游達(dá)章，陶加濤，張業(yè)鵬，張敏

（1.湖北工業(yè)大學(xué) 機(jī)械工程學(xué)院，湖北 武漢 430068；2.湖北省現(xiàn)代制造質(zhì)量工程重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430068；3.湖北工業(yè)大學(xué) 工程技術(shù)學(xué)院，湖北 武漢 430068）

0 引言

隨著電子產(chǎn)品的更新速度越來越快，人們所追求的圖像像素越來越高，圖像質(zhì)量也越來越好，但由于光、霧等環(huán)境的影響，圖像質(zhì)量可能達(dá)不到期望效果。同時在工程應(yīng)用中，因?yàn)閳D像重要信息量的丟失，會導(dǎo)致定位、識別的準(zhǔn)確率不高的問題。為此需對圖像進(jìn)行處理。通過人工觀察或計(jì)算機(jī)分析方法，減輕或消除圖像的退化，或?yàn)槟撤N目的改善圖像[1-2]。

近年來，Retinex 理論方法憑借其圖像增強(qiáng)效果顯著，易于實(shí)現(xiàn)的特點(diǎn)，成為了國內(nèi)外學(xué)者的研究熱點(diǎn)[3]。Retinex 理論[4]由美國物理學(xué)家Edwin.H.Land在1997 年首次提出，經(jīng)過幾十年的發(fā)展，已經(jīng)從單尺度（single-scale retinex,SSR）發(fā)展到多尺度加權(quán)平均Retinex 算法（multi-scale retinex,MSR）、加入色彩恢復(fù)因子的MSRCR（multi-scale retinex with color restoration）算法以及一些派生算法和各種算法結(jié)合的方法等等。Shao等[4]提出拉基于融合增強(qiáng)的MSR 方法，將MSR 結(jié)果和低光級圖像通過像素灰度值相關(guān)權(quán)重機(jī)械能融合，圖像的光暈被明顯抑制，但圖像存在著邊緣模糊、退化的問題；牟琦等[5]對Retinex 進(jìn)行了改進(jìn)，通過引導(dǎo)濾波和高頻提升來增強(qiáng)圖像的細(xì)節(jié)，用低秩分解去除噪聲，較好地提升了圖像質(zhì)量，但圖像側(cè)影處理的效果不佳；許鳳麟等[6]提出了彩色加權(quán)引導(dǎo)濾波-Retinex 算法，在提高圖像對比度的同時對圖像的邊緣信息加強(qiáng)，避免了邊緣信息缺失的問題，但圖像的紋理細(xì)節(jié)不夠清晰；Jong等[7]提出了基于非線性映射函數(shù)的Retinex 模型，估計(jì)亮度和重建亮度之間的關(guān)系用于重建色度通道，提高了對比度，消除了圖像的暈影和色彩失真。

除了用關(guān)于光照算法去實(shí)現(xiàn)圖像增強(qiáng)，還有很多學(xué)者致力于用灰度變換函數(shù)去改變圖像的灰度值，以達(dá)到調(diào)整圖像對比度與亮度、增強(qiáng)圖像的目的。Gao等[8]提出了一種改進(jìn)的灰度變換算法，在彩色圖像增強(qiáng)的同時，以RGB 進(jìn)行處理空間，很大程度上改善了顏色缺失，但圖像細(xì)節(jié)不夠清晰；Sun等[9]提出了低復(fù)雜度的自動對比度增強(qiáng)方法，利用高頻分布估計(jì)強(qiáng)度加權(quán)矩陣，來控制高斯擬合曲線并塑造對比度增益分布；Verma等[10]提出使用粒子群優(yōu)化（particle swarm optimization,PSO）算法來改進(jìn)S 型函數(shù)，對函數(shù)進(jìn)行參數(shù)優(yōu)化，但由于函數(shù)參數(shù)與輸入圖像之間沒有達(dá)到理想的一致性，導(dǎo)致輸出圖像對比度和亮度提升不夠。

基于此，為了提高低照度圖像的對比度和可視度，同時克服傳統(tǒng)算法出現(xiàn)的色彩失真和模糊等問題，本文提出了一種基于灰度變換和改進(jìn)的Retinex理論相結(jié)合的圖像增強(qiáng)方法。首先采用引力搜索算法（gravitational search algorithm，GSA）優(yōu)化的全局灰度變換函數(shù)對圖像的RGB 各通道灰度圖像進(jìn)行灰度變換，提高圖像R、G、B 各通道光照強(qiáng)度，使圖像的光照場景更近似于真實(shí)場景。同時為了避免圖像信息丟失嚴(yán)重，采用改進(jìn)的Retinex 算法進(jìn)行增強(qiáng)，使用改進(jìn)的雙邊濾波和Gabor 濾波替換掉高斯低通濾波；最后通過伽馬校正調(diào)節(jié)圖像的亮度和色彩。

1 基于灰度變換和改進(jìn)Retinex 算法的低照度圖像增強(qiáng)方法

基于灰度變換和改進(jìn)的Retinex 圖像增強(qiáng)算法主要由兩部分組成：①利用GSA 算法優(yōu)化灰度變換函數(shù)對初始圖像的RGB 三個單通道進(jìn)行預(yù)處理；②采用改進(jìn)的Retinex 算法對獲得的灰度變換圖像進(jìn)行增強(qiáng)。其方法實(shí)現(xiàn)流程如圖1 所示。

圖1 基于灰度變換和改進(jìn)后的Retinex 圖像增強(qiáng)算法的實(shí)現(xiàn)過程Fig.1 Flow chart of image enhancement algorithm

1.1 基于GSA 優(yōu)化的圖像灰度變換

1.1.1 全局灰度變換函數(shù)

灰度變換[11]就是將原有圖像的像素值，使用灰度變換函數(shù)獲取新的像素值，并以此方法來提高圖像的視覺效果，其通用公式如下所示：

式中：f(x,y)是輸入圖像；g(x,y)是處理后的圖像；T是像素的變換函數(shù)。

常用的灰度變換函數(shù)有很多種，此次采用的全局灰度變換函數(shù)基礎(chǔ)模型是美國學(xué)者Katirciolu F.提出的，它是基于相鄰像素之間密度分布相似性來對每個像素進(jìn)行變換[12]。它能夠?qū)叶葓D像進(jìn)行有效增強(qiáng)，很好地保持原始圖像的細(xì)節(jié)特征，同時也能防止圖像在后面的圖像增強(qiáng)環(huán)節(jié)出現(xiàn)圖像模糊和退化的問題。但該方法還沒有在彩色圖像上應(yīng)用。常規(guī)的彩色圖像一般是RGB 圖像，它由R、G、B 三個單通道圖像組成，而單通道圖像也屬于灰度圖像的一種，故全局灰度變換也可以在彩色圖像上進(jìn)行運(yùn)用。

全局灰度變換函數(shù)是將像素?cái)?shù)量最多的灰度值標(biāo)記為Max，當(dāng)向左像素接近0值，而向右像素接近255 值時，對比度增加。此外，對比度和亮度根據(jù)相鄰像素間強(qiáng)度分布的相似程度正向增加。其變換函數(shù)如下：

式中：S(x,y)是(x,y)處像素與周圍像素的相似度；GMax是圖像中像素?cái)?shù)量最多的灰度值；ψ(x,y)表示在3×3像素區(qū)域的標(biāo)準(zhǔn)差值，其公式如(3)所示：

式中：m(x,y)為3×3 像素區(qū)域內(nèi)的像素平均值。

為了確定3×3像素區(qū)域的像素相似度，通過3×3像素區(qū)域內(nèi)像素之間的距離來建立關(guān)系矩陣。假設(shè)在3×3 區(qū)域內(nèi)有兩個像素k和l，兩者距離公式如下：

然后用式(5)中的指數(shù)函數(shù)來計(jì)算兩個像素的相似度，其值的分布范圍從0 到1 不等，如果其值接近與0，則兩個像素不相似，如果接近1，則被認(rèn)為相似。

式中：D為歸一化系數(shù)，可以通過賦值32、64、128、255 對得到的結(jié)果進(jìn)行分級。將得到的3×3 區(qū)域內(nèi)的9 個像素之間相似度來創(chuàng)建一個9×9 的相似度關(guān)系矩陣，如式(6)所示。然后根據(jù)式(7)計(jì)算3×3 像素區(qū)域的相似值。最后通過像素區(qū)域平移，直到計(jì)算完圖像右下角最后一個像素的相似度為止。

在等式(2)中，還有a、b、c、k四個參數(shù)值未定，因此采用啟發(fā)式算法GSA 對其進(jìn)行尋優(yōu)，得到最優(yōu)值。

1.1.2 GSA 算法

引力搜索算法是一種受自然啟發(fā)的概念框架，其根源在于引力運(yùn)動學(xué)，引力運(yùn)動學(xué)是物理學(xué)的一個分支，可模擬在重力影響下移動的質(zhì)量運(yùn)動[13]。在GSA中，一組對象在牛頓引力和運(yùn)動定律下相互作用。物體的性能是用質(zhì)量來衡量的。所有這些物體通過重力相互吸引，而這種力會導(dǎo)致所有物體向質(zhì)量較重的物體整體運(yùn)動。對象的位置對應(yīng)于問題的解決方案。每次迭代都會更新對象的位置，并存儲最佳適應(yīng)度及其對應(yīng)的對象。較重的質(zhì)量比較輕的質(zhì)量移動得慢。該算法在指定的迭代次數(shù)后終止，之后最佳適應(yīng)度成為特定問題的全局適應(yīng)度，相應(yīng)對象的位置成為該問題的全局解決方案。

1.1.3 基于GSA 的灰度變換函數(shù)參數(shù)優(yōu)化

輸入圖像后，將RGB 三通道圖像分離成3 個單通道的灰度圖像，然后根據(jù)公式(2)(3)，先確定每個灰度圖像中像素?cái)?shù)量最多的灰度值Max 和3×3 區(qū)域的標(biāo)準(zhǔn)差值，它們在GSA 搜索過程中不會改變。初始化GSA 優(yōu)化算法的種群數(shù)與最大迭代次數(shù)，然后按照流程圖2 進(jìn)行搜索，對每次迭代搜索形成的a、b、c、k值，代入式(2)中，得到灰度變換函數(shù)，然后代入適應(yīng)度函數(shù)中，評估其合理性。若滿足停止迭代標(biāo)準(zhǔn)。則得到最優(yōu)解，代入式(2)，得到灰度變換函數(shù)，若沒有達(dá)到，則重新進(jìn)行迭代搜索更新，直至滿足標(biāo)準(zhǔn)。最后將得到的3 幅經(jīng)過灰度變換后的圖像合成彩色圖像。

圖2 基于灰度變換函數(shù)和GSA 的圖像處理流程Fig.2 GSA-based gray-scale transformation image enhancement flowchart

評價(jià)函數(shù)如式(8)所示，結(jié)合圖像的熵值、邊緣強(qiáng)度總和以及邊緣數(shù)3 種性能度量來評價(jià)灰度變換后的圖像質(zhì)量。

式中：H(I(x))表示圖像的熵值；nedge(I(x))表示圖像中邊緣像素的個數(shù)；E(I(x))表示圖像的邊緣；M和N是圖像的尺寸大小。

1.2 基于改進(jìn)的Retinex 的圖像增強(qiáng)

1.2.1 改進(jìn)的雙邊濾波

在圖像處理中，雙邊濾波能夠在保持圖像邊緣信息的同時有效消除圖像上的噪音，進(jìn)而改善圖像的平滑質(zhì)量[14]。其公式分別如下：

式中：c(ξ,x)用來計(jì)算中心像素點(diǎn)x與其附近點(diǎn)ξ之間的像素距離；s(f(ξ),f(x))用來計(jì)算中心像素點(diǎn)x與其附近點(diǎn)ξ之間的相似度；σd和σr為高斯函數(shù)的標(biāo)準(zhǔn)差。

但雙邊濾波也存在著對噪聲圖像、邊緣梯度信息無法準(zhǔn)確估計(jì)的問題。本文提出了一種基于范圍的自適應(yīng)雙邊濾波器，將s(ξ,x)替換為s(ξ,x,ζ)，其公式如下：

式中：α和k是兩個正參數(shù)；Ωy是以像素點(diǎn)x為中心的(2N＋1)×(2N＋1)窗口像素集，本文設(shè)置參數(shù)N為2；Mean(Ωy)表示窗口像素集中的像素平均值。ρ是一個常數(shù)，它控制局部鄰域的大小。

式(12)中，sr中有3 個控制變量：線性常數(shù)系數(shù)α，k和比例因子σr。在這3 個參數(shù)中，α起確保中心像素x及其相鄰像素ξ的亮度相似性的作用，當(dāng)像素位于目標(biāo)區(qū)域時，的值將會變小，線性參數(shù)α需設(shè)置了一個較大的常數(shù)，以確保sr足夠大。參數(shù)k是一個小的恒定常數(shù)，確保中心像素x內(nèi)的亮度相似性。σr控制鄰域像素x的大小。

改進(jìn)的雙邊濾波是在原雙邊濾波的值域核函數(shù)中增加了自適應(yīng)函數(shù)，確保了灰度信息的權(quán)值sr(ξ,x,ζ)大小，讓雙邊濾波的空間域和值域都起到了作用，使圖像更好地保留圖像邊緣信息，并且對圖像噪聲具有較好的魯棒性。

1.2.2 Gabor 濾波

Gabor 濾波器是一種用于邊緣提取的線性濾波器，非常適合紋理的表達(dá)與分離[15]。它既可以提供信號的局部信息以及信號的整體信息，也可以在圖像增強(qiáng)時，保留紋理細(xì)節(jié)。此外，由于Gabor 濾波器利用了窗口濾波器功能，它具有更好的高斯濾波的優(yōu)點(diǎn)，克服了紋理細(xì)節(jié)丟失的缺點(diǎn)。其濾波器函數(shù)如下：

式中：σx和σy是高斯包絡(luò)常數(shù)，即高斯函數(shù)擴(kuò)散因子，這是數(shù)學(xué)上的標(biāo)準(zhǔn)偏差。f是濾波器的頻率參數(shù)。

1.2.3 改進(jìn)的Retinex 算法

Retinex 理論指出，觀察者所看見的物體的圖像S是由入射光L在物體表面上反射得出的，反射率R由物體自身確定，不被入射光L改變，如圖3 所示。

圖3 Retinex 理論中圖像的構(gòu)成Fig.3 Retinex theory composition

Retinex 理論經(jīng)過學(xué)者大量的研究與擴(kuò)充，形成了各種算法模型[16]。它們一般使用高斯低通濾波器作為濾波函數(shù)計(jì)算光照分量，由于沒有在邊界保留特征，造成圖像邊界細(xì)節(jié)不清晰，甚至形成暈影。

基于此，提出了改進(jìn)的Retinex 理論來進(jìn)行圖像增強(qiáng)，用改進(jìn)的雙邊濾波器和Gabor 濾波器替換掉Retinex 算法中的高斯濾波，將它們作為Retinex 算法中卷積環(huán)繞函數(shù)。將它們分別與輸入的圖像進(jìn)行卷積運(yùn)算，從而得到反射分量，然后將兩反射分量進(jìn)行加權(quán)融合。融合后的圖像，不僅保持了圖像的平滑度，達(dá)到了降噪、保邊效果，還使其圖像紋理細(xì)節(jié)得到了更好的保留。其圖像增強(qiáng)流程如圖4 所示，將經(jīng)過灰度變換的圖像從RGB 空間轉(zhuǎn)換為HSV 空間，然后用改進(jìn)的雙邊濾波與Gabor 濾波分別對V 分量圖像進(jìn)行估計(jì)，得到兩份反射圖像，將兩份反射圖像進(jìn)行加權(quán)融合得到的V 分量，H、S 分量不變，最后將融合的圖像由HSV 空間轉(zhuǎn)到RGB 空間，再進(jìn)行Gamma校正，輸出增強(qiáng)后的圖像。

圖4 基于改進(jìn)Retinex 的圖像增強(qiáng)流程Fig.4 Improved Retinex algorithm flow chart

1.2.4 增強(qiáng)圖像加權(quán)融合

通過兩個環(huán)繞函數(shù)卷積得到兩幅增強(qiáng)圖像，并將兩幅圖像的R、G、B 灰度值進(jìn)行融合，得到一幅細(xì)節(jié)增強(qiáng)和邊緣保持效果更好的增強(qiáng)圖像。其融合公式如(15)所示：

式中：Ri(x,y)是融合圖像的R、G、B 的值；R1i(x,y)、R2i(x,y)分別是基于雙邊濾波和Gabor 濾波的MSR 算法增強(qiáng)圖像的R、G、B 的值；m是權(quán)重系數(shù)，滿足0≤m≤1。經(jīng)過多次實(shí)驗(yàn)，取m值，得到視覺效果最佳的融合圖像。

為了驗(yàn)證改進(jìn)的Retinex 算法的有效性，對一組低照度圖像采用傳統(tǒng)的MSR 算法和改進(jìn)的MSR 算法進(jìn)行對比，結(jié)果如圖5 所示。從圖5 可以看到，傳統(tǒng)的MSR 算法會造成圖像出現(xiàn)失真、色偏問題。而所提算法的增強(qiáng)效果更加明顯，在亮度、對比度以及細(xì)節(jié)增強(qiáng)上表現(xiàn)更好。

圖5 Retinex 算法改進(jìn)前后對比Fig.5 Comparison before and after the improvement of the Retinex algorithm

2 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證所提算法的可行性和實(shí)用性，實(shí)驗(yàn)在Matlab 2018a、Windows7、CPUi7-4710、內(nèi)存8 G 的測試平臺上運(yùn)行。先從Exclusively Dark 圖像數(shù)據(jù)集中選取3 張圖片作為實(shí)驗(yàn)對象，該數(shù)據(jù)集涵蓋了從極弱環(huán)境到微光環(huán)境下的弱光圖像，選取的3 張低照度圖像分別是戶外低光照圖像A、室內(nèi)低光照圖像B 和路燈下低光照圖像C。然后用視覺相機(jī)下拍攝的自然低光照圖像，去定位圖像中空心玻璃瓶的瓶口圓心。實(shí)驗(yàn)會將本文算法與雙邊濾波單尺度 Retinex（bilateral single-scale Retinex,BSSR）算法、文獻(xiàn)[4]算法和基于HSV 空間的單尺度Retinex 算法（V-SSR）進(jìn)行主觀、客觀對比。同時從工程應(yīng)用方面，進(jìn)行圓心定位對比實(shí)驗(yàn)。其各算法的參數(shù)值如表1 所示。

表1 各算法參數(shù)Table 1 Parameters of each algorithm

2.1 基于GSA 的灰度變換函數(shù)參數(shù)優(yōu)化性能驗(yàn)證

此次灰度變換函數(shù)參數(shù)采用GSA 算法進(jìn)行優(yōu)化，為了驗(yàn)證GSA 算法的性能，同時也采用粒子群優(yōu)化算法[17]與差分優(yōu)化（differential evolution,DE）算法[18]對灰度變換函數(shù)參數(shù)進(jìn)行優(yōu)化。以圖像A 為例，利用3 種優(yōu)化算法分別對圖像A 的R、G、B 三個單通道圖像的灰度變換進(jìn)行參數(shù)尋優(yōu)，通過適應(yīng)度值大小來比較優(yōu)化算法的性能。設(shè)置迭代次數(shù)為15次，種群數(shù)為15。其結(jié)果如圖6 所示。

從圖6 可以看出，3 種算法的最后效果都趨于收斂，但相比于PSO 與DE，GSA 算法得到的灰度變換函數(shù)適應(yīng)度值最高，圖像的灰度變換函數(shù)參數(shù)優(yōu)化效果更好。

圖6 圖像A 各分量適應(yīng)度收斂圖Fige.6 Convergence diagram of fitness of each component of image A

圖7 展示的是圖像A 灰度變換前后的圖像及其灰度直方圖，經(jīng)過比較可知，原圖像的RGB 灰度直方圖分布趨于左邊，表示圖像中偏低暗區(qū)域的像素值較多，導(dǎo)致圖像亮度、對比度較低。經(jīng)過灰度變換后，圖像的像素值向高亮區(qū)域偏移，使像素值數(shù)增加到接近255，灰度值變化得到改善。同時結(jié)合主觀效果，表明了圖像的亮度與對比度得到了提高，證明了全局灰度變換函數(shù)對低照度彩色圖像的有一定的亮度與對比度提升效果，能夠改善圖像的視覺效果。

圖7 灰度變換前后圖像及其灰度直方圖對比Fig.7 Grayscale histogram of each image

2.2 圖像主觀評價(jià)

圖8、9、10 中圖像包括了室內(nèi)、外3 種不同光照和環(huán)境條件下的低照度彩色圖像，對比可知，各種算法處理后的圖像相比原圖均有一定程度的增強(qiáng)效果。其中基于雙邊濾波的Retinex 算法對低照度圖像處理后，雖然有效地保留了圖像邊緣信息，但圖像存在著局部色彩失真，導(dǎo)致圖像顏色顯示不夠自然，如圖10(b)的天空顏色，同時3 張圖像的亮度和對比度提升不夠，導(dǎo)致圖像整體還是偏暗。文獻(xiàn)[4]算法對圖像的提升效果比BSSR 算法好，但是放大圖像中的噪聲，如圖8(c)中椅子上的白色噪聲，圖9(c)中墻上左邊圖框和圖10(c)中的路燈。而V-SSR 算法，雖然細(xì)節(jié)上被進(jìn)一步增強(qiáng)，對比度和亮度均有提高，但增強(qiáng)效果不夠。而本文算法，不僅很好地提升了圖像的亮度與對比度，同時也保留了圖像的細(xì)節(jié)信息，色彩得到了豐富，整體呈現(xiàn)效果比較自然，噪聲也較少，很好地實(shí)現(xiàn)了圖像增強(qiáng)。

圖8 不同算法對圖像A 的增強(qiáng)對比圖Fig.8 Enhanced comparison of image A by different algorithms

圖10 不同算法對圖像C 的增強(qiáng)對比圖Fig.10 Enhanced comparison of image C by different algorithms

同時根據(jù)圖8、9、10 中圖像采用不同方法增強(qiáng)前、后的直方圖可知，采用BSSR、文獻(xiàn)[4]和V-SSR增強(qiáng)后的圖像，其直方圖中像素值整體偏向左邊，也就是低暗度區(qū)域，同時偏暗部分的像素值數(shù)量偏多，偏高亮度區(qū)域的像素值數(shù)量很少，圖像還是偏暗，其增強(qiáng)效果不顯著。而本文算法增強(qiáng)后的圖像，3 幅圖像的灰度直方圖分布比較均勻，低暗區(qū)域、中間區(qū)域和高亮區(qū)域的像素值均衡分布，且向中間區(qū)域集中，圖像的質(zhì)量更好，更加符合人眼的視覺特性。

圖11 展示的是有無全局灰度變換函數(shù)預(yù)先處理，然后經(jīng)過改進(jìn)Retinex方法處理后的圖像。對比可知，沒有經(jīng)過全局灰度變換的圖像都出現(xiàn)了圖像模糊、退化的問題，如圖11(a)圖像中樹葉、相框。而經(jīng)過全局灰度變換函數(shù)預(yù)先處理的圖像色彩更加豐富，細(xì)節(jié)更加清晰，其人眼主觀感受更貼近自然。

圖11 有無灰度變換預(yù)處理的改進(jìn)Retinex 方法處理對比Fig.11 Comparison of the improved Retinex method with and without grayscale transformation preprocessing

2.3 圖像客觀評價(jià)

主觀評價(jià)主要以人為目光為主，易受到外界的影響，為了客觀評價(jià)該文算法的可行性，采用圖像信息熵（information entropy,IE）、平均梯度（mean gradient,MG）[19]和峰值信噪比（peak signal-to-noise ratio,PSNR）進(jìn)行客觀評價(jià)。信息熵是從信息論的角度反映圖像信息豐富性。其圖像信息熵越大，信息越豐富，質(zhì)量越好；平均梯度代表了圖像中微小細(xì)節(jié)的對比度變動率，或圖像在多維方位上的密度變動率，也代表了圖像的相對清晰度。通常，評價(jià)梯度越大，圖像分層越多，越清晰；峰值信噪比反映了待評估圖像和原始圖像之間的失真程度。PSNR 值越大，圖像之間的畸變程度越小，圖像品質(zhì)也越好。

采用3 個評價(jià)指標(biāo)評價(jià)圖8、9、10、11 中的圖像，結(jié)果如表2 所示。Ours1 表示無灰度函數(shù)預(yù)先處理而直接采用改進(jìn)Retinex 的方法，Ours 表示經(jīng)過灰度變換和改進(jìn)Retinex 的方法。通過比較，可以發(fā)現(xiàn)所提方法增強(qiáng)后的圖像在IE、MG 以及PSNR 上明顯高于其他算法和原圖像，說明所提出算法結(jié)果的圖像效果更好。而相比沒有經(jīng)過灰度變換的改進(jìn)Retinex方法（Ours1），在客觀評價(jià)上幾乎都低于有預(yù)先灰度處理的本文算法。

表2 圖像A、B、C 客觀質(zhì)量評價(jià)Table 2 Objective quality evaluation of images A,B and C

再結(jié)合主觀視覺效果，可以表明有灰度函數(shù)預(yù)先處理的圖像，然后采用改進(jìn)的Retinex 算法處理后的圖像，其圖像信息量更豐富，圖像細(xì)節(jié)更清晰，去噪和抗失真性更好，對圖像質(zhì)量有很大的提升。

2.4 圖像定位

為了驗(yàn)證算法的實(shí)用性，從工程應(yīng)用的角度，我們從視覺機(jī)器人上的視覺相機(jī)拍攝了一張自然低光照圖像，在視覺相機(jī)下方放置了一個空心玻璃瓶。在Matlab 中對圖像進(jìn)行目標(biāo)區(qū)域截取、圖像二值化及閾值計(jì)算、質(zhì)心點(diǎn)計(jì)算等操作對玻璃瓶瓶口進(jìn)行圓心定位[20]。通過圖12 可以看出，相比于其他方法得到的增強(qiáng)圖像，所提算法的增強(qiáng)圖像亮度和對比度得到了明顯的提高，目標(biāo)截取區(qū)域中瓶口的特征更加明顯，其二值化的區(qū)域，通過閾值去除瓶口外的其余二值化值，得到的圖像瓶口二值化效果更好。通過質(zhì)心計(jì)算，從黃色定位點(diǎn)可知，該文算法的增強(qiáng)圖像瓶口圓心定位更加準(zhǔn)確。

圖12 原圖和各算法處理后圖像的玻璃瓶瓶口圓心定位比較Fig.12 Comparison of the positioning of the center of the glass bottle mouth

3 結(jié)論

在弱光照條件下拍攝的圖像，因光、霧等環(huán)境的影響，導(dǎo)致圖像部重要信息丟失。該文通過基于灰度變換和改進(jìn)Retinex 理論方法，采用引力搜索算法優(yōu)化的灰度變換函數(shù)在圖像的灰度值層面進(jìn)行處理，通過兩組實(shí)驗(yàn)對比，結(jié)果顯示圖像的亮度、對比度進(jìn)行一定改善，說明全局灰度變換函數(shù)在低照度彩色圖像上有一定的圖像改善效果，能防止圖像在后面的圖像增強(qiáng)環(huán)節(jié)出現(xiàn)能圖像模糊和退化的問題。然后采用改進(jìn)的Retinex 算法對圖像進(jìn)行增強(qiáng)處理。通過與不同方法的對比，該文方法處理的低照度圖像，主觀上圖像信息量更豐富，細(xì)節(jié)保留的較多，失真小，亮度及對比度都有提高?？陀^上，3 種客觀指標(biāo)均高于其他方法，其圖像信息熵提升了1.1～1.25倍，平均梯度提高了2～4.3倍，峰值信噪比相比于其他方法提高了1.1～2.3 倍。同時在工程應(yīng)用方面，對低照度圖像的識別定位準(zhǔn)確率有一定的提高。雖然該文方法對低照度圖像有明顯改善，但是，在增強(qiáng)低照度圖像的同時，對原圖像中亮度較亮的部位出現(xiàn)了過度增強(qiáng)，下一步將會對圖像增強(qiáng)的自適應(yīng)做進(jìn)一步研究。