基于HSV改進的Retinex算法的圖像去霧研究

摘"要：針對傳統(tǒng)Retinex算法在處理霧化圖像時面臨的計算量大和耗時長等問題，文章提出了一種改進的Retinex算法。首先，將傳統(tǒng)的顏色空間模型轉(zhuǎn)換為HSV顏色空間模型進行計算。然后，在處理過程中保持色調(diào)H不變，最后，對亮度分量V進行Retinex去霧處理，從而顯著降低圖像去霧算法的數(shù)學計算量。通過與多尺度（MSR）的Retinex算法對比，測試基于HSV改進的算法在示例霧化圖像上的去霧性能。實驗結(jié)果表明，相較于MSR算法，基于HSV算法在去霧效果和處理時間上均有所提升，其中局部霧化樣本與整體霧化樣本的去霧效率分別提高了158%和162%，且亮度分布較為均勻。

關(guān)鍵詞：Retinex；顏色空間轉(zhuǎn)換；圖像濾波；圖像去霧

中圖分類號：TP391.41"""""文獻標識碼：A""""""文章編號：20959699（2024）03005305

圖像增強技術(shù)是基于圖像退化的數(shù)學模型，利用不同的數(shù)學算法去除退化圖像中的降質(zhì)部分并增強某些降質(zhì)像素，以使其趨近于原圖像的像素水平的技術(shù)[1]。該技術(shù)廣泛應用于航空航天、醫(yī)學手術(shù)、事故分析、交通檢測、生產(chǎn)自動化、指紋和人臉識別等領(lǐng)域[2]。傳統(tǒng)的中心/環(huán)繞視網(wǎng)膜大腦皮層理論（Retinex）包括單尺度（Single Scale Retinex，SSR）算法和多尺度（Multi Scale Retinex，MSR）算法[3]，SSR算法認為像素點的顯示色彩是由其相鄰像素所決定，而非由自身色彩決定；MSR算法則在SSR的基礎(chǔ)上進行擴展，主要通過多尺度處理幅圖像，并對處理結(jié)果進行線性加權(quán)平均 [4]。MSR算法有效解決了SSR在高保真色彩保持和圖像細節(jié)保存方面的不足，使得去霧效果更加明顯。但是，由于多尺度的像素值加權(quán)，導致MSR算法需要更長的計算時長。

為了提高Retinex算法的去霧效果，眾多研究者進行了多方面改進。趙愛玲等[5]提出了一種基于中心包裹方法的同態(tài)濾波Retinex算法，針對模糊的x射線電池影像，調(diào)整照射分量與反射分量的比例以增強圖像細節(jié)。孫浩翔等[6]基于神經(jīng)網(wǎng)絡(luò)模型提取尺度特征，構(gòu)建了多尺度Retinexnet增強網(wǎng)絡(luò)，以降低圖像噪聲。秦琛等[7]通過直方圖均衡方法改進Retinex算法，顯著改善平滑處理后圖像的全局噪聲。而張影等[8]通過YIQ色彩模型對Retinex算法進行了改進，利用小波域提高圖像的色彩飽和度和去噪效果。然而，傳統(tǒng)Retinex算法在RGB顏色模型卷積運算時，計算量和資源消耗均較大， RGB三個通道在處理過程中可能產(chǎn)生變化，效率不高。

鑒于此，文章將Retinex算法作為研究重點，提出基于HSV改進算法的去霧方法，并與現(xiàn)有MSR算法的去霧化效果進行比較，以得出HSV改進算法在去霧性能上的優(yōu)勢。

1"Retinex算法概述

1.1"傳統(tǒng)Retinex基本原理

在傳統(tǒng)Retinex模型中，圖像的形成是由外界的照明入射分量與反射分量共同決定的，其數(shù)學表達式如下[9]：

I（x，y）=S（x，y）×R（x，y）（1）

其中，坐標（x，y）表示圖像像素；I（x，y）為視覺系統(tǒng)接收到的圖像的信息，即像素值；R（x，y）為反射圖像分量；S（x，y）為相應位置的光照強度。因此，傳統(tǒng)Retinex理論是指排除光照強度對圖像的影響，從而獲得反射分量，以去除霧化因素，揭示物體的本來面貌，詳細的運算關(guān)系如圖1所示。

1.2"基于HSV改進的Retinex算法

在傳統(tǒng)Retinex算法中，RGB顏色模型的卷積運算計算量大且資源消耗高。HSV顏色空間通過非線性變換實現(xiàn)，其中H代表色調(diào)，S代表飽和度，V代表亮度。HSV顏色空間模型呈錐形，如圖2所示。

設(shè)（R，G，B）分別表示紅色、綠色、藍色像素點的坐標，max為R、G、B的最大值，min為R、G、B最小值，（H，S，V）分別表示像素點的色調(diào)、飽和度和亮度[7]，顏色轉(zhuǎn)換可以由下式表示[10]：

H=0""""""""，"max=min16×G－Bmax－min+0，"max=RandGB16×G－Bmax－min+1，"max=RandGlt;B16×B－Rmax－min+13，max=G16×R－Gmax－min+23，max=B（2）

S=0""""""""""，max=minmax－minmax+min=max－min2V，0lt;Vlt;12max－min2－（max+min）=max－min2－2V，Vgt;12（3）

（R，G，B）=（V，t，p），""hi=0（q，V，p）， "hi=1（p，V，t）， "hi=2（p，q，V）， "hi=3（t，p，V）， "hi=4（V，p，q）， "hi=5（4）

其中，V=12（max－min），hi=6×Hmod6，f=6×H－h(huán)，t=V×［1－（1－f）×S］，p=V×（1－S），q=V（1－f×S）；t為常數(shù)；hi為尺度權(quán)值；f為H分量的偏移量；p為S分量的角度偏移量；q為V分量的偏移量。

通過mapminmax函數(shù)對H通道和S通道的像素進行歸一化處理，利用引導濾波對圖像邊緣進行平滑處理，然后與原始圖層合并以獲得去霧圖像，計算公式如下：

Sd（x，y）=R（x，y）+α×q（x，y）（5）

其中，Sd（x，y）為合并圖像；R（x，y）為原始圖層；q（x，y）為平滑處理后的圖像；α為權(quán)重參數(shù)。

1.3"圖像去霧客觀評價指標

除了根據(jù)主觀感受對圖像去霧效果進行比較外，通常采用信息熵均值（Information Entropy，IE）、平均絕對誤差（Mean Square Error，MEA）、峰值信噪比（Peak Signaltonoise Ratio，PSNR）以及對比度（Contrast，CON）來評估處理效果。IE值越大，表示圖像的細節(jié)信息越豐富；MEA值越大，表示圖像的亮度越亮，MEA值越小，就表示圖像的亮度越暗，過暗或過亮的處理都會導致細節(jié)模糊不清。PSNR值越大，表明圖像對比度越高，圖像的黑白漸變層次就越多，能夠體現(xiàn)的細節(jié)更加真實[11]。其計算過程如下：

IE=∑255m=0pmln（pm）（6）

MEA=1mn∑mi=0∑nj=0f（i，j）－y（i，j）（7）

PSNR=10×lgmax2MSE（8）

MSE=1mn∑mi=0∑nj=0（f（i，j）－f（i，j））2（9）

CON=∑r（i，j）2×p（i，j）（10）

其中，pm表示灰度值為m的像素出現(xiàn)的概率；MSE為均方誤差，f（x，y）為原始圖像；y（x，y）為增強圖像；m，n為圖像的長度和寬度；max為最大值。r為相鄰像素點之間的亮度差，p為相鄰像素亮度差為r的像素點分布概率。

2"實驗設(shè)計

2.1"實驗環(huán)境

為驗證基于HSV改進算法的有效性，本實驗在以下配置的計算環(huán)境中進行：Intel（R）Core（TM）i511400（主頻2.6 GHz，最高睿頻4.4 GHz）、內(nèi)存為32 GB（DDR4）、顯卡為RX6600、操作系統(tǒng)為Windows11，使用MATLAB R2022a編程。實驗中分別對圖像a（1033像素×900像素）和圖像b（879像素×858像素）進行MSR算法及HSV改進算法的去霧效果實驗。實驗參數(shù)設(shè)置為：尺度參數(shù)σ為3，MSR算法高斯函數(shù)個數(shù)為3且權(quán)重均為1/3；HSV改進算法的權(quán)重α為4。

2.2"實驗過程

實驗過程如圖3所示。首先，對待處理的霧化圖像進行預處理，以獲得具體的去霧化分塊；若圖像為RGB顏色模型構(gòu)成，則依據(jù)文中的轉(zhuǎn)換公式將其轉(zhuǎn)換為HSV顏色空間模型；接著，從HSV圖像中提取亮度分量V，并對V進行Retinex處理，同時保持色調(diào)H不變；根據(jù)處理后的分量V，自適應調(diào)整飽和度S，以防止圖像過度失真；最后，將處理后的圖像轉(zhuǎn)換回RGB色彩空間，以獲得清晰的圖像。

3"結(jié)果與討論

3.1"局部與整體去霧化差異分析

由圖4可知，（a）局部霧化示例中，基于RGB模型的MSR算法在色彩對比度處理上比較明顯，圖像整體呈現(xiàn)出鮮亮的色彩。然而，去除霧化的同時，非霧化區(qū)域出現(xiàn)了過度曝光現(xiàn)象，導致部分區(qū)域圖像失真嚴重。（a）圖中樹木的顏色過度曝光，色彩的對比度增大，但霧化區(qū)域基本上能夠清晰化，處理的天空整體上偏暗，遠處山體區(qū)域的樹木基本上能夠通過人眼看清楚；與之相比，HSV改進的Retinex算法在處理后圖像中的曝光程度明顯降低，整體清晰度得到提升，色彩對比度控制在合理范圍之內(nèi)，信息保留更為完整。此時，近景處樹木的色彩相較于MSR算法表現(xiàn)得更加自然，遠處樹木也保持了很好的清晰度，真實感更佳。

圖4中的（b）整體霧化示例中，兩種算法都達到了去霧的目的，MSR算法仍表現(xiàn)出較低的保真度，圖像與真實畫面色彩差異較大。相比之下，HSV改進算法處理的霧化圖像顯得更加自然，保真度更高，處理效果與主觀視覺體驗更加一致。

3.2"局部與整體去霧參數(shù)優(yōu)化分析

為了實現(xiàn)圖像處理效果最大化，以信息熵、對比度、平均絕對誤差和峰值信噪比為指標，對權(quán)重α參數(shù)進行了優(yōu)化調(diào)節(jié)，結(jié)果如圖5所示。

由圖5可知，隨著權(quán)重值的增加，信息熵逐漸增大，而對比度與峰值信噪比則呈逐漸下降的趨勢，平均絕對誤差則先減小后增大。平均絕對誤差反映去霧圖像與原始圖像之間的像素點誤差，最能體現(xiàn)去霧效果。當權(quán)重設(shè)定為4時，圖像a和圖像b的平均絕對誤差最低，分別為0.971和1.276，且信息熵、對比度與峰值信噪比的值均較好，因此后續(xù)將最佳權(quán)重參數(shù)設(shè)置為4。

3.3"去霧結(jié)果對比

為驗證改進算法的去霧效果，選用DHAZY數(shù)據(jù)集作為研究對象，分別選取150幅局部霧化圖像與整體霧化圖像，對比MSR算法和HSV改進算法在處理局部霧化圖像及整體霧化圖像時的去霧質(zhì)量，結(jié)果包括信息熵、對比度、平均絕對誤差以及峰值信噪比，結(jié)果以平均值呈現(xiàn)，如表1所示。

由表1可知，當原始圖像動態(tài)范圍較為均勻時，信息熵值較大；當亮度值較低時，信息熵較小。處理過程中，部分像素的亮度值很高，導致其鄰域像素的亮度分布變得不均勻。通過對比傳統(tǒng)算法與改進算法的數(shù)據(jù)，可以發(fā)現(xiàn)改進算法具有更高的熵值，說明其信息含量更加豐富，處理后的圖像質(zhì)量更高，因此具備良好的去霧化效果。從對比度數(shù)據(jù)來看，圖像對比度與亮度相關(guān)，但不完全相關(guān)。傳統(tǒng)圖像的對比度較高，而處理后的圖像則呈現(xiàn)出更加均勻的亮度分布，導致對比度有所下降；但改進算法的處理結(jié)果在數(shù)據(jù)表現(xiàn)上有所提升，其去霧效果在主觀視覺上也被接受。

平均絕對誤差（MEA）主要反映圖像的亮度信息。在通過傳統(tǒng)算法與改進算法進行的實驗數(shù)據(jù)對比中，在亮度保持一定的情況下，改進算法的去霧效果表現(xiàn)更為明顯。圖像峰值信噪比數(shù)據(jù)表明，HSV改進算法的峰值信噪比顯著高于MSR算法，兩者均達到60～90 dB，去霧后圖像的清晰度明顯提高，細節(jié)更加突出，色彩失真現(xiàn)象得到顯著改善，而HSV改進算法處理的圖像更為自然且真實。

3.4"去霧處理時間

研究算法時，除了考慮處理圖像信息的完整度和清晰度外，處理時間也是評價算法優(yōu)劣的重要指標。一個優(yōu)秀的算法應在保證圖像質(zhì)量的同時，兼顧處理時間，以達成更優(yōu)效果。為分析改進算法的去霧處理時間，對局部霧化與整體霧化圖像進行了處理，結(jié)果以平均值表示，見表2。

從表2可知，局部霧化圖像的平均處理時間明顯小于整體霧化圖像，主要是由于局部圖像的去霧信息較少。相比于MSR算法，HSV改進算法在保持去霧化效果的同時，大大縮短了處理時間，局部和整體霧化樣本的平均處理時間分別為12 s與16 s，去霧效率提高了158%和162%。因此，HSV改進算法在處理效率上有顯著提升。

4"結(jié)語

基于傳統(tǒng)Retinex算法的基本原理，文章提出的改進算法利用顏色空間模型顯著增強了霧化圖像的質(zhì)量，使得圖像色彩得以更好恢復，達到了清晰化的目的。相較于傳統(tǒng)算法，采用HSV改進的Retinex算法不僅在圖像去霧效果上表現(xiàn)更佳，同時處理效率也得到了顯著提升。

參考文獻：

[1]慕德旭，楊蕾，吳志強.基于改進多尺度Retinex圖像增強和支持向量機的蘋果表面缺陷檢測[J].食品安全質(zhì)量檢測學報，2023，14（20）：183191.

[2]楊建勇，劉倩.基于圖像增強技術(shù)的道路去霧系統(tǒng)研究[J].網(wǎng)絡(luò)安全技術(shù)與應用，2023（08）：4547.

[3]陳清江，顧媛.基于多尺度深度可分離卷積的低照度圖像增強算法[J].計算機工程與科學，2023，45（10）：18301837.

[4]郝駿宇，楊鴻波，侯霞，等.基于多尺度塊級聯(lián)的水下圖像增強算法[J].液晶與顯示，2023，38（09）：12721280.

[5]趙愛玲，張鵬程，劉祎.基于Retinex和同態(tài)濾波的X射線電池圖像增強算法[J].測試技術(shù)學報，2021，35（02）：128133.

[6]孫浩翔，翟江濤，萬東東，等.基于尺度特征提取的Retinexnet增強網(wǎng)絡(luò)[J].國外電子測量技術(shù)，2023，42（09）：7483.

[7]秦琛，孫晨.基于改進Retinex算法的航拍圖像質(zhì)量增強仿真[J].計算機仿真，2023，40（08）：235239.

[8]張影，周先春，萬東東，等.基于YIQRetinex的自適應圖像增強算法[J].國外電子測量技術(shù)，2023，42（07）：17.

[9]張曉東，秦娟娟，賈仲仲.多尺度Retinex在圖像去霧算法中的應用研究[J].西昌學院學報（自然科學版），2021， 35（03）：6065.

[10]唐超.HSV空間的多尺度Retinex低照圖像增強[J].實驗室研究與探索，2022，41（05）：5459.

[11]張凱麗，王安志，熊婭維，等.基于Transformer的單幅圖像去霧算法綜述[J/OL].計算機科學與探索，119[20240112].http：//kns.cnki.net/kcms/detail/11.5602.TP.20231102.0938.002.html.

責任編輯：肖祖銘

Research on Image Dehazing Based on Improved HSV Retinex Algorithm

MA Xiaofei

（Teaching and Development Center， Fuzhou University of International Studies and Trade， Fuzhou 350202， China）

Abstract：An improved Retinex algorithm is proposed to address the issues of computationintensive and timeconsumption in traditional Retinex algorithms for atomized images. Firstly， the traditional color space model is converted into the HSV color space model for calculation; Then， the color tone H is kept unchanged during the processing; and finally， the brightness component V is subjected to Retinex dehazing processing， significantly reducing the mathematical computation of the image dehazing algorithm. The dehazing performance of the improved algorithm based on HSV is test on example hazy images， compared to the MSR algorithm. The results show that the improved HSV algorithm exhibits better dehazing effect， shorter processing time， with dehazing efficiencies for local and overall hazy samples improving by 158% and 162%， respectively， as well as relatively uniform brightness distribution.

Keywords： Retinex; color space conversion; image filtering; Image dehazing