張新龍， 申 永， 張 璇， 汪榮貴

（合肥工業(yè)大學(xué)計算機(jī)與信息學(xué)院，安徽 合肥 230009）

目前，比較實用的圖像增強(qiáng)方法主要有空域 內(nèi)的直方圖均衡化、MSR(Multi-Scale Retinex,MSR)等，直方圖均衡化往往適用于灰度圖像，MSR算法選擇像素比較的模板通常較大，對有多個發(fā)光源的圖像處理效果不好，且易產(chǎn)生光暈偽影。頻率域增強(qiáng)算法是圖像增強(qiáng)的另一種方法[1]，主要通過對變換到頻域中的變換系數(shù)進(jìn)行操作，來達(dá)到增強(qiáng)的目的?，F(xiàn)有的頻率域算法通常采用傅里葉變換、小波變換和離散余弦變換(DCT)，這些方法較適合于處理彩色圖像，但是對高動態(tài)范圍圖像增強(qiáng)效果不理想，往往不能很好恢復(fù)圖像細(xì)節(jié)，而且可能會強(qiáng)化塊狀效應(yīng)。本文通過對現(xiàn)有算法的研究，提出一種細(xì)節(jié)增強(qiáng)效果明顯而且能抑制塊狀效應(yīng)的高動態(tài)范圍圖像增強(qiáng)算法。

DCT域圖像增強(qiáng)作為頻域圖像增強(qiáng)方法的一種，近幾年成為圖像增強(qiáng)領(lǐng)域的研究熱點(diǎn)。Jinshan Tang等提出了一種基于DCT域的圖像增強(qiáng)方法[2-3]，利用了頻帶的整體信息來增強(qiáng)圖像，在所有頻帶使用相同的因子增加對比度，不能針對圖像的具體細(xì)節(jié)特點(diǎn)而進(jìn)行增強(qiáng)；Eli Peli等提出了一種在 DCT域中使用多尺度對比度度量加強(qiáng)圖像的高頻分量，從而增強(qiáng)圖像對比度的算法[4]，該算法未考慮到隱藏在圖像暗區(qū)的細(xì)節(jié)信息和人類視覺對低頻帶的敏感性，對低頻帶未采取針對性的處理，細(xì)節(jié)增強(qiáng)效果不理想；Kashif Iqbal等在以上兩種算法的基礎(chǔ)上提出了一種多尺度的DCT域圖像的對比度增強(qiáng)算法[5]，對低頻帶的增強(qiáng)參數(shù)不同于其它頻帶，但該方法對不同的圖像要手動調(diào)節(jié)參數(shù)，且不能有效地消除塊狀效應(yīng)；Sangkeun Lee等提出了使用Retinex方法對低頻帶系數(shù)操作壓縮圖像的動態(tài)范圍，使用光譜含量比對高頻帶系數(shù)操作增強(qiáng)圖像細(xì)節(jié)的增強(qiáng)方法，能較好地增強(qiáng)圖像暗處的細(xì)節(jié)，然而無法有效地抑制圖像的過亮部分，還原亮處的細(xì)節(jié)[6-7]；Ying Luo等利用相鄰子塊低頻帶的關(guān)系與邊界是否平滑的相關(guān)性對平滑和非平滑區(qū)域采用不同的處理方法，設(shè)計出一種平滑濾波器來降低塊狀效應(yīng)[8]，該方法增加了算法的復(fù)雜性和計算量。

現(xiàn)有的DCT域增強(qiáng)算法通常對DCT系數(shù)采用相同的策略進(jìn)行處理，增強(qiáng)圖像暗區(qū)細(xì)節(jié)的同時往往容易導(dǎo)致對圖像中本來就比較亮的部分過度增強(qiáng)，出現(xiàn)曝光現(xiàn)象；而且現(xiàn)有算法在分塊操作時，沒有充分考慮頻帶間頻率變化特點(diǎn)和子塊間系數(shù)變化特點(diǎn)，往往容易導(dǎo)致塊狀效應(yīng)。前者很好地解釋了高動態(tài)范圍圖像較低照度圖像更加難以增強(qiáng)的原因，高動態(tài)范圍圖像除了具有較多暗區(qū)之外，圖像中往往還包含了部分高亮區(qū)域，現(xiàn)有的增強(qiáng)算法往往在增強(qiáng)暗區(qū)的同時無法有效抑制強(qiáng)光進(jìn)而很好地增強(qiáng)高動態(tài)范圍圖像。

針對高動態(tài)范圍圖像的增強(qiáng)應(yīng)該考慮通過調(diào)整動態(tài)范圍來恢復(fù)被采集場景的完整動態(tài)范圍效果，達(dá)到增強(qiáng)圖像細(xì)節(jié)的目的。然而動態(tài)范圍調(diào)整后，有一些細(xì)節(jié)尤其是圖像中很暗或過亮區(qū)域里的細(xì)節(jié)可能會集中在一個很窄的亮度范圍內(nèi)，因此需要調(diào)整不同區(qū)域的局部對比度，使得很暗或過亮區(qū)域的細(xì)節(jié)更好地呈現(xiàn)出來。

根據(jù)上述分析，本文探索性地將Retinex圖像增強(qiáng)算法思想引入 DCT域，在此基礎(chǔ)上，提出了一種新的 DCT域圖像增強(qiáng)算法。根據(jù)Retinex思想，入射光分量變化比較平緩，反射光分量變化比較劇烈，因此，作者將離散余弦變換的DC系數(shù)作為入射分量，AC系數(shù)作為反射分量，并采用不同的具有針對性的策略將兩者分開處理：針對入射分量通過構(gòu)造一種帶強(qiáng)光抑制的函數(shù)，將入射分量映射到理想的動態(tài)范圍，以調(diào)整圖像的整體動態(tài)范圍；通過定義一種頻帶限制的對比度度量來表現(xiàn)頻帶間的空間頻譜含量差異，實現(xiàn)反射分量的局部細(xì)節(jié)增強(qiáng)，從而得到較好的圖像增強(qiáng)效果，并抑制了塊狀效應(yīng)。同時進(jìn)行動態(tài)范圍調(diào)整和局部對比度增強(qiáng)有利于更好地改進(jìn)圖像的質(zhì)量，增強(qiáng)后的圖像更接近于真實的自然場景，細(xì)節(jié)更清楚，視覺效果更好。

1 DCT域圖像增強(qiáng)

現(xiàn)有的 DCT域圖像增強(qiáng)算法是先把圖像轉(zhuǎn)換到DCT域然后對DCT系數(shù)進(jìn)行操作，最后轉(zhuǎn)回空間域輸出圖像。對一幅二維圖像 I(i, j)，

DCT變換是 JPEG圖像編碼標(biāo)準(zhǔn)的主要內(nèi)容，該編碼方法首先將一幅圖像分割成互不重疊的 8×8像素的子塊，然后將每個子塊通過 DCT變換轉(zhuǎn)換到空間頻域內(nèi)。子塊左上角的 DCT系數(shù)d(0,0)稱之為DC系數(shù)，其余的63個系數(shù)稱之為AC系數(shù)，如圖1所示，從左上角到右下角空間頻率依次增加。

圖1 DCT系數(shù)子塊

然后將每個系數(shù)除以相應(yīng)的量化參數(shù)，量化DCT系數(shù)，所得結(jié)果就近取整。量化后的 DCT系數(shù)按之字形順序存儲在一個行或列矩陣?yán)镞M(jìn)行平均信息量編碼。編碼之后對 DCT系數(shù)進(jìn)行操作改變其值來增強(qiáng)圖像，然后解碼圖像，乘以相應(yīng)的量化系數(shù)逆量化，最后進(jìn)行DCT逆變換，轉(zhuǎn)回到空間域中重建原始圖像。其中 DCT逆變換IDCT定義為

現(xiàn)有的 DCT域增強(qiáng)算法一般在量化后對DCT頻帶和系數(shù)采用相同的策略進(jìn)行處理，來改變頻帶內(nèi)的DCT系數(shù)，以達(dá)到增強(qiáng)圖像的目的。然而，對于圖像中的各種區(qū)域相同的策略往往無法都能取得理想的增強(qiáng)效果，而且沒有充分考慮頻帶間頻率變化特點(diǎn)和子塊間系數(shù)變化特點(diǎn)，往往容易導(dǎo)致塊狀效應(yīng)。

2 Retinex理論

Retinex算法[9-11]是圖像增強(qiáng)的新方法。該類算法以色彩恒常性理論為基礎(chǔ)，認(rèn)為物體的表色由物體表面的反射性質(zhì)決定，而與場景中的入射光信息的關(guān)系不大。該類算法的基本思路是首先將待增強(qiáng)圖像看成是由反射光分量和入射光分量組成，然后采用一定的策略計算出反射分量，實現(xiàn)對圖像的增強(qiáng)。根據(jù)Retinex理論，假設(shè)一副圖像是入射光分量和物體表面反射光分量，然后去除入射光分量，得到反射光分量，還原物體了本來面貌。如以下公式

公式(2)將圖像分為入射光分量S(x, y)，及反射分量R(x, y)的乘積，再通過如下公式(3)，取對數(shù)后，可將乘積轉(zhuǎn)換為加，從而可以為后續(xù)減去入射光分量做鋪墊。

要去除入射光的成像，得先估計入射光分量。由于入射光引起的變化相對于物體表面引起的變化較平滑，因此中心/環(huán)繞Retinex算法通過對原圖做平滑濾波，得到入射分量。算法采用的平滑濾波為高斯濾波，如下所示

算法的具體流程步驟如下：

（1）將圖像分成入射光成像和表面反射成像如公式(2)所示。

（2）公式(2)兩邊取對數(shù)，將入射分量和反射分量分離，如公式(3)。

（3）利用高斯平滑濾波器，對原圖做濾波，如下式所示

其中 F(x, y)為高斯濾波器，表達(dá)式為公式(4)；符號*為卷積操作；Ilow(x, y)為經(jīng)過平猾后得到的低通濾波圖像，即照度分量成像。

（4）將原圖與Ilow(x, y)在對數(shù)域中相減，如下所示

其中 I'( x, y)為原圖取對數(shù)；R'( x, y)為表面反射所成的圖像。

（5）對R'( x, y)取反對數(shù)，得到的才是增強(qiáng)后的圖像，即

如上述算法過程所示：該算法的關(guān)鍵點(diǎn)是估計入射分量，入射分量的估計直接決定著最終增強(qiáng)效果。Retinex算法假設(shè)入射分量是平滑的，因此中心環(huán)繞Retinex算法用高斯模板跟原圖做卷積來估計入射分量。這里將高斯模板中的標(biāo)準(zhǔn)差σ稱之為尺度參數(shù)，是該算法的唯一參數(shù)。因此，尺度參數(shù)σ的大小決定對入射分量的估計，也即決定了最終的增強(qiáng)效果。

多尺度中心環(huán)繞 Retinex算法(MSR)是取不同尺度σ進(jìn)行線性加權(quán)平均，是對單尺度中心環(huán)繞Retinex(SSR)算法的融合。公式如下

其中 k為尺度參數(shù)σ的總個數(shù)，Wi為權(quán)值，滿般情況下，MSR取高，中，低三個尺度，即k=3。Fi(x, y)表示參數(shù)為σi的高斯函數(shù)。從公式(5)可以看出：MSR算法通過線性加權(quán)綜合多個固定尺度的 SSR算法增強(qiáng)效果來提高增強(qiáng)效果。

3 本文算法

本文算法的思想是：通過調(diào)整動態(tài)范圍的方法來恢復(fù)場景的完整動態(tài)范圍效果，達(dá)到整體增強(qiáng)圖像的目的。同時調(diào)整不同區(qū)域的局部對比度使得過暗或過亮區(qū)域的細(xì)節(jié)更好地呈現(xiàn)出來，達(dá)到增強(qiáng)圖像細(xì)節(jié)的目的。具體過程及原理如下所述：

DCT系數(shù)中DC系數(shù)反映了子塊的亮度均值和整體動態(tài)范圍，其值變化比較平滑，不同頻帶的AC系數(shù)包含了圖像的大量細(xì)節(jié)信息，其值變化比較劇烈，本文將Retinex圖像增強(qiáng)算法思想引入DCT域，根據(jù)系數(shù)的不同特征將DCT系數(shù)分為入射分量和反射分量，通過構(gòu)造一種帶強(qiáng)光抑制的函數(shù)，將入射分量映射到理想的區(qū)域調(diào)整圖像的動態(tài)范圍，定義一種頻帶限制的對比度度量來表現(xiàn)頻帶間的空間頻譜含量差異，對其操作增強(qiáng)圖像的局部對比度，從而得到更好的圖像細(xì)節(jié)。算法基本流程見圖2所示。

如圖2所示，首先，本文算法將待處理圖像轉(zhuǎn)至YCbCr空間，用K-L距離評估原圖像各通道像素分布的合理性，并由K-L距離計算出入射分量動態(tài)范圍調(diào)整中的參數(shù)γ；然后，計算Y通道的均值和方差，將方差與設(shè)定的閾值比較，超過閾值則將圖像分解為更小的子塊來進(jìn)行后期處理以避免產(chǎn)生塊狀效應(yīng)，在確定子塊大小之后將各子塊變換至DCT域，將DCT系數(shù)分為入射分量和反射分量，在Y通道對入射分量通過構(gòu)造的映射函數(shù)f (x)調(diào)整其動態(tài)范圍，對反射分量先定義頻帶的對比度；接著，乘以增強(qiáng)參數(shù)來增強(qiáng)圖像的局部細(xì)節(jié)，對Cb和Cr通道采用類似的處理來保持圖像的色彩。最后，在各通道內(nèi)分別將入射分量和反射分量融合并進(jìn)行逆 DCT變換得到輸出圖像。

圖2 算法流程

下面具體介紹參數(shù)的選取和塊狀效應(yīng)抑制、入射分量的動態(tài)范圍調(diào)整以及反射分量的局部細(xì)節(jié)增強(qiáng)。

3.1 參數(shù)的選取和塊狀效應(yīng)的抑制

在 YCbCr色彩空間中，亮度信息用單個分量的Y來表示，彩色信息用兩個色差分量Cb和Cr來存儲。增強(qiáng)圖像的對比度只需對圖像的亮度分量Y處理，保持色彩信息還需要對Cb和Cr分量操作。

3.1.1 參數(shù)的自動選取

下面介紹 YCbCr空間內(nèi)自動選取本文算法的參數(shù)γ的方法：

首先，將原圖像 YCbCr各通道數(shù)值歸一化至 [0,1]區(qū)間。然后分別計算Y通道值的分布到參數(shù)為A=1.5, B=1的Beta分布的Kullback-Leibler距離[12]，記為ΔY；Cb和Cr通道值的分布到[0,1]區(qū)間上的均勻分布的K-L距離，分別記為ΔCb和ΔC r 。最后求得參數(shù)γ

K-L距離定義了兩種分布的接近程度，設(shè)兩種不同的分布p(k)和q(k)，兩者的K-L距離定義為

參數(shù)為A=1.5, B=1的Beta分布和[0,1]區(qū)間上的均勻分布分別用來評估原圖像的Y通道和Cb、Cr通道上的分布的合理性，若圖像的Y通道像素值的分布趨近于參數(shù)為A=1.5, B=1的Beta分布，更多的像素值將落在[0,1]區(qū)間上接近1的區(qū)域內(nèi)，圖像的整體對比度將提高，亮度更好；若圖像的 Cb、Cr通道像素值的分布趨近于[0,1]區(qū)間上的均勻分布，色彩將更均勻地分布在[0,1]區(qū)間上，圖像將包含更多的色彩內(nèi)容。由公式(6)選取的參數(shù)γ能使得Y通道的分布盡可能在[0,1]區(qū)間上接近1的區(qū)域內(nèi)（亮度更佳），Cb和Cr通道的分布盡可能地接近于均勻分布（可以包含更多的色彩）[13]。

3.1.2 塊狀效應(yīng)的抑制

基于 DCT域的圖像增強(qiáng)算法的主要問題是對各 DCT子塊獨(dú)立處理容易導(dǎo)致塊狀效應(yīng)的出現(xiàn)，之前提出的一些抑制塊狀效應(yīng)的方法[9]往往具有計算量大、效果不理想、易出現(xiàn)偽邊等局限性，本文從另一個視角出發(fā)來尋求解決方法，觀察注意到在亮度值顯著變化的區(qū)域內(nèi)，特別是亮度值急劇變化的邊界附近容易產(chǎn)生塊狀效應(yīng)，保持這些區(qū)域子塊的DC系數(shù)變化連續(xù)平滑有助于抑制其產(chǎn)生塊狀效應(yīng)。然而僅對個別亮度跳變的子塊采取特殊策略不利于算法的并行實現(xiàn)，保證每個子塊內(nèi)的計算方法相同有利于提高程序并行性，提升算法速度，因此本文首先將原始圖像按標(biāo)準(zhǔn)的JPEG圖像默認(rèn)的8×8的子塊大小轉(zhuǎn)換至DCT域，然后視是否需要自適應(yīng)地將DCT子塊分解成更小的子塊，在這些更小子塊上進(jìn)行增強(qiáng)處理，最后重新按8×8的子塊大小逆變換至空間域輸出增強(qiáng)結(jié)果。例如，將8×8的子塊分解成4×4或2×2的子塊進(jìn)行處理，分解后處理能在更小的范圍內(nèi)進(jìn)行增強(qiáng)，避免亮度值出現(xiàn)劇烈的改變，因此進(jìn)一步有效避免塊狀效應(yīng)的產(chǎn)生。判定是否需要分解子塊的條件如下：

由式(5)定義一幅N×N圖像的DCT歸一化系數(shù)為

其中 d(i, j)為整體圖像的DCT系數(shù)，由DCT變換的定義和Perseval定理可將圖像的均值μ和標(biāo)準(zhǔn)差σ分別定義為

標(biāo)準(zhǔn)差σ反映了圖像亮度變化的劇烈程度，σ越大圖像像素點(diǎn)間亮度差異越大，增強(qiáng)后越容易產(chǎn)生塊狀效應(yīng)。選取閾值 σth1和 σth2，若圖像的標(biāo)準(zhǔn)差σ大于σth1則將8×8子塊分解成4×4進(jìn)行處理，若大于σth2則將8×8子塊分解成2×2進(jìn)行處理。下文對入射分量調(diào)整和反射分量校正的介紹都以8×8子塊為例，更小的子塊上處理方法類似。

3.2 入射分量的動態(tài)范圍調(diào)整

由 3.1.2節(jié)的方法確定了子塊大小之后，首先將圖像分解為若干子塊，然后在各通道內(nèi)以子塊為單位將原圖像轉(zhuǎn)至DCT域。在Y通道內(nèi)，DC系數(shù)的值反映了當(dāng)前子塊入射分量的平均亮度分布，對DC系數(shù)操作可以達(dá)到其調(diào)整動態(tài)范圍的目的，通過構(gòu)造一種帶強(qiáng)光抑制的函數(shù)映射其DC系數(shù)值到一個希望得到的范圍來實現(xiàn)，并且該函數(shù)在給定的范圍內(nèi)應(yīng)當(dāng)是單調(diào)的。假設(shè)當(dāng)前圖像的最大亮度為Imax（以保證處理后的圖像最大亮度仍為Imax，以達(dá)到抑制強(qiáng)光的目的），子塊的DCT系數(shù)為Y(k, l )，0≤k, l≤7，則Y(0,0)

函數(shù)f (x)有多種選取方式，為進(jìn)一步抑制強(qiáng)光并增強(qiáng)暗區(qū)細(xì)節(jié)，本文算法構(gòu)造的函數(shù)f (x)為

函數(shù)f (x)有一個取值在2附近的可供調(diào)節(jié)的參數(shù)γ，通過上文3.1節(jié)的方法進(jìn)行自適應(yīng)選取。公式(7)對暗區(qū)或強(qiáng)光都有較好的增強(qiáng)或抑制效果，可以有效地調(diào)整圖像的整體動態(tài)范圍。

彩色圖像的顯示效果往往取決于三個要素：亮度、對比度和色彩，傳統(tǒng)的增強(qiáng)算法如簡單動態(tài)范圍調(diào)整僅僅考慮到亮度要素，圖像銳化操作僅僅考慮到對比度要素，甚至有些算法考慮到兩者兼顧，然而卻很少有算法能同時考慮到顏色的保持。以YCbCr空間為例，僅僅對Y分量操作，能達(dá)到增強(qiáng)亮度和對比度的目的，卻不能實現(xiàn)對原始圖像色彩的保持。并且由YCbCr空間到RGB空間的轉(zhuǎn)換公式可知，在G>R和G>B時增加Y而保持Cr和Cb不變，會導(dǎo)致R/G和B/G的值變小，降低色彩的飽和度。因此，本文提出一種兼顧亮度、對比度和色彩的有效增強(qiáng)方法，首先定義DCT子塊的增強(qiáng)因子λ如下式

設(shè)Cb和Cr通道的子塊DCT系數(shù)分別為U(k,l ), V(k, l )，0≤k, l≤7，構(gòu)造下式映射其 DC 系數(shù)，來保持圖像色彩

3.3 反射分量的局部細(xì)節(jié)增強(qiáng)

反射光分量包含大量圖像細(xì)節(jié)，對其進(jìn)行局部對比度增強(qiáng)能夠提高圖像的清晰度，增強(qiáng)場景中觀看者感興趣的細(xì)節(jié)部分。圖像細(xì)節(jié)對比度增強(qiáng)可分為直接對比度增強(qiáng)與間接對比度增強(qiáng)，直接對比度增強(qiáng)在增強(qiáng)前需度量圖像的對比度，本文采用一種基于 DCT域圖像對比度定義的一種新的直接對比度增強(qiáng)方法。DCT系數(shù)反映了圖像的空間頻譜含量，AC系數(shù)反映的空間頻率隨著距DC系數(shù)距離的增大而增大，進(jìn)而反映了圖像細(xì)節(jié)的對比度。如圖1所示，定義DCT域第n個頻帶(n≥1)的對比度度量為cn

φt是每個頻帶中AC系數(shù)的平均值，N的計算公式如下

14個頻帶在這種方式下定義的對比度cn(n≥1)近似相等地表現(xiàn)了各頻帶的空間頻率，充分反映了圖像較亮和較暗區(qū)域的細(xì)節(jié)，并且與JPEG編碼中的之字形結(jié)構(gòu)相一致，對cn操作能有效提高圖像質(zhì)量。

假設(shè)原始DCT子塊的對比度為C=(c1, c2,…,c14)，cn是對應(yīng)頻帶φn的對比度，增強(qiáng)后子塊的對比度為= ()，增強(qiáng)后所有頻帶的對比度由下式得到

算法最后將各通道圖像入射和反射分量融合并逆DCT變換至空間域，得到輸出圖像。

4 實驗結(jié)果和分析

本文的實驗平臺：硬件為 CPU Intel雙核2.0GHz，內(nèi)存 2G；軟件為 MABLAB7.0，Windows XP操作系統(tǒng)。實驗主要針對高動態(tài)范圍圖像。

下面將本文算法處理的效果與 MSR和Jinshan Tang提出的基于DCT域頻帶調(diào)整的增強(qiáng)算法[3-4]進(jìn)行比較，實驗結(jié)果和直方圖對比如圖3至圖5所示。

圖3 Village處理結(jié)果及直方圖比較

圖4 Door處理結(jié)果及直方圖比較

圖5 Coin處理結(jié)果及直方圖比較

以上實驗結(jié)果中每組圖像中(a)為原圖，(b)為MSR的處理結(jié)果，(c)為Jinshan提出的DCT域增強(qiáng)算法的處理結(jié)果，(d)為本文算法的處理結(jié)果。從圖3至圖5可以看出，MSR的處理結(jié)果在色彩上相對灰暗，而本文算法在 YCbCr色彩空間對處理結(jié)果的亮度和色彩統(tǒng)一考慮，處理后效果優(yōu)于 MSR，色彩顯得更為自然，細(xì)節(jié)也更加豐富，由圖3和圖5中直方圖可知本文算法處理后亮度值居中偏上的像素點(diǎn)占的比重更高，過暗和過亮的像素占的比重很小，分布更均勻，而圖像信息也大多集中在這一中間區(qū)域，因此圖像更清晰明亮。Jinshan的算法處理的圖像往往在接近255處擁有較多像素，說明該算法容易過度增強(qiáng)而出現(xiàn)曝光現(xiàn)象。

圖3至圖5中畫面中都既有較亮的區(qū)域又有較暗的區(qū)域，是典型的高動態(tài)范圍圖像，本文算法很好地增強(qiáng)了較暗的區(qū)域同時抑制了較亮的區(qū)域。圖3中底部房屋的細(xì)節(jié)本文算法的增強(qiáng)效果較MSR和Jinshan的算法更好，對天空晨曦陽光的抑制也更好，光暈處沒有出現(xiàn)過亮的情況，Jinshan的算法使得天空曝光過度而丟失了云彩等圖像信息；圖4中遠(yuǎn)處的門和近景的柜子細(xì)節(jié)本文算法增強(qiáng)得較MSR和Jinshan的算法更好，MSR和Jinshan的算法都未能還原出柜子的本身面貌，Jinshan的算法對過度增強(qiáng)了門上的陽光；圖5本文算法很好地增強(qiáng)了右邊較暗的部分同時抑制了左上角較亮的部分，很好地還原了硬幣的光澤，Jinshan的算法在圖像左上角再次出現(xiàn)了過度增強(qiáng)，而MSR算法沒有很好地增強(qiáng)較暗部分。

表 1至表 3給出了上圖中各處理結(jié)果的均值，標(biāo)準(zhǔn)差和熵。均值反映了圖像的平均亮度，標(biāo)準(zhǔn)差反映了圖像的對比度，熵反映了圖像所包含的信息量。本文采用Jobson提出的基于統(tǒng)計的圖像質(zhì)量評價方法進(jìn)一步比較各處理結(jié)果[14]。統(tǒng)計結(jié)果表明當(dāng)灰度均值為100到200之間，標(biāo)準(zhǔn)方差在35到80之間時，圖像所表現(xiàn)的質(zhì)量越好，如圖6所示。

圖6 視覺效果分布

統(tǒng)計的具體做法是：將圖像分成不重疊的大小相同的子塊（一般取50×50或60×60），然后分別計算每個子塊的標(biāo)準(zhǔn)方差，再將得到的子塊標(biāo)準(zhǔn)方差整體求平均，得到的平均方差與圖像的灰度均值相乘來得到評價結(jié)果。相乘的結(jié)果值越大那么圖像的質(zhì)量就越好。

表1 V illage的信息量

表2 Door的信息量

表3 Coin的信息量

由表1至表3可以看出，通過本文算法處理后的圖像，其亮度、對比度(均值)和所包含的信息量(熵)也相對較好，大部分均值集中在130到200之間，這范圍比較適合人眼的觀察范圍；而標(biāo)準(zhǔn)差則降低了，說明像素之間亮度的差異減少了，灰度級更集中分布在均值附近，更適合人類視覺去觀察。圖像的質(zhì)量評價結(jié)果普遍高于 MSR算法和現(xiàn)有的DCT增強(qiáng)算法，原圖*值相對小，對應(yīng)的圖像的亮度與對比度很差，經(jīng)本文算法處理后的質(zhì)量評價數(shù)據(jù)較MSR算法和現(xiàn)有的DCT增強(qiáng)算法的處理數(shù)據(jù)普遍提高，對比度更高，色彩細(xì)節(jié)也更好。

下面將本文算法與現(xiàn)有的 DCT域圖像增強(qiáng)算法（Jinshan Tang提出的基于DCT域頻帶調(diào)整的增強(qiáng)算法）對塊狀效應(yīng)的抑制進(jìn)行比較，由于原圖像較大，對塊狀效應(yīng)的抑制效果縮放后不能很清楚地觀察到，因此截取圖中的畫框部分如圖7所示。

圖7 Zoo塊狀效應(yīng)抑制比較

從圖7可以看到，現(xiàn)有的DCT域增強(qiáng)算法處理效果房檐及其與天空交界處呈明顯的鋸齒狀，本文算法則很光滑，說明本文算法較現(xiàn)有的DCT域增強(qiáng)算法能更好地抑制塊狀效應(yīng)。

5 結(jié) 論

針對現(xiàn)有 DCT域圖像增強(qiáng)算法在處理高動態(tài)范圍圖像時，不能很好地增強(qiáng)圖像細(xì)節(jié)，抑制過亮區(qū)域，并容易產(chǎn)生塊狀效應(yīng)的局限性，提出了一種新的基于Retinex的DCT域圖像增強(qiáng)新算法，將 DCT系數(shù)分為入射分量和反射分量，對入射分量操作調(diào)整圖像的動態(tài)范圍，對反射分量操作增強(qiáng)圖像的局部細(xì)節(jié)，能有效地增強(qiáng)圖像的整體對比度和細(xì)節(jié)。同時算法自適應(yīng)地抑制塊狀效應(yīng)，并根據(jù)圖像的分布特性自動地選取參數(shù)。實驗結(jié)果表明，對不同退化程度的高動態(tài)范圍圖像，能夠有效地增強(qiáng)其對比度和紋理，在亮度、色彩、細(xì)節(jié)方面都能取得較好的視覺效果。

彩色圖像的 R、G、B三個通道之間存在非常緊密的聯(lián)系，將它們分開處理并不符合人類視覺的成像模型。本文作者將在這一點(diǎn)作進(jìn)一步的研究，探索如何將Retinex算法和DCT域圖像增強(qiáng)作用于符合人類視覺模型的色彩空間。

[1]Agaian S, Panetta K, Grigoryan A. Transform-based image enhancement algorithms with performance measure [J]. IEEE Trans. Image Process., 2001, 10, (3):367-382.

[2]Tang J, Peli E, Action S. Image enhancement using a contrast measure in the compressed domain [J]. IEEE Signal Processing Letters, 2003, 10 (10): 289-292.

[3]Tang J, Kim J, Peli E. Image enhancement in the JPEG domain for people with vision impairment [J]. IEEE Trans. Biomedical Engineering, 2004, 51(11):2013-2023.

[4]Peli E. Contrast in complex images [J]. Opt. Soc.Amer., 1990, 7: 2032-2040.

[5]Iqbal K, Chaudhry A, Khan A, et al. Multiscale contrast enhancement for compressed digital images with block artifacts consideration [C]//Innovations and Advanced Techniques in Computer and Information Sciences and Engineering, Bridgeport, Connecticut:Springer Netherlands, 2007: 267-272.

[6]Lee S, Ha V H S, Kim Y H. Dynamic range compression and contrast enhancement for digital images in the compressed domain [J]. Optical Engineering, 2006, 45(2): 1-14.

[7]Lee S. An efficient content-based image enhancement in the compressed domain using Retinex theory [J].IEEE Trans. on Circuits and Systems for Video Technology, 2007, 17(2): 199-213.

[8]Luo Y, Wars R K. Removing the blocking artifacts of blockbased D C T compressed images [J]. IEEE Trans.Image Process., 2003, 12(7): 838-842.

[9]Land E, McCann J. Lightness and retinex theory [J].Opt. Soc.Amer., 1971, 61(1): 1-11.

[10]Jobson D J, Rahman Z, Woodell G A. Properties and performance of a center/surround Retinex [J]. IEEE Transactions on Image Processing, 1997, 6(3):451-462.

[11]許 欣, 陳 強(qiáng), 王平安, 等. 消除光暈現(xiàn)象的快速Retinex圖像增強(qiáng)[J]. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報, 2008, 20(10): 1325-1331.

[12]Gibbs A L, Su F E. On choosing and bounding probability metrics [J]. International Statistical Review, 2002, 70(3): 419-435.

[13]Munteanu C, Rosa A. Color image enhancement using evolutionary principles and the Retinex theory of color constancy [C]//Proceedings of the 2001 IEEE Signal Processing Society Workshop, 2001:393-402.

[14]Jobson D J, Rahman Z, Woodell G A. The statistics of visual representation [C]//Proceedings of SPIE,Orlando, 2002, 4736: 25-35.