劉 穎,劉佳琳,劉衛(wèi)華,陳煥平
(1.西安郵電大學(xué)圖像與信息處理研究所,陜西 西安 710121;2.西安郵電大學(xué)通信與信息工程學(xué)院,陜西 西安 710121;3.電子信息現(xiàn)場(chǎng)勘驗(yàn)應(yīng)用技術(shù)公安部重點(diǎn)實(shí)驗(yàn)室,陜西 西安 710121;4.陜西省無(wú)線(xiàn)通信與信息處理技術(shù)國(guó)際合作研究中心,陜西 西安 710121;5.山西省長(zhǎng)治市92925部隊(duì),山西 長(zhǎng)治 046011)
在獲取刑事偵查(以下簡(jiǎn)稱(chēng)刑偵)圖像時(shí),由于光線(xiàn)、天氣等因素的影響,致使拍攝出來(lái)的圖像質(zhì)量下降或退化,給后續(xù)很多工作帶來(lái)不便,必須采用圖像增強(qiáng)技術(shù)對(duì)采集的刑偵圖像做一定的處理。
常見(jiàn)的圖像增強(qiáng)技術(shù)有空域圖像增強(qiáng)和頻域圖像增強(qiáng)兩類(lèi)。前者例如直方圖均衡化算法[1]和線(xiàn)性變換算法[2],這類(lèi)算法復(fù)雜度低,計(jì)算簡(jiǎn)單,但存在細(xì)節(jié)信息丟失現(xiàn)象,不符合實(shí)際場(chǎng)景。后者最常見(jiàn)的方法為Retinex圖像增強(qiáng)算法[3]和小波變換圖像增強(qiáng)算法[4],這類(lèi)算法復(fù)雜度高,但是增強(qiáng)效果好,一般能滿(mǎn)足人們對(duì)圖像質(zhì)量的要求。
在單尺度Retinex(single scale Retinex, SSR)算法和多尺度Retinex(multi-scale Retinex, MSR)算法[5]中,照度分量由圖像高斯函數(shù)卷積得到,雖能達(dá)到增強(qiáng)圖像質(zhì)量的目的,但處理后的圖像邊緣有明顯光暈[6-7];如果采用雙邊濾波[6]和具有邊緣保持特性的引導(dǎo)濾波[7]代替高斯濾波對(duì)圖像進(jìn)行增強(qiáng),可以有效避免Retinex圖像增強(qiáng)技術(shù)在高光區(qū)邊界存在的“光暈偽影”問(wèn)題,但增強(qiáng)后圖像色彩出現(xiàn)偏差[8-9];針對(duì)增強(qiáng)后圖像的顏色偏差問(wèn)題,后續(xù)研究分別提出了一種線(xiàn)性引導(dǎo)濾波的Retinex夜間圖像增強(qiáng)算法[8]和基于加權(quán)引導(dǎo)濾波的水下圖像增強(qiáng)算法[9],這兩類(lèi)算法雖然能還原圖像彩色、抑制過(guò)增強(qiáng),但增強(qiáng)后圖像的細(xì)節(jié)丟失[10];文[10]用對(duì)數(shù)圖像處理模型來(lái)實(shí)現(xiàn)低照度圖像增強(qiáng),該算法可以提高圖像亮度和對(duì)比度,視覺(jué)效果良好,但算法復(fù)雜度高,運(yùn)算時(shí)間長(zhǎng)[11];文[12]對(duì)Retinex算法進(jìn)行了相應(yīng)的改進(jìn),該算法可以提高圖像亮度和對(duì)比度,避免光暈現(xiàn)象,但是增強(qiáng)后圖像出現(xiàn)少量的噪聲,部分細(xì)節(jié)丟失,整體效果偏差[13]。
為減少增強(qiáng)后圖像出現(xiàn)的光暈現(xiàn)象和細(xì)節(jié)丟失問(wèn)題,提高刑偵圖像質(zhì)量,本文擬選用自適應(yīng)權(quán)重提高引導(dǎo)濾波的邊緣保持特性,進(jìn)而估計(jì)出圖像光照分量,并采用對(duì)數(shù)處理模型對(duì)光照分量進(jìn)行增強(qiáng),得到準(zhǔn)確的反射分量。
Retinex理論[14]是一種基于人眼感知和色度特征的視覺(jué)模型,其指出人眼對(duì)物體本身的反射能力決定物體的顏色,而入射光的強(qiáng)度對(duì)物體顏色影響不大。根據(jù)Retinex理論,一幅圖像可認(rèn)為它是入射部分乘以其反射部分得到[14],即圖像
I(x,y)=L(x,y)R(x,y)。
(1)
其中,L(x,y)為圖像的入射部分,R(x,y)為圖像的反射部分。
根據(jù)對(duì)人類(lèi)視覺(jué)特性的研究,人眼對(duì)亮度的變化近似于對(duì)數(shù)變化模式[14],對(duì)公式(1)兩邊同時(shí)取對(duì)數(shù),得
logI(x,y)=logL(x,y) + logR(x,y)。
(2)
通過(guò)高斯環(huán)繞函數(shù)與原圖像進(jìn)行卷積,估計(jì)出光照分量,用原始圖像減去光照分量,即為反射圖像,對(duì)應(yīng)的公式[14]為
logR(x,y)=logI(x,y) -
log[L(x,y) ?G(x,y)]。
(3)
其中,I(x,y)為原始圖像,logR(x,y)為反射圖像,“?”是卷積運(yùn)算,G(x,y)是高斯函數(shù),定義為[15]
(4)
其中,λ為使得?G(x,y)dxdy=1的歸一化系數(shù),σ為高斯標(biāo)準(zhǔn)差,也稱(chēng)環(huán)繞尺度。
對(duì)反射圖像取指數(shù),得到最終增強(qiáng)圖像[15]
R′(x,y)=exp[logR(x,y)]。
(5)
上述計(jì)算過(guò)程即為SSR算法,若將不同Retinex算法的輸出結(jié)果進(jìn)行加權(quán)合并,即為MSR算法,此時(shí)的輸出圖像[15]
(6)
其中,z表示圖像R(紅)、G(綠)、B(藍(lán))3個(gè)通道,z=1時(shí)為灰度圖像,z=3時(shí)為彩色圖像;Wn(n=1,2,…,N)是權(quán)重因子,N為尺度總數(shù)。
由于SSR算法和MSR算法使用不具有保邊平滑能力的高斯環(huán)繞函數(shù)來(lái)估計(jì)光照?qǐng)D像,致使估計(jì)出的光照?qǐng)D像存在一定的偏差。為了更好地估計(jì)光照?qǐng)D像,本文選用加權(quán)引導(dǎo)濾波取代高斯濾波。
針對(duì)經(jīng)典Retinex算法中存在的顏色偏差問(wèn)題,采用加權(quán)引導(dǎo)濾波的Retinex圖像增強(qiáng)算法。算法流程如圖1所示。
圖1 加權(quán)引導(dǎo)濾波的Retinex圖像增強(qiáng)算法原理
如圖1所示,首先,輸入一幅低照度刑偵圖像,提取其亮度分量;其次,采用加權(quán)引導(dǎo)濾波估計(jì)出光照層,并用對(duì)數(shù)圖像增強(qiáng)處理模型對(duì)光照信息進(jìn)行增強(qiáng),得到處理后的光照層;再次,在對(duì)數(shù)域計(jì)算圖像的反射層;最后,恢復(fù)圖像的色彩信息,得到最終輸出圖像。
刑偵圖像中的細(xì)節(jié)信息十分重要,將具有保邊平滑特性的引導(dǎo)濾波應(yīng)用在刑偵圖像增強(qiáng)算法中,既可降低噪聲干擾又可保留細(xì)節(jié)。設(shè)經(jīng)過(guò)線(xiàn)性轉(zhuǎn)化[7]后,第i個(gè)像素處的輸出圖像
Qi=cjPi+dj, ?i∈wj。
(7)
式中,Pi為第i個(gè)像素處的引導(dǎo)圖像;wj為Pi與Qi之間以第j個(gè)像素為焦點(diǎn),半徑為r的方形窗;cj和dj是wj中固定的系數(shù)。
引導(dǎo)濾波中的所有窗口均采取相同的權(quán)重因子,并未考慮窗內(nèi)像素差異。針對(duì)引導(dǎo)濾波應(yīng)用在刑偵圖像中的不足,改進(jìn)算法采用像素的局部特征來(lái)衡量圖像質(zhì)量的好壞和細(xì)節(jié)信息的豐富程度,從而確定引導(dǎo)濾波的權(quán)重。實(shí)驗(yàn)中,對(duì)于每個(gè)像素點(diǎn)(i,j),取其為中心的一個(gè)(2k+1)×(2k+1)的正方形窗,統(tǒng)計(jì)窗內(nèi)的方差、均值、梯度等圖像特性作為該像素點(diǎn)的特征,繼而根據(jù)該像素點(diǎn)所屬第p次引導(dǎo)輸出的局部特征來(lái)確定對(duì)應(yīng)的權(quán)重,最后按照像素融合的方法對(duì)3次引導(dǎo)濾波圖像進(jìn)行融合。圖像像素點(diǎn)(i,j)的方差、均值、梯度的計(jì)算公式分別為
(8)
(9)
(10)
圖像像素點(diǎn)(i,j)的聯(lián)合質(zhì)量測(cè)度是由上述方差、均值、梯度的一種或多種構(gòu)成,對(duì)應(yīng)的質(zhì)量測(cè)度
(11)
其中,α,β,γ分別為聯(lián)合質(zhì)量測(cè)度取方差、均值和梯度時(shí)對(duì)應(yīng)的取值。由于圖像拍攝特性的差別,使得每幅圖像的側(cè)重信息不一樣。α,β,γ取值可以為0或1。當(dāng)α,β,γ其中一項(xiàng)或者兩項(xiàng)取值為0時(shí),說(shuō)明圖像的聯(lián)合質(zhì)量測(cè)度不采用此特性,相反,當(dāng)α,β,γ其中一項(xiàng)取值或者全部取值為1時(shí),說(shuō)明此特性占據(jù)的權(quán)值比較大,采取此特性作為圖像的聯(lián)合質(zhì)量測(cè)度。
權(quán)重系數(shù)
(12)
其中,Qp(i,j)分別是進(jìn)行3次引導(dǎo)濾波后圖像的質(zhì)量測(cè)度,且權(quán)重系數(shù)滿(mǎn)足0≤wp(i,j)≤1,ξ是一個(gè)很小的正數(shù),目的是使分母不為零。則融合后的引導(dǎo)輸出圖像可由以下公式得出
(13)
其中,G(i,j)為融合后的引導(dǎo)濾波輸出圖像;Gp(i,j)為3次引導(dǎo)濾波對(duì)應(yīng)的輸出圖像。
通過(guò)上述加權(quán)引導(dǎo)濾波取代傳統(tǒng)的高斯濾波對(duì)光照分量進(jìn)行估計(jì),這樣不僅可反映圖像整體情況,而且能夠避免傳統(tǒng)Retinex算法中帶來(lái)的“光暈”現(xiàn)象。實(shí)驗(yàn)中,將亮度圖像Il進(jìn)行歸一化,引導(dǎo)圖像與輸入圖像采取相同的圖像,即P=Il,I=Il,將輸入圖像I和引導(dǎo)圖像P作為引導(dǎo)濾波的輸入,采用加權(quán)引導(dǎo)濾波處理,如下式
Q=fguide(I,P)。
(14)
其中,Q是加權(quán)引導(dǎo)濾波后的輸出圖像;fguide(·)是加權(quán)引導(dǎo)濾波操作。
對(duì)數(shù)圖像處理模型是基于人類(lèi)視覺(jué)系統(tǒng)特性的數(shù)學(xué)模型[16]。假設(shè)圖像的2個(gè)灰度色調(diào)函數(shù)分別為f(x,y)和g(x,y),對(duì)數(shù)圖像處理模型中的部分運(yùn)算公式為
(15)
(16)
(17)
其中,?、?、?分別表示對(duì)數(shù)圖像處理模型下的加法運(yùn)算、數(shù)乘運(yùn)算和減法運(yùn)算。M為圖像的灰度級(jí)總數(shù),對(duì)于8 bit圖像,令M=255[16]。ζ是大于零的常數(shù),用來(lái)放大或縮小圖像。
為改善光照分量的質(zhì)量,獲取更準(zhǔn)確的反射分量,對(duì)加權(quán)引導(dǎo)濾波的輸出圖像采用對(duì)數(shù)模型進(jìn)行增強(qiáng),增強(qiáng)后的圖像
f′=c?A?d(Q?A)。
(18)
其中,c和d為常數(shù),A是以(x,y)為中心,n×n為窗口的灰度值的平均值,Q為引導(dǎo)濾波的輸出圖像,式中c?A用于拉伸圖像灰度區(qū)域的范圍,而d(Q?A)用于銳化圖像的邊緣,實(shí)驗(yàn)中,c取值為10,d取值為2[17]。
通過(guò)以上加權(quán)引導(dǎo)濾波器估計(jì)出準(zhǔn)確的光照分量后,將其轉(zhuǎn)換到對(duì)數(shù)域,將原始亮度與光照分量相減,可得到相應(yīng)的反射分量
logR(x,y)=
logIl(x,y) - logf′(x,y)。
(19)
其中,Il(x,y)代表原始亮度圖像,f′(x,y)表示處理后的光照分量,進(jìn)行以上操作后,需要將計(jì)算結(jié)果代入式(5)中,得到最終的反射分量,再恢復(fù)圖像顏色,便可計(jì)算出最終的增強(qiáng)圖像。
為驗(yàn)證改進(jìn)算法的有效性,采用Matlab R2016a軟件作為編程工具,在Windows 10系統(tǒng)下對(duì)SSR算法、MSR算法、直方圖均衡化算法、引導(dǎo)濾波算法[7]和本文改進(jìn)算法分別進(jìn)行測(cè)試,并通過(guò)主觀評(píng)價(jià)和客觀評(píng)價(jià)分別對(duì)實(shí)驗(yàn)仿真結(jié)果進(jìn)行分析。實(shí)驗(yàn)選取不同場(chǎng)景下的低照度刑偵圖像,如圖2 所示。
圖2 實(shí)驗(yàn)測(cè)試低照度刑偵圖像
對(duì)場(chǎng)景1下的低照度刑偵圖像,分別利用不同算法進(jìn)行仿真。不同算法的仿真結(jié)果,如圖3所示。
從圖3可以看出,圖3(a)中整體效果較差,圖像暗淡不清;圖3(b)雖能看見(jiàn)車(chē)輛的邊緣信息,但是整體顏色偏白,增強(qiáng)后引入較多的噪聲;圖3(c)和圖3(d)雖然能看見(jiàn)車(chē)輛整體輪廓,但圖像存在一定的噪聲;3(e)中圖像細(xì)節(jié)清晰可見(jiàn),層次感較強(qiáng),如車(chē)燈的邊緣部分和車(chē)牌號(hào)碼信息都可清晰地被感知。
圖3 不同算法對(duì)場(chǎng)景1的仿真結(jié)果
對(duì)場(chǎng)景2下的低照度刑偵圖像,分別利用不同算法進(jìn)行仿真。不同算法的仿真結(jié)果,如圖4所示。
從圖4可以看出,圖4(a)中圖像模糊不清,車(chē)牌信息無(wú)法被感知;圖4(b)中圖像顏色出現(xiàn)偏差;圖4(c)中雖然圖像整體效果較好,但是車(chē)牌信息不可清晰地被感知;圖4(d)中圖像局部信息丟失,不能達(dá)到人類(lèi)視覺(jué)要求標(biāo)準(zhǔn);圖4(e)改進(jìn)算法得到的結(jié)果能清楚地看到車(chē)身的輪廓,圖像整體和局部對(duì)比度都較高,增強(qiáng)后圖像貼近真實(shí)場(chǎng)景。
對(duì)場(chǎng)景3下的低照度刑偵圖像,分別利用不同算法進(jìn)行仿真。不同算法的仿真結(jié)果,如圖5所示。
圖5 不同算法對(duì)場(chǎng)景3的仿真結(jié)果
從圖5可以看出,SSR算法增強(qiáng)后圖像質(zhì)量模糊,視覺(jué)效果差;MSR算法增強(qiáng)后圖像存在大量的噪聲,圖像邊緣信息丟失,車(chē)牌信息完全看不清;直方圖均衡化算法處理的結(jié)果圖像整體偏暗,車(chē)輛信息不能被清晰地感知;引導(dǎo)濾波算法增強(qiáng)后整體效果較好,但引入大量的噪聲;本文算法處理后的圖像局部細(xì)節(jié)信息清晰可見(jiàn),在保證車(chē)牌號(hào)碼被感知的同時(shí),也可以看到車(chē)輛頭部的輪廓。
通過(guò)不同算法對(duì)3種不同場(chǎng)景進(jìn)行測(cè)試,可以看出本文算法能夠有效避免SSR算法和MSR算法帶來(lái)的“光暈”現(xiàn)象,相比直方圖均衡化算法和引導(dǎo)濾波算法,本文算法能夠在一定程度上克服增強(qiáng)圖像細(xì)節(jié)信息丟失和色彩偏差問(wèn)題,處理后圖像局部信息清晰可見(jiàn)。
利用信息熵[9](information entropy, IE)、結(jié)構(gòu)相似性[9](structural similarity index, SSIM)和平均梯度[12](mean gradient, MG)3項(xiàng)評(píng)價(jià)指標(biāo)對(duì)SSR算法、MSR算法、直方圖均衡化算法、引導(dǎo)濾波算法和改進(jìn)算法的性能進(jìn)行評(píng)估。其中,信息熵可表示圖像所含信息量的多少,其值越大,說(shuō)明圖像所含信息成分越高;結(jié)構(gòu)相似性用于表示相鄰像素之間的關(guān)聯(lián)程度,進(jìn)而用來(lái)代表圖像的結(jié)構(gòu)失真程度,其值越高,說(shuō)明兩者結(jié)構(gòu)相似性越高;平均梯度代表圖像細(xì)節(jié)信息,其值越大,說(shuō)明圖像細(xì)節(jié)越清楚。
對(duì)圖2所示的低照度刑偵圖像進(jìn)行測(cè)試,不同算法的客觀評(píng)價(jià)結(jié)果,如表1所示。
表1 不同算法的客觀評(píng)價(jià)結(jié)果
從表1可以看出,由于各個(gè)場(chǎng)景的光照、圖像紋理和算法本身的差別,致使客觀評(píng)價(jià)指標(biāo)各有優(yōu)劣,但改進(jìn)算法在信息熵、結(jié)構(gòu)相似性和平均梯度上基本都有所提高。
針對(duì)低照度刑偵圖像,提出一種加權(quán)引導(dǎo)濾波的Retinex圖像增強(qiáng)算法。采用加權(quán)引導(dǎo)濾波估計(jì)光照分量,并利用對(duì)數(shù)模型對(duì)光照層進(jìn)行增強(qiáng),從而得到準(zhǔn)確的反射層。實(shí)驗(yàn)結(jié)果表明,與單尺度Retinex算法、多尺度Retinex算法、直方圖均衡化算法和引導(dǎo)濾波算法相比,從主觀方面來(lái)看,本文算法能夠有效避免SSR算法和MSR算法帶來(lái)的“光暈”現(xiàn)象,相比直方圖均衡化算法和引導(dǎo)濾波算法,本文算法能夠在一定程度上克服增強(qiáng)圖像細(xì)節(jié)信息丟失和色彩偏差問(wèn)題,處理后圖像局部信息清晰可見(jiàn);從客觀評(píng)價(jià)方面來(lái)看,本文算法的信息熵、結(jié)構(gòu)相似性和平均梯度3個(gè)指標(biāo)都比較高。此外,雖然算法在圖像增強(qiáng)方面達(dá)到了一定的效果,但針對(duì)去除噪聲的研究還有待進(jìn)一步深入。