基于道路監(jiān)控的圖像增強(qiáng)算法研究?

殷 瑩，吳向前，王 萍，張姚斌

(1.新疆大學(xué)電氣工程學(xué)院，新疆烏魯木齊830047；2.新疆大學(xué)信息科學(xué)與工程學(xué)院，新疆烏魯木齊830046)

0 引言

道路監(jiān)控視頻圖片的采集是智能交通系統(tǒng)最重要的一部分，實(shí)際環(huán)境中往往會出現(xiàn)光線不足等情況導(dǎo)致采集視頻監(jiān)控圖像質(zhì)量較差，無法實(shí)現(xiàn)快速自動(dòng)識別．為此許多學(xué)者對圖像增強(qiáng)方面進(jìn)行了大量的研究，但他們都是基于特定的應(yīng)用背景而提出的：文獻(xiàn)[1]通過直方圖匹配的方法用參考圖像做依據(jù)對原始圖像采用迭代增強(qiáng)的方式來提高其清晰度．該方法雖然改善了圖像的視覺效果，但是圖像的細(xì)節(jié)沒有得到增強(qiáng)；文獻(xiàn)[2,3]中提出了基于光照模型的預(yù)處理光照椎和球諧波方法，但是其運(yùn)算量大而且限制因素較多不適合實(shí)際應(yīng)用；文獻(xiàn)[4,5]提出改進(jìn)的CLAHE算法，只增加了亮度分量，雖然處理的時(shí)間有所減少，同樣圖像細(xì)節(jié)增強(qiáng)并沒有顯著變化；文獻(xiàn)[6-8]將多尺度Retinex算法用于交通監(jiān)控圖像中，雖然他設(shè)計(jì)的可變?yōu)V波器對局部區(qū)域的圖像去霧處理有明顯效果也能夠突出圖像的邊緣，但是該算法的色彩因子等參數(shù)的拔取比較難，計(jì)算量也比較大；文獻(xiàn)[9]對集成電路制造過程快速獲取缺陷細(xì)節(jié)問題，提出一種特定場景下兩種算法融合的圖像增強(qiáng)技術(shù)，該算法增強(qiáng)了細(xì)節(jié)，但其應(yīng)用場景受到一定的限制．

以上算法計(jì)算量較大且限制因素多，許多參數(shù)的選取較難，不利于實(shí)際應(yīng)用．本文基于以上算法的不足提出一種將CLAHE與多尺度Retinex融合的方法用于增強(qiáng)道路交通圖像，有效解決了圖像質(zhì)量較差對后期人臉檢測和違規(guī)識別率低的問題．通過多組仿真測試，可看出融合后圖像質(zhì)量得到明顯的提高，同時(shí)在智能交通系統(tǒng)中有效提高了執(zhí)法準(zhǔn)確率．

1 圖像增強(qiáng)算法

1.1 中值濾波去噪

由于視頻圖像拍攝和傳輸過程會出現(xiàn)各類噪聲，為了消除這些噪聲對圖像質(zhì)量的影響，通常采用線性濾波和排序?yàn)V波等方法．線性濾波一般采用均值濾波和高斯濾波方法，而中值濾波[10]是屬于排序?yàn)V波的一種，是一種非線性處理的方法，其去噪效果和保留圖像細(xì)節(jié)都要比均值濾波的效果好．該算法主要思想是通過確定一個(gè)中心點(diǎn)然后將該中心的鄰域像素值進(jìn)行排序處理以后，將中間值賦給該中心點(diǎn)的灰度像素值，常用有3×3和5×5濾波窗口，也可根據(jù)噪聲大小自己定義．實(shí)驗(yàn)測試用一張大霧天拍攝含有椒鹽噪聲的圖片，圖1為均值濾波與中值濾波處理后的結(jié)果．從圖中可明顯看出，中值濾波對含噪聲污染的圖像改善效果明顯要比均值濾波好，因此選用中值濾波．

圖1 兩種濾波去除噪聲效果圖

1.2 CLAHE直方圖的均衡化

CLAHE直方圖是對傳統(tǒng)直方圖采用重新分配亮度來計(jì)算局部區(qū)域直方圖[11]，該方法能增強(qiáng)圖像局部動(dòng)態(tài)對比度，保留圖像細(xì)節(jié)和形態(tài)特征，并抑制噪聲的放大．

CLAHE算法的具體實(shí)現(xiàn)步驟如下：

(1)將輸入的圖像分成M×N個(gè)不重復(fù)的子區(qū)域．

(2)對分割的每個(gè)子區(qū)域的灰度級直方圖進(jìn)行平均分配后計(jì)算結(jié)果相同的像素．即平均像素為

其中，Ngray表示子區(qū)域中灰度級的總像素，Nx表示每個(gè)小區(qū)域X軸上的像素?cái)?shù)，Ny表示每個(gè)小區(qū)域Y軸上的像素?cái)?shù)．

(3)將每個(gè)小區(qū)域直方圖中大于的像素?cái)?shù)截取，K表示截取系數(shù)，并求出截取部分的總像素為∑NV，截取過程如圖2所示．然后求出截取到的總像數(shù)分配到每個(gè)灰度級的像素?cái)?shù)為

(4)分別對每個(gè)子區(qū)域重復(fù)步驟（1）（2）（3）以后對得到的每塊子區(qū)域裁剪后的新直方圖進(jìn)行直方圖均衡化，并使用變換函數(shù)得到新的灰度值．

圖2 直方圖截取示意圖

1.3 Retinex算法

Retinex是通過retina與cortex合成起來的．算法利用高斯濾波器提取物體的反射分量，進(jìn)行圖像增強(qiáng)后在色彩失真、圖像灰度級范圍達(dá)到平衡．近年來許多學(xué)者提出多種改進(jìn)的Retinex[12]算法，其中最為經(jīng)典的三種為單尺度Retinex算法（SSR）、多尺度加權(quán)平均的Retinex算法（MSR）和帶彩色恢復(fù)的多尺度Retinex算法（MSRCR），本文采用MSR算法．

1.3.1 MSR算法

MSR多尺度算法的基本公式如下

其中，N為尺度的數(shù)量，一般選取為3；W為尺度的權(quán)重因子，并且滿足在Fn中的尺度參數(shù)C一般選取15、80和250．該算法在動(dòng)態(tài)壓縮和顏色恢復(fù)有所平衡．

2 基于CLAHE和多尺度Retinex融合的新思想

為了解決受光照不均影響的道路監(jiān)控圖像，本文考慮到Retinex算法的不足之處，對于光照變化較大的圖像會出現(xiàn)光暈現(xiàn)象導(dǎo)致彩色圖片顏色泛白、失真．而恰好CLAHE算法可以通過直方圖限幅來增強(qiáng)圖像的局部對比度減少光照變化．因此采用兩種算法融合后用做圖像增強(qiáng)的新算法．

2.1 CLAHE和多尺度Retinex融合

通常融合后的圖像在保留原始圖像的色彩亮度的同時(shí)，需要盡可能的增加細(xì)節(jié)信息量．融合技術(shù)是將多幅圖像中關(guān)于同一目標(biāo)的圖像數(shù)據(jù)經(jīng)過圖像處理盡可能提取各自信道中的有利信息來提高圖像的分辨率．目前在遙感、視頻目標(biāo)識別、醫(yī)學(xué)等方面有許多應(yīng)用，尤其為后期目標(biāo)檢測提供了良好的效果．根據(jù)圖像融合層次可分為三個(gè)：決策級融合、特征級融合、數(shù)據(jù)級融合．?dāng)?shù)據(jù)級融合是高層次圖像融合的基礎(chǔ)，它直接處理傳感器在多個(gè)場景下采集的數(shù)據(jù)，盡可能的保留原始場景．提供其他層系所不能提供的紋理信息，也是當(dāng)前融合圖像研究的重點(diǎn)之一．常用的方法有加權(quán)平均法、小波變換法等．但目前小波變換法存在如何選擇最佳的小波基函數(shù)和最優(yōu)的小波分解層數(shù)等難題．而加權(quán)平均法（Weighted Averaging，WA）可以將幾幅質(zhì)量不同的圖像信息直接融合，它具有簡單、直觀、運(yùn)算速度快的優(yōu)點(diǎn)，同時(shí)可以提高圖像的信噪比．因此本文選取采用像素加權(quán)平均法將CLAHE和多尺度Retinex算法分別處理后的圖像進(jìn)行融合．

2.2 融合算法的流程圖

圖3 融合算法的流程圖

圖3為融合算法的流程圖，具體表現(xiàn)為以下幾步：

（1）首先輸入原始圖像Ii(x,y)，并且畫出其直方圖．

（2）將輸入的彩色圖像Ii(x,y)分成M×N個(gè)不重復(fù)的子區(qū)域，通過公式(1)(2)得到圖像新的灰度級范圍．然后對R、G、B三個(gè)通道分別使用adapthisteq()函數(shù)進(jìn)行處理得出限幅自適應(yīng)均衡化（CLAHE）的圖像X(i,j)．

（3）同樣將（1）中的Ii(x,y)進(jìn)行分解為R、G、B三個(gè)通道，將它們的類型變換為double型，并且設(shè)定好所需參數(shù)．

（4）根據(jù)公式（3）、（4）和（5）可以構(gòu)造高斯函數(shù)，并且經(jīng)過實(shí)驗(yàn)得出三個(gè)高斯核用三個(gè)尺度來定義．

（5）然后歸一化處理，分別對三個(gè)尺度處理進(jìn)行加權(quán)平均．

（6）分別對R、G、B三個(gè)通道重復(fù)步驟（3）和（4）的處理，最終得到新的彩色圖像Y(x,j)．

（7）將CLAHE和多尺度Retinex處理后兩個(gè)圖像用圖3中公式計(jì)算，取得最終的圖像W(x,j)．

3 實(shí)驗(yàn)結(jié)果對比

本文通過新疆維吾爾自治區(qū)交警總隊(duì)所采集照片選取其中600張質(zhì)量較差的圖片做測試，每張像素大小為450×370．測試平臺為Core i5-3230 CPU，內(nèi)存4GB的PC機(jī)，所用軟件為matlab2015b．將實(shí)驗(yàn)樣本分別運(yùn)用CLAHE、SSR、MSR、MSRCR及本文算法等五種算法在道路監(jiān)控圖像增強(qiáng)的效果做對比，部分圖像增強(qiáng)效果如下圖4所示．

圖4 (a)和(b)為兩類質(zhì)量較差圖像的五種算法增強(qiáng)效果圖

由上述測試結(jié)果可知兩張圖片通過（CLAHE）算法增強(qiáng)后雖然圖像的局部對比度有所加強(qiáng)，但是細(xì)節(jié)恢復(fù)并不明顯．通過Retinex算法的三種經(jīng)典類型處理后圖像的細(xì)節(jié)得到一定的增強(qiáng)，信息豐富量和圖像亮度也有了明顯的提升，但是可看出處理后的圖像整體泛白，而且由于其非線性變換對比度的拉伸而產(chǎn)生一定的噪聲．在本文算法對圖像增強(qiáng)之后，圖像的細(xì)節(jié)突出、輪廓清晰．為了驗(yàn)證本文算法普遍性采用圖像融合的評判標(biāo)準(zhǔn)測評．

3.1 客觀評價(jià)方法

客觀評價(jià)方法通常采用一些可以量化的公式，將計(jì)算得到的數(shù)據(jù)作為圖像質(zhì)量評價(jià)的結(jié)果．常用的評價(jià)指標(biāo)有信息熵(Entropy)、均值、標(biāo)準(zhǔn)差（SE）、均方根誤差（RMSE）、平均梯度（AVG）等．信息熵表示圖像信息量多少，值越大信息量越多；均值表示像素大小的平均值；標(biāo)準(zhǔn)差反映像素級的分布情況，值越大融合效果越好；均方根誤差是映現(xiàn)新的圖像與參考圖像之間的不同，區(qū)別越小越好；平均梯度表示圖像的紋理和輪廓清晰度，值越大清晰度越好；空間頻率用來衡量圖像在整體空間中像素的活躍結(jié)果，同樣值越大融合結(jié)果越清楚．采用客觀結(jié)合評定結(jié)果如圖5所示．

圖5 融合圖像客觀評判指標(biāo)圖

通過圖5各項(xiàng)指標(biāo)評判結(jié)果，能夠清楚看到信息熵、標(biāo)準(zhǔn)差、平均梯度、空間頻率等參數(shù)值在幾種算法增強(qiáng)之后，本文提出的算法對參數(shù)值提高最大，且均值與均方根誤差值也明顯有所下降，說明本文提出算法比其他幾種算法效果都好．

3.2 人臉檢測實(shí)驗(yàn)

為了驗(yàn)證本文提出的增強(qiáng)算法的有效性，實(shí)驗(yàn)將采集到質(zhì)量較差的圖片用文章提出的算法增強(qiáng)以后進(jìn)行人臉檢測．運(yùn)用改進(jìn)的方法在600張圖片進(jìn)行驗(yàn)證測試，部分人臉檢測效果如圖6所示．

圖6 部分人臉檢測效果圖

上圖是對不同條件影響下一些質(zhì)量較差的圖像進(jìn)行的人臉檢測測試，圖6（a）和（b）是在不同光照下，（c）和（d）是在夜間行駛中，（e）和（f）是在白天行駛中．綜上所述，通過本文方法增強(qiáng)圖像之后，在不同條件下對質(zhì)量較差的圖像均能檢測出人臉．表1給出增強(qiáng)圖像前后的人臉檢測的指標(biāo)結(jié)果．

表1 人臉檢測實(shí)驗(yàn)結(jié)果分析

由表1可以看出本文算法在與文獻(xiàn)[13]正檢率和檢測時(shí)間差不多的情況，誤檢率下降了一半．同時(shí)與原圖做對比以后，不僅正檢率和時(shí)間有所提升，而且誤檢率明顯下降．實(shí)驗(yàn)說明本文算法在人臉檢測實(shí)驗(yàn)中的有效性，為后期違規(guī)識別奠定了堅(jiān)實(shí)的理論基礎(chǔ)．

4 結(jié)論

本文針對智能交通系統(tǒng)中道路監(jiān)控圖像質(zhì)量問題，提出一種將CLAHE與多尺度Retinex算法融合的算法用于彩色圖像的增強(qiáng)．經(jīng)過對數(shù)據(jù)庫仿真測試之后，結(jié)果表明本文算法彌補(bǔ)兩種圖像增強(qiáng)算法的不足，且保留原圖像的色彩亮度同時(shí)細(xì)節(jié)信息得了增強(qiáng)．通過人臉檢測實(shí)驗(yàn)得出本文算法的有效性，同時(shí)有效提高執(zhí)法的準(zhǔn)確率．

參考文獻(xiàn)：

[1]朱婧雅,王中元.基于相似場景的低照度監(jiān)控圖像增強(qiáng)[J].計(jì)算機(jī)應(yīng)用與軟件，2015，32(01):203-205+210.

[2]RAVI R.Analytic pca construction for theoretical analysis of lighting variability in images of a lambertian object[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(10):1322-1333.

[3]GEORGHIADES A S,BELHUMEUR P N,KRIEGMAN D J.From few to many:illumination cone models for facerecognition under diあering pose and lighting[J].IEEE Trans.On PAMI,2001,23(6):643-660.

[4]張璞,王英,王蘇蘇.基于CLAHE變換的低對比度圖像增強(qiáng)改進(jìn)算法[J].青島大學(xué)學(xué)報(bào)(工程技術(shù)版),2011,26(04):57-60.DOI：10.13306/j.1006-9798.2011.04.011

[5]Celik T,Tjahjadi T.Automatic image equalization and contrast enhancement using Gaussian mixture modeling[J].IEEE Transactions on Image Processing,2012,21(1):145-156.

[6]Wang W,Li B,Zheng J,et al.A fast multi-scale retinex algorithm for color image enhancement[C]//International Conference on Wavelet Analysis and Pattern Recognition IEEE,2008:80-85.

[7]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 Trans Image Process,1997,6(7):965-967.

[8]王紅,何小海,楊曉敏.基于模糊理論和CLAHE的霧天圖像自適應(yīng)清晰化算法[J].微電子學(xué)與計(jì)算機(jī),2012,29(01):32-34.

[9]李錦,王俊平,萬國挺,等.一種結(jié)合直方圖均衡化和MSRCR的圖像增強(qiáng)新算法[J/OL].西安電子科技大學(xué)學(xué)報(bào),2014,41(3):103-109.

[10]范浩如,賈振紅,楊杰,Nikola Kasabov.基于改進(jìn)的增強(qiáng)Lee濾波的數(shù)字全息圖再現(xiàn)像降噪方法（英文）[J].新疆大學(xué)學(xué)報(bào)(自然科學(xué)版),2017,34(2):183-186.

[11]Lin P H,Shen C T,Lin C C,et al.Contrast Enhancement on Color Images Using Interative Histogram Rearrangement[C]//The 13thIEEE International Symposium on Consumer.Electronics.Piscataway:IEEE,2009:382-386.

[12]Chen Yuanpo,Yeh Shyhan,Huang Yunghui,et al.A region-based Retinex with data f i lling for the enhancement of electronic portal images[J].Nuclear Inst.and Methods in Physics Research A,2013(709):143-153.

[13]王小明,方曉穎,劉錦高.復(fù)雜光照下的自適應(yīng)人臉圖像增強(qiáng)[J].計(jì)算機(jī)工程與應(yīng)用，2011，47(02):15-18.