极化状态等。Mc Cartney于1975年提出了著名的大气散射模型,即在雾天情况下,大气散射模型中起主导作用的是其中的衰减模型和环境光模型,景物图像的光照总强度可以等效成经大气衰减后景物辐射光和周围环境中的各种光经过大气悬浮微粒所产生的散射光的线性叠加,经过后人的改进和总结得到如下模型[7]:
其中,I(x)是指观测到的图像的强度;J(x)是物体的反射特性,即所要得到的图像的归一化处理;A是大气光线;t(x)是传递函数。
方程右边的第一项AJ(x)t(x)叫做直接衰减项,即前面说的衰减模型,第二项A(1-t(x))则是大气光成分,即前面说的环境光模型。t(x)可以表示为:
式中,d为场景点到观测点的距离,称为景物深度;β为大气的散射系数,与可见光波长λ有关。
式中:γ取决于大气中悬浮微粒的大小,悬浮微粒越大,γ越小;对于浓雾,γ≈0,此时的β可以近似认为是常数,这正是雾天能见度低的原因所在。
1.2 Retinex理论
Retinex理论[8]是基于色彩恒常的一种代表性计算理论,其全称是视网膜皮层理论(Retinal-cortex theory),最初由Land于20世纪70年代初提出。Retinex理论认为人类知觉到的物体表色与物体表面的反射性质有着密切的关系,而与投射到人眼的光谱特性关系不大。照度引起的颜色变化一般是平缓的,通常表现为平滑的照明梯度,而由表面变化引发的颜色变化效应则往往表现为突变形式。通过分辨这两种变化形式,人们就能将图像的照度变化和表面变化做出区分,从而得知由照度变化引起的表色变化,使对表色的知觉保持恒常。
Retinex理论指出,人眼中图像的成像,主要由两大元素决定,分别为入射光和反射物体,成像过程可以用式(4)表示:
其中:L(x,y)表示入射光;R(x,y)表示物体的反射特性,即所得的图像的归一化处理;S(x,y)是反射光,被观察者的眼睛或者照相机接受,就形成了物体的图像。Retinex理论同时指出,入射光L(x,y)直接决定了一幅图像中像素能达到的动态范围,反射物体R决定了图像的内在性质。Retinex理论的实质就是从图像S中获得物体的反射性质R,即抛开入射光的性质来获得物体的本来面貌,而从图像增强的角度来理解,这个物体的本来面貌就是我们所要得到的增强后的图像。
由Retinex理论可知,直接获得物体反射部分是不现实的,因此可以先估计出入射光部分L(亮度图像),而S是已知的,然后通过式(4)求解得到反射部分R(反射图像),也就得到了增强后的图像。根据Retinex理论,Jobson[9]提出了单尺度Retinex算法,简称为SSR算法SSR(Single-Scale Retinex)。对于入射光部分L的估计,Jobson论证了高斯卷积函数可以从已知图像S中更好地估计出入射部分L,其可以表示为:
其中:c是尺度常量,c越小,灰度动态范围压缩的越多,c越大,图像锐化的越厉害。λ是归一化函数,使得上述函数满足:
为了便于计算,对式(4)作对数域处理,这有两个好处:
1)对数形式更接近人眼亮度感知能力。
2)可以将复杂的乘积形式变成简单的加减形式。
在式(4)的基础上得到式(7):
其中r(x,y)=log(R(x,y)),s(x,y)=log(S(x,y)),l(x,y)=log(L(x,y))。
由以上分析可以得到增强模型:
通过式(8)可以得到R(x,y)的对数形式,从而可以进一步得到R(x,y),即得到了增强后的图像。
显然,SSR的性能很大程度上取决于环绕尺度c,因此,Jobson在SSR的基础上提出了MSR(Multi-Scale Retinex)算法:
其中,N是尺度个数;ωn为第n个尺度的加权系数,满足。
1.3 本文方法
在前人工作的基础上,本文利用大气物理退化模型与MSR算法相结合进行图像去雾,该方法先对退化图像进行建模,再根据MSR算法对建模后的图像进行处理,有效去除雾化效果,实现彩色退化图像的复原。首先本文对式(1)进行变形,得到:
然后,我们假设I'(x)=A-I(x),J'(x)=1-J(x),A'=At(x)这样我们就能把上式简化成:
其中称I'(x)是“观测图像”,即相当于式(4)中的S(x,y);J'(x)是“清晰无雾图像”,即相当于式(4)中的反射特性R(x,y),A'是大气光线,即相当于式(4)中的入射光L(x,y),经过这样的改变,可以得到能用MSR处理的图像退化模型,并且使得MSR算法处理的图像更接近于图像的成像原理,从而使得最后得到的结果更加准确,失真度更小。然后根据MSR算法对观测图像I'(x)进行处理,得到J'(x),再由J'(x)=1-J(x)得到J(x),再还原得到清晰图像。经过上面步骤能够得到的清晰图像,但是图像中的天空部分会产生异变。为了消除这种异变,我们引入Matting[10]方法。Matting是一种基于α估计的图像前景提取技术。Matting的目标就是准确、便捷、快速地从前、背景边界模糊或者前景半透明的图像中提取出前景对象。我们可用Matting方法提取出原图的背景和经过MSR处理的图像的前景,把它们相加得到最后结果。
本文提出的去雾方法总结如下:
(1)输入一幅图像I(x)。
(2)对输入的图像I(x)按照改进后的模型进行训练得到I'(x)。在训练的过程中要注意A的取值问题。一般A如文献[9]的方法进行取值就可以了,但有的时候由于摄像设备和环境的问题,按照文献[9]的方法得到的A值并不能完全体现出大气光线。比如当一幅图像过于灰暗时,如果用文献[9]的取值方法所得到A的值进行训练,会使训练后的图像I'(x)过于灰暗而影响实验。我们可以适当的把A值取大一点,这样有利于实验的进行。
(3)对训练后的模型用MSR方法进行处理。
(4)对上一步处理的结果进行还原。在这一步中分为两个小步,首先把得到的J'(x)还原为J(x),这样得到的是归一化的清晰图像,再把归一化的图像进一步还原得到一幅彩色图像。
(5)利用Matting方法提取出原图的背景。
(6)利用Matting方法提取出第4步结果所得图像的前景。
(7)把第(5)步和第(6)步的结果相加得到最后结果。
2 实验结果及分析
为了验证本算法的有效性和实用性,本文进行了大量的图像去雾实验,并与图像直方图均衡化和MSR算法得到的结果进行了比较。实验结果如图1所示,图1(a)是一幅雾天拍摄到的图像,图1(b)为直方图均衡化得到的结果,图1(c)为MSR算法得到的结果,图1(d)为本文得到的结果。从图1中可以明显的看出本文方法和MSR算法所得到的结果都要比直方图均衡化好。MSR算法得到的结果得到的图片中人物比较模糊,而且图1(c)中小棚子中的条纹与原图也有校大差异,由原来的红色变成了土黄色。从图1(d)可看出,本文方法得到的结果中人物更清晰,小棚子中的条纹也没失真,并且能清晰的看见图中的面包车,而且能比较清楚的看见屋后面的小树林,这是其它方法所不具备的。另外一方面,本文得到的结果中天空部分的异变也比MSR算法得到的结果少。由上可知本文方法得到的结果能够清晰还原图像,并且失真率比较小。
本文还实验分析了式(13)中参数A的取值对本文提出方法效果的影响,如果要处理的图像过于灰暗,按照文献[6]对A进行取值,由于A过小,使得I'(x)几乎为黑色,对实验影响极大,从而使得到的结果效果极差,如图2(b)所示。所以在这种情况下可以适当的增大A值,当然A不是取得越大越好,如图2(d)为A取最大值时所得结果,效果并不好。当A设置为适当的中间值时,效果会更好,如图2(c)所示。
上述方法中所得到的结果中的天空部分都会产生异变,为了解决这个问题,在这里我们采用Matting方法对图像进行后处理。对图3(a)所示的原图像经过Matting方法处理得到结果如图3(b)所示。加上Matting后处理步骤后,本文提出的方法效果很理想。图4(a)为未进行Matting后处理的本文结果,对图4(a)用Matting处理后可以提取到图像的前景部分如图4(b)所示。同理,对图3(a)的原图像进行Matting处理可以提取到图像背景如图4(c)所示。再把图4(b)和图4(c)相加就得到天空没有异变的去雾图像,如图4(d)所示。但是由于在进行Matting处理的过程中有一个行动编辑的过程,本文还要对两幅图像进行手动编辑,所以图像处理的精度会下降,主要表现在前景和背景的交接处会丢失少部分图像信息。本文的Matting的相关论文及代码来源于网站:http://www.alphamatting.com/datasets.pnp。
3 结语
本文在多尺度Retinex算法的基础上,结合大气物理退化模型,经过Matting方法对图像进行后处理实现雾天图像的复原。最后对本文新方法进行了仿真,取得了很好的复原效果。本文方法对处理图像近景部分(即图像中没有被雾化的部分)的处理效果不是很理想。
参考文献
[1]曾飞.一种雾天视觉图像增强新算法[J].湖南科技大学学报:自然科学版,2010,25(3):85-89.
[2]芮义斌,李鹏,孙锦涛.一种图像去薄雾方法[J].计算机应用,2006,26(1):154-156.
[3]吴振宇,姚洪利,杜少军.一种自适应的雾天降质图像清晰化方法研究[J].电光与控制,2006,17(8):52-56.
[4]王多超,王永国,董雪梅,等.贝叶斯框架下的单幅图像去雾算法[J].计算机辅助设计与图形学学报,2010,22(10):1756-1761.
[5]禹晶.基于物理模型的快速单幅图像去雾方法[J].自动化学报,2011(2):143-149.
[6]He K M,Sun J,Tang X O.Single image haze removal using dark channel prior[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Miami.USA:IEEE,2009:1956-1963.
[7]S G Narasimhan,S K Nayar.Contrast restoration of weather degraded images.PAMI,25:713-724,2003.R Tan.Visibility in bad weather from a single image[C].CVPR,2008.
[8]黄华,王孝通.基于Retinex理论的图像增强算法[J].四川兵工学报,2009,30(1):64-68.
[9]Jobson D J,Rahman Z,Woodell G A.Proerties and performance of a center/surround retinex[J].IEEE Trans Image Processing,1997,6(3):451-462.
Retinex算法 篇4
1、刑事模糊图像形成因素
模糊图像处理是对由于介质、客观环境等因素造成的模糊图像和退化图像进行校正处理, 使其清晰化, 以利于图像研判。刑事图像的模糊有多种因素造成:一是非正确曝光退化, 如非线性退化等;二是离 (散) 焦模糊, 对焦不实使物体不能清晰的成像于焦平面上;三是运动模糊, 运动模糊是指在曝光瞬间, 照相机与被摄物体间有相对运动;四是噪声干扰致使图像模糊不清;五是监控视频模糊, 如安装位置不合适、光线太暗或太亮、目标运动过快、摄像镜头对焦不实等, 往往使影响资料变得模糊不清。
2、Retinex算法原理及应用特性
2.1 Retinex理论概述
Retinex (视网膜“Retina”和大脑皮层“Cortex”的缩写) 理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统 (Human Visual System) 的图像增强理论。该算法的基本原理模型最早是由Edwin Land (埃德温·兰德) 于19世纪70年代提出的一种被称为具有颜色恒常性的色彩理论, 并在颜色恒常性的基础上提出的一种基于此理论的图像增强方法。Retinex理论的基本内容包括物体的颜色是由物体对长波 (红) 、中波 (绿) 和短波 (蓝) 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;物体的色彩具有一致性, 不受光照非均性的影响, 即Retinex理论是以色感一致性 (颜色恒常性) 为基础的。鉴于Retinex原理, 对于观察图像S中的每个点 (x, y) , 用公式可以表示为:
其中, S (x, y) 为所观察的图像, R (x, y) 是反射物体图像, L (x, y) 为入射光图像。
2.2 Retinex算法的应用特点
Retinex理论的基本思想就是将原始图像看成是由照射图像和物体反射属性组成, 照射光图像直接决定一幅图像中像素能够达到的动态范围, 物体反射属性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Retinex理论的基本思想。Retinex算法具有锐化、颜色恒常性、动态范围压缩大、色彩逼真度高等特点。
传统的图像增强算法, 如线性变换、非线性变换、图像锐化等只能增强图像的某一类特征, 如压缩图像的动态范围, 或增强图像的边缘等。Retinex算法可以在动态范围压缩、边缘增强和颜色恒常三方面达到平衡, 因此可以对各种不同类型的图像进行自适应性地增强。
3、Retinex算法对数字模糊图像处理的适用
3.1 Retinex算法对图像的预处理
在多种以Retinex为核心的算法中, 单尺度 (Single-Scale Retinex, SSR) 算法和多尺度 (Multi-Scale Retinex, MSR) 算法是最具有代表性和最成熟的算法。利用多尺度Retinex灰度图像增强算法对灰度图像进行增强, 在图像的预处理阶段对噪声进行滤除, 做到改善图像颜色恒常性, 压缩图像动态范围, 提高对比度, 有效显示淹没在阴影、光照等区域中的细节, 为下一步的特征提取提供必要的条件。
3.2 Retinex算法对场景模糊图像的增强
场景的干扰常常致使物体成像模糊, 如雨雾天条件下, 户外景物的对比度和颜色发生退化, 计算机视觉系统无法正确检测与跟踪场景中目标, 这就需要对雨雾天图像或视频作清晰化处理。Retinex理论及相关算法是图像增强的新思路, 其理论基础是色彩的恒常性, 它通过模拟人眼观察场景的方式, 恢复因图像采集设备限制而丢失的场景细节, 达到增强图像对比度, 还原物体真实色彩的目的。
3.3 Retinex算法对图像细节特征的增强
在图像处理和计算机视觉领域, 特征提取被广泛运用, 其效果很大程度上取决于图像的质量。图像在采集的过程中, 多变的光照条件、物体间相互遮挡、采集设备自身限制等因素都会影响图像质量, 要想对质量差的图像进行特征提取非常困难。基于Retinex理论的图像增强算法能减少计算时间, 将多种计算函数相结合, 能够有效地重建图像细节达到增强图像的目的, 使增强后的图像更适合于细节特征的提取。
Retinex算法是数字图像处理的新算法, 与其他传统图像处理算法相比, 具有很大的优势, 能大量保留提取图像的细节特征。在刑事图像处理工作中, 技术人员所感兴趣的就是对侦破案件有用的细节特征。刑事图像工作遇到的问题及其产生原因都是其他领域图像处理所共有的, 因此, Retinex理论同样适用于刑事图像处理研究, 将基于Retinex理论的各种改进的Retinex算法直接应用到刑事模糊图像处理工作中, 势必会给当前的刑事模糊图像处理工作打开新的局面。
参考文献
[1]李权合, 毕笃彦, 时平, 何宜宝.基于Retinex和视觉适应性的图像增强[J].中国图形图像学报, 2010, 15 (12) :1728-1732.
[2]乔小燕, 姬光荣, 陈雾.一种改进的全局Re tinex图像增强算法及其仿真研究[J].系统仿真学报, 2009, 21 (4) :1185-1197.
[3]刘茜, 卢心红, 李象霖.基于多尺度Retinex的自适应图像增强方法[J].计算机应用, 2009, 29 (8) :2077-2079.
Retinex算法 篇5
色彩恒常性是指在不同的外界环境中, 人眼对物体色彩的感知在一定程度范围内总是保持恒定, 色彩恒常理论模拟人类视觉系统的这一特殊功能实现对图像的处理, 提高图像的可识别度, 使图像具有更好的视觉效果。
第一个描述人类视觉系统的色彩恒常性的算法是由Land和Mc Cann提出来的[1,2]。该彩色理论通过组合两个词retina (视网膜) 和cortex (皮层) 而称为Retinex理论。而后Land提出随机步行算法用来解决图像中照度不均匀的问题。由于随机步行算法复杂度较高, Jobson等人提出了经典的中心/环绕理论 (SSR) [3]来降低复杂度。但SSR由于尺度不同会产生不同的问题, 因此有学者提出多尺度Retinex (MSR) [4]用来解决不同尺度带来的问题。由于MSR色彩失真较大, 后来提出了带色彩恢复的Retinex (MSRCR) , 相对于MSR在色彩保持方面具有很大优势。在对环绕函数的选择上, Jobson在详细考察了各种不同环绕函数的性质和效果后发现:高斯形式的环绕函数综合效果最好。在尺度的选择上提出了自适应的参数选择。
本文将针对MSRCR算法在低照度图像处理中存在的颜色恢复失真问题, 研究色彩恢复函数对处理后图像的影响。通过改进色彩恢复函数, 提高图像的信息熵以及清晰度。
1 Retinex数学模型
1.1 单尺度Retinex算法
SSR算法是在Land提出的中心/环绕Retinex的基础上发展起来的, 由于该算法数学形式以及物理实现都相对简单, 因此应用较广泛。其数学形式为
式中:Ii (x, y) 为输入图像的第i个颜色通道;*表示卷积;Ri (x, y) 表示Retinex的第i个通道的输出;G (x, y) 为归一化中心/环绕函数。即
式中:σ为尺度参数, 在离散情况下满足
1.2 多尺度Retinex算法
由于单尺度Retinex算法存在色彩保持和细节突出等方面的矛盾, 因此提出了多尺度Retinex算法解决上述矛盾。许多文章提到了MSR与SSR以及直方图均衡等方法的效果对比[5,6]。多尺度Retinex是对单尺度Retinex的发展和延伸, 它是几个单尺度Retinex的加权组合。其数学形式为
式中:Ri (x, y) 为第i个尺度的SSR结果;ωi是第i个尺度的加权系数, 并且满足ωi之和为1;N为尺度数, 一般是3个尺度, 分别是大尺度、中尺度、小尺度。根据文献[5]其经验值为:小尺度为图像的1%~5%;中尺度为图像大小的10%~15%;大尺度为图像大小的30%~50%。
1.3 带色彩恢复的Retinex算法
SSR或者MSR算法处理RGB图像时, 分别处理R, G, B这3个分量图, 由于R, G, B各个分量图单独处理, 在这个过程中3个通道有各自对应的补偿和增益, 因此它们之间的比例关系会发生改变, 造成颜色失真。将带色彩恢复的多尺度Retinex算法方法引入原始图像中3个色彩通道之间的颜色比例, 对MSR结果进行处理, 通过乘性色彩恢复函数的作用克服图像颜色的不饱和或失真, 从而使得图像具有更好的颜色呈现。
式中:Ii1 (x, y) 为第i通道的比例因子;β为一常数;Rmi (x, y) 为SSR的第i通道处理结果;RMi为输出结果的第i通道。通过实验仿真可以看出MSRCR是MSR处理结果向原始图像色彩靠拢的结果。
1.4 自适应补偿/增益
无论以上哪种Retinex算法都在对数域中进行, 经常会出现负值, 这时候需要通过补偿/增益[7]将像素值转换到显示器的显示范围内。补偿/增益的重点是找到起点和增益的倍数。假设处理后的图像所有像素值分布服从高斯分布, 经过模拟仿真在均值上下1.85倍标准差左右截取, 并将在这一区间的像素值线性地映射到0~255是一个效果较好的选择, 如图1所示。这时处理后的图像信息熵较大, 从而实现了处理后图像的自适应补偿增益。
2 余弦色彩恢复函数
Rahman等人认为Retinex不是作为人类视觉颜色常性的模型, 而是作为数字图像增强的一个平台, 从而不仅对比度得到了改进, 颜色常性、亮度或色彩再现也得到了改善[7]。
在MSRCR中采用了色彩恢复因子, 使得处理后的图像颜色更加接近原始图像的颜色。根据Rahman等人的论述, 可以设计不同类型的色彩恢复方案用来恢复处理后图像的颜色。
在式 (6) 、式 (7) 中, 通过MSR处理结果乘以恢复因子, 以达到处理后图像颜色与原始图像颜色相接近的效果, 从而以使颜色接近。通过式 (6) 和式 (7) 得到的图像有些像素颜色与原始图像出入较大。这是因为式 (6) 中每个像素均与色彩恢复因子相乘, 而且β为一个常数, 对于与原来颜色差别不大的像素也乘以一个比例因子, 所以颜色会发生较大的失真, 所以β应该为一个随色彩失真程度而变化的数值[8]。
传统做法是单独处理每个颜色通道, 割裂了颜色本身, 同时也受到光照的影响。将图像中每个像素的颜色看作三维矢量空间中的1个矢量, 其中R, G, B分别是这个矢量的3个分量, 这样把颜色当作1个矢量处理, 而不是分开处理。再去掉光照影响, 3个分量的比值就代表该颜色, 可以考虑用色彩矢量之间的夹角余弦值来描述不同颜色之间的区别[9], 这个夹角范围是[0, π/2]。若夹角为0, 余弦值为1, 此时认为两个颜色相同;若夹角为π/2, 余弦值为0, 则两个颜色差异最大。本文设计的方案即根据夹角余弦值对MSR结果进行调整, 使之与原始图像的颜色更加接近。当处理后图像像素矢量与原始图像像素矢量夹角较小时, 说明颜色改变不大, 因此只进行小幅度调整;当夹角较大时, 说明处理后颜色失真很大, 根据实际实验观察, 这往往体现在亮度上, 因而要大幅度调整其亮度以及颜色。
2.1 算法步骤
本文所提算法步骤如下:
1) 假设原始图像为I, 根据原始算法计算出单尺度处理结果I1;
2) 计算I1与I对应像素的夹角余弦值矩阵cosθ (i, j) ;
3) 计算i通道的色彩恢复函数
4) 计算图像RMij (x, y) =Rmi (x, y) Ci (x, y) , 得到第j个尺度的图像RMj, 再经过自适应补偿/增益即可得到单一尺度的带色彩恢复图像;
5) 将几个尺度处理图像加权相加得
2.2 算法分析
若令算法里的β=0, 则色彩恢复函数可以化简为
这就变成了经典的色彩恢复函数, 因此本文色彩恢复函数是原始恢复函数的一个推广。它在处理低照度图像的时候具有更加优良的性质。
3 实验分析
图2采用了4幅具有一定代表性的低照度图像进行比较和分析, 根据文献[7]从均值、标准差、信息熵、清晰度4个角度对原始色彩恢复函数 (图3) 与本文的余弦色彩恢复函数 (图4) 进行了对比和分析。
通过表1可以看出:本文的色彩恢复函数在标准差、信息熵和清晰度不同程度上优于原始算法, 即图像的层次比原算法更加鲜明, 图片中纹理较复杂, 所含信息量较高, 清晰度也高于原始算法。
4 小结
本文在对基于Retinex理论的图像增强算法研究的基础上, 给出了余弦色彩恢复函数。在余弦恢复函数中使用了颜色的矢量夹角, 较好地解决了因光照不均匀产生的颜色失真问题, 使得图像颜色与原始图像更加接近, 提高了图像的清晰度。对比仿真实验显示:相对于原始带色彩恢复的Retinex算法, 本文的色彩恢复函数具有更好的色彩恢复能力和效果。同时原本不清晰的图像层次感、纹理细节、清晰度也得到改善。
参考文献
[1]LAND E, MCCANN J.Lightness and retinex theory[J].Journal of Optical Society of America, 1971, 61 (1) :7-21.
[2]LAND E.An alternative technique for the computation of the designator in the retinex theory of color vision[J].Proceedings of the National Academy of Sciences of the United States of America, 1986, 83 (10) :3078-3080.
[3]JOBSON D J, RAHMAN Z U, WOODELL G A.Properties ans perform-ance of a center/surround Retinex[J].IEEE Trans.Image Processing, 1997, 6 (3) :451-462.
[4]RAHMAN Z U, JOBSON D J, WOODELL G A.A multiscale retinex forcolor redition and dynamic range compression[EB/OL].[2012-12-02].http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.55.6939.
[5]朱静.色彩恒常性理论及其在图像增强中应用研究[D].北京:中国矿业大学, 2011.
[6]刘高平, 赵萌.基于亮度的自适应单尺度Retinex图像增强算法[J].光电工程, 2011, 38 (2) :71-77.
[7]赵晓霞.基于Retinex理论的视频图像增强系统研究[D].北京:中国矿业大学, 2011.
[8]李建彬, 韩军, 邱君华.基于Retinex的旧视频序列增强算法[J].电视技术, 2011, 35 (5) :21-24.
Retinex算法 篇6
图像成像设备在获取图像时,由于环境因素(如光照不均、雨雾、沙尘)影响,常出现曝光不足、对比度低、不清晰、模糊等现象,造成图像信号质量不佳,严重影响了图像目标提取与分析。因此,在进一步处理之前须作预处理。图像增强通常是指使用特定的增强技术对图像进行处理,突出感兴趣的部分抑制非感兴趣的部分以提高图像的质量和使用价值,其在遥感图像、监控图像、夜视图像、模式识别等领域应用广泛。
图像增强的方法主要有空域法和变换域法两大类[1]。这些算法简单、易实现,但光照变化剧烈时,增强效果往往达不到预期要求。直方图均衡化、同态滤波、梯度域增强方法等是解决光照不均的常用方法[2]。自Retinex理论在1971年被Land提出后,许多学者将其应用到图像增强领域,为解决光照不均问题提供了一条新思路。Retinex理论是基于人类视觉感知物体颜色和亮度的模型,其基本思想是运用某种方法对图像的光照进行估计,然后消除或调整光照以得到一幅受环境光影响较小的增强图像。Retinex增强方法简单有效,自该理论被提出后,出现了很多Retinex经典算法,如单尺度Retinex算法、多尺度Retinex算法、带色彩恢复的Retinex算法[3]等。这些经典Retinex算法实质上是通过对输入图像进行高斯平滑滤波来估计光照图像的,都会有一个显著缺点,即在明暗对比强烈处会产生“光晕现象”。这是由于Retinex理论假设光照是平滑变化的,但实际上光照并不总是满足这样的假设,因此在使用高斯滤波器对原图进行光照估计时,容易在明暗对比度变化强烈处产生光晕。
基于Retinex理论,很多学者提出了不同的图像处理方法。鄢丹青[4]等人提出了一种新型的自适应Retinex图像增强算法,该算法不需要复杂的参数调节就能实现高动态范围图像增强,在图像细节恢复和光照还原上能达到很好的效果;周扬[5]等人提出的一种基于改进Mean Shift滤波的Retinex彩色图像增强算法,采用主成分分析法将对比度较低的图像分解成色彩与亮度两部分,使用改进的Mean Shift滤波方法实现光照分量的自适应增强并对色彩通道进行恢复,以全局为基础进行图像补偿;陈超[6]等人提出基于双边滤波的光照估计方法,使用双边滤波替代高斯滤波对输入图像进行光照估计。
针对传统SSR光照突变处理不好且增强图像常伴有光晕现象的问题,本文提出一种基于多方向的双边滤波单尺度Retinex图像增强方法,使用多方向双边滤波器估计光照,在Retinex增强时保留一定程度的光照,在有效克服光照不均、消除光晕现象的同时增强了图像细节。
1 Retinex理论
Retinex理论的基本假设是输入图像S为光照图像L和反射率图像R的乘积,即S(x,y)=L(x,y)·R(x,y),L决定了图像的亮度和动态范围,R代表原图的实质反射能力,是原图的本质图像。基于Retinex图像增强的目的,就是从S中估计出L,从而通过一定处理得到R。在处理过程中一般将图像转换到对数域,即s=logS,l=logL,r=logR,从而r=s-l。其数学形式可简述为
式中*表示卷积运算;F(x,y)=λexp(-(x2+y2)/c2)为高斯环绕函数,λ为归一化常数,使得c为尺度参数,控制着图像细节增强、动态范围压缩性能及色彩保真度。
2 双边滤波
双边滤波器(BF,Bilateral Filter)是一种能同时去除噪声和保持图像边缘细节的空域滤波器[7,8],是基于高斯函数的改进,由高斯滤波核与图像亮度信息相乘得来,这样在平滑滤波的同时能将图像边缘信息考虑进去,解决了高斯滤波后出现的边缘模糊问题。与高斯滤波原理相同,BF输出是通过BF与输入图像做卷积运算得到的,其实质为中心像素点领域内像素亮度值的加权平均,其数学表达式为:
式中,(x,y)为图像像素点,N(x,y)为中心在(x,y)大小为(2 N+1)·(2 N+1)的领域,(m,n)为领域像素点,I(x,y)和I(m,n)分别为(x,y)和(m,n)的亮度值,IB(x,y)为BF输出,w(m,n)为BF滤波核,是滤波权系数,由两部分乘积因子组成:
和
因此
式中ws(m,n)为空间滤波核,wr(I(x,y),I(m,n))为范围滤波核。
BF的性能由3个参数控制:滤波半径N、参数σs和σr,N控制平滑强度,σs和σr分别控制空间滤波核和范围滤波核。
3 多方向双边滤波SSR
传统的SSR算法采用高斯环绕函数估计光照,其操作简单、易实现,但当图像边缘处光照剧烈变化时,高斯环绕函数的各向同向性导致难以准确估计到光照,从而产生光晕现象。为消除光晕,估计光照时须考虑到图像中光照剧烈变化的情况。BF是具有平滑保边特性的各向异性滤波器,用于估计光照效果很好。考虑到环境的复杂性,同一幅图像可能受到多个环境光的影响,表现在像素点领域内的不同方向上,导致像素亮度变化不同。为获得更精确的光照,本文使用多方向BF代替SSR算法中的高斯环绕函数来估计光照。方法为使用多个方向的BF模板分别平滑输入图像,获得不同的光照图,然后通过融合得到最终光照。图1为算法流程。
图1 算法流程
3.1 多方向双边滤波估计光照
在多方向BF的选择上没有固定的方案,通常选取多个BF以保证不同方向的区分,但过多的BF容易降低算法效率。本文选取4个不同方向的BF方向模板,如图2所示。
图2 多方向BF方向模板
如图2所示,各模板中白色小圆圈为待处理像素点所对应的BF权系数,黑色小圆圈为待处理像素点的领域像素点所对应的BF权系数,黑色细线包围的部分即为多方向BF处理部分。
多方向BF输出即为BF方向模板对应的像素亮度值加权平均,多方向BF对图像的光照估计如下:
式中,d为不同方向,wd(m,n)为不同方向模板,Ld(x,y)为d取不同方向得到的光照图。
在处理范围滤波核时,基于Weber定律,根据图像每一点像素值与其领域内像素的差值进行判断比较,具体公式如下:
式中,当两点亮度差小于K·I(x,y)时,人眼无法辨别出该点与中心点,令其等于K·I(x,y)以增强该点对中心点的影响,K为介于0~1之间的值。
3.2 融合
图像融合分为基于像素的融合和基于区域的融合。基于像素的融合又分为像素灰度最小值、像素灰度最大值和灰度加权平均法[9]。
灰度加权平均融合法虽然计算较复杂,但是融合效果好,采用灰度加权平均法得到最终光照结果,具体如下:
式中,L(x,y)为最终融合光照图。
由于Retinex增强是通过消除光照影响来增强图像的,因此对完全消除光照与保留一定程度光照做了对比实验,发现不完全消除光照得到的增强图像效果要比完全消除光照得到的效果更自然。为此,文中增强算法保留一定程度的光照,通过式(1)中的光照图L(x,y)前面乘以一个控制系数(1-)来控制光照保留程度,其形式如下:
其中,∂∈(0,1)。
4 结果与分析
采用Matlab2010b在Pentium(R)D、2.30GHz、2GB内存的PC机上对文中提出的算法进行仿真,对增强图像进行主客观评价。实验过程中,分别用SSR算法、文献[6]算法、文中算法对不同类型的Tower、House、Scene灰度图像进行增强处理,图3、图4、图5为效果对比图。
由图3(b)可知,在塔中间部分有隐约可见的由白到黑、再由黑到白的阴影存在,即存在光晕现象,这主要是因为在进行光照估计时,光照剧烈变化处估计不准,图4(c)、图4(d)并没有出现光晕,但图4(d)效果好于图4(c),细节更为清晰。
图3 不同算法对Tower处理后的效果
图4(b)、图4(c)左边松树和大地处有种像雾一样灰蒙蒙的感觉,看起来很不自然,相比之下图4(d)的效果更自然。
图4 不同算法对House处理后的效果
图5(b)、图5(c)、图5(d)在全局视觉上没有多大差别,但在树枝和天空等细节处图4(d)效果要好得多。
图5 不同算法对Scene处理后的效果
使用均值、对比度、平均梯度客观评价标准对图像进行定量分析,数据见表1、表2、表3。
从各表数据分析可得,在均值上,各类算法都提高了图像均值,但本文算法均值提高不会过度或不足,这说明本文算法更能平衡增强图像,使增强图像更适合人眼观察。
在对比度上,Tower图和Scene图的对比度均得到了提高,但本文算法提高最大;House图对比度均降低了,但本文算法降低最小。这说明相比其余两种算法,本文算法更能提高图像对比度。
在平均梯度上,Tower图和Scene图的平均梯度均得到了提高,但文中算法提高最大;对于House图,SSR算法和文献[6]算法降低了图像平均梯度,但文中算法对其处理后,平均梯度没有下降反而提高了。这说明本文算法在图像细节增强上优于其它两种算法。
表1 均值算法对比
表2 对比度算法对比
表3 平均梯度算法对比
综上分析,本文算法能有效克服光照不均、消除光晕现象、增强图像细节,增强效果优于传统SSR。
5 结语
传统SSR算法不能解决因光照剧烈变化而产生的光晕现象,在图像细节增强上不够理想,主要是因为高斯环绕函数不能很好地估计光照图像。针对这种情况,本文研究了一种能更好估计光照的方法,提出采用多方向BF代替高斯环绕函数对光照进行估计,然后进行Retinex图像增强。实验结果表明,文中算法能有效地克服光照不均现象,消除光晕,增强图像细节,增强效果优于传统的SSR。
摘要：传统的单尺度Retinex(SSR)图像增强算法无法准确估计明暗突变剧烈区域的背景光照,增强图像易产生光晕现象且图像细节信息减弱。针对这种情况,提出一种基于多方向的双边滤波单尺度Retinex图像增强算法,利用不同方向的双边滤波器平滑输入图像,获得不同的光照图,通过融合得到光照估计,在Retinex增强时保留一定程度的光照使图像增强更加自然。实验结果表明,该方法能有效克服光照不均且可消除光晕现象,增强图像细节,其增强效果优于传统的SSR。
关键词：图像增强,Retinex,双边滤波,多方向融合,光晕
参考文献
[1]傅剑峰.Retinex图像增强方法的关键技术研究[D].合肥:合肥工业大学,2012.
[2]梁琳,何卫平,雷蕾.光照不均图像增强方法综述[J].计算机应用研究,2010,27(5):1625-1628.
[3]秦绪佳,王慧玲,杜轶诚.HSV色彩空间的Retinex结构光图像增强算法[J].计算机辅助设计与图形学学报,2013,25(4):488-493.
[4]鄢丹青,隋运峰,王雨果.自适应Retinex算法在高动态光照环境下的应用[J].计算机应用,2013,33(2):166-167.
[5]周扬,孙瑾,牛犇.一种基于改进Mean Shift滤波的Retinex彩色图像增强算法[J].计算机科学,2014,41(6):160-163.
[6]陈超.改进单尺度Retinex算法在图像增强中的应用[J].计算机应用与软件,2013,30(4):55-57.
[7]周雨薇,陈强,孙权森.结合暗通道原理和双边滤波的遥感图像增强[J].中国图像图形学报,2014,19(2):313-321.
[8]余博,郭雷,钱晓亮.一种新的自适应双边滤波算法[J].应用科学学报,2012,30(5):517-523.