基于Retinex理论的图像增强算法研究

第二章主要眼底图像增强方法彩色眼底图像增强对医学诊断具有重要的作用，目前主要的彩色眼底图像增强方法有：直方图均衡化、对比度受限自适应直方图均衡化以及Hessian矩阵增强方法。

2.1 直方图均衡化方法一般来说，图像对比度的可用较为常见的两种方法进行增强处理，分别为间接对比度增强方法是直方图拉伸方法和直方图均衡化(Histogram Equalization，简称HE)方法。

对于直方图均衡化而言，图像灰度改变的是通过累积函数来实现的，以此达到增强对比度的效果。

其基本的操作步骤的核心思路即，对原始图像的非均质化拉伸处理，使其像素值间距扩张，均匀化各灰度范围的像素量。

这种方法也存在一些缺点：(1) 增强后图像的灰度级会变少，部分细节会消失；(2) 当输入图像的直方图有非常密集的部分时，增强后的图像的对比度会增强过度。

通过直方图均衡化，图像的亮度可以更好地分布在直方图上，让图像更易于观察。

用这种方法来增强图像局部的对比度就不会使图像整体的对比度产生影响，直方图均衡化通过有均衡亮度密集的区域来实现这种功能。

直方图均衡化对增强背景太亮或者前景太暗的图像有很好的效果，尤其是增强X光图像中清晰度较差的骨骼结构以及曝光过度和曝光不足的图像中的细节信息。

这种方法具有一个特殊优势是它的直观性和可逆操作性，若均衡化的函数是已知的，则可以构造出初始的直方图。

但该方法的缺点也很明显，即必须对所有的数据进行分析，这就可能会增加背景的对比度并且降低有用信息的对比度。

图像的直方图可以表现出图像像素值的分布规律。

由于图像是由大量像素组建而成，因而可以将像素分布的直方图进行列表统计来对其特征进行分析研究。

直方图对图像特征的提取和确定其相似度上都具有巨大的贡献，它能通过对不同区间的像素值分布特征进行整体上的调整，优化其灰度分度，进而达到增强图像的视觉感。

直方图与图像清晰度的有如下关系：(1) 亮度不足，即代表其在直方图中主要位于像素值较小区间；(2) 亮度高，即表示其在直方图中主要位于像素较大区间；(3) 灰度级随对比度的降低而降低，且中间水平的灰度级是主要信息的储存区；(4) 灰度级随对比度的升高而升高，且主要信息呈均匀化分布。

基于改进Retinex算法的低照度图像增强方法作者：李武劲彭怡书欧先锋吴健辉郭龙源张一鸣黄锋徐智来源：《成都工业学院学报》2020年第02期摘要：针对低照度图像处理时的halo边缘问题和噪声干扰，提出一种基于组合滤波和自适应噪声消除的改进Retinex算法。

该算法首先采用保边的组合滤波估计亮度图像，然后恢复反射图像时，定义一个包含保真项和正则项的能量函数，通过平滑权重系数控制平滑强度，使得抑制噪声的同时能够保持图像的细节信息。

实验结果表明，提出的算法能够很好保持边缘，抑制噪声的干扰，达到增强低照度图像的目的。

关键词：图像增强;Retinex;低照度;组合滤波中图分类号：TP391 文献标志码：A 文章编号：2095-5383（2020）01-0020-06Abstract： In order to solve the halo edge problem and noise interference in low-light image processing， an improved Retinex algorithm based on integrated filtering and adaptive noise cancellation was proposed.;The algorithm used the combined filtering with edge preservation to estimate the intensity image firstly.;Then a energy function containing a fidelity term and a regularization term was defined when restoring a reflected image， and the smoothing intensity was controlled by the smoothing weight coefficient， so that the detailed information of the image can be maintained while suppressing noise.;Experimental results demonstrate that the algorithm can efficiently enhance details in the under-exposed regions， keep edges， and suppress noise.Keywords： image enhancement; Retinex; low-light; combined filtering隨着光学和电子技术的不断发展，在良好曝光情况下摄像机能够拍摄出高质量的图像。

2020年第3期No.3,2020(总第130期)(Sum.No.130)九圧学院学理(自然科学版)Journal of jiujiang University(natural sciences)基于RETINEX的图像增强方法探讨郑美林王杉（九江学院科研处江西九江332005）摘要：文章主要研究了几种基于视神经网络的图像增强方法。

Retinex的基本概念是通过视网膜（人眼）和大脑皮层（大脑）的帮助，在观察一个物体的位置后，捕捉图像。

根据视差理论，一个图像可以说是光照和物体反射率的产物。

Retinex聚焦于图像的动态范围和颜色常性。

迄今为止，研究者们提出了各种利用视神经网络增强图像对比度的方法。

文章将讨论并比较了单尺度视Retinex（SSR）、多尺度Retinex（MSR）以及改进的Retinex图像增强（IRIE）和改进的MSR夜间增强（MSRINTE）。

关键词：Retinex,图像增强，动态范围，颜色恒常性中图分类号：R193文献标识码：A文章编号:1674-9545（2020）03-0069-（05）D0I：10.19717/ki.jjun.2020.03.018当用设备捕捉图像时，任何类型的干扰都可能导致图像质量的下降。

在处理这些图像时，有一些技术可以帮助提高这些图像的质量，这些技术称为图像增强技术。

对劣质图像进行处理并提高其质量的过程称为图像增强⑴。

图像增强的目的是提高图像质量给人以视觉上的良好体验。

近年来，有各种图像增强技术可用于有效增强低质量的图像，Retinex是其中一种非常有效和高效的技术。

在人类的视觉系统中，当看到一个实物,借助人眼（Retina）和思维处理（Cortex）。

它的图像就在脑海中形成。

人类视觉系统如何感知场景是Retinex的基础。

视网膜（Retina）和大脑皮层（Cortex）这两个词的混合导致了“Retinex”这个术语的形成。

当在借助机器获取图像时，由于各种原因，可能导致图像出现较低的动态范围或较差的色彩稳定性。

第40卷第6期Vol.40㊀No.6重庆工商大学学报(自然科学版)J Chongqing Technol &Business Univ(Nat Sci Ed)2023年12月Dec.2023基于Retinex 理论的低光图像增强算法史宇飞,赵佰亭安徽理工大学电气与信息工程学院,安徽淮南232001摘㊀要:为了解决低光照图像存在的对比度低㊁噪声大等问题,提出一种基于Retinex 理论的卷积神经网络增强模型(Retinex-RANet )㊂它包括分解网络㊁降噪网络和亮度调整网络3部分:在分解网络中融入残差模块(RB )和跳跃连接,通过跳跃连接将第一个卷积层提取的特征与每一个RB 提取的特征融合,以确保图像特征的完整提取,从而得到更准确的反射分量和光照分量;降噪网络以U-Net 网络为基础,同时加入了空洞卷积和注意力机制,空洞卷积能提取更多的图像相关信息,注意力机制可以更好地去除反射分量中噪声,还原细节;亮度调整网络由卷积层和Sigmoid 层组成,用来提高光照分量的对比度;最后将降噪网络去噪后的反射分量和亮度调整网络增强后的光照分量融合,得到最终的增强结果㊂实验结果显示:Retinex-RANet 在主观视觉上不仅提高了低光图像的亮度,还提高了色彩深度和对比度,在客观评价指标上,相较于R2RNet ,PSNR 值上升了4.4%,SSIM 值上升了6.1%㊂结果表明:Retinex-RANet 具有更好的低光图像增强效果㊂关键词:低光增强;残差模块;注意力机制;Retinex 理论中图分类号:TP391㊀㊀文献标识码:A ㊀㊀doi:10.16055/j.issn.1672-058X.2023.0006.008㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2022-06-09㊀修回日期:2022-07-20㊀文章编号:1672-058X(2023)06-0061-07基金项目:国家自然科学基金面上项目(52174141);安徽省重点研究与开发计划资助项目(202004A07020043);安徽省自然科学基金面上项目(2108085ME158);安徽高校协同创新项目(GXXT -2020-54).作者简介:史宇飞(1997 ),男,安徽安庆人,硕士研究生,从事图像处理研究.通讯作者:赵佰亭(1981 ),男,山东枣庄人,教授,博士,从事图像处理㊁智能控制研究.Email:btzhao@.引用格式:史宇飞,赵佰亭.基于Retinex 理论的低光图像增强算法[J].重庆工商大学学报(自然科学版),2023,40(6):61 67.SHI Yufei ZHAO Baiting.Low-light Image enhancement algorithm based on Retinex theory J .Journal of Chongqing Technology and Business University Natural Science Edition 2023 40 6 61 67.Low-light Image Enhancement Algorithm Based on Retinex Theory SHI Yufei ZHAO BaitingSchool of Electrical and Information Engineering Anhui University of Science and Technology Anhui Huainan 232001 ChinaAbstract In order to solve the problems of low contrast and high noise of low-light images a convolutional neural network enhancement model based on Retinex theory Retinex-RANet is proposed.It includes three parts the decomposition network the noise reduction network and the brightness adjustment network.The residual module RB and the jump connection were incorporated into the decomposition network and the features extracted by the first convolutional layer were fused with each RB extracted feature through the jump connection to ensure the complete extraction of the image features resulting in more accurate reflection and illumination components.The noise reduction network was based on the U-Net network and the cavity convolution and attention mechanism were added at the same time so as to extract more image-related information.The attention mechanism can better remove the noise in the reflected component and restore the details.The brightness adjustment network consists of a convolutional layer and a Sigmoid layer which is used to increase the contrast of the light components.Finally the reflection component after denoising by the noise reduction network and the light component after the brightness adjustment network were fused to obtain the final enhancement result.Experimental results show that Retinex-RANet not only improves the brightness of low-light images in subjective vision but also improves the color depth and contrast.In terms of objective evaluation indicators compared with R2RNet the PSNR value increased by 4.4% and the SSIM value increased by 6.1%.The results show that Retinex-RANet has better重庆工商大学学报(自然科学版)第40卷low-light image enhancement.Keywords low light enhancement residuals module attention mechanism Retinex theory1㊀引㊀言在光照不足㊁不均或者有阴影遮挡等条件下,采集的图像一般都存在噪声过多和对比度弱等问题,而这些问题不但会对图像的品质产生负面影响,还会妨碍一些机器视觉任务的进行㊂对低光照图像进行增强,有助于提高高级视觉性能,如图像识别㊁语义分割㊁目标检测等;也可以在一些实际应用中提高智能系统的性能,如视觉导航㊁自动驾驶等㊂因此,对低光图像增强进行研究是十分必要的㊂低光图像增强方法可分为以下4类:基于直方图均衡化的方法[1],其核心是通过改变图像部分区域的直方图来达到整体对比度提高的效果㊂此类方法可以起到提高图像对比度的作用,但是大多数不够灵活,部分区域仍会出现曝光不足和放大噪音等不好的视觉效果㊂基于去雾的方法[2-3],如一些研究人员[4]利用有雾图像和低光图像之间的相似性,通过已有的去雾算法来增强低光照图像㊂尽管此类方法得到了较好结果,但此类模型的物理解释不够充分,同时对增强后的图像进行去噪可能会导致图像细节模糊㊂基于Retinex理论[5]的方法,其将低光图像分解为光照和反射率两部分,在保持反射率一致性的前提下,增加光照的亮度,从而增强图像㊂此类方法不仅提高了图像的对比度,还降低了噪声带来的的影响,不足之处是要根据经验来人工设置算法的相关参数,并且不能对不同类型图像自适应增强㊂基于深度学习的方法,Lore等[6]提出的LLNet通过类深度神经网络来识别低光图像中的信号特征并对其自适应增强;Wei等[7]提出的Retinex-Net结合Retinex理论和神经网络进行图像增强;Wang等[8]提出的GLADNet先通过编解码网络对低光图像生成全局照明先验知识,然后结合全局照明先验知识和输入图像,采用卷积神经网络来增强图像的细节㊂此类基于深度学习的方法均取得了不错的效果,但是大多数方法在增强过程中并没有对噪声进行有效抑制,从而使得增强后的图像出现噪声大㊁颜色失真等问题㊂为解决这些问题,提出了Retinex-RANet(Retinex-Residuals Attention Net)方法㊂Retinex-RANet首先在分解阶段采用残差模块与跳跃连接,通过跳跃连接将第一个卷积层提取的特征与每一个RB提取的特征融合,从而得到更准确的反分量和光照分量㊂另外,还在降噪网络中加入通道注意力模块和空洞卷积,注意力机制可以更好地去除反射分量中的噪声,还原细节;而空洞卷积能获取更多的上下文信息特征㊂实验结果表明:Retinex-RANet具有更好的低光图像增强效果㊂2㊀模㊀型Retinex-RANet模型框图如图1所示㊂由图1可以看到:整个网络模型由3个子网络组成,即分解网络㊁降噪网络以及调整网络,分别用于分解图像㊁降低噪声和调整亮度㊂具体地说,首先该算法通过分解网络将低光照图像S l和正常光图像S h分解为反射分量(R l㊁R h)和光照分量(I l㊁I h),然后降噪网络将分解的反射分量R l作为输入,并使用光照分量I l作为约束来抑制反射分量中的噪声,同时将光照分量I l送入调整网络,来提高光照分量的对比度,最后融合Rᶄ和Iᶄ得到增强后的图像㊂输入Sh分解网络反射分量Rh光照分量Ih反射分量Rl光照分量Il分解网络输入Sl降噪网络调整网络输出R′I′Conv+ReluConv+ReluConv+ReluConvSigmoid图1㊀Retinex-RANet模型结构图Fig.1㊀Retinex-RANet model structure diagram2.1㊀分解网络基于Retinex理论方法的关键是在分解阶段如何得到高质量的光照分量和反射分量,而分解后的结果对后续的增强和降噪操作都会产生影响,因此,设计一个有效的网络对低光图像进行分解是很有必要的㊂分解网络结构如图2所示㊂输入Sl33Conv+Relu3?3Conv+Relu3?3Conv+Relu3?3Conv+Relu3?3Conv+Relu3?3Conv3?3Conv+Relu3?3Conv+Relu3?3Conv+Relu1?1Conv+Relu1?1Conv+Relu跳跃连接S C反射分量Rl光照分量IlS i g m o i d R BR B R B R B图2㊀分解网络Fig.2㊀Decomposition network在分解网络结构中,为了使深度神经网络在训练26第6期史宇飞,等:基于Retinex 理论的低光图像增强算法阶段更容易优化,使用3个残差块(RB)来获得更好的分解结果㊂首先使用3ˑ3卷积提取输入低光图像S l 的特征;然后再经过3个RB 模块提取更多的纹理㊁细节等特征,同时为了减少底层颜色㊁边缘线条等特征的丢失,引入了跳跃连接,即将第一个卷积层的输出连接到每一个RB 的输出,保证特征的充分提取;最后通过3ˑ3ˑ4的卷积层和sigmoid 函数激活,从而得到3通道的反射分量和1通道的光照分量㊂2.2㊀降噪网络在对低光图像进行增强的过程中,大多数基于Retinex 理论的方法在得到分解结果后都忽略了噪声的影响,这会导致最终的增强结果受到反射分量中噪声的干扰,出现模糊㊁失真等问题㊂为了解决这类问题,设计了如图3所示的降噪网络㊂输入R l 、I lS ES ES ES E S E (D i l a t e dC o n v +R e l u )2m a x p o o l i n g(C o n v +R e l u )?2m a x p o o l i n g(C o n v +R e l u )?2m a x p o o l i n g(C o n v +R e l u )?2m a x p o o l i n g(C o n v +R e l u )?2m a x p o o l i n g(C o n v +R e l u )?2m a x p o o l i n g(C o n v +R e l u )?2m a x p o o l i n g(C o n v +R e l u )?2m a x p o o l i n g(C o n v +R e l u )?2C o n vG l o b a lA v g .p o o lF CF CR e l uS i g m o i dS c a l eW ?H ?CW ?H ?C S i g m o i d输出R ′11C图3㊀降噪网络Fig.3㊀Denoising network㊀㊀在低光增强领域,U-Net 网络由于其优秀的结构设计,被大量网络作为其主要架构和部分架构,因此Retinex-RANet 也采用U-Net 作为降噪网络的基础网络部分㊂降噪网络包含编码和解码两个部分㊂在编码阶段,先融合输入的反射分量和光照分量,然后经过一组由两个3ˑ3的空洞卷积㊁RELU 函数激活和最大池化层组成的编码块,3组均由两个卷积核为3ˑ3的卷积激活层和一个最大池化层组成的编码块来提取特征,从而得到编码阶段的特征图,最后将其送入解码阶段㊂编码过程中,每次通过一个编码块,图像的通道数会翻倍,但是其尺寸会降低一半㊂在解码阶段,由4个相同的解码块组成,结构为3ˑ3的卷积层 RELU 函数激活 2ˑ2的反卷积层㊂受到图像识别中的SENet [9]的启发,将通道注意力模块嵌入到跳跃连接中,以便更好地降低噪声,恢复细节㊂如图3所示:首先将编码阶段采集到的图像特征进行全局平均池化操作,然后经过两个全连接层和两个激活函数,最后和解码阶段的特征图逐通道相乘,此过程可将更多的权重分配给有用的特征,如颜色㊁细节和纹理特征等,同时为噪声㊁阴影快和伪影等特征分配较少的权重;然后融合跳跃连接得到的特征图与反卷积后的特征,之后再进行卷积计算,解码过程中,每次通过一个解码块,图像的通道数会降低一半,但是其尺寸会翻倍;最后使用3ˑ3卷积得到一个3通道特征图,并对其进行sigmoid 函数激活,从而得到降噪后的反射分量㊂2.3㊀调整网络在得到分解后的光照分量后,需要提高其对比度,因此设计了图1中的调整网络㊂此调整网络是一个轻量级网络,包含3个卷积激活层㊁1个卷积层和1个Sigmoid 层,同时为了避免底层信息的损失,通过跳跃连接将输入连接到最后一个卷积层的输出㊂2.4㊀损失函数训练时,3个子网络均单独训练,因此,整个Retinex-RANet 的损失由分解损失L dc ㊁降噪损失L r 和调整损失L i 组成㊂2.4.1㊀分解损失为了更好地从低光图像中分解出反射分量和光照分量,设计了3个损失函数,即重建损失L rec ㊁反射分量36重庆工商大学学报(自然科学版)第40卷一致性损失L rs ㊁光照分量平滑损失L is ,如下所示:L dc =L rec +λ1L rs +λ2L isL rec = S l -R l I l 1+ S h -R h I h 1L rs = R l -R h 22L is =∇I lmax ∇S l ,ε()1+∇I hmax ∇S h ,ε()1其中,λ1和λ2分别为L rs 和L is 的权重系数,S l 和S h 为低光条件和正常光条件下的输入图像,R l ㊁R h 和I l ㊁I h 分别是低光和正常光图像分解后的反射分量和光照分量, 表示逐像素相乘操作, 1表示使用的是L 1范数约束损失, 2表示使用的是L 2范数约束损失,∇表示梯度,为水平梯度与垂直梯度之和,ɛ为一个小的正常数,取0.01㊂2.4.2㊀降噪损失为了保证经过降噪处理后的反射分量和正常光图像的反射分量在结构㊁纹理信息等方面能够保持一致,同时衡量降噪处理后图像与正常光图像之间的颜色差异,降噪网络的损失函数L r 如下所示:L r = R ᶄ-R h 22-SSIM R ᶄ,R h ()+ ∇R ᶄ-∇R h 22+L cR ᶄ为经过降噪处理后的反射率,SSIM ()为结构相似性度量,L c 为色彩损失函数,表达式如下:L c = ΓR ᶄ()-ΓS h () 22其具体含义为先对降噪后的图像R ᶄ和正常光图像S h 进行高斯模糊Γ(),再计算模糊后图像的均方误差㊂2.4.3㊀调整损失为了使调整过后的光照分量与正常光图像的光照分量尽可能相似,调整网络的损失函数L i 如下所示:L i = I ᶄ-I h 22+ ∇I ᶄ-∇I h 22其中,I ᶄ为I l 增强后的图像㊂3㊀实验结果和分析3.1㊀训练数据集实验中的训练集为LOL 数据集[7],该数据集包含500对图像:其中,训练集含485对图像,验证集为剩余15对图像㊂在训练过程中,分解模块和增强模块的批量化大小为16,块大小为48ˑ48,训练次数为2000次,分解网络损失函数的权重系数λ1=0.01,λ2=0.2㊂降噪模块的批量化大小为4,块大小为384ˑ384,训练次数为1000次㊂模型优化方法为随机梯度下降法㊂整个网络模型在CPU 型号为Intel (R )Core (TM )i7-10700K㊁GPU 型号为Nvidia GeForce RTX 2080Ti 的电脑上运行,同时训练框架为Tensorflow1.15,GPU 使用Nvidia CUDA10.0和CuDNN7.6.5加速㊂为了评估Retinex-RANet 的性能,将其与几种传统方法如BIMEF [10]㊁Dong [11]㊁LIME [12]㊁MF [13]㊁MSR [14]和SIRE [15]等,以及深度学习方法,如R2RNet [16]㊁Retinex-Net [7]㊁KinD [17]㊁Zero-Dce [18]等进行比较,并同时在多个数据集上评估了该算法,包括LOL㊁LIME㊁NPE [19]和MEF [20]数据集㊂在实验过程中,均采用原文献所提供的源代码对图像进行训练和测试㊂在评估过程中,采用峰值信噪比(R PSNR [21])㊁结构相似性(R SSIM [22])和自然图像质量评估(R NIQE [23])这3个指标来进行定量比较㊂R PSNR 和R SSIM 值越高,R NIQE 值越低,则增强后图像的质量越好㊂3.2㊀消融实验为了确定Retinex-RANet 的有效性,在KinD 网络的基础上进行消融实验㊂该实验使用LOL 数据集进行验证,同时采用R PSNR ㊁R SSIM 指标来评估增强后图像的质量㊂结果如表1所示,表中RB 表示残差模块,SC 表示跳跃连接,SE 表示注意力模块㊂表1㊀各改进模块的消融实验结果Table 1㊀Ablation experimental results of each improved module序号算法R PSNRR SSIM1KinD16.12450.71132KinD +RB 17.27750.76633KinD +RB +SC17.76050.77934KinD +RB +SC +SE19.01960.78395Ours19.77610.7922表1中序号2给出的是在KinD 网络基础上,使用残差模块作为分解网络时的结果㊂相比于KinD 网络,R PSNR 和R SSIM 均有显著的提升㊂在此基础上加入跳跃连接,见序号3,相较于序号2的结果又有了小幅提升㊂说明在使用残差模块和跳跃连接作为分解网络的情况下,得到了质量更高的分解结果,从而验证了残差模块和跳跃连接的有效性㊂由于3个子网络是单独进行训练的,确定改进的分解网络有用后,在此基础上确定在降噪网络中加入空洞卷积和注意力机制的有用性㊂从序号4的结果可以看出,在加入注意力机制后,图像指标明显上升,这是因为注意力模块能集中学习有用特征,如颜色㊁细节等,从而降低图像中的噪声,阴影等㊂为了获取更多的上下文信息,同时在降噪网络中加入空洞卷积(序号5),相较于序号4的结果有了小幅提升㊂从而确定了Retinex-RANet 的模型即为序号5的模型㊂3.3㊀实验评估各算法在不同数据集上的视觉对比如图4㊁图5所示㊂46第6期史宇飞,等:基于Retinex 理论的低光图像增强算法I n p u t D o n g R e t i n e x N e t Z e r o D ceM S R L I M E S I R E R 2R N etM F K i n DO u r sG r o u n d T r u th图4㊀LOL 数据集上各算法的视觉效果Fig.4㊀Visual effects of each algorithm on the LOL datasetI n p u t D o n g R e t i n e x N e t Z e r o D ceM S R L I M E S I R E R 2R N etM FB I M E F K i n DO u rs图5㊀其他数据集上各算法的视觉效果Fig.5㊀Visual effects of each algorithm on other datasets㊀㊀图4的输入来自LOL 数据集,是非常低亮度的真实世界图像㊂可以看出:Dong㊁Retinex-Net㊁Zero-Dce㊁MSR㊁LIME 的增强结果中存在明显的噪声㊁色差等问题,特别是对Retinex-Net 来说,看起来不像真实世界的56重庆工商大学学报(自然科学版)第40卷图像;SIRE㊁MF和KinD对图像的增量程度有限,增强结果偏暗;R2RNet的增强结果在整体上偏白,存在饱和度过低等问题;相比之下,Retinex-RANet增强后的图片更接近于真实世界图像,有效抑制了噪声,同时能很好地还原图像原有的色彩㊂此外,还在其他数据集上对本模型进行了测试,如图5所示㊂从左上角的细节图像中可以看到:虽然大多数方法都能在一定程度上改变输入图像的亮度,但仍然存在着一些严重的视觉缺陷,比如Dong和Retinex-Net存在噪声和颜色失真问题;Zero-Dce㊁R2RNet和MSR增强后的图像整体偏白,无法看清左上角图像的背景;SIRE和KinD增强后的图像总体偏暗,无法观察脸部细节;Retinex-RANet㊁LIME㊁MF和BIMEF 能相对清晰地观察到脸部细节,但比较左下角图的可知,Retinex-RANet相较于其他算法,增强的亮度适中,轮廓细节更加清晰,色彩更为真实㊂表2显示了在LOL数据集上各算法的评估对比,其中,加黑数字为最优数值㊂LOL数据集中的图像为成对的低光/正常光图像,因此可使用R PSNR和R SSIM 来衡量算法的优越性,同时还引用了R NIQE指标㊂从表中可以看出:在R PSNR和R SSIM指标上,Retinex-RANet相较于其他算法都取得了最高的值,而在R NIQE 指标上,所取得的值略高于KIND和R2RNet算法得到的值㊂因为LIME㊁NPE和MEF数据集只包含低光图像,无对应的正常光图像,所以只使用R NIQE指标来比较各算法之间的差异㊂从表3可以看出:在LIME和NPE数据集上,Retinex-RANet取得了最优值,而在MEF数据集上,所取得的值略高于SRIE算法得到的值㊂表2㊀LOL数据集上各算法的结果对比Table2㊀Comparison of the results of each algorithm on the LOL dataset指标SRIE MSR LIME Dong MF Zero-Dce Retinex-Net KinD R2RNet Ours R PSNR13.348612.097914.758315.263915.667616.361516.731716.124518.934219.7761R SSIM0.39760.36370.33610.34470.36890.52470.43090.71130.75250.7982 R NIQE7.28698.11368.37768.31578.77717.93138.8788 4.6724 3.7657 4.7465表3㊀不同数据集上的R NIQE对比Table3㊀Comparison of R NIQE on different datasets算法LIME-data NPE-data MEF-data SRIE 3.8596 4.1803 3.4456MSR 3.7642 4.0614 3.5654 LIME 3.7862 4.4466 3.7962 Dong 4.0516 4.6952 4.2759MF 4.0673 4.3506 3.5995 Zero-Dce 4.3421 4.6511 3.5532 Retinex-Net 4.8077 4.5712 5.1747 KinD 4.1441 3.933 4.7805 R2RNet 5.2291 4.0191 5.1082Ours 3.4064 3.4984 3.4621综上所述,虽然Retinex-RANet并没有在上述数据集上都取得最好的结果,但仍有一定优势㊂同时,在客观评判指标R SSIM和R PSNR上均取得了最高值㊂因此, Retinex-RANet相较于其他算法,对低光照图像增强后的效果更优㊂4㊀结束语针对低光图像在视觉效果上存在亮度低㊁噪声大以及对比度弱等问题,设计了Retinex-RANet网络模型㊂此模型在分解网络中结合残差模块(RB)和跳跃连接,充分提取图像特征和细节信息;在降噪网络中嵌入空洞卷积和注意力机制,可以获取更多的上下文信息,降低图像中的噪声㊁阴影等;最后将降噪网络去噪后的反射分量和亮度调整网络增强后的光照分量融合,得到最终的增强结果㊂实验表明:与LIME㊁Zero-Dce和R2RNet相比,Retinex-RANet在客观指标R PSNR 和R SSIM上均取得了最高的数值,Retinex-RANet在增强图像的视觉对比上,不仅提高了图像的对比度㊁抑制了噪声,而且明显消除了退化问题,达到了更好的视觉效果㊂66第6期史宇飞,等:基于Retinex理论的低光图像增强算法参考文献References1 ㊀SUBRAMANI B VELUCHAMY M.Fuzzy gray level differencehistogram equalization for medical image enhancement J .Journal of Medical Systems 2020 44 6 103 110.2 ㊀张驰谭南林李响等.基于改进型Retinex算法的雾天图像增强技术J .北京航空航天大学学报2019 452309 316.ZHANG Chi TAN Nan-lin LI Xiang et al.Foggy sky image enhancement technology based on the improved Retinex algorithm J .Journal of Beijing University of Aeronautics and Astronautics 2019 45 2 309 316.3 ㊀DONG X WANG G PANG Y et al.Fast efficient algorithmfor enhancement of low lighting video C .Barcelona ICME 2011 1 6.4 ㊀LI L WANG R WANG W et al.A low-light image enhancementmethod for both denoising and contrast enlarging C .QC Canda ICIP 2015 3730 3734.5 ㊀PARK S YU S KIM M et al.Dual autoencoder network forRetinex based low light image enhancement J .IEEE Access 2018 6 22084 22093.6 ㊀LORE K G AKINTAYO A SARKAR S.LLNet A deepautoencoder approach to natural low-light image enhancement J .Pattern Recognition 2017 61 650 662.7 ㊀CHEN W WANG W J YANG W H et al.Deep Retinexdecomposition for low-light enhancement C//Proceedings of British Machine Vision Conference BMVC .2018 155 158.8 ㊀WANG W J CHEN W YANG W H et al.GLADNet Low-light enhancement network with global awareness C .Xi anChina FG 2018 751 755.9 ㊀HU J SHEN L SUN G.Squeeze-and-excitation networks C .Salt Lake City UT USA CVPR 2018 7132 7141.10 YING Z GE L GAO W.A bio-inspired multi-exposurefusion framework for low-light image enhancement EB/OL .https ///abs/1711.0059/.2017.11 DONG J PANG Y WEN J.Fast efficient algorithm forenhancement of low lighting video C .Barcelona ICME 2011 1 6.12 GUO X LI Y LING H.Lime Low-light image enhancement via illumination map estimation J .IEEE Trans Image Process 2017 26 2 982 993.13 FU X ZENG D YUE H et al.A fusion-based enhancing method for weakly illuminated images J .Signal Processing 2016 129 82 96.14 JOBSON D J RAHMAN Z WOODELL G A.A multiscale Retinex for bridging the gap between color images and the human observation of scenes J .IEEE Transactions on Image processing 1997 6 7 965 976.15 FU X ZENG D HUANG Y et al.A weighted variational model for simultaneous reflectance and illumination estimation C .Las Vegas NV USA CVPR 2016 2782 2790.16 HAI J XUAN Z YANG R et al.R2RNet Low-light image enhancement via real-low to real-normal network EB/OL . https //arxivorg/ahs/2016.14501.2021.17 ZHANG Y ZHANG J GUO X.Kindling the darkness A practical low-light image enhancer C //27th ACM Multimedia. France Nice 2019 1632 1640.18 GUO C LI C GUO J et al.Zero-reference deep curve estimation for low-light image enhancement C .Seattle WA USA CVPR 2020 1780 1789.19 WANG S ZHENG J HU H M et al.Naturalness preserved enhancement algorithm for non-uniform illumination images J . IEEE Transactions on Image Processing 2013 229 3538 3548.20 MA J ZENG K WANG Z.Perceptual quality assessment for multi-exposure image fusion J .IEEE Transactions on Image Processing 2015 24 11 3345 3356.21 HUYNH-THU Q GHANBARI M.Scope of validity of PSNR in image/video quality assessment J .Electronics Letters 2008 44 13 800 801.22 WANG Z BOVIK A C SHEIKH H R et al.Image quality assessment From error visibility to structural similarity J .IEEE Transactions on Image Processing 2004 13 4 600 612.23 MITTAL A SOUNDARARAJAN R BOVIK A C.Making a completely blind image quality analyzer J .IEEE Signal Processing Letters 2012 20 3 209 212.责任编辑:李翠薇76。

ISSN1004⁃9037，CODEN SCYCE4Journal of Data Acquisition and Processing Vol.34，No.1，Jan.2019，pp.41-49 DOI：10.16337/j.1004⁃9037.2019.01.005Ⓒ2019by Journal of Data Acquisition and Processinghttp：//E⁃mail：sjcj@ Tel/Fax：+86⁃025⁃84892742基于Retinex算法的亮度分层图像增强算法李忠海宋笑宇陈灿灿王崇瑶（沈阳航空航天大学自动化学院，沈阳，110136）摘要：在处理低照度的图像时，传统的Retinex算法虽然可以提高图像的辨识度，但是存在“光晕伪影”和图像细节表现不明显等问题，因此本文采用了引导滤波图像分层处理与多尺度Retinex算法相结合的图像增强算法。

首先在HSI色彩空间中对原始图像使用引导滤波算法，将图像分成细节图像和基本图像。

然后对分离出来的两个图像层构造增益系数，分别进行增强处理后再进行重构，得到一个新的亮度图像。

最后，在RGB色彩空间内对新的亮度图像进行色彩恢复从而输出最终的亮度较高、还原度较好的图像。

实验结果表明，本文算法使图像的边缘和细节更加突出，而且能够消除“光晕伪影”现象，客观评价指标也有较大幅度的提升。

关键词：Retinex算法；引导滤波；图像分层；图像重构中图分类号：TP751.1文献标志码：ABrightness Level Image Enhancement Algorithm Based on Retinex AlgorithmLi Zhonghai,Song Xiaoyu,Chen Cancan,Wang Chongyao(Institute of Safety,Shenyang University of Aeronautics and Astronautics,Shenyang,110136,China)Abstract：When dealing with low illumination images，the traditional Retinex algorithm can improve the image recognition，but there are some shortcomings，such as“halo artifacts”and the lack of image details. In this paper，a new image enhancement algorithm，which combines the guided filtering image hierarchical processing with multi-scale Retinex algorithm，is adopted.Firstly，in the HSI color space，the original image is divided into detail image and basic image by using the guide filter algorithm.Then，gain coefficients are constructed for the two separated image layers，which are respectively enhanced and reconstructed to obtain a new brightness image.Finally，the new brightness image is restored in the RGB color space to output the final image with higher brightness and better restoration.Experimental results show that the algorithm makes the edges and details of the image more prominent，and can eliminate the “halo artifact”phenomenon.Moreover，the objective evaluation index has also been greatly improved.Key words:Retinex algorithm;guided filtering;image layering;image reconstruction引言在天气、光线等不良条件下，采集到的彩色图像亮度和对比度都比较低，为了增强低照度彩色图像的整体亮度，使图像中物体的细节信息更加清晰，并使其具有良好的视觉效果，研究高质量的图像增强收稿日期：2018⁃11⁃15；修订日期：2018⁃12⁃20数据采集与处理Journal of Data Acquisition and Processing Vol.34,No.1,2019算法受到了国内外很多学者的关注，成为图像处理领域的热点问题。

基于RETINEX理论的视频图像增强系统研究基于RETINEX理论的视频图像增强系统研究摘要：随着数字技术的快速发展，视频图像的使用广泛应用于各个领域，如监控、医学影像等。

然而，由于摄像环境的限制以及传感器本身的局限性，往往造成视频图像的质量不尽如人意。

因此，本文针对这一问题，基于RETINEX理论，对视频图像增强系统进行了深入研究。

第一章引言1.1 研究背景随着人们对视频图像质量要求的提高，传统的视频图像增强方法已经无法满足需求。

而RETINEX理论是一种基于生物视觉系统的图像增强方法，具有较好的亮度恢复效果，因此成为近年来研究的热点之一。

1.2 研究目的本文旨在利用RETINEX理论，设计并实现一个基于RETINEX理论的视频图像增强系统，实现对视频图像质量的提升，从而满足各个领域对高质量视频图像的需求。

第二章 RETINEX理论的原理与方法2.1 RETINEX理论概述RETINEX理论源于对人眼感光体的研究，它认为人眼并不单纯地感知光的强弱，而是通过对光照强度的不同谱分布进行感知和分析。

该理论通过对图像的亮度恢复进行图像增强，使图像在视觉上更加真实。

2.2 RETINEX理论的关键技术亮度适应、颜色恢复和细节增强是RETINEX理论的三个关键技术。

在视频图像增强系统中，这三个技术需要相互结合，以达到更好的效果。

第三章基于RETINEX理论的视频图像增强系统设计3.1 系统框架基于RETINEX理论，本文设计了一个视频图像增强系统的整体框架。

该系统由输入模块、预处理模块、亮度适应模块、颜色恢复模块、细节增强模块和输出模块组成。

3.2 系统算法在系统的每个模块中，本文采用了一系列合适的算法来实现图像增强功能。

其中，亮度适应模块使用了多尺度RETINEX算法，颜色恢复模块采用了彩色恢复算法，细节增强模块使用了增强细节算法。

第四章系统实现与实验4.1 系统实现本文基于MATLAB平台，利用图像处理工具箱和视频处理工具箱实现了所设计的视频图像增强系统。

基于Retinex 和金字塔结构的图像增强算法研究程序验收报告毕业论文1多尺度Retinex 算法1.1Retinex 理论Retinex 理论是将原始图像看作图像反射分量和图像照射分量的组成。

该理论是在原始图像中去除或降低环境光照的影响(如光源强度、光照不均等一系列不确定的因素)从而保留反映物体本质特征反射属性。

在Retinex 模型中，对于一幅给定的图像 可分解为两部分，一部分是物体表面的入射光部分，对应图像的低频部分，称之为入射图像 ；另一部分是物理的反射部分，对应图像的高频部分，称之为可分解为反射图像 。

其中不确定的干扰信息往往来自物体的入射光分量，反射分量能反映出物体的本质特征，所以如果将给定图像的入射图像和反射图像分离，那么可以通过改变调整入射分量和反射分量的大小，突出获取图像的更多有用信息。

观测图像(,)S x y 可表示为：(,)(,)(,)S x y L x y R x y =∙ （2.1）其中，(,)S x y 是人眼观察到的图像，从照射图像(,)L x y 就可以确定图像中像素灰度值能够到达的动态范围，反射图像(,)R x y 反映图像中物体的本质特征信息，物体吸收和反射光线的能力与物体表面的性质有关。

由于对数形式更接近人眼亮度的感知能力，因此常常将图像转换到对数域进行处理。

将乘积运算转换成对数域的加减运算，得：(,)(,)(,s x y l x y r x y =+（3.2） 其中，(,)log((,))s x y S x y =，(,)log((,))r x y R x y =，(,)log((,))l x y L x y =。

在处理的过程中，很难直接得到物体的反射分量，从数学角度来看，求解(,)R x y 是一个奇异问题，只能通过数学方法来近似估算。

图1 retinex 原理图通过某种平滑尽可能准确地模拟照射图像。

在Retinex 计算中，先对原始图像取对数，再用特定的方法估计照射图像，最后计算原始图像和照射图像的差获得反射图像。