下载文档原格式
HSV色彩空间的Retinex结构光图像增强算法秦绪佳;王慧玲;杜轶诚;郑红波;梁震华【期刊名称】《计算机辅助设计与图形学学报》【年(卷),期】2013(025)004【摘要】In structured light geometry reconstruction, as the projecting modes and lighting conditions are complex and changeful, detail information in dark areas are usually lost in the result images. An improved Retinex algorithm are proposed based on HSV color space with color restoration and color saturation correction strategy. According to the requirement of color retain, the algorithm includes following steps. Firstly, an input color image is converted from RGB color space into HSV color space. Then the traditional multi-scale Retinex algorithm is applied only to V-component through the analysis of HSV color space model. At the same time, the coefficient of correlation is used to adaptively adjust the S-component base in the enhancement of V-component. Finally by transforming HSI model into RGB model, the enhanced color image with color restoration is obtained. Experimental results show that, the algorithm used in structured light stripe image enhancement, the color of the structured light image is maintained and the detail information is enhanced very well, which is more favorable to follow-up stripe information extraction and automatic coding.%在结构光几何重建中,由于拍摄方式和场景照明情况的复杂多变,使得产生的图像可能会因为光线的亮暗不均造成图像细节的缺失.为此,提出一种基于HSV色彩空间变换的带颜色恢复Retinex算法和色彩饱和度校正策略.针对颜色保持的需要,首先将传统RGB空间上的多尺度Retinex算法转换到HSV颜色空间；然后通过分析HSV颜色空间模型来增强模型中的V分量,同时利用相关系数使S分量随着V分量的增强进行自适应调整；最后将HSV模型转换到RGB空间,使增强后的图像颜色得到保持.实验结果表明,该算法应用于结构光条纹图像的增强中将使结构光图像在颜色得到保持的同时细节信息也得到了增强,更利于后续条纹信息的提取及自动编码.【总页数】6页(P488-493)【作者】秦绪佳;王慧玲;杜轶诚;郑红波;梁震华【作者单位】浙江华震三维数字化工程有限公司嘉兴314100【正文语种】中文【中图分类】TP391【相关文献】1.方向场和频率场约束的结构光条纹图像增强算法 [J], 郑红波;徐玲玲;杜轶诚;秦绪佳;陈嵩辉2.HSV色彩空间下三边滤波的Retinex图像增强算法 [J], 李志龙3.HSV色彩空间下三边滤波的Retinex图像增强算法 [J], 李志龙4.基于分数阶改进Retinex低光图像增强的仪表检测算法 [J], 田继祥;王硕禾;张冰华;金格;牛江川5.肺炎X光图像增强分类识别技术:基于改进Retinex算法 [J], 刘海龙;马波因版权原因，仅展示原文概要，查看原文内容请购买。
HSV色彩空间的Retinex结构光图像增强算法1. 绪论1.1 课题背景和研究意义1.2 相关研究综述1.3 研究内容和目标1.4 论文结构安排2. HSV色彩空间简介2.1 HSV色彩模型原理2.2 HSV色彩空间与RGB色彩空间的关系2.3 HSV色彩空间在图像增强中的应用3. Retinex算法基础3.1 Retinex算法的概念和原理3.2 常见的Retinex算法分类3.3 模型构建和实现过程4. 结构光图像增强算法4.1 结构光原理与方案4.2 基于Retinex的结构光图像增强算法设计4.3 算法流程和实现步骤5. 实验与结果分析5.1 数据集的构建和说明5.2 实验结果分析和评价5.3 与其他算法的比较分析6. 结论和展望6.1 研究工作总结6.2 论文贡献和创新点6.3 后续研究方向和发展趋势HSV色彩空间的Retinex结构光图像增强算法是一种被广泛应用于图像处理领域的算法。
本章节将从课题背景和研究意义、相关研究综述、研究内容和目标以及论文结构安排四个方面展开论述。
在现代计算机视觉和图像处理领域中，图像增强技术是一种十分重要的技术，可以通过提高图像的质量实现更准确、更可靠和更稳定的图像分析和图像识别任务。
在这个技术领域中，Retinex算法是一种常用的图像增强算法，它可以通过增强图像的色彩和亮度等特征来改善图像质量。
同时，基于结构光的图像增强技术也被广泛应用于图像领域，其中结构光可以通过光的投射和反射等方式来改变图像的色彩和亮度等特征。
因此，研究HSV色彩空间的Retinex结构光图像增强算法的意义和价值就在于实现更好的图像增强效果和更可靠、更精准的图像分析和识别任务。
在相关研究综述方面，研究者们已经提出了许多不同类型的图像增强算法和技术，包括Retinex算法、结构光图像增强技术和基于HSV色彩空间的图像增强技术等。
这些算法和技术已经得到了广泛的应用和探索，但仍存在许多问题和限制。
2020，56（22）1引言部分图像增强在计算机断层成像、工业产品质量检验、交通监控及卫星图像处理中有着广泛的应用。
其中低照度图像是一种常见的图像种类，它的主要特点是微光、暗色区域占图像主要部分。
造成图像低照度的原因有很多，例如光线不足，摄影设备性能有限以及设备配置不正确等，这类图像可见性偏低，不便于观察与分析，且会对相关应用产生负面影响，尤其是在图像的匹配、融合、分析、检测以及分割方面，给数字图像处理带来极大挑战。
当前国内外对于低照度图像增强技术的相关研究还在不断探索中，虽然取得了一定的成果，但还远未达到成熟，该领域仍具有很大的研究价值和发展空间。
经研究，针对低照度图像增强的研究方法大致可分为传统方法与深度学习两类。
传统方法中，基于Retinex 理论[1-4]主要在频域中增强图像，基于直方图均衡化等算法[5-6]则集中于增强图像对比度，但黑暗区域的细节没有得到适当的增强[7]。
基于Retinex-UNet 算法的低照度图像增强刘佳敏，何宁，尹晓杰北京联合大学智慧城市学院，北京100101摘要：针对Retinex 应用于多种场景时，其约束和参数会受到模型容量限制的问题，提出了一种基于深度学习的低照度图像增强算法，并构建了新的网络架构Retinex-UNet （RUNet ）。
该架构包含图像分解网络与图像增强网络两部分，利用Retinex-Net 网络思想，通过卷积神经网络（Convolutional Neural Network ，CNN ）学习并分解图像，将其结果作为增强网络的输入，对输入图像进行端对端训练。
在增强网络中构建了基于U-Net 的网络架构，其可对任意大小的图像进行增强。
通过在公开数据集（LOL ，SID ）上验证表明，RUNet 方法在效果上有所改进，尤其是整体视觉效果。
关键词：Retinex-Net ；低照度图像；卷积神经网络；U-Net ；RUNet文献标志码：A 中图分类号：TP 391doi ：10.3778/j.issn.1002-8331.1910-0239刘佳敏，何宁，尹晓杰.基于Retinex-UNet 算法的低照度图像增强.计算机工程与应用，2020，56（22）：211-216.LIU Jiamin,HE Ning,YIN Xiaojie.Low illumination image enhancement based on Retinex-UNet puter Engineering and Applications,2020,56（22）：211-216.Low Illumination Image Enhancement Based on Retinex-UNet AlgorithmLIU Jiamin,HE Ning,YIN XiaojieSmart City College,Beijing Union University,Beijing 100101,ChinaAbstract ：When Retinex is applied to many scenarios,its constraints and parameters are limited by the model capacity.A low illumination image enhancement algorithm based on deep learning is proposed,and a new network architecture Retinex-UNet （RUNet ）is constructed.The architecture includes image decomposition network and image enhancement network.Firstly,the Retinex-Net idea is adopted.The Convolutional Neural Network （CNN ）is used to learn and decompose the image,and then the result is used as an input to the enhanced network to perform end-to-end training on the input image.The enhanced network builds a U-Net-based network architecture that enhances images of any size.Validation on public data sets （LOL,SID ）shows that the RUNet method has improved in performance,especially the overall visual effect.Key words ：Retinex-Net;low illumination image;convolutional neural network;U-Net;RUNet基金项目：国家自然科学基金（No.61572077，No.61872042）；北京市自然科学基金委和北京市教委联合重点项目（No.KZ201911417048）；北京市教委科技计划项目（No.KM201811417004）。
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【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.【期刊名称】《数据采集与处理》【年(卷),期】2019(034)001【总页数】9页(P41-49)【关键词】Retinex算法;引导滤波;图像分层;图像重构【作者】李忠海;宋笑宇;陈灿灿;王崇瑶【作者单位】沈阳航空航天大学自动化学院,沈阳,110136;沈阳航空航天大学自动化学院,沈阳,110136;沈阳航空航天大学自动化学院,沈阳,110136;沈阳航空航天大学自动化学院,沈阳,110136【正文语种】中文【中图分类】TP751.1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。
Retinex理论由Land首次提出，又称为色彩恒常性理论，在图像增强应用中较为广泛[1]。
近年来在Retinex算法理论的基础上，国内外学者提出了很多改进的Retinex算法。
但是大量实验结果表明，Ret⁃inex理论依然存在“光晕伪影”、图像过增强和算法运算效率低等缺陷[2]。
・155・设计与应用计算机测量与控制.2020. 28(10)Computer Measurement & Control 文章编号!671 - 4598(2020)10 - 0155 -05DOI ：10. 16526/j. cnki. 11 — 4762/tp. 2020. 10. 032中图分类号:TP3914文献标识码：A基于Retinex 的自适应非均匀低照度图像增强算法曹陇鑫S 马宗方S 石晶2(1西安建筑科技大学信息与控制工程学院，西安710055； 2.空军预警学院，武汉430000)摘要：非均匀低照度图像会影响目标识别跟踪的效果&为了增强非均匀低照度图像&提出一种基于Retinex 理论的自适应亮 度层图像增强算法；首先将图像HSI 模型中I 层图像分离出来；然后通过Retinex 理论和多尺度引导滤波器获得I 层的入射分量& 根据输入图像的均值自动获取调整参数k &对入射分量的亮度进行自适应调整；最后通过主成分分析法(PCA )提取两个图像中的细节特征并进行融合；对比实验表明&该算法能有效提升非均匀低照度图像的整体亮度和细节信息&同时减少非均匀照度的 影响％关键词： Retinex ； 多尺度引导滤波器； 非均匀低照度； 自适应增强Retinex —based Adaptive Non —uniform Low LightImage Enhancement AlgorithmCaoLongxin 1&MaZongfang 1&ShiJing 2(1. School of Information and Control Engineering, Xi'an University of Architecture and Technology,Xi'an 710055, China ； 2. Air Force Early Warning Academy , Wuhan 430000, China )Abstract : The effect of target recognition and tracking will be affected by non 一uniform low light image. In order to enhance thenon —uniformlowlightimage ,thispaperproposesanadaptivebrightnesslayerimageenhancementalgorithmbasedonRetinextheo-ry First ,isolatetheI —layerimagein HSI modelareextractedandseparated ； ThenusetheRetinextheoryandthe multi —scaleguidedfiltertoobtainthei l uminationcomponentoftheI —layer Automatica l yobtaintheadjustmentparameterkaccordingtothe averagevalueoftheinputimage ,andadaptivelyadjustthebrightnessofthei l uminationcomponent ； Fina l y ,accordingtotheprinci-palcomponentanalysis (PCA ),thedetailfeaturesofthetwoimagesareextractedandfused Comparativeexperimentsshowthatthealgorithmcane f ectivelyimprovetheovera l brightnessanddetailinformationofnon —uniformlow —i l uminanceimages ,whilereduc-ingthee f ectsofuneveni l uminanceKeywords (Retinex ； multi —scaleguidancefilter ；non —uniformlowlight ；adaptiveenhancemento 引言光源不充足的狭小昏暗环境下，采集到的图像视觉效果不佳，相对于光照理想情况下的图像而言，图像存在整体阴暗、颜色退化、对比度低等问题；非均匀低照度条件 下，亮度信息的减少导致图像存在光斑，这使得图像中原 本昏暗的区域更加模糊，以上因素极大影响机器视觉对目 标检测分割和分析决策的准确率％因此，为了恢复低照度图像的颜色， 获得有效的图像信息， 提升机器视觉分析决收稿日期：2020 -02 - 24；修回日期：2020 -04 -07.基金项目：国家自然科学基金资助项目(61701388)；住房和城 乡建设部研究开发项目(K32016014)；陕西省教育厅产业化项目(18JC017)；陕西省自然科学基础研究计划(2018JM6080)；西安建筑科技大学青年科技基金(QN1529.QN1630).作者简介：曹陇鑫(996 -"，女，甘肃兰州人，硕士研究生，主要从事信息与图像处理方向的研究％马宗方(1980 -),男，安徽临泉人，博士，副教授，主要从事智能信息处理、机器视觉工业应用方向的研究％策的准确率，图像亮度的增强处理变得至关重要。
第30卷 第10期 计算机辅助设计与图形学学报Vol.30 No.10 2018年10月Journal of Computer-Aided Design & Computer GraphicsOct. 2018收稿日期: 2017-10-29; 修回日期: 2018-03-02. 基金项目: 国家自然科学基金(61379105). 张 杰(1994—), 男, 硕士研究生, 主要研究方向为图像分析与处理; 周浦城(1977—), 男, 博士, 副教授, 硕士生导师, 论文通讯作者, 主要研究方向为图像分析与处理、智能计算; 薛模根(1964—), 男, 博士, 教授, 博士生导师, 主要研究方向为信号与信息处理、光电成像探测技术.基于方向性全变分Retinex 的低照度图像增强张 杰1,2), 周浦城1,2)*, 薛模根1,2)1)(陆军炮兵防空兵学院信息工程系 合肥 230031)2) (偏振光成像探测技术安徽省重点实验室 合肥 230031) (zhoupc@)摘 要: 为了提高低照度图像的视觉质量, 提出一种基于方向性全变分Retinex 的低照度图像增强方法. 首先利用基于灰像素的色彩恒常方法恢复低照度图像的真实场景颜色; 然后构造方向性相对全变分约束, 据此估计照度图像; 接着在计算反射图像时, 利用方向性梯度残余最小约束来遏制增强过程中放大的噪声和伪影; 最后根据当前像素亮度与其邻域平均亮度的关系拉伸局部亮度, 得到最终的增强结果. 采用从互联网上搜集的多幅低照度图像进行实验, 结果表明, 与一些当前国际先进水平的方法相比, 文中方法得到的图像质量更佳、视觉效果更好.关键词: 低照度图像增强; Retinex; 灰像素; 方向性相对全变分; 方向性梯度残余最小化 中图法分类号: TP391.41 DOI: 10.3724/SP.J.1089.2018.16965Low-light Image Enhancement Based on Directional Total Variation RetinexZhang Jie 1,2), Zhou Pucheng 1,2)*, and Xue Mogen 1,2)1) (Department of Information Engineering , Army Academy of Artillery and Air Defence Forces , Hefei 230031) 2)(Anhui Province Key Laboratory of Polarized Imaging Detection Technology , Hefei 230031)Abstract: In order to improve the visual quality of low-light image, a kind of low-light image enhancement method based on directional total variation Retinex was proposed. Firstly, the true scene color of low-light image was restored by grey pixels-based color constancy pretreatment. And then, the directional relative to-tal variation constraint was constructed, so as to estimate the illumination map. In order to suppress the am-plification of noise and artifact during the enhancement procedure, the directional gradient residual minimi-zation constraint was used to calculate the reflection map. Finally, considering the relationship between the current pixel’s brightness and its neighboring pixels’ average brightness, the final enhancement image was obtained by stretching the local brightness. Numerous experiments on various low-light images collected from Internet demonstrate that the proposed method can obtain more pleasing results compared with the state-of-the-art methods.Key words: low-light image enhancement; Retinex; grey pixels; directional relative total variation; directional gradient residual minimization在夜晚、黄昏等低照度条件下拍摄到的图像, 由于亮度、对比度低以及存在人造光源, 视觉质量较差, 给后续图像处理与分析带来困难, 对低照度图像进行增强是目前解决这个问题的重要途径[1].传统的低照度图像增强主要是基于灰度变换的方法[2-4], 虽然可以提高图像亮度与对比度,1944 计算机辅助设计与图形学学报第30卷但是容易导致信息丢失、局部过增强等问题. 基于Retinex理论[5]的图像增强方法具有压缩动态范围和颜色恒常等特点, 在低照度图像增强中得到了广泛的应用. 根据Retinex理论, 一幅图像可以表示为照度图像与反射图像的乘积, 照度图像反映的是光照的分布情况, 而反射图像才是图像的本征属性, 因此关键就在于如何估计照度图像. 一种思路是将低照度图像卷积一个低通滤波器来求取, 其中最经典是单尺度Retinex(single scale Retinex, SSR)[6]与多尺度Retinex(multi-scale Retinex, MSR)[7]算法, 它们均以高斯滤波器作为低通滤波器, 虽然算法简单, 但增强后的图像光晕现象严重. 为此, Elad[8]提出基于双边滤波(bilateral filter)的Retinex算法, Wang等[9]提出基于引导滤波(guided filter)[10]的Retinex算法; 尽管这些滤波器具有一定的保边平滑能力, 但在维持保边能力的同时难以做到对图像充分平滑, 使得照度图像估计仍然存在偏差. 另一种思路是通过变分法求解照度图像, 例如, Kimmel等[11]提出的基于变分框架的Retinex算法, Zosso等[12]提出的基于非局部变分框架的Retinex算法等, 这些方法均是根据一定的图像先验信息增加变分约束项, 以此构造目标函数来获得理想解, 但简单的变分项难以准确估计出照度图像. 为此, Fu等[13]在变分项中施加权重, Guo 等[14]在变分项中增加结构性约束, 但得到的结果仍存在细节模糊的现象. 此外, 在夜晚低照度环境中往往存在各种人造光源, 与白天自然光照条件差异显著, 导致低照度图像经常出现色偏现象. 目前绝大多数基于Retinex理论的低照度图像增强方法是在后处理阶段进行色调校正[9], 虽然能够部分恢复图像的色调, 但是难以得到场景的真实颜色, 并且低照度图像中的噪声和伪影经过Retinex增强后会随之放大, 从而破坏了图像的视觉质量.综上所述, 为恢复低照度图像的真实色彩、提高照度估计准确性, 以及抑制噪声和伪影等不良因素干扰, 本文提出一种基于方向性全变分Retinex 的低照度图像增强方法. 首先进行色彩恒常预处理; 然后分别基于方向性相对全变分项和方向性梯度残余最小约束求取照度与反射图像; 最后拉伸图像的局部亮度, 得到最终的图像增强结果.1 Retinex理论Retinex理论的基本思想: 入射光决定了一幅图像中所有像素的动态范围, 而物体自身所固有不变的反射系数决定了图像的本征属性, 所以将一幅图像I分解为照度图像L与反射图像R两部分, 通过去除或减少照度图像对反射图像的影响, 就能达到增强图像的目的. 根据Retinex理论, 有()()()I p R p L p=⋅(1) 其中, p是图像中的某一像素. 为了符合人眼在获取信息的非线性特性, 将式(1)改为对数形式()()()r p i p l p=-(2) 其中, i(p)=log I(p), r(p)=log R(p), l(p)=log L(p).在中心环绕型Retinex增强算法中, 求取照度图像L就是将图像I与一个低通滤波器进行卷积的结果. SSR算法是最经典的中心环绕型Retinex增强算法, 可以表示为()()()()r p i p i p G p=-*. 其中, *表示卷积符号; G表示高斯函数,2221()exp22pG pσσ⎛⎫-= ⎪⎪π⎝⎭.σ为高斯函数的标准差, 是SSR的尺度参数. σ较小时, 细节保持较好, 但颜色保真效果差; σ较大时, 颜色保真效果好, 但图像细节模糊.为了兼顾颜色保真与细节保持, 又发展了MSR算法. MSR算法是通过将不同尺度的SSR增强结果, 以线性加权的方法组合起来, 即1(){()()()}Kk kkr p W i p i p G p=*=-∑.其中, G k(p)为第k个尺度的高斯函数; K为尺度的总个数; W k为第k个尺度SSR的权重, 且1kW=∑.不同于采用低通滤波器来估计照度图像, 变分法Retinex建立求取照度图像的目标函数. 除了满足传统Retinex对照度图像的平滑假设外, 还需满足以下假设[11]: (1) 反射图像的取值范围为[0, 1], 即通过对数变换后, 应当满足l≥i; (2) 经过对数变换后, 原图像i应与照度图像l在数值上接近.基于上述假设, 变分法Retinex在求取照度图像l时采用目标函数2arg min()()s.t.l pl i T pl i⎧-+⎪⎨⎪⎩∑≥.其中, T(p)是变分正则项. 变分法Retinex就是通过改变正则项来获得满足更强先验假设的照度图像.SSR, MSR算法与变分法Retinex用于低照度图像增强时存在以下问题[8-9,13-14]: (1) 采用高斯低通滤波器来估计照度图像时, 由于缺乏保边平滑能力导致光照分片不准, 得到的反射图像存在第10期张 杰, 等: 基于方向性全变分Retinex 的低照度图像增强 1945光晕及细节不足的现象; (2) 普通的变分约束项不能将照度图像很好地求解出来; (3) 低照度图像经Retinex 处理后, 往往会发生色偏的现象; (4) 根据式(2)直接计算反射图像会放大噪声、伪影等不良效应.2 本文算法为克服Retinex 算法用于低照度图像增强时存在的问题, 本文提出一种基于方向性全变分Retinex的低照度图像增强算法, 流程如图1所示. 整个算法分为色彩恒常预处理、照度图像估计、反射图像计算和局部亮度拉伸4个部分. 首先针对低照度图像采取基于灰像素的色彩恒常预处理, 恢复场景的真实色彩; 然后在估计照度图像时, 采用方向性相对全变分项作为结构性约束, 得到反映光照变化情况的照度图像; 接着在计算反射图像时, 将方向性梯度残余最小约束运用于求取反射图像来遏制噪声和伪影; 最后利用当前点亮度与邻域平均亮度的关系拉伸局部亮度, 得到最终增强的图像.图1 本文算法流程2.1 色彩恒常预处理低照度图像在成像过程中会受到场景中各种有色光源的影响, 从而产生色偏现象, 导致Retinex 算法在去除照度影响后会出现颜色失真, 并且产生灰化效应[15]. Wang 等[9]对颜色进行后处理, 实际上是通过非线性映射引入原图像的色调, 来补偿Retinex 算法处理过程中损失的颜色信息, 并不是恢复场景的真实颜色. 为此, 本文提出在Retinex 算法前先对低照度图像进行色彩恒常处理, 以便得到真实的场景色彩.在缺乏光源真实数据的情况下, 图像色彩恢复是一个典型的“病态”反问题, 必须施加某种合理的假设作为约束条件. 经典的基于全局颜色特征的假设, 如灰度世界(grey world)和灰度边缘(grey edge)等, 虽然具有算法复杂度低和实现容易等优点, 但这些假设适用于光照均匀的环境, 而低照度图像整体亮度偏低且光照不均, 对某些区域的像素强制使用上述假设可能会产生局部颜色失真. Yang 等[16]提出一种基于灰像素的颜色恒常性方法, 假设大多数自然图像中存在接近灰色的像素, 即R , G , B 分量接近相等的像素, 它们体现了正常的光照, 可以通过找到色偏图像中的灰像素来估计光照情况, 从而消除有色光源的影响. 该方法的优点是无需利用全部的像素信息, 对于像多光源以及光照不均的环境, 只需找到图像中的灰像素就能有效恢复图像色彩, 能较好地适用于低照度图像; 但是在低照度图像中往往存在光照极低的区域, 直接采用该方法容易出现灰像素误判的现象, 必须把光照极低区域的像素予以扣除.为了找到色偏图像中的灰像素并简化运算, 本文定义一个在对数域中判断像素接近灰像素程度的指标GI (grey index), 即GI()p =其中, ()log log log log 1()()()()3r g b I p I p I p I p Θ=Θ+Θ+Θ; log ()c I p Θ是在对数域中识别灰像素的局部算子, 即log ()cI p Θ=ω(p )为以p 为中心、大小为3×3的局部邻域;log ()c I p 是p 的c (c ∈{r , g , b })分量I c (p )取对数的结果; log ()cI p 是log()cI p 在邻域ω(p )内的局部均值. 当log log log ()()()0r g bI p I p I p Θ=Θ=Θ≠, GI (p )=0时, p 是标准的灰像素.为了排除掉光照极低区域中的像素, 对GI 加以修正, 即*GI()GI ()()p p E p ε=+.1946 计算机辅助设计与图形学学报第30卷其中, E(p)=(I r(p)+I g(p)+I b(p))/3, 代表像素p的亮度;ε为一个小的正数, 以避免分母上出现0. 可以看出, 光照极低区域中的像素的E(p)较低, GI*值反而会变大, 不会被视为灰像素.计算每个像素的GI*值后, 由小到大进行排序,将GI*值最低的前h%的像素作为最终的灰像素保留, 记为灰像素集合P h; 然后用灰像素来计算恢复正常光照的光照调整量1()||hc ch p Pe I pP∈=∑; 最后的无色偏图像new /c c cI I e=.上述算法的关键参数是确定灰像素所占的比例h%. 文献[16]通过对SFU等标准数据库的图像进行测试发现, h=0.01时色彩恢复效果最佳. 本文经大量实验同样发现, 当灰像素的比例取值为0.01%时确实能够获得较好的色彩还原效果, 为此文中令h=0.01.选取一组光照不均并且存在有色光源的图像做实验, 并与灰度世界、Yang等[16]的方法进行比较, 结果如图2所示. 可以看出, 存在有色光源的低照度图像往往有某个颜色占主导, 造成严重的色偏; 灰度世界方法处理的结果中, 一些局部区域的颜色恢复不够准确. Yang等方法处理结果整体颜色较暗, 原因是把一些亮度低的像素作为灰像素; 而本文算法较好地恢复了真实色彩, 整体效果更自然.a. 原图像b. 灰度世界方法c. Yang等[16]方法d. 本文算法图2 不同方法对低照度图像色彩恒常处理效果2.2照度图像估计准确估计照度图像是Retinex算法的关键, 由于照度图像是分片光滑的, 因此估计出的照度图像要在保持原图像结构的同时消除纹理等细节信息. 如前所述, 中心环绕型Retinex算法受所使用的滤波器性能影响较大, 而变分法Retinex通过改进变分项, 优化目标函数, 可以有效地提高照度图像估计的准确性. 由于普通的全变分(total varia-tion, TV)正则项不能很好地保持结构和平滑纹理,Xu等[17]提出相对全变分(relative total variation,RTV)正则项, 即()()RTV()()()yxx yD pD ppV p V pεε=+++.其中, (),()()||x p q x qq pD p g IΩ∈=∂∑为像素p在x方向的TV项, D y(p)类似; (),()()||x p q x qq pV p g IΩ∈=∂∑为像素p在x 方向的本征变分(inherent variation,IV), V y(p)类似; ∂x和∂y分别为x和y方向的偏导数;Ω(p)是以p为中心、大小为(2σ+1)×(2σ+1)的局部邻域; g p,q是高斯函数, 用于刻画像素p和q之间距离权重, 它由标准差σ控制高斯函数尺度.RTV利用结构部分的RTV项比纹理部分的RTV项小, 使结构部分在梯度域中变得稀疏, 从而将结构从纹理中较好地分离出来. 照度变化在图像中表现出的突变主要是因为景物自身的深度、颜色、结构等不连续性所造成的, 而对于图像中的其他区域来说, 局部照度在其邻域内应该沿各个方向均为光滑的, 即不会在某个方向上有快速的幅度变化; 而RTV正则项只在x和y方向上利用纹理的振荡变化将结构边缘从纹理细节中分离出去, 会导致在其他方向上结构纹理分离不够准确.为了更好地估计照度图像, 本文在RTV中引入方向梯度算子, 构造了方向性相对全变分(directionalRTV, DRTV), 即1()DRTV()()jjJjD ppV pε==+∑.其中, J是方向的个数; (),()()||j p q j qq pD p g IΩ∈=∂∑是像素p在j方向的TV项; (),()()||j p q j qq pV p g IΩ∈=∂∑是像素p在j方向的IV项; j jI A I∂=*是j方向的方向梯度算子, A j是j方向的方向梯度模板.一般地, 8方向可以较好地反映空间方向信息.当J=8时, 构造的8方向梯度模板第10期张 杰, 等: 基于方向性全变分Retinex 的低照度图像增强 1947123000010000110,010,011,000000000A A A -⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥=-==-⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦456000100001010,010,010,010000000A A A --⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥===⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥-⎣⎦⎣⎦⎣⎦78000000010,010.100001A A ⎡⎤⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎢⎥--⎣⎦⎣⎦通过利用方向性梯度模板, 使得在各个方向上的结构部分都能从纹理中分离出来, 从而获得结构清晰、纹理平滑干净的图像. 对色彩恒常预处理后的低照度图像I new 的c 分量I c new 施加DRTV 项, 作为结构性约束, 可建立目标函数()2new DRTV()minc cL pp L I λ⋅⎛⎫-+ ⎪⎝⎭∑.其中, 2new()c cL I -为l 2保真项, 保证输出图像L c 与输入图像new cI 的相似性; DRTV(p )为DRTV 正则项,起到保持结构、消除纹理的作用; λL 为权重. 该目标函数通过转化成矩阵形式, 用文献[17]方法就可以解出照度图像L c .可以看出, 参数σ与λL 主要用于控制照度图像中纹理细节被平滑的程度, 本文采用平均梯度G r [18-19]来衡量. G r 反映了图像微小细节反差变化的速率, 其值越小, 说明平滑效果越好, 定义为111(1)(1)M N r m n G M N --===--∑∑. 其中, M 与N 表示图像长与宽, Δx 与Δy 分别表示图像的x 与y 方向的一阶梯度.当固定参数σ(令σ=3)、改变λL 时, 得到的照度图像的平均梯度G r 变化曲线如图3a 所示; 可以看出, 随着λL 增大, 照度图像平滑效果越好, 纹理细节去除更加干净. 当固定参数λL (令λL =0.01)、σ取不同数值时得到的照度图像的平均梯度G r 变化曲线如图3b 所示; 可以看出, σ越大, 平滑效果越好，当增大到一定程度时, 会导致结构部分发生模糊.为比较不同照度图像估计方法的性能, 下面与Fu 变分法[13]和RTV 方法[17]进行对比, 结果如图4所示. 可以看出, Fu 变分法得到的照度图像边缘不够清晰, 内部纹理细节较多; RTV 方法虽然能较好的将结构从纹理中分离出来, 但放大图中, 照度图3 不同参数对照度图像估计结果的影响图像中仍存在纹理细节; 而本文算法求取的照度图像有着更明显的边缘, 能够更好地体现出光照的分布状况. 并且对应的扫描线中, 本文算法能很好地跟踪原图像的边缘, 平滑纹理细节, 证明了DRTV 具有更强的结构提取能力.2.3 反射图像计算得到照度图像L 后, 就可以由式(2)计算得到反射图像, 但由于低照度图像信噪比较低, 反射图像在平滑区域噪声与伪影现象(artifact)往往很明显[14], 影响视觉效果. 由于噪声和伪影放大后表现为不连续的伪边缘, 一般的算法, 如文献[14]在后处理阶段采用BM3D 算法进行去噪, 虽然有很强的去噪能力, 但无法很好地去除伪影, 并且在消除噪声的同时还会模糊图像细节. 针对现有图像去雾算法存在的噪声与伪影等现象, Chen 等[20]提出梯度残余最小化算法(gradient residual minimi-zation, GRM ), 通过施加去雾图像与原图像梯度变化最小的约束, 既能抑制伪边缘, 又不会平滑原图像的边缘而损失图像细节信息. 受此启发, 本文基于GRM 思想来求取反射图像, 通过施加梯度变化稀疏的约束使反射图像只保留原图像的边缘, 抑制掉新的伪影边缘1948计算机辅助设计与图形学学报 第30卷图4 不同算法估计照度图像比较22new new 01min ||()||d ||||d 2R r r i l p r i p λ--+∆-∆⎧⎫⎨⎬⎩⎭⎰⎰. 其中, i new , l 分别为图像I new 和L 的对数形式; λR 是正则化参数; 第1项是保真项, 保证r 与(i new -l )相似; 第2项||Δr -Δi new ||0为GRM 约束项, 保证增强前后的梯度变化最小, Δ是一阶梯度算子.由于自然图像得到的反射图像有丰富的结构和纹理信息, 因此边缘变化在空间上呈现多方向性. 为充分抑制在各方向可能出现的噪声和伪影, 对GRM 约束项加入方向信息, 构造方向性梯度残余最小(directional gradient residual minimization, DGRM)约束项, 得到目标函数22new new 111min ||()||d 2||||d .r JRj j j r i l p E r i p λ=--+⎧=⎨⎩⎫⎪∆-∆⎬⎪⎭⎰∑⎰ 其中, j j r A r ∆=*, new new j j i A i ∆=*.将l 0约束松弛到l 1约束, 得到22new new111min ||()||d 2||||d r JRj j j r i l p E r i p λ=--+⎧=⎨⎩⎫⎪∆-∆⎬⎪⎭⎰∑⎰(3)令z =r -i new , 则式(3)转化为22new new 111min ||()()||d 2||||d z JR j j z i i l p E z p λ=+--⎧=+⎨⎩⎫⎪∆⎬⎪⎭⎰∑⎰(4)式(4)可采用快速迭代收缩阈值算法(fast itera-tive shrinkage/thresholding algorithm ，FISTA)[21]求解. 一旦解得z , 令r =z +i new , 便可得到反射图像r .在反射图像计算中, 参数λR 用于控制反射图像去噪的程度, 本文仍然采用平均梯度G r 来评估. 当改变正则化参数λR 的数值时, 得到的反射图像的G r 计算结果如图5所示. 可以看出, 随着λR 变大, 对于反射图像的平滑程度亦随之增大, 因此需要根据图像的噪声严重程度来选择合适的参数λR .图5 参数λR 敏感性示意图将本文算法与直接求取反射图像、在直接求取后施加BM3D 算法、以及采用原始GRM 算法进行比较, 结果如图6所示. 可以看出, 由于低照度图像有较强的噪声干扰, 直接求得的反射图像在天空等区域噪声与伪影现象十分明显; 施加BM3D 算法后, 虽然噪声得到一定程度的去除, 但伪影依然存在, 且图像细节由于平滑受到了损失; 与BM3D 算法相比, 虽然GRM 算法在抑制噪声和伪影方面有所改善, 但由于未考虑图像结构的方向性, 导致效果仍不够理想; 而本文算法得到的反射图像的噪声和伪影得到了明显抑制, 并且图像的细节信息保持较好, 视觉质量有了较大提升.2.4 局部亮度拉伸由于动态范围的压缩, 得到的反射图像对比度第10期张 杰, 等: 基于方向性全变分Retinex 的低照度图像增强 1949a. 直接求取反射图像b. 直接求取后施加BM3D 算法c. GRM 方法求取反射图像d. 本文算法求取反射图像图6 不同反射图像求取方法之间的对比较低, 一些局部区域的亮度提升不够, 画面还有些“泛灰”, 为此需要对图像做适度的亮度拉伸, 以便更好地恢复细节, 增强视觉效果. 为避免产生颜色失真, 下面只对反射图像的亮度分量进行处理. 鉴于l αβ空间各分量之间独立性较强[22], 所以先将反射图像转换到l αβ颜色空间后再进行处理. 首先从RGB 空间转换到LMS 空间0.38110.57830.04020.19670.72440.07820.02410.12280.8444L R M G S B =⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦.由于数据在LMS 空间比较分散, 因此进一步将其转换到对数域, 再转到l αβ颜色空间, 即lg ,lg ,lg L'L M'M S'S ===; 之后再转到l αβ颜色空间0.57740.57830.57740.40820.40820.81651.4142 1.41420l L'M'S'αβ=--⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦. 伽马校正是一种常用的提高全局亮度的方法, 鉴于人眼对于局部更加敏感, 本文利用当前像素亮度与其邻域的关系来确定调整的程度, 以提升局部亮度. 对于反射图像的亮度分量Y , 也就是l αβ空间的l 分量, 增强后的亮度分量()log log()log(1)log()()()f Y Y p p δδδδ-+-+=.其中, 调整参数()()Y p Y p δ=; ()Y p 是像素p 所在邻域的平均亮度, 一般通过对Y (p )高斯滤波得到[23], 以消除噪声对平均亮度估计带来的影响, 但高斯滤波对于边界处的亮度提取不够准确. 鉴于引导滤波[10]是一种快速且具有较强结构保持能力的滤波方法, 本文利用引导滤波来估计()Y p , 即()()1()()()()||q p Y p a q Y p b q ωω∈=+∑.其中, |ω|是局部邻域ω(p )内像素的个数; a (q )与b (q )是对应像素q 的引导滤波线性系数.局部亮度拉伸后, 变换回RGB 空间即可得到最终的增强结果. 先从l αβ空间转到LMS 对数空间0.57740.40820.70710.57740.40820.70710.57740.91640L'l M'S'αβ=--⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦; 再将从LMS 对数空间转到LMS 空间10,10,10L'M'S'L M S ===;最后转换到RGB 颜色空间4.46793.58730.11931.2186 2.38090.16240.04970.2439 1.2045R LG M B S -=---⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦.对反射图像进行后处理, 并与伽马校正进行比较, 结果如图7所示. 可以看出, 伽马校正处理过的图像局部亮度提升有些过度, 影响了视觉质量; 而经过本文局部亮度拉伸的处理后, 图像细节更加清晰, 颜色更加鲜艳、明亮, 具有较好的视觉效果.a. 处理前b. 伽马校正处理后c. 本文方法处理后图7 图像后处理效果对比1950 计算机辅助设计与图形学学报第30卷3 实验与结果分析选取多组低照度图像进行实验, 所有的实验均在Windows 7, 2.6GHz酷睿i5CPU, 4GB内存的PC机上运行; 编程环境为Matlab R2013a.3.1主观评价为验证本文方法的可行性, 选择室外低照度图像Shop和室内低照度图像Office进行实验, 并与SSR和MSR算法进行比较. SSR的参数为σ=80; MSR的参数为σ1=15, σ2=80, σ3=120; 本文方法中, 估计照度图像时DRTV的参数σ=3, λL=0.01, 计算反射图像时的参数λR=0.01. 从图8中可以看出, SSR增强后的结果细节不够清晰, 颜色有些失真, 有较严重的“泛灰”现象; MSR增强后的结果整体画面色彩偏灰, 有些地方增强过度, 有些细节却增强不够, 并且噪声和伪影现象较为严重; 而本文方法增强结果比较自然, 具有良好的视觉效果.a. 原图b. SSRc. MSRd. 本文方法图8 本文方法与SSR, MSR比较结果为验证本文方法的有效性, 与文献[13]方法、文献[14]方法、文献[2]方法以及文献[4]方法进行比较. 其中, 文献[13]是基于TV的Retinex算法, 文献[14]是基于用RTV改进照度估计的Retinex算法, 文献[2,4]是基于直方图的增强算法, 它们可以较有效地对低照度图像进行增强. 分别对室内图像Rail和室外图像Car进行处理, 处理结果如图9和a. Railb. 文献[13]方法c. 文献[14]方法d. 文献[2]方法e. 文献[4]方法f. 本文方法图9 不同方法对图像Rail增强结果图10所示. 可以看出, 拍摄时的光源使图像环境整体偏红, 而文献[4,13-14]方法并没有纠正色偏, 影响了画面的质量; 文献[4,14]方法受噪声影响比较严重; 文献[2]方法细节不够清晰; 而本文方法纠正了色偏, 增强效果比较自然, 并且细节最为清晰.为进一步做验证, 将本文方法与文献[13-14, 2,4]方法分别对短曝光的低照度图像Cloth, Bag进行a. Carb. 文献[13]方法c. 文献[14]方法d. 文献[2]方法e. 文献[4]方法f. 本文方法图10 不同方法对图像Car增强结果第10期张 杰, 等: 基于方向性全变分Retinex 的低照度图像增强 1951处理, 由于长曝光的图像接近真实的图像, 因此可以将增强后的结果与长曝光的图像进行有参考的比较. 处理结果如图11和图12所示, 可以看出, 文献[13]方法存在严重的伪影现象; 文献[4,14]方法在边缘处出现了光晕; 文献[2]方法细节比较模糊; 而本文方法则较好地恢复了细节, 遏制了噪声和伪影, 整体色彩分布更加鲜艳自然.a. Clothb. 长曝光图像c. 文献[13]方法d. 文献[14]方法e. 文献[2]方法f. 文献[4]方法g. 本文方法图11 各种方法增强结果与真实图像对比I3.2 客观评价对于图像Rail 与Car, 由于没有真实图像作为参考, 本文主要在细节信息恢复、图像对比度以及是否有不良效应3个方面进行评价. 其中, 细节信息恢复采用清晰度Q [24],11{,,}00max 11min[(,),1(,)]3(,)sin (1(,)/)2M N c r g b m n Q h p q h p q MN h p q I p q I --∈==⎧=--⎪⎪⎨π⎡⎤⎪=⨯-⎢⎥⎪⎣⎦⎩∑∑∑;a. Bagb. 长曝光图像c. 文献[13]方法d. 文献[14]方法e. 文献[2]方法f. 文献[4]方法g. 本文方法图12 不同方法增强结果与真实图像对比II其中, I max 为图像中像素最大的值. 清晰度Q 的值越大, 代表图像细节与边缘越清晰.图像对比度采用CPBD(cumulative probabilityof blur detection)指标[25], 其值越大, 代表图像对比度越高. 是否有不良效应采用PQM(perceptualquality metric)指标[26], 其值越接近10, 说明图像存在的不良效应越少, 质量也就越好. 根据上述指标对不同方法得到的增强结果进行评价, 结果如表1所示. 可以看出, 本文方法在各项定量评价指标都有了一定程度的提高, 表明该方法在恢复细节信息、提高图像对比度以及遏制不良效应方面均取得了一定的效果.对于图像Cloth 与图像Bag, 由于有真实图像作为参考, 本文主要采用峰值信噪比(peak signal表1 不同方法增强结果的无参考客观评价结果图像评价指标 文献[13]方法文献[14]方法文献[2]方法文献[4]方法本文方法 清晰度Q0.56 0.620.53 0.47 0.62 CPBD 0.850.84 0.83 0.83 0.85 Rail PQM 9.06 8.82 9.04 9.22 10.66 清晰度Q0.57 0.67 0.62 0.54 0.69 CPBD 0.86 0.84 0.83 0.84 0.89 Car PQM9.058.979.019.229.57。
基于Retinex原理的图像增强算法作者：刘钉来源：《电脑知识与技术》2018年第11期摘要：通常Retinex算法直接对彩色通道处理，容易造成色彩失真，同时对数变换压缩了高亮区域的动态范围，而本文直接对灰度图处理，避免色彩损失；将灰度图反转图进行Retinex处理，并于灰度图处理结果融合，最后再进行Gammar矫正进一步扩展高光区域细节。
关键词：Retinex；灰度反转图；融合中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2018）11-0185-021 引言图像增强技术在社会的各个方面存在着广泛应用，比如医学诊断、工业化检测、航空航天等领域。
近些年图像质量的要求越来越高使得图像增强技术成为研究的热点。
Retinex算法[1]是图像增强技术的一种，起初Retinex算法并未引起研究者的关注，但是随着NASA在航空航天上的应用才使得研究者们逐渐意识到Retinex的魅力所在，基于Retinex的算法大致可分为：基于路径的Retinex算法[2]和基于中心/环绕的Retinex算法[3，4，5]。
这些算法都是对入射图像的估算，只是所用的方法不同。
2 Retinex算法原理Retinex理论[1]的基本思想是人感知到的颜色和亮度并不取决于进入人眼的绝对亮度，而和场景的相对亮度关系分为紧密。
其基本内容是物体的颜色是由物体对光线的反射能力决定的；物体的色彩不受光照非均匀性的影响（颜色恒常性）。
图像[S（x，y）]来自于两部分：入射图像（亮度图像）L和反射图像R。
Retinex理论的基本假设是：[ Sx，y=Lx，y×Rx，y （1）]入射图像L中包含了光照信息，而反射图像R包含了物体的固有属性，在处理前，通常将图像转至对数域：[logS=logL+logR （2）]本文主要研究基于中心/环绕Retinex算法，所以对基于路径的Retinex算法不做详述。
SSR算法是中心/环绕Retinex算法[6]的一种单尺度算法，即，[Fx，y=Cexp-x2+y22σ2 （3）][Fx，ydxdy=1 （4）]（4）是归一化高斯函数，通常取[σ=80][3]。
