張宏瑜，王金明，顧振飛

（1.陸軍工程大學，江蘇 南京 210001；2.南京信息職業(yè)技術學院，江蘇 南京 210023）

0 引 言

在環(huán)境光照強度較低時，機器視覺系統(tǒng)前端所采集的可見光圖像易出現(xiàn)紋理細節(jié)丟失、色彩偏移、對比度不足等負面效果。這些問題在很大程度上限制了計算機在圖像方面的應用，因此需要對此類圖像進行增強處理。關于弱光照圖像的處理，許多經(jīng)典的圖像增強方法[1]相繼被提出。

由Land等人提出的Retinex理論認為顏色具有恒常性，該模型提出后便受到了廣泛地研究和應用。Rahman等人[2]提出了具有色彩恢復的多尺度Retinex算法，為了同時實現(xiàn)動態(tài)范圍壓縮、顏色一致性、亮度再現(xiàn)等目的，將單尺度中心環(huán)繞式Retinex擴展到多尺度，定義了一種顏色恢復方法，通過引入色彩恢復因子對增強圖像進行顏色校正。文獻[3]使用Retinex理論將圖像分解為照明層和反射層，并采用亮度自適應來處理導致細節(jié)損失的照明層，提出基于Retinex的亮度自適應感知對比度圖像增強方法，有效緩解了光暈問題。文獻[4]通過從高質(zhì)量圖像獲取的先驗多層亮度統(tǒng)計數(shù)據(jù)，提出了一種用于非均勻光照圖像的自然保留增強方法。Kimmel等人統(tǒng)一了以前的方法，提出一個Retinex算法的變分模型，它假定照明場的分量空間變化平滑，將反射率的有限動態(tài)范圍作為恢復過程中的約束，利用反射率和亮度圖像中的空間相關性，提出了一種有效的多分辨率算法，該方法較好地提升了圖像的細節(jié)，但也存在過度增強問題。Park等人[5]提出了一種基于變分優(yōu)化的Retinex算法，通過伽瑪校正來約束照明分量，使用輸入的RGB顏色通道恢復顏色通道，避免了噪聲放大或顏色失真的情況。

弱光照圖像增強方法中基于融合技術的圖像增強方法也有很多運用，文獻[6]提出了一種基于二次優(yōu)化的方法，可從矢量場中提取細節(jié)，從同一場景的不同圖像中提取細節(jié)信息，使用現(xiàn)有的圖像融合方法將其融合為一幅細節(jié)信息豐富的高動態(tài)范圍圖像，但該方法對拍攝要求較高，所以可行性不高。

本文針對弱光照圖像紋理細節(jié)不足、對比度較低等問題，擬引入去霧模型和基于Retinex理論的改進多尺度視網(wǎng)膜皮層（Multi-Scale Retinex，MSR）算法對弱光照圖像進行增強處理。此外，基于圖像區(qū)域顯著性識別修正反射圖，解決圖像過增強效應和增強力度不足之間的平衡問題，進一步提高所增強圖像的視覺效果。

1 弱光照圖像的形成及特點

圖像由函數(shù)I(x,y)表示，通?？捎扇肷涞墓庠春头瓷涞墓饩€兩個分量來表征，即入射分量l(x,y)和反射分量r(x,y)，且關系如下：

式中：l(x,y)屬于低頻分量且0＜l(x,y)＜∞，其性質(zhì)取決于光源；而r(x,y)是對物體表面信息的反饋，屬于高頻分量且0＜r(x,y)＜1，反映圖像的固有屬性。

隨著計算機視覺技術和成像設備的發(fā)展，圖像獲取的便利性使得圖像數(shù)量呈指數(shù)趨勢上升，也是這種便利性導致圖像拍攝環(huán)境達不到要求，使產(chǎn)生的圖像出現(xiàn)局部或全局亮度偏低等問題。一般在光線亮度較暗的環(huán)境下所獲取的圖像會有細節(jié)不明顯、對比度較低、顏色失真及易受噪聲干擾等特點。這些弱光照圖像無法獲得較好的視覺效果，因此對弱光照圖像的增強處理十分必要[7]。

2 基于融合技術的圖像增強方法

首先，在構建圖像顯著性特征圖的基礎上對圖像進行識別，分割出其顯著區(qū)域和非顯著區(qū)域，并基于顯著性特征圖估計出圖像的透射圖；其次，基于透射圖，利用去霧模型對圖像進行清晰化處理。最后，在色調(diào)、飽和度、明度（Hue，Saturation，Value，HSV）顏色空間基于MSR算法對V分量進行處理，再轉(zhuǎn)換到人眼習慣的RGB顏色空間得到最終的增強圖像。所提方法的具體流程如圖1所示。

2.1 圖像顯著性特征圖

所謂顯著區(qū)域，就是能夠在最短的時間內(nèi)集中人們注意力的區(qū)域。圖像在顯著區(qū)域與非顯著區(qū)域的空間分布上會有顯著差異，如果對整體圖像只是進行一致地增強處理，可能會出現(xiàn)局部過增強或增強不足等問題。為了避免出現(xiàn)上述不足，利用圖像顯著性區(qū)域具有較高的亮度、豐富的紋理細節(jié)等特征，首先識別出圖像中的顯著區(qū)域[8]，其次對不同的圖像區(qū)域做不同的增強處理，以達到更好的視覺效果。

現(xiàn)階段，對于環(huán)境監(jiān)察力量，仍然處于較為薄弱的環(huán)節(jié)，管理手段和方法是比較單一、落后的，偷工減料現(xiàn)象屢禁不止，也沒有貫徹落實好環(huán)保技術規(guī)范，處罰力度有待提升，違法成本也不高，很難有效治理和解決違法行為。基于此，必須要不斷提高監(jiān)督和管理的技術水平，實施嚴格懲處。結合企業(yè)實際情況，要合理測算污水處理的運行成本，嚴厲懲處故意性的違法行為，發(fā)揮出強制性和權威性作用。

有效編碼假說將圖像信息H（Image）分為突出部分和冗余信息兩部分。想要獲得顯著目標，可通過在頻率域用圖像的統(tǒng)計不變性去除圖像冗余信息的方式。由于自然圖像的統(tǒng)計特性具有變換不變性，其統(tǒng)計特性中尺度不變性也被稱為1/f法則，即自然圖像集合的平均傅里葉譜的幅值A(f)服從：E{A(f)}∝1/f分布。

log曲線基本符合1/f法則，根據(jù)單幅圖像具有尺度不變性，這里采用log譜L(f)表示圖像L(f)=log(A(f))。因此，首先對圖像I(x)做二維離散傅里葉變換，從空間域轉(zhuǎn)換到頻域，計算振幅A(f)和相位P(f)。然后，對幅值取對數(shù)后得到log譜L(f)，使用局部平均濾波器h(f)對其進行平滑，獲得平均頻譜：

如果L(f)中包含的信息是原圖獲得的，則需要處理的信息是：

式中：A(f)表示對數(shù)光譜的一般形狀，由先驗信息給出；R(f)表示特定輸入圖像的統(tǒng)計奇點，定義為圖像的光譜殘差，也就是log譜與其均值濾波后的差。

再計算出R(f)+i×P(f)的自然指數(shù)，最后對其作傅里葉反變換后就得到了該圖像的顯著性特征圖S(x,y)。

利用上述方法即可得到圖像的顯著性特征圖，在該圖中將顯著性特征值大于全圖的顯著性特征均值的像素判定為顯著性區(qū)域，否則判為非顯著性區(qū)域。如圖2所示，選擇3幅圖像構建顯著性特征圖，并識別出其中的顯著區(qū)域。

2.2 基于顯著性區(qū)域識別圖的透射圖估計

基于去霧增強方法對弱光照圖像進行初步增強處理：弱光照圖像反轉(zhuǎn)操作可以將圖像虛擬為霧天圖像；去霧增強處理后再次反轉(zhuǎn)便可獲得初步增強后的弱光照圖像。首先對待增強弱光照圖像進行反轉(zhuǎn)操作：

式中：Ire(x,y)為反轉(zhuǎn)圖像。將反轉(zhuǎn)圖像虛擬為霧天圖像，利用去霧模型[9]，基于暗通道先驗的方法[10]具有效果好、效率高的優(yōu)勢，直接估計出反轉(zhuǎn)圖像的透射圖，因此霧天圖像的透射率估計[11]過程可表示為：

式中：Jc表示彩色圖像的R、G、B這3個通道，是Ω(x)像素x的一個中心窗口；Jdark(x)為J(x)對應的暗通道圖；ω∈(0,1]是為了保持圖像的真實度而引入的調(diào)節(jié)因子。

然而，在透射圖估計過程中可能被顯著過估計。為此，根據(jù)2.1節(jié)構建的顯著性特征圖所判別的顯著區(qū)域與非顯著區(qū)域，對所得的透射圖進行修正：

基于暗通道先驗的去霧清晰化圖像方法應用廣泛效果也較顯著。在計算機視覺和圖像處理中，去霧清晰圖像恢復模型如下：

式中：I(x)是待處理圖像；t(x)為透射率；J(x)為去霧清晰后的圖像；A是全球大氣光成分，可以借助于暗通道圖從待處理圖像中獲取該值。

最后，在上式去霧模型中使用修正后的透射圖，可直接獲得清晰化處理后的虛擬霧天圖像，再將圖像進行反轉(zhuǎn)操作即可得到初步增強圖像。結果見圖3。

2.3 基于Retinex的圖像亮度增強

Retinex理論由Land在大量的重復試驗后提出，圖像模型表示為

式中：S(x,y)為原圖像；R(x,y)為需要的目標圖像，即圖像的反射分量；L(x,y)為圖像的光照分量，該分量只能通過近似估計獲得。為了計算方便將相關計算轉(zhuǎn)換到對數(shù)域，且由于單一尺度SSR算法不能同時保證圖像的色彩動態(tài)范圍和圖像的色感，因此，選擇加權平均算法：

式中：n通常取3，為MSR算法中多個尺度的個數(shù)；ω1為加權系數(shù)；Gi(x,y)通常取高斯低通濾波函數(shù)。

式中λ為一個常量，滿足：

HSV顏色空間是根據(jù)物體顏色的直觀特性提出的，其中H表示顏色的色調(diào)、S表示顏色的飽和度、V表示亮度。由于HSV顏色空間中色度和亮度是分開表達的，因此對光照的變化具有較強的魯棒性，為了避免處理后出現(xiàn)顏色失真問題，故對亮度通道進行單獨處理。

綜上，本文將2.2節(jié)去霧清晰化后的圖像從RGB空間轉(zhuǎn)換到HSV顏色空間，在亮度通道利用MSR算法處理V分量，最后再將圖像轉(zhuǎn)換到人眼熟悉的RGB顏色空間。這樣可以在恢復和調(diào)節(jié)圖像光照條件的同時保持圖像真實色彩，獲得更好的增強圖像。

3 實驗結果與分析

本文實驗所用軟件為Matlab2017a。計算機配置如下：系統(tǒng)為64位Windows10，CPU為Intel? Core?i7-8550U ＠1.80 GHz 2.00 GHz、內(nèi)存 8 GB。

在弱光照圖像增強算法實驗中，從圖像庫中選擇多幅圖像進行試驗，并與何凱明圖像去霧算法、改進MSR圖像增強算法進行了比較。部分圖像增強實驗結果對比如圖4、圖5和圖6所示。

3.1 主觀評價

由圖4、圖5和圖6可見，去霧清晰增強方法是基于圖像整體像素進行處理，因此處理整體像素較低的圖像時可能會出現(xiàn)增強失效的狀況，如圖5（b）水下圖像的紋理并未得到顯著增強，圖6（b）中的草地區(qū)域并無明顯變化。改進MSR增強方法雖然可以改善圖像的全局對比度、提升圖像的整體視覺效果，但也存在顯著區(qū)域增強能力不足問題，如圖4（c）圖像整體亮度比較均勻，卻沒有明顯突出部分。相較而言，本文所提方法對不同類型的弱光照圖像都達到了較好的增強效果，魯棒性好，且較好地恢復了圖像的紋理細節(jié)，在增強圖像的整體視覺效果的同時，有效避免了局部過度增強和增強力度不足等缺點。

3.2 客觀評價

主觀評價標準不一，故從客觀角度對圖像增強效果進行評價。一般用圖像的均值、標準差、平均梯度等指標對圖像增強結果進行客觀評估[12]。

（1）圖像均值。圖像均值越大說明圖像整體較亮，它反映的是圖像的整體明暗情況。

（2）標準差。圖像標準差越大說明了圖像像素與均值的離散程度越大，即圖像質(zhì)量越好：

式中：M、N為圖像大??；S(x,y)為像素值；u為圖像像素均值。

（3）平均梯度。圖像的清晰度和圖像細節(jié)紋理變化可用平均梯度來評估，平均梯度越大，說明圖像越清晰：

表1、表2和表3給出了不同方法對圖4、圖5和圖6進行增強處理后的圖像的客觀評價指標值。

表1 圖像均值對比

表2 圖像標準差對比

表3 圖像平均梯度對比

從表1、表2、表3的圖像均值、標準差和平均梯度對比中可以發(fā)現(xiàn)，本文所提算法的計算指標基本上都是最高的，由此可以說明弱光照圖像經(jīng)過本文算法的處理之后，圖像亮度更高、紋理更復雜，圖像的清晰度、圖像細節(jié)信息也有所增加，最終有效提升了圖像的整體視覺效果。

4 結 語

本文通過對圖像顯著性區(qū)域識別，避免了在圖像增強過程中出現(xiàn)的過度增強或增強力度不足問題。將圖像轉(zhuǎn)化為虛擬霧天圖像，利用去霧模型使圖像清晰化。最后，基于Retinex模型在HSV顏色空間通過MSR算法對亮度V分量進行處理，進一步提高了所增強圖像的視覺效果。

本文所提方法具有較好的魯棒性，圖像均值比原圖平均增加了82%，標準差比原圖平均增加了61%，平均梯度比原圖平均增加了96%。