论文部分内容阅读
[摘 要]针对在夜晚、阴天等低照度条件下，拍摄的图像具有低对比度、低信噪比、视觉效果差等问题，本文提出了针对低照度图像的通道分离与局部对比度自适应增强算法.应用通道分离算法对低照度图像增强，使图像全局亮度得到很好地增强.同时提出了局部对比度自适应增强算法，突出了细节信息，以改善图像视觉效果。实验结果表明，算法不仅对低照度图像增强效果明显，同时对多种不同环境具有一定的通用性.
[关键词]低照度；图像增强；通道分离；局部对比度自适应增强
中图分类号：TP317.4 文献标识码：A 文章编号：1009-914X（2015）47-0381-02
夜晚、阴天等低照度条件下拍摄的图像具有低对比度、低信噪比、视觉效果差等特点，直接限制和影响目标识别与跟踪、交通监控、军事侦察等系统发挥作用。因此研究低照度图像增强具有重要的理论意义和应用价值。
直方图均衡化[1，2]是最常用的图像增强方法，其算法简单，计算速度快，但是会造成图像细节的严重损失，增强效果差。针对这些问题，许多学者提出了一系列改进方法。Sun[3]等人提出了一种基于二维直方图的低照度图像增强方法，该方法可以更好地利用相邻像素的相关特性来把握图像的局部细节，但该方法容易在图像增强过程中造成过曝光。Bertalmio[4]等人对原始Retinex结构给出了一种新的解释，提出了Kernel-Based Retinex（KBR）方法。KBR方法能处理大部分弱光图像，但只能使像素亮度增强且不能处理过曝光图像。Dong[5]等人提出了一种基于暗原色先验的低照度图像增强算法，他指出反转后的低照度图像和雾天退化图像有很高的相似性。Provenzi等人提出了一种来源于感官的彩色图像增强方法[6]，该方法在图像处理过程中能够突出一些重要的图像特征，但是这种方法有四个参数需要调整，自适应能力差。
针对现有算法出现振铃效应、过增强、参数调节困难等问题，本文提出基于通道分离和局部对比度自适应增强的低照度图像增强算法。本文方法能很好地突出低照度图像的纹理细节，通过局部对比度增强算法，使低照度图像的可阅度大大提升。实验表明，该算法增强效果明显，同时可适用于多种不同的环境，具有一定的通用性。
1 通道分离
由于HSV彩色模型的V通道不携带原始图像的色彩信息，故在图像处理过程中，色彩信息保持不变，因此通常用于低照度图像增强。本文针对V通道进行通道分离和局部对比度自适应增强过程。
1.1 强度通道划分
图像的对比度量化表现为相邻两个像素的强度差[7]。本文定义给定强度与之间的对比度对是一个对应于集合中的每个像素强度的向量集合。对比度对可以根据每个中心像素与其八邻域像素按以下公式构造
（1）
式中，是一个对比度对，是像素的八邻域像素的集合，而和是像素与像素的强度值。该算法只对边缘对比度对进行处理，因为边缘对比度对决定了图像纹理细节部分的增强效果。所有的边缘对比度对积累产生LCI函数
（2）
这里对应于LCI函数中第个位置。和是图像中的像素位置坐标，是像素的邻域内边缘对比度对的集合，是像素的边缘对比度对中第个位置上对应的对比度对，而是在范围内的像素强度值，是像素强度最大值。一旦计算出LCI函数，可以按以下公式对其进行归一化
（3）
如上所述，图像的对比度对可能属于不同的强度区域，所以对比度对的累积并不能完全呈现出图像像素强度的关系，原本应该在同一强度区域的对比度对可能被分开。为了避免这个问题，本文把对比度对划分进强度通道之中。对应于每个强度值，每一个对比度对被划分进相应的强度通道。每一个强度通道产生的转换函数能产生更好的增强效果，因为它只作用于属于本通道的对比度对。所以，本文算法可以很好地保持图像中的平坦区域，同时增强纹理区域，从而避免引入振铃效应。
强度通道的划分能避免增强后图像引入振铃效应。之前的算法，即使是基于图像内容的算法[8，9]，因为没有考虑像素强度之間的关系，没能解决这一问题。图1展示了一个受损的人脸图像的边缘对比度对。可以看到，图像中的阴影遮盖了人脸上的细节，如图1（a）所示。虽然其他的方法可以突出一些细节，如图1（b）和（c），但人脸还是不能被突出，但本文方法可以恢复这些细节，如图1（d）所示。
1.2 区域通道划分
将对比度对划分进强度通道并不能产生最好的增强效果，因为这里的强度通道有些具有相似的质。本文算法将具有相似性质的强度通道混合划分进区域通道。结果是，一个区域通道是多个具有相似性质的强度通道的混合。因此，一张图像可能具有个不同的区域通道，被定义为
， （4）
式中，是第个区域通道的转换函数，和是第个区域通道的上下边界（强度）。其中，表示第个强度通道转换函数，每个强度通道转换函数为
， （5）
函数定义为
（） （6）
通过实验，发现区域通道分为三个（即R等于3），这样可以模拟人类的视觉系统，进一步提高增強图像的质量。每幅图像对应dark、middle和bright三个区域通道。
增强图像由各个区域通道增强后混合得到。每个通道都有一个不同的权重函数，以突出各自的特点。最后的转换函数可以由如下公式得到
（7）
式中，这里是第个区域通道的加权函数，本文使用高斯函数作为加权函数。表示第个区域通道的增强转换函数。
2 局部对比度自适应增强
灰度图像的局部对比度定义为式（8） [11]
（8）
式中，和分别代表邻域内的最大和最小的像素灰度值。对于RGB彩色图像的局部对比度，CI定义为 （9）
式中，，和分别代表RGB图像三通道由公式（8）计算得到的局部对比度。根据人类视觉系统的特点，人的视觉对局部对比度比较敏感。为了突出图像的细节信息，低照度图像的局部对比度增强是必要的，尤其是在亮度增强后较暗的区域。因此，需要根据局部的亮度值动态的进行非线性局部对比度调整。关于低照度图像的局部对比度增强，本文利用两个基本的统计量：均值和方差。局部均值和局部方差可以反映局部亮度视觉特征。根据以上分析，自适应局部对比度增强算法设计如下：
步骤1：归一化亮度增强图像的灰度值，在适当扩展的图像中选择中心像素为的3×3邻域；
步骤2：用公式（10）和（11）计算中心像素为的3×3邻域的平均亮度值和方差；
（10）
（11）
步骤3：通过公式（12）计算3×3邻域的中心像素的增强的亮度值。
（12）
因为在亮度不均匀的暗区3×3邻域中，的值很小，而较大，公式（12）表明中心像素有较大的调整。这样就实现了通过亮度的均值和方差自适应的扩展中心像素和邻域之间的差异，从而增强局部对比度。最后将原始图像的H通道和S通道和增强后的V通道融合得到增强后的图像。
3 仿真实验与结果分析
为了验证本文算法的有效性，在MATLAB 2010（b）平台上进行仿真实验，将本文算法与经典低照度图像增强算法MSRCR和MSRCP进行对比。如图2所示，本文算法在整幅图像的增强效果上要优于MSRCR和MSRCP两种算法，整体上视觉效果更佳。在恢复细节上，通过第二组图像可以看出，本文算法能更好的恢復原图细节信息。在颜色保持上，本文算法能保持更好的顏色特性。
4 结论
本文提出了一种用于低照度图像增强的通道分离和局部对比度自适应增强算法。将通道分离算法用于增强图像全局亮度，可以使图像细节信息得以改善。并利用局部对比度自适应增强算法，使图像对比度增强，改善了视觉效果。实验结果表明，本文算法不仅能突出图像细节，同时很好地保持了平坦区域信息，且对多种不同环境采集到的图像具有一定的通用性。
作者简介
王柳哲，女，单位：华北理工大学，学历：本科，研究方向：图像处理。
魏宝强，男，单位：天津大学，学历：硕士，研究方向：图像处理。
[关键词]低照度；图像增强；通道分离；局部对比度自适应增强
中图分类号：TP317.4 文献标识码：A 文章编号：1009-914X（2015）47-0381-02
夜晚、阴天等低照度条件下拍摄的图像具有低对比度、低信噪比、视觉效果差等特点，直接限制和影响目标识别与跟踪、交通监控、军事侦察等系统发挥作用。因此研究低照度图像增强具有重要的理论意义和应用价值。
直方图均衡化[1，2]是最常用的图像增强方法，其算法简单，计算速度快，但是会造成图像细节的严重损失，增强效果差。针对这些问题，许多学者提出了一系列改进方法。Sun[3]等人提出了一种基于二维直方图的低照度图像增强方法，该方法可以更好地利用相邻像素的相关特性来把握图像的局部细节，但该方法容易在图像增强过程中造成过曝光。Bertalmio[4]等人对原始Retinex结构给出了一种新的解释，提出了Kernel-Based Retinex（KBR）方法。KBR方法能处理大部分弱光图像，但只能使像素亮度增强且不能处理过曝光图像。Dong[5]等人提出了一种基于暗原色先验的低照度图像增强算法，他指出反转后的低照度图像和雾天退化图像有很高的相似性。Provenzi等人提出了一种来源于感官的彩色图像增强方法[6]，该方法在图像处理过程中能够突出一些重要的图像特征，但是这种方法有四个参数需要调整，自适应能力差。
针对现有算法出现振铃效应、过增强、参数调节困难等问题，本文提出基于通道分离和局部对比度自适应增强的低照度图像增强算法。本文方法能很好地突出低照度图像的纹理细节，通过局部对比度增强算法，使低照度图像的可阅度大大提升。实验表明，该算法增强效果明显，同时可适用于多种不同的环境，具有一定的通用性。
1 通道分离
由于HSV彩色模型的V通道不携带原始图像的色彩信息，故在图像处理过程中，色彩信息保持不变，因此通常用于低照度图像增强。本文针对V通道进行通道分离和局部对比度自适应增强过程。
1.1 强度通道划分
图像的对比度量化表现为相邻两个像素的强度差[7]。本文定义给定强度与之间的对比度对是一个对应于集合中的每个像素强度的向量集合。对比度对可以根据每个中心像素与其八邻域像素按以下公式构造
（1）
式中，是一个对比度对，是像素的八邻域像素的集合，而和是像素与像素的强度值。该算法只对边缘对比度对进行处理，因为边缘对比度对决定了图像纹理细节部分的增强效果。所有的边缘对比度对积累产生LCI函数
（2）
这里对应于LCI函数中第个位置。和是图像中的像素位置坐标，是像素的邻域内边缘对比度对的集合，是像素的边缘对比度对中第个位置上对应的对比度对，而是在范围内的像素强度值，是像素强度最大值。一旦计算出LCI函数，可以按以下公式对其进行归一化
（3）
如上所述，图像的对比度对可能属于不同的强度区域，所以对比度对的累积并不能完全呈现出图像像素强度的关系，原本应该在同一强度区域的对比度对可能被分开。为了避免这个问题，本文把对比度对划分进强度通道之中。对应于每个强度值，每一个对比度对被划分进相应的强度通道。每一个强度通道产生的转换函数能产生更好的增强效果，因为它只作用于属于本通道的对比度对。所以，本文算法可以很好地保持图像中的平坦区域，同时增强纹理区域，从而避免引入振铃效应。
强度通道的划分能避免增强后图像引入振铃效应。之前的算法，即使是基于图像内容的算法[8，9]，因为没有考虑像素强度之間的关系，没能解决这一问题。图1展示了一个受损的人脸图像的边缘对比度对。可以看到，图像中的阴影遮盖了人脸上的细节，如图1（a）所示。虽然其他的方法可以突出一些细节，如图1（b）和（c），但人脸还是不能被突出，但本文方法可以恢复这些细节，如图1（d）所示。
1.2 区域通道划分
将对比度对划分进强度通道并不能产生最好的增强效果，因为这里的强度通道有些具有相似的质。本文算法将具有相似性质的强度通道混合划分进区域通道。结果是，一个区域通道是多个具有相似性质的强度通道的混合。因此，一张图像可能具有个不同的区域通道，被定义为
， （4）
式中，是第个区域通道的转换函数，和是第个区域通道的上下边界（强度）。其中，表示第个强度通道转换函数，每个强度通道转换函数为
， （5）
函数定义为
（） （6）
通过实验，发现区域通道分为三个（即R等于3），这样可以模拟人类的视觉系统，进一步提高增強图像的质量。每幅图像对应dark、middle和bright三个区域通道。
增强图像由各个区域通道增强后混合得到。每个通道都有一个不同的权重函数，以突出各自的特点。最后的转换函数可以由如下公式得到
（7）
式中，这里是第个区域通道的加权函数，本文使用高斯函数作为加权函数。表示第个区域通道的增强转换函数。
2 局部对比度自适应增强
灰度图像的局部对比度定义为式（8） [11]
（8）
式中，和分别代表邻域内的最大和最小的像素灰度值。对于RGB彩色图像的局部对比度，CI定义为 （9）
式中，，和分别代表RGB图像三通道由公式（8）计算得到的局部对比度。根据人类视觉系统的特点，人的视觉对局部对比度比较敏感。为了突出图像的细节信息，低照度图像的局部对比度增强是必要的，尤其是在亮度增强后较暗的区域。因此，需要根据局部的亮度值动态的进行非线性局部对比度调整。关于低照度图像的局部对比度增强，本文利用两个基本的统计量：均值和方差。局部均值和局部方差可以反映局部亮度视觉特征。根据以上分析，自适应局部对比度增强算法设计如下：
步骤1：归一化亮度增强图像的灰度值，在适当扩展的图像中选择中心像素为的3×3邻域；
步骤2：用公式（10）和（11）计算中心像素为的3×3邻域的平均亮度值和方差；
（10）
（11）
步骤3：通过公式（12）计算3×3邻域的中心像素的增强的亮度值。
（12）
因为在亮度不均匀的暗区3×3邻域中，的值很小，而较大，公式（12）表明中心像素有较大的调整。这样就实现了通过亮度的均值和方差自适应的扩展中心像素和邻域之间的差异，从而增强局部对比度。最后将原始图像的H通道和S通道和增强后的V通道融合得到增强后的图像。
3 仿真实验与结果分析
为了验证本文算法的有效性，在MATLAB 2010（b）平台上进行仿真实验，将本文算法与经典低照度图像增强算法MSRCR和MSRCP进行对比。如图2所示，本文算法在整幅图像的增强效果上要优于MSRCR和MSRCP两种算法，整体上视觉效果更佳。在恢复细节上，通过第二组图像可以看出，本文算法能更好的恢復原图细节信息。在颜色保持上，本文算法能保持更好的顏色特性。
4 结论
本文提出了一种用于低照度图像增强的通道分离和局部对比度自适应增强算法。将通道分离算法用于增强图像全局亮度，可以使图像细节信息得以改善。并利用局部对比度自适应增强算法，使图像对比度增强，改善了视觉效果。实验结果表明，本文算法不仅能突出图像细节，同时很好地保持了平坦区域信息，且对多种不同环境采集到的图像具有一定的通用性。
作者简介
王柳哲，女，单位：华北理工大学，学历：本科，研究方向：图像处理。
魏宝强，男，单位：天津大学，学历：硕士，研究方向：图像处理。