基于Retinex的自適應(yīng)非均勻光照圖像增強算法

尹曠 王紅斌 胡帆 莫文雄 潘東東

摘要：傳統(tǒng)的Retinex算法沒有區(qū)分圖像的亮區(qū)域和暗區(qū)域，采用固定尺度對不均勻光照圖像整體進行增強，自適應(yīng)性較差，且增強后可能會出現(xiàn)暗區(qū)域增強不足、亮區(qū)域增強過度的問題。針對此問題，提出了一種基于K-means和Retinex理論的自適應(yīng)圖像增強算法。該算法利用K-means算法分割圖像的亮區(qū)域和暗區(qū)域，以原始亮度和濾波函數(shù)尺度的相關(guān)性為依據(jù)，自適應(yīng)地獲得各子圖的濾波尺度并進行增強。驗證結(jié)果表明，與傳統(tǒng)的圖像增強方法相比，該自適應(yīng)增強方法在圖像光照補償和顏色保持上表現(xiàn)良好。

關(guān)鍵詞：圖像處理；圖像增強；Retinex； K-means；非均勻光照

中圖分類號：TP391.4文獻標志碼：A文章編號：1008-1739（2022）16-65-6

0引言

隨著計算機視覺技術(shù)的發(fā)展，圖像數(shù)據(jù)量以驚人的速度增長，由于采集環(huán)境影響，不均勻光照圖像占據(jù)了很大比例，嚴重影響了圖像的應(yīng)用價值。目前，低光照圖像增強算法大多是基于Land提出的Retinex理論的改進，改進的最終目標是估計出準確的光照圖。經(jīng)典的單尺度Retinex（Single-Scale Retinex， SSR）[1]算法采用高斯核函數(shù)作為卷積核，通過設(shè)置適當?shù)某叨瓤梢缘玫綄D像光照的估計。多尺度Retinex（Multi-Scales Retinex， MSR）[2]算法由多個尺度的高斯濾波結(jié)果加權(quán)平均組成，可有效減少SSR算法中的光暈現(xiàn)象。帶色彩恢復的多尺度視網(wǎng)膜增強（Multi-Scale Retinex with Color Restoration，MSRCR）[3]算法在MSR算法的基礎(chǔ)上保持增強圖像三通道的比例，避免了色彩失真。為了更有效地保留光照突變邊緣的細節(jié)信息，Guo等[4]提出了LIME算法，該算法利用RGB三通道的最大像素值優(yōu)先估計初始光照圖，再使用一個結(jié)構(gòu)保留的光滑模型來增強光照圖。常戩等[5]提出了一種基于Retinex的改進雙邊濾波的多聚焦融合算法，圖像細節(jié)增強效果特別顯著。Yang等[6]提出了基于Retinex分解和自適應(yīng)伽瑪校正的低光圖像增強，有效增強了光照圖的細節(jié)。

近年來，基于學習的圖像增強方法發(fā)展迅速[7]，Shen等[8]將MSR算法與深度學習相結(jié)合，提出了MSR-Net網(wǎng)絡(luò)。Lv等[9]根據(jù)增強過程設(shè)計了分解網(wǎng)絡(luò)、照明調(diào)整網(wǎng)絡(luò)和融合細化網(wǎng)絡(luò)，減少了圖像退化。但基于深度學習的方法，在增強效果上非常依賴于訓練的數(shù)據(jù)集，不僅在數(shù)據(jù)收集上產(chǎn)生一定的工作量，訓練結(jié)果也可能出現(xiàn)意想不到的效果，現(xiàn)階段很難用在工業(yè)生產(chǎn)上[10]。

本文提出了一種基于K-means的自適應(yīng)Retinex圖像增強算法，該算法以圖像亮度與高斯濾波函數(shù)尺度的映射關(guān)系為基礎(chǔ)，在HSV空間下利用K-means聚類算法將V分量分割為若干子圖，根據(jù)子圖質(zhì)心與Retinex尺度的映射關(guān)系求解出各子圖高斯濾波尺度，再結(jié)合SSR算法完成對亮度V的整體增強。對比試驗表明，本文方法更適用于不均勻光照場景下的圖像增強。

1非均勻光照圖像的亮度自適應(yīng)分割

1.1非均勻光照增強的尺度效應(yīng)分析

由于拍攝面積大，相機的動態(tài)范圍有限，采集到的圖像經(jīng)常會出現(xiàn)光照不均勻的情況，如圖1所示，金屬表面圖像中間區(qū)域光照較強，相對清晰，邊緣部分較暗，無法顯示出零件細節(jié)信息。

目前，基于Retinex理論的圖像增強算法通常用高斯低通濾波器提取入射亮度，該方法需要根據(jù)實際處理的圖像特點設(shè)置合適的高斯尺度，不同尺度下的高斯濾波對入射光照的估計效果如圖2所示，對應(yīng)的增強效果如圖3所示。

由圖2和圖3可以看出，當較小時，光照估計圖像的細節(jié)保留效果較好，低光照區(qū)域圖像的細節(jié)能得到較好地增強。但對光照的估計精度較差，光照去除后容易造成顏色失真。反光金屬表面圖像的邊緣區(qū)域亮度較低，對光照估計的精度要求不高，可以用較小尺度的高斯濾波器估計光照，以最大程度地恢復極暗區(qū)域的細節(jié)信息。

當尺度較大時，圖像模糊程度提高，對光照的估計也就更準確，增強后圖像顏色保真性較好。但無法有效地保留光照圖像邊緣突變區(qū)域的信息，因此增強圖像紋理邊緣會產(chǎn)生明顯的偽影現(xiàn)象。金屬表面圖像的中間區(qū)域亮度較高，通常含有復雜的光照，因此更適合用大尺度的高斯濾波器準確地估計出光照分量，以提高增強圖像的顏色保真性。

另外，隨著尺度的增大，運行時間也會變得更長。綜上所述，對不同亮度區(qū)域做不同尺度的Retinex增強可以達到既保留圖像邊緣細節(jié)又最大程度地恢復圖像顏色的目的。

1.2基于K-means的亮度聚類算法

HSV顏色空間用色調(diào)（Hue）、飽和度（Saturation）和明度（Value）三個屬性表示色彩，更符合人眼對色彩描述的直觀感受，并且三通道互不影響，可以單獨處理，非常適用于圖像增強任務(wù)。因此，本文算法結(jié)合這一特點，首先將RGB空間圖像轉(zhuǎn)換到HSV空間；然后利用K-means算法單獨對V分量進行聚類，以此將V分量劃分為若干區(qū)域，來表示圖像的亮區(qū)域和暗區(qū)域；最后以局部處理的方式，做不同的圖像增強處理。亮度劃分流程如圖4所示。

K-means聚類算法原理簡單且易于實現(xiàn)，首先，在圖像像素范圍內(nèi)隨機選取個值作為初始聚類中心，計算所有像素到聚類中心的距離，并按照最小距離原則將其分配到各類中；然后，將聚類中心值更新為各聚類區(qū)域像素的平均值，并進行迭代更新，直到中心值不再改變。因此，初始聚類中心和距離度量方法的選擇直接影響著算法的效率和聚類效果。

由于大部分算法的初始聚類中心是隨機生成的，不可避免地會增加算法的迭代次數(shù)、降低效率。在實際應(yīng)用中，根據(jù)圖像的特點選取初始中心點至關(guān)重要，本文考慮到反光金屬表面圖像的亮度分布相對均勻，因此在0～255均勻選取個值作為初始中心，以加快收斂速度。傳統(tǒng)的K-means聚類算法與改進后算法在運行時間和迭代次數(shù)的對比如表1所示。

2自適應(yīng)Retinex圖像增強算法

傳統(tǒng)的Retinex算法對全圖做相同的增強處理，并不適合于部分區(qū)域高光，部分低光的不均勻光照圖像增強。因此，基于SSR算法中濾波尺度和圖像亮度的相關(guān)性，本文在HSV空間下提出一種基于K-means聚類算法的自適應(yīng)Retinex圖像增強算法，根據(jù)聚類質(zhì)心亮度值自動選擇需要的尺度，不需要人工參與調(diào)節(jié)尺度參數(shù)。首先，將RGB空間的圖像轉(zhuǎn)換到HSV空間。其次，利用K-means算法把亮度分量V分割成若干子圖，并根據(jù)質(zhì)心亮度值與高斯濾波器尺度的映射關(guān)系求解出自適應(yīng)濾波尺度。再次，融合各尺度濾波后的子圖得到對入射亮度的整體估計。然后，只對V分量利用SSR算法得到增強后的V分量。最后，合并HSV通道并轉(zhuǎn)換到RGB空間，得到增強后的圖像，具體流程如圖6所示。

3實驗與分析

為驗證本文所提算法的有效性，本文采用了4種非均勻光照圖像增強算法進行對比實驗，所采用的4種算法分別為：直方圖均衡化（Histogram Equalization，HE），SSR，MSR，MSRCR。所有算法在Microsoft Visual Studio 2017軟件下編程實現(xiàn)，實驗運行環(huán)境為Intel（R） Core（TM） i5-7200U CPU @ 2.50 GHz 2.70 GHz，4 GB內(nèi)存的PC機。

3.1主觀評價

文中提出的算法與其他算法的圖像處理結(jié)果如圖8所示?？梢钥闯觯琀E算法的細節(jié)保持效果較好，增強效果自然，但亮度增強效果差，尤其在邊緣的偏暗區(qū)域沒有得到有效的光照補償；SSR和MSR算法的增強效果整體上顏色不飽和，視覺效果較差，并且在零件周圍出現(xiàn)明顯的光暈現(xiàn)象；MSRCR算法光照補償效果比較好，但增強效果最差，顏色失真嚴重，并且參數(shù)過多，不利于自動化實現(xiàn)，不適合本文圖像場景；本文所提算法在色彩重建上表現(xiàn)得較為出色，圖像增強后飽和度更佳，產(chǎn)生了更好的視覺效果，既能有效抑制高光又沒有顏色的損失，并且在邊緣暗光區(qū)域光照補償效果更佳，在局部和整體上都有很好的效果。

3.2客觀評價

為了從數(shù)據(jù)上客觀地驗證本文算法的有效性，引入了2種普適的無參考圖像質(zhì)量評價指標：自然圖像質(zhì)量評價指標（Natural Image Quality Evaluator，NIQE）[11]和基于感知的圖像質(zhì)量評價指標（Perception-based Image Quality Evaluator，PIQE）[12]。這2種指標均從人類如何感知圖像質(zhì)量為出發(fā)點，綜合了圖像局部質(zhì)量和整體質(zhì)量的評價結(jié)果。其計算的指標能夠比較全面地解釋圖像的感知質(zhì)量，2個指標與圖像的感知質(zhì)量均成反比，低分值表示高感知質(zhì)量，高分值表示低感知質(zhì)量。

NIQE，PIQE的評價結(jié)果如表2所示。

從對比結(jié)果可以看出，HE算法的NIQE指標較低，雖然接近自然圖像效果，但整體較暗，不適合做圖像處理操作； SSR和MSR算法處理效果的2項指標相差不大，MSRCR算法在2種指標下均表現(xiàn)最差，和主觀評價結(jié)果保持一致。本文算法在2種指標中均比SSR，MSR，MSRCR數(shù)值低，表明圖像增強效果較好，整體表現(xiàn)自然，更加符合人眼主觀視覺感受。

4結(jié)束語

本文中不均勻光照圖像增強算法利用K-means算法來計算V分量的最佳分割閾值，根據(jù)分割閾值自適應(yīng)選擇濾波尺度進行增強，很好地彌補了傳統(tǒng)Retinex算法需要根據(jù)圖像特點和處理效果手動調(diào)節(jié)尺度的缺點，并且基于本文提出的分割閾值與尺度的映射關(guān)系，在補償圖像亮度的同時，也兼顧了色彩的增強。與其他算法相比，本文算法處理后的圖像細節(jié)較好，具有良好的顏色恢復性，主觀評價和客觀評價都有明顯的優(yōu)勢。同時，由于本文算法采取了自適應(yīng)尺度算法，參數(shù)較少，可有效提高大型金屬表面的零件缺陷識別和缺陷檢測的準確率，利于缺陷檢測自動化的實現(xiàn)。

本文算法對圖像高光中心區(qū)域的色彩增強效果不佳，后續(xù)可針對金屬高反光圖像的特點，加入高光抑制算法，并結(jié)合周圍像素信息來恢復高光區(qū)域的色彩。除此之外，為了保持圖像色彩一致性，還需繼續(xù)研究亮度分量V與飽和度S的關(guān)系，使圖像的S分量隨著增強后的V分量也進行自適應(yīng)的調(diào)整，以保證圖像亮度與飽和度的相對關(guān)系不變，使圖像全局色彩更加自然。

參考文獻

[1] BINDHU A， DR U M O.Color Corrected Single Scale Retinex Based Haze Removal and Color Correction for Underwater Images[J].Color Research & Application，2020，45（6）： 1084-1093.

[2] SUN L，TANG C， XU M， et al.Non-uniform Illumination Correction Based on Multi-scale Retinex in Digital Image Correlation[J].Appl. Opt，2021，60（19）：5599-5609.

[3] BO J， GLENN A.WOODELL D J..Novel Multi-scale Retinex with Color Restoration on Graphics Processing Unit[J]. Journal of Real-Time Image Processing，2015，10（2）：239-253.

[4] GUO X J， LI Y， LING H B.Lime： Low-light Image Enhancement via Illumination Map Estimation[J].IEEE Trans. Image Process，2016，26（2）：982-993.

[5]常戩，任營，賀春澤.改進雙邊濾波Retinex的多聚焦圖像融合[J].中國圖象圖形學報， 2020， 25（3）： 432-441.

[6] YANG J Y， XU Y W， YUE H J， et al. Low -light Image Enhancement Based on Retinex Decomposition and Adaptive Gamma Correction[J].IET Image Processing，2020，15（5）： 1189-1202.

[7]葉魯建.基于深度學習和Retinex理論的低照度圖像增強算法研究[D].合肥：中國科學技術(shù)大學， 2021.

[8] SHEN L， YUE Z H， FENG F， et al. MSR-net：Low-light Image Enhancement Using Deep Convolutional Network[J].[2022-04-40]. https：//arxiv.org/abs/1711.02488.

[9] LV X Q， SUN Y J， ZHANG J J， et al. Low-light Image Enhancement via Deep Retinex Decomposition and Bilateral Learning[J]. Signal Processing： Image Communication， 2021，99：125-130.

[10] LI P Y， TIAN J D， TANG Y D， et al. Deep Retinex Network for Single Image Dehazing[J]. IEEE Transactions on Image Processing： A Publication of the IEEE Signal Processing Society， 2020，30：1100-1115.

[11] VENKATANATH N ， PRANEETH D ， CHANDRASEKHAR B ， et al. Blind Image Quality Evaluation Using Perception Based Features[C]// 2015 Twenty First National Conference on Communications. Mumbai：IEEE， 2015：1-6.

[12] MITTAL A ，SOUNDARARAJAN R， BOVIK A C. Making a Completely Blind Image Quality Analyzer[J]. IEEE Signal Processing Letters， 2013， 20（3）：209-212.