基于HSI的改進(jìn)Retinex水下圖像增強算法

賈 芃， 李 博， 趙曉龍

（中北大學(xué)儀器科學(xué)與動態(tài)測試教育部重點實驗室，太原030051）

0 引 言

數(shù)字圖像作為記錄信息的重要途徑之一，在海上交通運輸、水下探查以及海洋軍事等許多領(lǐng)域都有廣泛應(yīng)用［1］。然而，水下采集到的圖像通常由于水下環(huán)境對光產(chǎn)生散射的影響，會出現(xiàn)模糊化、顏色衰減等問題，嚴(yán)重影響水下彩色圖像的清晰度。因此，如何改善水下圖像從而獲取有效信息，已成為學(xué)者關(guān)注的熱點。如今，圖像增強方式大致分為對像素值處理的增強算法和基于色感一致性的增強算法［2］。其中，對像素值的直接處理，例如直方圖均衡化［3］只改善圖像的某一方面但易丟失細(xì)節(jié)信息和色彩失真；基于色感一致性的增強算法是通過減小低頻分量與增強高頻分量來改善圖像的質(zhì)量［4］。

近年來，Retinex 理論由于易于操作、實現(xiàn)效果良好，已逐漸成為國內(nèi)外學(xué)者的研究熱點，該理論提出動物眼睛接收到的畫面是由入射光和反射光的共同影響［5］。由于該算法計算量較小且實現(xiàn)效果良好，學(xué)者們開始嘗試將Retinex算法應(yīng)用于增強水下圖像領(lǐng)域。聶瑛等［3，6］設(shè)計了一種新的光學(xué)方法來進(jìn)行圖像處理，結(jié)合紅光和藍(lán)綠光的光傳輸特性，通過紅光和綠光照明圖像的灰度線性差值去除噪聲，獲取圖像信息，Song等［6］提出基于遺傳算法和人類視覺系統(tǒng)的自適應(yīng)Retinex 算法［7］。Zhang 等［7］提出將圖像轉(zhuǎn)換在CIELAB色彩空間中，對圖像的3 個色彩通道分別采用雙邊濾波器和三邊濾波器相結(jié)合的方法達(dá)到增強圖像的目的。宋巍等［8］提出了基于背景光融合及水下暗通道先驗和色彩平衡的水下圖像增強方法。然而，Retinex理論雖然加大了圖像的可見性，但是增強后圖像的噪聲也隨之增加，并且算法僅對圖像進(jìn)行全局增強處理，沒有考慮到圖像的局部特征，導(dǎo)致增強后的圖像對比度較低、圖像泛灰［9-10］。

針對以上不足，本文提出了一種基于HSI 色彩空間且結(jié)合多通道增強的水下圖像增強方法，可以有效避免“光暈”現(xiàn)象和細(xì)節(jié)模糊化問題，能有效增強水下圖像細(xì)節(jié)并且色彩特征保持良好，進(jìn)行后續(xù)分析處理。

1 Retinex基本理論

Retinex是由視網(wǎng)膜Retina 和大腦皮層Cortex 兩個詞組合構(gòu)成的，該理論認(rèn)為人眼接收到的物體顏色是由物體表面對不同波長的反射性質(zhì)，而不是由反射光強度的絕對值來決定的［11］。由于在日常生活中并沒有作為標(biāo)準(zhǔn)的參考物，人眼將會把所在場所中光照強度最大的物體定義為參考物，之后通過計算其他物體與該物體的相對色差，計算出其他物體的色彩數(shù)據(jù)，而從計算過程可以看出，物體本身的顏色不因入射光頻率改變而改變。

在Retinex理論中，人眼中物體的成像S（x，y）是由入射光和反射光兩部分組成。物體的入射光對應(yīng)的是圖像的低頻部分，稱之為入射圖像L（x，y）；而反射光對應(yīng)的是圖像的高頻部分，稱之為亮度圖像或反射圖像R（x，y）。其中入射分量L（x，y）對圖像產(chǎn)生干擾噪聲，應(yīng)該盡量去除；反射分量R（x，y）體現(xiàn)出圖像的本質(zhì)特征，應(yīng)盡可能保留。該模型可用下式表示：

通常將式（1）轉(zhuǎn)化為對數(shù)運算，這樣不僅更符合人眼的色彩感知，同時可以簡單化計算過程，式（1）可轉(zhuǎn)化為：

式中，入射光部分L（x，y）可由一個環(huán)繞函數(shù)和圖像f（x，y）的卷積估計出來，最終可表示為

而環(huán)繞函數(shù)G（x，y）一般取高斯函數(shù)，表示為

式中：σx和σy為高斯函數(shù)的方差，決定了濾波器的帶寬，一般取σx＝σy。最終，Retinex模型為

Retinex增強算法雖然能夠有效去除薄霧成分，增強圖像的清晰程度。但是，由于傳統(tǒng)Retinex算法只有單尺度，很難同時兼顧細(xì)節(jié)強化和顏色還原能力，所以增強后的圖像對比度較低，色彩稍有失真［11］。并且由于光照不是均勻變化的，所以在實際生活環(huán)境中，在光照變化明顯的區(qū)域和圖像的邊緣，會產(chǎn)生“光暈”現(xiàn)象［12］。

2 本文算法

2.1 算法概述

實際水下采集到的畫面具有光照不均勻、對比度低、背景大多為藍(lán)綠色的特點。為了實現(xiàn)良好的增強效果，在處理時可以分離出圖像的噪聲，強化物體的輪廓和表面細(xì)節(jié)，同時要盡可能還原原本色彩。因此，根據(jù)圖像的特點和對傳統(tǒng)Retinex理論，本文提出了一種基于HSI和多通道增強的Retinex水下圖像增強方法。

算法的整體流程為：將采集到的水下圖像轉(zhuǎn)換至HSI空間［13］，提取出色調(diào)部分H、飽和度部分S 和亮度部分I；利用小波變換分離出I 的低頻和高頻成分，選用Retinex增強圖像低頻分量，高頻部分利用多尺度高斯差分進(jìn)行噪聲處理，之后將高頻與低頻部分進(jìn)行疊加；對S進(jìn)行拉伸。最后，利用小波逆變換得到增強后的水下圖像。算法流程如圖1 所示。

2.2 彩色圖像分層處理

本文算法通過對圖像的不同頻帶進(jìn)行處理，從而達(dá)到減少噪聲以及增強圖像細(xì)節(jié)的目的。經(jīng)過小波分解后，水下圖像的特征信息和噪聲將分解在不同的子頻帶上。根據(jù)不同頻帶上圖像的特征，采取不同的濾波方法進(jìn)行處理，最后再使用小波逆變換便能得到增強后的圖像。通過本文算法可以使圖像從整體上增強，既可以有效減少圖像的噪聲，還可以有效保持圖像細(xì)節(jié)信息。

圖1 算法流程

離散小波變換作為一種多分辨率圖像分割［14-15］，可以視為圖像在一組小波基變換函數(shù)的擴(kuò)展。小波基函數(shù)可以突出空域和頻域的不同特性。在離散小波基函數(shù)上的擴(kuò)展一般是通過一對低通和高通濾波器（類似子帶編碼）組成的濾波器組來實現(xiàn)的。由于經(jīng)常采用分離濾波，因此二維小波變換運算就降為一維變換運算。在實際的圖像處理中，主要采用離散小波和離散小波變換：

一維信號可以被可分離濾波器分解到二維，即先按行分割圖像s（n1，n2），再按列分割。在每個方向進(jìn)行二元分解，得到4 個子帶，稱為低（L）yL（n1，n2）、水平（H）yH（n1，n2）、垂直（V）yV（n1，n2）、對角（D）yD（n1，n2），分別對應(yīng)于lower-lower，upper-lower，lower-upper，upper-upper子帶，選擇合適的方法處理各個子帶的分量，進(jìn)而優(yōu)化圖像包含的信息，達(dá)到增強圖像的目的。如圖2 所示，先通過一級小波分解將圖像分為LL1、HL1、LH1和HH1，對得到的低頻子圖LL1進(jìn)行二級分解，得到集中圖像主要信息的低頻分量LL2，對其進(jìn)行Retinex處理；對噪聲集中的高頻子圖進(jìn)行多通道增強。

圖2 通過兩級二叉樹分解將圖像分解到頻帶

2.3 多尺度增強處理

圖像在采集和傳輸過程中不可避免地會對圖像造成一些損失，必須對圖像進(jìn)行銳化處理來減少圖像的噪聲，增強圖像邊緣細(xì)節(jié)部分，使其輪廓清晰，從而達(dá)到增強圖像的目的。

在高頻子帶中引入一種多尺度細(xì)節(jié)增強方法，利用多尺度高斯模糊差分增強細(xì)節(jié)，去除暈輪、偽影等，在高頻子帶I*中使用高斯核可以獲得兩種不同的模糊圖像

式中：G1和G2分別表示標(biāo)準(zhǔn)差的高斯核，并且G1＝1.0，G2＝3.0。之后，可以得到具體細(xì)節(jié)D1和粗略細(xì)節(jié)D2，定義如下：

然后通過合并2 個圖層可以得到全局的細(xì)節(jié)圖像：

式中：k1和k2為可調(diào)參數(shù)。在高頻子圖像增加細(xì)節(jié)D1，可以增大圖像邊緣的灰度差，過度超調(diào)可能導(dǎo)致圖像的灰度飽和。為了解決這個問題，在方程（10）中通過還原D1的正分量和放大其負(fù)分量來保持正分量和負(fù)分量的平均差。最后，在低頻圖像中添加圖像D*，得到一個新的增強圖像

2.4 色彩增強

通過拉伸飽和度部分使圖像細(xì)節(jié)部分更加清晰，突出需要關(guān)注的部分。可以在不同區(qū)域采用分段指數(shù)增強法進(jìn)行飽和調(diào)整。根據(jù)圖像的飽和度分布將飽和度分為高（70% ～100%）、中（20% ～70%）和低飽和度區(qū)域（0% ～20%）進(jìn)行指數(shù)變換，放大飽和度。通過指數(shù)變換適當(dāng)調(diào)整中飽和度面積。飽和度分量S的增強算法公式如下：

式中：S和S′分別為增強前后的飽和度，通過調(diào)整α、β來改變轉(zhuǎn)換尺度。實驗結(jié)果表明，α取值在1.2 ～1.5，β取值在0.6 ～0.9，增強效果最好。在本算法中，α、β分別取1.4 和0.7。最后，將圖像拉伸后的飽和分量S、處理后的亮度分量I 和色調(diào)分量H 還原為RGB圖像。

3 結(jié)果分析

本文選取兩幅不同水下圖像進(jìn)行對比實驗。實驗硬件平臺為Intel i5-5600 CPU，主頻3.3 GHz，內(nèi)存8 GB，軟件仿真環(huán)境為Win7 操作系統(tǒng)、Matlab2017b。實驗中選擇直方圖均衡法和MSR 算法在Matlab 上對實驗圖像進(jìn)行處理，之后分別從主觀評價和圖像包含信息程度兩方面對圖像進(jìn)行分析，①通過對比原圖和結(jié)果圖，對畫面中的細(xì)節(jié)特征和畫面的色彩復(fù)原程度進(jìn)行評價；②通過比較圖像的均值、標(biāo)準(zhǔn)差和信息熵對圖像增強效果進(jìn)行評價。

由圖3 的Pic1 和Pic2 兩組圖像可以看出，直方圖均衡法、Retinex 算法和本文算法均有明顯的增強效果。由于水下圖像存在亮度差，物體邊界模糊的特點，在直方圖均衡法，Retinex 算法兩種算法的圖像中，雖然都具有增強效果，但是在對比度劇烈變換的區(qū)域會模糊化，如圖Pic1 中魚的輪廓和圖Pic2 中建筑物的邊緣，并且增強后的圖像亮度低，色彩還原程度較低。比如圖Pic1 中色彩恢復(fù)效果差，圖Pic2 中魚的身體由于增強方法不恰當(dāng)造成顏色失真；在圖Pic1 中沉船以及周圍水體的對比度較低，圖像的細(xì)節(jié)信息丟失。而本文算法處理后的圖Pic1 中整體對比度明顯提高，魚的色彩還原性高且沒有丟失細(xì)節(jié)；圖Pic2 整體提升效果良好，建筑物和近處的物體層次比較明顯，色彩恢復(fù)效果良好。

圖3 Pic1和Pic2實驗結(jié)果圖

由表1 得到的數(shù)據(jù)可以說明，利用3 種方法增強后的圖像的信息熵均高于原圖像，增強算法豐富了圖像包含的特征信。本文提出的算法相比于直方圖均衡法和Retinex算法，在信息熵方面達(dá)到了相近水平，均值與標(biāo)準(zhǔn)差均高于原圖。上述結(jié)果表明，3 種方法均對水下圖像有一定的增強作用，而本文算法在色彩恢復(fù)和清晰畫面方面均優(yōu)于其他算法。

表1 算法增強圖像參數(shù)對比

4 結(jié) 語

針對水下圖像存在色彩失真、難以分辨、邊界模糊化和“光暈”現(xiàn)象的特點，本文基于單尺度Retinex，提出了一種基于HSI和小波變換的改進(jìn)水下圖像增強算法。通過對轉(zhuǎn)換到HSI色彩空間的水下圖像進(jìn)行小波分解，對分離得到的亮度分量分別進(jìn)行去噪、增強處理。最后，利用逆變換還原為RGB 圖像，得到處理后的水下圖像。將本文算法與其他兩種算法進(jìn)行對照實驗。結(jié)果表明，在不改變色彩飽和度的前提下，本文算法可以有效強化圖像中包含的信息，對一般的水下彩色圖像均具有較好的增強效果。下一步將試驗在一些相對惡劣的環(huán)境如水底昏暗光照下或物體與水下色彩差距較小，利用本算法對目標(biāo)圖像進(jìn)行增強處理，同時對本文算法進(jìn)行優(yōu)化改進(jìn)。