基于雙MRF模型的夜間圖像增強(qiáng)方法

趙宏宇，肖創(chuàng)柏，禹晶

?

基于雙MRF模型的夜間圖像增強(qiáng)方法

趙宏宇，肖創(chuàng)柏，禹晶

(北京工業(yè)大學(xué)計(jì)算機(jī)學(xué)院，北京，100124)

為了獲得更理想的夜間可視效果，通過(guò)分析Retinex算法在圖像增強(qiáng)時(shí)存在的問(wèn)題，提出一種基于雙馬爾科夫隨機(jī)場(chǎng)(MRF)模型的單幅夜間圖像增強(qiáng)算法。該算法首先在HSV顏色空間下構(gòu)造邊緣保持的Gaussian-MRF模型對(duì)照度分量進(jìn)行估計(jì)，根據(jù)Retinex原理獲得僅包含物體本身特性的反射分量，并通過(guò)增益補(bǔ)償方法對(duì)亮度進(jìn)行恢復(fù)與校正，然后構(gòu)造Huber?MRF模型對(duì)增強(qiáng)結(jié)果進(jìn)行優(yōu)化，經(jīng)過(guò)顏色空間轉(zhuǎn)換后，最終實(shí)現(xiàn)夜間圖像的增強(qiáng)。研究結(jié)果表明：本文算法增強(qiáng)效果顯著，能夠有效地凸顯邊緣細(xì)節(jié)信息，恢復(fù)圖像的真實(shí)顏色，抑制暗區(qū)域噪聲，削弱“光暈偽影”的影響，改善夜間圖像質(zhì)量。

MRF；Retinex原理；圖像增強(qiáng)；HSV顏色空間；Huber?MRF模型

在夜間環(huán)境下，計(jì)算機(jī)視覺(jué)監(jiān)控設(shè)備采集的低照度圖像嚴(yán)重退化，可視性較差，不僅信噪比和對(duì)比度都較低，甚至?xí)霈F(xiàn)較明顯的顏色偏移和失真，大大降低了應(yīng)用價(jià)值，因此，研究夜間圖像增強(qiáng)算法具有重要的實(shí)際意義。夜間圖像增強(qiáng)技術(shù)的目標(biāo)是恢復(fù)場(chǎng)景的真實(shí)色彩和細(xì)節(jié)，并將圖像調(diào)整到更適合人眼觀察和計(jì)算機(jī)分析處理的范圍，主要包括圖像融合的方法和傳統(tǒng)的圖像增強(qiáng)方法。圖像融合主要應(yīng)用在近紅外或微光成像技術(shù)方面，需要在同場(chǎng)景下采集多幅不同頻譜的圖像，算法復(fù)雜耗時(shí)，難以滿足人們的實(shí)時(shí)要求；傳統(tǒng)的圖像增強(qiáng)方法能夠適用于單幅圖像的視覺(jué)效果改善上，可應(yīng)用在彩色圖像、非固定視角等多種場(chǎng)合，主要方法包括直方圖的方法、同態(tài)濾波、基于Retinex理論[1?7]的方法(后面簡(jiǎn)稱Retinex算法)、基于小波的方法等。其中，Retinex算法對(duì)于處理夜晚、大霧等低可視度圖像都有不錯(cuò)的效果，因而有著廣闊的應(yīng)用前景。Retinex理論是由LAND等于20世紀(jì)70年代提出的一種基于人類視覺(jué)的光亮度和色彩感知模型[1]。由于Retinex算法具有高動(dòng)態(tài)范圍壓縮，局部對(duì)比度增強(qiáng)，保持圖像色彩恒常性等特點(diǎn)，所以引起了大量國(guó)內(nèi)外學(xué)者的興趣。LAND于1986年提出了最早的中心環(huán)繞(center/surround)Retinex算法，在此基礎(chǔ)上，JOBSON等[2?3]提出了單尺度Retinex(single-scale Retinex，SSR)算法和多尺度Retinex(multi-scale Retinex，MSR)算法。鑒于Retinex算法存在顏色失真的問(wèn)題，JOBSON等[4?5]隨后提出了具有顏色保持能力的多尺度Retinex(multi-scale Retinex with color restoration，MSRCR)算法，該算法能夠在擴(kuò)大圖像動(dòng)態(tài)范圍壓縮的同時(shí)，實(shí)現(xiàn)顏色保真。KIMMEL等[6]通過(guò)顏色空間的轉(zhuǎn)化解決顏色失真的問(wèn)題，提出了一種基于變分框架的Retinex算法。為了提高細(xì)節(jié)的顯示效果，ELAD[7]提出了基于雙邊濾波(Bilateral filter)的Retinex算法，該算法在保持圖像細(xì)節(jié)的同時(shí)可以很好地消除光暈效應(yīng)的影響。此后，基于Retinex原理的圖像增強(qiáng)算法相繼被提出，在效果與效率方面都有提高[8?10]。目前對(duì)于夜間等低照度圖像的增強(qiáng)方面，Retinex算法普遍存在噪聲放大、高對(duì)比度邊緣區(qū)域存在“光暈偽影”和顏色失真等問(wèn)題。本文作者通過(guò)分析Retinex算法產(chǎn)生誤差的原因，模擬人類視覺(jué)和大腦對(duì)圖像的感知和理解的方式，提出了一種基于雙馬爾科夫隨機(jī)場(chǎng)(MRF)的夜間圖像增強(qiáng)算法。該算法在HSV(hue, saturation, value)顏色空間下僅對(duì)亮度圖像進(jìn)行處理，避免顏色失真；構(gòu)建具有保邊能力的Gaussian-MRF模型[11]對(duì)照度分量進(jìn)行估計(jì)，消除“光暈偽影”現(xiàn)象；根據(jù)Retinex原理獲得反射分量，并通過(guò)增益補(bǔ)償(gain/offset)方法對(duì)亮度進(jìn)行恢復(fù)與校正；由于人類視覺(jué)對(duì)低頻區(qū)域的噪聲干擾比高頻區(qū)域更加敏感，因此，構(gòu)建Huber?MRF模型[12?13]對(duì)增強(qiáng)結(jié)果進(jìn)行優(yōu)化，在抑制噪聲的同時(shí)保留有效細(xì)節(jié)信息；最后經(jīng)過(guò)顏色空間逆變換操作完成對(duì)圖像的增強(qiáng)處理。本文算法能夠克服Retinex算法處理夜間低照度圖像時(shí)存在的多類問(wèn)題，實(shí)現(xiàn)對(duì)較暗區(qū)域的動(dòng)態(tài)范圍進(jìn)行拉伸，增強(qiáng)可視度，處理后的圖像整體協(xié)調(diào)自然，更加符合人類觀察特點(diǎn)。

1 Retinex理論與存在的問(wèn)題

Retinex理論認(rèn)為1幅圖像可分為2部分，即1幅圖像可由反射分量和照度分量的乘積表示，

式中：表示圖像像素。照度分量的性質(zhì)取決于光照的照射源，決定了圖像中像素能達(dá)到的動(dòng)態(tài)范圍；反射分量的性質(zhì)則取決于成像物體的特性，包含場(chǎng)景細(xì)節(jié)信息。Retinex原理的思想實(shí)際上就是去除或減少照度分量的影響，獲得包含較多細(xì)節(jié)信息的反射分量。其計(jì)算過(guò)程在對(duì)數(shù)域上進(jìn)行：

上述反射分量的求解在數(shù)學(xué)上是一個(gè)奇異問(wèn)題，因此需要把求解問(wèn)題變成約束最優(yōu)化問(wèn)題，通過(guò)對(duì)照度分量的準(zhǔn)確估計(jì)進(jìn)行反射分量的求解。本文采用中心環(huán)繞的方法對(duì)照度分量進(jìn)行估計(jì)，中心環(huán)繞的方法假設(shè)每個(gè)像素的灰度值都受到來(lái)自周圍環(huán)繞像素的影響，表示如下：

其中：*代表卷積操作；()為環(huán)繞函數(shù)，一般采用高斯函數(shù)。為了保留更多的圖像細(xì)節(jié)，環(huán)繞函數(shù)多選擇具有保邊能力的平滑濾波[7]形式。

Retinex算法計(jì)算相對(duì)簡(jiǎn)單，但是在夜間圖像的增強(qiáng)方面容易出現(xiàn)多類問(wèn)題。本文將對(duì)直接影響反射分量求解的因素進(jìn)行分析，首先分析照度分量估計(jì)的誤差Δ對(duì)于反射分量的影響，得到反射分量的求解誤差為

式中：ρ為反對(duì)數(shù)函數(shù)；Δ為計(jì)算反射分量的誤差。

由式(4)可知：Δ對(duì)于反射分量的準(zhǔn)確求解具有一定的影響，但是并不是隨著Δ的增大而Δ也明顯增大。實(shí)際上，只有當(dāng)Δ很大時(shí)，才會(huì)對(duì)Δ造成 影響。

考慮到圖像中不可避免地存在著噪聲干擾，設(shè)圖像噪聲為，分析噪聲對(duì)反射分量計(jì)算的影響。

由式(5)可知：對(duì)于位于低灰度區(qū)域，處理后的結(jié)果噪聲得到放大。根據(jù)式(4)可知：這些位于原圖該區(qū)域的噪聲基本不受到照度分量估計(jì)的影響。

以SSR算法為例，其環(huán)繞函數(shù)選擇接近人眼感知的高斯函數(shù)形式：

其中：1為常數(shù)；為尺度參數(shù)，用于調(diào)控平滑程度；(，)為圖像二維坐標(biāo)。首先采用不同高斯核(見(jiàn)圖1(c)和(d))對(duì)1幅具有較低動(dòng)態(tài)范圍的低照度圖像進(jìn)行增強(qiáng)，見(jiàn)圖1(a)。當(dāng)較小時(shí)，低照度圖像增強(qiáng)處理后的細(xì)節(jié)部分能較好地凸現(xiàn)出來(lái)，圖像有一定程度上的顏色失真，見(jiàn)圖1(e)；反之，當(dāng)較大時(shí)，獲得的圖像顏色保真度高，改善了低照度部分的亮度和對(duì)比度，但是出現(xiàn)了細(xì)節(jié)損失的情況，這在高亮區(qū)域尤為突出，見(jiàn)圖1(f)。隨著尺度參數(shù)的增加，獲得的增強(qiáng)結(jié)果趨于穩(wěn)定，不產(chǎn)生大的變化，這與上述對(duì)式(4)的分析結(jié)果相符。

進(jìn)行對(duì)于夜間圖像增強(qiáng)處理的實(shí)驗(yàn)，結(jié)果見(jiàn)圖1(b)。隨著尺度參數(shù)增加，圖像可視度得到提升；當(dāng)增大到一定程度時(shí)，最終在一些暗區(qū)域(如天空區(qū)域等)出現(xiàn)了噪聲放大的現(xiàn)象，此時(shí)的變化趨勢(shì)與噪聲的強(qiáng)度變化相互獨(dú)立，如圖1(g)和(h)所示，這也與上述對(duì)式(4)和(5)的分析結(jié)果相符。同時(shí)，夜間圖像受到非自然光源的影響，處理后的圖像的高亮區(qū)域也會(huì)被放大，出現(xiàn)“光暈偽影”現(xiàn)象，如圖1(g)和(h)所示的樓房燈源附近。

(a) 低照度圖像；(b) 夜間圖像；(c) 尺度較小的高斯核；(d) 尺度較大的高斯核；(e) 由圖1(a)得到的小尺度增強(qiáng)結(jié)果；(f) 由圖1(a)得到的大尺度增強(qiáng)結(jié)果；(g) 由圖1(b)得到的小尺度增強(qiáng)結(jié)果；(h) 由圖1(b)得到的大尺度增強(qiáng)結(jié)果

針對(duì)Retinex算法在圖像增強(qiáng)方面存在的上述問(wèn)題，本文主要對(duì)照度分量的估計(jì)與反射分量的優(yōu)化2方面進(jìn)行研究。求解照度分量時(shí)，將在保持邊緣細(xì)節(jié)的基礎(chǔ)上對(duì)局部進(jìn)行平滑，力求提高圖像低照度區(qū)域的可視度，并保持其高亮區(qū)域的細(xì)節(jié)信息；同時(shí)，對(duì)獲得的反射分量結(jié)果進(jìn)行優(yōu)化，保持細(xì)節(jié)信息的前提下削弱噪聲的強(qiáng)度。

2 本文算法

本文提出一種基于雙MRF模型的單幅夜間彩色圖像增強(qiáng)算法，該算法可分為3步：1) 進(jìn)行顏色空間轉(zhuǎn)化，將夜間彩色圖像由RGB顏色空間轉(zhuǎn)換到HSV顏色空間，獲得圖像在HSV顏色空間下的亮度圖像，構(gòu)建邊緣保持的Gaussian-MRF模型估計(jì)圖像照度分量，根據(jù)Retinex原理獲得其反射分量；2) 采用增益補(bǔ)償方法進(jìn)行亮度恢復(fù)與校正；3) 構(gòu)建Huber-MRF模型優(yōu)化增強(qiáng)后的結(jié)果，將圖像由HSV顏色空間轉(zhuǎn)換到RGB顏色空間，最終得到理想的增強(qiáng)圖像。

2.1 顏色空間轉(zhuǎn)換

Retinex理論的應(yīng)用前提是灰度世界假設(shè)(gray-world assumption)。在實(shí)際應(yīng)用中，Retinex算法對(duì)于彩色圖像的增強(qiáng)處理一般是在圖像的R，G和B 3種顏色通道下分別進(jìn)行，不同通道的不均衡增強(qiáng)容易造成圖像顏色失真，且需要執(zhí)行3次，時(shí)間復(fù)雜度較高。因此，本文選擇在彩感知上更加接近人類視覺(jué)期望值的HSV顏色空間代替RGB顏色空間，將原圖像轉(zhuǎn)換到HSV顏色空間下，得到飽和度圖像s、色調(diào)圖像H和亮度圖像V，這里僅對(duì)亮度圖像進(jìn)行增強(qiáng)處理。

2.2 基于Gaussian-MRF模型的照度分量估計(jì)

由于照度分量具有局部平滑的特性，本文構(gòu)造具有保邊平滑能力的Gaussian-MRF模型對(duì)原圖進(jìn)行平滑操作，從而估計(jì)出照度分量。該模型用于計(jì)算下述最大后驗(yàn)估計(jì)(MAP)問(wèn)題：

式中：V和V分別為原圖像的亮度圖像和亮度圖像對(duì)應(yīng)的照度分量；(V)為先驗(yàn)概率，反映將要求解的V應(yīng)具有的性質(zhì)；(V|V)為似然函數(shù)，表示圖像噪聲服從的分布，MAP目標(biāo)就是在滿足最大后驗(yàn)概率的條件下求出圖像照度分量的估計(jì)值。該MAP問(wèn)題的求解可以表示為最小化如下能量函數(shù)：

該MRF模型的數(shù)據(jù)項(xiàng)定義如下

式中：為圖像的像素集合；g為與1有關(guān)的噪聲分布函數(shù)，本文采用高斯分布，即g()=2。

該MRF模型的平滑項(xiàng)定義如下：

式中：為像素的相鄰像素集；s為關(guān)于V的約束函數(shù)；本文取，為函數(shù)的平滑項(xiàng)上限，防止由于平滑項(xiàng)過(guò)大造成的邊緣模糊的現(xiàn)象；1()為權(quán)值函數(shù)。該平滑項(xiàng)表示對(duì)相鄰像素間一致性的約束，認(rèn)為若像素處于同一深度，則它們的灰度越相似。

Retinex算法往往選擇參數(shù)固定的濾波器對(duì)整幅圖像進(jìn)行照度分量估計(jì)，未考慮到光在場(chǎng)景傳播時(shí)的指數(shù)衰減性，造成了圖像增強(qiáng)效果層次性較差、細(xì)節(jié)損失的情況。雖然MSR和MSRCR等采用多尺度的方法克服細(xì)節(jié)恢復(fù)能力的不足，但是提高了算法的時(shí)空復(fù)雜度，且包含的參數(shù)較多。因此，需要在照度分量計(jì)算過(guò)程中考慮到場(chǎng)景信息的指數(shù)衰減性。式(10)中，設(shè)置權(quán)值函數(shù)為，函數(shù)本身包含場(chǎng)景的深度信息，具有指數(shù)衰減的特性。設(shè)置權(quán)值的目的是力求增加低照度區(qū)域的平滑程度，并通過(guò)增加可視度較高的區(qū)域數(shù)據(jù)項(xiàng)的權(quán)重，在求解過(guò)程中保持已知場(chǎng)景的細(xì)節(jié)信息。

傳統(tǒng)的SSR，MSR和MSRCR等算法在圖像明暗對(duì)比強(qiáng)烈處易產(chǎn)生光暈現(xiàn)象，原因在于其對(duì)于光照平緩變化的假設(shè)。本文的Gaussian-MRF模型能夠在實(shí)現(xiàn)局部平滑的同時(shí)較好地保持圖像細(xì)節(jié)信息，避免由于高亮區(qū)域邊緣過(guò)于平滑從而導(dǎo)致“光暈偽影”現(xiàn)象的產(chǎn)生。

2.3 增益補(bǔ)償

當(dāng)獲得理想的照度分量V后，根據(jù)式(2)即可獲得反射分量。此時(shí)，一般整體亮度偏暗，且對(duì)數(shù)域中的計(jì)算經(jīng)常會(huì)出現(xiàn)負(fù)值，需要通過(guò)進(jìn)一步調(diào)整以提高圖像質(zhì)量，本文采用增益補(bǔ)償?shù)姆椒▽?duì)圖像亮度進(jìn)行恢復(fù)與校正，即

2.4 基于Huber?MRF模型的優(yōu)化操作

夜間圖像中存在著較多的噪聲，尤其是位于暗區(qū)域的物體存在較低的信噪比，在增強(qiáng)處理之后這些噪聲也可能同時(shí)被放大。采用基于隨機(jī)場(chǎng)模型的降噪技術(shù)能克服傳統(tǒng)圖像恢復(fù)方法的不足。因此，本文通過(guò)構(gòu)建Huber?MRF模型來(lái)優(yōu)化反射分量結(jié)果，采用MAP作為最優(yōu)化準(zhǔn)則，力求在保持邊緣信息的前提下抑制噪聲。與2.2節(jié)中相似，該MRF模型來(lái)自如下的能量函數(shù)：

該MRF模型的數(shù)據(jù)項(xiàng)定義為

式中：V為目標(biāo)圖像；2為尺度參數(shù)。

該MRF模型的平滑項(xiàng)定義如下：

式中：h為由Huber函數(shù)，

式(15)通過(guò)閾值把函數(shù)分為線性和二次型2部分，既保護(hù)了邊緣，又由凸性保證了MAP估計(jì)的有效性。當(dāng)||≤時(shí)，實(shí)際轉(zhuǎn)化成了Gaussian?MRF模型，此時(shí)的二次型形式保證了局部平滑特性；當(dāng)||＞≥0時(shí)，線性形式保持了圖像的邊緣特性。為斜率，用于調(diào)節(jié)保邊程度。噪聲等現(xiàn)象所處的局部背景亮度具有掩蓋效應(yīng)，亮度越大，噪聲可見(jiàn)度越低，本文根據(jù)該特性，自適應(yīng)調(diào)整Huber函數(shù)線性部分的斜率，以達(dá)到根據(jù)場(chǎng)景情況，合理地進(jìn)行抑制噪聲和保持邊緣操作。定義為

式中：2為常數(shù)，用于調(diào)節(jié)斜率的影響強(qiáng)度。

在Huber?MRF模型下優(yōu)化反射分量結(jié)果，不僅可以有效地抑制天空、遠(yuǎn)景等暗區(qū)域的噪聲，而且能夠減小圖像邊緣振蕩，保持有效邊緣細(xì)節(jié)。

當(dāng)求解出理想的V后，結(jié)合飽和度圖像s與色調(diào)圖像H，將圖像由HSV顏色空間變換轉(zhuǎn)化到RGB顏色空間即可得到最終的增強(qiáng)圖像。

2.5 MRF模型的求解

MRF方法中尋求能量函數(shù)的最小解問(wèn)題，可采用條件迭代模式(iterated conditional model，ICM)[14]、置信度傳播(belief propagation，BP)、模擬退火(simulated annealing，SA)、基于Graph Cuts的alpha-expansion[15]等方法來(lái)實(shí)現(xiàn)。其中，ICM方法是一種易于操作的方法，具有較高的魯棒性與可擴(kuò)展性，本文采用ICM方法尋求能量函數(shù)的最優(yōu)解。

本文的Gaussian-MRF模型力求在保持主要細(xì)節(jié)信息的同時(shí)，盡量對(duì)局部進(jìn)行平滑，而Huber?MRF模型則是為了在平滑暗區(qū)域噪聲的同時(shí)盡量保留細(xì)節(jié)信息。前者迭代次數(shù)1一般為3~10次，后者迭代次數(shù)2僅需要1~3次即可獲得理想結(jié)果。

3 實(shí)驗(yàn)仿真與分析

本文在Matlab平臺(tái)(CPU intel雙核主頻2.66 GHz)上對(duì)多幅彩色夜間圖像進(jìn)行分組實(shí)驗(yàn)，分別從主觀視覺(jué)效果和圖像質(zhì)量客觀評(píng)價(jià)2方面對(duì)其進(jìn)行實(shí)驗(yàn)分析。本文將與多種基于Retinex原理的算法進(jìn)行比較，包括SSR，MSR和MSRCR算法和ELAD等[7]提出的基于雙邊濾波的Retinex算法。算法的主要參數(shù)設(shè)置包括：1) SSR參數(shù)參考[2]；2) MSR參數(shù)參考[3]；3) MSRCR的3個(gè)高斯尺度參數(shù)為1=15，2=80，3=250，其他參數(shù)參考文獻(xiàn)[4]；4) ELAD算法的雙邊濾波參數(shù)為l=5，s=100，r=0.3，Gamma參數(shù)為=5，其他參數(shù)參考文獻(xiàn)[7]；5) 本文算法包含的參數(shù)設(shè)置為1=200，1=0.1，min=0.8，=1.2，=2，=0，2=200，2=0.02，1=10，2=3。

在圖像質(zhì)量客觀評(píng)價(jià)方面，本文采用圖像均值、標(biāo)準(zhǔn)差、熵、邊緣保持指數(shù)、直方圖的相似度、峰值信噪比等評(píng)價(jià)指標(biāo)對(duì)5種算法進(jìn)行評(píng)價(jià)。均值用于評(píng)價(jià)圖像平均亮度的變化，其值越大表示亮度提高越大；標(biāo)準(zhǔn)差用于評(píng)價(jià)圖像的對(duì)比度，其值越大表示對(duì)比度越高；熵用于衡量圖像的信息量，其值越大表示圖像包含的信息越多；邊緣保持指數(shù)用于衡量邊緣的保持能力，其值越大表示其保持邊緣能力越強(qiáng)，凸顯細(xì)節(jié)能力也越強(qiáng)；直方圖的相似度采用直方圖的交來(lái)計(jì)算增強(qiáng)前后圖像的RGB顏色直方圖形狀的相似程度，其值越大表示直方圖越相似，算法的顏色保真能力越強(qiáng)；PSNR用于評(píng)價(jià)圖像增強(qiáng)后噪聲干擾情況，峰值信噪比值越大則表示抑制噪聲的能力越強(qiáng)。

圖2和圖3所示為對(duì)真實(shí)場(chǎng)景下夜間彩色圖像的增強(qiáng)處理實(shí)驗(yàn)，原圖尺寸分別為550×400和512×384，其中，圖2(b)~(f)所示分別為5種算法對(duì)圖2(a)增強(qiáng)后的結(jié)果，圖3(b)~(f)所示分別為5種算法對(duì)圖3(a)增強(qiáng)后的結(jié)果。表1和表2所示為其對(duì)應(yīng)的客觀評(píng)價(jià)結(jié)果。圖4所示為對(duì)模擬圖像增強(qiáng)的比較實(shí)驗(yàn)，原圖尺寸為512×512。圖4(b)所示為圖4(a)添加噪聲后的結(jié)果，圖4(c)所示為圖4(b)添加70%透明度的陰影得到的結(jié)果，圖4(d)~(h)所示分別為5種算法對(duì)圖4(c)增強(qiáng)后得到的結(jié)果，表3所示為其對(duì)應(yīng)的客觀評(píng)價(jià)結(jié)果。由于Retinex算法處理低照度圖像后，結(jié)果普遍存在泛白效果，圖像整體亮度得到不同程度地提升。而亮度的變化為評(píng)價(jià)算法的重要指標(biāo)，其值不同造成比較分析困難。因此，在對(duì)圖3(a)增強(qiáng)的實(shí)驗(yàn)中采用線性調(diào)節(jié)的方法對(duì)實(shí)驗(yàn)結(jié)果亮度進(jìn)行統(tǒng)一，即使其亮度近似相等，通過(guò)其他指標(biāo)的比較進(jìn)一步說(shuō)明本文方法的優(yōu)勢(shì)。

由表1~3可知：5種算法在一定程度上提高了均值，說(shuō)明它們都在一定程度下增強(qiáng)了圖像的亮度。由表1~3中的熵值與標(biāo)準(zhǔn)差值的分析可知：本文算法具有較強(qiáng)的對(duì)比度提升能力，并能夠較好地豐富圖像信息。同時(shí)，通過(guò)對(duì)表1與表2的EPI的觀察，本文算法在保持邊緣、凸顯圖像細(xì)節(jié)等方面均強(qiáng)于其他幾種算法。同時(shí)，圖2與圖4的實(shí)驗(yàn)證明了SSR，MSR和MSRCR處理的結(jié)果容易出現(xiàn)泛白的現(xiàn)象。圖3雖然對(duì)圖像亮度進(jìn)行了一定的調(diào)節(jié)，但是在亮度下降的同時(shí)，其他指標(biāo)也跟著下降，圖像質(zhì)量并未得到顯著改善。

(a) 原圖；(b) SSR算法處理的結(jié)果；(c) MSR算法處理的結(jié)果；(d) MSRCR算法處理的結(jié)果；(e) ELAD算法處理的結(jié)果；(f) 本文算法處理的結(jié)果

表1 圖2的客觀評(píng)價(jià)

(a) 原圖；(b) SSR算法處理的結(jié)果；(c) MSR算法處理的結(jié)果；(d) MSRCR算法處理的結(jié)果；(e) ELAD算法處理的結(jié)果；(f) 本文算法處理的結(jié)果

表2 圖3的客觀評(píng)價(jià)

本文算法與MSRCR均能夠獲得與原圖更加接近的顏色效果，其增強(qiáng)效果更加明顯，如圖2(d)和(f)與圖3(d)和(f)所示，說(shuō)明本文算法與MSRCR均具有較強(qiáng)的顏色保真的能力。

通過(guò)對(duì)PSNR的比較分析可知：MSRCR抑制噪聲方面比本文方法要好，但其環(huán)繞函數(shù)不具有邊緣保持能力，因此，在一些較亮區(qū)域附近出現(xiàn)了“光暈偽影”現(xiàn)象，見(jiàn)圖2與圖3所示的燈光周圍；而ELAD算法雖然消除了“光暈偽影”的影響，但其抑制噪聲能力相對(duì)較弱，且在圖像邊緣出現(xiàn)了過(guò)度增強(qiáng)的現(xiàn)象；與之相比，結(jié)合主觀觀察分析，本文算法能夠在保持良好細(xì)節(jié)信息的前提下抑制噪聲的放大，削弱了“光暈偽影”的影響。

(a) 原圖；(b) 加噪聲圖像；(c)加噪聲加陰影圖像；(d) SSR算法處理的結(jié)果；(e) MSR算法處理的結(jié)果；(f) MSRCR算法處理的結(jié)果；(g) ELAD算法處理的結(jié)果；(h) 本文算法處理的結(jié)果

表3 圖4的客觀評(píng)價(jià)

總之，實(shí)驗(yàn)證明了本文算法與其他幾種算法相比，可以很好地校正圖像亮度，具有較強(qiáng)的對(duì)比度增強(qiáng)、細(xì)節(jié)恢復(fù)、顏色保持與抑制噪聲等能力。

4 結(jié)論

1) 通過(guò)分析Retinex算法在圖像增強(qiáng)時(shí)出現(xiàn)誤差的原因，構(gòu)造邊緣保持的Gaussian?MRF模型對(duì)照度分量進(jìn)行估計(jì)，較好地保持了細(xì)節(jié)信息，削弱了“光暈偽影”的影響。

2) 本文算法在HSV顏色空間下執(zhí)行，使增強(qiáng)后的圖像能很好地保持原有圖像的顏色信息，避免了顏色失真的發(fā)生。

3) 針對(duì)暗區(qū)域噪聲放大問(wèn)題，通過(guò)構(gòu)建Huber?MRF模型來(lái)優(yōu)化反射分量結(jié)果，在保留細(xì)節(jié)信息的同時(shí)抑制了噪聲，進(jìn)一步提高了夜間圖像質(zhì)量。

參考文獻(xiàn)：

[1] BANIC N, LONCARIC S. Light random sprays Retinex: exploiting the noisy illumination estimation[J]. Signal Processing Letters, IEEE, 2013, 20(12): 1240?1243.

[2] JOBSON D J, RAHMAN Z, WOODELL G A. Properties and performance of a center/surround Retinex[J]. IEEE Transactions on Image Processing, 1997, 6(3): 451?462.

[3] TAREL J, HAUTI N, CARAFFA L, et al. Vision enhancement in homogeneous and heterogeneous fog[J]. IEEE Intelligent Transportation Systems Magazine, 2012, 4(2): 6?20.

[4] JOBSON D J, RAHMAN Z, WOODELL G A. A multi-scale 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.

[5] RAHMAN Z, JOBSON D J, WOODELL G A. Retinex processing for automatic image enhancement[J]. Journal of Electronic Imaging, 2004, 13(1): 100?110.

[6] KIMMEL R, ELAD M, SHAKED D, et al. A variational framework for Retinex[J]. International Journal of Computer Vision, 2003, 52(1): 7?23.

[7] ELAD M. Retinex by two bilateral filters[C]//Scale-Space 2005. Hofgeismar, Germany, 2005: 217?229.

[8] CHEN S, BEGHDADI A. Natural enhancement of color image[J]. Journal on Image and Video Processing, 2010, 175203: 1?19.

[9] WANG S, ZHENG J, HU H, et al. Naturalness preserved enhancement algorithm for non-uniform illumination images[J]. IEEE Transactions on Image Processing, 2013, 22(9): 3538?3548.

[10] 肖創(chuàng)柏, 趙宏宇, 禹晶. 基于引導(dǎo)濾波的Retinex快速夜間彩色圖像增強(qiáng)技術(shù)[J]. 北京工業(yè)大學(xué)學(xué)報(bào), 2013, 39(12): 1868?1873. XIAO Chuangbai, ZHAO Hongyu, YU Jing. Rapid Retinex algorithm for night color image enhancement based on guided filtering[J]. Journal of Beijing University of Technology, 2013, 39(12): 1868?1873.

[11] PICKUP L C, CAPEL D P, ROBERTS S J, et al. Bayesian methods for image super-resolution[J]. The Computer Journal, 2009, 52: 101?113.

[12] PITCHAY S A, KABáN A. Estimation of the regularisation parameter in Huber-MRF for image resolution enhancement[C]// IDEAL. Berlin, 2013: 294?301.

[13] KABáN A, PITCHAY S A. Single-frame image recovery using a Pearson type VII MRF[J]. Neurocomputing, 2012, 80: 111?118.

[14] BESAG J. On the statistical analysis of dirty pictures[J]. J Roy Statist Soc B, 1986, 48: 259?302.

[15] FIX A, GRUBER A, BOROS E, et al. A graph cut algorithm for higher-order Markov random fields[C]//IEEE International Conference on Computer Vision. Barcelona, Spain, 2011: 1020?1027.

(編輯 楊幼平)

Night color image enhancement based on dual MRF model

ZHAO Hongyu, XIAO Chuangbai, YU Jing

(College of Computer Science and Technology, Beijing University of Technology, Beijing 100124, China)

Through analyzing the errors introduced by Retinex algorithms, a novel enhancement method based on dual Markov random field model(MRF) was proposed to improve single night color image visibility. Firstly, an edge-preserving Gaussian?MRF model to estimate illumination component in HSV color space was constructed. The reflection component obtained by Retinex principle was corrected through gain/offset method. Then, an effective Huber-MRF model to optimize the result was constructed. Finally, after the color space conversion, the proposed method realized the night color image enhancement. The results show that this method has the characteristics of detail preserving, color restoration, Halo effect elimination and noise suppression, and can enhance night color image visibility robustly.

MRF; Retinex principle; image enhancement; HSV color space; Huber?MRF model

10.11817/j.issn.1672-7207.2016.10.011

TP394.1

A

1672?7207(2016)10?3361?08

2015?10?15；

2016?01?08

北京市教委科技發(fā)展重點(diǎn)項(xiàng)目(KZ01210005007)；北京市教育委員會(huì)科技發(fā)展計(jì)劃項(xiàng)目(KM201310005020) (Project(KZ01210005007) supported by Science and Technology Development Plan Key Project of Education Commission of Beijing Municipal; Project(KM201310005020) supported by Science and Technology Development Plan Project of Education Commission of Beijing Municipal)

趙宏宇，博士，從事計(jì)算機(jī)視覺(jué)與圖像處理研究；E-mail：asas.014@163.com