基于光照-反射成像模型和形態學操作的多譜段圖像增強算法?

王殿偉 韓鵬飛 范九倫 劉穎 許志杰 王晶

1)(西安郵電大學通信與信息工程學院,西安 710121)2)(電子信息現場勘驗應用技術公安部重點實驗室,西安 710121)3)((英國)哈德斯菲爾德大學計算機與工程學院,哈德斯菲爾德HD13DH)4)((英國)謝菲爾德哈雷姆大學計算機學院,謝菲爾德S11WB)(2018年7月4日收到;2018年8月10日收到修改稿)

為解決多譜段降質圖像增強問題,提出了一種基于光照-反射成像模型和形態學操作的多譜段圖像增強算法.首先對圖像飽和度使用自適應非線性拉伸函數進行拉伸,使增強后的圖像色彩更加飽和、自然;接下來利用引導濾波算法提取出圖像的光照分量,提出了一種基于細節特征的加權融合策略,利用光照分布特性構造了一種自適應Gamma校正函數對光照分量進行處理,并將其與利用對比度受限的自適應直方圖均衡化方法處理后的光照分量以及原始光照分量進行融合;然后在反射分量校正時,構造了一種形態學操作函數來校正反射信息;最后合并光照分量和反射分量,并與處理后的飽和度分量和色調分量一起得到增強圖像.采用主客觀評價指標對可見光低照度圖像、水下圖像、高動態范圍圖像、沙塵暴圖像、霧天圖像和熱紅外圖像6種降質多譜段圖像實驗結果進行分析比較,結果表明本文算法能夠有效地抑制圖像噪聲、增強圖像細節信息、改善圖像視覺效果,可應用于多種圖像增強領域.

1 引 言

隨著科學技術水平的不斷發展,多譜段圖像的成像技術已經被廣泛應用于醫學診斷、公共安檢、交通監管、視覺導航等領域.但在實際的工程應用中,由于外界環境影響以及譜段自身的性質限制[1,2],導致采集到的圖像質量受損、噪聲偏多、圖像整體對比度較低,對后續圖像的觀察以及分析造成了很大的困難.因此,對多譜段圖像進行增強,提高圖像視覺效果、增強圖像對比度以及細節信息就顯得尤為重要[3,4].

與普通場景圖像的增強算法相比較,低照度圖像、水下圖像、高動態范圍(high-dynamic range,HDR)圖像、沙塵暴圖像、霧天圖像以及熱紅外圖像的增強算法相對較少.常用的圖像增強算法主要包括直方圖均衡化[5?7]、基于Retinex理論的圖像增強算法[8?11]、頻域濾波[12?15]和基于物理模型類算法[16?18]等.這些算法各有優缺點:1)直方圖均衡化類算法利用圖像像素的分布特點來對圖像進行增強,易產生過增強現象,且增強后圖像的視覺效果不夠好;2)基于Retinex理論的算法使得增強后圖像更加符合人眼特性,視覺效果更好,但會產生光暈現象;3)頻域濾波主要是濾除圖像中的噪聲,對圖像進行平滑;4)基于物理模型的算法可使增強后的圖像更加清晰,色彩更加飽和豐富;但是上述圖像增強算法只能夠增強某一特定譜段的圖像領域的問題,具有局限性.目前對于多個譜段圖像增強算法研究較少,畢國玲等[3]利用基于光照-反射成像模型和有界運算的方法對低照度圖像、霧霾圖像、紅外圖像以及X光醫學圖像進行增強,不僅可以很好地增強圖像亮度,提高圖像對比度,而且增強后的圖像具有較好的視覺效果,其局限性在于其適用于灰度圖像;李紅等[4]利用基于主特征提取的Retinex多譜段圖像增強算法實現了對X光圖像、紫外圖像、可見光圖像、低照度可見光圖像和紅外圖像等圖像的增強,可以增強圖像亮度和對比度,抑制圖像噪聲,使得圖像的細節信息更加凸顯,但該算法中參數多是利用經驗值手動設置,難以自動地尋找到最優參數.上述兩種多譜段圖像增強算法雖然很好地解決大多數多譜段圖像降質的問題,但是均未涉及到水下、HDR與含沙塵暴圖像增強領域,具有其局限性.

針對以上問題,本文提出了一種基于光照-反射成像模型和形態學操作的多譜段圖像增強算法.首先將圖像亮度分為光照分量與反射分量,對于光照分量,文中提出一種細節特征加權融合策略,利用光照分布特性構造了一種自適應Gamma校正函數對光照分量進行處理,并將其與利用對比度受限的自適應直方圖均衡化(contrast-limited adaptive histogram equalization,CLAHE)方法處理后的光照分量,以及原始光照分量進行融合;對于反射分量,構造了一種形態學操作函數,對反射分量進行去噪的同時可以增強圖像細節信息;然后對于圖像飽和度,使用一種自適應非線性拉伸函數對圖像飽和度進行拉伸,使得圖像的色彩更加飽和、自然.文中算法實現了多譜段圖像去噪、對比度增強與細節增強的結合,實現了對可見光低照度圖像、水下圖像、HDR圖像、沙塵暴圖像、霧天圖像和熱紅外圖像6種多譜段降質圖像的亮度以及對比度的增強,抑制了圖像噪聲,有效地凸顯出圖像的細節信息并提高了多譜段降質圖像的視覺質量.

2 基本理論

2.1 光照-反射成像模型

由光照-反射成像模型[8]可知,若使用二維函數S(x,y)來表示一幅圖像,每一個像素點(x,y)對應的函數值即為該點圖像的亮度值.S(x,y)由照射到場景的光照分量I(x,y)與經物體表面反射后的反射分量R(x,y)乘積構成,其模型表達式如下:

由光照-反射成像模型理論可得,對于一幅數字圖像,光照分量主要決定圖像中像素的動態范圍,對應于圖像中的低頻部分,反映了圖像的全局特性以及圖像的邊緣細節信息;反射分量代表圖像的內在本質特性,對應于圖像中的高頻部分,包含圖像的大多數局部細節信息以及所有噪聲.

2.2 引導濾波器原理

引導濾波[13]是一種基于局部線性模型的具有邊緣保持平滑特性的濾波器,其思想是定義任一像素點與其相鄰的像素點為線性關系,然后對其進行局部濾波,將所有局部濾波后的結果進行累加來得到濾波后的結果.假設引導圖像為I,輸入圖像為p,輸出圖像為q.對于輸出圖像中的第i個像素而言,其計算方法可表示為

式中i和j為像素標簽;Wij為濾波核函數,定義為[11]

式中,Wk為第k個核函數窗口;|ω|為窗口內的像素個數;μk,σ2k是引導圖I在窗口ω內的均值和方差;ε為平滑因子.

3 基于細節特征加權融合的圖像增強算法

3.1 算法原理

本文在光照-反射成像模型的基礎上,將圖像去噪、對比度增強與細節增強相結合,提出了一種基于光照-反射成像模型和形態學操作的多譜段圖像增強算法,基本步驟(見圖1)如下:1)將圖像從RGB色彩空間轉到HSV色彩空間,獲取圖像的亮度分量V、色調分量H與飽和度分量S;2)使用一種自適應非線性拉伸函數對S分量進行自適應拉伸,使得圖像的色彩更加飽滿、自然;3)利用引導濾波對V分量進行處理,將其分解為光照分量和反射分量,估計出圖像的光照分量,提出了一種基于細節特征的加權融合策略,利用光照分布特性構造了一種自適應Gamma校正函數對光照分量進行處理,并將其與利用CLAHE方法處理后的光照分量以及原始光照分量進行融合;4)構造了一種形態學操作函數對反射分量進行處理,在去除圖像噪聲的同時增強圖像細節信息;5)最后將處理后的反射分量與光照分量合并得到增強后的亮度分量V,與色調H、拉伸后的飽和度S進行合并,并將增強后的結果轉換到RGB色彩空間,從而得到增強后的圖像.本文算法的流程圖如圖1所示.

圖1 本文算法流程圖Fig.1.Flow diagram of proposed method.

3.2 亮度分量V增強

為了更好地提高圖像的圖像質量,減少光照等因素對于圖像的影響,準確地提取出圖像的光照信息特別重要.目前,應用較廣泛的光照信息提取算法主要有基于高斯濾波的算法[9]、基于變分框架的Retinex算法[10]、引導濾波算法[12,13]和雙邊濾波算法[14,15]等.基于高斯濾波的提取算法容易造成圖像邊緣模糊,細節信息保持較差;基于變分框架的Retinex算法提取光照信息時,對含有光照突變的圖像提取效果并不理想;雙邊濾波算法的運算量過大,實時性不好,難以應用于實際工程中.

3.2.1 光照分量增強

鑒于引導濾波算法在對圖像平滑時具有良好的邊緣保持能力,并能夠抑制圖噪聲,本文采用引導濾波算法對亮度分量V做濾波平滑,利用(1)式所示的光照-反射成像模型,將圖像的亮度分解為光照分量I(x,y)與反射分量R(x,y)的乘積.為了獲得更好的光照分量的增強效果,分別采用自適應Gamma校正算法和CLAHE[6]方法對圖像的光照分量進行處理,并利用基于細節特征的加權融合算法進行融合,對光照分量的處理過程如圖2所示.

輸入I1為圖像的原始光照分量I(x,y),其包含了大量的原始結構信息,可以避免圖像增強過程中產生失真現象.

輸入I2是采用自適應Gamma函數對光照分量進行校正后的結果,本文提出了一種新的自適應Gamma校正函數,表達式為

式中I(x,y)為原始光照分量值;I2(x,y)為自適應校正后的光照分量值;r(x,y)為Gamma函數的控制參數,其取值直接決定Gamma函數校正的效果.

現有的Gamma校正算法中r(x,y)的值通常憑經驗選取一個固定值,當r(x,y)>1時會降低整幅圖像的亮度,當r(x,y)<1時會提高整幅圖像的亮度,r(x,y)=1時圖像亮度保持不變.實際的圖像中既有整體光照過亮的圖像也有整體光照過暗的圖像,這就給r(x,y)最優值的選取帶來困難.為此,本文提出一種r(x,y)最優值自適應選取策略,利用每一個像素點的光照分布特性動態地調整Gamma函數的參數,實現對圖像亮度的自適應校正處理,提高光照過暗區域圖像的光照分量值,降低光照過亮區域圖像的光照分量值,得到校正后的光照分量.r(x,y)的計算方法如下:這里m,n分別為圖像的寬與高. 采用自適應Gamma校正可以很好地提高圖像亮度,豐富暗區域細節信息,抑制住原圖中較亮區域的增強,防止出現過增強.

雖然自適應Gamma校正函數可以改善光照分量的分布,但動態范圍有所壓縮,會導致圖像的局部對比度過低.因此,采用CLAHE[4]對光照分量進行處理,得到光照輸入I3.其表達式可以寫為

圖2 光照分量算法框圖Fig.2.Processing block diagram of illumination component algorithm.

3.2.2 光照輸入融合

為了得到光照分量的最優增強效果,本文提出一種基于細節特征的圖像融合策略,將3.2.1節中得到的I1,I2,I3加權融合后的值作為該像素點的光照分量值.鑒于圖像的方差、梯度、熵分別反映圖像質量、清晰度以及圖像的豐富程度,選用方差、梯度、熵這3個參數,來求取圖像的局部特征.方差、梯度、熵的計算方法分別為

式中Qvar,p(x,y)為方差;Qgrad,p(x,y)為梯度;Qentr,p(x,y)為熵;p=1,2,3分別代表輸入I1、輸入I2和輸入I3;d為鄰域半徑,d=(2k+1)(2k+1),尺寸大小由k決定,常用尺寸為7×7,9×9,11×11等,本文選取9×9;Ip表示第p個輸入光照估計,Ip表示所選鄰域內各像素點的光照分量均值,其計算公式為

融合過程中,對于每一個像素點(x,y),統計其鄰域內像素點的方差、梯度和熵作為該像素點的局部特征,并以此來確定I1,I2和I3在融合中所占的權重.在這里,圖像的質量測度是由上述的方差、梯度、熵的一種或多種所構成,對應的質量測度定義為

其中,α,β,γ取值為0或者1.為了可以獲取更佳的光照校正效果,取方差、梯度及熵3個圖像局部特征來對圖像的光照信息進行融合,所以α,β,γ三者都取值為1.

權重系數的設計為

式中Qp(x,y)是光照輸入估計的質量測度,且權重系數必須滿足這里,h是一個特別小的正數,目的是防止分母值為零.融合后的光照分量即為增強后的光照分量Ienhanced,其表達式為

3.2.3 反射分量增強

受成像技術影響,除可見光圖像外,低照度可見光圖像、水下圖像、HDR圖像、沙塵暴圖像、霧天圖像和熱紅外圖像中都存在一定的噪聲.圖像的反射分量包含了圖像大部分的細節信息以及圖像的噪聲.為此本文提出了一種改進的形態學操作方法,對反射分量進行處理,在增強圖像細節信息的同時去除圖像噪聲,處理步驟如下.

1)對圖像反射分量進行膨脹操作,其結構元素取5×5的直線型結構元素H,然后對反射分量進行腐蝕操作,取與H垂直的5×5的結構元素HC,對反射分量進行去噪,形態學操作表達式為

2)提出了一種改進后的形態學操作對去噪后的圖像進行處理,達到圖像細節增強的效果,方程定義如下:

其中b為3×3的圓盤形結構元素.

為了驗證這種形態學操作的增強效果,使用5×5的結構元素,對加入密度為0.03的椒鹽噪聲圖像進行膨脹、腐蝕、開與閉運算以及本文提出的基于形態學的細節去噪增強算法等操作,增強結果如圖3所示.

圖3 不同算法對反射分量增強處理后的結果 (a)原始圖像;(b)密度為0.03的噪聲圖像;(c)膨脹操作結果;(d)腐蝕操作結果;(e)開操作結果;(f)閉操作結果;(g)文中提出的去噪算法;(h)本文細節增強算法Fig.3.Processing results of the reflection components by different techniques:(a)Original image;(b)noisy image with a density of 0.03;(c)expansion operation result;(d)corrosion operation result;(e)open operation result;(f)closed operation result;(g)denoising algorithm proposed in this paper;(h)detail enhancement algorithm proposed in this paper.

3.3 飽和度分量增強

對圖像的亮度分量V進行增強后,圖像的亮度得到了顯著提升,但是圖像的色彩飽和度在一定程度上有所降低.因此,本文構建了一種自適應非線性拉伸函數對飽和度S進行拉伸,使得增強后圖像的色彩更加鮮艷、自然,能夠更好地符合人眼視覺特性,函數定義如下:

圖4 不同算法對飽和度分量的效果圖 (a)原始飽和度分量;(b)文獻[19]算法處理結果;(c)本文算法處理結果Fig.4.Resultant images of saturation components by different algorithms:(a)Original saturation component;(b)processing results by the method in Ref.[19];(c)processing results by our proposed method.

式中Sin和Sout分別是拉伸前、后圖像的飽和度;mean(R,G,B),max(R,G,B)和min(R,G,B)分別為原始圖對應像素點R,G,B顏色分量的平均值、最大值和最小值.

分別采用文獻[19]算法和本文算法對原始圖像飽和度分量S進行處理,其實驗結果如圖4所示.

由圖4可知,本文所提算法相較于文獻[19]方法,可以更好地調節圖像的飽和度分量,通過對圖像飽和度分量進行分線性自適應拉伸,使得圖像的色彩更加鮮艷,豐富.

4 實驗結果與分析

4.1 主觀評價

為了驗證本文算法對不同譜段圖像的增強效果,首先選取低照度圖像、水下圖像、HDR圖像、沙塵暴圖像、霧天圖像和熱紅外圖像6組圖像分別進行實驗,并與各個領域的增強算法進行比較,實驗結果如圖5—圖10所示.

圖5 低照度圖像增強對比 (a)低照度圖像;(b)文獻[20]算法;(c)文獻[21]算法;(d)文獻[22]算法;(e)文獻[23]算法;(f)文獻[24]算法;(g)文獻[25]算法;(h)本文算法Fig.5.Comparison of low light image enhancement:(a)Low light image;(b)result in Ref.[20];(c)result in Ref.[21];(d)result in Ref.[22];(e)result in Ref.[23];(f)result in Ref.[24];(g)result in Ref.[25];(h)result obtained by our proposed method.

圖5是不同算法對于低照度圖像增強處理的結果,可見文獻[20]、文獻[21]、文獻[22]和文獻[23]中的算法雖可以改善圖像的質量,但存在圖像的對比度過高或過低,圖像邊緣細節保持不好等問題;文獻[24]和文獻[25]算法出現了過增強現象,導致圖像的細節信息不夠清楚,顏色有所失真;本文算法在增強過程中,很好地保持了圖像原有的細節特征信息,且色彩更加飽和自然,更加符合人眼特性.

圖6是不同算法對于水下圖像增強處理的結果.由圖6可知,文獻[8]、文獻[9]、文獻[10]和文獻[11]的算法雖提高了圖像的對比度,但是存在噪聲放大現象,圖像整體的視覺效果不佳;文獻[5]和文獻[24]的算法提高了圖像的對比度,保持了圖像原有的細節特征信息,但是灰度變化較小,顏色也不夠自然;本文算法在進行對比度增強的同時去除了圖像噪聲,而且增強后的圖像色彩更加鮮艷自然.

圖7是不同算法對于HDR圖像處理結果,可以看出文獻[8]、文獻[14]和文獻[26]的算法提高了圖像對比度,但暗區域信息丟失嚴重;文獻[5]、文獻[15]和文獻[27]的算法可突出明暗區域的對比度,但算法增強后圖像顏色不夠自然,文獻[5]算法無法增強較暗區域的細節信息;本文算法提高了圖像的整體對比度,增強了明暗區域的細節信息,同時增強后的圖像顏色更加飽滿自然.

圖6 水下圖像增強對比 (a)水下圖像;(b)文獻[5]算法;(c)文獻[8]算法;(d)文獻[9]算法;(e)文獻[10]算法;(f)文獻[11]算法;(g)文獻[24]算法;(h)本文算法Fig.6.Comparison of underwater image enhancement:(a)Underwater image;(b)result in Ref.[5];(c)result in Ref.[8];(d)result in Ref.[9];(e)result in Ref.[10];(f)result in Ref.[11];(g)result in Ref.[24];(h)result obtained by our proposed method.

圖7 HDR圖像增強對比 (a)HDR圖;(b)文獻[5]算法;(c)文獻[8]算法;(d)文獻[14]算法;(e)文獻[15]算法;(f)文獻[26]算法;(g)文獻[27]算法;(h)本文算法Fig.7.Comparison of HDR image enhancement:(a)HDR image;(b)result in Ref.[5];(c)result in Ref.[8];(d)result in Ref.[14];(e)result in Ref.[15];(f)result in Ref.[26];(g)result in Ref.[27];(h)result obtained by our proposed method.

圖8是不同算法對于沙塵暴圖像處理結果.由圖8可見,文獻[8]、文獻[9]和文獻[10]算法較好地去除了沙塵暴的影響,增強了近景圖像,但是對于遠景圖像效果不佳;文獻[6]算法提高了圖像對比度以及細節信息,但是沒有很好地去除掉沙塵暴的影響,使得圖像顏色不夠自然;文獻[17]和文獻[28]算法雖然可以很好地增強圖像細節信息,但清晰度以及遠景圖像效果不好;本文算法很好地去除了沙塵暴對于圖像質量的影響,提高了圖像整體對比度以及細節信息.

圖8 沙塵暴圖像增強對比 (a)沙塵暴圖像;(b)文獻[6]算法;(c)文獻[8]算法;(d)文獻[9]算法;(e)文獻[10]算法;(f)文獻[17]算法;(g)文獻[28]算法;(h)本文算法Fig.8.Comparison of sand-storm image enhancement:(a)Sand-storm image;(b)result in Ref.[6];(c)result in Ref.[8];(d)result in Ref.[9];(e)result in Ref.[10];(f)result in Ref.[17];(g)result in Ref.[28];(h)result obtained by our proposed method.

圖9是不同算法對于含霧圖像處理結果,文獻[6]算法雖提高了圖像整體對比度以及圖像清晰度,但顏色失真嚴重;文獻[29]算法提高了圖像能見度,但是細節信息能見度太弱,造成了過增強現象;文獻[18]與文獻[30]算法可很好地提高圖像的能見度,但圖像細節信息增強不夠好,且圖像視覺效果不好;文獻[16]和文獻[21]算法對近景圖像的細節信息增強效果較好,提高了其清晰度與對比度,但是對于遠景圖像仍存在模糊現象;本文算法在一定程度上很好地解決了上述算法的缺點,使得增強后的圖像更加清晰,圖像的顏色更加飽滿,具有更好的視覺效果.

圖10是不同算法對于熱紅外圖像處理之后的實驗結果圖,文獻[8]、文獻[9]和文獻[10]算法使得增強后的圖像變得模糊,細節信息不清晰,顏色有所失真;文獻[5]和文獻[6]算法雖然可以很好地增強圖像對比度,但是圖像噪聲有所放大,顏色失真明顯且圖像細節信息丟失較為嚴重;文獻[7]提高了圖像整體對比度,且顏色保持較好,但是細節信息基本沒有變化;本文算法在增強細節信息的同時去除了圖像噪聲,使得增強后的圖像具有更好的視覺效果.

圖9 霧天圖像增強對比 (a)霧天圖像;(b)文獻[6]算法;(c)文獻[16]算法;(d)文獻[18]算法;(e)文獻[21]算法;(f)文獻[29]算法;(g)文獻[30]算法;(h)本文算法Fig.9.Comparison of foggy image enhancement:(a)Foggy image;(b)result in Ref.[6];(c)result in Ref.[16];(d)result in Ref.[18];(e)result in Ref.[21];(f)result in Ref.[29];(g)result in Ref.[30];(h)result obtained by our proposed method.

圖10 熱紅外圖像增強對比 (a)熱紅外圖;(b)文獻[5]算法;(c)文獻[6]算法;(d)文獻[7]算法;(e)文獻[8]算法;(f)文獻[9]算法;(g)文獻[10]算法;(h)本文算法Fig.10.Comparison of thermal infrared image enhancement:(a)Thermal IR image;(b)result in Ref.[5];(c)result in Ref.[6];(d)result in Ref.[7];(e)result in Ref.[8];(f)result in Ref.[9];(g)result in Ref.[10];(h)result obtained by our proposed method.

4.2 客觀評價

為了更加客觀地對不同算法的增強效果進行評價,選用圖像對比度、清晰度以及信息熵3個客觀評價指標,對各個譜段圖像在不同算法下增強效果進行衡量[31?34].圖像對比度是指圖像中從黑到白的一個漸變層次,通過對圖像對比度進行增強,可以調節圖像灰度層次范圍,有效地凸顯圖像的細節信息.圖像對比度通常利用標準差(如(18)式)進行衡量.清晰度則表示影像上各細部影紋及其邊界的清晰程度,一般用圖像的平均梯度(如(19)式)來衡量.熵是衡量圖像中所包含的信息量的大小,熵越大說明包含的信息越多,用信息熵(如(20)式)來計算圖像的熵值.

其中M,N分布為圖像的長與寬;x(i,j)表示第i行、第j列的像素值;μ表示均值.

其中M,N分布為圖像的長與寬;x(i,j)表示第i行、第j列的像素值.

其中q(x)表示圖像灰度x的分布密度,k為圖像的灰度級.

對于不同譜段圖像的增強結果的客觀評價指標描述分別如圖11—圖16所示.

圖11 不同算法對低照度圖像增強效果質量評價Fig.11.Quality evaluation of different algorithms for low illumination image enhancement.

圖12 不同算法對水下圖像增強效果質量評價Fig.12.Quality evaluation of different algorithms for underwater image enhancement.

由圖11—圖16可知,各種增強算法增強后的圖像對比度、清晰度和信息熵較原圖相比都有很大的提高,在一定程度上改善圖像的對比度和清晰度.但本文算法得到的對比度、清晰度和信息熵3種指標的值都優于其他算法.

從定性和定量兩方面來對不同增強算法處理效果進行了對比分析,結合主客觀評價指標可知本文算法在一定程度上能夠有效地抑制圖像噪聲、提高圖像的清晰度、增強圖像細節及對比度,改善圖像視覺效果,且本文算法適用于多譜段圖像增強.

圖13 不同算法對HDR圖像增強效果質量評價Fig.13.Quality evaluation of different algorithms for HDR image enhancement.

圖14 不同算法對沙塵暴圖像增強效果質量評價Fig.14.Quality evaluation of different algorithms for sandstorm image enhancement.

圖15 不同算法對霧天圖像增強效果質量評價Fig.15.Quality evaluation of different algorithms for hazy image enhancement.

圖16 不同算法對熱紅外圖像增強效果質量評價Fig.16.Quality evaluation of different algorithms for thermal infrared image enhancement.

5 結 論

為解決多譜段圖像降質問題,本文提出了一種基于光照-反射成像模型和形態學操作的多譜段圖像增強算法.算法基于HSV色彩空間,對圖像飽和度進行自適應非線性拉伸,使得圖像的色彩更加飽和;將圖像亮度分解為光照分量與反射分量,提出了一種基于細節特征的加權融合策略,利用光照分布特性構造了一種自適應Gamma校正函數對光照分量進行處理,并將其與利用CLAHE方法處理后的光照分量以及原始光照分量進行融合;然后在反射分量校正時,構造了一種形態學操作函數來校正反射信息;將光照反射分量進行合并,與拉伸后的飽和度以及色調重構出增強后的圖像.

實驗結果表明,本文算法同時對低照度圖像、水下圖像、HDR圖像、沙塵暴圖像、含霧圖像和熱紅外圖像都有很好的增強效果,可以有效地提高圖像對比度以及清晰度,增強圖像細節信息,并抑制圖像噪聲,同時增強后的圖像顏色更加鮮艷自然.但由于算法復雜性太高,導致運算時間較長,如何提高降低算法復雜度將是今后的研究重點.