基于自適應(yīng)分割和多尺度Retinex的圖像增強(qiáng)算法*

李雅梅，謝秉旺

（遼寧工程技術(shù)大學(xué) 電氣與控制工程學(xué)院，遼寧 葫蘆島 125105）

0 引 言

智慧交通系統(tǒng)（intelligent transportation system，ITS）是指信息技術(shù)、云計(jì)算、大數(shù)據(jù)、自動(dòng)控制等技術(shù)融合運(yùn)用，從而建立起大范圍、全方位的綜合智能交通管理系統(tǒng)。其中智能行車預(yù)警是ITS發(fā)展的主要方向之一，現(xiàn)階段以機(jī)器視覺識(shí)別為主要預(yù)警信息獲取方法，而復(fù)雜環(huán)境下，例如夜間通過車載設(shè)備采集的圖像因道路照明，車輛燈光，以及周圍環(huán)境等的影響，會(huì)出現(xiàn)強(qiáng)光影過渡和局部高亮的現(xiàn)象，嚴(yán)重阻礙了機(jī)器視覺的高效識(shí)別，此類圖像信息通常需要經(jīng)過增強(qiáng)、去噪等預(yù)處理，以獲得較多、準(zhǔn)確的預(yù)警信息。圖像增強(qiáng)是針對(duì)不同場(chǎng)景圖像，定向突出感興趣的圖像特征、抑制噪聲，使圖像更符合視覺感官需求或機(jī)器視覺標(biāo)準(zhǔn)的處理技術(shù)［1］。

為了解決圖像增強(qiáng)過程中存在的失真問題，文獻(xiàn)［2］和文獻(xiàn)［3］通過對(duì)亮度圖像進(jìn)行離散小波變換（DWT），對(duì)高、低頻子帶分別進(jìn)行不同偏向的增強(qiáng)與濾波處理，并對(duì)結(jié)果進(jìn)行融合優(yōu)化，該方法能夠快速、有效地實(shí)現(xiàn)低照度圖像的清晰化，但在強(qiáng)光影過渡區(qū)域易出現(xiàn)偽色彩現(xiàn)象。Wang W等人［4］提出通過簡(jiǎn)化的高斯卷積運(yùn)算，構(gòu)建合理色彩空間的方法，以減小Retinex 中估計(jì)入射分量的計(jì)算量與誤差，該方法能夠加快算法運(yùn)行效率并保持圖像色彩，但適用于復(fù)雜背景下的圖像時(shí)，容易出現(xiàn)細(xì)節(jié)模糊等問題。文獻(xiàn)［5］提出一種灰度級(jí)映射最優(yōu)化模型，優(yōu)化了直方圖均衡化的色彩效果與計(jì)算效率，但對(duì)極低對(duì)比度圖像的增強(qiáng)中無法增強(qiáng)圖像的結(jié)構(gòu)信息。文獻(xiàn)［6］通過全變分模型估計(jì)圖像中的入射分量，以改善傳統(tǒng)估計(jì)方法中存在的階梯偽影等不足，但估計(jì)過程較復(fù)雜，算法的實(shí)時(shí)性較差。文獻(xiàn)［7］提出通過LIP模型分解圖像為4 個(gè)照度區(qū)域，進(jìn)行不同程度的Retinex增強(qiáng)，再以面積為指導(dǎo)進(jìn)行照度圖像融合，有效增強(qiáng)了亮度與細(xì)節(jié)信息，但因數(shù)次的多尺度變換導(dǎo)致算法參數(shù)整定過程較為復(fù)雜。

針對(duì)上述算法在強(qiáng)光影變換，或整體低照度但含有強(qiáng)光照的圖像適應(yīng)性不佳等問題，本文提出了一種基于自適應(yīng)分割［8］和多尺度Retinex（multi-scale Retinex，MSR）的圖像增強(qiáng)算法，通過對(duì)原圖像進(jìn)行分割［9］，對(duì)強(qiáng)光照和暗影圖像分別進(jìn)行不同參數(shù)的增強(qiáng)，對(duì)結(jié)果進(jìn)行類多聚焦圖像邊界加權(quán)融合［10］，得到最終的增強(qiáng)圖像。

1 本文算法介紹

本文算法首先對(duì)采集到的圖像數(shù)據(jù)進(jìn)行輕微程度的中值濾波，消除圖像中孤立的白點(diǎn)、黑點(diǎn)、椒鹽噪聲以及斑點(diǎn)噪聲等。濾波后的圖像進(jìn)行腐蝕、膨脹，再進(jìn)行形態(tài)學(xué)重建，增加圖像中的前景元素與背景元素連通性，同時(shí)分別標(biāo)記前景、背景圖像。對(duì)該圖像應(yīng)用分水嶺算法分割為高亮度的前景與較低亮度的背景圖像，然后應(yīng)用不同尺度的Retinex算法分別增強(qiáng)前景、背景圖像，對(duì)增強(qiáng)后的圖像進(jìn)行局部的加權(quán)融合［11，12］，得到最終的增強(qiáng)圖像。

2 Retinex算法

Retinex算法的理論基礎(chǔ)之一是Retinex理論——一種顏色恒常知覺的計(jì)算理論，指出傳感器采集到的圖像數(shù)據(jù)是由物體本身反射出的環(huán)境光形成［13］，存在著一定的偏差，真實(shí)圖像只由該物體本身的物理屬性決定，如圖1所示。

圖1 Retinex算法的成像原理

在觀測(cè)物體固定的條件下，其三者關(guān)系為

式中 x，y為該像素在圖像中的橫、縱坐標(biāo)，S（x，y）為傳感器采集的數(shù)據(jù)；L（x，y）為環(huán)境總?cè)肷涔饩€；R（x，y）為物體表面反射光線的能力，不隨著環(huán)境入射光線L（x，y）的變化而變化，即物體本身存在的顏色屬性。為方便求得L（x，y），對(duì)式（1）兩邊取對(duì)數(shù)，得到

由式（2）可得所求通道的反射分量R（x，y）為

式中 i取值R、G、B代表圖像的各個(gè)顏色分量通道。由上式可知，入射光線分量L（x，y）計(jì)算的準(zhǔn)確性直接決定反射光線分量R（x，y）的準(zhǔn)確性，并最終決定圖像增強(qiáng)的效果。因入射光線L（x，y）為低頻信號(hào)，故采用高斯卷積函數(shù)［14］，通過采集的圖像數(shù)據(jù)S（x，y）估計(jì)入射光線L（x，y），表示為

將L（x，y）的估計(jì)結(jié)果代入式（2），得到

式中 r（x，y）即為傳統(tǒng)Retinex算法增強(qiáng)后的結(jié)果。

3 仿真實(shí)驗(yàn)

3.1 中值濾波和形態(tài)學(xué)重建

采用中值濾波濾除圖像中低照度與高景深引起的一類噪聲，中值濾波窗口尺寸決定了濾波效果。此處目的在于濾除圖像中存在的脈沖噪聲，設(shè)計(jì)窗口大小N為圖像寬度的β關(guān)聯(lián)，經(jīng)過大量實(shí)驗(yàn)，最終取參數(shù)β ＝0.006，該參數(shù)下既能按照預(yù)期濾除噪聲，又能夠很好地保留圖像的紋理信息，選取具有代表性的實(shí)驗(yàn)結(jié)果如圖2及其局部放大的圖3。

圖2 不同窗口尺寸的中值濾波效果

圖3 不同窗口尺寸的中值濾波效果局部放大

為提高算法的適用范圍，對(duì)中值濾波之后的圖像按照文獻(xiàn)［15］提出的方法與參數(shù)進(jìn)行膨脹、腐蝕操作以進(jìn)一步連通圖像中特征相似的區(qū)域，并消除與周圍空間存在跳變差異的像素群，實(shí)驗(yàn)過程如圖4所示。

圖4 相似區(qū)域連通效果對(duì)比

3.2 分水嶺分割

經(jīng)過3.1 節(jié)處理后，得到的拓?fù)涞孛?，無明顯的偽極小值，圖形表現(xiàn)出較為集中集水盆地，無明顯孤立盆地，盆地邊界清晰，以此為源圖像，進(jìn)行分水嶺分割，得到分割的前景RH（x，y）如圖5（b）黑色區(qū)域所示，背景區(qū)域RL（x，y）如圖5（c）黑色區(qū)域所示。

圖5 原圖、分割后的背景與前景

3.3 Retinex增強(qiáng)

分割后高亮度的前景S1（x，y），以適當(dāng)降低亮度，突出圖像的紋理與細(xì)節(jié)，恢復(fù)局部圖像特征為主要目的，所以選取尺度為σ1的高斯模板G1（x，y）對(duì)該區(qū)域進(jìn)行濾波運(yùn)算，估計(jì)反射分量并消減，r1（x，y）為高亮前景的定向處理結(jié)果

r1（x，y）＝ln［S1（x，y）］-ln［G1（x，y）×S1（x，y）］（6）

分割后低對(duì)比度的背景S2（x，y），以增強(qiáng)整體圖像亮度，內(nèi)容的紋理以及邊緣信息為主，所以選取尺度為σ2的高斯模板G2（x，y）對(duì)該區(qū)域進(jìn)行濾波運(yùn)算［16］，估計(jì)并消減該區(qū)域的入射分量，得到反射分量，以此增強(qiáng)該區(qū)域?qū)Ρ榷鹊刃阅軈?shù)，實(shí)現(xiàn)過程如下式

式中 r2（x，y）為低對(duì)比度背景的定向處理結(jié)果。由于需要最大限度的保持圖像的色彩信息，所以需要對(duì)圖像的R、G、B通道分別進(jìn)行處理，則上式中S2（x，y）取值為

式中 i的取值為R、G、B，分別表示圖像的R、G、B 3 個(gè)顏色通道。將得到的r1（x，y）、r2（x，y）分別從對(duì)數(shù)域轉(zhuǎn)換到實(shí)數(shù)域得到階段性的輸出圖像R1（x，y）、R2（x，y）。

3.4 加權(quán)融合

融合圖片的亮區(qū)以分割后增強(qiáng)的亮區(qū)為主，暗區(qū)則以增強(qiáng)后的暗區(qū)為主，并在分割的邊界處逐步減小彼此權(quán)重，以此為基礎(chǔ)，構(gòu)建如下亮區(qū)融合加權(quán)矩陣

式中 KH為亮區(qū)的融合權(quán)重；p為該圖像中暗區(qū)像素占比，q為該圖像中亮區(qū)占比；xj，yj為該位置由分水嶺算法分割后的圖像內(nèi)部邊界坐標(biāo)；xi，yi為該圖像內(nèi)像素坐標(biāo)，以此通過像素間的空間距離對(duì)亮區(qū)圖像進(jìn)行加權(quán)處理，同理得到暗區(qū)融合加權(quán)矩陣

式中 KL為暗區(qū)的融合權(quán)重，其余參數(shù)含義式（9）相同。最終增強(qiáng)結(jié)果為

為最大限度保留圖像的色彩信息以及紋理特性，以上處理分別在圖像的R、G、B通道進(jìn)行，則表示為

式中 i取值為R、G、B，分別代表分割后的3 個(gè)通道圖像。則最終本算法輸出的結(jié)果為

式中 RFF（x，y）為最終的輸出結(jié)果，為三原色（RGB）格式的彩色圖像，定義運(yùn)算⊕為按圖像通道順序依次合并R、G、B數(shù)據(jù)到該像素位置。

4 對(duì)比實(shí)驗(yàn)與結(jié)果分析

直方圖均衡化（histogram equaliation，HE）、處理單尺度Retinex（single scale Retinex，SSR）、MSR與本文所提算法進(jìn)行測(cè)試對(duì)比。

4.1 主觀評(píng)價(jià)

如圖6 所示，（a）列為數(shù)據(jù)集中選取出的原始圖片；（b）列為經(jīng)過HE處理的圖像，圖像的亮度明顯增強(qiáng)，小部分暗部細(xì)節(jié)得以顯現(xiàn)，但強(qiáng)光或光源處存在明顯的光暈現(xiàn)象，路面較亮處呈現(xiàn)白色，失去圖像紋理細(xì)節(jié)；（c）列為經(jīng)過SSR算法增強(qiáng)的結(jié)果，圖中暗部的亮度的得到有效提升，如圖中天空區(qū)域及樹冠部分，但圖像整體均存在灰色蒙板；（d）列為經(jīng)過MSR算法增強(qiáng)的結(jié)果，圖像色彩豐富，沒有明顯的亮度過高現(xiàn)象，暗部圖像紋理的得到了一定的增強(qiáng)，但是強(qiáng)光區(qū)域存在明顯的多層光暈，且圖像顏色信息存在一定程度失真；（e）列為本文算法的增強(qiáng)結(jié)果，在保持色彩與原圖基本一致的前提下，很大程度還原了圖像真實(shí)的色彩信息，在保持圖像原本亮度峰值前提下，增強(qiáng)了暗部的亮度，突出圖像細(xì)節(jié)紋理。

圖6 實(shí)驗(yàn)結(jié)果

4.2 客觀評(píng)價(jià)

對(duì)上述的增強(qiáng)結(jié)果采用峰值信噪比、平均結(jié)構(gòu)相似度以及信息熵作為客觀的評(píng)價(jià)指標(biāo)進(jìn)行分析。表1中數(shù)據(jù)最優(yōu)項(xiàng)由粗體標(biāo)出。

表1 評(píng)價(jià)指標(biāo)比較分析

由表1 可得，本文算法的峰值信噪比整體優(yōu)于其他算法，在處理Tree圖片時(shí)略遜于MSR，但差距甚微，且MSR處理過的圖像存在一定程度的色彩失真；本文增強(qiáng)的圖像結(jié)構(gòu)與原圖最為相似，最大程度保留了原始的圖像邊緣紋理等信息，對(duì)圖像結(jié)構(gòu)的破壞性最?。槐疚乃惴ɑ靖哂谄渌? 種算法，且圖像的色彩還原度較高，細(xì)節(jié)信息豐富，圖像質(zhì)量更高。

5 結(jié) 論

本文提出的一種基于自適應(yīng)分割和MSR 的圖像增強(qiáng)算法，該算法首先使用自適應(yīng)窗口大小的中值濾波，腐蝕、膨脹等操作，濾除圖像噪聲、平滑梯度，面向分水嶺分割做前景與背景的預(yù)先標(biāo)定，再分別進(jìn)行不同側(cè)重的Retinex增強(qiáng)。實(shí)驗(yàn)結(jié)果表明：較其他兩種算法，所提算法有效增加了暗部的圖像紋理與亮度，并且有效抑制亮區(qū)的光暈偽影，表現(xiàn)出了優(yōu)秀的效果。盡管取得了優(yōu)異的進(jìn)展，但因多種算法的融合使用，導(dǎo)致時(shí)間復(fù)雜度較高，保證增強(qiáng)效果的同時(shí)降低其時(shí)間復(fù)雜度與算法的復(fù)雜度是接下來的主要研究方向。