方路平,翁佩強(qiáng)，,周?chē)?guó)民

(1.浙江工業(yè)大學(xué) 信息工程學(xué)院，浙江 杭州 310023；2.浙江警察學(xué)院 計(jì)算機(jī)與信息技術(shù)系,浙江 杭州 310053)

作為新型識(shí)別碼，彩碼相比于傳統(tǒng)二維碼具有遠(yuǎn)距離識(shí)別、多識(shí)別等優(yōu)點(diǎn)。彩碼技術(shù)在國(guó)內(nèi)尚處于起步階段，對(duì)彩碼的生成和讀取尚不成熟。在計(jì)算機(jī)視覺(jué)任務(wù)中，目標(biāo)檢測(cè)和跟蹤以及消費(fèi)電子產(chǎn)品(如手持設(shè)備)都需要高質(zhì)量的圖像和視頻。但是在實(shí)際識(shí)別過(guò)程中，由于亮度的影響，存在彩碼圖像無(wú)法識(shí)別以及錯(cuò)誤識(shí)別的現(xiàn)象。因此，為保障彩碼識(shí)別的準(zhǔn)確性，對(duì)低光彩碼圖像進(jìn)行針對(duì)性增強(qiáng)具有重要意義。

1 圖像增強(qiáng)算法概述

目前，國(guó)內(nèi)外關(guān)于彩碼圖像增強(qiáng)的算法相對(duì)較少，應(yīng)對(duì)于低光圖像的增強(qiáng)算法已有多種。例如，基于直方圖均衡化[1]方法的基本思想是通過(guò)改變圖像像素的分布，使各個(gè)像素之間的對(duì)比度增大，從而達(dá)到增強(qiáng)效果。該方法簡(jiǎn)單且容易實(shí)現(xiàn)，同時(shí)又有較快的響應(yīng)速度，但是難以對(duì)不同程度的弱光圖像進(jìn)行針對(duì)性增強(qiáng)。后來(lái)，有研究者提出基于Retinex理論[2]的多尺度色彩恢復(fù)算法[3](Multi-scale Retinex，MSR)，利用單尺度色彩恢復(fù)(Single scale Retinex，SSR)算法[4]對(duì)各個(gè)通道的圖像先進(jìn)行高斯濾波處理，再進(jìn)行線性加權(quán)求和以獲取增強(qiáng)后的圖像。該方法能較好地提高圖像對(duì)比度，但是應(yīng)用在彩碼圖像上時(shí)會(huì)使彩碼色塊顏色產(chǎn)生偏移。除了以上兩種經(jīng)典算法，也有一些新的算法提出來(lái)。如牛萬(wàn)紅等[5]提出了一種大律法結(jié)合信息熵迭代算法來(lái)針對(duì)低光彩碼圖像進(jìn)行增強(qiáng)。先利用最大類(lèi)間方差法(OTSU)確定初始閾值來(lái)分割彩碼圖像的前后景，再分別計(jì)算前后景信息熵，通過(guò)信息熵迭代獲取最優(yōu)分割閾值，再使用獲取的閾值對(duì)彩碼圖像各個(gè)通道根據(jù)閾值進(jìn)行二值化，最后合并各個(gè)二值化后的通道得到增強(qiáng)后的圖像。該方法能夠很好地還原彩碼圖像的色彩，但由于彩碼背景顏色與有效色塊存在差異，使得通過(guò)信息熵迭代的方式來(lái)獲取最優(yōu)分割閾值的方法沒(méi)有達(dá)到預(yù)期效果，在應(yīng)用于不同低光程度的彩碼圖像時(shí)，會(huì)產(chǎn)生不必要的噪點(diǎn)，影響后續(xù)的識(shí)別過(guò)程。Guo等[6]提出了一種簡(jiǎn)單的微光圖像增強(qiáng)方法，即LIME(Low-light image enhancement via illumination map estimation)。該方法首先對(duì)弱光圖像中每個(gè)像素的光照進(jìn)行估計(jì)，獲得初始的光照?qǐng)D像，再將獲得的初始光照?qǐng)D像經(jīng)Gamma變換后得到增強(qiáng)的光照?qǐng)D像，最后利用增強(qiáng)的光照?qǐng)D像實(shí)現(xiàn)了基于Retinex模型的增強(qiáng)圖像。針對(duì)彩碼的高精度要求，使用上述方法對(duì)低光彩碼圖像進(jìn)行增強(qiáng)，尚且無(wú)法達(dá)到準(zhǔn)確高效的效果，結(jié)果如圖1所示。

圖1 傳統(tǒng)算法實(shí)現(xiàn)Fig.1 Implementation of traditional algorithms

近年來(lái)深度學(xué)習(xí)發(fā)展迅速，在計(jì)算機(jī)視覺(jué)領(lǐng)域應(yīng)用廣泛，如圖像識(shí)別[7]、圖像分割[8]等；也有一些學(xué)者，嘗試將深度學(xué)習(xí)應(yīng)用于圖像去霧[9]，如Lore等[10]提出了一種基于深度學(xué)習(xí)的圖像自適應(yīng)增強(qiáng)和去噪方法，即LLNet(Low-light image enhancement net)，直接使用現(xiàn)有的深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(即堆棧稀疏去噪自動(dòng)編碼器)來(lái)建立微光圖像與相應(yīng)增強(qiáng)圖像之間的關(guān)系和進(jìn)行圖像去噪；Li等[11]通過(guò)建立低光圖像數(shù)據(jù)集，對(duì)構(gòu)造的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再通過(guò)訓(xùn)練好的網(wǎng)絡(luò)，即LightenNet(A convolutional neural network for weakly illuminated image enhancement)達(dá)到圖像增強(qiáng)的目的。

2 理論模型與方法

Retinex理論由Land[12]提出。物體的顏色是由物體對(duì)長(zhǎng)波(紅)、中波(綠)和短波(藍(lán))光線的反射能力決定的，而不是由反射光強(qiáng)度的絕對(duì)值決定的，同時(shí)物體的色彩不受光照非均性的影響，具有一致性。因此該模型假定物體的顏色由物體表面的反射屬性決定，與光照強(qiáng)度無(wú)關(guān)。Retinex理論可以用函數(shù)描述為

S(x,y)=L(x,y)R(x,y)

(1)

式中：S(x,y)為人眼觀察到的低照度圖像；L(x,y)為反映外界光照環(huán)境的光照分量；R(x,y)為反映物體本質(zhì)屬性的反射分量。

光照分量決定像素的動(dòng)態(tài)范圍，反射分量反映成像物體的本質(zhì)屬性，R(x,y)通常為需要求解的增強(qiáng)圖像。在對(duì)數(shù)域中，將光照分量從原圖像中去除，便得到反射分量。照度分量只能通過(guò)近似估計(jì)獲取。Retinex算法的一般流程如圖2所示。

圖2 Retinex算法一般流程Fig.2 Retinex algorithm general process

Retinex算法流程通過(guò)函數(shù)描述即可將式(1)轉(zhuǎn)換為對(duì)數(shù)域，即

logS(x,y)=logR(x,y)+logL(x,y)

(2)

式(2)經(jīng)轉(zhuǎn)換變化之后可得增強(qiáng)后的圖像R(x,y)，即

R(x,y)=exp[logS(x,y)-logL(x,y)]

(3)

由式(2，3)可知：Retinex理論對(duì)圖像增強(qiáng)的核心就是從原始圖像S(x,y)中估計(jì)外界光照環(huán)境的光照分量L(x,y)，最后得到反射分量R(x,y)。對(duì)光照分量估計(jì)的準(zhǔn)確與否直接影響后續(xù)圖像的增強(qiáng)效果。傳統(tǒng)的基于Retinex理論的算法，如單尺度Retinex算法(SSR)無(wú)法兼顧圖像細(xì)節(jié)增強(qiáng)和彩色保持的要求；多尺度Retinex算法(MSR)采用高斯環(huán)繞尺度估計(jì)光照分量，在保證圖像細(xì)節(jié)的同時(shí)使增強(qiáng)后的圖像出現(xiàn)“泛灰”而失真。因此筆者提出了基于卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)光照分量的方法，經(jīng)過(guò)前期的數(shù)據(jù)集構(gòu)建、模型構(gòu)建和網(wǎng)絡(luò)訓(xùn)練，能夠有效地提高光照預(yù)測(cè)分量的準(zhǔn)確度，從而提高后續(xù)圖像增強(qiáng)的效果。

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

筆者所提出的網(wǎng)絡(luò)來(lái)自于在低水平視覺(jué)任務(wù)中的深度學(xué)習(xí)模型[13-14]。該網(wǎng)絡(luò)的作用是學(xué)習(xí)一種映射關(guān)系，這種映射以弱光彩碼圖像為輸入，對(duì)應(yīng)的光照映射圖像為輸出，要求輸入圖像和輸出圖像大小相同。池化層會(huì)使得采樣前后的圖像大小不一致，影響網(wǎng)絡(luò)任務(wù)的實(shí)現(xiàn)，卷積層會(huì)因?yàn)閬G失邊緣信息使得前后圖像大小不一致，因此對(duì)所有卷積層需要進(jìn)行必要的邊緣填充，以保證圖像大小始終不變。通過(guò)前3層卷積層提取輸入圖像特征信息，再用第4層卷積生成光照?qǐng)D像，最后運(yùn)用Retinex模型進(jìn)行圖像增強(qiáng)，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Network structure

考慮到圖片太大會(huì)導(dǎo)致計(jì)算量增大，為便于網(wǎng)絡(luò)更好地訓(xùn)練，所提出的網(wǎng)絡(luò)輸入和輸出并非整幅圖像，而是隨機(jī)選取低光彩碼圖像的部分區(qū)域和與之相對(duì)應(yīng)的光照映射圖像為訓(xùn)練樣本。輸入低光彩碼圖像的部分區(qū)域，經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)后得到與其大小相同的光照映射圖像。

為確定弱光照彩碼圖像與其光照映射圖像之間的關(guān)系，通過(guò)輸入的弱光彩碼圖像提取各通道像素，使用卷積層獲取特征圖像。提取方式可表示為

F1(P)=max(0,W1*P+B1)

(4)

式中：P為輸入的圖像；W1和B1分別為該層的權(quán)重和偏置；“*”為卷積運(yùn)算符；max(0,x)為該層激活函數(shù)(RelU)，以加快收斂速度和強(qiáng)化訓(xùn)練效果。

根據(jù)監(jiān)督學(xué)習(xí)反向傳播原理和隨機(jī)梯度下降法，對(duì)損失函數(shù)(MSE)進(jìn)行最小化訓(xùn)練，最終得到網(wǎng)絡(luò)模型參數(shù)θ={W1,W2,W3,W4,B1,B2,B3,B4}。損失函數(shù)表示為

(5)

式中：N為該訓(xùn)練批次下訓(xùn)練樣本數(shù)量；F為網(wǎng)絡(luò)結(jié)構(gòu)所學(xué)習(xí)到的映射關(guān)系；Ui為Pi弱光彩碼圖像對(duì)應(yīng)的光照映射圖像。

2.2 彩碼圖像增強(qiáng)方法

借鑒Guo的圖像增強(qiáng)方法[6]，通過(guò)Gamma校正調(diào)整網(wǎng)絡(luò)模型預(yù)測(cè)的照明圖，確定結(jié)果中的暗區(qū)。這些區(qū)域可以表示為

L(x)′=L(x)γ

(6)

式中：L(x)為筆者所提出的網(wǎng)絡(luò)預(yù)測(cè)得到的光照映射圖像；L(x)′為經(jīng)Gamma矯正后得到的新光照映射圖像；γ=1.7，是一個(gè)實(shí)驗(yàn)值。優(yōu)化映射時(shí)，假設(shè)輸入圖像為n×n像素，局部區(qū)域具有相同的光照強(qiáng)度。Gamma修正以后，為了消除遮擋的影響，需要通過(guò)引導(dǎo)圖像濾波[15]來(lái)使光照?qǐng)D像更加平滑。在引導(dǎo)圖像濾波中，將輸入圖像的紅色通道作為引導(dǎo)圖像。最后，根據(jù)式(1，6)獲得增強(qiáng)圖像R(x)為

(7)

式中：I(x)為原始的弱光彩碼圖像；L(x)′為經(jīng)網(wǎng)絡(luò)預(yù)測(cè)、Gamma矯正以及引導(dǎo)濾波后得到的光照映射圖像；R(x)為最終獲得的增強(qiáng)后的彩碼圖像。

3 實(shí)驗(yàn)內(nèi)容

3.1 數(shù)據(jù)集構(gòu)建

訓(xùn)練筆者所提出的網(wǎng)絡(luò)需要足夠安全可靠的彩碼數(shù)據(jù)圖像。研究采用張恒麗等[15]提出的彩碼生成方法。使用該方法生成的彩碼圖像(寬250 像素、長(zhǎng)520 像素)第一層為白色背景，第二層為黑色背景色(寬180 像素、長(zhǎng)480 像素)。黑色背景色中含有矩形的大小為30×30 像素的紅、綠、藍(lán)、黃4 色中有效的色塊用以存儲(chǔ)彩碼信息。共生成200 張清晰彩碼圖像，將圖像從RGB通道轉(zhuǎn)到HSV通道，改變V通道系數(shù)，生成4 個(gè)不同等級(jí)的弱光彩碼圖像，再利用Retinex理論生成4個(gè)不同等級(jí)弱光彩碼圖像所對(duì)應(yīng)的光照映射圖像。如圖4所示，圖4(a，c)為通過(guò)圖1(a)的原始彩碼圖像生成的弱光程度不同的若光彩碼圖像，圖4(b，d)為利用Retinex理論生成的對(duì)應(yīng)的光照映射圖像。

圖4 完整數(shù)據(jù)集圖像實(shí)例Fig.4 Complete data set image

考慮到神經(jīng)網(wǎng)絡(luò)的計(jì)算量以及實(shí)際環(huán)境下光照不均勻的情況，假設(shè)圖像局部的光照強(qiáng)度是均勻的，將生成的弱光彩碼圖像以及對(duì)應(yīng)的光照映射圖像進(jìn)行切割裁剪操作。考慮到訓(xùn)練網(wǎng)絡(luò)計(jì)算速度和預(yù)測(cè)效果，筆者選取了兩種裁剪方式。

裁剪方式1將完整彩碼圖像的長(zhǎng)等分20 份，寬等分10 份，得到25×26 像素的局部彩碼圖像，經(jīng)計(jì)算得到160 000 張弱光彩碼的局部圖像作為數(shù)據(jù)集1。如圖5(a)所示，左側(cè)圖像為低光圖像，右側(cè)為其對(duì)應(yīng)的光照映射圖像。

圖5 裁剪數(shù)據(jù)集圖像示例Fig.5 Tailoring data set image example

裁剪方式2考慮到裁剪方式1所得圖像的數(shù)據(jù)量較大，使得計(jì)算機(jī)每次訓(xùn)練讀取文件的時(shí)間較長(zhǎng)。同時(shí)，該裁剪方法會(huì)存在大量的白色背景色的弱光圖像，可能會(huì)影響網(wǎng)絡(luò)的訓(xùn)練。因此，提出裁剪方式2來(lái)避免上述情況。首先，將生成的弱光彩碼圖像壓縮為原圖像大小的1/2；隨后，為忽視白色區(qū)域裁剪出黑色背景部分的圖像；最后，通過(guò)重疊、裁剪得到大小為50×50 像素，數(shù)量為12 800 張的弱光彩碼的局部圖像作為數(shù)據(jù)集2。如圖5(b)所示，左側(cè)圖像為低光圖像，右側(cè)為其對(duì)應(yīng)的光照映射圖像。

3.2 網(wǎng)絡(luò)實(shí)現(xiàn)

筆者所提出的網(wǎng)絡(luò)結(jié)構(gòu)通過(guò)Python語(yǔ)言和Matlab程序?qū)崿F(xiàn)。在訓(xùn)練階段，每一層卷積的權(quán)重都是通過(guò)高斯隨機(jī)分布進(jìn)行初始化，偏差設(shè)置為0。初始學(xué)習(xí)速率為0.01，每1 000 次迭代學(xué)習(xí)速率降低0.5。計(jì)算機(jī)CPU為IntelCorei7-4590，主頻為3.3 GHz，內(nèi)存為12 GB。

3.3 實(shí)驗(yàn)內(nèi)容分析

為確保后續(xù)彩碼圖像增強(qiáng)效果的可靠，首先考慮不同數(shù)據(jù)量的數(shù)據(jù)對(duì)網(wǎng)絡(luò)模型的訓(xùn)練是否會(huì)產(chǎn)生影響。實(shí)驗(yàn)中將數(shù)據(jù)集2形式的弱光彩碼的局部圖像數(shù)據(jù)量分別設(shè)定為12 800，9 600，3 200 張。分別采用這3 個(gè)數(shù)據(jù)量的數(shù)據(jù)集對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，記錄每個(gè)數(shù)據(jù)量訓(xùn)練網(wǎng)絡(luò)模型時(shí)的迭代次數(shù)以及對(duì)應(yīng)的損失函數(shù)值，折線圖如圖6所示。

圖6 不同數(shù)據(jù)量訓(xùn)練的損失函數(shù)圖Fig.6 Training loss function diagram of different data quantity

圖6中數(shù)據(jù)集1，2，3分別表示3 200，9 600，12 800 張弱光彩碼局部圖像的實(shí)驗(yàn)對(duì)象。由圖6可知：不同數(shù)據(jù)量的數(shù)據(jù)集在訓(xùn)練網(wǎng)絡(luò)模型時(shí)迭代多次以后均趨于平緩穩(wěn)定的狀態(tài)，且所得到的網(wǎng)絡(luò)模型的損失函數(shù)值相近；12 800 張弱光彩碼局部圖像對(duì)應(yīng)的數(shù)據(jù)集3在訓(xùn)練網(wǎng)絡(luò)模型的過(guò)程中能夠較早的進(jìn)入穩(wěn)定階段且振蕩幅度相比于數(shù)據(jù)集1和數(shù)據(jù)集2較小。因此訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)量并不會(huì)對(duì)最終實(shí)驗(yàn)結(jié)果產(chǎn)生過(guò)大的影響，但較大的數(shù)據(jù)量能夠使網(wǎng)絡(luò)模型快速地進(jìn)入穩(wěn)定狀態(tài)。

為避免網(wǎng)絡(luò)模型訓(xùn)練的迭代次數(shù)影響后續(xù)模型對(duì)光照?qǐng)D像的生成，將構(gòu)建的數(shù)據(jù)集1，2分別進(jìn)行訓(xùn)練，記錄迭代次數(shù)與損失函數(shù)的值，得到迭代次數(shù)與損失函數(shù)值的關(guān)系如圖7所示。

圖7 損失函數(shù)折線圖Fig.7 Line graph of loss function

由圖7可知：在訓(xùn)練過(guò)程中，損失函數(shù)值隨著迭代次數(shù)的增加不斷下降，迭代次數(shù)到達(dá)500 次以后損失函數(shù)值趨于平緩，損失函數(shù)值處于相對(duì)穩(wěn)定狀態(tài)。因此，在模型訓(xùn)練中，迭代次數(shù)大于500 次之后，模型結(jié)果會(huì)相對(duì)穩(wěn)定，迭代次數(shù)對(duì)彩碼圖像增強(qiáng)效果的影響相對(duì)較小。

筆者所提出的網(wǎng)絡(luò)參數(shù)及結(jié)構(gòu)能夠?qū)崿F(xiàn)對(duì)低光彩碼圖像增強(qiáng)。為研究不同網(wǎng)絡(luò)參數(shù)對(duì)弱光彩碼圖像增強(qiáng)的效果以及對(duì)計(jì)算效率的影響，嘗試更改網(wǎng)絡(luò)參數(shù)，通過(guò)MSE損失函數(shù)值判斷網(wǎng)絡(luò)訓(xùn)練的效果。網(wǎng)絡(luò)結(jié)構(gòu)為4 層卷積，通過(guò)改變每一層的卷積核大小和提取的特征層數(shù)研究網(wǎng)絡(luò)的預(yù)測(cè)效果，設(shè)定每層間的卷積核大小和提取的特征層數(shù)用“-”連接。對(duì)25×26 像素大小的數(shù)據(jù)集1進(jìn)行卷積層數(shù)為4的多種不同網(wǎng)絡(luò)參數(shù)的訓(xùn)練，分別更改特征向量為16-8-4-1，32-16-8-1，64-32-16-1，128-64-32-1，以及更改卷積核大小為7-7-1-5，3-7-1-5，其MSE值如表1所示。對(duì)50×50 像素大小的數(shù)據(jù)集2做了同數(shù)據(jù)集1一樣的訓(xùn)練，結(jié)果如表2所示。

表1 25×26像素?cái)?shù)據(jù)集1網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果Table 1 Network experiment results of data set 1

表2 50×50像素?cái)?shù)據(jù)集2網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果Table 2 Network experiment results of data set 2

由表2可知：隨著卷積次數(shù)的增加可以獲得更好的MSE性能，然而過(guò)多地增加卷積次數(shù)對(duì)網(wǎng)絡(luò)性能的改善是有限的。通過(guò)增加或者減少卷積核的大小所獲得的MSE會(huì)發(fā)生改變，這可能是由于卷積核大小不同影響了模型的結(jié)構(gòu)，從而導(dǎo)致性能不同。權(quán)衡了性能和復(fù)雜性，筆者選擇一個(gè)中間網(wǎng)絡(luò)結(jié)構(gòu)作為基本網(wǎng)絡(luò)結(jié)構(gòu)。由表1可知：合理的卷積核大小設(shè)置可以令預(yù)測(cè)結(jié)果更好。比較表1，2可知：在相同網(wǎng)絡(luò)結(jié)構(gòu)下，25×26 像素大小的數(shù)據(jù)集1訓(xùn)練結(jié)果優(yōu)于50×50 像素大小的數(shù)據(jù)集2。

分別用數(shù)據(jù)集1和數(shù)據(jù)集2預(yù)留的測(cè)試圖像對(duì)模型進(jìn)行預(yù)測(cè)，將輸入圖像、預(yù)測(cè)圖像以及標(biāo)簽圖像進(jìn)行比較，比較結(jié)果如圖8，9所示。

圖9 數(shù)據(jù)集2預(yù)測(cè)結(jié)果示例Fig.9 Prediction results of data set 2

由圖8，9可知：數(shù)據(jù)集2的標(biāo)簽圖像的色塊邊緣有較多的噪聲點(diǎn)，導(dǎo)致網(wǎng)絡(luò)預(yù)測(cè)得到的光照映射圖像的背景與色塊無(wú)法達(dá)到明顯的分割；數(shù)據(jù)集1的標(biāo)簽圖像的色塊邊緣噪聲點(diǎn)較少，使得網(wǎng)絡(luò)預(yù)測(cè)所得到的光照映射圖像能夠明顯的區(qū)分彩碼色塊部分和背景部分。因此，25×26 像素大小的數(shù)據(jù)集1能夠更好地達(dá)到圖像增強(qiáng)的效果。

3.4 算法有效性驗(yàn)證

為驗(yàn)證所提算法的有效性，對(duì)計(jì)算機(jī)合成的低照度圖像和實(shí)際低照度圖像分別進(jìn)行實(shí)驗(yàn)。從客觀和主觀兩方面進(jìn)行對(duì)比分析，對(duì)比HE經(jīng)典算法、MSR算法和大律法結(jié)合信息熵算法的優(yōu)劣情況。首先，對(duì)合成的弱光照?qǐng)D像進(jìn)行定性比較。這些低光彩碼圖像是基于Retinex模型合成的。隨機(jī)選取了兩張未進(jìn)行訓(xùn)練的完整彩碼圖像生成不同程度的弱光圖像，分別運(yùn)用上述所提的方法對(duì)該圖像進(jìn)行增強(qiáng)。

實(shí)驗(yàn)選取PSNR，SSIM，MSE作為客觀評(píng)價(jià)指標(biāo)：PSNR表征圖像的失真程度，其值越高，失真程度越?。籗SIM表征圖像結(jié)構(gòu)信息的完整性，其值越高，增強(qiáng)后圖像與原始圖像的結(jié)構(gòu)特征越相似；MSE表征增強(qiáng)后圖像與原始圖像之間的差距，其值越小說(shuō)明增強(qiáng)后圖像越接近原始正常光照?qǐng)D像。圖像1，2的實(shí)驗(yàn)結(jié)果如表3，4所示。

表3 圖像1的客觀指標(biāo)Table 3 Objectiveindicators of picture 1

表4 圖像2的客觀指標(biāo)Table 3 Objectiveindicators of picture 2

由表3可知：筆者所提出的算法其SSIM指標(biāo)高于其他算法，說(shuō)明對(duì)弱光彩碼圖像進(jìn)行增強(qiáng)處理后能夠很好的保存圖像信息。PSNR和MSE指標(biāo)同樣證明了筆者所提出的算法相比其他算法有更好的結(jié)果，驗(yàn)證了所提算法的有效性。

運(yùn)用HE算法、MRS算法、大律法結(jié)合信息熵算法對(duì)圖像1，2進(jìn)行增強(qiáng)，分別與筆者實(shí)驗(yàn)結(jié)果進(jìn)行比較，結(jié)果如圖10所示。

圖10 合成弱光圖像增強(qiáng)結(jié)果Fig.10 Synthetic low light image enhancement results

由圖10可知：與生成的弱光彩碼圖像相比，上述4 種增強(qiáng)算法都達(dá)到了圖像增強(qiáng)的效果。HE算法較好地保持了色彩，但在不同弱光程度的輸入圖像的情況下，該算法并不能作針對(duì)性的增強(qiáng)，導(dǎo)致了左側(cè)圖像仍然存在曝光不足的現(xiàn)象，是一種增強(qiáng)程度不足的表現(xiàn)；MSR算法應(yīng)用于弱光彩碼圖像時(shí)，在輸入任何弱光程度的圖像情況下，其增強(qiáng)效果相似且令彩碼色塊色彩失真使整張圖像存在泛黃的現(xiàn)象；大律法結(jié)合信息熵算法相比于以上兩種增強(qiáng)算法，其增強(qiáng)效果較為完整，但在色塊邊緣產(chǎn)生了各種顏色的噪點(diǎn)，會(huì)影響彩碼識(shí)別結(jié)果；筆者所提算法，相比于以上算法不僅對(duì)不同程度的弱光圖像實(shí)現(xiàn)了針對(duì)性的增強(qiáng)，同時(shí)也保持各個(gè)色塊的色彩信息基本不變，能有效防止彩碼識(shí)別的錯(cuò)誤，但是仍存在局部區(qū)域增強(qiáng)效果不完整的情況，如左圖最右側(cè)部分，可能是由于該算法的損失函數(shù)為均方誤差，使其預(yù)測(cè)結(jié)果并不能涵蓋所有圖像像素點(diǎn)。

為驗(yàn)證筆者所提算法對(duì)實(shí)際情況的弱光彩碼圖像也有效果，在真實(shí)環(huán)境下拍攝了光照不足的彩碼圖像作為輸入圖像來(lái)做對(duì)應(yīng)的增強(qiáng)處理，結(jié)果如圖11所示。

圖11 現(xiàn)實(shí)弱光圖像增強(qiáng)結(jié)果Fig.11 Real low light image enhancement results

由圖11可知：HE算法能在保證圖片原有色彩的情況下，較好地增強(qiáng)圖像亮度，但仍然存在增強(qiáng)不完全的情況；MSR算法則過(guò)度地增強(qiáng)了圖像亮度，使得彩碼圖像顏色泛白，因而彩碼色塊顏色也產(chǎn)生了失真的結(jié)果；大律法結(jié)合信息熵算法將彩碼色塊的信息丟失，僅保留了彩碼圖像的外觀，同時(shí)在色塊邊緣還存在噪聲點(diǎn)；筆者算法與HE算法相比，對(duì)原始圖像有更加完整的增強(qiáng)效果，在保證彩碼色塊的色彩信息完整的情況下，使增強(qiáng)后的圖像更為平滑；相比其他3 種傳統(tǒng)算法，對(duì)弱光彩碼圖像增強(qiáng)的效果更好。

4 結(jié) 論

在彩碼識(shí)別中，存在各種程度曝光不足的弱光彩碼圖像。為解決這一問(wèn)題，筆者首先從傳統(tǒng)圖像增強(qiáng)算法出發(fā)，對(duì)弱光彩碼做針對(duì)性增強(qiáng)，然后利用Retinex理論特性生成弱光彩碼圖像，對(duì)其光照映射圖像進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，最后通過(guò)訓(xùn)練的網(wǎng)絡(luò)預(yù)測(cè)弱光彩碼圖像對(duì)應(yīng)的光照?qǐng)D像來(lái)作針對(duì)性的增強(qiáng)。實(shí)驗(yàn)結(jié)果表明：筆者所提出的算法能較好地增強(qiáng)弱光彩碼圖像，同時(shí)也盡可能保留了彩碼圖像的信息。因此，筆者所提出的增強(qiáng)效果算法能有效地應(yīng)用于低光彩碼圖像識(shí)別，具有一定的借鑒意義。今后將繼續(xù)優(yōu)化網(wǎng)絡(luò)模型，進(jìn)一步優(yōu)化圖像增強(qiáng)后局部暗區(qū)域的現(xiàn)象。