基于色彩空間分解的低照度圖像增強方法

王鵬 宋存利 紀守用

摘要：針對低照度圖像增強問題，提出一種基于色彩空間分解的圖像增強算法。為了實現圖像亮度和色彩的解耦合，將圖像進行空間轉換；利用中值濾波算法與Retinex算法融合以及基于OTSU處理的自適應局部直方圖均衡化，分別實現了亮度分量的增強和飽和度分量的校正。分層圖像合成、圖像降噪處理和色彩空間的轉換，確保增強圖像色彩的均勻和清晰度的提高。實驗結果與其他幾種經典算法相比較，算法獲得的增強圖像細節方面更為豐富，圖像的清晰度更高。

關鍵詞：圖像增強；Retinex；中值濾波；直方圖均衡化

中圖分類號：TP391.4文獻標志碼：A文章編號：1008-1739（2021）06-68-6

基金項目：人工智能四川省重點實驗室開放基金項目（2020RYJ04），遼寧省自然科學基金資助項目（20180551020），遼寧省教育廳資助項目（JDL2019011）。

0引言

經典的圖像增強技術分為頻率域法和空間域法，頻率域法[1-3]主要用于去除或減弱噪聲并有效增強細節，算法復雜度低、效率高；空間域法[4-6]主要是依據圖像像素建立數學模型，算法通過對不同屬性的像素操作進而實現圖像增強。

1971年，Land等人[7]提出Retinex算法，指出物體的反射情況決定了視覺系統對物體色彩的感知結果。2014年Li等[8]提出了一種基于加權引導濾波的Retinex算法，將權重設置為自適應因子，從而降低噪聲，改善圖像的清晰度和平滑程度。但從效果來看，圖像細節對比度不高，降噪效果也不明顯。2016年，為了更有效地在可變光照條件下進行人臉識別，杜明等人[9]提出根據頻率原理，將圖像信息分為高頻和低頻兩部分，并結合單尺度Retinex算法各自進行處理。2017年，Guo等人[10]為了有效改善低亮度圖像的圖像質量，使用加權L1范數正則化代替原有Retinex算法中照度分量的估計，該方法對圖像亮度有較大提升。2018年Jie等人[11]將引導濾波與Retinex算法結合，采用迭代多尺度的方法對存在光照缺陷圖像增強。Hu Feng等人[12]設計了一種基于模擬多曝光融合的微光圖像增強方法，將Retinex算法模型和形態學相結合，通過構建一種新的補償函數，調整圖像細節，解決圖像光暈等現象，降低了圖像的失真率。張晨等人[13]為了更好地增強含有大塊面積天空區域的圖像，通過獲取具有魯棒性更加好的大氣光取值，采用Retinex結合修正的四叉樹算法，使圖像擁有更好的視覺效果。2020年Li等人[14]提出卷積神經網絡與四叉樹分解結合的方式針對特定場景的圖像進行降噪處理。

以上方法均從不同角度對圖像進行了增強，但是由于圖像光照分布不均，高光區域受算法處理影響小，容易導致圖像明暗邊緣突出以及色彩扭曲等問題，且高光區域細節沒有得到明顯改善。

針對以上低照度圖像問題，設計了一種新的處理方法。首先，通過對色彩空間的轉換，避免了算法對圖像調整亮度對色彩的干擾。其次，采用中值濾波來代替原有的高斯濾波，在進行Retinex算法對圖像亮度處理時，可以更好地保留圖像的邊緣信息，減少失真現象的發生。最后，設計了基于OTSU處理的自適應限制對比度的局部直方圖均衡化算法，對圖像的色彩進行自適應調整，并將設計的低照度圖像增強算法和其他的圖像算法進行實驗對比及分析。

1算法設計和原理

1.1 HSV色彩空間轉換

在進行增強算法之前，將圖像從空間轉換到空間，色彩空間的轉換可以更好地保留原圖像的色彩結構，減少對色彩關系的破壞，將轉換完的圖像進行解耦合，然后分別對亮度空間和飽和度空間進行增強和校正。

傳統的Retinex在進行照度估計時往往只考慮到了中心像素的影響，這樣會較明顯地模糊邊緣，導致色彩失真、光暈泛白等一系列問題，鑒于中值濾波具有色彩及邊緣信息保留好的優勢，采用中值濾波[16]來替代高斯濾波。卷積核的大小會影響濾波算法對圖像的噪聲抑制效果以及失真情況，為了使圖像對比結果更加清晰，經反復實驗比對，采用5*5大小的卷積核最能凸顯差別效果。

不同濾波采用5*5大小的卷積核對經典的lena圖像進行處理，結果如圖1所示。對處理后的圖像的亮度、對比度、信息熵和平均梯度等屬性進行比較，結果如表1所示。

對表1中數據進行分析，在5*5大小的卷積核條件下，經中值濾波器處理的圖像、亮度、對比度均優于經高斯濾波器處理的圖像，說明中值濾波能夠在去除噪聲時，更多地保留色彩信息。信息熵反應了邊緣信息的數量，平均梯度對應了圖像的清晰度，經中值濾波處理后的圖像相比于其他2種對比濾波，模糊程度輕微、邊緣保留較好、效率更高。

改進的Retinex算法主要是將高斯濾波函數替換為中值濾波函數，通過圖像解耦得到亮度通道圖像和（ ， ）中值濾波模板（ ， ），聯合式（7）可得到反射分量表達式：

將算法處理得到的圖像進行非局部均值降噪得到的圖像轉換回色彩空間，作為最終的圖像輸出。

1.7算法整體流程

算法流程圖如圖2所示，步驟如下：

①輸入圖像進行色彩空間轉換并進行解耦，通過式（1）～（4）的計算，得到色調空圖像、飽和度空間圖像和亮度空間圖像。

②采用基于中值濾波模板改進的Retinex算法進行處理，將亮度空間圖像帶入式（8）得到處理后的圖像；

③飽和度圖像采用OTSU處理，如式（9）～（10）所示，得到最佳閾值。將最佳閾值飽和度圖像帶入公式（11）～（13）進行自適應的局部直方圖進行處理，最終得到飽和度空間增強圖像。

④將增強校正后的飽和度空間圖像、亮度空間圖像以及色調空間圖像按照式（14）合并，依據式（15）～（16）對合成后的圖像進行非局部均值降噪處理，最后轉換到空間進行圖像輸出。

2仿真實驗

2.1對比方法及參數設計

實驗環境采用Inter i5處理器、Window7系統、內存大小為 4 GB的計算機，使用Python編程語言，使用的編程軟件是Py charm，函數庫使用了opencv，numpy，math等。

為了更好地評價算法的性能指標，對比算法的優劣性，在選取的低照度圖像進行對比算法實驗，實驗參數設計及方法如表2所示。

2.2主觀評價

本文選用了ExDARK數據集中的低照圖進行實驗，共計7 363張圖像，因文章篇幅有限，本文選取3組亮度不同、視野較好的圖片作為評價展示，分別是bike，square，entrance。

第1組的實驗結果圖如圖3所示。圖3（原圖）為原始圖片，圖像較暗，光源來自于路燈和遠處車輛的燈光，圖像中的指示牌和自行車都無法看清。經過SSR增強算法后，圖像亮度增加，紋理細節突出，但是顏色失真大，視覺效果較差；MSR增強算法與SSR增強算法相比亮度再度有所提升，圖像的信息比較明顯，近處的物體較為明顯，但是整體顏色失真，清晰度低。經MSRCR算法處理后的圖像亮度適中，明暗差有所減小，清晰度較好；MSRCP算法增強后，圖像的亮度信息提高，但色彩失真嚴重，景深加重，無法判讀物體原有色彩；HE算法處理后，亮度信息與Retinex類算法相比略有降低，但對比度和清晰度較好，細節清晰；直方圖規范化處理亮度和色彩都略有提升，色彩和亮度比例和諧，但是整體提升不多。Gamma校正后的圖像亮度與原圖相比有所改善，但視覺系統還是難以分辨圖像中的景物圖；本文設計算法增強后的圖像，遠處的地鐵、天上的紅日和LED燈牌信息清晰可見，車道線和道路邊沿更加清楚，亮度、對比度相比原圖有效提升，信息也有很好的顯示，并且細節清晰。

第2組的實驗結果圖如圖4所示。圖4（原圖）中主要光源來自場地燈光，場地中雕塑和人物無法看清；經過SSR增強算法后，亮度改善不明顯，近景的自行車和路邊信息明顯，但遠景中燈光區域出現光暈等噪聲；MSR增強算法中圖像亮度顯著提高，對比度提升，圖像產生了色彩失真，視覺效果一般；經MSRCR處理后的圖像亮度、對比度和紋理細節都有明顯增強，MSRCP算法增強的圖像亮度是所有對比算法中提升最多的，但是由于色彩與亮度比例關系，導致色彩失真嚴重。經過HE算法增強的圖像亮度提升，建筑物信息能夠完整顯示，基礎設施等細節清晰，但是天空中噪聲很多，影響整體感覺；直方圖規范化、Gamma校正亮度對比度均有所提升，但幅度不大，色彩與亮度比例更加接近真實物體。經本文設計算法處理后的圖像各項屬性均有明顯提升，圖像細節清晰，更加有利于進行圖像的進一步處理。

第3組的實驗結果圖如圖5所示。由這一組圖片可以明顯感受到算法增強。圖5（原圖）光源來自路燈，圖片信息識別困難，黑暗區域中建筑物的信息無法顯示；SSR算法增強的圖像，雖然能使整體明亮一些，但是不能使黑暗區域中的信息更好地顯示，并且顯得有些假白，不是十分自然；圖像經過MSR算法處理，亮度均有所提升，但圖像中的物體出現虛化，影響判斷；MSRCP算法處理的圖像亮度過高，導致顏色出現失真；HE算法增強的圖像，由于像素點對中心像素點依賴度過高，雖然亮度對比度提升，但是局部色彩強度過大，偏離圖像原有結構；本文設計算法呈現的效果較為自然，細節信息明顯，門廊上的字母也都可以看清，層次感分明。

本文設計算法針對不同類型的低光照圖像均能發揮穩定的功效，增強后的圖片十分自然，并且細節效果展示充分。

[11] ZHANG J，ZHOU P，ZHANG Q.Low-Light Image Enhancement Based on Iterative Multi-Scale Guided Filter Retinex[J]. Journal of Graphics， 2018，39（1）：1-11.

[12] ZILING S，FENG H U. Low-light Image Enhancement Method Based on Simulating Multi-exposure Fusion[J]. Journal of Computer Applications， 2019，39（6）：1804-1809.

[13]張晨，楊燕.基于融合與高斯加權暗通道的單幅圖像去霧算法[J].光子學報，2019，48（1）：152-160.

[14] LI Zhihui，GUI Bian，ZHEN Tong， et al. Grain Depot Image Dehazing via Quadtree Decomposition and Convolutional Neural Networks[J]. Alexandria Engineering Journal， 2020，59（3）：1463-1472.

[15]秦緒佳，王慧玲，杜軼誠，等.HSV色彩空間的Retinex結構光圖像增強算法[J].計算機輔助設計與圖形學學報， 2013，25（4）：488-493.

[16] ZHANG Z F，WEI H，TAN B W. An Improved Wavelet Threshold Denoising Method[J]. Study on Optical Communications， 2018（2）：75-78.

[17] BHANDARI A K， KUMAR I V. A Context Sensitive Energy Thresholding Based 3D Otsu Function for Image Segmentation Using Human Learning Optimization[J]. Applied Soft Computing，2019，82：1-10.

[18]楊茂祥.低照度環境下彩色圖像增強算法研究[D].南京：南京郵電大學，2019.

[19]蔡玉芳，陳桃艷，王玨，等.基于自適應濾波系數的非局部均值計算機層析成像的圖像降噪方法[J].光學學報，2020， 40（7）：44-52.

[20] AGAIAN S S， SILVER B，PANETTA K A .Transform Coefficient Histogram-based Image Enhancement Algorithms Using Contrast Entropy[J]. IEEE Transactions on Image Processing， 2007，16（3）：741-758.