基于彩色加權引導濾波-Retinex算法的導航圖像增強

許鳳麟， 苗玉彬， 張 銘

(上海交通大學 機械與動力工程學院， 上海 200240)

輪胎式龍門起重機(RTG)常用于執行港口集裝箱裝卸任務，通常需要橫跨各集裝箱區域進行往復行駛.RTG的行進路線受到嚴格限制，一旦偏離軌道就會發生撞箱事故，造成嚴重的經濟損失.為了保證RTG自動駕駛的安全性，需要由高精度的視覺檢測系統來識別引導線的準確位置與走向，以確定RTG的實時位置和行進方向.夜間環境下RTG探照燈的照明距離有限，無法為遠端引導線提供有效的光照補償.同時，集裝箱對環境光的遮擋造成了引導線部分區域亮度過低，顏色與邊緣無明顯的區分特征，使得對引導線邊緣的檢測十分困難.將低照度、低對比度的圖像進行色彩增強可以有效地降低后續引導線邊緣識別算法的復雜度，提高系統的整體運算效率，以達到實時性檢測的運算要求.

Retinex算法是圖像色彩增強領域應用最為廣泛的算法之一，不但可以彌補光照不均對彩色圖像的影響，而且可以增強整體圖像的對比度，但存在容易使圖像色彩失真的問題.文獻[1]提出一種截尾全變差Retinex模型，通過模型描述圖像的陰影特性，進而實現復原照度不均勻圖像的目的.文獻[2-3]結合了引導濾波(GIF)與Retinex算法，將經過GIF處理的圖像作為照度分量，對傳統算法進行了改進，有效地改善了Retinex算法在高對比度邊緣的失真問題，提升了色彩增強的效果.文獻[4]在GIF算法的基礎上提出了加權引導濾波(WGIF)算法，針對GIF在全圖范圍內采用相同正則化參數的局限性，通過引入權重因子進一步提升濾波結果的邊緣質量，避免出現光暈效果.然而WGIF算法中基于方差的權值估計不能很好地反映圖像的強邊緣區域[5]，對于低對比度圖像的邊緣增強效果并不明顯.因此，本文通過改進WGIF算法，提高了算法的邊緣保持能力，并進一步提升了Retinex算法的性能.

針對RTG夜間自動駕駛時，在低照度環境下的引導線邊緣不突出、引導線難以檢測等問題，提出一種彩色加權引導濾波-Retinex(CWGIF-Retinex)算法.首先，將原圖像用針對彩色圖像的WGIF算法進行平滑處理；然后將濾波后的圖像作為Retinex算法中的照度圖像輸入，計算得到反射圖像；最后，將反射圖像進行Gamma校正，進而得到經過色彩增強的圖像.該算法在充分保持原圖像邊緣信息的同時，既消除了傳統算法中可能出現的光暈偽影又避免了圖像的顏色失真問題，使得經過色彩增強后的圖像能夠更好地還原實際場景.

1 引導濾波算法

GIF是一種需要引導圖的濾波器[6].定義輸入的引導圖為I，濾波前的圖像為p，濾波后的圖像為q，則q與I在以點k為中心的窗口ωk內滿足局部線性關系：

qi=akIi+bk, ?i∈ωk

(1)

式中：ak和bk是固定系數；像素點i遍歷窗口ωk.當引導圖像中存在邊緣信息時，輸出結果也會在同一位置出現邊緣信息.系數ak和bk應滿足使得q與p之間的差E(ak,bk)最小的條件，因此問題可轉化為

(2)

上式最小化的解為

(3)

(4)

2 彩色加權引導濾波算法

WGIF算法能夠提高GIF算法的邊緣保持效果[4].該算法基于圖像局部窗口內的方差，定義了權重因子，使有明顯紋理區域的圖像方差更大，對應的權值也更高，由此計算得到的ak值也較大，紋理信息在一定程度上得以保留.但事實上，更大的方差并不一定與更強的圖像邊緣信息相對應.對于低照度的夜間圖像，其灰度圖的亮度差異并不明顯，僅通過計算方差很難得到合適的權值.

此外，與引導濾波算法類似，WGIF算法也是基于局部線性關系的，即只有原圖像存在邊緣信息時，經過濾波后的圖像才存在邊緣信息.因此，選取合適的邊緣檢測算法對提升濾波算法的邊緣保持效果至關重要.針對彩色圖像的矢量梯度(VG)方法[7]可以有效地提升圖像邊緣信息檢測的準確性，但對于照明不均以致局部偏暗或對比度較弱的夜間圖像，低亮度區域的色彩信息往往缺失嚴重，難以對弱光照邊緣信息進行準確的檢測.

為了進一步增強邊緣檢測的準確性，本文先對原始圖像進行色彩增強處理，彌補低照度區域的色彩信息，減弱陰影邊緣的對比度，再用VG方法檢測反射圖像中的邊緣信息.經過Retinex算法處理后，VG方法能夠更好地識別圖像陰影區域內的邊緣信息，減少遺漏與誤檢測，避免對陰影邊緣的錯誤增強處理.經過濾波后的圖像邊緣更清晰，有利于進一步的場景標志分析與引導線位置識別.基于原始的WGIF算法，將邊緣權重因子修正為

(5)

式中：Rθ(i)是原始圖像經過Retinex算法計算后得到的反射分量Rθ在i點的矢量梯度；N為像素總數；ε取值為Rθ圖像灰度最大值的 0.1 倍.

WGIF算法及CWGIF算法對同一幅標志線圖像的濾波效果對比圖如圖1所示.在平滑效果相近的前提下，CWGIF算法能夠更好地保留標志線的邊緣信息.為了對比這2種濾波算法對邊緣信息的處理效果，在圖1的3幅圖中各取同一位置的某一行數據(圖中白線位置)得到3條灰度值變化曲線，其數據分析結果如圖2所示.

圖1 2種算法效果對比圖Fig.1 Comparison of image processing effect between the two algorithms

圖2 2種濾波效果的單行數據對比Fig.2 Single row data comparison between the two algorithms

由圖2(a)和(b)可知，2種濾波方案對原圖像均有很好的平滑效果，經過濾波后圖像局部區域的像素波動都得到了有效抑制.但是，這2種濾波方案對于沒有明顯邊緣信息的圖像區域其處理效果則無顯著區別.由圖2(b)和(c)可知，濾波后圖像的邊緣梯度并不會被明顯削弱，CWGIF算法能夠對彩色圖像的邊緣起到更好的保護作用.

3 基于CWGIF算法的照度分量估計

Retinex理論將1幅圖像I(x,y)分為2部分，可由照度分量L(x,y)和反射分量R(x,y)的乘積表示,

I(x,y)=R(x,y)L(x,y)

(6)

式中，L(x,y)來自于自然光照，其強度變化一般而言相對緩慢，在頻域上表現為圖像的低頻成分；R(x,y)代表了場景中的實際色彩信息[8]，其值取決于成像物體的表面材質，不同物體之間的反射率差異很大，在頻域上表現為圖像的高頻成分.由于R(x,y)反映的是去除光照影響后物體的真實色彩，根據式(6)，L(x，y)的估算越準確，計算得到的R(x，y)的色彩恢復效果越好.因此，如何獲得準確的L(x，y)是Retinex算法的關鍵.Retinex算法的主要缺陷在于算法增強后的圖像會在高對比度邊緣區域出現嚴重的光暈偽影[9].為了解決這一問題，傳統方案采用邊緣保持的雙邊濾波作為環繞函數來代替原始算法的高斯濾波[3].但是，雙邊濾波的平滑效果不理想，保留了大量由于非光照原因而產生的邊緣，往往與實際的光照環境不符，致使對L(x,y)的估計不夠準確.

本文用GIF代替雙邊濾波實現對照度分量的估計,可通過盒濾波與積分圖像技術求解GIF.GIF算法的時間復雜度為O(N)，小于雙邊濾波的算法復雜度O(Nr)(r為窗口大小)，因此GIF算法的計算效率高于雙邊濾波.經高斯濾波、雙邊濾波及引導濾波處理后的路面標志線對比圖如圖3所示.圖像中引導線邊緣突變區域的寬度在7個像素左右，為了在保護邊緣信息的同時起到邊緣平滑的效果，設3種濾波的窗口大小均為5像素×5像素.

為了對比這3種濾波對邊緣信息的處理效果，在圖3中提取與圖1同一位置的單行數據得到相應的擬合曲線，截取圖像相應的左半邊數據進行比較，其分析結果如圖4所示.

圖4 不同濾波器濾波效果的單行數據對比Fig.4 Single row data comparison of different filtering effects

由圖4可知，GIF能夠在盡可能保留原圖中標志線邊緣信息的同時，在標志線邊緣以外的區域獲得很好的平滑降噪效果.這是高斯濾波和同樣具有邊緣保持特性的雙邊濾波所無法做到的.正因為具備了這種特性，GIF更能反映圖像的低頻信息，也更適合作為Retinex算法中照度圖像的輸入.

然而，GIF在獲得比較好的平滑效果的同時，也犧牲了一定的邊緣細節信息.相比之下，利用GIF算法作為環繞函數能夠獲得更好的濾波效果，進而提升反射分量的圖像質量.基于此，本文提出利用針對彩色圖像的CWGIF算法估計照度分量，在起到平滑效果的同時有針對性地加大圖像邊緣區域的權重，突出顯示圖像的邊緣；進而依據Retinex原理計算得到反射分量；最后通過Gamma校正來實現夜間圖像的色彩增強.具體的CWGIF算法流程如圖5所示.

圖5 CWGIF算法流程圖Fig.5 The flow chart of CWGIF algorithm

4 弱光照條件下的導航圖像色彩增強

4.1 邊緣提取效果分析

為了驗證CWGIF算法權值的有效性，在寧波梅山保稅港區的集裝箱碼頭進行圖像采集任務，并對弱光照條件下的碼頭集裝箱區域的引導線進行了邊緣信息檢測.利用灰度圖的LoG算子、VG及Retinex-VG 三種邊緣提取算法對同一幅夜間圖像的邊緣進行提取，其效果對比圖如圖6所示.

由圖6(b)和(d)可知，后者的邊緣輪廓信息更完整，主要的邊緣特征更突出，對噪聲有明顯的抑制作用，且對弱光照區域的邊緣信息檢測效果更好.此外，與圖6(c)相比，引入Retinex算法后對噪聲的敏感度顯著降低，在保持邊緣信息不發生缺失的前提下大大減少了錯誤邊緣的輸出，同時還能起到抑制由光照形成的陰影邊緣的作用.綜上所述， Retinex-VG算法能夠更好地保留圖像中有效的邊緣信息，減少噪聲的出現.

圖6 不同算法邊緣提取效果對比圖Fig.6 Comparison of different edge extraction algorithms

4.2 色彩增強與邊緣增強效果的主觀分析

主觀分析CWGIF-Retinex算法在色彩和邊緣兩方面的處理效果，選取RTG在3個不同行進區域時的引導線圖像，將該算法對照度不均勻區域的處理效果與雙邊濾波-Retinex算法進行對比，結果如圖7所示.

圖7中雙邊濾波的窗口仍然選取為5像素×5像素以保證邊緣保持效果.與原圖像相比，CWGIF-Retinex算法能夠更好地還原圖像中亮度偏低區域的色彩，使得因接近集裝箱底部而光照過暗難以識別的白色引導線與鄰近地面的對比度得到顯著增強，圖像整體色彩分布更均衡，達到了圖像色彩增強的目的.與雙邊濾波-Retinex算法相比， CWGIF-Retinex算法能獲得更好的色彩增強效果，弱光照區域引導線的顏色特征更顯著.此外，應用雙邊濾波對圖像進行照度估計造成了引導線邊緣的模糊，致使引導線邊緣的準確識別變得十分困難.相比之下，CWGIF-Retinex算法能夠進一步增強原圖像的邊緣特性，尤其在弱光照區域效果更為顯著.

4.3 色彩增強與邊緣增強效果的客觀分析

為了客觀地評價色彩增強后的圖像質量，通常采用對比增強因子F與色彩增強因子CEF[10]作為評價標準.其中：對比增強因子F反映的是圖像輪廓對比度的質量；色彩增強因子CEF反映的是圖像增強前后的色彩豐富度.表1和2所示為通過計算得到的雙邊濾波-Retinex及CWGIF-Retinex算法相對于圖7中3張港口圖像的F與CEF值.由表可知，2種參數值均大于1，即都起到了對比度與色彩增強的效果.同時，CWGIF-Retinex算法在不同場景下均比雙邊濾波-Retinex具有更好的性能.

色彩增強處理對提升引導線區域的檢測精度是評價算法效果的重要標準.由于夜間光照成分以黃光為主，以G-B為主要指標提取引導線能夠得到很好的效果.經比較發現，經過CWGIF-Retinex處理后,圖像中的引導線檢測精度相比原圖及雙邊濾波-Retinex處理圖均有了明顯的提升.從圖7中A1,A2,A3這3幅圖像中提取出來的中心引導線如圖8所示.

圖7 3種不同路段下的色彩增強算法效果對比圖Fig.7 Comparison of color enhancement algorithms on three differentareas

表1 2種算法的對比增強因子FTab.1 Contrast enhancement factor F of the two algorithms

表2 2種算法的色彩增強因子CEF

Tab.2 Color enhancement factor CEF of the two algorithms

算法CEFA1A4A7雙邊濾波-Retinex1.03351.07951.0047CWGIF-Retinex1.09721.09671.1271

圖8 色彩增強前后引導線提取效果對比圖Fig.8 Comparison of guideline detection before and after color enhancement

通過以上分析可知，CWGIF-Retinex算法實現了對夜間港口圖像的色彩增強與邊緣增強，相較于傳統算法的處理效果有了進一步的提升，能夠滿足基于視覺的引導線邊緣準確檢測的工程需要.經過CWGIF-Retinex算法處理后，原始圖像的色彩分布得到了明顯的優化，達到了圖像色彩增強的預期效果，同時還原了更多的圖像細節，進而提高了引導線位置檢測的精度與穩定性.

5 結語

為了解決RTG在港口集裝箱區域的視覺導航任務中因夜間光照條件較差而難以提取地面引導線邊緣的問題，提出一種針對彩色圖像的CWGIF-Retinex算法，以實現對低照度、低對比度圖像的色彩增強與邊緣增強效果.將經過Retinex算法處理的圖像用VG算法提取邊緣，并以此作為WGIF算法的權值，構成CWGIF算法.利用此算法對原圖像濾波，估計空間中的照度分布，用單尺度Retinex算法進一步計算場景中物體的反射分量，再通過Gamma校正來調整反射圖像的對比度，最終得到光照影響被大幅削弱的夜間彩色圖像，從而構建了完整的夜間環境色彩增強與邊緣增強算法流程.算法的實際處理效果表明，該算法能夠在弱光照條件下提高圖像對比度，同時對原圖像中的邊緣信息形成加強效果，以保證后續引導線空間位置檢測任務中的測量精度，避免了一般色彩增強算法中引導線邊緣信息缺失，甚至產生光暈偽影的缺陷.CWGIF-Retinex算法使得通過攝像頭實現港口夜間引導線位置的準確檢測更具有可行性，提高了夜間低照度條件下的引導線特征檢測的精確度和穩定性，為輪胎式龍門起重機的計算機視覺輔助駕駛提供了技術支持.