基于Retinex多层次分解的图像增强方法

技术领域

本发明涉及图像增强技术领域，更为具体地，涉及一种基于Retinex多层次分解的图像增强方法。

背景技术

传统的图像增强算法根据图像处理作用域的不同，可分为在空间域增强处理的算法和在频率域增强处理的算法。图像像素本身构成的空间即为空域，空间域增强处理的算法以灰度映射变换为基础通过修改图像的像素值直接实现对图像的增强，较为常见的空间域图像增强算法包括：直方图均衡、灰度变换和Retinex理论等。在频率域增强处理的算法中，把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强，通过抑制某个频率分量信息的同时保证其他频率分量信息不会被大幅度衰减，达到增强图像的目的。频率域图像增强算法主要有同态滤波、低通滤波、高通滤波等。

Retinex算法做为常用的空间域增强方法之一对于夜晚图像、雾霾图像以及低照度图像等都有显著的增强效果，因此在视频监控、遥感图像、航拍图像以及煤矿井下等场景的处理上具有广泛的应用前景。Retinex算法是基于人类视觉系统(Human Visual System，HSV)提出的图像增强算法，由于该算法具备保持图像色彩恒常性、不易失真，局部对比度增强、图像的动态变化在理想的范围内等特点，吸引了国内外学者的广泛关注。

Retinex理论包含两方面内容：物体的颜色由物体对长波、中波和短波光线的反射能力决定，而不是由反射光强度决定；物体的颜色不受光照非均匀性的影响，具有一致性。因此可将图像分为两部分，如公式(1)所示，

其中，S(x，y)是原始图像，表示被观察或被照相机接收到的图像信号；R(x，y)是反射分量，携带图像的细节信息，反映了目标物体的真实色彩；L(x，y)是照度分量，直接决定了像素所能达到的动态范围；

进而得知照度分量的动态范围，如公式(2)所示，

L(x，y)＝S(x，y)/R(x，y)≥S(x，y) (2)

Retinex理论将图像分解为反射分量和照度分量，两个分量从不同层面对图像进行刻画，对此可以采用不同的增强函数对图像的反射分量和照度分量两个分量进行增强，融合增强后的反射分量和照度分量从而使图像具有良好的可视化效果。

Retinex图像的增强模型如公式(3)所示：

其中，S′(x，y)为增强处理后的图像，l(·)为对反射分量进行增强的增强函数，g(·)为对照度分量进行增强的增强函数。

发明内容

针对现有技术的不足，本发明实施例提供一种基于Retinex多层次分解的图像增强方法。

为了解决上述技术问题，本发明提供一种基于Retinex多层次分解的图像增强方法，包括以下步骤：

步骤一、获取输入的原始图像，将输入的原始图像从RGB颜色空间转换至HSI颜色空间，提取亮度分量I对其进行处理；

步骤二、基于回转对称双边滤波的图像多层次分解算法对亮度分量I进行多层次分解，进而获取表征图像不同尺度信息的照度分量和反射分量；包括小尺度反射分量R

步骤三、对各个层次的图像反射分量进行增强处理以提升其细节表达能力，从而获取增强后的反射分量l(R

步骤四、对底层分解后的图像照度分量进行增强处理以提升照度分布，从而获取增强后的照度分量g（L

步骤五、融合增强后的反射分量和照度分量，得到增强的亮度通道图；

步骤六、将增强的亮度通道图从HSI颜色空间转换回RGB颜色空间；

步骤七、对增强后的图像进行颜色恢复调整，进而得到最终增强图像。

采用上述技术方案的本发明与现有技术相比，具有如下优点：本发明提供一种基于 Retinex多层次分解的图像增强方法，有效地提升图像边缘细节的表达能力的同时避免色彩偏差和失真的问题。

作为优选，本发明更进一步的技术方案为：

所述的步骤二中基于回转对称双边滤波的图像多层次分解算法对亮度分量I进行多层次分解，进而获取表征图像不同尺度信息的照度分量和反射分量具体包括：

回转对称双边滤波使用具有较小尺度的滤波半径r

公式(2)为：L(x，y)＝S(x，y)/R(x，y)≥S(x，y)

其中，L(x，y)是照度分量；S(x，y)是原始图像；R(x，y)是反射分量；

公式(4)为：

R

其中，R

考虑到在第一步中获取的第一层照度分量L

公式(5)为：

R

第二层反射分量R

以此类推，按照同样的方式使用具有更大尺度的回转对称双边滤波来获取第三层、第四层等更高层级的反射分量和照度分量，在Retinex分解模型和回转对称双边滤波的基础上，通过设置不同尺度的滤波参数，获取表征图像不同尺度信息的反射分量和照度分量。

通过大量的实验，发现在滤波过程分解到第三层就可以获取较好的实验效果。随着分解层次的上升，反射分量的所携带的高频信息细节越来越集中；照度分量越来越平滑，但是边缘也得到了一定程度的保持。

结合Retinex图像增强模型实现对图像的多层次分解，获取各个层次的不同尺度的反射分量和照度分量的过程可用下式表示：

其中，n表示图像最终分解的层数；R

其中，l(·)为对反射分量进行增强的增强函数，g(·)为对照度分量进行增强的增强函数。该方法可以根据不同的处理领域有针对性的选取满足需求的增强函数。

根据Retinex图像增强模型，原图像可以分解为反射分量和照度分量，即

反射分量R(x，y)包含了图像高频部分的细节信息，是目标物体的反射系数，通常物体的反射分量介于全部反射和全部吸收之间，满足R(x，y)∈[0，1].照度分量L(x，y)包含了图像低频部分的信息，变化缓慢，是目标物体的入射光源总和，满足L(x，y)∈[0，∞)。增强后的图像像素值范围不应超过[0，255]，所以在图像的多层次分解中将[0，255]调整到[0.0，1.0]进行处理，避免出现过增强或欠增强的现象。

所述的步骤四中对底层分解后的图像照度分量进行增强处理以提升照度分布，从而获取增强后的照度分量采用下述公式：

l(R

其中，k∈[1，2，3]代表反射分量的层级数，x

采用下述公式对数域对三层反射分量进行处理：

l(R

可选的，包括：

照度分量反映了目标物体的入射光源总和，对其进行增强需要考虑在提升过暗区域亮度的同时抑制光照过强区域的亮度。为实现这一目标，结合Sigmoid函数和伽马矫正构造照度分量的增强函数，公式如下：

g(L

其中，a为拉伸算子，a的表达式如下：

其中，m表示光照分量的亮度均值。从上式可以得知，图像均值越低，拉伸算子a 越大，对应区域亮度拉伸变大，细节提取随之增多。

所述步骤五中的融合增强后的反射分量和照度分量，公式为：

所述的步骤七中的对增强后的图像进行颜色恢复调整具体包括参考带色彩恢复的多尺度视网膜增强算法MSRCR对增强后的图像进行颜色恢复操作，进一步避免色彩偏差和失真的问题。参考带色彩恢复的多尺度视网膜增强算法(MSRCR)对增强后的图像进行颜色恢复操作。用G

其中，G

本发明在Retinex分解模型和回转对称双边滤波的基础上，通过设置不同尺度的滤波参数，获取表征图像不同尺度信息的反射分量和照度分量；通过使用指数函数对分解得到的各级反射分量进行增强，能够有效提升图像边缘细节的表达能力；结合Sigmoid 函数和伽马矫正对最终的照度分量进行处理，本文件中为图像的第三层照度分量，能够在提升低照度图像整体亮度的同时抑制高亮度区域；然后融合各层级增强分量，将融合后的图像亮度图与原始颜色分量相结合，使得调整前后图像的颜色饱和度更加一致；最后通过颜色恢复函数对增强图像进行后处理，进一步避免色彩偏差和失真的问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1为本发明提供的一种基于Retinex多层次分解的图像增强方法流程图。

图2为本发明Grass图像与其他算法增强效果对比图，其中，图(a)表示原图；图(b)表示HE算法处理后的效果图；图(c)表示MSR算法处理后的效果图；图(d)表示MSRCR 算法处理后的效果图；图(e)表示基于拉普拉斯算子增强处理后的效果图；图(f)表示本发明算法处理后的效果图。

图3为本发明Wall图像与其他算法增强效果对比图，其中，图(a)表示原图；图(b)表示HE算法处理后的效果图；图(c)表示MSR算法处理后的效果图；图(d)表示MSRCR 算法处理后的效果图；图(e)表示基于拉普拉斯算子增强处理后的效果图；图(f)表示本发明算法处理后的效果图。

图4为本发明House图像与其他算法增强效果对比图，其中，图(a)表示原图；图(b)表示HE算法处理后的效果图；图(c)表示MSR算法处理后的效果图；图(d)表示MSRCR 算法处理后的效果图；图(e)表示基于拉普拉斯算子增强处理后的效果图；图(f)表示本发明算法处理后的效果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

Retinex理论包含两方面内容：物体的颜色由物体对长波、中波和短波光线的反射能力决定，而不是由反射光强度决定；物体的颜色不受光照非均匀性的影响，具有一致性。因此可将图像分为两部分，如公式(1)所示，

其中，S(x，y)是原始图像，表示被观察或被照相机接收到的图像信号；R(x，y)是反射分量，携带图像的细节信息，反映了目标物体的真实色彩；L(x，y)是照度分量，直接决定了像素所能达到的动态范围；

进而得知照度分量的动态范围，如公式(2)所示，

L(x，y)＝S(x，y)/R(x，y)≥S(x，y) (2)

Retinex理论将图像分解为反射分量和照度分量，两个分量从不同层面对图像进行刻画，对此可以采用不同的增强函数对图像的反射分量和照度分量两个分量进行增强，融合增强后的反射分量和照度分量从而使图像具有良好的可视化效果。

Retinex图像的增强模型如公式(3)所示：

其中，S′(x，y)为增强处理后的图像，l(·)为对反射分量进行增强的增强函数，g(·)为对照度分量进行增强的增强函数。

由于传统的Retinex算法在图像色彩失真、图像整体泛灰，且在局部对比度较大区域会产生“光晕伪影”等方面存在缺陷。本发明提供了一种基于Retinex多层次分解的图像增强方法可以应用在非均匀照度图像、低照度图像、水下或雾霾天气场景细节丢失、噪声过大等图像处理领域，并根据不同的处理领域有针对性的选取满足需求的增强函数。基于上述理由本发明可在数字图像处理等领域推广应用。

本发明提供了一种基于Retinex多层次分解的图像增强方法，包括以下步骤：

步骤一、获取输入的原始图像，将输入的原始图像从RGB颜色空间转换至HSI颜色空间，提取亮度分量I对其进行处理；

步骤二、基于回转对称双边滤波的图像多层次分解算法对亮度分量I进行多层次分解，进而获取表征图像不同尺度信息的照度分量和反射分量；

步骤三、对各个层次的图像反射分量进行增强处理以提升其细节表达能力，从而获取增强后的反射分量；

步骤四、对底层分解后的图像照度分量进行增强处理以提升照度分布，从而获取增强后的照度分量；

步骤五、融合增强后的反射分量和照度分量，得到增强的亮度通道图；

步骤六、将增强的亮度通道图从HSI颜色空间转换回RGB颜色空间；

步骤七、对增强后的图像进行颜色恢复调整，进而得到最终增强图像。

进一步地，所述的基于Retinex多层次分解的图像增强方法，所述步骤二中的基于回转对称双边滤波的图像多层次分解算法，其步骤如下：

回转对称双边滤波使用具有较小尺度的滤波半径r

考虑到在第一步中获取的第一层照度分量L

以此类推，按照同样的方式使用具有更大尺度的回转对称双边滤波来获取第三层、第四层等更高层级的反射分量和照度分量。

通过大量的实验，发现在滤波过程分解到第三层就可以获取较好的实验效果。随着分解层次的上升，反射分量的所携带的高频信息细节越来越集中；照度分量越来越平滑，但是边缘也得到了一定程度的保持。

结合Retinex图像增强模型实现对图像的多层次分解，获取各个层次的不同尺度的反射分量和照度分量的过程可用下式表示：

其中，n表示图像最终分解的层数；R

其中，l(·)为对反射分量进行增强的增强函数，g(·)为对照度分量进行增强的增强函数。该方法可以根据不同的处理领域有针对性的选取满足需求的增强函数。

根据Retinex图像增强模型，原图像可以分解为反射分量和照度分量，即

反射分量R(x，y)包含了图像高频部分的细节信息，是目标物体的反射系数，通常物体的反射分量介于全部反射和全部吸收之间，满足R(x，y)∈[0，1]；照度分量L(x，y)包含了图像低频部分的信息，变化缓慢，是目标物体的入射光源总和，满足L(x，y)∈[0，∞)。增强后的图像像素值范围不应超过[0，255]，所以在图像的多层次分解中将[0，255]调整到[0.0，1.0]进行处理，避免出现过增强或欠增强的现象。

进一步地，所述的基于Retinex多层次分解的图像增强方法，所述步骤四中的对底层分解后的图像照度分量进行增强处理，公式为：

l(R

其中，k∈[1，2，3]代表反射分量的层级数，x

同时在对数域对三层反射分量进行处理，公式如下：

l(R

照度分量反映了目标物体的入射光源总和，对其进行增强需要考虑在提升过暗区域亮度的同时抑制光照过强区域的亮度。为实现这一目标，结合Sigmoid函数和伽马矫正构建照度分量的增强函数，公式如下：

g(L

其中，a为拉伸算子，用于调节暗区域的拉伸程度，亮度不同的图像，其值也随之改变，a的表达式如下：

其中，m表示光照分量的亮度均值，从上式可以得知，图像均值越低，拉伸算子α越大，对应区域亮度拉伸变大，细节提取随之增多。

进一步地，所述的基于Retinex多层次分解的图像增强方法，所述步骤五中的融合增强后的反射分量和照度分量，公式为：

进一步地，所述的基于Retinex多层次分解的图像增强方法，所述步骤七中的对增强后的图像进行颜色恢复调整，参考带色彩恢复的多尺度视网膜增强算法(MSRCR) 对增强后的图像进行颜色恢复操作。

用G

其中，G

本发明提供一种基于Retinex多层次分解的图像增强方法，在Retinex分解模型和回转对称双边滤波的基础上，通过设置不同尺度的滤波参数，获取表征图像不同尺度信息的反射分量和照度分量；通过使用指数函数对分解得到的各级反射分量进行增强，能够有效提升图像边缘细节的表达能力；结合Sigmoid函数和伽马矫正对最终的照度分量进行处理，本实施例中为第三层照度分量，能够在提升低照度图像整体亮度的同时抑制高亮度区域；然后融合各层级增强分量，将融合后的图像亮度图与原始颜色分量相结合，使得调整前后图像的颜色饱和度更加一致；最后通过颜色恢复函数对增强图像进行后处理，进一步避免色彩偏差和失真的问题。

实验结果：

本发明实现工具为Matlab，处理器为i7-6700HQ四核2.60GHz，内存大小为8GB，软件环境为Windows10操作系统。

为了验证本文算法的有效性，下面给出本文算法及直方图均衡(HE)算法、多尺度Retinex(MSR)算法、带色彩恢复发多尺度Retinex(MSRCR)算法和基于拉普拉斯算子的图像增强算法的效果对比，分别从主观视觉和客观数据评价两方面进行对比。

表l图像增强结果对比情况

Grass的增强结果如图2所示。其中，(a)为原图，从中可以看出图像整体呈现昏暗状态，能见度低，细节损失严重；图(b)对比度和亮度整体都有所提升，但全局化增强导致整体泛灰，色调有偏差；图(c)和图(d)对比原图在色调和饱和度上有所提升，但是暗区域增强不明显，亮区域有出现颜色偏差现象；图(e)在原图的基础上提升了对比度，轮廓也更加清晰，亮区域增强效果良好，暗区域的细节和纹理也有提升，但是整体色调依旧昏暗；图(f)提升了图像的对比度，亮度方面也有明显增强，亮区域细节纹理得到提升，但暗区域细节还有待加强，整体饱和度色调没有颜色偏差。

Wall的增强结果如图3所示。通过对图(a)的观察可以了解到图像整体亮度偏低，暗区域能见度低、细节损失严重，亮区域纹理不清晰；图(b)提高了图像整体的亮度及对比度，但在天空部分存在过增强现象，整体有泛灰现象；图(c)在亮区域的对比度和细节方面都有了提升，但是有过增强的情况出现；图(d)在亮度和对比度上有提升，但是在亮区域有颜色偏差；图(e)整体图像的亮度和对比度都有所提升，右下角的草丛处细节和纹理得到了增强，但右上角暗区域砖头纹理不清晰；图(f)在提升亮度和对比度的同时，增加了图像上墙体、草坪和花丛的颜色饱和度，没有颜色偏差，整体轮廓变得清晰。

House的增强结果如图4所示。图(a)展示了背光的房屋呈现昏暗状态，丢失细节严重；图(b)具有很好的增强效果，暗区域房屋的亮度增强的同时细节也得到提升，亮区域的花卉及绿植增强效果自然，但图像整体泛灰；图(c)提高了暗区域房屋的对比度，房屋轮廓不清晰有黑边；图(d)在亮度和对比度上有提升，但整体出现颜色失真及偏差；图(e)整体图像的亮度和对比度都有所提升，增强效果较为自然，图(f) 对比度提升明显，增加了图像上房屋、草丛的颜色饱和度，边缘纹理清晰。

本发明提供一种基于Retinex多层次分解的图像增强方法对光照低照度图像能取得良好的增强效果，相比于其他四种经典算法的增强结果更为清晰，在信息熵、标准差平均值和平均梯度三个个评价指标的提升方面也有了很大进步，进而可以充分证明改进算法的有效性和鲁棒性。

以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。