基于雙重Gamma校正的秧苗圖像增強(qiáng)算法

廖娟 陳民慧 汪鷂 鄒禹 張順 張培江 朱德泉

摘要：為了提高復(fù)雜光照條件下水田秧苗圖像的視覺效果，提出1種基于雙重Gamma校正的秧苗圖像增強(qiáng)算法。將原始RGB[紅（R）-綠（G）-藍(lán)（B）]圖像轉(zhuǎn)換成HSV[色調(diào)（H）-飽和度（S）-亮度（V）]顏色空間圖像，對V分量進(jìn)行亮度區(qū)域劃分;通過快速引導(dǎo)濾波法提取秧苗圖像的光照度分量，利用光照信息的分布特性自適應(yīng)地設(shè)置Gamma控制參數(shù)，并構(gòu)建2個自適應(yīng)Gamma函數(shù)，實現(xiàn)對V分量圖像亮度的獨立校正;最后，對校正后的圖像進(jìn)行自適應(yīng)融合，并結(jié)合H、S分量轉(zhuǎn)換為RGB圖像，進(jìn)行色彩飽和度的恢復(fù)。結(jié)果表明，本研究算法能夠?qū)崿F(xiàn)不同光照條件下秧苗圖像的自適應(yīng)增強(qiáng)，豐富圖像中的有用信息，保真原圖像的色彩信息，有效改善圖像的視覺效果，為后期的秧苗分割提供可靠的處理對象。

關(guān)鍵詞：秧苗圖像;圖像增強(qiáng);自適應(yīng)Gamma校正;色彩飽和度修復(fù)

中圖分類號：TP391.4文獻(xiàn)標(biāo)識碼：A文章編號：1000-4440（2020）06-1411-08

Abstract：To improve the visual effect of seedling images under complex illumination conditions， an image enhancement algorithm based on dual gamma correction was proposed. The original RGB image was firstly converted into HSV color space image， and the V component was extracted and partitioned into dark and bright regions. The illumination component of seedling image was obtained by the fast guided filtering method. The gamma control parameters were dynamically adjusted by the local distribution characteristics of illumination， and two adaptive gamma functions were constructed to correct the luminance of V-component image. Then， the corrected images were fused adaptively. Combining with H and S components， the fused V image was used to obtain the RGB image. Finally， the color saturation restoration was carried out for RGB image to solve the color deviation. Experimental results show that the algorithm can achieve adaptive enhancement of seedling images under different lighting conditions， enrich the useful information in the image， maintain the color information of the original image， effectively improve the visual effect of the image， and provide reliable processing objects for seedling segmentation.

Key words：seedling image;image enhancement;adaptive gamma correction;color saturation restoration

隨著現(xiàn)代農(nóng)業(yè)的發(fā)展，農(nóng)業(yè)機(jī)械自動導(dǎo)航技術(shù)已被廣泛應(yīng)用于農(nóng)作物種植、植保、收割等領(lǐng)域[1-3]。為了適應(yīng)現(xiàn)代農(nóng)業(yè)的發(fā)展，插秧機(jī)自動導(dǎo)航技術(shù)已經(jīng)成為智能農(nóng)機(jī)發(fā)展的重要研究內(nèi)容[4-5]。視覺導(dǎo)航因成本低、適應(yīng)性強(qiáng)、范圍廣等特點[6]而成為農(nóng)業(yè)機(jī)械導(dǎo)航的研究熱點。

插秧機(jī)視覺導(dǎo)航的關(guān)鍵是通過相關(guān)圖像處理算法獲取秧苗行的結(jié)構(gòu)信息，但是在戶外用相機(jī)拍攝的圖像視覺質(zhì)量易受光照變化的影響，如在晴天太陽光線照射條件下，水田中易產(chǎn)生高亮反光區(qū)域，造成秧苗表面亮度發(fā)生變化，而陰天光照較弱，圖像對比度下降，不利于秧苗特征的提取，從而給秧苗分割帶來困難，影響后期插秧機(jī)視覺導(dǎo)航線提取的準(zhǔn)確度。

針對復(fù)雜光照問題，有必要對圖像進(jìn)行增強(qiáng)，以提高視覺質(zhì)量。目前常用的圖像增強(qiáng)方法有直方圖均衡法[7]、Gamma校正法[8]、Retinex算法[9]等。Ji等[10]采用對比度受限的自適應(yīng)直方圖均衡法（CLAHE）對蘋果樹圖像進(jìn)行對比度增強(qiáng)處理，突出圖像中蘋果、樹枝、樹葉、天空的細(xì)節(jié)，便于后續(xù)圖像分割。王殿偉等[11]基于Retinex理論獲取圖像的光照信息，根據(jù)像素點的光照度分量值自適應(yīng)獲取Gamma控制參數(shù)，實現(xiàn)不同光照圖像亮度的自適應(yīng)調(diào)整。張軍國等[12]根據(jù)Retinex理論，將野生動物監(jiān)測圖像分解為光照度分量和反射分量，并對光照度分量進(jìn)行自適應(yīng)閾值的對比度拉伸，通過校正后的光照度分量估算反射分量圖像，實現(xiàn)不同光照條件下圖像的自適應(yīng)增強(qiáng)。上述算法雖然對圖像整體的光照偏亮或偏暗有一定的均衡效果，但是對于光照不均勻的圖像會產(chǎn)生過增強(qiáng)或在亮度突變處產(chǎn)生光暈，甚至出現(xiàn)色彩偏移現(xiàn)象（過飽和或欠飽和） [13]。除此以外，固定校正控制參數(shù)的使用限制了算法對復(fù)雜光照的適應(yīng)性，不同圖像經(jīng)校正后往往表現(xiàn)出相似的視覺效果，且圖像過暗或過亮區(qū)域如亮度值255處的細(xì)節(jié)信息不能得到有效增強(qiáng)。為了提高復(fù)雜光照條件下秧苗圖像的視覺效果，本研究提出1種基于雙重Gamma校正的秧苗圖像增強(qiáng)算法，對亮度分量進(jìn)行高亮度、低亮度區(qū)域劃分，利用快速引導(dǎo)濾波提取圖像的光照度分量;基于亮度分區(qū)和光照特性動態(tài)調(diào)整Gamma控制參數(shù)，構(gòu)建自適應(yīng)Gamma校正函數(shù)，分別校正亮度分量中的高亮度、低亮度區(qū)域，并對校正后的圖像進(jìn)行自適應(yīng)融合和色彩飽和度恢復(fù)，從而增強(qiáng)圖像的細(xì)節(jié)信息，減少色彩偏移。

1水田秧苗圖像及Gamma校正分析

實地采集的秧苗圖像受戶外自然光照條件不斷變化及天氣不確定性等因素影響，其呈現(xiàn)的光照信息較復(fù)雜。其中，實地采集的秧苗圖像光照條件大致可以分為正常光照度、低光照度、水面反光和曝光4種典型類型。圖1為4種光照條件下的秧苗圖像及其對應(yīng)的灰度直方圖。在正常光照度條件下，圖像的視覺效果較好，從灰度直方圖中可以看出，圖像灰度值的分布范圍為[100，200]，增強(qiáng)后的圖像容易出現(xiàn)過增強(qiáng)。在低光照度條件下，圖像整體偏暗，灰度直方圖中的灰度值均小于100，圖像的細(xì)節(jié)信息表現(xiàn)力較差，需要提升圖像亮度，增強(qiáng)圖像的細(xì)節(jié)信息。水面反光圖像的灰度直方圖中灰度值的動態(tài)分布范圍較大，高光區(qū)域圖像的細(xì)節(jié)信息丟失嚴(yán)重，應(yīng)壓縮圖像亮度范圍以增強(qiáng)圖像。曝光的圖像整體偏亮，圖像對比度較低，需要降低圖像亮度，增強(qiáng)圖像的色彩信息，提高圖像對比度。由此可見，在不同光照條件下，圖像的視覺效果不同，需要根據(jù)秧苗圖像的光照信息和亮度分布來自適應(yīng)增強(qiáng)圖像，提高圖像質(zhì)量。

常用增強(qiáng)算法中的Gamma校正具有算法簡單、處理速度快的優(yōu)點[14]，校正過程如式（1）所示：

當(dāng)γ（x，y）<1時，圖像的整體亮度會提高，而當(dāng)γ（x，y）>1時會降低圖像的整體亮度。圖2為不同γ（x，y）的校正效果，其中圖2a的水面存在高光，且秧苗的能見度較低。對圖2a進(jìn)行Gamma校正，取γ=0.5、1.5，校正結(jié)果見圖2b、圖2c，圖2a、圖2b、圖2c對應(yīng)的亮度直方圖分別見圖2d、圖2e、圖2f。當(dāng)γ<1時，整幅圖像的亮度值提高，A點的亮度值由57變?yōu)?17;當(dāng)γ>1時，整幅圖像的亮度值降低，A點的亮度值由57變?yōu)?5，但是圖像中的高光像素點如B點在校正前后的亮度值不變，仍為255。由此可見，全局Gamma校正參數(shù)γ（x，y）并不適用于校正圖像各個區(qū)域的光照度，應(yīng)根據(jù)圖像光照、亮度特性自適應(yīng)獲取圖像各個區(qū)域的亮度校正參數(shù)。

2雙重Gamma校正的圖像增強(qiáng)算法

針對秧苗圖像視覺效果易受光照變化干擾的特點，本研究提出雙重Gamma校正的圖像增強(qiáng)算法，整體實現(xiàn)流程見圖3。首先，在HSV [色調(diào)（H）-飽和度（S）-亮度（V）]色彩空間中提取V分量，對其進(jìn)行高亮度、低亮度區(qū)域劃分，并基于快速引導(dǎo)濾波估計秧苗圖像的光照度分量;其次，根據(jù)亮度分布和光照度分量特性計算亮度削弱與增強(qiáng)的控制參數(shù)，構(gòu)建2個Gamma校正函數(shù)，分別進(jìn)行高亮度、低亮度校正;最后，對校正后的高亮度、低亮度圖像進(jìn)行自適應(yīng)融合，增強(qiáng)圖像的對比度，并結(jié)合H、S分量將校正后的圖像轉(zhuǎn)到RGB[紅（R）-綠（G）-藍(lán)（B）]色彩空間，基于校正后的V分量進(jìn)行色彩飽和度的修復(fù)，去除圖像的色彩偏移。

2.1圖像亮度分區(qū)和光照度分量的提取

圖像校正前先對圖像進(jìn)行亮度分區(qū)，以對整幅圖像中的高亮度、低亮度區(qū)域進(jìn)行精確校正處理。鑒于HSV色彩空間符合人眼的視覺特性，并且表示亮度的V分量與圖像色彩信息無關(guān)[15]，因此先將RGB秧苗圖像轉(zhuǎn)換到HSV色彩空間，計算V分量的最小像素值（Vmin）和最大像素值（Vmax），以像素值128為閾值將V分量分為低亮度區(qū)域和高亮度區(qū)域，如式（2）所示：

為了更好地降低光照對成像質(zhì)量的影響，精準(zhǔn)地提取圖像的光照信息顯得十分重要。采用目前提取光照度分量的主要方法（變分框架的Retinex法、雙邊濾波法和快速引導(dǎo)濾波法[16]）對圖2a進(jìn)行光照度分量的提取。如圖4所示，Retinex法雖然能夠準(zhǔn)確提取緩慢變換的光照度分量，但易造成圖像邊緣模糊;雙邊濾波算法具有較好的邊緣保持特性，但是計算量過多，處理30張分辨率為320×237的圖像平均耗時約為92 ms，實時性較差，從而限制了其在田間作業(yè)中的應(yīng)用。相比于Retinex法和雙邊濾波法，快速引導(dǎo)濾波法具有邊緣保持性好、計算量少的優(yōu)點，處理30張分辨率為320×237的圖像平均耗時僅為6 ms。因此，本研究采用快速引導(dǎo)濾波算法提取秧苗圖像的光照度分量。

2.2自適應(yīng)Gamma校正

為了校正圖像的高亮度和低亮度區(qū)域，增強(qiáng)細(xì)節(jié)信息，本研究構(gòu)建2個自適應(yīng)的Gamma函數(shù)，分別對圖像的高亮度、低亮度區(qū)域進(jìn)行自適應(yīng)亮度校正，其表達(dá)式為：

對于高亮區(qū)域V（x，y）=255的像素點進(jìn)行歸一化處理，其值恒為1，導(dǎo)致[V（x，y）/255]γ（x，y）的值不隨γ（x，y）的變化而變化，即校正前后的亮度不變，而式（4）中對高亮區(qū)域V（x，y）采用倒數(shù)處理可以避免高亮像素點亮度無法校正的問題。但是倒數(shù)處理可能導(dǎo)致圖像亮度過低，為此，對式（4）的輸出圖像與校正前圖像進(jìn)行加權(quán)處理，詳見式（5）：

校正參數(shù)γ（x，y）直接決定了圖像的校正效果，在已有的Gamma校正算法中，γ（x，y）一般為經(jīng)驗值，沒有考慮到圖像的光照特性[17]，但是田間實際作業(yè)時所采集的圖像通常包含高亮度、低亮度區(qū)域。為了能夠改善高亮度、低亮度區(qū)域圖像的視覺質(zhì)量，本研究根據(jù)高亮度、低亮度區(qū)域像素點的光照分布特性計算亮度削弱和增強(qiáng)控制參數(shù)，表達(dá)式分別如下：

經(jīng)Gamma函數(shù)校正后，低亮度圖像和高亮度圖像的亮度能夠得到自適應(yīng)的動態(tài)調(diào)整，從而增強(qiáng)了圖像的細(xì)節(jié)信息。然而實際場景通常是光照度不均勻的，易出現(xiàn)非單一亮度圖像，需要對上述校正后的圖像進(jìn)行自適應(yīng)融合，以增強(qiáng)圖像效果。由于圖像標(biāo)準(zhǔn)差能反映圖像的對比度，故本研究計算校正后圖像Vd_out、V′b_out的標(biāo)準(zhǔn)差σd_out、σb_out，并以計算出的標(biāo)準(zhǔn)差作為權(quán)重參數(shù)對校正后的圖像進(jìn)行融合，即：

圖5b為校正圖像及融合圖像的輸出亮度曲線，三角形標(biāo)記曲線和四邊形標(biāo)記曲線分別是圖像經(jīng)式（3）至式（5）所示Gamma變換后的亮度增強(qiáng)校正、亮度削弱校正的輸入-輸出亮度曲線，圓形標(biāo)記曲線是圖像經(jīng)Gamma校正后由式（10）融合計算的輸入-輸出亮度曲線。在低亮度區(qū)域，融合結(jié)果偏向于Vd_out，而在高亮度區(qū)域，融合結(jié)果逐漸趨近V′b_out，即融合后圖像中的高亮度、低亮度區(qū)域都能得到增強(qiáng)。

2.3圖像色彩飽和度的恢復(fù)

經(jīng)Gamma校正后的圖像可能出現(xiàn)顏色偏移（過飽和或欠飽和），為了提高校正后圖像色彩的視覺效果，基于亮度調(diào)整圖像的R、G、B分量對圖像進(jìn)行色彩飽和度的恢復(fù)[18]，色彩飽和度恢復(fù)的具體實現(xiàn)表達(dá)式如下：

式中，R（x，y）、G（x，y）、B（x，y）是由Vout分量合成為HSV圖像并轉(zhuǎn)換為RGB圖像的R、G、B分量像素值;Rout（x，y）、Gout（x，y）、Bout（x，y）分別為色彩調(diào)整后R、G、B分量的像素值;ω（x，y）為校正系數(shù)，考慮到欠飽和易發(fā)生在低亮度區(qū)域，而高亮度區(qū)域多為過飽和狀態(tài)，因此ω（x，y）隨校正后亮度Vout（x，y）的增大而減小，計算公式如下：

3結(jié)果與分析

本試驗使用的圖像均為實地采集的水田秧苗圖像，采集地點為安徽農(nóng)業(yè)大學(xué)郭河試驗基地與安徽省農(nóng)業(yè)科學(xué)院水稻研究所全椒試驗基地，采集時間為2018年6月、2019年6月及2020年7月。本研究算法所用計算機(jī)的中央處理器（CPU）為Intel Core i7-7700HQ，主頻為2.8 GHz，內(nèi)存為8.0 GB，操作系統(tǒng)為Windows 10，64位系統(tǒng)，圖像處理所用軟件為Microsoft visual studio 2017和OpenCV 3.0。

3.1圖像增強(qiáng)的視覺效果對比

為了驗證本研究算法的有效性，分別利用對比度受限的自適應(yīng)直方圖均衡化算法（CLAHE算法）、多尺度Retinex算法（MSRCR算法）、文獻(xiàn)[11]中提出的自適應(yīng)校正算法（AGC算法）和本研究算法對4種典型光照條件下的秧苗圖像進(jìn)行圖像增強(qiáng)。

由圖6中的輸入圖像可以看出，場景1是陰天的秧苗圖像，光照不足，整幅圖像的亮度偏暗;場景2是雨天的秧苗圖像，雨天的水霧使得圖像的能見度降低;場景3是高曝光的秧苗圖像，圖像整體偏亮，圖像對比度低;場景4是晴天的秧苗圖像，由于水面反光造成大面積水面亮度較高，而周圍秧苗的亮度偏暗。由圖6可以看出，CLAHE算法雖然能夠增強(qiáng)低亮度區(qū)域的亮度，但是不能有效降低高亮度區(qū)域的亮度，并且出現(xiàn)嚴(yán)重的色彩偏移;MSRCR算法能較好地提升圖像的亮度，增強(qiáng)圖像的色彩信息，但卻放大了圖像中的噪聲信息，出現(xiàn)偽光暈現(xiàn)象，并且對高亮度區(qū)域造成過增強(qiáng)，造成圖像中秧苗的細(xì)節(jié)信息丟失;相比于CLAHE算法和MSRCR算法，AGC算法具有良好的色調(diào)保持性，能消除偽光暈，并一定程度地提高了圖像中低亮度區(qū)域的細(xì)節(jié)信息，對高亮度區(qū)域的亮度也有一定的抑制作用，但是其對秧苗根部暗區(qū)域的細(xì)節(jié)信息增強(qiáng)能力不足，且對場景4中像素值為255的高亮度區(qū)域的校正效果不明顯。本研究算法能夠顯著提升不同光照條件下低亮度區(qū)域的亮度，有效抑制高亮度區(qū)域的過增強(qiáng)，還能使增強(qiáng)后的圖像具有較好的色彩保持性，從而很好地呈現(xiàn)秧苗圖像中的細(xì)節(jié)信息，為后續(xù)秧苗行的識別提供有力支撐，有效減少光照對水稻插秧機(jī)視覺導(dǎo)航的干擾。

3.2圖像增強(qiáng)效果的客觀評價

為了對不同算法的圖像增強(qiáng)效果作出客觀評價，采用圖像對比度、信息熵和色彩質(zhì)量增強(qiáng)因子作為客觀評價指標(biāo)[19-20]。由于圖像亮度標(biāo)準(zhǔn)差能夠反映圖像的對比度，對比度高的圖像亮度標(biāo)準(zhǔn)差較大，因此采用亮度分量的標(biāo)準(zhǔn)差來衡量圖像的對比度;信息熵描述了圖像中的信息量，熵值越大，表明圖像含有的信息越豐富;色調(diào)偏移度為圖像增強(qiáng)后其色調(diào)與原圖色調(diào)的偏差，其值表示色彩偏移程度，其值越小，表明色彩偏移程度越小。圖7為圖6增強(qiáng)效果的客觀評價指標(biāo)數(shù)據(jù)，可以看出，用本研究算法處理后的圖像標(biāo)準(zhǔn)差明顯增加，其值略高于AGC算法，但明顯高于CLAHE算法和MSRCR算法，較原圖有效提高了圖像對比度。同時，用本研究算法增強(qiáng)后圖像的信息熵較其他3種算法高，圖像中具有更多的秧苗細(xì)節(jié)信息，并且增強(qiáng)后圖像的色調(diào)偏移度最低，能夠較好地保真原圖像的色彩信息。

此外，本研究隨機(jī)選取60幅秧苗圖像，包括低光照度圖像、光照度適中圖像和光照度較強(qiáng)圖像，統(tǒng)計用本研究算法增強(qiáng)后圖像的平均標(biāo)準(zhǔn)差、平均信息熵和平均色調(diào)偏移度。結(jié)果顯示，增強(qiáng)后圖像的亮度標(biāo)準(zhǔn)差均值較原圖像提高了68.36%，信息熵均值比增強(qiáng)前提高了71.62%，且色調(diào)偏移度均值低于0.18，對不同光照度條件的圖像具有較好的增強(qiáng)效果。

4結(jié)論

光照是影響秧苗圖像質(zhì)量的重要因素[21]，為了提高不同光照條件下秧苗圖像的視覺效果，本研究提出了1種基于雙重Gamma校正的秧苗圖像增強(qiáng)算法，在HSV色彩空間中提取秧苗圖像的亮度分量，進(jìn)行圖像的亮度分區(qū)，通過快速引導(dǎo)濾波提取秧苗圖像的光照度分量。基于低亮度區(qū)域和高亮度區(qū)域的光照度信息分布特性，設(shè)置自適應(yīng)的Gamma控制參數(shù)，構(gòu)建雙重Gamma校正函數(shù)，并對校正后的圖像進(jìn)行融合和色彩飽和度恢復(fù)。試驗結(jié)果表明，用本研究算法增強(qiáng)后圖像的亮度標(biāo)準(zhǔn)差均值較原圖像提高了68.36%，信息熵均值提高了71.62%，且色調(diào)偏移度均值低于0.18，能夠有效增強(qiáng)圖像的對比度，豐富圖像中的有用信息，從而克服了傳統(tǒng)算法不能有效校正亮度值為255的高亮度區(qū)域及校正后產(chǎn)生較大色彩偏移的問題，對復(fù)雜光照條件下的秧苗圖像具有較好的自適應(yīng)增強(qiáng)能力。后期可以研究光照分量對增強(qiáng)圖像效果的影響，從而設(shè)計出更精準(zhǔn)、更快速的光照分量提取方法，進(jìn)一步提高本研究算法對復(fù)雜光照條件下圖像的增強(qiáng)性能。

參考文獻(xiàn)：

[1]關(guān)卓懷，陳科尹，丁幼春，等. 水稻收獲作業(yè)視覺導(dǎo)航路徑提取方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報， 2019， 45（9）： 44-54.

[2]劉波，楊長輝，熊龍燁，等. 果園自然環(huán)境下采摘機(jī)器人路徑識別方法[J].江蘇農(nóng)業(yè)學(xué)報，2019，35（5）：1222-1231.

[3]REN G Q， TAO L， YING Y B， et al. Agricultural robotics research applicable to poultry production： a review[J]. Computers and Electronics in Agriculture， 2020， 169： 1-14.

[4]YIN J N， ZHU D Q， LIAO J， et al. Automatic steering control algorithm based on compound fuzzy PID for rice transplanter[J]. Applied Sciences， 2019， 9（13）： 1-14.

[5]何杰，朱金光，張智剛，等. 水稻插秧機(jī)自動作業(yè)系統(tǒng)設(shè)計與試驗[J].農(nóng)業(yè)機(jī)械學(xué)報，2019，50（3）：17-24.

[6]廖娟，汪鷂，尹俊楠，等. 基于分區(qū)域特征點聚類的秧苗行中心線提取[J].農(nóng)業(yè)機(jī)械學(xué)報，2019，50（11）：34-41.

[7]QIAO X， BAO J H， ZHANG H， et al. Underwater image quality enhancement of sea cucumbers based on improved histogram equalization and wavelet transform[J]. Information Processing in Agriculture， 2017， 4（3）： 206-213.

[8]HUANG S C， CHENG F C， CHIU Y S. Efficient contrast enhancement using adaptive gamma correction with weighting distribution[J]. IEEE Transactions on Image Processing， 2013， 22（3）：1032-1041.

[9]姬偉，呂興琴，趙德安，等. 蘋果采摘機(jī)器人夜間圖像邊緣保持的Retinex增強(qiáng)算法[J]. 農(nóng)業(yè)工程學(xué)報， 2016， 32（6）：189-196.

[10]JI W， QIAN Z， XU B， et al. Apple tree branch segmentation from images with small gray-level difference for agricultural harvesting robot[J]. Optik， 2016， 127（23）： 11173-11182.

[11]王殿偉，王晶，許志杰，等. 一種光照不均勻圖像的自適應(yīng)校正算法[J]. 系統(tǒng)工程與電子技術(shù)， 2017， 39（6）： 1383-1390.

[12]張軍國，程浙安，胡春鶴，等. 野生動物監(jiān)測光照自適應(yīng) Retinex圖像增強(qiáng)算法[J]. 農(nóng)業(yè)工程學(xué)報， 2018，34（15）：183-189.

[13]YANG K F， LI H， KUANG H， et al. An adaptive method for image dynamic range adjustment [J]. IEEE Transactions on Circuits and Systems for Video Technology， 2018， 29（3）： 640-652.

[14]劉志成，王殿偉，劉穎，等. 基于二維伽馬函數(shù)的光照不均勻圖像自適應(yīng)校正算法[J]. 北京理工大學(xué)學(xué)報， 2016， 36（2）： 191-196.

[15]李頎，王康，強(qiáng)華，等. 基于顏色和紋理特征的異常玉米種穗分類識別方法[J]. 江蘇農(nóng)業(yè)學(xué)報， 2020， 36（1）：24-31.

[16]YANG K F， GAO S B， LI Y J， et al. Efficient illuminant estimation for color constancy using grey pixels[C]//IEEE. Proceedings of the 2015 IEEE conference on computer vision and pattern recognition. Boston， America：IEEE， 2015： 2254-2263.

[17]LEE S， KWON H， HAN H， et al. A space-variant luminance map based color image enhancement[J]. IEEE Transactions on Consumer Electronics， 2010， 56（4）：2636-2643.

[18]李玉華，李天華，牛子孺，等. 基于色飽和度三維幾何特征的馬鈴薯芽眼識別[J]. 農(nóng)業(yè)工程學(xué)報， 2018， 34（24）：158-164.

[19]李江波，黃文倩，張保華，等. 類球形水果表皮顏色變化校正方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報， 2014， 45（4）： 226-230.

[20]FU Q， JUNG C， XU K. Retinex-based perceptual contrast enhancement in images using luminance adaptation [J]. IEEE Access， 2018， 6： 61277-61286.

[21]白元明，孔令成，張志華，等. 基于改進(jìn)OTSU算法的快速作物圖像分割[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（24）：231-236.

（責(zé)任編輯：徐艷）