張寶菊，孫友辰，王 瓊，張翠萍，張 博

（1.天津師范大學(xué)電子與通信工程學(xué)院，天津 300387；2.天津市無線移動通信與無線電能傳輸重點實驗室，天津 300387）

數(shù)字圖像是一種直觀的信息載體，隨著數(shù)字成像技術(shù)的發(fā)展和數(shù)字成像成本的降低，數(shù)字圖像已成為一種常見的媒體形式.圖像增強的目的是改善圖像的視覺效果，將其轉(zhuǎn)換為更適合于人或機器進行分析和處理的形式.傳統(tǒng)的圖像增強技術(shù)主要包括空域和頻域2 種增強算法.基于空域的算法主要有直方圖均衡化和灰度變換等方法.基于頻域的算法在頻域內(nèi)對整個圖像進行操作，通過低通濾波或高通濾波對圖像進行濾波處理.傳統(tǒng)的圖像增強算法主要針對灰度圖發(fā)揮作用[1].隨著圖像處理技術(shù)的不斷發(fā)展，很多應(yīng)用領(lǐng)域要求對彩色圖像進行圖像增強和色彩恢復(fù).但在現(xiàn)實生活和自然場景中，由于拍攝角度、拍攝時間、拍攝環(huán)境和設(shè)備等因素的影響，大量圖像往往由于光照不足等問題，導(dǎo)致圖像的視覺感知較差，許多有效信息被隱藏，在一定程度上降低了圖像質(zhì)量和應(yīng)用價值[2].

為提高低照度圖像的質(zhì)量，相關(guān)學(xué)者提出了多種低照度圖像增強的方法.Land 等[3]首次提出了Retinex算法，該算法符合人眼的顏色恒常性理論.之后研究人員對Retinex 算法做了一系列改進，從單尺度算法發(fā)展到多尺度算法，再發(fā)展到帶有色彩恢復(fù)的多尺度算法[4-6].傳統(tǒng)的Retinex 算法容易產(chǎn)生光暈和過增強等現(xiàn)象，因此許多學(xué)者提出了多種方法對傳統(tǒng)Retinex 算法進行改進.Liu 等[7]提出了基于Retinex 的快速算法實現(xiàn)低照度圖像增強，該算法能夠恢復(fù)低照度覆蓋的信息.Wang 等[8]針對傳統(tǒng)Retinex 算法紋理細(xì)節(jié)保留差以及光暈、過增強和色調(diào)突變等缺點，提出了一種基于Gabor 濾波器和Retinex 理論的低照度彩色圖像增強算法，使處理后的圖像顏色豐富，且更接近原始圖像，有效減少了暈輪和過增強.Hassan 等[9]提出了一種基于Retinex 的水下圖像增強算法，以解決由于光的衰減變化和紅、綠、藍分量的不均勻吸收造成的水下圖像對比度低和顏色失真等問題.

為提高圖像亮度，增強對比度和圖像細(xì)節(jié)，本文提出一種基于HSV 空間的Retinex 低照度圖像增強算法.實驗結(jié)果顯示，該算法提高了圖像的對比度和亮度，有效改善了低照度圖像的質(zhì)量，具有較好的色彩恢復(fù)效果，視覺效果良好.

1 基本理論

1.1 色彩空間轉(zhuǎn)換

彩色圖像增強的目的是調(diào)整圖像的亮度和顏色，以滿足人對顏色的感知.RGB 和HSV 顏色空間都是表示色彩的方法.圖像的RGB 分量之間有很強的關(guān)聯(lián)性，不適合單獨用于圖像增強.HSV 是一種基于人眼視覺感知的顏色空間.HSV 模型基于RGB 顏色空間中點的關(guān)系建立，可以更準(zhǔn)確地描述感知到的顏色關(guān)系，并使其在計算中保持簡單[10]. HSV 空間的3 個分量分別為色調(diào)（H）、飽和度（S）和亮度（V）.色調(diào)表示顏色的基本特征.飽和度表示顏色的純度，其值范圍為0%～100%. 亮度表示顏色的明亮程度，其值范圍為0%～100%[11]，對于光源色，亮度值是相對于照明亮度的顏色，物體色與物體的透射率或反射率有關(guān).

1.2 Retinex 算法

Retinex 理論又被稱為視網(wǎng)膜皮層理論[12]，Retinex圖像增強算法的基本思想是，對于一個點的顏色和亮度的感知不僅取決于進入人眼的絕對光線，還取決于周圍的顏色和亮度[13]. Retinex 算法在低光照圖像增強、惡劣環(huán)境下的圖像增強和圖像去霧、彩色圖像恢復(fù)等方面取得了很好的效果[14].Retinex 算法的表達式為

式中：S（x，y）為觀察到的圖像；L（x，y）為照射分量，反映圖像整體的亮度情況；R（x，y）為反射分量，包含大量的圖像細(xì)節(jié)信息.反射分量由物體本身的內(nèi)在屬性決定，不受入射光的影響.對式（1）取對數(shù)，得到

在實際求解時，直接由原始圖像獲得反射分量比較困難，通常先間接求得照射分量，再由式（2）得到結(jié)果，照射分量的計算方式有很多種.Retinex 的基本計算過程如圖1 所示.

圖1 Retinex 的計算過程Fig.1 Calculation process of Retinex

單尺度Retinex 算法（SSR）可以保留圖像色彩，抑制噪聲，但容易出現(xiàn)顏色失真，且會出現(xiàn)光暈現(xiàn)象[14].相比于SSR 算法，多尺度Retinex 算法（MSR）對圖像的動態(tài)范圍壓縮效果更好，對比度和亮度的增強效果更明顯，色彩保持效果更好，但也會出現(xiàn)顏色失真，且難以避免光暈現(xiàn)象[15].帶色彩恢復(fù)的多尺度Retinex算法（MSRCR）在MSR 算法的基礎(chǔ)上引入了一個色彩恢復(fù)因子，利用色彩恢復(fù)因子的變化改變相關(guān)參數(shù)的比例，使其恢復(fù)為原始數(shù)值，從而實現(xiàn)色彩補償，解決顏色失真現(xiàn)象[16].MSRCR 算法的表達式為

式中：Ci（x，y）為第i個通道的色彩恢復(fù)函數(shù)，

式（3）中：k為尺度參數(shù)的個數(shù)，ωk為每個尺度的權(quán)重.當(dāng)k=1 時即為單尺度Retinex 算法，多尺度算法中k一般取3.式（4）中：β 為增益常數(shù)，α 為一個可以控制的非線性調(diào)節(jié)因子，n為顏色通道數(shù).

SSR、MSR 和MSRCR 算法的增強效果示例見圖2，可見MSRCR 算法的視覺效果優(yōu)于SSR 算法和MSR 算法，避免了顏色失真現(xiàn)象.因此本文選用相應(yīng)的MSRCR 算法處理圖像.

圖2 Retinex 算法增強效果Fig.2 Enhanced effects of Retinex algorithm

2 本文算法

2.1 RGB 空間與HSV 空間的相互轉(zhuǎn)化

RGB 空間與HSV 空間在數(shù)值上一一對應(yīng).RGB空間轉(zhuǎn)換為HSV 空間的計算公式為

式中：r、g、b分別為紅色、綠色、藍色分量，r、g、b的最大值和最小值分別為max 和min. HSV 空間轉(zhuǎn)換為RGB 空間的計算公式為

2.2 改進的MSRCR 算法

Retinex 算法一般采用高斯濾波作為中心函數(shù)，高斯濾波器計算整個圖像的加權(quán)平均值，相鄰像素點間的距離越近，其關(guān)系越緊密，因此經(jīng)高斯濾波處理的圖像可能會產(chǎn)生光暈和模糊邊緣[13].雙邊濾波是一種非線性濾波器[17]，其在高斯濾波的基礎(chǔ)上考慮了值域和空間域的差異，能夠保留圖像的邊緣特征，實現(xiàn)邊緣去噪，在增強圖像細(xì)節(jié)信息的基礎(chǔ)上消除光暈現(xiàn)象[18].本文采用雙邊濾波對飽和度分量進行處理，并在亮度分量中以雙邊濾波器作為中心函數(shù).雙邊濾波的計算公式為

式中：g（i，j）為圖像中心像素的灰度值；D（i，j）為以（i，j）為中心點的鄰域像素的取值范圍；w（i，j，k，l）為濾波器的權(quán)重系數(shù)，即新的灰度值；f（i，j）和f（k，l）分別為點（i，j）和（k，l）附近像素的灰度值；ws（i，j）和wr（i，j）分別為空間鄰近因子和灰度相似因子；σs和σr為濾波器參數(shù)[19].

2.3 聯(lián)合亮度增強算法

2.3.1 自適應(yīng)Gamma 校正

Gamma 校正通過非線性變換使曝光強度的線性響應(yīng)圖像更接近人眼感受的響應(yīng)，對過亮或過暗的圖像進行校正.Gamma 校正主要用于提高低照度圖像的亮度，增強圖像的質(zhì)量[17].Gamma 校正的計算公式為

式中：I（x，y）為原始圖像的亮度；γ 為校正系數(shù)；G（x，y）為校正后的圖像亮度.當(dāng)γ=1 時，校正后圖像與原始圖像亮度相同，當(dāng)γ ＜1 時，校正后的圖像亮度增加，反之亮度降低[20].本文采用自適應(yīng)的Gamma 校正處理圖像.一幅合理的圖像的Gamma 均值應(yīng)為0.5 左右，校正系數(shù)需要向這個均值靠近[21]. 設(shè)圖像的平均亮度為X，自適應(yīng)Gamma 校正的校正系數(shù)滿足Xγ=

2.3.2 限制對比度自適應(yīng)直方圖均衡化算法（CLAHE算法）

采用限制對比度自適應(yīng)直方圖均衡化算法（CLAHE 算法）進一步提高圖像質(zhì)量，該算法由直方圖均衡化算法（HE 算法）演變而來，通過調(diào)整對比度限幅提高圖像質(zhì)量[17].該算法的目的是提高圖像的局部對比度，抑制噪聲放大.CLAHE 算法的基本步驟為：①圖像子區(qū)域劃分；②計算直方圖；③計算限制值；④像素點重新分配；⑤直方圖均衡化；⑥重構(gòu)像素點灰度值.限制值的計算公式為

式中：c為子區(qū)域中包含的像素數(shù)；L為子區(qū)域的灰度級數(shù)；α 為截斷系數(shù)，范圍為[0，100]；Smax為最大斜率，用于決定對比度增強的幅度，取值為[1，4]內(nèi)的整數(shù)[22].

利用自適應(yīng)Gamma 校正處理增強后的圖像，可以保留圖像的有效信息，再使用CLAHE 算法對亮度分量進行局部增強，可以增強圖像的細(xì)節(jié)，保留更多的有效信息，從而提高圖像質(zhì)量.

2.4 基于對比度拉伸的飽和度增強算法

當(dāng)顏色信息（參數(shù)h）恒定時，亮度和飽和度決定了圖像的整體效果. 飽和度分量經(jīng)過雙邊濾波處理后，邊緣更加清晰.由于光照強度不足或不均勻，低照度圖像的顏色較暗，飽和度較低.對低照度圖像進行處理時，隨著亮度和細(xì)節(jié)的增強，會導(dǎo)致圖像顏色失真.因此需要通過對比度線性拉伸優(yōu)化圖像的飽和度分量s，使其值在[0，255]區(qū)間內(nèi).對比度拉伸的計算公式為

式中：Imax和Imin分別為原圖中的最大和最小強度值，MAX 和MIN 分別為映射像素的灰度范圍的最大和最小像素值.

2.5 色彩恢復(fù)

由于不同環(huán)境下的色溫不同，圖像拍攝效果與真實顏色會有很大偏差.人眼具有色彩恒常性，不同光照條件下物體反射的光線是不同的，但人眼看到的物體顏色是相同的，然而計算機無法將不同的反射光線確定為相同的顏色.因此，需要對圖像進行白平衡處理以恢復(fù)其真實顏色.白平衡算法主要包括灰度世界理論和完美反射理論2 種[18].本文采用自動白平衡算法[23]處理圖像.以R 分量為例，自動白平衡算法的具體計算公式為

式中：μ 和ν 為通道校正系數(shù)，Rave和Rmax分別為R 通道的均值和最大值，Kave和Kmax分別為3 通道分量均值的平均值和3 通道分量最大值中的最大值. 由式（14）計算出μ 和ν，然后對原像素進行校正，得到校正后的通道分量.

2.6 算法基本流程

本文提出的低照度圖像增強算法的基本步驟如下：

步驟1：對圖像進行顏色空間分離和轉(zhuǎn)換，將RGB 圖像進行3 通道分離，并轉(zhuǎn)換到HSV 空間.

步驟2：采用改進的多尺度Retinex 算法對V 通道進行圖像增強.

步驟3：對增強后的圖像使用自適應(yīng)Gamma 校正進行校正處理，再使用CLAHE 算法對亮度分量進行局部增強.

步驟4：對S 分量進行雙邊濾波處理，再進行對比度拉伸變換.

步驟5：將H 分量和處理后的S 分量及V 分量合成為新的HSV 圖像，再將其轉(zhuǎn)換成RGB 圖像.

步驟6：采用自動白平衡算法處理新生成的RGB圖像，進行色彩恢復(fù)

算法的基本工作流程見圖3.

圖3 算法的基本工作流程Fig.3 Basic workflow of proposed algorithm

3 實驗結(jié)果與分析

為驗證本文算法的圖像增強效果，選擇室內(nèi)近景、室內(nèi)遠景和室外場景的低照度圖像進行實驗，圖像包括室內(nèi)、室外場景下不同的物體特征.分別采用直方圖均衡化算法（HE 算法）、多尺度Retinex 算法（MSR 算法）、帶色彩恢復(fù)的多尺度Retinex 算法（MSRCR 算法）和本文算法處理圖像，結(jié)果見圖4.

3.1 主觀評價

由圖4 可見，經(jīng)HE 算法處理后，3 幅圖像的整體曝光均得到加強，色調(diào)發(fā)生了變化.圖A 和B 整體泛白，導(dǎo)致圖像信息缺失；圖C 中的太陽已無法分辨，天空和湖面由暖黃色變成冷白色.經(jīng)MSR 算法處理后，3 幅圖像的亮度有較大提升，但是產(chǎn)生了嚴(yán)重的色偏現(xiàn)象.圖A 整體偏藍，暖光變成了藍光，右上角和右下角也產(chǎn)生了藍光；圖B 整體泛白，視覺效果不夠自然，色彩流失嚴(yán)重；圖C 增強了局部信息，整體變亮，但是色彩保持較差，整體輪廓不夠清晰，且出現(xiàn)了光暈現(xiàn)象.經(jīng)MSRCR 算法處理后，與原圖相比，可以明顯觀察到3 幅圖像的整體亮度得到提升，細(xì)節(jié)展現(xiàn)較好，邊緣清晰，但是整體顏色還有一些泛白，對比度較低.經(jīng)本文算法處理后，可以看出圖像更加自然，細(xì)節(jié)更加突出，邊緣得到有效增強，算法對亮度和對比度的增強效果較好，更加符合人眼的視覺感知，具有良好的視覺效果.

3.2 客觀評價

采用峰值信噪比（PSNR）、結(jié)構(gòu)相似度（SSIM）和信息熵對不同算法的圖像增強效果進行評價. PSNR和SSIM 是目前使用最廣泛的圖像處理質(zhì)量的評價指標(biāo).SSIM 用于度量2 個圖像的相似性，由圖像結(jié)構(gòu)信息的變化確定，其取值范圍為[0，1].信息熵通常用于衡量圖像中的信息量，其數(shù)值越大，圖像包含的信息越豐富，質(zhì)量越好. 4 種算法處理后圖像的PSNR、SSIM 和信息熵結(jié)果見表1.

表1 不同算法處理后圖像的PSNR、SSIM 和信息熵Tab.1 PSNR，SSIM and information entropy of images processed by different algorithms

由表1 可見，本文算法處理圖像的PSNR 均為最大，且相比于其他算法有大幅提升，說明本文算法抑制噪聲的能力較強，處理后的圖像在一定程度上減少了顏色失真.本文算法的SSIM 也大于其他算法，說明經(jīng)本文算法處理后的圖像還原度較好，與原圖像相似程度高，較好保持了原圖的結(jié)構(gòu)特性.本文算法處理圖A 的信息熵為7.31，僅低于MSR 算法（7.64），處理圖B 的信息熵為7.56，高于其他算法，處理圖C 的信息熵為7.75，略低于HE 算法（7.86）和MSR 算法（7.81）.綜合3 個評價指標(biāo)可見，本文算法處理圖像的效果優(yōu)于其他算法.

4 結(jié)語

針對低照度圖像質(zhì)量較差的問題，提出一種基于HSV 空間的Retinex 低照度圖像增強算法.實驗結(jié)果表明，該算法增強后的圖像在一定程度上減少了顏色失真，增強了亮度和對比度，減弱了光暈現(xiàn)象，在主觀評價和客觀評價方面都取得了良好的效果.