基于Retinex理論的圖像增強算法研究

孫玲姣

湖北民族學院科技學院

基于Retinex理論的圖像增強算法研究

孫玲姣

湖北民族學院科技學院

Retinex是一個構建在科學實驗與分之上的圖像增強算法，其本質是從圖像中減去照射分量的影響來得到物體的反射分量，也就是得出物體原本的樣子。文章首先分析了圖像增強算法的概念，然后研究了全局及局部Retinex的算法和流程，以期對基于Retinex理論的圖像增強算法有所借鑒。

Retinex 圖像增強 全局特征 局部特征 算法分析

Retinex是一個構建在科學實驗與分之上的圖像增強算法，和其他的圖像增強方法比較而言，Retinex算法有著銳化效果好、動態范圍壓縮大、顏色具恒常性、色彩保真度高等優點，在圖像增強領域的應用前景非常廣闊。

1 圖像增強方法概述

圖像增強為相對概念，其增強效果的優劣，不但和算法的優劣有某種關系之外，還和圖像的數據特點有直接關系，并且因為評價圖像質量的好壞常?？坑^測者的主觀判斷而定，無通用的標準，故而增強技術基本為面向問題，增強方法僅可選擇性的使用。現在圖像增強方法可分為空間域處理與頻域處理2類。

其中，所謂的空間域處理是在原圖上直接運算數據，其又分局部運算和點運算2種，前者在像素點鄰域的空間域進行，后者是對圖像進行逐點運算，其處理能夠為線性抑或非線性的；而所謂的頻域處理一般是運用某種變換，把圖像變至頻域，運算圖像的變化系數，也就是作一定的修正，繼而利用逆變換獲得增強的圖像，主要有低通（用于消除噪音）和高通濾波（用于提升邊緣和輪廓）。

2 基于全局特征的Retinex圖像增強

2.1 基于全局特征的Retinex算法分析

2.1.1 灰度圖像增強

圖1 m×n的灰度圖像

首先是相對明暗關系的推導，如圖1所示，為一寬m、高n的灰度圖像。圖像起點A至終點B有一路徑，其中有八個像素點，其灰度值為d1-d8,則A和B間的相對明暗關系為:

經過計算、簡化，不難看出起點A與終點B間的相對明暗關系其實就是像素的灰度值在對數域中的差。

接下來是起點、終點的選取。從上式能夠發現，對同一起點，選取不同的終點就會出現不同的相對明暗關系，利用這些相對明暗關系來校正起點就能得到不同的起點像素的灰度校正值。為解決這一問題，可以用隨機法來選擇起點與終點。

最后是數據顯示，初始時，把增強后的圖像內全部像素點的灰度值均設為constant，在對像素點灰度值校正之后圖像的全部像素點的灰度值均集中于constant周圍，用下面的公式對校正后的圖像線性拉伸：

其中，min為增強后圖像像素點灰度值內的最小值，而max為增強后圖像像素點灰度值內的最大值。L[ i][j]為圖像原像素點經線性拉伸之后的灰度值。

2.1.2 彩色圖像增強

彩色圖像增強同樣要有像素點灰度值的校正以及數據顯示。其中，數據顯示部分，對24位的彩色圖像，可將其分解為R、G、B3幅灰度圖像，如此一來，就可以把一幅彩色圖像轉化為三幅灰度圖像，然后依次對它們予以數據準備就行。數據顯示的步驟與前述的過程恰好相反，把線性拉伸后的3圖像按R、G、B順序分別寫進一個24位的彩色圖像內進行輸出，獲得的就是增強之后的彩色圖像。

2.2 算法流程

第一步：分析輸入圖像S(i,j)，如果是灰度圖像，就把圖像內像素點灰度值的數據類型轉化為double型；如果是彩色圖像，就把它分解成3個灰度圖像，然后把這3個圖像內像素點灰度值的類型轉化成double型；

第二步：把輸入圖像S(i,j)放進對數域內進行處理，也就是S'(i,j)=logS(i,j)；

第三步：把增強之后的圖像R(i,j)內像素點的灰度值全部初始化成constant，也就是R(i,j)=constan t；

第六步：使h=h/2，l=l/2，重復第四步與第五步，直至h=1且l=1；R(i,j)第七步：對增強之后的圖像予以線性拉伸，如果是灰度圖像，就直接進行輸出；如果是彩色圖像，就把線性拉伸之后的三個圖按R、G、B次序分別寫進一24位的彩色圖像內進行輸出。

2.3 增強結果顯示

圖2 全局Retinex增強結果

3 基于局部特征的Retinex圖像增強

3.1 局部Retinex 的實質

Retinex常常用在補償受照射光影響的圖像，其目標就是把一個圖像S分解為2個不同的圖像：照射分量與反射分量圖像2個圖。此種分解處理的優點是可以移除前景與后景光照對圖像的影響，同時還可以增強室內及室外圖像的光照變化。對圖像S內的各個點(x, y)，公式為：S( x, y)=R( x, y)·L( x, y)，其中，L為照射光，R為物體的反射性質，S為反射光被觀察者接收到的所能看見的圖像。

3.2 局部Retinex算法的步驟

第一步：圖像的灰度函數可用下面的式子來計算，R為反射光分量，L為照射光分量S(x,y)=R(x,y)·L(x,y )；

第二步：通過取對數的辦法把照射光與反射光分量進行分離；

第三步：運用高斯模板對原圖像進行卷積，也就是對原圖像進行低通濾波，獲得圖像D，式中F(x,y)為高斯濾波函數：D(x,y)=S(x,y)·F(x,y)；

第四步：在對數域內運用原圖減掉經過低通濾波以后的圖，就可以獲得高頻增強圖像G(x,y)=S'(x,y)-logD(x,y)；

第五步：取G(x,y)的反對數，方可獲得增強以后的圖像R(x,y)=exp(G(x,y))）；

第六步：對R(x,y)進行對比度增強，從而獲得結果圖像。

3.3 局部Retinex算法分析

3.3.1 單尺度Retinex

利用圖像采集器得到的彩色圖像都會面臨能不能捕捉到場景內物體的動態范圍及色彩的問題。針對這個問題，Jobson等人提出單尺度的Retinex算法，其公式為：，其中Ii( x, y)為輸入圖像的第i個顏色通道，*為卷積運算，Ri( x, y)為Retinex輸出，F( x, y)為高斯函數。

3.3.2 多尺度Retinex

多尺度Retinex（簡稱為MSR）是對單尺度Retinex（簡稱為SSR）的概括，它相對于SSR的優點是它可以提供動態范圍壓縮以及顏色的高保真。在特定條件中，MSR可以實現以下目標：對未校準的設備予以局部動態范圍壓縮、補償、全局動態范圍壓縮、顏色恒常以及色彩增強，它的公式為:

其中,(x,y)為像素點的坐標，*為卷積運算，N為顏色通道的個數，i∈R,G,B ，Ii(x, y)為輸入圖像內的第i個顏色通道，Ri( x, y)為MSR輸出，F( x, y)為高斯函數，Wk是和高斯函數有關的權重。

3.3.3 帶色彩恢復的多尺度Retinex(簡稱為MSRCR)

因為MSR在增強的時候有可對圖像的特定區域造成顏色的失真，使圖像中物體的實際顏色減淡，故而要用MSRCR算法去彌補MSR的缺陷。所謂MSRCR算法是在MSR的基礎上結合上色彩的結果。在MSR增強的時候，因為圖像局部區域的對比度增強，使得其顏色丟失，故而，引進一色彩恢復因子C：，其中Ci為第i個顏色通道的色彩恢復系數，f()為顏色空間的映射函數。我們叫MSRCR為帶色彩恢復的MSR,主要就是因為色彩恢復因子C。把上面的式子進行簡化之后，能夠得出MSRCR的式子為：

MSRCR算法因為引進原始圖像內3個顏色通道的比例關系，非常好的消除了顏色失真帶來的不足，在一定程度上對原圖像的顏色予以還原。

3.4 增強結果顯示

圖3 局部Retinex增強結果

4 結語

綜上所述，Retinex的主要目的是把一個圖像分解為2個不同的圖像，其實質是從圖像內減除照射光的影響去得到物體的反射性質。和其余的圖像增強方法比較而言，Retinex算法具備動態范圍壓縮大、色彩逼真度高等多個優點，但也有個別問題，在未來的研究中仍有繼續探討研究的空間。

[1]李學明，基于Retinex理論的圖像增強算法，計算機應用，2005年第2期：235-237

[2]郎銳，數字圖像處理學，北京希望電子出版社，2002年

[3]任明武，數字圖像處理（第一版），南京理工大學，2003年

[4]勒中鑫等編著，數學圖像信息處理，國防工業出版社，2004年

[5]章毓晉，圖像處理和分析，清華大學出版社，1999年

[6]賈永紅編著，計算機圖像處理與分析，武漢大學出版社，2001

湖北省教育廳科學研究計劃指導性項目（B2015108)。

孫玲姣，女，1980年出生，碩士研究生。主要從事電子與信息系統理論與技術的研究。