基于梯度直方圖變換的低照度圖像邊緣細節(jié)增強處理系統(tǒng)

摘" 要： 低照度圖像的清晰度低且邊緣細節(jié)信息處理難度大，導致圖像視覺質量低。針對這一問題，文中設計一種基于梯度直方圖變換的低照度圖像邊緣細節(jié)增強處理系統(tǒng)。首先，利用指數派生函數，校正低照度圖像的亮度通道，并調節(jié)低照度圖像亮度；然后，將高斯函數作為梯度直方圖變換的規(guī)定化函數，提取已校正亮度通道圖像的邊緣和紋理信息，進行梯度直方圖變換；最后，選取Retinex算法和高斯卷積函數，根據低照度圖像的梯度直方圖變換結果估計圖像的入射光線，實現低照度圖像的邊緣細節(jié)增強處理。系統(tǒng)測試結果表明，該系統(tǒng)能夠顯著增強低照度圖像的邊緣細節(jié)，提升圖像的視覺質量，增強處理后圖像的信息熵均高于6。

關鍵詞： 梯度直方圖； 低照度圖像； 邊緣細節(jié)； 增強處理； 指數派生函數； Retinex算法

中圖分類號： TN911.73?34； TP399" " " " " " " " " 文獻標識碼： A" " " " " " " " " "文章編號： 1004?373X（2025）05?0075?04

Low illumination image edge detail enhancement processing system"based on gradient histogram transform

WANG Mingxun， ZHANG Xiaohui， YU Xinjun， SHEN Huinan

（College of Electrical Engineering， Henan University of Technology， Zhengzhou 450001， China）

Abstract： The low sharpness of low illumination images and the difficulties in processing their edge detail information result in low visual quality. In view of the above， this paper designs a low illumination image edge detail enhancement processing system based on gradient histogram transform. Firstly， an exponential derivative function is used to correct the brightness channel of the low illumination images and adjust their brightness. Then， the Gaussian function is used as the regularization function for gradient histogram transform， extracting the edge and texture information of the images with corrected brightness channels， and performing gradient histogram transform. Finally， the Retinex algorithm and Gaussian convolution function are selected to estimate the image incident light based on the gradient histogram transform results of the low illumination images， so as to achieve the edge detail enhancement processing of the low illumination images. The system test results show that the system can significantly enhance the edge details of the low illumination images， improve the visual quality of the images， and the information entropy of the enhanced images is higher than 6.

Keywords： gradient histogram; low illumination image; edge detail; enhanced processing; exponential derivative function; Retinex algorithm

0" 引" 言

由于光照條件不佳，低照度圖像往往存在細節(jié)模糊、邊緣信息丟失的問題[1]，極大地影響了圖像的視覺效果和后續(xù)的應用處理。近年來，針對圖像增強的研究眾多。文獻[2]針對單傳感器的低照度彩色圖像增強開展研究，由于僅使用單個傳感器，不需要多個傳感器之間的同步和校準，降低了系統(tǒng)復雜性。但是單傳感器獲取的信息量有限，無法充分捕獲圖像細節(jié)和色彩信息。低照度彩色圖像增強時，單傳感器系統(tǒng)可能面臨更大的色彩失真風險，尤其在處理不同光照條件和顏色場景時。文獻[3]引入注意力機制，通過多階段方法逐步增強圖像亮度，在每個階段保留圖像的細節(jié)信息，防止在增強過程中丟失重要的圖像內容。注意力機制使得網絡能夠專注于圖像的關鍵區(qū)域，對低照度區(qū)域的增強更為精確，有助于提升圖像的整體質量和視覺效果。但在某些特定場景下，如極端低照度或高度復雜的圖像內容，該方法的增強效果將受到限制。文獻[4]將空間頻率濾波器應用于圖像邊緣增強中，利用雙色輻射濾波器區(qū)分圖像中的不同頻率成分，通過濾波操作強化邊緣信息，使得邊緣在圖像中更加突出，提高了圖像的清晰度。雙色輻射濾波器可以根據實際需求調整，通過改變?yōu)V波器參數，實現不同空間頻率的選擇性增強，以適應不同的應用場景。但是在增強圖像邊緣的同時，雙色輻射濾波器同時放大了圖像中的噪聲，特別是噪聲水平較高的圖像，且濾波器參數設置不當時，將導致邊緣信息過度增強或不足，影響圖像的視覺效果。文獻[5]將粗糙集理論應用于微小缺陷圖像對比度增強中，通過對圖像進行直方圖變換，提升圖像對比度，使微小缺陷在圖像中更為突出。但是由于該算法涉及圖像的精細劃分和多種變換處理，在處理復雜紋理或顏色多變的低照度圖像時，難以準確地劃分圖像區(qū)域或去除噪聲。

梯度直方圖對局部圖像梯度方向信息的統(tǒng)計能力強[2]，使得它在目標檢測、圖像識別等方面具有顯著優(yōu)勢。對低照度圖像進行梯度直方圖變換，能夠有效地捕捉到圖像的邊緣和紋理信息[6?7]，為低照度圖像的邊緣細節(jié)增強提供了新的思路。因此，針對以上研究在圖像增強中存在的問題，本文設計了基于梯度直方圖變換的低照度圖像邊緣細節(jié)增強處理系統(tǒng)，通過統(tǒng)計和分析圖像的梯度信息，使低照度圖像的邊緣信息更加清晰、細節(jié)更加豐富，為圖像識別、目標檢測等后續(xù)應用提供了更準確和可靠的輸入數據。

1" 低照度圖像邊緣細節(jié)增強處理系統(tǒng)

1.1" 基于指數派生函數校正低照度圖像亮度通道

針對低照度圖像光照分量較低的問題，為了提升低照度圖像的光照分量，對其亮度通道細節(jié)增強處理，實現亮度通道校正。本文利用指數派生函數校正低照度圖像的亮度通道，調節(jié)低照度圖像亮度[8]，獲取最佳的邊緣細節(jié)增強效果。定義低照度圖像亮度通道校正的指數派生函數為：

[I?=11+exp-αI+1exp-βI-20] （1）

式中：[I?]與[I]分別表示亮度通道校正后的圖像以及初始低照度圖像；[α]與[β]分別表示亮區(qū)域以及暗區(qū)域的增益調整系數。

依據低照度圖像的統(tǒng)計特性，確定參數[α]為：

[α=lnξ×mb md] （2）

式中：[mb]與[md]分別表示低照度圖像的較亮區(qū)域與較暗區(qū)域的像素均值；[ξ]表示常量系數。

根據以上過程對低照度圖像進行亮度通道校正，為后續(xù)的低照度圖像邊緣細節(jié)增強處理提供基礎。

1.2" 低照度圖像的梯度直方圖變換

針對完成亮度通道校正后的低照度圖像，進行梯度直方圖變換，提取圖像中的梯度信息以及邊緣和紋理特征[9]，作為后續(xù)低照度圖像邊緣細節(jié)增強的輸入。

圖像的視覺效果受梯度值影響較大，圖像梯度值在細節(jié)紋理越豐富時越大。假設[Ix，y]表示亮度通道校正后的低照度圖像，圖像中點[q]的梯度表達式如下：

[?Iq=?Iq ?x，?Iq ?y] （3）

通過式（3）可以看出，圖像中各像素點的梯度共同形成了圖像的梯度矢量場。圖像的矢量方向以及梯度值分別表示灰度變化方向以及灰度變化速度。利用梯度值的像素總數量[10]，以及像素數量與梯度值之間的關聯，可以構建低照度圖像的梯度直方圖。

選取高斯函數作為低照度圖像梯度直方圖變換的規(guī)定化函數，其表達式如下：

[fx=12πe-x-μ22η2] （4）

式中：[x]表示隨機像素點；[μ]與[η]均表示高斯系數，二者分別用于調整高斯峰位置以及平緩程度。[μ]、[η]的表達式如下：

[μ=?Iqp?Iq] （5）

[η=1 ??Iq-μ2p?Iq2] （6）

式中：[?]與[p]分別表示常數以及梯度的概率密度。

利用高斯函數進行低照度圖像梯度直方圖變換的過程如下。

步驟1：計算低照度圖像[Ix，y]原梯度值[?Iq]的變換梯度[?I′q]的表達式如下：

[?I′q=P?Iq=p?Iq=Nn] （7）

式中：[n]與[N]分別表示梯度值為[?Iq]的像素數量以及圖像像素總數量；[P]表示概率密度和。

步驟2：搜尋圖像變換梯度[?I′q]與目標梯度值的變換關系，確定低照度圖像目標梯度值的表達式如下：

[?Z=G-1?I′q] （8）

式中[G-1]表示規(guī)定化梯度場[G]的逆變換。

步驟3：利用以上過程確定原始低照度圖像規(guī)定化處理的梯度值后，利用所獲取的梯度值及其對應的矢量方向[11]建立規(guī)定化梯度場[G]。[G]的表達式如下：

[G=S?I?I?I] （9）

式中：[I]與[?I]分別表示原始低照度圖像及其梯度值；[S]表示高斯函數規(guī)定化處理后的圖像梯度值。

利用以上過程完成亮度通道校正后低照度圖像的梯度直方圖變換。計算變換后的圖像像素點的灰度值，設置全部像素點的灰度均值作為閾值。依據所設置的閾值識別低照度圖像的邊緣像素點以及背景像素點。

1.3" Retinex算法的低照度圖像邊緣細節(jié)增強

依據圖像的梯度直方圖變換結果，選取Retinex算法對低照度圖像進行邊緣細節(jié)增強處理，使圖像的邊緣信息更加清晰，細節(jié)更加豐富。假設[Rx，y]表示圖像中的物體表面反射光線，利用Retinex增強算法構建圖像目標與圖像光線的關系式。

[Gx，y=Rx，y+Lx，y] （10）

式中：[Gx，y]與[Lx，y]分別表示輸入的圖像梯度直方圖變換結果及環(huán)境總入射光線。

由于圖像中物體本身存在固定的顏色屬性，因此物體反射光線的能力與環(huán)境入射光線無關。對式（10）兩側取對數，可得：

[lnGx，y=lnRx，y+lnLx，y] （11）

所求低照度圖像通道反射分量的表達式如下：

[lnRix，y=lnGix，y-lnLix，y] （12）

式中[i]表示低照度圖像的顏色分量通道，分別為R、G、B。通過以上過程可知，入射光線分量[Lx，y]決定了反射光線分量[Rx，y]，影響最終的低照度圖像邊緣細節(jié)增強效果。由于圖像的入射光線[Lx，y]為低頻信號，選取高斯卷積函數，通過輸入的圖像梯度直方圖變換結果估計圖像入射光線的表達式如下：

[Lx，y=Gx，y×Hx，y] （13）

式中[Hx，y]表示高斯卷積函數。

將式（13）代入式（11），根據圖像入射光線估計結果，獲取利用Retinex算法增強低照度圖像邊緣細節(jié)的最終表達式：

[Yx，y=lnGx，y-lnGx，y×Hx，y] （14）

通過式（14）獲取的[Yx，y]，即最終低照度圖像的邊緣細節(jié)增強處理結果。

2" 系統(tǒng)測試

為了測試所設計系統(tǒng)對低照度圖像邊緣細節(jié)的增強處理性能，設計如下測試。選取網絡中某低照度圖像集作為測試對象，該低照度圖像集中共包括8個不同低照度類型的樣本子集，低照度圖像集的樣本設置見表1。

從低照度圖像集中隨機選取某低照度圖像，原始低照度圖像如圖1a）所示。采用本文系統(tǒng)對該低照度圖像進行亮度通道校正，該圖像的亮度通道校正結果如圖1b）所示。

觀察圖1b）實驗結果可以看出，本文系統(tǒng)可以有效實現對圖像亮度通道的校正。經過亮度通道校正后，圖像的亮度有了明顯的提升，改善了低照度圖像亮度過暗、影響圖像質量的問題，為提升圖像邊緣細節(jié)增強性能提供了可靠的基礎。

采用本文方法對該低照度圖像進行梯度直方圖變換，獲取的梯度直方圖如圖2所示。

觀察圖2可以看出，本文系統(tǒng)能夠對低照度圖像進行有效的梯度直方圖變換，獲取低照度圖像對應的梯度直方圖。梯度直方圖能夠有效體現低照度圖像的邊緣信息以及細節(jié)信息，提升邊緣細節(jié)增強處理性能。

本文系統(tǒng)增強處理的最終結果如圖3所示。

觀察圖3實驗結果可以看出，采用本文系統(tǒng)能夠實現低照度圖像邊緣細節(jié)的有效增強。經過邊緣細節(jié)增強處理后的低照度圖像質量有了明顯提升，圖像的邊緣細節(jié)更加明顯，清晰度與對比度有了明顯的提升。本文系統(tǒng)通過對低照度圖像進行邊緣細節(jié)增強，實現圖像邊緣信息的有效捕獲和增強，顯著改善了低照度圖像的視覺效果，使邊緣信息更加清晰，細節(jié)更加豐富。

為了進一步驗證本文系統(tǒng)的增強性能，統(tǒng)計本文系統(tǒng)對實驗樣本集中各子集中低照度圖像的邊緣細節(jié)增強處理結果。選取信息熵、對比度以及峰值信噪比作為衡量本文系統(tǒng)增強圖像邊緣細節(jié)性能的評價指標，得到性能評價結果如表2所示。

根據表2實驗結果可以看出，針對不同類型的低照度圖像本文系統(tǒng)均具有良好的邊緣細節(jié)增強效果，各樣本子集的平均信息熵均高于6.5，峰值信噪比均高于30 dB，對比度值均處于20～30之間。信息熵能夠體現圖像中包含的細節(jié)信息，本文系統(tǒng)增強后的低照度圖像能夠更好地保留圖像中的細節(jié)，實現不同類型低照度圖像的有效處理。對比度過高，容易出現圖像失真的情況，影響圖像質量。本文系統(tǒng)有效地將圖像對比度控制在20～30之間，獲得了最佳的圖像質量以及視覺效果。

3" 結" 論

本文通過對低照度圖像進行梯度直方圖變換，構建低照度圖像邊緣細節(jié)增強處理系統(tǒng)。梯度直方圖變換能夠有效地提取圖像的邊緣和紋理信息，精確地捕捉圖像中的關鍵細節(jié)，為后續(xù)的邊緣細節(jié)增強處理提供了有力支持。系統(tǒng)測試結果表明，本文系統(tǒng)在不同光照條件下的增強處理中均表現出良好的穩(wěn)定性。對于弱光圖像、夜間圖像，該系統(tǒng)都能夠有效的進行增強處理，使圖像質量得到顯著提升。

注：本文通訊作者為張曉輝。

參考文獻

[1] 蔣一純，詹偉達，朱德鵬.基于亮度通道細節(jié)增強的低照度圖像處理[J].激光與光電子學進展，2021，58（4）：91?99.

[2] 金石開，徐江濤，聶凱明.基于單傳感器的低照度彩色圖像增強系統(tǒng)[J].激光與光電子學進展，2021，58（14）：130?138.

[3] 諶貴輝，林瑾瑜，李躍華，等.注意力機制下的多階段低照度圖像增強網絡[J].計算機應用，2023，43（2）：552?559.

[4] KOTOV V M. Two?dimensional image edge enhancement using a spatial frequency filter of two?color radiation [J]. Quantum electronics， 2021， 51（4）： 348?352.

[5] 唐愛平，楊麗.基于粗糙集的微小缺陷圖像對比度增強算法[J].控制工程，2023，30（5）：881?885.

[6] 王利娟，常霞，任旺.基于加權直方圖均衡化彩色圖像增強仿真[J].計算機仿真，2021，38（12）：126?131.

[7] 張姣，張毅.機器視覺圖像邊緣細節(jié)無序增強算法研究[J].計算機仿真，2023，40（8）：211?214.

[8] 蔣昊，徐海松.基于直方圖與圖像分塊融合的階調映射算法[J].浙江大學學報（工學版），2022，56（11）：2224?2231.

[9] 江巨浪，劉國明，朱柱，等.基于快速模糊聚類的動態(tài)多直方圖均衡化算法[J].電子學報，2022，50（1）：167?176.

[10] 周輝奎，顧牡丹.自適應加權直方圖均衡化的紅外圖像增強[J].光學技術，2023，49（6）：750?755.

[11] 游達章，陶加濤，張業(yè)鵬，等.基于灰度變換及改進Retinex的低照度圖像增強[J].紅外技術，2023，45（2）：161?170.

[12] 黃淑英，黎為，楊勇，等.基于照度圖引導的低照度圖像增強網絡[J].計算機輔助設計與圖形學學報，2024，36（1）：92?101.

[13] 柳磊，錢蕓生.基于FPGA的低照度圖像采集與處理系統(tǒng)研究[J].紅外技術，2022，44（5）：462?468.

基金項目：河南省自然科學基金項目（202300410117）；河南省科技攻關項目（192102210240）

作者簡介：王銘勛（1995—），男，河南新鄉(xiāng)人，碩士研究生，研究方向為圖像處理和深度學習。

張曉輝（1981—），男，河南鄭州人，博士研究生，副教授，主要從事嵌入式圖像處理、超大規(guī)模集成電路的研究與設計等方面的教學與科研工作。

于心?。?969—），男，河南鄭州人，碩士研究生，副教授，主要從事集成電路的研究與設計等方面的教學與科研工作。

申慧男（1994—），男，山東日照人，碩士研究生，研究方向為圖像處理和深度學習。