一种新的低照度彩色图像增强算法精Word下载.docx

一种新的低照度彩色图像增强算法精Word下载.docx

《一种新的低照度彩色图像增强算法精Word下载.docx》由会员分享，可在线阅读，更多相关《一种新的低照度彩色图像增强算法精Word下载.docx（9页珍藏版）》请在冰豆网上搜索。

彩色图像增强；

分段对数变换；

边缘保持；

饱和度；

色调；

Retinex算法中图分类号：

TP391

文献标志码：

A

文章编号：

1001-3695（2011）09-3554-02

doi：

10．3969/j．issn．1001-3695．2011．09．100

Newlowilluminationcolorimageenhancementalgorithm

LIXiao-xia，LICheng-guo，ZOUJian-hua，HANXue-mei

（SchoolofInformationEngineering，SouthwestUniversityofScience＆Technology，MianyangSichuan621010，China）

Abstract：

Inordertoavoidthecolordistortionduringtheimageenhancement，thispaperproposedanewlowilluminationcolorimageenhancementmethodcombiningthesaturationenhancementwithsegmentlogarithmictransformationandvalueen-hancementwithedgeretaining（S_log-V_edge）basedonthemulti-scaleRetinex（MSR）algorithmwithoutchangingthehue

intheHSVcolorspace．Resultsshowthatthismethodcanimprovethelowilluminationimages’visualeffectandenhancetheimagebrightnessandcontrastwhileretainingtheimagehueandedge．The25lowilluminationimagesaveragevalue，standard

20．93%and29．88%individually，theentropyandcon-deviationandcontrastincrementalvalueareincreasedby94．95%，

showingtrastincrementalvalueare7．34%and151．51%morethanthemulti-scaleRetinexwithcolorrestoration（MSRCR），

theeffectsarebetterthanRetinexmethods．

Keywords：

lowillumination；

colorimageenhancement；

segmentlogarithmictransformation；

edgeretainment；

saturation；

value；

Retinexalgorithm

0引言

在图像采集或视频监控的应用中，经常会有夜视或背光等

V_edge）对低照基于边缘保持的色调分量增强的方法（S_log-度彩色图像进行增强。

采集到的图像信噪比和对比度都较低，需要进低照度的情况，

行图像增强处理后才能进行特定的应用。

图像增强就是扩大图像的灰度范围和提高图像的整体亮度，改善图像的主观质量，使得无法辨识的图像细节能够被人眼或机器识别。

常用的

［1］［2］

图像增强算法有直方图变换法、灰度变换法、神经网络、Retinex算法［35］和基于HSV（色相、饱和度和色调）颜色空间

1图像增强算法

低照度彩色图像增强过程可以主要分为三个步骤：

a）将

低照度图像由RGB颜色空间转换到HSV颜色空间；

b）保持色相H分量不变，分别对饱和度分量S和色调分量V进行增强；

c）将图像由HSV颜色空间转换回RGB空间。

具体算法如图1所示。

1.1

饱和度分量增强

饱和度增强算法是对饱和度归一化后，根据饱和度的大小0．25＜S＜0．5、0．5＜S＜0．75、将图像分为四个区域：

S＜0．25、

0．75＜S。

将高饱和度的区域进行保持或降低，适当提高低饱可达到更好的视觉效果。

常用于饱和度分量增强的和度区域，

方法有分段线性变换和基于饱和度区域像素统计。

针对低照度图像增强，本文对分段线性变换增强方法作了改进，提出了一种分段对数变换饱和度分量增强方法，将图像转换到对数域来进行处理，如下：

的增强算法

［6］

等。

直方图变换法最常见的为直方图均衡化，

能自适应地提高图像灰度动态范围，在图像增强中被广泛使用，其缺点是变换后图像的灰度级减少，某些细节消失。

灰度在灰度动态范围宽的低照变换法中最常见的就是对比度拉伸，

度图像中对图像对比度拉伸效果非常有限。

带色彩恢复的多尺度Retinex算法主观增强效果很好，但会降低图像对比度，边缘细节保持不理想。

HSV颜色空间是直接面向用户的色彩空CYMK模型更符合人的视觉心理感受。

间，较RBG、

本文在HSV色彩空间，根据图像饱和度分量和色调分量的不同性质，提出了基于分段对数变换的饱和度分量增强结合

收稿日期：

2011-01-27；

修回日期：

2011-02-25

基金项目：

单目高精度大型物体彩色三维数字化测量原理研究（60808020）

作者简介：

李小霞（1976-），女，四川安岳人，副教授，博士，主要研究方向为模式识别、图像处理（lixiaoxia@swust．edu．cn）；

李铖果（1987-），女，硕士研究生，主要研究方向为模式识别与图像处理；

邹建华（1984-），女，硕士，主要研究方向为图像处理；

韩雪梅（1979-），女，硕士，主要研究方向为信号处理．

第9期李小霞，等：

一种新的低照度彩色图像增强算法·

3555·

Senh（x，y）=

{

log（1+S（x，y））aˑlog（1+S（x，y））bˑlog（1+S（x，y））log（1+S（x，y））

S（x，y）≤0．250．25＜S（x，y）≤0．50．5＜S（x，y）≤0．75S（x，y）＞0．75

（1）

其中：

Pi表示第i个灰度级的概率。

对比度增量是用来度量增强后图像的对比度与原图对比反映了图像变换前后对比度的变化程度，如果对比度的关系，

度增量大于1，表明图像的对比度在原图的基础上有所增强，更有利于人眼观察，如下：

K=Cprocessed/Coriginal

（8）

该方法对饱和度过低和过高的区域只取对数运算，对较低a和b和较高区域进行对数变换后，再进行一定程度的拉伸，为拉伸系数。

若整幅图像饱和度过低，则a和b选择较大的值；

反之选择较小的值。

1.2

色调分量增强

色调分量包含了原图大部分的边缘细节信息，保持或者增强边缘对提高低照度图像的可见性和可分辨性具有重要意义。

SSR、色调分量增强的方法有全局线性变换、分段线性变换、MSR和基于饱和度反馈的自适应色调增强方法。

考虑到图像本文在MSR算法的基础上进行了改进，改进边缘信息的保持，算法如图2所示

。

C是用3ˑ3大小的滑动窗口按照（max－min）/（max+min）来计算局部对比度的平均值。

3实验结果及分析

本文分别采用带色彩恢复的多尺度MSR（MSRCR）、分段

V_MSR）、线性变换饱和度增强与MSR色调增强（S_linear-分V_段线性变换饱和度增强与边缘保持色调增强（S_linear-V_edge）、分段对数变换饱和度增强与MSR色调增强（S_log-MSR）和分段对数变换饱和度增强与边缘保持色调增强（S_log-V_edge）五种算法对图3（a）进行增强，

分段对数变换的参b=0．8，数a=1．2，结果如图3所示。

首先对图像的色调分量进行多尺度Retinex变换，如下：

r（x，y）=∑wiˑ｛log［L（x，y）］－log［L（x，y）ˑGi（x，y）］｝

i=1N

（2）

y）是原始图像；

N表示尺度的个数，其中：

L（x，通常采用三个尺度；

wi是加权系数，通常假定各个尺度的权重是相等的，即w1=w2=w3=1/3。

高斯函数Gi（x，y）为

Gi（x，y）=λˑe－

（x2+y2）ci

（3）

从图3中可以看出主观上这五种算法都提高了图像亮度，能够看清楚原图中的暗区域，且都能够在一定程度上恢复原图（c）和的颜色。

图3（b）MSRCR算法存在明显的过饱和现象，（e）增强的边缘不如（d）和（f）明显，（f）比如建筑物的边缘，（d）的层次更加清晰，色彩更加真实。

采用本文提出的算法对25幅图像（http：

//dragon．larc．nasa．gov/retinex/pao/news/）进行增强实验，通过亮度、熵、标准偏差和对比度增量这四个客观指标对增强效果进行评估，如表1所示。

表1

增强方法原图

MSRCRS_linear-V_MSRS_log-V_MSRS_linear-V_edgeS_log-V_edge

ci取不同的值则称为多尺度；

λ是使得高其中：

ci是尺度常量，斯函数归一化的常量矩阵。

y）dxdy=1∫∫G（x，

（4）

然后进行锐化处理，为了防止单纯的边缘锐化而带来的边缘扭曲和噪声放大，对提取的边缘进行高斯平滑，以滤除部分噪声。

最后将MSR处理和高斯平滑后的图像进行迭加，边缘与附近像素的灰度落差拉大，这样就能突出图像的边缘部分，并使得图像中非边缘部分更亮。

25幅图片平均增强指标

亮度

228．16494．19459．46441．89462．41444．79

熵6．786．776．936．977．247．27

标准偏差8．6610．3510．3610．4210．4710．47

对比度增量

10．520．630．691．251．30

2图像增强效果评价指标

采用亮度、标准差、熵和对比度增量这四个指标来评估图

像增强算法的客观效果。

亮度即图像矩阵的平均值，其值表明图像的明暗程度，如下：

L=

3MN1

n，i）∑∑∑I（m，

3ˑMˑNi=1m=1n=1

（5）

从表1可以看出，五种增强方法都提高了图像的亮度、熵S_log-V_edge的熵和标准偏差都略高于其他