王瑞堯，岳雪亭，周志青，耿則勛

（平頂山學(xué)院信息工程學(xué)院，河南平頂山467000）

（?通信作者電子郵箱wry0304@126.com）

0 引言

視頻監(jiān)控圖像設(shè)備廣泛應(yīng)用于公共安全、交通管理以及工業(yè)生產(chǎn)等許多領(lǐng)域，清晰的高質(zhì)量圖像可以為案件偵破、智能交通、安全生產(chǎn)提供強(qiáng)有力的幫助。而在實(shí)際獲取圖像過(guò)程中，往往會(huì)受到多種因素的干擾，尤其是在夜間低照度條件下。由于夜間微弱的環(huán)境照明、不均勻的曝光等原因，導(dǎo)致此時(shí)捕獲到的圖像往往整體灰度級(jí)水平較低，且場(chǎng)景的光照不均勻，表現(xiàn)為當(dāng)圖像中亮的區(qū)域光線過(guò)強(qiáng)或暗的區(qū)域光照不足時(shí)，圖像中的重要細(xì)節(jié)會(huì)被掩蓋，為后續(xù)基于圖像的應(yīng)用帶來(lái)困難。因此，對(duì)低照度圖像增強(qiáng)的研究具有重要意義。

目前，針對(duì)低照度圖像增強(qiáng)已有很多研究成果。如:直方圖均衡的算法、基于Retinex 理論的算法、基于暗通道先驗(yàn)的算法、伽馬校正的算法等。傳統(tǒng)的直方圖均衡法對(duì)整體亮度一致的圖像具有較好的增強(qiáng)效果，但對(duì)于照度不均的圖像而言，直方圖均衡法會(huì)出現(xiàn)過(guò)飽和問(wèn)題。為解決這一問(wèn)題，一些自適應(yīng)或帶有閾值限制、對(duì)比度限制的算法被陸續(xù)提出［1-5］，但這類算法往往很難確定準(zhǔn)確的閾值?；赗etinex 理論的算法中最經(jīng)典的是單尺度Retinex（Single Scale Retinex，SSR）算法和多尺度Retinex（MultiScale Retinex，MSR）算法，但基于該理論增強(qiáng)后的圖像存在較嚴(yán)重的光暈現(xiàn)象，且色彩失真。文獻(xiàn)［6］提出了一種基于雙邊濾波的Retinex 算法，在一定程度上減少了光暈現(xiàn)象，但未完全消除。隨著新理論的發(fā)現(xiàn)，一些新的算法也被陸續(xù)提出，暗通道先驗(yàn)理論是He 等［7］提出的一種圖像去霧理論，Dong 等［8］根據(jù)低照度圖像的反轉(zhuǎn)圖和霧天圖像具有一定的相似性，提出了基于暗通道先驗(yàn)的低照度圖像增強(qiáng)算法，但由于低照度圖像的反轉(zhuǎn)圖并不完全符合暗通道先驗(yàn)理論，因此該算法恢復(fù)后的圖像整體偏暗且色彩失真。

綜上，低照度圖像增強(qiáng)算法中存在的主要問(wèn)題是，增強(qiáng)后的結(jié)果存在過(guò)飽和或者色彩失真，這是因?yàn)槲闯浞挚紤]低照度圖像照度不均的問(wèn)題。因此，可以通過(guò)估計(jì)原始圖像的光照分量，對(duì)于光照較強(qiáng)的區(qū)域適當(dāng)降低亮度，對(duì)于光照較弱的區(qū)域適當(dāng)增強(qiáng)亮度，便可將被掩蓋的細(xì)節(jié)重現(xiàn)，同時(shí)保證色彩不失真。文獻(xiàn)［9］提出的自適應(yīng)雙向保帶寬對(duì)數(shù)變換算法和文獻(xiàn)［10］提出和光照不均的自適應(yīng)增強(qiáng)算法，都是基于此思想，先通過(guò)一定的方法估計(jì)原始圖像的光照分量，再根據(jù)光照分量進(jìn)行自適應(yīng)增強(qiáng)，從而消除光照不均對(duì)增強(qiáng)效果的影響。但文獻(xiàn)［9］是通過(guò)對(duì)原始圖像變換后得到變換后圖像的亮度，并非是原始光照分量；文獻(xiàn)［10］中估計(jì)光照分量的算法并不準(zhǔn)確，提出的增強(qiáng)算法也不適用于低照度圖像。因此，本文提出了一種新的低照度圖像增強(qiáng)算法，主要工作如下:1）提出了最大差值圖像的概念，并將交替引導(dǎo)濾波用于最大差值圖像，實(shí)現(xiàn)光照分量的精確估計(jì)；2）設(shè)計(jì)了圖像亮度自適應(yīng)的伽馬變換，能夠根據(jù)圖像的光照分量自適應(yīng)調(diào)整經(jīng)典伽馬變換參數(shù)。實(shí)驗(yàn)結(jié)果表明，本文算法在增強(qiáng)暗區(qū)細(xì)節(jié)的同時(shí)，能夠有效抑制過(guò)亮區(qū)域灰度值，對(duì)低照度圖像增強(qiáng)具有較好的效果。

1 光照分量估計(jì)

在一幅低照度圖像中，圖像的整體灰度值較低，且往往存在多個(gè)光源，這給光照分量的估計(jì)帶來(lái)一定困難。而準(zhǔn)確估計(jì)出光照分量，是增強(qiáng)低照度圖像視覺效果的關(guān)鍵因素。

Retinex 理論指出，一幅圖像由光照分量和反射分量共同構(gòu)成，可以表示為:

其中:J 為觀測(cè)得到的圖像:R 為圖像的反射分量:L 為光照分量。物體本身的顏色由其反射分量決定，與光照分量關(guān)系不密切，即物體本身的色彩不受光照非均勻性的影響，故可以通過(guò)消除或降低光照分量L，得到的反射分量R即為增強(qiáng)后的結(jié)果；而反射分量對(duì)應(yīng)原始觀測(cè)圖像的高頻成分，光照分量對(duì)應(yīng)低頻成分，因此可以對(duì)原始圖像進(jìn)行低通濾波得到光照分量L，再通過(guò)式（1）即可得到R。

SSR 和MSR 正是基于這種思想，將原始圖像和高斯低通濾波器進(jìn)行卷積，從而獲取光照分量。但高斯濾波器缺乏邊緣保持能力，因此導(dǎo)致光照分量估計(jì)不準(zhǔn)。文獻(xiàn)［9］利用引導(dǎo)濾波保邊平滑的功能來(lái)獲得光照分量，但引導(dǎo)濾波得到的光照分量又包含過(guò)多的細(xì)節(jié)信息，不符合光照分量對(duì)應(yīng)圖像中低頻成分這一特征。

本文針對(duì)低照度圖像提出的估計(jì)光照分量新方法是:通過(guò)紅綠藍(lán)（Red Green Blue，RGB）空間三通道間的最大差值圖獲得初步光照分量，利用交替引導(dǎo)濾波進(jìn)行校正，從而準(zhǔn)確估計(jì)出圖像的光照分量。

1.1 最大差值圖

假設(shè)一幅低照度圖像為J(x，y)，對(duì)式（1）兩端進(jìn)行對(duì)數(shù)運(yùn)算，變換后可得:

對(duì)于低照度圖像，尤其是較暗的區(qū)域，由于場(chǎng)景中的物體幾 乎 沒 有 反 射 特 性 ，可 認(rèn) 為 ln R(x，y) ≈0，即ln J(x，y) ≈ln L(x，y)。由于較暗區(qū)域的光照分量幾乎為0，即L(x，y) ≈0，為了避免這種情形，可取變換后R、G、B 三通道的最大差值，即

作為ln L(x，y)的估計(jì)，最終通過(guò)式（4）反變換得到光照分量的初步估計(jì)結(jié)果:

從圖1 結(jié)果可以看出，求取三通道最大差值的方法能夠得到初步的光照分量，且結(jié)果圖像中細(xì)節(jié)信息得到平滑，同時(shí)保留了重要邊緣，所得結(jié)果與原圖像的光照分布具有高度的一致性。這是因?yàn)?，?duì)一幅低照度圖像來(lái)說(shuō)，圖像中大部分像素亮度較低，這些像素點(diǎn)在R、G、B 三通道的灰度值都較低，導(dǎo)致三通道間灰度值相差較小，求取最大差值后各個(gè)像素的灰度差別也較小，因此具有平滑的效果。

圖1 RGB圖像的最大差值圖Fig.1 Maximum difference image of RGB image

圖2為圖1實(shí)驗(yàn)結(jié)果的水平灰度掃描對(duì)比。

圖2 原圖和最大差值圖水平灰度掃描對(duì)比（圖1的第200行）Fig.2 Horizontal grayscale scanning comparison between original image and maximum difference image（line 200 for Fig.1）

從圖2 可看出:最大差值圖確實(shí)具有一定的平滑功能，但并不完全符合原始圖像的光照分布，這是因?yàn)?，在低照度圖像中同樣存在較亮區(qū)域，通過(guò)最大差值求取光照分量的原理并不適用高亮區(qū)域。因此，可將最大差值圖作為初步的光照分量，但需要進(jìn)一步的修正。

1.2 光照分量校正

通過(guò)上述實(shí)驗(yàn)分析可知，雖然低照度圖像的最大差值圖基本符合光照分量的特征，但依然存在兩點(diǎn)不足:其一，最大差值圖中仍然包含一定的圖像細(xì)節(jié)，不完全符合光照分量對(duì)應(yīng)圖像中低頻成分這一特征；其二，從圖1 中方框?qū)?yīng)區(qū)域可以看到，當(dāng)原圖像中存在強(qiáng)光源時(shí)，最大差值圖中對(duì)應(yīng)區(qū)域會(huì)出現(xiàn)中心暗斑現(xiàn)象，和原始圖像的光照分布不相符，這是因?yàn)閺?qiáng)光源中心接近白光，其R、G、B 三通道的灰度值接近相等，因此求取最大差值的結(jié)果接近于0。為了解決上述問(wèn)題，本文采用了交替引導(dǎo)濾波的方法對(duì)最大差值圖進(jìn)行校正。

1.2.1 引導(dǎo)濾波

引導(dǎo)濾波由He 等［11］最早提出。引導(dǎo)濾波過(guò)程需要滿足兩個(gè)條件:一是輸出圖像O 和引導(dǎo)圖像G 要滿足局部線性關(guān)系，即

其中:ωk是半徑為s的濾波窗口；中心像素點(diǎn)為k；（ak，bk）為濾波窗口內(nèi)的局部線性系數(shù)；Gi為引導(dǎo)圖中的像素i；Oi為輸出圖像中的像素i。局部線性關(guān)系保證了輸出圖像和引導(dǎo)圖像具有梯度一致性（引導(dǎo)濾波的保邊特性來(lái)源于此）。

引導(dǎo)濾波的第二個(gè)條件，要使得輸出圖像和輸入圖像之間盡可能相似，這里采用了最小二乘法的思想，使下述代價(jià)函數(shù)E(ak，bk)達(dá)到最小值:

其中:E(ak，bk)為窗口ωk的代價(jià)函數(shù)；G 為引導(dǎo)圖像；I 為輸入圖像；ε為正則化參數(shù)。由式（6）可以求得:

其中:|ω|為ωk內(nèi)的像素個(gè)數(shù)和為輸入圖像I 和引導(dǎo)圖像G在濾波窗口ωk內(nèi)的均值；為I在ωk內(nèi)的方差。得到ak、bk后便可利用式（5）得到濾波窗口內(nèi)輸出圖像的各個(gè)像素值。但是，由于每一個(gè)像素i 會(huì)被多個(gè)濾波窗口包含，這導(dǎo)致同一個(gè)像素i 的輸出值Oi在不同濾波窗口中得到不同結(jié)果，因此需要對(duì)同一像素得到的所有輸出值進(jìn)行加權(quán)平均，即

理論研究以及實(shí)驗(yàn)結(jié)果證實(shí)，引導(dǎo)濾波在平滑圖像的同時(shí)也盡可能地保持了圖像邊緣信息。

1.2.2 交替引導(dǎo)濾波

通過(guò)1.2.1 節(jié)分析可知，引導(dǎo)濾波可以實(shí)現(xiàn)對(duì)輸入圖像中細(xì)節(jié)的平滑，尤其當(dāng)輸入圖像和引導(dǎo)圖像相同時(shí)，可以有效降低細(xì)節(jié)信息，同時(shí)保留邊緣信息。這就解決了最大差值圖中仍然包含一定數(shù)量的圖像細(xì)節(jié)這一問(wèn)題。本文將最大差值圖同時(shí)作為引導(dǎo)圖和輸入圖進(jìn)行引導(dǎo)濾波，濾波窗口大小為4 × 4。從圖3（b）實(shí)驗(yàn)結(jié)果中可以看到，圖像確實(shí)得到了進(jìn)一步平滑，更加符合光照分量的特征。

圖3 光照分量校正過(guò)程Fig.3 Light component corrrection process

但是從圖3（b）測(cè)試結(jié)果中依舊可以看到，圖像中的強(qiáng)光源區(qū)域灰度值依舊過(guò)低（仍然存在中心暗斑），不符合原圖像光照分布特征。由1.2.1 節(jié)分析可知，引導(dǎo)濾波是基于最小二乘法的思想，從而保證引導(dǎo)圖像和輸入圖像間的差別最小化。由于采用最大差值圖同時(shí)作為輸入圖和引導(dǎo)圖，所以強(qiáng)光源部分無(wú)法得到修正。

通過(guò)選擇合適的引導(dǎo)圖和輸入圖再次進(jìn)行引導(dǎo)濾波可以解決此問(wèn)題。將原始圖像作為輸入圖，從圖3（b）所示的實(shí)驗(yàn)結(jié)果作為引導(dǎo)圖，再次進(jìn)行引導(dǎo)濾波，從圖3（c）所示的實(shí)驗(yàn)結(jié)果表明，強(qiáng)光源區(qū)域確實(shí)得到了修正。但同時(shí)圖像的細(xì)節(jié)部分也被恢復(fù)了一部分，這是因?yàn)檩斎雸D為原始圖像，引導(dǎo)濾波會(huì)導(dǎo)致輸出結(jié)果向原始圖像靠近，因此在修正強(qiáng)光源部分的同時(shí)，一部分細(xì)節(jié)信息也被恢復(fù)，這是不希望看到的。

綜合以上分析，第一次引導(dǎo)濾波使圖像細(xì)節(jié)信息得到平滑，但強(qiáng)光源部分不符合原圖像的光照分布特征；第二次引導(dǎo)濾波使得強(qiáng)光源部分得到了修正，但細(xì)節(jié)信息又被恢復(fù)了一部分。因此，本文采用交替引導(dǎo)濾波對(duì)初始光照分量進(jìn)行校準(zhǔn)，從而獲取圖像的準(zhǔn)確光照分量。即采用多次迭代，每次迭代將前次迭代結(jié)果和原始圖像交替作為引導(dǎo)圖及輸入圖進(jìn)行引導(dǎo)濾波:

其中:Gt-1為上次引導(dǎo)濾波的結(jié)果；J為輸入圖像；γ為濾波窗口大小；ε 為正則化參數(shù)；guidedfilter 為引導(dǎo)濾波函數(shù)。迭代的起始為最大差值圖D(x，y)自身引導(dǎo)濾波的結(jié)果。

具體過(guò)程如圖4所示。交替引導(dǎo)濾波的具體步驟如下:

將最大差值圖D(x，y)同時(shí)作為引導(dǎo)圖和輸入圖進(jìn)行引導(dǎo)濾波，得到的結(jié)果D1(x，y)作為輸入圖，用原始圖像J(x，y)作為引導(dǎo)圖再次引導(dǎo)濾波。然后進(jìn)行如下交替迭代:

步驟1 將前次迭代結(jié)果Gn-1作為輸入圖像，原始圖像J(x，y)作為引導(dǎo)圖進(jìn)行引導(dǎo)濾波；

步驟2 將步驟1結(jié)果作為引導(dǎo)圖，原始圖像J(x，y)作為輸入圖像進(jìn)行引導(dǎo)濾波；

步驟3 根據(jù)迭代次數(shù)，重復(fù)步驟1和步驟2，最終得到的結(jié)果Gn即為所求光照分量。

圖4 交替引導(dǎo)濾波過(guò)程Fig.4 Alternating guided filtering process

圖3（d）為交替引導(dǎo)濾波后的結(jié)果（迭代次數(shù)n=5，濾波窗口γ = 4 × 4，正則化參數(shù)ε=0.01），可以看到，交替引導(dǎo)濾波后的圖像在保持邊緣的同時(shí)，細(xì)節(jié)部分得到了平滑，同時(shí)強(qiáng)光源部分也得到了修正，完全符合原始圖像的光照分布特征。

為了進(jìn)一步驗(yàn)證本文算法得到的光照分量效果，分別與多尺度高斯濾波（尺度因子分別為15、80、250）和文獻(xiàn)［10］中的引導(dǎo)濾波兩種獲得光照分量的方法進(jìn)行比較。

通過(guò)圖5～6 實(shí)驗(yàn)結(jié)果可以看出，三種方法都能夠提取出光照分量，但相較而言，多尺度高斯濾波方法缺乏邊緣保持能力，尤其是圖像中強(qiáng)光源部分，平滑后體現(xiàn)不出強(qiáng)光源的特征；引導(dǎo)濾波方法得到的光照分量雖然準(zhǔn)確，但包含的細(xì)節(jié)信息過(guò)多；而本文方法得到光照分量不僅保持了重要邊緣，同時(shí)足夠平滑，可以準(zhǔn)確地表示原始圖像的光照分布特征。

圖7 為圖5 中各個(gè)圖像的灰度水平掃描曲線（第200 行），從中可看出:高斯濾波的結(jié)果中一些重要的邊緣被過(guò)度平滑，而引導(dǎo)濾波的結(jié)果細(xì)節(jié)信息過(guò)于豐富，只有本文方法在平滑圖像的同時(shí)保留了重要邊緣。

圖5 光照分量效果比較1Fig.5 Comparison of light component effect 1

圖6 光照分量效果比較2Fig.6 Comparison of light component effect 2

圖7 圖5的光照分量灰度水平掃描曲線對(duì)比Fig.7 Horizontal graylevel scanning curve comparison of illumination components of Fig.5

2 改進(jìn)的伽馬變換

通過(guò)交替引導(dǎo)濾波得到光照分量后，需要根據(jù)光照分量對(duì)原始圖像進(jìn)行增強(qiáng)，消除光照不均帶來(lái)的影響。本文采用基于伽馬變換的自適應(yīng)增強(qiáng)算法。

伽馬變換具有改善圖像質(zhì)量、校正光照分布的功能，且計(jì)算簡(jiǎn)單，因而應(yīng)用廣泛。伽馬變換的一般表達(dá)式如下:

y =(x + esp)γ（11）其中；x 與y 的取值范圍為［0，1］；esp 為補(bǔ)償系數(shù)；γ 為伽馬系數(shù)［12］。

通過(guò)調(diào)整γ 可以改變輸入圖像x 和輸出圖像y 之間的映射關(guān)系，如圖8 所示?？梢钥吹?當(dāng)γ＜1 時(shí)，輸入圖像中灰度值較低的部分得到增強(qiáng)；當(dāng)γ＞1時(shí)，灰度值較高的部分受到抑制。多數(shù)伽馬變換都是手動(dòng)設(shè)置伽馬系數(shù)，為全局變量，對(duì)于低照度圖像的增強(qiáng)效果并不理想［13］。

文獻(xiàn)［10，14］中提出了一種自適應(yīng)伽馬變換，能夠根據(jù)光照分量自適應(yīng)調(diào)整伽馬系數(shù)γ，從而消除光照不均的影響。但該方法并不適用于低照度圖像，本文在此基礎(chǔ)上對(duì)伽馬變換進(jìn)行了改進(jìn)，設(shè)計(jì)了一種適用于低照度圖像的自適應(yīng)伽馬變換的算法，能夠在增強(qiáng)圖像的同時(shí)有效消除低照度圖像中光照不均帶來(lái)的影響。具體表達(dá)式如下:

其中:P(x，y)為增強(qiáng)后的圖像；J(x，y)為原始輸入圖像；L(x，y)為第1 章得到的光照分量，b 為理想的光照強(qiáng)度，取值范圍為［0，255］。原始圖像的光照分量低于b 的像素應(yīng)該得到增強(qiáng)，高于b 的像素應(yīng)該受到抑制，文獻(xiàn)［14］中b 的取值為光照分量的均值。由于低照度圖像平均灰度值較低，若將光照分量的均值作為b 值，會(huì)導(dǎo)致大部分像素受到抑制，增強(qiáng)后的圖像整體灰度值會(huì)過(guò)低，因此經(jīng)實(shí)驗(yàn)對(duì)比后，本文中b的取值為光照分量最大灰度值的1/2。

由圖8 伽馬變換的性質(zhì)可知，應(yīng)當(dāng)在原始圖像光照分量較低（L(x，y) - b ＜0）時(shí)，伽馬系數(shù)要小于1，使這部分圖像得到增強(qiáng)；當(dāng)原始圖像光照分量較高(L(x，y) - b ＞0)時(shí)，伽馬系數(shù)要大于1，使這部分圖像受到抑制。因此a 為一個(gè)大于1的值，經(jīng)過(guò)大量實(shí)驗(yàn)后，本文中a 取值為2.2。由于低照度圖像整體對(duì)比度較低，為了增強(qiáng)視覺對(duì)比度，本文設(shè)置了調(diào)整系數(shù)C，取值為1.2。

圖8 0～1范圍內(nèi)的伽馬變換示意圖Fig.8 Schematic diagram of Gamma transform in the range of 0-1

圖9 為理想光強(qiáng)b 取值為128（歸一化后為0.5）時(shí)本文的自適應(yīng)伽馬變換曲線，從中可看出:當(dāng)輸入圖像灰度值低于期望光強(qiáng)b 時(shí)，曲線為上凸，輸入圖像經(jīng)變換后得到增強(qiáng)；在高于期望光強(qiáng)b時(shí)曲線為下凹，輸入圖像經(jīng)變換后受到抑制。

圖9 本文自適應(yīng)伽馬變換曲線（b的歸一化值為0.5）Fig.9 The proposed adaptive Gamma transform curve（normalized value of b=0.5）

圖10 是對(duì)圖1（a）RGB 圖像直接應(yīng)用式（12）進(jìn)行自適應(yīng)伽馬變換前后的直方圖對(duì)比，從中可看出:由于本文算法根據(jù)亮度自適應(yīng)調(diào)整伽馬系數(shù)，因此能有效消除光照不均的影響，使原圖像中過(guò)亮的區(qū)域得到了抑制，過(guò)暗的區(qū)域得到了增強(qiáng)，壓縮了圖像的動(dòng)態(tài)范圍。

圖10 本文自適應(yīng)伽馬變換前后直方圖對(duì)比Fig.10 Histogram comparison before and after adaptive Gamma transform proposed in this paper

3 本文算法步驟

本文提出的低照度圖像增強(qiáng)具體算法步驟如下:

1）將原始圖像J(x，y)變換到RGB 域，通過(guò)1.1 節(jié)中的方法求取最大差值圖D(x，y)；

2）將D(x，y)同時(shí)作為輸入圖和引導(dǎo)圖進(jìn)行引導(dǎo)濾波，得到初步光照分量D1(x，y)；

3）將得到的D1(x，y)和原始圖像J(x，y)分別作為輸入圖像和引導(dǎo)圖像進(jìn)行交替引導(dǎo)濾波，得到校正后的光照分量L(x，y)；

4）根據(jù)得到的光照分量L(x，y)，通過(guò)式（12）進(jìn)行自適應(yīng)伽馬變換，對(duì)原始圖像J(x，y)進(jìn)行增強(qiáng)，得到最終的結(jié)果P(x，y)。

4 實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證本文算法的可行性和有效性，本章對(duì)多幅像素為600 × 400的低照度圖像，分別從增強(qiáng)的主觀視覺效果及客觀指標(biāo)參數(shù)兩個(gè)方面進(jìn)行分析比較。實(shí)驗(yàn)環(huán)境:CPU 為Inter Core i5-7500@3.4 GHz、內(nèi)存為4 GB、Windows10 操作系統(tǒng)的PC，Matlab2016a軟件實(shí)現(xiàn)相關(guān)算法。

4.1 主觀評(píng)價(jià)

針對(duì)夜間低照度圖像，分別與伽馬變換、帶色彩恢復(fù)的多尺度視網(wǎng)膜增強(qiáng)（Multi-Scale Retinex with Color Restoration，MSRCR）算法、文獻(xiàn)［9］算法和文獻(xiàn)［10］算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果如圖11～13所示。

通過(guò)實(shí)驗(yàn)對(duì)比可以發(fā)現(xiàn)，伽馬變換的算法雖然整體效果較好，但是對(duì)于圖像中亮度較高的區(qū)域，增強(qiáng)后灰度值變得更大，掩蓋了部分細(xì)節(jié)信息，如圖11（b）中的車燈以及圖13（b）中的路燈，增強(qiáng)后車燈和路燈的光線使附近的細(xì)節(jié)信息都被掩蓋；MSRCR 算法得到結(jié)果整體對(duì)比度較高，但從圖11（c）和圖13（c）實(shí)驗(yàn)結(jié)果可以看到，存在較為嚴(yán)重的色彩失真、噪聲放大問(wèn)題，對(duì)于亮度較高的區(qū)域同樣沒有抑制效果；文獻(xiàn)［9］算法增強(qiáng)后圖像的色彩保持較好，但在圖11（d）中可以看到，對(duì)過(guò)亮區(qū)域的抑制效果不明顯，同時(shí)在圖12（d）和圖13（d）中，對(duì)過(guò)暗區(qū)域的增強(qiáng)也不夠；文獻(xiàn)［10］算法增強(qiáng)后的結(jié)果確實(shí)在一定程度上消除了光照不均帶來(lái)的影響，但是增強(qiáng)后的結(jié)果整體灰度值較低，亮區(qū)域被過(guò)度削弱，這是因?yàn)槲墨I(xiàn)［10］算法光照分量估計(jì)不準(zhǔn)，同時(shí)自適應(yīng)伽馬變換算法并未針對(duì)低照度圖像進(jìn)行優(yōu)化。本文算法相較其他算法，不僅增強(qiáng)效果好，增強(qiáng)后色彩無(wú)失真，最大的優(yōu)點(diǎn)在于，對(duì)于亮度較高的區(qū)域具有較好的抑制效果，能夠在增強(qiáng)圖像整體亮度同時(shí)，還原出高亮度區(qū)域的細(xì)節(jié)信息，圖11（f）中的車燈和圖13（f）中的路燈效果尤為明顯。

圖11 實(shí)驗(yàn)結(jié)果1Fig.11 Experimental result 1

圖12 實(shí)驗(yàn)結(jié)果2Fig.12 Experimental result 2

4.2 客觀評(píng)價(jià)

圖像的平均梯度是圖像清晰度的重要體現(xiàn)，能反映圖像的細(xì)節(jié)信息；信息熵可以體現(xiàn)圖像所攜帶信息量的多少，表征圖像的復(fù)雜程度；標(biāo)準(zhǔn)差可以反映圖像的對(duì)比度特征。為了進(jìn)一步客觀比較不同算法的增強(qiáng)效果，本文選取以上幾個(gè)指標(biāo)作為圖像的客觀質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)。圖11～13 對(duì)應(yīng)的評(píng)價(jià)數(shù)據(jù)如表1所示。從表1的指標(biāo)對(duì)比結(jié)果可以看出:本文算法在信息熵和平均梯度的對(duì)比中結(jié)果較好，說(shuō)明本文算法可以有效恢復(fù)圖像細(xì)節(jié)信息，還原圖像原始信息；但是在標(biāo)準(zhǔn)差的對(duì)比中無(wú)明顯優(yōu)勢(shì)，這是因?yàn)楸疚乃惴▽?duì)亮度值低于期望光強(qiáng)的區(qū)域有增強(qiáng)效果，而對(duì)亮度值高于期望光強(qiáng)的區(qū)域有抑制效果，從而導(dǎo)致和其他算法相比，增強(qiáng)后的整體對(duì)比度偏低。但從主觀實(shí)驗(yàn)結(jié)果已經(jīng)看到，實(shí)際增強(qiáng)效果要優(yōu)于其他算法。

表1 各類算法評(píng)價(jià)指標(biāo)對(duì)比Tab. 1 Comparisons of evaluation indicators of different algorithms

5 結(jié)語(yǔ)

針對(duì)低照度圖像整體亮度低、光照不均勻等問(wèn)題，本文提出一種新的圖像增強(qiáng)算法。本文的主要工作包括:提出了通過(guò)最大差值圖像結(jié)合交替引導(dǎo)濾波的方法估計(jì)光照分量；同時(shí)提出了針對(duì)低照度圖像的自適應(yīng)伽馬變換。實(shí)驗(yàn)結(jié)果表明，本文算法估計(jì)的光照分量十分準(zhǔn)確，最終增強(qiáng)后的圖像在保證整體效果的同時(shí)，能夠有效抑制過(guò)亮區(qū)域，使結(jié)果呈現(xiàn)出更多的圖像細(xì)節(jié)，增強(qiáng)后的圖像平均梯度提升1 倍以上，信息熵提升14%以上，說(shuō)明了本文算法的有效性和優(yōu)越性。但目前的研究缺少對(duì)光照分量準(zhǔn)確度定量的衡量方法，后續(xù)將重點(diǎn)針對(duì)這方面進(jìn)行研究。同時(shí)本文算法增強(qiáng)后的圖像整體灰度值偏低，導(dǎo)致結(jié)果較暗，在后續(xù)研究中，重點(diǎn)考慮在保證目前增強(qiáng)效果的同時(shí)，進(jìn)一步增強(qiáng)圖像亮度。