耿小芬

(山西傳媒學院，山西 晉中030619)

1 低照度圖像特征

低照度指的是被攝景物的光亮度低到一定程度而使得攝像機輸出的視頻信號電平低至某一規(guī)定值時的景物光亮度。低照度圖像的灰度值總體偏小，圖像整體偏暗。各相鄰像素間的相關性大，像素值分布集中，輪廓等邊緣像素的灰度值與非邊緣的鄰域像素的灰度值差距小，細節(jié)信息弱化，對于彩色圖像各個通道顏色均偏暗。同時，在低照度環(huán)境下獲取的圖像因光照不均勻，容易產(chǎn)生噪聲和局部欠曝光的現(xiàn)象,在圖像增強中會產(chǎn)生光暈、過度曝光、欠曝光等問題。

2 圖像質量評價標準

2.1 主觀評價

主觀評價方法是直接利用人們自身的觀察來對圖像做出判斷，最具代表性的方法是主觀質量評分法。測試者根據(jù)規(guī)定的評價尺度，對測試圖像按視覺效果給出圖像等級，最后將所有測試者給出的等級進行歸一化平均，得到評價結果。該方法是最準確的表述人們視覺感受的方法，但費時費力也缺乏穩(wěn)定性，經(jīng)常受實驗條件、測試者情緒、測試者疲勞程度等因素的影響。

2.2 客觀評價

客觀評價方法是用處理圖像與原始圖像的誤差來衡量處理圖像的質量，是脫離人的主觀意識判斷，主要通過函數(shù)或者機器學習的方法建立一個模型，對待評測的圖像進行相關的運算，從而得到圖像的評價值。傳統(tǒng)的質量評價基于一個思想，就是與標準圖像的灰度差異越大說明被測試的圖像質量退化越嚴重。具有代表性的方法評價指標有均方誤差(MSE)、峰值信噪比(PSNR)、結構相似性(SSIM)、自然圖像質量評估(NIQE)。傳統(tǒng)的質量評價計算簡單，運算速度快，但是不能很好的反映人的視覺特性。

圖像質量客觀評價可分為全參考(FR)、部分參考(RR)、無參考(NR)。全參考是在選擇理想圖像作為參考圖像的情況下，比較待評測圖像與參考圖像之間的差異，分析其失真度，得到待評測圖像的質量評估。部分參考和無參考方法分別是基于理想圖像的部分特征信息作為參考和無理想圖像作為參考進行圖像質量評測?，F(xiàn)今的圖像質量評價的重點研究主要是針對無參考圖像的研究，主要有面向特定失真圖像質量評價方法、非特定失真圖像質量評價和基于機器學習的圖像質量評價方法。其中基于機器學習的方法是目前研究最多的算法，它是利用卷積神經(jīng)網(wǎng)絡模型和廣義回歸神經(jīng)網(wǎng)絡模型對圖像質量進行評價。

3 低照度圖像增強的方法綜述

圖像增強是指對于圖像信息進行有效的處理最終達到提高視覺效果的目標。低照度圖像的增強可以增強圖像細節(jié)信息表現(xiàn)力，提高圖像的對比度、還原圖像色彩，保障圖像的有效信息。目前低照度圖像增強技術已經(jīng)成為圖像處理領域的重點研究內(nèi)容，學者們也紛紛提出了多種低照度圖像增強的算法，早期對于低照度圖像增強常用直方圖均衡化、伽馬變換、Retinex理論等,但是這些方法存在增強后圖像色彩不均勻、顏色失真等問題。

3.1 傳統(tǒng)低照度圖像增強方法

目前應用較廣泛的傳統(tǒng)低照度圖像增強算法有：1) 基于色調映射算法，主要是通過擴展低照度圖像的動態(tài)范圍，提高圖像的亮度；2) 基于背景融合算法，它是將白天的亮度信息融合到夜間的圖像中，利用白天背景的亮度來增強夜間圖像的像素；3) 基于直方圖均衡化算法，一種利用灰度變換自動調節(jié)圖像對比度質量的方法，基本思想是通過灰度級的概率密度函數(shù)求出灰度變換函數(shù)，是一種以累計分布函數(shù)變換法為基礎的直方圖修正法；4) 基于模型算法，常見包括基于Retinex模型和基于大氣散射模型，Retinex模型是一種模仿人類視覺系統(tǒng)感知圖像的亮度和真實色彩的模型，大氣散射模型是利用除霧算法對反演后的低照度圖像進行處理和增強[1]。

除了以上傳統(tǒng)方法外，學者們通過研究，提出了各種改進的圖像增強的方法，Zhang Qing，Nie Yongwei[2]等提出了一種新的有效的視覺驅動漸進融合算法實現(xiàn)對低曝光視頻的圖像增強，利用一系列試探性的色調映射曲線對每個視頻幀進行色調映射，得到原始視頻的多重曝光序列，在不同曝光等級的視頻幀中通過對比度、飽和度和曝光度選擇良好的區(qū)域集成為一個良好的曝光視頻幀，最后將視頻前后幀曝光良好的視頻幀通過高斯和拉普拉斯金字塔分解進行多尺度融合。朱婧雅，王中元[3]利用相似原理提出了一種基于相似場景的低照度監(jiān)控圖像增強算法，首先獲取良好光照下，與低照度監(jiān)控圖像場景相似的圖像，并建立圖像庫，從中選擇最合適的圖像作為參考圖像;然后通過直方圖匹配的方法，以參考圖像為標準，對低照度圖像進行增強，并用迭代增強的方法不斷提高圖像的清晰度;最終得到增強后的低照度監(jiān)控圖像。BHANDARI A等[4-5]將圖像直方圖分成兩個子直方圖，分別使用布谷鳥搜索算法和高原極限法優(yōu)化處理每個直方圖，在改善圖像對比度的同時，有效還原圖像亮度，解決了低照度環(huán)境圖像照明不統(tǒng)一的問題，提高了圖像質量。王改云、郭志超等[6]還提出了融合遺傳算法的多閾值分塊低照度圖像增強算法，通過遺傳算法尋找輸入圖像亮度通道的最優(yōu)分割閾值，根據(jù)閾值將亮度通道劃分為多個不同曝光級的子圖，通過多閾值分塊增強對所有子圖進行評估，根據(jù)評估結果調整每個子圖的亮度，最后使用多尺度融合方法將輸入圖像細節(jié)信息融合到亮度增強圖像。李小霞，李鋮果[7]等提出了一種新的低照度圖像增強的算法，首先將圖像轉換到HSV顏色空間，保持色相不變，然后采用分段對數(shù)變換增強飽和度，對色調分量進行多尺度Retinex變換，對變換后的圖像采用銳化處理和高斯平滑，利用色調分量疊加的方法增強色調邊緣。

3.2 基于深度學習的低照度圖像增強方法

較早的基于機器學習的圖像增強方法使用稀疏表示來學習模型，目前深度學習方法已經(jīng)成為機器學習領域最熱門的方法，在圖像處理領域和計算機視覺領域都取得了可觀的研究成果。目前處理低照度圖像常用的深度學習模型主要有兩類：深度生成模型和深度辨別模型。深度生成模型是從大量的數(shù)據(jù)中找規(guī)律，屬于統(tǒng)計學習，常見范例有樸素貝葉斯、隱馬爾可夫；深度辨別模型關心不同類型數(shù)據(jù)的差別，利用差別來分類，常見范例有K近鄰法、感知機、決策樹、邏輯回歸、線性回歸、最大熵模型、支持向量機、提升方法和條件隨機場。經(jīng)過大量的實驗證明基于深度學習的方法在低照度圖像增強具有很好的效果。LORE[8]等人使用深度自編碼器增強低亮度圖像，將亮度提升和噪聲抑制同時放在一個模型中學習，通過一定量數(shù)據(jù)的學習得到了不錯的增強效果。WEI[9]等人使用深度神經(jīng)網(wǎng)絡模擬Retinex模型，使低照度圖像和正常圖像共享網(wǎng)絡參數(shù)，分解得到相同的反射圖，以確保二者照明圖不同，然后基于分解結果訓練網(wǎng)絡增強照明圖，增強亮度明顯提升。

4 典型的低照度圖像增強的算法分析及實驗驗證

4.1 去噪類算法分析

典型的低照度圖像在處理過程中會產(chǎn)生光量子噪聲、高斯噪聲、瑞利噪聲、脈沖噪聲。經(jīng)典的常見的去除噪聲的算法有均值濾波、中值濾波、高斯濾波、形態(tài)學濾波等。下面對實驗結果進行分析：

算法名稱優(yōu)點缺點均值濾波有效去除顆粒噪聲圖像變模糊中值濾波有效去除圖像的椒鹽噪聲圖像細節(jié)變模糊高斯濾波有效去除正態(tài)分布噪聲易損傷細節(jié)形態(tài)學濾波適用于細節(jié)不明顯的圖像適用范圍較窄同態(tài)濾波有效恢復細節(jié)和平衡光照效率低雙邊濾波保邊去噪效果好無法濾除高頻噪聲維納濾波有效抑制白噪聲計算量較大

4.2 亮度增強算法分析

經(jīng)典的亮度增強算法有直方圖均衡、伽馬校正、色調映射、暗通道算法、神經(jīng)網(wǎng)絡、Retinex理論，這些算法針對低照度圖像進行亮度增強各有優(yōu)缺點[10]，其中直方圖均衡和伽馬校正運算速度快，色調映射、暗通道算法、神經(jīng)網(wǎng)絡對圖像的細節(jié)保持較好，Retinex理論能有效的處理顏色的失真。但是直方圖會使圖像曝光過度、暗通道算法和神經(jīng)網(wǎng)絡算法計算量過大、Retinex理論容易出現(xiàn)光暈現(xiàn)象。因此，在低照度圖像處理中應該根據(jù)實際需要選擇相應的算法實現(xiàn)增強。

4.3 實驗驗證

MATLAB作為國內(nèi)外流行的一個科學與工程計算軟件，具有強大的圖像處理功能，它簡單、實用，是圖像處理過程常用的理想開發(fā)工具。本論文基于MATLAB平臺，分別運用直方圖均衡化、均值濾波、中值濾波、同態(tài)濾波、Retinex理論對低照度圖像進行增強，根據(jù)不同的需求達到改善圖像特征的目的[11]，并對實驗結果進行分析比較，驗證不同算法的增強效果，達到圖像質量增強。

4.3.1 直方圖均衡化實驗

以上是直方圖均衡化處理結果，圖1為原始圖像，圖2為直方圖均衡化后的彩色圖像，利用彩色圖像R、G、B三個通道分別進行直方圖均衡化，之后再合成彩色圖像，經(jīng)過處理后的圖像變得更加清晰，能夠看到更多細節(jié)。用到的主要函數(shù)有histeq。

圖1 原始圖像 圖2 直方圖均衡化后的效果

4.3.2 中值濾波和均值濾波實驗

中值濾波和均值濾波實驗工程可對彩色圖像的R、G、B三個通道分別進行濾波后合成彩色圖像，中值濾波和均值濾波的特點是去除圖像中的椒鹽噪聲和顆粒噪聲，對圖像的亮度變化貢獻不大。實驗中用到的函數(shù)包括medfilt2、fspecial、imfilter，均值濾波主要代碼如下：

PSF=fspecial('average',3);

J1=imfilter(I(:,:,1),PSF);

J2=imfilter(I(:,:,2),PSF);

J3=imfilter(I(:,:,3),PSF);

J=cat(3,J1,J2,J3)。

4.3.3 同態(tài)濾波

以上是同態(tài)濾波的實驗結果，圖3為原始圖像，圖4為濾波后的彩色圖像，同態(tài)濾波的特點是有效恢復細節(jié)和平衡光照，圖像增強效果較好。主要代碼如下：

J1=log(im2double(I(:,:,1))+1);

K=fft2(J1);n=5;

D0=0.3;rh=4;r1=0.4;

[row,column]=size(J);

for i=1:row

for j=1:column

D1(i,j)=sqrt(i^2+j^2);

H(i,j)=r1+(rh/(1+(D0/D1(i,j))^(2*n)));

end

end

L=K.*H;M=ifft2(L);N1=exp(M)-1。

圖3 原始圖像 圖4 同態(tài)濾波后的圖像

4.3.4 Retinex理論

Retinex理論是視網(wǎng)膜大腦皮層理論，物體所顯示的顏色由它對短、中、長波三個波段光線的反射情況決定，光照是否均勻將不影響物體色彩的顯示，也就是物體的色彩具有一致性特征。通過實驗可知，利用Retinex理論能有效的處理顏色的失真達到圖像增強的目的。圖5為原始圖像，圖6為利用Retinex理論增強的圖像。部分代碼如下：

[x,y,z]=size(I);

J=zeros(x,y,z);

for i=1:z

Image1=log(double(I(:,:,i))+eps);

J(:,:,i)=retinex_1(image1,4);

J(:,:,i)=exp(J(:,:,i));

a=min(min(J(:,:,i)));

b=max(max(J(:,:,i)));

J (:,:,i)=((J(:,:,i)-a)/(b-a))*255;

end

圖5 原始圖像 圖6 利用Retinex理論增強的圖像

5 結語

本文通過實驗，驗證了低照度圖像在采用不同算法的增強性能，對比了各種算法增強的效果，說明了不同環(huán)境下結合實際需要可采取不同的算法。基于機器學習的方法能夠更好的還原真實場景的光照環(huán)境，能夠通過增強圖像的細節(jié)信息提升圖像質量，具有實現(xiàn)低照度圖像標準化的潛力，也是今后研究圖像增強的發(fā)展趨勢。