翟海祥，何嘉奇，王正家，景嘉寶，陳文重

改進(jìn)Retinex與多圖像融合算法用于低照度圖像增強(qiáng)

翟海祥1,2，何嘉奇1,2，王正家1,2，景嘉寶1,2，陳文重1,2

（1. 湖北工業(yè)大學(xué) 機(jī)械工程學(xué)院，湖北 武漢 4130068；2. 現(xiàn)代制造質(zhì)量工程湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430068）

為了解決低照度圖像在圖像增強(qiáng)過(guò)程中圖像質(zhì)量不佳、對(duì)比度不高等問(wèn)題，本文提出改進(jìn)Retinex與多圖像融合算法用于低照度圖像增強(qiáng)。首先將待處理圖像轉(zhuǎn)換到HSV色彩空間，并設(shè)定閾值對(duì)其V通道分量進(jìn)行亮度調(diào)節(jié)，然后轉(zhuǎn)換到RGB色彩空間，將其拷貝3份，對(duì)第一份進(jìn)行直方圖均衡化，中值濾波處理；對(duì)第2份進(jìn)行自動(dòng)亮度調(diào)節(jié)，雙邊濾波處理；對(duì)第3份進(jìn)行改進(jìn)的Retinex算法處理，采用高斯濾波、雙邊濾波作為其環(huán)繞函數(shù)，估計(jì)圖像照明分量，最后輸出反射圖。將處理后的3份圖像轉(zhuǎn)到HSV色彩空間，對(duì)其分量進(jìn)行多圖像融合，、分量沿用第2份圖像分量值，最后將融合后的圖像由HSV轉(zhuǎn)為RGB色彩空間，輸出處理后的圖像。實(shí)驗(yàn)結(jié)果表明，本文提出的算法在增強(qiáng)低照度圖像的同時(shí)，還可抑制圖像噪聲，同時(shí)具有良好的保邊性，且細(xì)節(jié)明顯。

低照度；圖像增強(qiáng)；Retinex；雙邊濾波；圖像分量融合；HSV色彩空間

0 引言

隨著光學(xué)和計(jì)算機(jī)技術(shù)的快速發(fā)展，圖像設(shè)備不斷更新迭代。圖像中往往包含眾多信息，因此生活中各種視覺(jué)系統(tǒng)廣泛應(yīng)用，如電子監(jiān)控設(shè)備、計(jì)算機(jī)視覺(jué)、衛(wèi)星遙感、視頻監(jiān)控、醫(yī)學(xué)影像等[1-2]。但是，由于光照不足，拍攝的圖像通常偏暗、對(duì)比度不強(qiáng)和圖像細(xì)節(jié)難以識(shí)別，降低人眼視覺(jué)效果，同時(shí)也不利于計(jì)算機(jī)等視覺(jué)設(shè)備的正常使用。因此，需要對(duì)采集的低照度圖像進(jìn)行增強(qiáng)處理，從而使得圖像具有較高對(duì)比度。如今，圖像增強(qiáng)技術(shù)成為熱門學(xué)科廣受科研人員研究[3]。

近年，主流的方法有：基于直方圖均衡化方法、基于Retinex理論方法、基于圖像取反增強(qiáng)方法以及基于卷積神經(jīng)網(wǎng)絡(luò)的增強(qiáng)方法。如直方圖均衡化處理，主要是將圖像灰度映射到更多的灰度級(jí)上，從而實(shí)現(xiàn)對(duì)圖像對(duì)比度的增強(qiáng)，但直接處理會(huì)導(dǎo)致圖像細(xì)節(jié)丟失?；赟SR（single_scale Retinex）單尺度[4]算法是美國(guó)物理學(xué)家Edwin. H. Land在1997年提出的，通過(guò)對(duì)照明圖估計(jì)從而得到更好的對(duì)比度和細(xì)節(jié)特征。由于單尺度Retinex在圖像增強(qiáng)同時(shí)會(huì)造成細(xì)節(jié)丟失，隨后提出多尺度[5]Retinex（multi-scale Retinex, MSR）和帶顏色恢復(fù)的MSR（multi-scale Retinex with color restoration, MSRCR）增強(qiáng)后的色彩失真度小，但仍然會(huì)出現(xiàn)局部欠增強(qiáng)或過(guò)增強(qiáng)現(xiàn)象?；趫D像取反的方法，借用He[6]暗通道先驗(yàn)原理，對(duì)圖像進(jìn)行反轉(zhuǎn)操作，從而實(shí)現(xiàn)對(duì)圖像增強(qiáng)?；诰矸e神經(jīng)網(wǎng)絡(luò)的增強(qiáng)方法需要搭建網(wǎng)絡(luò)模型[7]，且訓(xùn)練復(fù)雜，落地要求高。常用的圖像增強(qiáng)算法還有，伽馬變換[8]，線性拉伸等，其效果并不盡人意。隨后，F(xiàn)u[9]等人提出基于圖像融合的弱光照增強(qiáng)方法，可以使得圖像的對(duì)比度和亮度同時(shí)得到增強(qiáng)，不足之處在于圖像在燈光區(qū)域增強(qiáng)過(guò)程中會(huì)有過(guò)曝現(xiàn)象，造成圖像局部細(xì)節(jié)模糊。

基于此，本文提出改進(jìn)Retinex與多圖像融合算法，通過(guò)對(duì)圖像進(jìn)行直方圖均衡化、自適應(yīng)亮度調(diào)節(jié)以及改進(jìn)的Retinex處理，將處理后的圖像進(jìn)行通道融合處理，可將各部分處理后的清晰特征保留下來(lái)，最后將處理后的圖像轉(zhuǎn)到RGB色彩空間，從而實(shí)現(xiàn)對(duì)低照度圖像的增強(qiáng)。

1 相關(guān)理論

1.1 HSV色彩模型

HSV（hue, saturation, value）由A. R. Smith在1978年創(chuàng)建的色彩空間[10]，也叫六角錐體模型（hexcone model）。此色彩模型按照色彩、深淺、明暗來(lái)描述圖像。其中，為圖像色彩，為圖像深淺、＝0時(shí)，只有灰度，為圖像明暗，代表圖像的明亮大小。RGB是常用的色彩空間[11]，該色彩空間表明，每一種顏色都可以由（Red）、（green）、（Blue）3種基色混合而成，這兩種模型轉(zhuǎn)換公式如下：

式中：、、代表彩色圖像三通道，相比較RGB模型，HSV模型更接近人眼視覺(jué)效果，且在該模型上處理時(shí)各通道之間的影響較小。

1.2 直方圖均衡化

采用查表直方圖均衡化進(jìn)行圖像拉伸[12]，無(wú)論是圖像質(zhì)量還是處理時(shí)間都有一定的優(yōu)化和提高。通過(guò)直方圖均衡化增強(qiáng)圖像對(duì)比度，將直方圖中非零項(xiàng)的最低值設(shè)置為0，最高值設(shè)置為255，中間值灰度級(jí)拉伸變換，最后輸出增強(qiáng)后的圖像。

首先統(tǒng)計(jì)圖像像素在每個(gè)灰度級(jí)上出現(xiàn)的概率，如式(4)所示：

式中：()是灰度級(jí)出現(xiàn)的次數(shù)；是圖像中總的灰度數(shù)；是歸一化到[0,1]，那么對(duì)應(yīng)的累計(jì)概率函數(shù)為：

式(5)中：是累計(jì)歸一化直方圖。

1.3 自適應(yīng)調(diào)節(jié)

將圖像中所有像素出現(xiàn)的次數(shù)依次統(tǒng)計(jì)出來(lái)，每個(gè)像素出現(xiàn)的頻率，即每個(gè)像素出現(xiàn)的次數(shù)除以總的像素個(gè)數(shù)，并繪制該像素出現(xiàn)的頻率圖，就構(gòu)成了灰度直方圖。如圖1所示，為低照度圖像，如圖2所示，為圖1的灰度直方圖。由圖2所示可以看出，3個(gè)通道的像素值大多數(shù)分布在0～30之間，因此圖像呈現(xiàn)出較暗狀態(tài)。其主要原因是像素之間的差別較小，單純的亮度調(diào)節(jié)并不能拉開(kāi)像素灰度級(jí)的差距，所以需要進(jìn)行對(duì)比度調(diào)整，即在調(diào)大像素值的同時(shí)增加像素值間的間隔，這樣可以提高圖像的對(duì)比度，自適應(yīng)判斷公式如式(6)所示：

1.4 Retinex理論

Retinex理論表明，物質(zhì)本身的顏色取決于其對(duì)波長(zhǎng)的反射能力，除受反射光強(qiáng)度的絕對(duì)值外，同時(shí)不受非均勻光照的影響，且具有一致性，故Retinex以顏色一致性為基礎(chǔ)。傳統(tǒng)的非線性、線性僅增強(qiáng)物體的某一類特征，而該理論可在動(dòng)態(tài)范圍壓縮、邊緣提高和顏色不變等方面進(jìn)行調(diào)節(jié)，使得圖像能夠進(jìn)行自適應(yīng)增強(qiáng)。

由該理論可知，人眼對(duì)物質(zhì)亮度的感知受環(huán)境的照明和物質(zhì)表面對(duì)照射光的反射共同決定，可表示為：

式中：(,)為采集或接收到的圖像信號(hào)；(,)為環(huán)境光的照射分量；(,)為具有圖像細(xì)節(jié)的目標(biāo)物體反射分量。

如圖3所示，為Retinex對(duì)數(shù)閾值融合照明估計(jì)，其可在動(dòng)態(tài)范圍內(nèi)壓縮、邊緣提高和顏色不變等方面進(jìn)行平衡調(diào)節(jié)，具有良好的自適應(yīng)效果。

圖3 Retinex對(duì)數(shù)閾值融合照明估計(jì)

一般把空間平滑圖像作為照射圖像假設(shè)估計(jì)，(,)為待處理圖像，(,)為反射圖像，(,)為亮度圖像，由此可得到單尺度Retinex算法，公式為：

式中：(,)為輸出圖像；*為卷積運(yùn)算符；(,)為中心環(huán)繞函數(shù)，其可以表示為：

式中：表示高斯環(huán)繞尺度；是一個(gè)尺度，它的取值必須滿足一下條件：

綜上可知，本文將SSR算法中的卷積比作對(duì)空間的照度圖像的計(jì)算，然后計(jì)算圖像中像素點(diǎn)與該像素點(diǎn)區(qū)域的加權(quán)平均作為估計(jì)圖像中照度，并去除估計(jì)后的圖像照度，最后使圖像中物體的反射屬性進(jìn)行保留，實(shí)現(xiàn)增強(qiáng)的效果。單尺度SSR算法實(shí)現(xiàn)步驟如下所示。

第一步：讀入圖(,)，將圖像每個(gè)像素由整數(shù)轉(zhuǎn)到浮點(diǎn)數(shù)（若為灰度圖像直接轉(zhuǎn)換，若為彩色圖分別分通道轉(zhuǎn)換）；

第二步：輸入尺度，積分轉(zhuǎn)為求和，進(jìn)一步確定參數(shù)；

第三步：計(jì)算照度分量(,)，若為彩色圖，三通道均有r＝(,)；

第四步：將(,)從對(duì)數(shù)閾轉(zhuǎn)換到實(shí)數(shù)閾得到輸出圖像(,)；

第五步：對(duì)(,)線性拉伸，并以對(duì)應(yīng)的格式輸出。

MSR[13]是在SSR算法上進(jìn)一步演化發(fā)展而來(lái)的，此算法的優(yōu)點(diǎn)是在進(jìn)行壓縮的同時(shí)，還可兼顧圖像高保真度和圖像的動(dòng)態(tài)范圍。與此同時(shí)，在一定條件下，MSR能夠?qū)崿F(xiàn)圖像色彩增強(qiáng)、顏色不變性、局部動(dòng)態(tài)壓縮或全局動(dòng)態(tài)壓縮，也適用于X光圖像增強(qiáng)。

式(12)中：代表環(huán)繞函數(shù)的個(gè)數(shù)，當(dāng)取值為1時(shí)，MSR轉(zhuǎn)變?yōu)镾SR。一般來(lái)說(shuō)，取值為3時(shí)，可使SSR同時(shí)兼有高、中、低3個(gè)不同尺度的優(yōu)點(diǎn)，即：

實(shí)驗(yàn)結(jié)果表明，c分別取15，80，120可以得到較好的增強(qiáng)效果。

2 改進(jìn)的Retinex算法及圖像融合

2.1 雙邊濾波

雙邊濾波[14]作為非線性濾波器的一種，有較強(qiáng)的保邊、降噪、平滑能力。與其他濾波相似，雙邊濾波也是采用加權(quán)平均的方式，用周邊像素亮度值的加權(quán)代表某個(gè)像素的強(qiáng)度。不同之處在于雙邊濾波不僅考慮像素的歐式距離，還考慮像素范數(shù)閾的差異，同時(shí)兼顧這兩個(gè)權(quán)重，數(shù)學(xué)表達(dá)式如下：

式(14)中：(,)為雙邊濾波后的像素灰度值；(,)為待處理圖像像素點(diǎn)的灰度值；(,,)為采用加權(quán)的高斯函數(shù)計(jì)算得出的新灰度值；(,)是以點(diǎn)(,)為中心的像素點(diǎn)灰度值取值范圍。

2.2 改進(jìn)的Retinex算法

如式(10)所示，Retinex的傳統(tǒng)算法中，高斯函數(shù)的尺度因子決定了圖像增強(qiáng)效果，局限性明顯?；诖?，改進(jìn)的Retinex算法被提出為了進(jìn)行光照估計(jì)，在本文算法中，將高斯濾波和雙邊濾波作為中心環(huán)繞函數(shù)，分別與輸入的待處理圖像進(jìn)行卷積運(yùn)算，從而估計(jì)出入射分量。然后將估計(jì)出入射分量進(jìn)行加權(quán)融合，融合后的入射分量，既可以保持圖像的平滑度，提高圖像對(duì)比度，還可較好保留圖像邊緣信息，達(dá)到濾波效果，增強(qiáng)算法構(gòu)建流程如圖4所示，步驟如下。

1）首先將待處理圖像轉(zhuǎn)換到HSV色彩空間，并設(shè)定閾值對(duì)其通道分量進(jìn)行亮度調(diào)節(jié)，然后轉(zhuǎn)換到RGB色彩空間，將處理的圖像拷貝3份，對(duì)第一份進(jìn)行直方圖均衡化處理，將圖像灰度級(jí)進(jìn)行拉伸，實(shí)驗(yàn)結(jié)果表明，處理后圖像會(huì)有一些孤立的噪聲點(diǎn)出現(xiàn)，因此，本文對(duì)處理后的圖像進(jìn)行中值濾波處理，消除圖像中存在的噪聲點(diǎn)。

2）對(duì)第二份進(jìn)行自動(dòng)亮度調(diào)節(jié)，首先計(jì)算圖像分量的亮度值，將計(jì)算后的亮度值與設(shè)定閾值進(jìn)行比較，本文值設(shè)定為125，分量像素值大于125，圖像亮度足夠，不做處理；像素值小于125，亮度不夠，需要進(jìn)行亮度增強(qiáng)操作，由圖2可知，3個(gè)通道的像素值大多數(shù)分布在0～30之間，本文將落在0.1～0.9之間的像素值拉伸到0～255，去掉分位之外的值，然后對(duì)處理后的圖像進(jìn)行雙邊濾波處理，突出圖像邊緣信息。

3）對(duì)第三份進(jìn)行改進(jìn)的Retinex算法處理，用高斯濾波、雙邊濾波作為其環(huán)繞函數(shù)，分別估計(jì)圖像照明分量，最后輸出反射圖。

最后將處理后的3份圖像轉(zhuǎn)到HSV色彩空間，對(duì)其分量進(jìn)行多圖像融合，、分量用第二份圖像分量值，最后將融合后的圖像由HSV轉(zhuǎn)到RGB色彩空間，輸出處理后的圖像。

圖4 增強(qiáng)算法構(gòu)建流程圖

3 實(shí)驗(yàn)結(jié)果與分析

為測(cè)試本文算法對(duì)弱光圖像增強(qiáng)的效果，實(shí)驗(yàn)環(huán)境配置：英特爾(R) Core(TM) i5-6500處理器@ 3.20GHz，Windows10操作系統(tǒng)，8G環(huán)境下的Pycharm軟件，解釋器Anaconda Python3.7。分別與無(wú)暗光的Label圖像以及傳統(tǒng)的SSR算法、MSR算法、伽馬變換[15]、Fu[9]等算法進(jìn)行效果對(duì)比，如圖5所示。

圖5 弱光圖像增強(qiáng)結(jié)果對(duì)比實(shí)驗(yàn)圖

3.1 主觀分析

圖5中，第一列為不同場(chǎng)景下的Label圖（即原圖所對(duì)應(yīng)的無(wú)暗光圖），第二列為該場(chǎng)景下對(duì)應(yīng)的暗光圖，可以看出既有室內(nèi)也有室外圖。從第三列起往右依次為SSR算法、MSR算法、伽馬變換、Fu的算法以及本文算法處理后所對(duì)應(yīng)的圖像，其中SSR算法與MSR算法處理后圖像整體曝光，圖像泛白，失真明顯，圖像細(xì)節(jié)損失嚴(yán)重，在遠(yuǎn)景天空區(qū)域，暗光增強(qiáng)效果不明顯。伽馬變換拉伸了圖像對(duì)比度，但整體圖像仍然偏暗，且在天空區(qū)域出現(xiàn)色彩失真現(xiàn)象。Fu的算法，處理后圖像整體較亮，但是對(duì)比度降低，對(duì)于高亮區(qū)域變得模糊，如圖5中矩形框區(qū)域，F(xiàn)u的算法對(duì)燈光區(qū)域處理后出現(xiàn)過(guò)曝現(xiàn)象，同時(shí)增強(qiáng)后的圖像會(huì)引入噪聲，圖像視覺(jué)效果降低。本文算法，不僅提高了圖像的亮度，而且保留了圖像的細(xì)節(jié)，對(duì)比度明顯。對(duì)于天空區(qū)域幾乎沒(méi)有出現(xiàn)失真現(xiàn)象，同時(shí)增強(qiáng)后的圖像噪聲也較少，能夠?qū)崿F(xiàn)較好的弱光圖像增強(qiáng)。

3.2 客觀分析

主觀評(píng)價(jià)易受外界因素影響，為客觀驗(yàn)證[16]算法，本文從3方面進(jìn)行。

1）峰值信噪比（peak signal to noise ratio，PSNR）是常用來(lái)衡量圖像變化的程度，PSNR越大，說(shuō)明圖像差異越小，失真度越低，圖像質(zhì)量越高，如公式(15)所示。

式中：表示圖像的等級(jí)數(shù)，通常取為255；(,)為初始圖像；(,)為處理后的圖像；、作為圖像的行列數(shù)，經(jīng)過(guò)對(duì)比前后，大小不變。

2）結(jié)構(gòu)相似性（structural similarity index measure，SSIM）通過(guò)對(duì)比處理前后圖像之間差別進(jìn)行質(zhì)量評(píng)估，通過(guò)對(duì)圖像的對(duì)比度、結(jié)構(gòu)信息以及亮度三者的乘積作為綜合評(píng)判，該值越大說(shuō)明處理效果越好。為了方便敘述，假設(shè)處理前圖像為，處理后圖像為。

圖像亮度對(duì)比如公式(16)：

圖像對(duì)比度比較如公式(17)：

結(jié)構(gòu)相似性比較如公式(18)：

式(16)、(17)、(18)中：，為圖像像素平均值；為兩幅圖像標(biāo)準(zhǔn)差；1、2、3為常數(shù)，主要為了防止分母取0的情況。一般取1＝(1×)2，2＝(2×)2，3＝2/2,t通常設(shè)定1為0.01，2為0.03，為255。

3）信息熵（information entropy, IE）指圖像涵蓋的信息量，該值越大，圖像細(xì)節(jié)越豐富，層次及結(jié)構(gòu)就越清晰，圖像質(zhì)量越高。如公式(19)所示：

式(19)中：為圖像像素灰度等級(jí)，通常＝28－1，()是圖像中某點(diǎn)灰度值時(shí)，圖像在該點(diǎn)出現(xiàn)的概率。

選取圖5中Label 1、Label 5圖，對(duì)其進(jìn)行客觀對(duì)比分析（如表1和表2所示）。

表1 Label 1圖像增強(qiáng)質(zhì)量評(píng)價(jià)

表2 Label 5圖像增強(qiáng)質(zhì)量評(píng)價(jià)

由表1、2可知，本文算法峰值信噪比、結(jié)構(gòu)相似性以及信息熵明顯大于其他算法。另外Label圖所在列，為與暗光圖像對(duì)應(yīng)的無(wú)暗光圖像運(yùn)行獲得的?？梢钥闯鯬SNR，SSIM值比較低的，證明暗光圖與無(wú)暗光圖的差別較大。但I(xiàn)E值明顯高于其他項(xiàng)，證明各種算法處理后與無(wú)暗光圖像對(duì)比還有一定的差距，但經(jīng)過(guò)本文算法處理后的圖像，IE值比較接近無(wú)暗光圖像獲得IE值。由此可知，經(jīng)本文算法處理后的圖像，圖像對(duì)比度提高，亮度增加，失真小，同時(shí)圖像細(xì)節(jié)清晰和顏色失真問(wèn)題，證明本文算法的有效性。

4 結(jié)論

針對(duì)低照度圖像增強(qiáng)過(guò)程中圖像質(zhì)量不佳、圖像偏暗等問(wèn)題，本文提出改進(jìn)Retinex與多圖像融合算法。對(duì)拷貝的3份圖像進(jìn)行分別操作，第一份采用直方圖處理，拉伸了圖像的灰度等級(jí)，提高了暗光圖像的亮度。同時(shí)采用中值濾波，消除了圖像中的孤立噪聲點(diǎn)；對(duì)于第二份圖像進(jìn)行閾值拉伸處理，均勻的提高圖像亮度；第三份采用改進(jìn)的SSR算法處理，保留了圖像的邊緣信息。最后將3份圖像融合，實(shí)驗(yàn)結(jié)果表明，經(jīng)過(guò)本文算法處理的圖像，主觀色彩明顯，自然度，對(duì)比度以及亮度都明顯提高。客觀上，PSNR、SSIM以及IE較其他算法都有較大提升，且經(jīng)過(guò)本文算法處理后的圖像，IE值最接近真實(shí)無(wú)暗光圖像，表明本文算法在對(duì)弱光圖像增強(qiáng)方面具有不錯(cuò)的效果。

[1] 閆保中, 韓旭東, 何偉. 基于Retinex理論改進(jìn)的低照度圖像增強(qiáng)算法[J]. 應(yīng)用科技, 2020, 47(5): 74-78.

YAN Baozhong, HAN Xudong, HE Wei. Improved low illumination image enhancement algorithm based on Retinex theory[J]., 2020, 47(5): 74-78.

[2] 牟琦, 魏妍妍, 李姣, 等. 改進(jìn)的Retinex低照度圖像增強(qiáng)算法研究[J].哈爾濱工程大學(xué)學(xué)報(bào), 2018, 39(12): 2001-2010.

MOU Qi, WEI Yanyan, LI Jiao, et al. Research on improved Retinex low illumination image enhancement algorithm[J]., 2018, 39(12): 2001-2010.

[3] 韓夢(mèng)妍, 李良榮, 蔣凱. 基于光照?qǐng)D估計(jì)的Retinex低照度圖像增強(qiáng)算法研究[J/OL]. [2020-07-28]. 計(jì)算機(jī)工程, http://www.ecice06.com/ CN/ 10.19678/j.issn.1000-3428.0059224.

HAN Mengyan, LI Liangrong, JIANG Kai. Research on Retinex low illumination image enhancement algorithm based on illumination map estimation[J/OL]. [2020-07-28]., http://www. ecice06. com/ CN/10.19678/j.issn.1000-3428.0059224.

[4] 趙馨宇, 黃福珍. 基于雙通道先驗(yàn)和光照?qǐng)D引導(dǎo)濾波的圖像增強(qiáng)[J]. 激光與光電子學(xué)進(jìn)展, 2021, 58(8): 53-62.

ZHAO Xinyu, HUANG Fuzhen. Image enhancement based on dual channel a priori and illumination guided filtering[J]., 2021, 58(8): 53-62.

[5] 劉明珠, 蘇桃宇, 王依寧. 壓擴(kuò)多尺度Retinex圖像增強(qiáng)算法研究[J].哈爾濱理工大學(xué)學(xué)報(bào), 2020, 25(5): 93-99.

LIU Mingzhu, SU Taoyu, WANG Yining. Research on companding multiscale Retinex image enhancement algorithm[J]., 2020, 25(5): 93-99.

[6] SUN J, HE K, TANG X. Single Image Haze Removal Using Dark Channel Priors: U.S. Patent 8,340,461[P]. 2012-12-25.

[7] CHEN C, CHEN Q, XU J, et al. Learning to See in the Dark [C/OL][2018-05-04]//(CVPR), https://arxiv.org/abs/1805.01934.

[8] 李斯娜, 明道洋. 小波變換在圖像去噪中的應(yīng)用[J]. 科技信息, 2013(18): 253.

LI SinA, MING Daoyang. Application of wavelet transform in image denoising [J].2013(18): 253.

[9] FU X Y, ZENG D L, HUANG Y, et al. A fusion-based enhancing method for weakly illuminated images[J]., 2016, 129: 82-96.

[10] 秦緒佳, 王慧玲, 杜軼誠(chéng), 等. HSV色彩空間的Retinex結(jié)構(gòu)光圖像增強(qiáng)算法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2013(4): 488-493.

QIN Xujia, WANG Huiling, DU Yicheng, et al. Retinex structured light image enhancement algorithm in HSV color space[J]., 2013(4): 488-493.

[11] 楊振亞, 王勇, 楊振東, 等. RGB顏色空間的矢量-角度距離色差公式[J]. 計(jì)算機(jī)工程與應(yīng)用, 2010(6): 154-156.

YANG Zhenya, WANG Yong, YANG Zhendong, et al. Vector angle distance color difference formula of RGB color space[J]., 2010(6): 154-156.

[12] 武治國(guó), 王延杰. 一種基于直方圖非線性變換的圖像對(duì)比度增強(qiáng)方法[J]. 光子學(xué)報(bào), 2010, 39(4): 755-758.

WU Zhiguo, WANG Yanjie. An image contrast enhancement method based on histogram nonlinear transformation[J]., 2010, 39(4): 755-758.

[13] 孫抗, 汪渤, 周志強(qiáng), 等. 基于雙邊濾波的實(shí)時(shí)圖像去霧技術(shù)研究[J]. 北京理工大學(xué)學(xué)報(bào), 2011(7): 810-813.

SUN Kang, WANG Bo, ZHOU Zhiqiang, et al. Research on real-time image defogging technology based on bilateral filtering[J]., 2011(7): 810-813.

[14] 張亞飛. 基于冪次變換和MSR的光照不均圖像增強(qiáng)[J].電腦知識(shí)與技術(shù), 2012, 8(22): 5456-5458.

ZHANG Yafei. Uneven illumination image enhancement based on power transform and MSR[J]., 2012, 8 (22): 5456-5458.

[15] 楊先鳳, 李小蘭, 貴紅軍. 改進(jìn)的自適應(yīng)伽馬變換圖像增強(qiáng)算法仿真[J]. 計(jì)算機(jī)仿真, 2020, 37(5): 246-250.

YANG Xianfeng, LI Xiaolan, GUI Hongjun. Simulation of improved adaptive gamma transform image enhancement algorithm[J]., 2020, 37 (5): 246-250.

[16] 郭璠, 蔡自興. 圖像去霧算法清晰化效果客觀評(píng)價(jià)方法[J]. 自動(dòng)化學(xué)報(bào), 2012, 38(9): 1410-1419.

GUO Xuan, CAI Zixing. Objective evaluation method of image defogging algorithm clarity effect[J]., 2012, 38 (9): 1410-1419.

Improved Retinex and Multi-Image Fusion Algorithm for Low Illumination Image Enhancement

ZHAI Haixiang1,2，HE Jiaqi1,2，WANG Zhengjia1,2，JING Jiabao1,2，CHEN Wenzhong1,2

(1.,,430068,; 2.,430068,)

To solve the problems of poor image quality and low contrast in low-illumination image enhancement, this study proposes an improved Retinex and multi-image fusion algorithm for low -illumination image enhancement. First, the image to be processed is converted to the HSV color space, and the brightness of the V-channel component is adjusted by setting a threshold. Then, it is converted to the RGB color space, and three copies are made. Histogram equalization and median filtering are performed for the first part; the second part is processed by automatic brightness adjustment and bilateral filtering; the third part is processed by an improved Retinex algorithm, which uses Gaussian filtering and bilateral filtering as its surround function to estimate the illumination component of the image, and outputs the reflection image. The three processed images are transferred to the HSV color space, and thecomponent is fused. Theandcomponents follow the values of the second image component. Finally, the fused image is converted from the HSV to RGB color space, and the processed image is output. The experimental results show that the proposed algorithm not only enhances the low-illumination image but also suppresses the image noise. Furthermore, it exhibits good edge preservation and obvious details.

low illumination, image enhancement, Retinex, bilateral filtering, image component fusion, HSV color space

TP391.41

A

1001-8891(2021)10-0987-07

2021-01-06；

2021-03-03.

翟海祥（1994-），男，碩士研究生，主要從事嵌入式圖像、機(jī)器視覺(jué)方面的研究。E-mail：3026871256@qq.com。

王正家（1970-）男，博士，副教授，碩士生導(dǎo)師，主要從事電機(jī)智能控制、智能裝備與儀器方面的研究。E-mail：276318532@qq.com。

國(guó)家自然科學(xué)基金（51275158）。