基于Retinex 理論的低照度圖像增強技術*

劉 健，郭 瀟，徐鑫龍，趙牛杰，趙 騰

（北方自動控制技術研究所，太原 030006）

0 引言

由于受環(huán)境光照不足或照度不均因素的影響，低照度圖像往往會出現對比度低、亮暗不均、陰影區(qū)域細節(jié)難以分辨的問題，影響視頻會議等應用的主觀視覺效果，給軍事偵察、視頻監(jiān)控等工作的后續(xù)處理造成很大困難。因此，低照度圖像增強技術有重要的研究價值。

低照度圖像增強技術的目的是改善圖像質量，并獲取更多淹沒在陰影區(qū)域的細節(jié)信息，其方法主要包括基于直方圖的方法、基于小波變換的方法和基于Retinex 理論的方法［1］。基于Retinex 理論的圖像增強算法主要是從圖像中估計環(huán)境照度分量，并去除該分量的影響，獲取反射分量。根據照度分量的計算方法，又可分為隨機路徑算法、同態(tài)濾波算法和中心環(huán)繞算法等。其中，中心環(huán)繞算法最為經典。典型的中心環(huán)繞算法有單尺度Retinex（SSR）［2］、多尺度Retinex（MSR）［3］與帶色彩恢復的多尺度Retinex（MSRCR）［4］。目前，基于Retinex 理論的低照度圖像增強算法普遍存在以下問題：在圖像明暗變化劇烈的區(qū)域易產生光暈［5］；圖像暗區(qū)域存在過增強，導致該區(qū)域噪聲放大；圖像亮區(qū)域像素溢出，導致細節(jié)信息丟失；參數數目較多，針對不同圖像需要設置不同參數，算法自適應性差［1］。

本文提出一種基于Retinex 理論與LIP 模型的低照度圖像增強方法，對照度緩慢變化與照度不均的低照度圖像進行增強。在HSV 色彩空間，結合引導濾波與高斯平滑估計圖像V 分量的照度分量，避免了顏色失真與光暈現象；在圖像運算過程中，使用LIP 模型代替?zhèn)鹘y(tǒng)的數學運算，以避免由像素溢出造成的暗區(qū)域過增強的問題，同時可以減少參數設置，增強算法的自適應性；求得的反射分量經灰度變換后作為增強的V 分量；經色彩空間轉換后作為最終的增強圖像。

1 基于Retinex 理論的相關算法及局限性分析

人類視覺系統(tǒng)具有顏色恒常性，當環(huán)境照度變化時，人眼對物體顏色的感知保持相對不變。E.H.Land 基于顏色恒常性理論提出了Retinex 理論，認為一幅圖像I（x，y）可由反射分量R（x，y）和照度分量L（x，y）的乘積表示，即

其中，照度分量決定像素的動態(tài)范圍；反射分量反映成像物體的本質屬性，通常為要求解的增強圖像。在對數域中，將照度分量從原圖像中去除，便得到反射分量。照度分量只能通過近似估計獲取。Retinex 算法一般流程如圖1 所示。

圖1 Retinex 算法一般流程

MSR 算法對原始圖像的R、G、B 3 個通道分別進行多尺度計算，再將計算結果融合為增強圖像。單一通道的計算公式如式（2）表示：

式中，k 為尺度個數，ωi為尺度權重，* 表示卷積運算，G（x，y）采用高斯中心環(huán)繞函數。使用MSR 算法處理的結果如圖2 所示。

圖2 MSR 算法處理結果

在圖2（b）中出現了明顯的光暈現象，這是由于Retinex 理論假設空間照度是緩慢變化的，在圖像明暗變化劇烈的區(qū)域，由高斯中心環(huán)繞函數估計的照度分量趨于平緩，與實際的照度不相符。因此，在增強圖像中易出現光暈。

為解決光暈問題，文獻［6］提出使用具有邊緣保持特性的雙邊濾波核函數作為中心環(huán)繞函數，雙邊濾波可以準確估計明暗突變的環(huán)境照度分量，但是其計算復雜度高，且存在梯度逆轉現象［7］。采用具有平滑與邊緣保持特性的引導濾波［8］估計照度分量，計算復雜度低，可以避免光暈現象，但引導濾波中使用的均值濾波沒有考慮像素空間位置對中心像素的影響，導致照度分量估計不準確，反射分量出現過增強的問題。使用引導濾波估計照度分量的Retinex 算法處理結果如圖3 所示。圖3（a）與圖3（b）的引導濾波參數設置分別來自文獻［9-10］。引導濾波中參數r 表示濾波模板的大小，eps 為平滑因子。eps 值較大時，引導濾波對圖像的操作趨于平滑，邊緣保持性差；值較小時，邊緣保持性好；值為0 時，不對圖像作任何處理。

由圖3 可以看出，使用引導濾波估計照度分量可以避免光暈問題，但是最終增強的結果出現了顏色失真。對于該問題，文獻［9］設計了顏色恢復函數改善反射分量，但對于含局部光源、逆光拍攝等照度不均的低照度圖像處理時，存在圖像亮區(qū)域細節(jié)丟失的問題，且該算法參數較多，自適應性差；文獻［10］在反射分量中加入校正后的照度分量，保護了亮區(qū)域細節(jié)，但存在圖像暗區(qū)域過增強的問題。

2 本文算法

本文算法的結構框圖如圖4 所示。算法首先將圖像從RGB 空間轉換到HSV 空間；分別使用引導濾波與高斯平滑對V 分量進行處理，對處理的結果使用LIP 模型加法與乘法進行融合，得到照度分量L；再由LIP 模型的減法去除照度分量，并進行灰度變換，得到反射分量R；最后將圖像從HSV 空間轉換到RGB 空間，作為最終的增強圖像。

2.1 顏色空間轉換

MSR 算法對圖像R、G、B 3 個顏色通道分別做多尺度卷積運算，算法復雜度高，并且容易改變3個顏色通道之間的比例關系，造成顏色失真［1］。因此，本文將原始圖像從RGB 空間轉換到HSV 空間，僅對V 分量進行計算處理，減小計算復雜度，避免顏色失真；將增強處理后的V 分量與原H、S 分量合成并轉化到RGB 空間，作為增強后的圖像。

2.2 估計照度分量

為避免增強結果的顏色失真與光暈問題，本文提出分別使用引導濾波與高斯平滑對V 分量進行處理，再對處理的結果進行融合。在融合過程中，若使用傳統(tǒng)的數學運算處理圖像，可能會產生像素溢出的現象，可以通過改變增益參數來調節(jié)溢出像素數目的多少。當溢出像素數目增多時，照度分量估計增大，反射分量減小，導致全局亮度降低，低照度圖像增強效果改善不明顯；當溢出像素數目減小時，照度分量估計減小，反射分量增大，導致圖像暗區(qū)域過度增強。因此，在該過程中，若使用傳統(tǒng)的數學運算處理圖像，增益參數的選取與圖像自身有很大關系，難以達到自適應處理。

本文采用LIP 模型在有界區(qū)間內對圖像進行操作。LIP 模型重新定義了適用于圖像處理的加法、減法、乘法等運算，這些運算具有封閉性，可以在避免像素溢出的同時，有效提高圖像效果，該模型也被證明與人類視覺系統(tǒng)的處理過程相一致。LIP 模型用灰度色調函數表示圖像的強度，計算公式如式（3）所示：

式中，I（x，y）為輸入圖像的亮度值，f（x，y）為灰度色調函數，M 為圖像最大亮度值，在8 bit 數字圖像中，取值為256。LIP 模型的部分運算定義如下：

將式（6）與式（3）聯立求解經LIP 數乘運算后得到的亮度值I3，可得計算公式如式（7）所示：

式中，I1為式（6）中f1對應的亮度值。可見，圖像的LIP 數乘運算等價于圖像的伽馬變換，增益參數α等價于伽馬系數，本文取經驗值為0.3。

2.3 求取反射分量

在MSR 算法、文獻［9-10］算法中，反射分量的求取是在對數域中進行的。LIP 模型本身具有對數變換的性質，因此，將V 分量與照度分量L 作LIP模型減法，再經灰度變換后的輸出作為反射分量。

在LIP 模型減法，即式（5）中，若f1

式中，r'為R'歸一化值，r 為反射分量R 歸一化值，bth 為溢出閾值，計算公式如式（9）所示：

式中，n 為r'中大于1 的像素數目。

3 實驗仿真與分析

為驗證本文算法有效性，在MATLAB R2014b平臺上對多幅低照度彩色圖像進行實驗，將算法與文獻［9-10］算法進行比較，從主觀效果與客觀指標兩方面對算法進行驗證。相關參數設置如下：

1）文獻［9］算法：引導濾波參數r=4，eps=0.04，顏色恢復函數參數α=9，β=300，G=1；

2）文獻［10］算法：引導濾波參數r=8，eps=0.001；

3）本文算法：高斯尺度參數σ=180，引導濾波參數r=4，eps=0.04。

3.1 主觀效果對比

3 種算法進行圖像增強的仿真試驗結果如圖5～圖7 所示，圖5 為照度緩慢變化時的仿真結果，測試圖像來自于低亮度的視頻監(jiān)控圖像；圖6 為照度不均時的仿真結果，測試圖像來自于背光的視頻會議圖像，以及含局部光源的視頻監(jiān)控圖像；圖7為仿真結果局部細節(jié)對比。從圖5 中可以看出照度緩慢變化的情況，文獻［9］算法存在顏色失真與過飽和現象；文獻［10］算法存在暗區(qū)域過增強，噪聲被放大的現象；而本文算法在保護色彩不失真的同時，能夠恢復陰影區(qū)域的細節(jié)，并有效抑制了該區(qū)域的噪聲。從圖6 中可以看出照度不均的情況，文獻［9］算法存在一定的亮區(qū)域細節(jié)丟失；文獻［10］算法的暗區(qū)域存在過增強。由圖8（b）可以看出，文獻［9］算法存在過飽和與亮區(qū)域細節(jié)丟失的現象，由圖8（c）可以看出文獻［10］算法存在暗區(qū)域過增強的現象。本文算法在恢復暗區(qū)域細節(jié)的同時保護了亮區(qū)域的細節(jié)，主觀視覺效果較好。

3.2 客觀指標對比

圖5 照度緩慢變化時的仿真結果

圖6 照度不均時的仿真結果

圖7 測試結果細節(jié)對比

本文采用平均梯度、信息熵與結構相似性（SSIM）作為圖像增強效果的客觀評價指標。平均梯度反映圖像的清晰度，信息熵反映圖像信息量的大小，結構相似性用于衡量處理前后兩幅圖像的相似度，取值為0～1，值越大，結構失真越小。下頁表1～表3 分別為增強圖像的平均梯度、信息熵與SSIM客觀指標，其中，編號為1～4 的圖像為圖5 中的低照度圖像，5～8 為圖6 中的低照度圖像。由測試數據可知，本文算法的客觀指標較文獻［10］算法的客觀指標均有所提升，說明本文算法處理的結果清晰度高、信息量大、失真少；文獻［9］算法在處理照度不均的低照度圖像時，信息熵反而下降，這說明該算法在處理類似圖像時造成了細節(jié)信息丟失。綜上所述，本文算法在處理照度緩慢變化與照度不均的低照度圖像時，能夠在提高清晰度與信息量的同時，減少細節(jié)丟失與顏色失真。

表1 平均梯度測試數據

表2 信息熵測試數據

表3 SSIM 測試數據

4 結論

為了解決低照度圖像增強的問題，本文在HSV色彩空間實現了基于Retinex 理論與LIP 模型的低照度彩色圖像增強算法。本文算法在HSV 色彩空間對V 分量進行增強，減少了算法復雜度；采用引導濾波與高斯平滑估計照度分量，避免顏色失真與光暈現象；算法的圖像運算采用LIP 模型有界運算法則，避免像素溢出、暗區(qū)域過增強，并減少參數的設置；算法對反射分量采用一種灰度變換策略，減少了亮區(qū)域的細節(jié)丟失。實驗結果表明，算法可以有效恢復淹沒在陰影區(qū)域的圖像細節(jié)，并保護亮區(qū)域的細節(jié)，提高圖像的清晰度與信息量，主觀視覺效果與客觀評價指標優(yōu)于對比算法。