基于交叉視覺皮質(zhì)模型的真實(shí)圖像再現(xiàn)方法

李 成，汪 沛 ，畢篤彥

(1.空軍航空大學(xué) 長春 130022；2.空軍工程大學(xué)航空工程學(xué)院 西安 710038)

數(shù)字圖像從獲取到顯示的全過程一直圍繞“視覺匹配(visual matching)”的核心任務(wù)，努力實(shí)現(xiàn)場景的重現(xiàn)顯示來符合人類視覺的認(rèn)知[1]。雖然成像設(shè)備以人類視覺系統(tǒng)為參照，但在動態(tài)范圍等自適應(yīng)顯示方面還沒有達(dá)到，同時成像設(shè)備與顯示系統(tǒng)發(fā)展不平衡，新型成像設(shè)備獲取的高質(zhì)量圖像無法在常規(guī)低動態(tài)范圍顯示設(shè)備上正常顯示。這兩方面都導(dǎo)致了各種成像系統(tǒng)獲得的圖像與真實(shí)場景視覺感知存在一定差別。為了在低動態(tài)范圍顯示設(shè)備上重現(xiàn)符合人類視覺的真實(shí)圖像，文獻(xiàn)[2-3]引入了真實(shí)圖像再現(xiàn)(realistic image rendition, RIR)的概念。圖像再現(xiàn)技術(shù)(image rendition, IR)本身旨在保證圖像在各種設(shè)備(相機(jī)、顯示器、打印機(jī)等)之間傳輸和復(fù)制過程中輸入輸出信息的準(zhǔn)確性和一致性，而RIR是IR尤其面向成像設(shè)備與顯示設(shè)備間輸入輸出的繼續(xù)和深入，重點(diǎn)關(guān)注高動態(tài)范圍圖像可視化，在現(xiàn)有傳感器技術(shù)條件下，實(shí)現(xiàn)視覺匹配需要有效的真實(shí)圖像再現(xiàn)算法。

文獻(xiàn)[1]對于降質(zhì)到有限動態(tài)范圍的傳統(tǒng)低動態(tài)范圍圖像(low dynamic range image, LDRI)，通過圖像增強(qiáng)技術(shù)盡可能優(yōu)化清晰度和對比度；而具有更寬動態(tài)范圍的高動態(tài)范圍圖像(high dynamic range image, HDRI)本身信息不存在丟失，色調(diào)映射任務(wù)是有效還原場景清晰度和對比度。雖然強(qiáng)調(diào)了兩種技術(shù)所處理對象信息和解決過程的相異性，但是本文認(rèn)為從最終實(shí)現(xiàn)視覺認(rèn)知的目標(biāo)來說，二者都是為了在顯示端實(shí)現(xiàn)人類視覺系統(tǒng)對場景的視覺匹配，輸出圖像都應(yīng)接近或超過人眼直接觀察所獲得的視覺質(zhì)量。而從技術(shù)角度看，二者的共通性則都依賴于視覺系統(tǒng)和視覺特性的研究與圖像處理手段的日益進(jìn)展。所以LDRI圖像增強(qiáng)與HDRI色調(diào)映射二者在科學(xué)問題和理論發(fā)展上應(yīng)走向“共融”。目前可以橫跨這兩個領(lǐng)域設(shè)計(jì)的框架主要包括Retinex算法[4]和非線性變換[5]等方法。

本文從真實(shí)圖像再現(xiàn)的概念和研究內(nèi)容出發(fā)，旨在設(shè)計(jì)一種基于視覺系統(tǒng)的通用框架，能夠有效適用于低動態(tài)范圍圖像增強(qiáng)和高動態(tài)范圍圖像色調(diào)映射，最終實(shí)現(xiàn)多種動態(tài)范圍圖像在顯示端的真實(shí)再現(xiàn)。為了適合圖像再現(xiàn)場景的應(yīng)用，針對交叉視覺皮質(zhì)模型(intersecting cortical model, ICM)自身存在的問題進(jìn)行了模型改進(jìn)和方法設(shè)計(jì)，提出了鄰域強(qiáng)化連接交叉視覺皮質(zhì)模型，對閾值選擇下降和參數(shù)設(shè)置進(jìn)行了討論。以此模型為基礎(chǔ)，設(shè)計(jì)了基于改進(jìn)ICM模型的真實(shí)圖像再現(xiàn)的算法流程。仿真實(shí)驗(yàn)表明依托視覺系統(tǒng)的精細(xì)化設(shè)計(jì)保證了真實(shí)圖像再現(xiàn)的實(shí)現(xiàn)。由于HDRI無法直接顯示，為了描述的直觀性，本文仿真實(shí)驗(yàn)使用8-bit灰度范圍的LDRI來進(jìn)行圖示說明。

1 基于視覺特性的真實(shí)圖像再現(xiàn)技術(shù)

真實(shí)圖像再現(xiàn)依賴于視覺系統(tǒng)的深入研究，包括感光適應(yīng)機(jī)制、感受野、視覺通道與視覺皮質(zhì)的信息處理等，同時也與一系列生理心理實(shí)驗(yàn)相關(guān)，是光學(xué)、心理學(xué)、生理學(xué)、圖像處理、計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)和仿生學(xué)諸多學(xué)科的交匯，主要進(jìn)行顏色/亮度恒常性和動態(tài)范圍壓縮等問題的求解，包括Retinex在內(nèi)的各種色調(diào)映射算法。

文獻(xiàn)[2]設(shè)計(jì)了基于Sigmoid函數(shù)的局部視覺適應(yīng)算法，結(jié)合視覺感受機(jī)制的亮度適應(yīng)原理模擬感光適應(yīng)性模型設(shè)計(jì)了新的適應(yīng)性模型。實(shí)驗(yàn)表明：融合了局部適應(yīng)性的S形非線性模型在處理光照復(fù)雜細(xì)節(jié)豐富的圖像上輸出效果較好。進(jìn)而根據(jù)視覺通道感受野結(jié)構(gòu)特點(diǎn)，提出了基于初級ON/OFF視覺通路和朝向性受域模型的真實(shí)圖像再現(xiàn)算法，尤其關(guān)注視覺側(cè)抑制作用和視覺皮質(zhì)簡單細(xì)胞的選擇作用。文獻(xiàn)[6]提出了基于視網(wǎng)膜高動態(tài)范圍亮度適應(yīng)和視覺通路側(cè)抑制競爭機(jī)制的圖像增強(qiáng)算法，TAN函數(shù)實(shí)現(xiàn)全局亮度的自適應(yīng)映射，改進(jìn)視網(wǎng)膜ON/OFF雙拮抗響應(yīng)模型增強(qiáng)圖像的局部細(xì)節(jié)。參數(shù)控制混合色調(diào)映射方法[7]比Sigmoid方法性能有所提升。在跟蹤圖像色貌模型方面，文獻(xiàn)[8]引入Sigmoid函數(shù)融入到iCAM模型，該算法對色調(diào)失真圖像實(shí)現(xiàn)顏色復(fù)原的同時，有效提高了圖像的對比度和局部細(xì)節(jié)，能夠較好地實(shí)現(xiàn)顏色恒常性。盡管低動態(tài)范圍圖像增強(qiáng)和高動態(tài)范圍圖像色調(diào)映射看似不同領(lǐng)域研究內(nèi)容，但從基本理論和算法設(shè)計(jì)上，真實(shí)圖像再現(xiàn)思想將二者有效地統(tǒng)一在一起，目標(biāo)都是實(shí)現(xiàn)人類視覺系統(tǒng)對場景的真實(shí)認(rèn)知，以上算法都有較強(qiáng)的借鑒意義。

2 基于NEL-ICM的真實(shí)圖像再現(xiàn)

由Kinser首次提出的ICM模型是基于多種生物視覺皮質(zhì)模型共有機(jī)理建立的數(shù)學(xué)綜合和簡化，具有變閾值、捕獲動態(tài)脈沖發(fā)放和同步振蕩等特性，體現(xiàn)人腦部分感知或認(rèn)知功能，具有適合圖像處理的天然優(yōu)勢。因此從視覺系統(tǒng)出發(fā)實(shí)現(xiàn)真實(shí)圖像再現(xiàn)有著基本的依據(jù)和優(yōu)勢。ICM具有計(jì)算量小，性能優(yōu)越等特點(diǎn)，非常適合圖像處理，迭代方程為：

式中，F(xiàn)ij，Sij，Tij，Yij分別為神經(jīng)元狀態(tài)、輸入圖像像素值、動態(tài)閾值和神經(jīng)元輸出；f，g，h為標(biāo)量系數(shù)。ICM模型經(jīng)過持續(xù)深入研究，已經(jīng)在圖像分割等多個圖像處理方面體現(xiàn)出良好性能。但是為了適合真實(shí)圖像再現(xiàn)場景的應(yīng)用，本節(jié)針對原始ICM存在問題進(jìn)行了適應(yīng)性改進(jìn)和方法設(shè)計(jì)，進(jìn)一步提出了鄰域強(qiáng)化連接交叉視覺皮質(zhì)模型(neighborhood enhanced linking ICM, NEL-ICM)。

2.1 鄰域強(qiáng)化連接交叉視覺皮質(zhì)模型的構(gòu)建

ICM模型在迭代過程中，神經(jīng)元點(diǎn)火發(fā)放產(chǎn)生自動波效應(yīng)導(dǎo)致了干涉現(xiàn)象，這對圖像清晰度有較高要求的真實(shí)圖像再現(xiàn)應(yīng)用場景非常不利。ICM鄰域影響集中在表征連接關(guān)系的W{}上，其是產(chǎn)生自動波的根源，所以必須修改神經(jīng)元間連接方式、改變自動波傳播特性才能徹底解決自動波效應(yīng)。Kinser引入向心自動波實(shí)現(xiàn)鄰域非線性連接項(xiàng)，認(rèn)為曲率流模型是向心自動波的理論基礎(chǔ)，但是Kinser方案從曲率流到向心自動波構(gòu)造實(shí)現(xiàn)的轉(zhuǎn)化過程描述并不清楚，文獻(xiàn)[10]在深入分析ICM自動波形成機(jī)理及現(xiàn)有文獻(xiàn)基礎(chǔ)上，提出了基于線性熱流和形態(tài)學(xué)中值集的兩種向心自動波實(shí)現(xiàn)方法，但運(yùn)算復(fù)雜度依然很高。同時基于向心自動波的實(shí)現(xiàn)方式本身與神經(jīng)元鄰域連接問題存在跨越，所以本文在考慮鄰域連接關(guān)系的基礎(chǔ)上進(jìn)一步解決自動波效應(yīng)。借鑒邊緣保持濾波器等核心思想，充分考慮鄰域神經(jīng)元間的相互作用(距離及鄰域所有神經(jīng)元像素信息的影響)，在ICM神經(jīng)元連接模型W{}的設(shè)計(jì)上，本文提出了鄰域強(qiáng)化連接函數(shù)WNEL{}：

其中，WNEL利用3個連接因子對Y進(jìn)行加權(quán)，分別為：

1)空間鄰近因子(spatial closeness factor, SCF)：采用指數(shù)下降和歐氏距離描述鄰域內(nèi)神經(jīng)元對中心神經(jīng)元間的空間影響，dk為鄰域神經(jīng)元與中心神經(jīng)元間的歐氏距離，經(jīng)過指數(shù)作用中心神經(jīng)元與自身的連接距離為1；

2)像素相似因子(pixel similarity factor, PSF)：為了考慮中心神經(jīng)元像素信息對當(dāng)前鄰域的影響，在像素相似性上，采用鄰域神經(jīng)元像素信息均值代替中心神經(jīng)元像素值作為比較對象；

3)影響概率因子(influential probability factor,IPF)：由于距離不同，像素信息不同，鄰域神經(jīng)元對中心神經(jīng)元影響程度不同，綜合像素信息和距離信息引入影響概率來定量描述。同樣考慮了中心神經(jīng)元像素信息對當(dāng)前整個鄰域的影響。

NEL-ICM與原始ICM相比，充分考慮鄰域內(nèi)所有神經(jīng)元的信息及相互作用；在導(dǎo)致自動波的原始單一距離加權(quán)上作用以鄰域像素信息相似度和影響概率權(quán)值，連接輸入擴(kuò)展為脈沖信息Y和像素信息S的混合輸入，3個不同角度考慮的加權(quán)連接系數(shù)可以充分表征不同距離、不同像素信息和不同影響程度的鄰域內(nèi)神經(jīng)元外部刺激差異。綜上，結(jié)合連接函數(shù)和閾值下降方法的討論，鄰域強(qiáng)化連接交叉視覺皮質(zhì)模型NEL-ICM為：

根據(jù)ICM默認(rèn)參數(shù)和典型設(shè)計(jì)方法，設(shè)計(jì)NEL-ICM面向真實(shí)圖像再現(xiàn)應(yīng)用的參數(shù)設(shè)置原則：

1)閾值下降機(jī)制決定了點(diǎn)火狀態(tài)，本文采用文獻(xiàn)[11]提出的基于直方圖劃分的自適應(yīng)下降方法，按照直方圖劃分值生成自適應(yīng)的閾值下降序列第n次下降值為構(gòu)成的NEL-ICM閾值下降公式：設(shè)置T矩陣初始閾值為單位矩陣；

2)迭代次數(shù)由直方圖劃分區(qū)域確定，針對真實(shí)圖像再現(xiàn)的應(yīng)用，通常劃分區(qū)域?yàn)?56個，所以下降步長較小足以保證把相鄰灰度級通過不同點(diǎn)火時刻盡可能區(qū)分開來；這樣的劃分可以使得點(diǎn)火更充分細(xì)致，輸出映射灰度級多。原始圖像都進(jìn)行歸一化，直方圖根據(jù)圖像動態(tài)范圍設(shè)定最小統(tǒng)計(jì)值(bin)，面向0～255灰度級圖像，分層數(shù)小于8時，以256-bin直方圖統(tǒng)計(jì)即可滿足需要；分層數(shù)等于8時，可以設(shè)置為1 000-bin及以上；而對于高動態(tài)范圍圖像，則需要根據(jù)圖像最小值設(shè)定，保證將最小值附近的量綱在閾值下降時也可以分開；

3)根據(jù)文獻(xiàn)[11]經(jīng)驗(yàn)，如果調(diào)制參數(shù)h典型值設(shè)置較小則會導(dǎo)致神經(jīng)元重復(fù)點(diǎn)火，所以面向真實(shí)圖像再現(xiàn)應(yīng)用場景，保證神經(jīng)元一次點(diǎn)火，設(shè)置h為較高數(shù)量級。

4)由于ICM將非線性相乘耦合調(diào)制融合到連接函數(shù)設(shè)計(jì)，在狀態(tài)項(xiàng)Fij的構(gòu)造中表征連接關(guān)系的WNEL{}作用非常關(guān)鍵，為了保證與閾值比較時的尺度細(xì)致，點(diǎn)火更加細(xì)致和充分，將f設(shè)置為較小數(shù)值，弱化狀態(tài)項(xiàng)自身反饋強(qiáng)化連接關(guān)系表征，同時賦以系數(shù)v調(diào)整WNEL{}。

經(jīng)過大量測試，NEL-ICM默認(rèn)選取參數(shù)為：f=0.1；h=3×1010；v=0.3。

2.2 本文算法流程

圖像分解的顯著形式來源于透明度感知，ICM是實(shí)現(xiàn)分層視覺表征的典型代表?；谝曈X皮質(zhì)模型的圖像增強(qiáng)方法的核心是將該神經(jīng)元點(diǎn)火表征的圖像分解過程與像素值變化形成映射對(matching pair)?；诖怂悸?，本文建立基于NEL-ICM的真實(shí)圖像再現(xiàn)框架，流程見圖1。不同動態(tài)范圍的輸入圖像像素值根據(jù)上述直方圖選擇下降規(guī)律依次點(diǎn)火，引入映射函數(shù)fm(?)感知點(diǎn)火狀態(tài)Y[n]與相應(yīng)閾值T[n]以得到輸出圖像作為最終真實(shí)再現(xiàn)圖像。映射函數(shù)建立NEL-ICM輸入與輸出映射關(guān)系，點(diǎn)火映射圖累加即是整個迭代過程的體現(xiàn)。因此，基于NEL-ICM的真實(shí)圖像再現(xiàn)算法核心框架為：

該框架的核心是設(shè)計(jì)合適的fm(?)，能夠根據(jù)具體實(shí)現(xiàn)情況、依據(jù)NEL-ICM迭代過程而獲得目標(biāo)輸出。

為了提高處理效率，無需進(jìn)行3個通道的分別處理。首先得到原始圖像S的亮度分量L，NEL-ICM迭代過程完成圖像增強(qiáng)/色調(diào)映射的核心環(huán)節(jié)——亮度再現(xiàn)。通常亮度可控和細(xì)節(jié)保持這兩個環(huán)節(jié)需要分步實(shí)施[12]，而NEL-ICM鄰域內(nèi)非線性連接函數(shù)可以在圖像對比度再現(xiàn)時體現(xiàn)一定的約束作用，從而可以在一個模型中綜合考慮。亮度再現(xiàn)后，在RGB空間進(jìn)行顏色再現(xiàn)。在亮度分量計(jì)算時，采用NTSC/PAL的YUV空間計(jì)算方法，即：L=0.298 9R+0.587G+0.114B。這樣的灰度轉(zhuǎn)換方式比HSV空間的max(R,G,B)和HSI空間的(R+G+B)/3都更適合直接低端顯示需求。

圖1 基于NEL-ICM的真實(shí)圖像再現(xiàn)算法流程

2.3 自適應(yīng)亮度再現(xiàn)

亮度再現(xiàn)旨在使非均勻光照環(huán)境下獲取圖像能恢復(fù)出均勻光照下真實(shí)的視覺可見。對于調(diào)整亮度動態(tài)范圍，基于Weber定律，最典型的是對數(shù)函數(shù)。文獻(xiàn)[13]發(fā)現(xiàn)基本對數(shù)公式能夠保證場景亮度到顯示器亮度的光滑變換，但是輸出亮度值容易出現(xiàn)過度壓縮，從而丟失對比度，所以設(shè)計(jì)了自適應(yīng)的對數(shù)基底，對不同像素值操作時基底不同，整個映射函數(shù)為：

式中，輸出Ld是亮度L和最大亮度Lmax的對數(shù)比值函數(shù)。對數(shù)基底在鄰域的約束下作用在不同亮度值像素上，參數(shù)bias在調(diào)整高亮區(qū)動態(tài)范圍和暗區(qū)細(xì)節(jié)上非常重要，典型值為0.85。

全局自適應(yīng)對數(shù)映射曲線可以實(shí)現(xiàn)高效應(yīng)用，但是其在局部效應(yīng)上考慮還不夠充分，同時尚未融入HVS模型的時域自適應(yīng)性，在圖像處理過程中較難同時解決高光和陰影。對數(shù)基底插值方式需要自適應(yīng)改進(jìn)。為此，本文設(shè)計(jì)了基于新型鍵值的自適應(yīng)基底。

在設(shè)計(jì)亮度調(diào)整環(huán)節(jié)時，主觀量—鍵值(key)經(jīng)常被用來代表視覺適應(yīng)性，其屬于感光細(xì)胞響應(yīng)模型，圖像可以大致按照鍵值分為亮鍵、常態(tài)鍵或者暗鍵3類[4]。但經(jīng)典計(jì)算方式只描述了全局的主觀亮度值，并沒有考慮到局部視覺的適應(yīng)性，對于在非均勻光照下獲取的圖像，局部光照差異很大，所以局部估計(jì)鍵值非常有用。實(shí)際上，視覺適應(yīng)性尤其是感光細(xì)胞響應(yīng)機(jī)制是符合S形狀曲線的[2]。基于視覺適應(yīng)性描述，本文設(shè)計(jì)了基于反正弦函數(shù)的局部鍵值來表示局部視覺適應(yīng)性：

本文提出的亮度再現(xiàn)方法在優(yōu)良的曲線函數(shù)控制下是復(fù)合設(shè)計(jì)的思路。局部鍵表征了局部視覺適應(yīng)性，是視覺感官適應(yīng)性的統(tǒng)計(jì)描述，也是視覺對光照動態(tài)范圍的調(diào)整。整個亮度映射函數(shù)來自局部特征和鄰域中心值的比例關(guān)系，是逐鄰域自適應(yīng)的根本法則，即給每個像素產(chǎn)生基于鄰域信息的相應(yīng)調(diào)節(jié)函數(shù)。自適應(yīng)的基底和偏置函數(shù)一起保證了在高光和陰影中信息的視覺可見。bias仍為文獻(xiàn)[13]默認(rèn)參數(shù)。

3 仿真實(shí)驗(yàn)與分析

3.1 面向非均勻光照圖像增強(qiáng)應(yīng)用

本文按照圖像降質(zhì)場景不同，分別對多種非均勻光照圖像進(jìn)行測試，尤其是暗區(qū)等場景，并與典型方法進(jìn)行對比。Retinex算法是較常用的一類方法，本文選擇專業(yè)圖像增強(qiáng)軟件Photoflair，其核心為NASA學(xué)者提出的(multi-scale retinex with color restore, MSRCR)算法，為降低參數(shù)調(diào)整問題，選取Scenic Mode模式。另外，Vijayan K.Asari教授領(lǐng)導(dǎo)團(tuán)隊(duì)一直推進(jìn)非線性圖像增強(qiáng)方法來提升視覺質(zhì)量、強(qiáng)化圖像細(xì)節(jié)和特征，為后續(xù)復(fù)雜光照環(huán)境中的模式識別任務(wù)奠定前端處理基礎(chǔ)，相繼提出一系列方法，本文選擇STTF算法(self-tunable transformation function)[5]和IISE算法(integrated intensity and spatial enhancement)[14]作為對比對象。本文的NEL-ICM框架進(jìn)行圖像增強(qiáng)時，自適應(yīng)閾值下降方法根據(jù)實(shí)際需要對分層數(shù)進(jìn)行調(diào)整。由于人類視覺閾值特性，分辨率只有幾十個灰度級，所以面向灰度級范圍為0～255的低動態(tài)范圍顯示設(shè)備，本文默認(rèn)閾值下降分層數(shù)Nk=6。典型對比結(jié)果見圖2～圖4。

圖2 含有天空的自然場景增強(qiáng)效果

圖3 夜視燈光場景增強(qiáng)效果

含有天空區(qū)域的圖像是一種典型非均勻光照場景，普通相機(jī)無法捕捉寬動態(tài)范圍亮度，圖像增強(qiáng)方法需要盡可能實(shí)現(xiàn)全局曝光補(bǔ)償。圖2a為典型測試圖像(1 824×1 368，jpg格式)；圖2b為Photoflair增強(qiáng)結(jié)果，可知MSRCR方法可以大幅提升圖像對比度，但是對暗區(qū)亮度調(diào)整不充分，引入不自然顏色和光暈現(xiàn)象；STTF方法能夠保留天空區(qū)域真實(shí)感，但從局部圖可知，對于高/低亮度區(qū)域調(diào)節(jié)上仍不易均衡，如圖2c所示，非線性函數(shù)運(yùn)用到非均勻光照圖像增強(qiáng)中時，動態(tài)范圍壓縮與細(xì)節(jié)信息保持仍是難點(diǎn)；而本文方法能夠再現(xiàn)視覺良好亮度和提供更多細(xì)節(jié)，并保持顏色信息穩(wěn)定性，如圖2d所示。

圖4 曝光過度場景增強(qiáng)效果

夜視燈光場景也存在典型非均勻光照環(huán)境，高光和背景區(qū)域?qū)Ρ榷榷紩陆?，典型測試圖像如圖3a(320×243，jpg格式)所示。仿真結(jié)果表明：MSRCR容易引起一定程度光暈，某些細(xì)節(jié)不能較好再現(xiàn)；STTF方法對于夜視燈光場景中細(xì)節(jié)力展現(xiàn)上尚有不足，而且其前端引入直方圖調(diào)整較容易干擾其對比增強(qiáng)步驟。本文方法可以在一定程度上保留原有高亮度信息，并較好地提升了暗區(qū)亮度，重現(xiàn)其細(xì)節(jié)和顏色，從局部放大圖可知，尤其對于立桿之間的連線都能夠?qū)崿F(xiàn)良好重現(xiàn)。

曝光過度場景是曝光不足的相反情況，典型測試圖像見圖4a(446×572，jpg格式)所示，本文方法對該類測試圖像的增強(qiáng)效果較理想，尤其能夠比MSRCR和IISE在局部產(chǎn)生更好的對比度，如圖4細(xì)節(jié)放大圖，而且在全局色彩恢復(fù)方面也有一定優(yōu)勢。

目前很多傳統(tǒng)圖像增強(qiáng)算法在對霧靄、煙塵、渾濁液體等復(fù)雜環(huán)境應(yīng)用時的擴(kuò)展性有局限，本文方法對這類圖像有一定效果，尤其是能夠有效壓縮該類圖像動態(tài)范圍以提升對比度，顏色和細(xì)節(jié)也有一定恢復(fù)，如圖5所示，左為原始圖像，右為本文結(jié)果。

圖5 復(fù)雜降質(zhì)條件下圖像增強(qiáng)效果

表1 不同方法客觀評價

除了主觀評價，本文使用典型客觀評價指標(biāo)，包括局部均值的均值和局部標(biāo)準(zhǔn)差的均值，分別表征局部亮度和局部對比度，同時使用平均梯度和OND引導(dǎo)清晰度[10]評價細(xì)節(jié)邊緣對比度信息。表1為測試圖像增強(qiáng)前后，不同方法的客觀評價指標(biāo)值。MSRCR方法由于容易引入光暈等人工效果，衡量對比度的客觀值(如平均梯度和OND引導(dǎo)清晰度)反而較高；與STTF和IISE方法相比，本文算法能夠兼顧亮度再現(xiàn)和對比度再現(xiàn)，尤其在細(xì)節(jié)再現(xiàn)方面有較強(qiáng)體現(xiàn)，衡量對比度的客觀值較高。所以，面向非均勻光照圖像增強(qiáng)，主客觀評價必須相結(jié)合，同時融入視覺特性的客觀評價指標(biāo)設(shè)計(jì)。經(jīng)過測試，本文方法在亮度和對比度再現(xiàn)上都具有一定優(yōu)勢。但對于jpg格式圖像，在圖像增強(qiáng)時，本文方法結(jié)果中塊效應(yīng)有一定程度放大。

3.2 面向高動態(tài)范圍圖像色調(diào)映射應(yīng)用

真實(shí)圖像再現(xiàn)的另一個重要方面是HDRI色調(diào)映射。為驗(yàn)證本文算法有效性，針對文獻(xiàn)[4]的.hdr格式圖像，選擇典型文獻(xiàn)方法和實(shí)用軟件進(jìn)行對比實(shí)驗(yàn)。與Drago的自適應(yīng)對數(shù)TMO[13]，Melyan的自適應(yīng)Retinex[4]，Reinhard的攝影算子[15]，H.Kiya的統(tǒng)一TMO[16]，R.F.Xu的水平集框架[17]和N.Bansal的邊緣保持濾波TMO[18]等方法，以及常用軟件Photomatix Pro處理結(jié)果相比較，各種方法和軟件參數(shù)采取默認(rèn)值。HDRI動態(tài)范圍更寬，信息豐富，所以本文在進(jìn)行分層劃分時默認(rèn)Nk=8，NEL-ICM固有參數(shù)設(shè)置不變。

圖6 “cornellbox”的顯示結(jié)果及細(xì)節(jié)對比

從結(jié)果可以發(fā)現(xiàn)，本文方法達(dá)到了典型方法的顯示效果，同時在某些方面具有一定優(yōu)勢。以“cornellbox”圖像為例(如圖6所示)，由于主動光源的存在，需要兼顧高光區(qū)域和暗區(qū)域的信息再現(xiàn)，Meylan和Reinhard方法不能將光源區(qū)域的信息充分顯示出來，R.f.Xu方法導(dǎo)致暗區(qū)光照提升程度不夠，Meylan、Hitoshi Kiya方法存在全局出現(xiàn)一定程度白化或色調(diào)偏移、亮度直方圖兩端截?cái)嗟群筇幚聿襟E自適應(yīng)性弱等情況。Photomatix、Naman Bansal和Drago方法的整體視覺效果較好，而本文方法在高動態(tài)范圍信息細(xì)節(jié)顯示和顏色再現(xiàn)上有一定優(yōu)勢。本文算法對大量HDRI進(jìn)行了測試，典型輸出結(jié)果見圖7，不管從整體亮度、對比度和顏色方面，本文算法結(jié)果都能達(dá)到較為良好的視覺效果。

圖7 典型HDR圖像的輸出結(jié)果

4 結(jié)束語

本文圍繞實(shí)現(xiàn)低動態(tài)范圍圖像增強(qiáng)和高動態(tài)范圍圖像色調(diào)映射的復(fù)合，提出了基于鄰域強(qiáng)化連接交叉視覺皮質(zhì)模型的真實(shí)圖像再現(xiàn)框架。通過連接函數(shù)、閾值函數(shù)和參數(shù)設(shè)計(jì)使NEL-ICM具有解決自動波效應(yīng)和面向真實(shí)圖像再現(xiàn)應(yīng)用的基礎(chǔ)。通過大量實(shí)驗(yàn)，對于非均勻光照圖像實(shí)現(xiàn)了亮度動態(tài)范圍調(diào)整，對比度提升，細(xì)節(jié)邊緣清晰，在視覺評價上達(dá)到或優(yōu)于典型方法；對于高動態(tài)范圍圖像，本文方法實(shí)現(xiàn)了在低動態(tài)范圍顯示器上較高視覺質(zhì)量顯示，兼顧高動態(tài)范圍信息顯示和圖像細(xì)節(jié)體現(xiàn)。本文算法框架具有一定的開放性，尤其是表征NEL-ICM的輸入和輸出關(guān)系的映射函數(shù)，可以根據(jù)具體情況設(shè)計(jì)，為深入研究提供了基礎(chǔ)。

[1]WARD G, RUSHMEIER H, PIATKO C.A visibility matching tone reproduction operator for high dynamic range scenes[J].IEEE Trans on Visualization and Computer Graphics, 1997, 3(4): 291-306.

[2]肖蔓君, 陳思穎, 倪國強(qiáng).基于 Sigmoid函數(shù)局部視覺適應(yīng)模型的真實(shí)影像再現(xiàn)[J].光學(xué)學(xué)報(bào), 2009, 29(11):3050-3056.XIAO Man-jun, CHEN Si-ying, NI Guo-qiang, et al.Tone reproduction method by a local model of visual adaptation based on sigmoid function[J].Acta Optica Sinica, 2009,29(11): 3050-3056.

[3]DOU Ze-yang, GAO Kun, ZHANG Bin, et al.Realistic image rendition using a variable exponent functional model for retinex[J].Sensor, 2016, 16(832): 1-16.

[4]MEYLAN L, SUSSTRUNK S.High dynamic range image rendering with a retinex-based adaptive filter[J].IEEE Transactions on Image Processing, 2006, 15(9): 2820- 2830.

[5]ARIGELA S, ASARI V K.Self-tunable transformation function for enhancement of high contrast color images[J].Journal of Electronic Imaging, 2013, 22(2): 1-23.

[6]呂麗麗, 高昆, 邵曉光, 等.基于人眼視覺特性的高動態(tài)范圍彩色圖像自適應(yīng)增強(qiáng)方法[J].北京理工大學(xué)學(xué)報(bào),2012, 32(4): 415-419.Lü Li-li, GAO kun, SHAO Xiao-guang, et al.An adaptive high dynamic range color image enhancement algorithm based on human vision property[J].Transactions of Beijing Institute of Technology, 2012, 32(4): 415-419.

[7]饒志濤, 許廷發(fā), 劉子偉, 等.參數(shù)控制的混合色調(diào)映射方法[J].北京理工大學(xué)學(xué)報(bào), 2015, 35(12): 1280-1284.RAO Zhi-tao, XU Ting-fa, LIU Zi-wei, et al.Parameters controlled hybrid tone mapping method[J].Transactions of Beijing Institute of Technology, 2015, 35(12): 1280-1284.

[8]楊磊, 高昆, 呂麗麗, 等.基于 Sigmoid-iCAM 色貌模型的真實(shí)影像再現(xiàn)算法[J].光學(xué)技術(shù), 2016, 42(2): 121-125.YANG Lei, GAO Kun, Lü Li-li, et al.Realistic image rendition algorithm based on Sigmoid-iCAM color appearance model[J].Optical Technique, 2016, 42(2): 121-125.

[9]LINDBLAD T, KINSER J M.Image processing using pulse-coupled neural networks[M].3nd.[S.l.]: Springer-Verlag, 2013.

[10]高山.交叉視覺皮質(zhì)模型的若干理論及在圖像處理中的應(yīng)用研究[D].西安: 空軍工程大學(xué), 2010.GAO Shan.Study on the theories of intersecting cortical model and its applications in images processing[D].Xi’an:Air Force Engineering University, 2010.

[11]李成, 孫路, 田潤瀾, 等.基于交叉皮質(zhì)模型的單幅圖像陰影檢測算法[J].自動化學(xué)報(bào), 2014, 38(7): 1134-1144.LI Cheng, SUN Lu, TIAN Run-lan, et al.Single image shadow detection based on intersecting cortical model[J].Acta Automatica Sinica, 2014, 38(7): 1134-1144.

[12]陸許明, 朱雄泳, 李智文, 等.一種亮度可控與細(xì)節(jié)保持的高動態(tài)范圍圖像色調(diào)映射方法[J].自動化學(xué)報(bào),2015, 41(6): 1080-1092.LU Xu-ming, ZHU Xiong-yong, LI Zhi-wen, et al.A brightness-scaling and detail-preserving tone mapping method for high dynamic range images[J].Acts Automatics Sinica, 2015, 41(6): 1080-1092.

[13]DRAGO F, MYSZKOWSKI K, ANNEN T.Adaptive logarithmic mapping for displaying high contrast scenes[C]//Proc of Eurographics.Granada, Spain: [s.n.], 2003.

[14]EVAN K, ASARI V K.Integrated intensity and spatial enhancement technique for color images[C]//International Conference on Digital Image Processing: Techniques and Applications.Copenhagen, Denmark: [s.n.], 2015.

[15]REINHARD E, STARK M, SHIRLEY P, et al.Photographic tone reproduction for digital images[J].ACM Transactions on Graphics, 2002, 21(3): 267-276.

[16]HITOSHI K, TOSHIYUKI D.An efficient unifiedtone-mapping operation for HDR images with various formats[J].ITE Trans on MTA, 2016, 4(1): 2-9.

[17]XU Rui-feng, PATTANAIK S N.High dynamic range image display using level set framework[J].Journal of WSCG, 2003, 11(1): 1-5.

[18]BANSAL N, RAMAN S.Regularized tone mapping using edge preserving filters[C]//2015 Twenty First National Conference on Communications (NCC).Bombay: [s.n.],2015.