基于雙邊濾波MSR 與AutoMSRCR 融合的低光照圖像增強(qiáng)

顧文娟，丁 燦，魏 金，陰艷超，劉孝保

（昆明理工大學(xué) 機(jī)電工程學(xué)院，云南 昆明 650500）

1 引言

數(shù)字圖像處理技術(shù)在機(jī)器視覺領(lǐng)域有著廣泛應(yīng)用，如在目標(biāo)識別、目標(biāo)追蹤［1］、目標(biāo)分割［2］、超分辨率重構(gòu)［3］等方面。實際應(yīng)用中不可避免地會在低光照環(huán)境中采集圖像，低光照圖像因環(huán)境亮度的局限影響圖像信息的獲取和后續(xù)使用，因此需要對低光照圖像進(jìn)行增強(qiáng)處理［4］。圖像增強(qiáng)的目的主要是按照需求突出圖像中有用的特征信息，使得增強(qiáng)后的圖像保留的信息更加完整［5］。

目前提出的圖像增強(qiáng)的方法有很多種，其中應(yīng)用最廣泛的是基于直方圖均衡化算法（Histogram Equalization，HE）［6］。它主要是通過均衡原始圖像的直方圖來提高圖像對比度，對低光照圖像進(jìn)行增強(qiáng)。但此算法會使圖像的灰度級減少造成細(xì)節(jié)丟失，導(dǎo)致圖片出現(xiàn)嚴(yán)重噪聲。在此基礎(chǔ)上REDDY 等人提出了一種限制對比度自適應(yīng)直方 圖均衡算法（Contrast Limited Adaptive Histgram Equalization，CLAHE）［7］，該算法主要是限制對比度的增強(qiáng)，以便于運用到全局直方圖均衡化中，但是在對背景處理時會放大背景噪聲，且增強(qiáng)之后的圖像色彩飽和度較差。Land 等提出的基于視覺系統(tǒng)Retinex 算法［8］，該理論認(rèn)為人眼感知到物體的信息是由反射特征來決定，因此將一幅圖分解為反射分量和照度分量然后對圖像進(jìn)行增強(qiáng)處理。Retinex 理論首先提出SSR算法（Single Scale Retinex）［9］和MSR 算法（Multi Scale Retinex）［10］，但這兩種增強(qiáng)算法均會導(dǎo)致顏色失真。為了改進(jìn)顏色失真的問題緊接著提出帶有顏色恢復(fù)的MSRCR 算法（Multi Scale Retinex with Color Restoration）［11］和AutoMSRCR 算法（Automated Multi Scale Retinex with Color Restoration）。MSRCR 算法增加色彩恢復(fù)函數(shù)和使用增益加權(quán)的方法之后，雖然能消除色彩失真的現(xiàn)象，但由于該算法是對RGB 各通道進(jìn)行歸一化處理，圖像易產(chǎn)生光暈；AutoMSRCR 算法在對RGB 三通道進(jìn)行處理時，會導(dǎo)致一部分通道被拉伸，從而使圖像整體色彩出現(xiàn)偏白化，色彩飽和度降低。

為解決上述問題，本文提出一種基于雙邊濾波的MSR 算法與AutoMSRCR 算法融合的低光照圖像增強(qiáng)算法。第一步，將原始圖像從RGB顏色空間轉(zhuǎn)換到HSV 顏色空間，然后使用基于雙邊濾波的MSR 算法對亮度通道進(jìn)行亮度增強(qiáng)，得到增強(qiáng)后的亮度通道再與色度、飽和度通道進(jìn)行合并，形成初始亮度增強(qiáng)圖片；第二步，將初始增強(qiáng)后的圖像從HSV 空間轉(zhuǎn)換到LAB 顏色空間，運用CLAHE 算法對圖像細(xì)節(jié)增強(qiáng)；第三步，利用AutoMSRCR 算法對原始圖像進(jìn)行處理，得到色彩偏白但階調(diào)平滑的圖像，再將與之細(xì)節(jié)增強(qiáng)后的圖像進(jìn)行加權(quán)融合得到最終的增強(qiáng)圖像。通過該方法進(jìn)行增強(qiáng)的圖像色彩更符合人眼主觀感受，清晰度更高，也能保留更多邊緣細(xì)節(jié)和紋理。

2 算法理論基礎(chǔ)

2.1 Retinex 理論

Retinex 理論認(rèn)為人眼視覺信息系統(tǒng)（Human Visual System，HVS）對物體的感知主要是由于物體自身的反射特性所導(dǎo)致的。對顏色和亮度的感知都是由于物體在不同的光照條件產(chǎn)生反射信息從而被人眼所接收。由此Land 等人建立了該理論的數(shù)學(xué)模型，公式如式（1）所示：

由于圖像是由像素點組成，公式中分別以x，y表示在二維圖像空間中的坐標(biāo)點位置。該理論假定物體反射光進(jìn)入人眼的圖像為S（x，y），光照從不同角度產(chǎn)生的入射圖像為L（x，y），反射物體形成的反射率為R（x，y），反射率由反射物體自身決定，不受入射光的影響。

2.2 SSR，MSR，AutoMSRCR 算法的理論推導(dǎo)

單尺度Retinex 算法（SSR 算法），此方法主要是通過對（1）式兩邊取對數(shù)，然后用入射光照圖像減去環(huán)境光照分量得到帶有細(xì)節(jié)信息的反射光照分量，公式如式（2）所示：

由于環(huán)境光照分量很難真實得到，用高斯濾波與原始圖像進(jìn)行卷積，模擬環(huán)境光照分量，公式如式（3）所示：

其中：“*”是卷積符號，F(xiàn)(x，y)是高斯濾波，高斯濾波公式如式（4）所示：

高斯濾波最重要參數(shù)就是標(biāo)準(zhǔn)差σ，σ值越小，圖像平滑效果相對較差，但圖像細(xì)節(jié)保留較多。σ值越大，各模板的系數(shù)沒有明顯差別，對圖像平滑效果好，增強(qiáng)圖像的色彩保真很好，但是圖片紋理處理模糊，整體細(xì)節(jié)模糊。

為了解決SSR 算法存在的不足，提出了多尺度MSR 算法。MSR 算法是在SSR 算法的基礎(chǔ)之上對SSR 算法進(jìn)行不同高斯核處理之后進(jìn)行加權(quán)融合得到最終增強(qiáng)圖像，公式如式（5）所示：

其中：N為尺度的個數(shù)，選用高、中、低三個尺度，ωn為每個尺度權(quán)重，取ω1=ω2=ω3=1/3。對于運用MSR 算法進(jìn)行圖像增強(qiáng)之后會存在圖像顏色失真，為了解決MSR 算法出現(xiàn)顏色失真的問題，加入相應(yīng)的顏色恢復(fù)函數(shù)，形成新的增強(qiáng)算法，即為MSRCR 算法［12］，公式如式（6）所示：

其中：

其中：Ci為彩色恢復(fù)因子，β是增益常數(shù)，α表示受控的非線性程度。

通過實驗發(fā)現(xiàn)需增加一個增益值和偏移值得到最終的MSRCR 算法，公式如式（8）所示：

為了能夠自適應(yīng)調(diào)節(jié)圖像的色彩提出了AutoMSRCR 算法［13］，其核心思想主要是按照百分之五的比例去除MSRCR 方法中RGB 數(shù)值最大和最小的部分，然后將剩余值重新規(guī)劃到［0，255］中，這樣就得到AutoMSRCR 處理后的增強(qiáng)圖像。這種方法消除了之前算法對原始圖像階調(diào)的依賴AutoMSRCR 主要是結(jié)合MSR 算法來改善圖片顏色失真問題，其算法流程如圖1所示。

圖1 自適應(yīng)色彩增益算法流程圖Fig.1 Flow chart of adaptive color gain algorithm

自動色階的原理是先統(tǒng)計圖像的直方圖，通過直方圖來確定圖像的灰度級集中的區(qū)域，然后計算出自動色階的上閾值Tmax和下閾值Tmin。在進(jìn)行處理時，當(dāng)像素值超出上閾值Tmax時則超出的像素點設(shè)置為255，當(dāng)像素值低于下閾值Tmin時則低于的部分設(shè)置為0，其公式如式（9）所示：

其中：n為對數(shù)運算之后的數(shù)值，n0=0，count 為統(tǒng)計直方圖后U的位置，β為色階可控值，在本文中β=0.05。

圖像經(jīng)過AutoMSRCR 算法處理之后，得到的結(jié)果保留在對數(shù)域中，使用公式（10）將結(jié)果轉(zhuǎn)換到實數(shù)域得到最終增強(qiáng)圖像，采用線性歸一化的方式得到最終的增強(qiáng)圖像。其量化公式為：

3 本文算法

針對經(jīng)典Retinex 算法存在的不足，提出基于雙邊濾波的MSR 算法與AutoMSRCR 算法融合的低光照圖像增強(qiáng)算法。該算法主要分為三個部分，首先，基于HSV 顏色空間使用雙邊濾波的MSR 算法將原始圖像的V 通道進(jìn)行亮度增強(qiáng)，得到增強(qiáng)之后的亮度通道與原始的S 通道和H 通道進(jìn)行融合得到初始亮度增強(qiáng)圖像；然后，將亮度增強(qiáng)圖像運用CLAHE 算法基于LAB 顏色空間的L 通道進(jìn)行細(xì)節(jié)增強(qiáng)，然后將LAB 顏色空間轉(zhuǎn)換到RGB 顏色空間，得到亮度與細(xì)節(jié)增強(qiáng)圖像；最后，運用AutoMSRCR 算法對原始低光照圖像進(jìn)行處理，與第二步亮度與細(xì)節(jié)增強(qiáng)圖像進(jìn)行加權(quán)融合得到最終的增強(qiáng)圖像。其總體算法流程如圖2 所示。

圖2 本文算法流程圖Fig.2 Flowchart of algorithm in this paper

3.1 基于雙邊濾波的MSR 算法

3.1.1 HSV 顏色空間

HSV 顏色空間，是將RGB 中的每個像素點集合于圓錐體中進(jìn)行顏色空間表達(dá)的一種方法［14］。H，S，V 分別表示色度，飽和度，亮度。對V 通道進(jìn)行圖像增強(qiáng)處理時不影響圖片的色彩信息，從而使得H，S 通道的信息保留更完整。其通道轉(zhuǎn)換公式如式（11）所示：

其中：R，G，B分別是RGB 顏色空間三個通道各像素點的值，Mmax，Mmin分別表示最大值和最小值。

針對MSR 算法中對圖像顏色存失真的問題，本文基于HSV 顏色空間對其三通道進(jìn)行拆解提取V 分量，對V 通道進(jìn)行亮度增強(qiáng)，然后與初始的H，S 通道合并，得到保留原有色彩信息的亮度增強(qiáng)圖像。如圖3 所示，通過顏色空間轉(zhuǎn)換處理之后的增強(qiáng)圖像，在圖像整體色彩和細(xì)節(jié)上，蘊(yùn)含信息更加豐富。

圖3 顏色空間轉(zhuǎn)換之前后對比圖Fig.3 Comparison before and after color space conversion

3.1.2 不同濾波對比

MSR 算法主要是運用高斯濾波模擬光照分量，但使用高斯濾波會導(dǎo)致細(xì)節(jié)模糊，經(jīng)過圖像增強(qiáng)之后就會存在圖片邊緣細(xì)節(jié)缺失的現(xiàn)象。為此選用不同濾波進(jìn)行對比，選擇更加適合的濾波替代高斯濾波，如圖4 所示。選用城市夜景圖像，采用三種不同的濾波模擬MSR 算法中的光照分量，經(jīng)過對比分析，在細(xì)節(jié)放大圖上可以得出高斯濾波處理效果不理想，圖像的整體比較模糊；中值濾波處理后較高斯濾波圖片更清晰，但在圖片的邊緣細(xì)節(jié)處理上仍存在缺失；經(jīng)過雙邊濾波處理之后的圖片邊緣細(xì)節(jié)很清晰。因此，將MSR 算法的高斯濾波轉(zhuǎn)換成雙邊濾波之后進(jìn)行圖像增強(qiáng)能更好地保留圖片的邊緣細(xì)節(jié)。

圖4 不同濾波細(xì)節(jié)對比Fig.4 Comparison of different filtering details

高斯濾波是對圖片整體進(jìn)行平均加權(quán)的處理，只計算兩個像素點之間的空間距離，導(dǎo)致經(jīng)過高斯濾波之后的圖像存在模糊的現(xiàn)象［15］。雙邊濾波作為即考慮到每個像素點在空間上的距離關(guān)系也考慮到在灰度空間上像素灰度值之間的差異性的非線性濾波器，對圖像的細(xì)節(jié)信息處理效果更加明顯，雙邊濾波的數(shù)學(xué)模型如式（12）所示［16］：

其中：S為濾波中鄰域中像素點的集合，x，y為鄰域中目標(biāo)像素點的位置，I(x)是集合S中各個像素點的像素值，I(y)是濾波處理之后獲得對應(yīng)于每個像素點位置的像素值，Gd，Gr分別表示的是雙邊濾波中用來表達(dá)像素值的幾何空間和表示鄰域內(nèi)某點灰度與中心點灰度值的絕對值，Wp表示對兩參數(shù)所做的歸一化處理，表達(dá)式為：

其中：σd，σr分別表示的是圖像灰度空間的方差，當(dāng)σd越大鄰域內(nèi)像素點的權(quán)重值比較大會產(chǎn)生局部細(xì)節(jié)模糊，σd越小鄰域內(nèi)像素點的權(quán)重值比較小，去噪效果有一定局限性［17］。

在本文中使用雙邊濾波替換高斯濾波進(jìn)行圖像增強(qiáng)，對MSR 算法進(jìn)行改進(jìn)。通過雙邊濾波來模擬環(huán)境光照分量，用雙邊濾波與原始圖像進(jìn)行卷積，得到更多的邊緣信息，便于后續(xù)對圖像光照分量的增強(qiáng)。

3.2 基于CLAHE 算法的圖像細(xì)節(jié)處理

CLAHE 算法是在直方圖均衡化的基礎(chǔ)上，為了減少噪聲的放大和圖像局部對比度過渡增強(qiáng)的現(xiàn)象，而將部分灰度級進(jìn)行抑制，使得在進(jìn)行對圖像處理時使其更加清晰。CLAHE 算法的具體步驟如下［18］：

（1）劃分子區(qū)域，每張圖片對應(yīng)多個子區(qū)域，M為每個子區(qū)域的像素點個數(shù)；

（2）計算每個子區(qū)域的灰度直方圖Hi；

（3）對每個子模塊的直方圖進(jìn)行剪切，其原理如圖5 所示，設(shè)定一個閾值空間，超過此區(qū)域的部分進(jìn)行像素點的剪切，并將此區(qū)域的像素點剪切到下區(qū)域，設(shè)置一個閾值G，當(dāng)Hi≥G，Hi=Hmax；Hi＜G，Hi=Hmax。

圖5 直方圖剪切Fig.5 Histogram clipping

對每個子模塊進(jìn)行區(qū)域直方圖均衡化，自適應(yīng)直方圖均衡化使用的是插值運算［19］，插值運算原理圖如圖6 所示（彩圖見期刊電子版）。其對每個方塊求出直方圖、直方圖積累函數(shù)（CDF）及相應(yīng)的變換函數(shù)，方塊中心點（圖中右側(cè)的黑色方塊）的變換函數(shù)符合原定義，在黃色區(qū)域中的像素值都是使用4 個變換函數(shù)運用雙線性插值得到中心點的像素，藍(lán)色區(qū)域像素值是相鄰兩個區(qū)域的變換函數(shù)做線性插值得到，紅色區(qū)域像素是采用自身的變換函數(shù)得到的。

圖6 插值運算原理圖Fig.6 Schematic diagram of interpolation operation

在本文中使用CLAHE 算法僅對圖像L 通道進(jìn)行細(xì)節(jié)增強(qiáng)，從而使得增強(qiáng)之后的圖片保留原有圖像的色彩信息。如圖7 所示，經(jīng)過CLAHE算法之后的圖像細(xì)節(jié)顯示效果更好，而且通過灰度直方圖可以看到無大范圍的噪聲影響。

圖7 直方圖均衡化前后對比Fig.7 Histogram before and after equalization

3.3 加權(quán)融合

為了更加有效地解決增強(qiáng)之后圖像不夠平滑以及飽和度過高的問題，將經(jīng)過基于雙邊濾波MSR 算法增強(qiáng)后法圖像和經(jīng)過AutoMSRCR 算法處理之后的圖像進(jìn)行加權(quán)融合得到最終的增強(qiáng)圖像，其加權(quán)融合公式如式（16）所示［20］：

其中：Ri(x，y)是圖像融合之后的R，G，B 值，R1i(x，y)是經(jīng)過雙邊濾波Retinex 算法增強(qiáng)之后的圖片，R2i(x，y)是經(jīng)過AutoMSRCR 算法增強(qiáng)之后的圖片，m是權(quán)重系數(shù)，經(jīng)過實驗對比然后確定m 的值，就可以得到融合之后增強(qiáng)圖像。

4 比較實驗與討論

為了驗證本文算法的有效性，使用LOL 數(shù)據(jù)集進(jìn)行實驗驗證［21］，根據(jù)國標(biāo)對光照強(qiáng)度等級的區(qū)分，從該低光照數(shù)據(jù)集中選擇具有代表性的六種暗光級照度和月光級照度下的低光照圖像進(jìn)行圖像增強(qiáng)，并將本文算法與MSRCR 算法，MSR 算法，CLAHE 算法，改進(jìn)GAMMA 算法［22］進(jìn)行對比。

論文選取的圖片主要兩種類型：一種是暗光級照度如圖8，暗光級照度下圖像主要選取三種類型，其中圖8（a）是階調(diào)均勻整體偏暗的城市街景，圖8（b）是暗調(diào)細(xì)節(jié)豐富的自然景觀，圖8（c）是色彩豐富的室內(nèi)靜物；另一種是月光級照度如圖9，亦選三種不同類型的圖像，圖9（d）是邊緣紋理細(xì)節(jié)圖，圖9（e）亮度對比明顯的階調(diào)不平衡圖像，圖9（f）是色彩豐富、階調(diào)均勻的圖像。

圖8 暗光級照度環(huán)境對比圖Fig.8 Comparison diagram of low light level illumination environment

圖9 月光級照度環(huán)境對比圖Fig.9 Comparison of moonlight level illumination environment

4.1 主觀評價

將不同算法增強(qiáng)后的圖片進(jìn)行對比，易發(fā)現(xiàn)：（1）經(jīng)過CLAHE 算法增強(qiáng)后，圖片的整體亮度還是偏暗，但色彩信息保留比較完整。在圖8（a），圖8（b）中對天空和礁石兩個亮度較低的區(qū)域增強(qiáng)效果較差，沒有顯示出云朵和礁石的細(xì)節(jié)，使得圖像的邊緣紋理細(xì)節(jié)模糊。圖8（c）由于亮度增強(qiáng)效果較差導(dǎo)致增強(qiáng)后的圖像沒有展現(xiàn)出圖像色彩的豐富性。（2）經(jīng)MSR 算法增強(qiáng)后圖像整體被壓縮，色彩不夠豐富整體偏圖像偏白化。圖8（a）增強(qiáng)后圖像顏色偏黃，出現(xiàn)光暈。圖8（b），圖8（c）雖然展現(xiàn)出礁石的細(xì)節(jié)和鮮花的輪廓，但由于出現(xiàn)過渡增強(qiáng)導(dǎo)致圖片的顏色出現(xiàn)失真，圖片中很多的細(xì)節(jié)丟失。（3）經(jīng)MSRCR 算法增強(qiáng)后的圖像存在和MSR 算法類似的圖像偏白化問題，與MSR 算法相比高亮度區(qū)域與低亮度區(qū)域處理更好，但圖片的且整體圖像模糊，清晰度差。（4）經(jīng)改進(jìn)的GAMMA 算法增強(qiáng)后的圖像較之于前三種算法圖像整體亮度、色彩、清新度都有著明顯的提升，但是亮度整體偏暗。（5）經(jīng)本文算法處理后的圖像，在8（a），圖8（b）中能清晰展現(xiàn)天空的云朵輪廓和礁石的細(xì)節(jié)，在圖8（c）展現(xiàn)出更加豐富的色彩信息?？傮w上在微光環(huán)境中圖片的色彩、亮度、清晰度、邊緣細(xì)節(jié)主觀感受均優(yōu)于其他四種算法，對不同場景的適應(yīng)更強(qiáng)，綜合質(zhì)量更佳。

將上述幾種算法應(yīng)用于月光級照度環(huán)境下圖像增強(qiáng)，結(jié)果如圖9 所示。（1）圖像經(jīng)過CLAHE 算法增強(qiáng)后，在亮度增強(qiáng)上整體效果較差，圖9（d）在玩偶的實體與陰影沒有得到有效展示，邊緣紋理細(xì)節(jié)缺失。圖9（e），圖9（f）由于受到其算法在亮度增強(qiáng)的局限性導(dǎo)致增強(qiáng)后的圖像色彩和細(xì)節(jié)處理效果較差。（2）經(jīng)MSR 算法增強(qiáng)后圖像整體亮度提升較大，但是在高亮度區(qū)域出現(xiàn)過度增強(qiáng)的現(xiàn)象，沒有很好地區(qū)分高亮度區(qū)域和低亮度區(qū)域使得在圖9（d）中玩偶的實體與陰影的對比不夠明顯，圖9（e）中櫥窗中的物體出現(xiàn)輪廓模糊。（3）經(jīng)MSRCR 算法增強(qiáng)后亮度得到增強(qiáng)但是圖像模糊、清晰度低。在色彩處理方面較之于MSR 算法有一定的提高，如9（f），在MSRCR算法增強(qiáng)后花瓶的顏色更豐富，但由于圖像的模糊導(dǎo)致整體觀感差。（4）改進(jìn)的GAMMA 算法在低光照環(huán)境中對三幅圖的亮度增強(qiáng)方面不是很理想，但是在圖9（e）中對高亮度區(qū)域和低亮度區(qū)域的增強(qiáng)處理上有著比較好的效果，在圖9（f）中對圖像顏色的恢復(fù)效果也較為理想，但是圖像整體亮度還沒有得到更好的增強(qiáng)。（5）本文算法增強(qiáng)后的圖片沒有出現(xiàn)過度增強(qiáng)的現(xiàn)象，高亮度區(qū)域和低亮度區(qū)域的對比明顯，細(xì)節(jié)輪廓清晰。圖片的色彩信息更加豐富，更符合人眼視覺特征。

綜上所述，CLAHE 算法對低光照圖像中亮度增強(qiáng)效果較差，增強(qiáng)后圖像的色彩信息沒有充分體現(xiàn)。MSR 算法，MSRCR 算法存在過渡增強(qiáng)的現(xiàn)象，使得圖像中高亮度區(qū)域和低亮度區(qū)域邊界模糊，圖像紋理細(xì)節(jié)不清晰。改進(jìn)GAMMA算法在對暗光級照度圖像的增強(qiáng)效果較為理想，但是在月光級照度中對圖像亮度增強(qiáng)效果不是十分理想。而本文算法具有較強(qiáng)的適應(yīng)性，不管是對暗光級照度圖像還是月光級照度圖像進(jìn)行增強(qiáng)，圖像的亮度更高，色彩信息更豐富，圖像更清晰。

4.2 客觀評價

單從主觀視覺上評價一張圖片的質(zhì)量并不能完全準(zhǔn)確的判斷圖片的質(zhì)量，為了客觀評價圖片的質(zhì)量，本文選用圖像評價指標(biāo)對圖片的質(zhì)量進(jìn)行評價，因此，本文采用多個評價指標(biāo)從客觀上綜合評價算法性能，色彩濃度綜合指標(biāo)UCIQE（Underwater Color Image Quality Evaluation）［23］，梯度指 標(biāo)AG（Average Gradient）［24］，標(biāo)準(zhǔn)差SD（Standard Deviation）［25］，信息熵IE（Information Entropy）［26］，

UCIQE 從飽和度平均值Sν，色調(diào)的標(biāo)準(zhǔn)差Hν，以及對比度平均值Cν三個方面對彩色圖像進(jìn)行綜合評價，該值越大，圖像色彩綜合質(zhì)量越好，UCIQE 定義如式（17）所示：

其中：n1，n2，n3為加權(quán)系數(shù)，取數(shù)值 為n1=0.468 0，n2=0.257 6，n3=0.274 5。Hν，Sν，Cν的定義如式（18）～式（20）所示：

其中：IL，Ia，Ib分別是LAB 空間圖像L，A，B 通道的灰度 值；IL取值為[ILmin，ILmax]，tol2是出現(xiàn)概率不小于ILmax且值最接近ILmax的IL值，tol1是出現(xiàn)概率大于ILmin且值最接近ILmin的IL值。

梯度指標(biāo)AG（Average Gradient）平 均梯度指標(biāo)表示灰度值的變化情況，是判斷圖片清晰度和細(xì)節(jié)處理的指標(biāo)，梯度指標(biāo)越大說明圖片的清晰度越好其表達(dá)式如式（21）所示：

其中：M×N表示圖像的尺寸，表示圖像水平方向梯度，表示圖像垂直方向梯度，

標(biāo)準(zhǔn)差SD（Standard Deviation）是衡量圖像對比度的重要指標(biāo)，而低光照圖像的對比度相比較于正常光照圖像其對比度有著明顯的差距，因此使用標(biāo)準(zhǔn)差可以衡量圖像增強(qiáng)前后所產(chǎn)生的變化。標(biāo)準(zhǔn)差的表達(dá)公式如式（22）所示：

其中：M×N表示圖像的尺寸，f(x，y)表示在(x，y)位置處的像素灰度值，u表示為圖像的灰度平均值。

信息熵IE（Information Entropy）主要是衡量圖像包含的信息多少，其數(shù)值越大則表明圖像所擁有的信息量越多，表達(dá)式如式（23）所示：

其中：i表示圖像中像素灰度值的大小，p(i)是整幅圖像中出現(xiàn)灰度值為i的像素的概率。

表1 不同算法的效果對比，從單張圖片處理時間來看，本文算法略遜于其他幾種算法，但從表中可以看出本文算法在不同的光照環(huán)境下，對不同類型的圖片都有較好的增強(qiáng)效果，特別在第四組，第五組，第六組月光級照度條件下的增強(qiáng)效果更加明顯，各項評價要優(yōu)于其他幾種算法。

表1 不同圖像的客觀評價指標(biāo)Tab.1 Objective evaluation indicators of different images

表2 不同評價指標(biāo)的均值對比Tab.2 Comparison of mean values of different evaluation indicators

同時為了判斷五種算法的穩(wěn)定性和對不同光照環(huán)境的適應(yīng)性，將每種評價指標(biāo)取其均值來對比，更加直觀地判斷其算法的可靠性，通過表（2）可以看到本文算法在四種不同的圖像評價指標(biāo)上都要優(yōu)于其他四種算法。與其他四種算法相比較，本文算法在標(biāo)準(zhǔn)差和梯度指標(biāo)上的提升很明顯，此兩項數(shù)據(jù)說明本文算法在增強(qiáng)之后的圖像清晰度和細(xì)節(jié)的處理上都有著明顯的優(yōu)勢；在色彩濃度指標(biāo)和信息熵兩項指標(biāo)上本文算法與MSRCR 算法相比較在色彩濃度上的提升尤為明顯，色彩濃度綜合指標(biāo)在MSRCR 的基礎(chǔ)上提升了65.24%。通過上述的客觀評價，可以得出本文所提出的低光照圖像增強(qiáng)算法在對比度、清晰度、保持圖像細(xì)節(jié)和色彩濃度上有著突出的優(yōu)勢，更加真實自然地展現(xiàn)了圖像的視覺效果。

5 結(jié)論

針對在低光照情況下獲取的圖像信息含量少、增強(qiáng)后細(xì)節(jié)丟失、色彩壓縮嚴(yán)重、圖片對比度過低、噪聲明顯等問題，本文提出一種基于雙邊濾波的MSR 算法與AutoMSRCR 算法融合的低光照圖像增強(qiáng)算法。通過對低光照圖像進(jìn)行增強(qiáng)處理效果表明，該算法不僅能夠提升圖像的亮度和細(xì)節(jié)，還在進(jìn)行圖像增強(qiáng)時實現(xiàn)色彩的還原，其評價指標(biāo)UCIQE，AG，SD，IE 分別達(dá)到了0.472 1，12.674 2，0.263 2，7.637 9。在與MSRCR 算法、MSR 算法、CLAHE 算法、改進(jìn)GAMMA 算法進(jìn)行對比發(fā)現(xiàn)，圖像細(xì)節(jié)、清晰度、對比度和邊緣紋理處理上都有著明顯提升。該算法對于夜晚汽車行車記錄儀的使用，以及在不能使用閃光燈拍攝圖片的低光照環(huán)境中具有潛在的應(yīng)用價值。