基于Retinex算法和視覺感知質量評價的逆光圖像增強*

李明剛 李海山 李 恒

（武漢數字工程研究所 武漢 430074）

1 引言

在圖像的收集和獲取過程中，天氣、光線等外界環境因素非常容易造成干擾，從而致使采集到的圖像質量降低。由此導致的常見問題有圖像亮度偏低、受到噪聲影響嚴重、邊緣模糊等。而質量降低的圖像在被進行后續的目標識別與跟蹤等圖像處理時往往難以取得理想的效果。為了改善圖像處理的效果，需要對這些低質圖像進行增強處理。基于此，本文針對常見的低質圖像中的逆光圖像增強進行了討論。逆光圖像的產生是由于被拍攝的主體位于光源與拍攝設備之間，使拍攝設備感受到的主體反射光很弱，而背景的反射光較強，導致圖像的背景亮度遠高于主體部分，以至于我們想要獲取的部分圖像亮度、對比度、可視質量降低，極大影響了對細節信息的讀取。

本文設計的算法是基于Retinex理論的圖像融合算法。1971年，Land提出了基于人類的視覺感知的物體顏色和亮度的Retinex理論模型［1］，該理論認為，決定人類能夠感知到某點光照的并不僅僅是該點的絕對光照值，其周圍光照值同樣會產生重要影響。Retinex方法使用起來簡單有效，因此自Retinex理論被提出后，不少學者對其進行了更深層次的拓展研究。Jobson等首次將高斯低通濾波器引入到該理論中進行對輸入圖像的光照估計，但這種中心/環繞Retinex方法［2］存在一個缺點，即如果某處的明暗對比較為強烈，那么該處極易產生“光暈現象”。這是因為在Retinex理論的假設中，圖像光照變化是平緩的，因此在使用濾波器對圖像進行光照估計時，容易在明暗對比強烈的區域產生光暈［3］。除了光暈現象，這種基于高斯函數作為卷積分量的中心環繞Retinex算法的迭代運算復雜，容易受到噪聲影響等，進而影響增強和運算處理效率。同時，高斯模板尺寸大小的選取也會對增強效果起到決定性的影響［4］。基于Retinex算法的特點，本文提出以下想法：鑒于高斯核函數對圖像增強效果的影響，分別采用不同的高斯核函數進行圖像處理，得到一組增強后的圖像；得到這組增強后的圖像，本文采用視覺優先度的圖像融合算法，進行圖像融合，得到增強后的圖像。

2 基于SSR多尺度高斯卷積核的序列增強圖像獲取

本文采用單尺度Retinex算法對原始圖像進行增強以獲得序列增強圖像。在Retinex理論中，圖像可表示為入射分量和反射分量的乘積，表示為

式中，I(x，y)表示需要處理的圖像信息，L(x，y)表示入射分量，它是不太重要的低頻分量。R(x，y)表示反射分量，即能夠體現圖像細節的高頻分量，(x，y)表示的是像素的位置。在基于Retinex理論實現對圖像的恢復中，怎樣以某種方法剔除或縮小入射圖像造成的影響，從而使物體本質的反射圖像得以較高程度的保留是核心環節。

本文采用單尺度Retinex（SSR）理論［5］，其思想是：對于圖像的每個像素，通過賦予該像素鄰域像素不同的權值來估算其所包含的不需要保留的入射分量，不同鄰域像素的權重由一個函數來確定。通常使用高斯函數在估算入射分量時能夠取得較為滿意的效果［6］。本文用以下函數來表示：

式中，*表示卷積運算，F(x，y)表示中心環繞函數。在本文中使用高斯濾波函數作為中心環繞函數，可表示為

其中，G(x，y)表示高斯濾波函數，κ為歸一化因子，σ是高斯函數的尺度參數。

在上述公式中，中心環繞函數F（x，y）采用了高斯低通函數，這樣就可以在算法中估計出入射圖像對應原始圖像的低頻部分。再從原始圖像中剔除估計到的低頻照射部分，原始圖像所對應的高頻分量就得出了高頻分量有很高的重要性，因為人類的眼睛對邊緣部分的高頻信息相當敏感，所以SSR算法可以較好地通過增強圖像中的邊緣信息提升圖像質量［7］。

在單尺度retinex算法中，高斯濾波的應用是基于認為輸入圖像是整體是平滑的［8］，但事實上并非如此。高斯濾波器寬度（決定平滑程度）是由σ參數決定的［9］，同時σ和平滑程度具有簡單的對應關系，即σ越大，高斯濾波器的頻帶就越寬，相應地，其平滑程度就越好。但是在圖像增強的過程中，我們希望在目標部分盡可能地保留更多的紋理細節，又希望對圖像進行一個整體的增強。對此，可以通過設置一組尺度參數σ，較小的尺度參數能夠盡量保存圖像的紋理細節，較大的尺度參數可以獲取更好的整體增強效果［10］。因此在本文中，我們選取10個不同的高斯函數尺度參數σ。通過多次試驗，我們認為選取以下高斯函數尺度參數可以獲得較好的增強效果。尺度參數分別為15，30，50，70，90，115，130，150，200，255。使用這十個高斯函數的尺度參數，對原始圖像進行處理，獲得一組增強后的圖像。

3 基于視覺感知質量評價的序列圖像融合

圖像質量評價在我們日常學習中有著很廣泛的應用。圖像質量評價可以指導我們獲得性能更好的圖像處理算法。在對圖像進行增強處理時，我們可以利用圖像質量評價模型對圖像處理的結果進行視覺質量上的分析和評價，從而對不同參數的算法的融合結果進行比較，獲得最優增強區域。視覺感知質量評價是常用的圖像質量評價方法［11］。傳統的無參考視覺感知圖像質量評價主要是從自然場景統計特征方面來設計視覺質量的相關評價指標。從以往的經驗可以得知，視覺感知質量主要從圖像中的高頻分量、色彩飽和度以及圖像亮度與歸一化范圍進行評價［12］。

要想定位視覺最優區域，我們首先要對獲得的序列圖像進行視覺感知質量測量。本文中視覺感知質量測量從高頻分量（如紋理邊緣和細節等）、色彩飽和度和色彩歸一化范圍三個方面來對輸入序列圖像的像素進行判定。其中，在高頻變量方面，我們對圖像進行拉普拉斯濾波，并將濾波的結果作為量化對比度，將其表達為H：

H(x，y)為輸出，f(x，y)為原始圖像，c為系數。

對飽和度的測量，通過分別估算其R，G，B通道的標準偏差作為飽和度的測量值，表示為S：

對于色彩歸一化范圍的測量，通過建立像素的灰度值和歸一化范圍值之間的高斯建模距離來獲得，具體描述如下：

在式（9）中，Ii，K表示像素點K的灰度值。在計算中，將標準偏差σe的值設為0.25。我們將視覺感知質量定義為

其中，Q為視覺感知質量，H為高頻分量；E為色彩歸一化范圍；S為色彩飽和度。η，?，κ是控制每個度量的貢獻的指數，在本文中，該指數值設置為多次試驗后獲取的經驗值。如果指數設置為0，則不會考慮相應的度量。將上述獲取的高頻分量（如紋理邊緣和細節等）、色彩飽和度和色彩歸一化范圍三個值通過上式可計算出像素點的視覺感知質量Q，Q的值越大，說明該點的視覺感知質量越好。

4 基于SSR增強序列和視覺感知質量評價的圖像融合

在SSR算法中，先將圖像轉換到對數域再進行運算，以降低運算的復雜度［13］。建立在對數域的S（原始圖像）、L（低頻分量）、R（高頻分量）三個分量的假設是所有Retinex算法的基礎。然后，用一組σ值分別對圖像進行增強，并獲得增強后的序列組圖。

通過SSR算法得到序列組圖后，由式（6）～（10）可以分別計算出每個像素點的視覺感知質量評價后，將序列組圖的對應的像素點位進行評價結果對比，選取最優的像素點，進行圖像融合，融合圖像可由圖像序列與圖像中像素相應的權值進行加權融合得到，如式（11）、（12）所示。

5 實驗結果與分析

下面給出了基于SSR算法的視覺感知質量評價的圖像融合增強結果，同時給出了該逆光圖像分別使用經典的單尺度Retinex算法、多尺度Retinex算法、帶色彩恢復的多尺度Retinex算法和直方圖均衡化進行增強的圖像來對比。

圖1 逆光圖像A不同算法增強效果對比圖

圖2 逆光圖像B不同算法增強效果對比圖

通過對比，采用基于SSR理論的視覺感知質量評價的圖像融合增強算法的圖片在目標主體部分處的紋理細節較為突出，整體的增強效果較好。但是，相比較于MSRCR算法，本文算法的顏色恢復效果略有不足；相較于直方圖均衡化，在部分細節紋理地方，本文算法仍存在一定的不足。

上述的評價是主觀評價，主觀評價方法的結果完全由人眼的主觀感受決定，能夠準確地判斷圖像的質量，但是不能量化測量。本文所提出的算法主要是針對圖像的紋理細節，因此，為了驗證圖像增強的客觀效果，本文采用信息熵［14］和可視邊緣梯度信息［15］來對增強后圖像進行客觀質量評價。

信息熵用來描述圖像的平均信息量，在圖像不失真的情況下，其值越大，表示圖像所包含的紋理細節越豐富。

可視邊緣梯度信息是衡量圖像細節增強結果的指標，其值越大表明增強后的圖像的可視邊緣和細節更多。

表1 逆光圖像A不同算法增強后的視覺質量評價參數

表2 逆光圖像B不同算法增強后的視覺質量評價參數

綜合主觀的人眼感受，以及客觀的信息熵以及可視邊緣梯度信息，可以發現：對比經典的Retinex算法，本文所提出的算法的信息熵略高于SSR算法和MSR算法，略低于MSRCR算法，在可視邊緣梯度信息方面，本文提出的算法高于其他三種算法。這是由于該算法是針對圖像的紋理細節進行增強，針對每個像素設置不同的高斯函數的σ值，使其擁有不同的平滑效果，使得圖像的邊緣梯度信息比較豐富。但是由于采用了不同σ的高斯濾波函數，整體的增強圖像會出現一定的不平滑的現象。相對于MSRCR，本文算法的增強圖像在色彩的恢復性上還有一定的差距，這是由于相較于MSRCR算法，本文算法并沒有考慮RGB三個通道的內在關聯，會產生一定的色差。由于本算法在亮區中采用了較大的σ值，所以在圖像的背景區域，會對背景上一些細節產生一定的抑制。

此外，SSR與MSR增強的圖像會出現邊緣虛化與“光暈”現象，但使用本文提出的算法增強的圖像，并沒有出現明顯的“光暈”現象，達到目標設想。且本文算法增強的圖像解決了圖像局部增強不足的問題，提高了圖像的整體增強效果。綜合以上結果，表明該算法在逆光圖像的增強方面有較好的增強效果。

6 結語

本文在單尺度Retinex算法的基礎上提出了視覺感知質量評價的圖像融合增強算法。通過實驗驗證，得到以下結論：

1）本文所提出的算法能夠在一定程度上對逆光圖像進行增強，相比較于經典的Retinex算法，本文算法在邊緣細節等方面的增強較好；

2）本文所提出的算法能較好地消除傳統單尺度Retinex算法對圖片增強時出現的“光暈”現象，使圖像的細節部分更加清晰；

3）由于本文所提出的算法在計算較為復雜，算法的整體效率并不十分優異，后續可以改進該算法的效率；

4）相比較于MSRCR算法，在顏色恢復上仍有一定的差距。后續可以參考MSRCR算法思想，在該算法的基礎上進行增強處理，在顏色恢復方面做出一定改進。

經實驗驗證，本文所提出的基于SSR理論的視覺感知質量評價的圖像融合增強算法有較好的增強效果，一定程度上提高了圖像的清晰度。后續可以在效率和顏色恢復效果方面對本算法做進一步的改進，使得本算法有更好的增強效果，同時提高算法的處理效率。