基于改進(jìn)型Retinex算法的彩色圖像增強(qiáng)技術(shù)*

駱家杭，張 旭

(上海工程技術(shù)大學(xué)機(jī)械與汽車工程學(xué)院，上海 201620)

1 引言

隨著智能算法的發(fā)展，圖像識別技術(shù)越來越受到人們的關(guān)注，科研人員在訓(xùn)練識別模型的時(shí)候也希望得到更準(zhǔn)確、更穩(wěn)定的識別模型。但是，圖像數(shù)據(jù)庫的圖像質(zhì)量可能會受到各種各樣外在因素的影響，如光照不均、相對運(yùn)動和色彩失真等。對圖像進(jìn)行增強(qiáng)處理，可提高圖像品質(zhì)，豐富圖像的信息量，便于計(jì)算機(jī)進(jìn)一步理解圖像。因此，彩色圖像的增強(qiáng)處理技術(shù)在交通智能化、軍事國防和醫(yī)學(xué)等方面能夠發(fā)揮相當(dāng)重要的作用。

Retinex算法逐漸成為AI、信號處理等方向的潮流，Edwin Land在20世紀(jì)中葉提出Retinex算法理論，該理論認(rèn)為人眼所看見的視圖是由于物體對光線進(jìn)行反射所產(chǎn)生的。此后，20世紀(jì)90年代，Jobson等人研究發(fā)現(xiàn)對圖像的對比度加強(qiáng)可以使用高斯模型，文獻(xiàn)[1]提出單尺度Retinex算法SSR(Single Scale Retinex)，文獻(xiàn)[2]指明高斯濾波之所以能夠估計(jì)光強(qiáng)，內(nèi)在核心是拉氏運(yùn)算，即拉普拉斯算法[3]。拉普拉斯算法可以衍生到多尺度Retinex算法MSR(Multi-Scale Retinex)中。在應(yīng)用圖像增強(qiáng)算法過程中，原始圖像因?yàn)榫哂胁煌潭鹊脑肼?，會造成處理后圖像的局部細(xì)節(jié)色彩失真，不能真正表現(xiàn)物體的原本色彩，使整體視覺效果變差。針對這一點(diǎn)不足，張慧娜等人[4]將輸入的低對比度圖像分解為Lab顏色空間中的亮度分量和色度分量，很好地反映了人類視覺系統(tǒng)的感知特征。Krizhevsky等人[5]提出亮信道先驗(yàn)和局部方差映射生成的空間自適應(yīng)權(quán)值映射，自適應(yīng)地增強(qiáng)正則化參數(shù)，能夠抑制邊界和細(xì)節(jié)的弱噪聲。文獻(xiàn)[6]通過最小加權(quán)二乘法也能實(shí)現(xiàn)對圖像的增強(qiáng)顯示?；陔p邊濾波的Retinex算法能夠很好地抑制對圖像產(chǎn)生的過曝光，但會造成圖像灰度值過大。

為了改善傳統(tǒng)單尺度Retinex算法中光暈和局部細(xì)節(jié)缺失的弊端，本文提出了在單尺度Retinex算法基礎(chǔ)上的改進(jìn)型彩色圖像增強(qiáng)算法。參考文獻(xiàn)并結(jié)合Alajarmeh等人[7]提出的增強(qiáng)HSI(色調(diào)Hue、飽和度Saturation、亮度Intensity)中的亮度I來增強(qiáng)RGB彩色圖像的措施，利用最小加權(quán)二乘法作為核心算法，不再使用傳統(tǒng)的高斯函數(shù)模型，能夠顯著改善細(xì)節(jié)表達(dá)不完整的缺陷。本文對優(yōu)化的單尺度Retinex算法處理后的圖像層和細(xì)節(jié)圖像層構(gòu)造增益系數(shù)，并進(jìn)行重構(gòu)輸出一幅結(jié)果圖像。對圖像層構(gòu)造增益系數(shù)的目的是使圖像各區(qū)域光照效果充分均勻的同時(shí)，加強(qiáng)圖像細(xì)節(jié)的表達(dá)。對同一圖像不同處理方式使用常用的圖像質(zhì)量評估，本文提出的改進(jìn)型單尺度Retinex算法可有效增強(qiáng)圖像，從而得到自然、清晰的圖像。

2 Retinex算法原理

Retinex算法[8]是一種基礎(chǔ)的圖像增強(qiáng)算法，單詞Retinex由Retina (視網(wǎng)膜)和Cortex(大腦皮層)中的字母組合而成，即為視網(wǎng)膜大腦皮層理論。Retinex算法建立在3個(gè)假設(shè)基礎(chǔ)上：(1)人的眼睛對感知到的顏色是光和物質(zhì)相互作用的產(chǎn)物，原本的世界其實(shí)是無色的；(2)三原色(紅、綠、藍(lán))構(gòu)成色彩基本區(qū)域；(3)單位圖像像素點(diǎn)的色彩由三原色決定。物體呈現(xiàn)的顏色由光波所具有的性質(zhì)決定，但是物體顏色不受光照強(qiáng)度變化的影響，具有一致性。算法原理如圖1所示。

Figure 1 Retinex algorithm schematic diagram
圖1 Retinex算法原理圖

S(x,y)=R(x,y)·L(x,y)

(1)

其中，S(x,y)為雙目的最終成像，L函數(shù)為輸入波，R函數(shù)為反射波。Retinex算法原理的核心是將光照強(qiáng)度對最終成像質(zhì)量的影響降低或徹底消除，以此增強(qiáng)圖像質(zhì)量。

單尺度Retinex圖像增強(qiáng)算法在圖像增強(qiáng)領(lǐng)域應(yīng)用廣泛。利用高斯濾波核函數(shù)模型[9]先對圖像的光強(qiáng)進(jìn)行粗計(jì)算，然后利用對數(shù)變換來消除原始圖像中光照的影響，以此優(yōu)化圖像，其過程如式(2)所示：

O(x,y)=lgS(x,y)-lg[F(x,y)*S(x,y)]

(2)

其中，*為卷積符號，O(x,y)為優(yōu)化后的輸出圖像，函數(shù)S為雙目成像圖。F為中心環(huán)繞函數(shù)，即：

F(x,y)=ρ×e-(x2+y2)/σ2

(3)

其中，e為常量且e≈2.71828，σ為高斯環(huán)繞尺度，ρ為歸一化系數(shù)，需要滿足：

(4)

單尺度Retinex算法易于實(shí)現(xiàn)，并且效果良好,但該算法還有一些缺點(diǎn)：

(1)該理論中的入射光是理想狀態(tài)，即為沒有波動的變化，但在實(shí)際情況中，往往很難得到假設(shè)情況中的理想狀態(tài)，特別是在圖像的四角和邊緣，這些邊緣區(qū)域光強(qiáng)不同，“光暈偽影”[10]現(xiàn)象經(jīng)常發(fā)生。

(2)單尺度算法只能對整幅圖進(jìn)行增強(qiáng)，圖像細(xì)節(jié)部分不能顯示出來，圖像增強(qiáng)效果差，對比度不夠明顯。

3 改進(jìn)的單尺度Retinex算法

針對單尺度Retinex算法存在的圖像細(xì)節(jié)表達(dá)不明顯和光暈現(xiàn)象這些弊端，本文利用加權(quán)最小二乘法來進(jìn)行優(yōu)化，以得到令人滿意的結(jié)果。

首先，對于單尺度Retinex算法不能提取到很好的細(xì)節(jié)信息問題，關(guān)鍵點(diǎn)就是尋找一個(gè)合適的低通濾波器，且該低通濾波器應(yīng)具有較好的邊緣處理特性，即該低通濾波器可以估計(jì)出圖像的細(xì)節(jié)輪廓結(jié)構(gòu)?？紤]到加權(quán)最小二乘法可以使平滑后的結(jié)果圖像較好地還原原始圖像，且在邊緣部分不會發(fā)生失真，所以加權(quán)最小二乘法濾波器是比較合理的選擇。加權(quán)最小二乘法[11]濾波器目標(biāo)函數(shù)如式(5)所示：

(5)

其中,下標(biāo)p代表像素點(diǎn)空間位置；λ是正則項(xiàng)參數(shù)[12]，λ和圖像平滑程度成正比；目標(biāo)函數(shù)第1項(xiàng)(up-gp)2代表輸入圖像u和輸出圖像g之間的差平方；第2項(xiàng)是對u求偏導(dǎo)并進(jìn)行正則化處理，這樣輸出圖像g會更細(xì)膩；α為權(quán)重。當(dāng)輸入圖像邊緣梯度變化較大的時(shí)候，權(quán)重α能夠降低邊緣梯度系數(shù)，從而對圖像基本信息進(jìn)行保存。

對于單尺度Retinex算法所存在的“光暈”，本文將重排圖像的灰度級，引入符合人眼視覺的HSI空間，將彩色RGB圖像轉(zhuǎn)換到HSI空間并對I通道中的色調(diào)和亮度進(jìn)行結(jié)合得到新的圖像。優(yōu)化的灰度級算法表達(dá)式如式(6)所示：

lgInew=λh·IB(x,y)+β·ID(x,y)

(6)

其中,Inew為處理后的圖像；λh為細(xì)節(jié)層的常數(shù)系數(shù);β為基本層圖像的增益系數(shù)[13]，是圖像細(xì)節(jié)波動的控制系數(shù),當(dāng)β=14時(shí)，細(xì)節(jié)控制最好;IB為細(xì)節(jié)層函數(shù);ID為基本層函數(shù)。

多尺度Retinex算法MSR的核心是在SSR的基礎(chǔ)上利用高斯環(huán)繞尺度計(jì)算，加權(quán)求和輸出結(jié)果。多尺度帶彩色恢復(fù)即MSRCR (Multi-Scale Retinex with Color Restoration)算法是基于MSR引入顏色恢復(fù)函數(shù)；而本文提出的改進(jìn)的SSR算法只需對HSI空間的亮度分量進(jìn)行最小加權(quán)二乘法的計(jì)算便能得到增強(qiáng)圖像，算法更為簡單。常用的圖像去模糊方法有逆濾波、約束最小二乘法濾波、加權(quán)最小二乘法濾波、維納(最小均方差)濾波和卡爾曼濾波(Kalman Fliter)等。本文將對比前3種濾波來進(jìn)行選擇，其中約束最小二乘法濾波的核心是色調(diào)H對噪聲的敏感度，降低噪聲敏感度的其中一種方法是復(fù)原其平滑度量的最優(yōu)值， 因此建立下列約束條件[14]：

(7)

其約束條件為:

(8)

Figure 2 Effect comparison among three filter圖2 濾波效果對比圖

由圖2的濾波效果對比可知，加權(quán)最小二乘法濾波處理的帶有噪聲的模糊圖像要比其它2種方法的效果更為細(xì)膩和平滑，對比度較為明顯，故本文選擇加權(quán)最小二乘法作為優(yōu)化算法。

本文算法的整體流程為：將輸入的待處理圖像由RGB空間轉(zhuǎn)換到HSI空間，對空間內(nèi)的H分量和S分量進(jìn)行空域?yàn)V波處理，過濾后的信號即為細(xì)節(jié)層。對I通道亮度分量進(jìn)行3次引導(dǎo)濾波，并求均值使其圖像分層，對分層后的圖像分別構(gòu)造對應(yīng)的系數(shù)來進(jìn)行增強(qiáng)；對細(xì)節(jié)層的圖像構(gòu)造常數(shù)系數(shù)來增強(qiáng)圖像的細(xì)節(jié)，對基本層的圖像構(gòu)造增益系數(shù)來對圖像的亮度進(jìn)行增強(qiáng)。將細(xì)節(jié)層和基本層重構(gòu)，最后進(jìn)行合并，在HSI空間對重構(gòu)的亮度圖像使用式(6)進(jìn)行顏色恢復(fù)，得到最終的增強(qiáng)圖像。通過上述步驟就可以獲得增強(qiáng)后的圖像。算法流程如圖3所示。

Figure 3 Flow chart of improved SSR algorithm 圖3 改進(jìn)的SSR算法流程圖

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)選擇 SSR 算法和帶彩色恢復(fù)的MSRCR算法作為對比算法，使用Matlab(R2018a)，對網(wǎng)絡(luò)上不同類型的彩色圖像進(jìn)行增強(qiáng)，再將增強(qiáng)圖像進(jìn)行對比，以檢測本文算法的可靠性和有效性。

實(shí)驗(yàn)環(huán)境為：Intel處理器Core i5，4核2.4 GHz，內(nèi)存16 GB。實(shí)驗(yàn)對象為有霧的模糊圖像和夜間圖像，它們均來源于百度圖片。本文算法采用的激活函數(shù)為sigmoid[15]，并采用峰值信噪比PSNR、信噪比SNR、均方誤差MSE[16]及運(yùn)行時(shí)間對實(shí)驗(yàn)結(jié)果進(jìn)行評估。

4.2 實(shí)驗(yàn)結(jié)果

表1為圖4的實(shí)驗(yàn)結(jié)果，均方誤差MSE為原始圖像與含有噪聲的圖像之間的能量差，差值即為噪聲，差值越小，圖像的噪聲也就越小，圖像也就越接近原始圖像。峰值信噪比PSNR是峰值信號的能量和噪聲所含能量的平均值的比值，用分貝表示，分貝越大，效果越好，能量越大。信噪比SNR為有用的信號和噪聲的比值。本文算法的MSE值為7.4888e+03，低于另外2種算法的，所以增強(qiáng)后的圖像更加接近原始圖像，圖像更加細(xì)膩清晰，圖像的噪聲會被削弱甚至消除。從表1數(shù)據(jù)可以看出，本文算法的峰值信噪比最大，增強(qiáng)的效果較好。在對含有霧的圖像進(jìn)行圖像增強(qiáng)時(shí)，本文算法削弱了噪聲值，對光照強(qiáng)度進(jìn)行補(bǔ)償從而保持了圖像色彩的均衡性。從MSE值的對比中可以看出，本文算法的增強(qiáng)效果最好，MSRCR效果最差。直觀觀察圖像，本文算法將原始圖像中存在的白噪聲即霧去除得較為徹底，圖像色彩的顯示也基本還原于物體本來的顏色；而帶色彩恢復(fù)的算法MSRCR，圖像的整體效果對比太暗，樹木的綠色被過增強(qiáng)成了深綠，建筑物的顏色過于暗淡，沒有很好地還原顏色；而SSR算法所處理的圖像，去霧效果不是很好，白色噪聲在圖像上部居多，而且色彩的恢復(fù)較原始圖像稍顯淺色。綜合來看，本文算法的圖像增強(qiáng)效果最佳。

Table 1 MSE, SNR and PSNR of mist image by each algorithm表1 各算法處理有霧圖像的MSE、SNR和PSNR對比

Figure 4 Effect comparison of mist image圖4 有霧圖像處理效果對比

圖5顯示了輸入圖像“霧中的樹”的處理圖像效果。從圖5中可以看出，SSR算法對比效果加強(qiáng)但霧天更暗；MSRCR算法處理的圖像中全局和局部對比度強(qiáng)度很大，但圖像背景亮度變暗。通過表2可以明顯看出，本文算法去霧效果和光照增強(qiáng)明顯，圖像更加清晰，失真不明顯，比傳統(tǒng)單尺度Retinex算法更加優(yōu)秀，峰值信噪比和均方誤差在3種算法中都是最好的。從圖像的直觀觀感上看，前2種算法所處理的圖像，感覺都變成了灰度圖像，且圖像的噪聲從視覺層面完全沒有消除；而本文算法的增強(qiáng)圖像在色彩的真實(shí)度上是和原始圖像相似的，霧天的效果有明顯的消除，但有些細(xì)節(jié)部分處理得不夠完美，整體來說增強(qiáng)效果依舊是最好的。

Figure 5 Effect comparison of ‘the tree in the mist’圖5 輸入圖像“霧中的樹”處理效果對比

Table 2 MSE, SNR and PSNR of ‘the tree

圖6是對暗光下的圖像進(jìn)行處理的效果對比。從圖中6可以看出，SSR算法處理后的圖像整體來說對比度明顯，但對于人的背影增強(qiáng)過頭，出現(xiàn)失真現(xiàn)象，天空的云朵顏色過度增強(qiáng)；MSRCR算法效果很差，人的背影完全變暗，與背景融為一體，色彩也失真。通過表3可以看出，本文算法處理效果優(yōu)于其它2種算法的，但圖像底部的對比度不及SSR算法的效果，算是其中的不足，整體來說性能優(yōu)異，PSNR和MES也是最好的。通過3幅不同圖像的縱向?qū)Ρ龋疚乃惴▽θレF和夜間圖像進(jìn)行加強(qiáng)的效果最好。從圖6中可以看出，使用MSRCR對圖像增強(qiáng)后圖像顏色完全失真，圖像模糊，且偏暗發(fā)紅，效果很差；使用SSR增強(qiáng)后的圖像色彩亮度過高，不能真實(shí)地反映實(shí)際圖像的顏色，并且造成了人影部分的失真。由此可以看出，本文改進(jìn)的SSR算法效果是最好的。

Figure 6 Effect comparison of dusk image 圖6 黃昏圖像處理效果對比

Table 3 MSE, SNR and PSNR

5 結(jié)束語

本文提出改進(jìn)的SSR算法將輸入的彩色圖像通過HSI的亮度通道I進(jìn)行濾波，再將過濾后的細(xì)節(jié)層和基本層重構(gòu)達(dá)到圖像增強(qiáng)效果，最后在 RGB 空間對重構(gòu)的亮度圖像進(jìn)行顏色恢復(fù),得到最終的增強(qiáng)圖像。本文算法只需要改變亮度分量I，就能實(shí)現(xiàn)對圖像的增強(qiáng),簡化了算法實(shí)現(xiàn)。在計(jì)算時(shí)間方面，所用的融合算法相當(dāng)于多尺度融合參數(shù)的自適應(yīng)化，不僅保留了更多的細(xì)節(jié)，圖像的對比度也有所增強(qiáng)。本文沒有利用圖像的灰度直方圖來進(jìn)行效果對比，是因?yàn)榛叶戎狈綀D對圖像的空間信息丟失嚴(yán)重。但是，灰度直方圖可以通過灰度的分布來直觀地看出圖像質(zhì)量的好壞，這是本文可以增加對比的地方。從實(shí)驗(yàn)結(jié)果可以看出，本文算法的PSNR值優(yōu)于其它算法的值，增強(qiáng)后的圖像更接近原圖，信噪比SNR在本文對比算法中最高，但與SSR的峰值比相差不大；均方誤差MSE在3個(gè)對比算法中最小，說明本文算法的精度更高；運(yùn)行速度高于其它對比算法的，運(yùn)行時(shí)間為0.511 s，圖像分辨率為516×451，與SSR算法相比提升了46.8%，與MSRCR算法相比提升了47.6%。對比度提升明顯，去霧效果明顯，“光暈偽影”現(xiàn)象不明顯，是比較理想的基于單尺度Retinex算法的改進(jìn)型算法，滿足要求。