CN103955902A - 基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法 - Google Patents

Abstract

本发明涉及一种基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法，包括以下步骤：1)读取高斯函数的最优尺度参数；2)通过单尺度Retinex算法对弱光照图像进行增强；3)通过Reinhard色彩迁移算法计算增强图像的色彩信息，同时读取参考图像的色彩信息数据；4)将参考图像的色彩信息迁移到增强图像上；5)得到色彩丰富和细节突出的图像。与现有技术相比，本发明具有图像增强效果好、丰富图像色彩信息、实时性好等优点。

Description

基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法

技术领域

本发明涉及一种微弱光照视频图像的增强方法，尤其是涉及一种基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法。

背景技术

图像(Image)是人类传递信息的重要媒体，在人类智能处理的信息中，视觉传达信息占人类接受信息总量的75％以上。图像是人类获取信息、感知世界、进而改造世界的一种重要手段。

电网建设施工过程涉及到项目管理、土建、电气等非常多的专业、行业交叉作业非常明显、施工环境恶劣、施工安全风险及安全隐患较多，这些都是电网建设施工过程中存在的难题。与国家“三集五大”的精神及强化工程建设关键节点的信息化管控以及项目管理过渡阶段的安全稳定的需求形成对比的是，当前的施工过程、施工现场的管控能力不强，缺乏安全监控的技术手段。为此，本发明以城市地下变电站施工为切入点，在电力施工过程的实际情况中，地下变电站施工前期照明情况不理想，所获得的视频图像灰度很低，视觉效果不理想。为了获得清晰的图像，通过对Retinex算法的改进，实现图像增强。

视频增强技术的发展是紧随着视频技术的发展而进行的，由于视频是一组数字图像序列，因此已有的图像增强算法/软件多可以应用于数字视频图像增强。但是数字视频增强算法也有自己特点，如要求高的实时性、视频帧的处理需要连续性等。

传统的视频增强方法通常不利用高亮度信息添加到增强中，只针对视频本身采用增强算法进行处理。视频增强技术归纳为两大类：空域增强处理法(Spatial-basedDomain Enhancement)和频域增强处理法(Frequency-based Domain Enhancement)。空域增强法通常是针对像素操作。大多基于空域增强的算法属于直接增强视频本身的方法，包括灰度变换、直方图变换、滤波器处理、模糊逻辑增强、基于遗传算法优化等。频域增强是将图像进行某种变换，在变换域内，对变换后的系数进行运算，然后再反变换到原来的空间域，得到增强的图像，是一种间接处理方法。常用的图像变换有：傅里叶变换、小波变换、离散余弦变换、沃尔什变换和霍特林变换等。其中应用最成熟的是傅里叶变换，它以修改图像的傅里叶变换为基础，将图像进行变换到频率域内，再对图像的频率域进行滤波处理，最后反变换到空间域，获得增强后的图像，但在视频实时处理时，运算复杂实时性差，不能满足要求。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法。

本发明的目的可以通过以下技术方案来实现：

一种基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法，其特征在于，包括以下步骤：

1)读取高斯函数的最优尺度参数；

2)通过单尺度Retinex算法对弱光照图像进行增强；

3)通过Reinhard色彩迁移算法计算增强图像的色彩信息，同时读取参考图像的色彩信息数据；

4)将参考图像的色彩信息迁移到增强图像上；

5)得到色彩丰富和细节突出的图像。

所述的高斯函数的最优尺度参数计算如下：

11)对弱光照图像进行单尺度Retinex算法处理；

12)改变单尺度Retinex算法中高斯函数的尺度参数；

13)计算各图像的信息熵值；

14)求信息熵值最大的图像对应的高斯函数的尺度参数；

15)将求得的高斯函数的尺度参数作为最优尺度参数。

所述的参考图像的色彩信息计算如下：

21)取一幅相同场景强光照图像作为色彩迁移的参考图像；

22)通过色彩迁移算法计算参考图像的色彩信息；

23)保存参考图像的色彩信息数据。

所述的高斯函数G(x，y)具体如下：

$G(x,y)=\mathrm{\λexp}\left(\frac{-(x^2+y^2)}{c^2}\right)$

c是尺度参数；λ是归一化因子，x和y分别为图像的横纵坐标值。

所述的单尺度Retinex算法具体为：

$\log R(x,y)=\log \frac{I(x,y)}{L(x,y)}=\log I(x,y)-\log L(x,y)=\log I(x,y)-\log (I(x,y)*G(x,y))$

I(x，y)为原图像，R(x，y)为反射图像，L(x，y)为亮度图像。

所述的信息熵值计算如下：

$\mathrm{entropy}=-\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{p}_i\log p_i$

其中p_i表示图像的第i个灰度级出现的频率。

与现有技术相比，本发明具有以下优点：

1、图像增强效果好，通过客观评价求取单尺度Retinex(SSR)中高斯函数的最优尺度参数，此时图像信息熵最大，图像增强效果最好；

2、丰富图像色彩信息，将色彩参考图像和SSR增强后图像通过Reinhard色彩迁移进行增强；

3、实时性好，为了满足视频图像实时性的要求，本发明中单尺度Retinex(SSR)高斯函数的尺度参数采用求得的最优值；色彩迁移参考图像来自同一场景白天强光照图像，此图像经过预处理后数据保存以后直接调用。

附图说明

图1为本发明的具体工作流程图；

图2为本发明高斯函数的最优尺度参数计算流程图；

图3为本发明参考图像的色彩信息计算流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法，其特征在于，包括以下步骤：

1)读取高斯函数的最优尺度参数；

2)通过单尺度Retinex算法对弱光照图像进行增强；

3)通过Reinhard色彩迁移算法计算增强图像的色彩信息，同时读取参考图像的色彩信息数据；

4)将参考图像的色彩信息迁移到增强图像上；

5)得到色彩丰富和细节突出的图像。

如图2所示，所述的高斯函数的最优尺度参数计算如下：

11)对弱光照图像进行单尺度Retinex算法处理；

12)改变单尺度Retinex算法中高斯函数的尺度参数；

13)计算各图像的信息熵值；

14)求信息熵值最大的图像对应的高斯函数的尺度参数；

15)将求得的高斯函数的尺度参数作为最优尺度参数。

如图3所示，所述的参考图像的色彩信息计算如下：

21)取一幅相同场景强光照图像作为色彩迁移的参考图像；

22)通过色彩迁移算法计算参考图像的色彩信息；

23)保存参考图像的色彩信息数据；

在Retinex理论中，图像由入射光和反射物体两部分组成，其形成的图像表示为

I(x，y)＝R(x，y)×L(x，y)

其中，I(x，y)是观察者或照相机观察到的彩色图像，L(x，y)是环境亮度，R(x，y)是物体的反射性质。物体反射光R(x，y)决定了图像的内在性质。

高斯函数能较好从原图像得到亮度图像，该高斯函数G(x，y)具体如下：

$G(x,y)=\mathrm{\λexp}\left(\frac{-(x^2+y^2)}{c^2}\right)$

c是尺度参数；λ是归一化因子，x和y分别为图像的横纵坐标值。

高斯卷积函数只有一个可变参数，尺度参数c决定了单尺度Retinex(SSR)的处理效果。c较小时，动态范围压缩较大，图像细节突出，但全局照度损失，图像有颜色失真现象；c较大时，图像整体效果好，颜色保真度好，但动态范围压缩较小，局部细节不清晰。

所述的单尺度Retinex算法在对数域中可以表示为：

$\log R(x,y)=\log \frac{I(x,y)}{L(x,y)}=\log I(x,y)-\log L(x,y)=\log I(x,y)-\log (I(x,y)*G(x,y))$

I(x，y)为原图像，R(x，y)为反射图像，L(x，y)为亮度图像。G(x，y)是高斯函数，亮度图像是L(x，y)＝I(x，y)*G(x，y)；

SSR算法中卷积项是对空间照度的计算，物理意义是计算当前像素值和周围邻域像素的加权平均值的比值，从而消除照度变化的影响。在对数空间，原图像减去卷积项相当于原图像减去低频部分，剩余是原图像高频部分，这样突出了原图像中的边缘细节。单尺度Retinex算法增能够突出了暗区域的边缘细节。

采用信息熵对图像进行客观评价。信息熵是对图像所含信息量的度量。信息熵越大，表示图像纹理的复杂度越高，图像所含信息越多。

所述的信息熵值计算如下：

$\mathrm{entropy}=-\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{p}_i\log p_i$

其中p_i表示图像的第i个灰度级出现的频率。当所有灰度级出现概率相等时，图像的信息熵最大；当图像为单色时，图像的信息熵为零。

均值是像素的平均灰度值，反映图像了整体的明暗效果，均值越小，图像越暗。灰度标准差反映了相对灰度均值的离散状况，标准差越大，灰度分布越分散，图像质量越好。一幅大小为m×n的图像，其亮度均值和标准差公式为

$\mathrm{average}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}g(i,j)}{m\×n}$

$\mathrm{std}2=\sqrt{\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(g(i,j)-\mathrm{average})}^2}{m\×n}}$

式中，g(i，j)是坐标(i，j)的像素值。

经过对比，熵值最大时，图像的均值和标准差居中，且图像的观察效果较好。

色彩迁移分为图像间的色彩迁移。采用Reinhard色彩迁移得到了很好的效果。

Reinhard算法在lαβ色彩空间对两幅图像各个颜色通道的均值和标准差进行统计，其中均值表现图像的整体色调信息，标准则表现图像的细节特征，最后将参考图像的颜色分布迁移给目标图像。

计算色彩迁移图像参考图像的均值和标准差。

计算单尺度Retinex增强后图像的均值和标准差。色彩迁移图像参考图像的均值和标准差进行缩小，保证图像的色彩信息不失真。

参考图像的整体信息传递到目标图像中，即目标图像的均值加上参考图像对应通道的均值，得到合成图像。

Claims (6)

1.一种基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法，其特征在于，包括以下步骤：

1)读取高斯函数的最优尺度参数；

2)通过单尺度Retinex算法对弱光照图像进行增强；

3)通过Reinhard色彩迁移算法计算增强图像的色彩信息，同时读取参考图像的色彩信息数据；

4)将参考图像的色彩信息迁移到增强图像上；

5)得到色彩丰富和细节突出的图像。

2.根据权利要求1所述的一种基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法，其特征在于，所述的高斯函数的最优尺度参数计算如下：

11)对弱光照图像进行单尺度Retinex算法处理；

12)改变单尺度Retinex算法中高斯函数的尺度参数；

13)计算各图像的信息熵值；

14)求信息熵值最大的图像对应的高斯函数的尺度参数；

15)将求得的高斯函数的尺度参数作为最优尺度参数。

3.根据权利要求1所述的一种基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法，其特征在于，所述的参考图像的色彩信息计算如下：

21)取一幅相同场景强光照图像作为色彩迁移的参考图像；

22)通过色彩迁移算法计算参考图像的色彩信息；

23)保存参考图像的色彩信息数据。

4.根据权利要求2所述的一种基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法，其特征在于，所述的高斯函数G(x，y)具体如下：

$G(x,y)=\mathrm{\λexp}\left(\frac{-(x^2+y^2)}{c^2}\right)$

c是尺度参数；λ是归一化因子，x和y分别为图像的横纵坐标值。

5.根据权利要求4所述的一种基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法，其特征在于，所述的单尺度Retinex算法具体为：

$\log R(x,y)=\log \frac{I(x,y)}{L(x,y)}=\log I(x,y)-\log L(x,y)=\log I(x,y)-\log (I(x,y)*G(x,y))$

I(x，y)为原图像，R(x，y)为反射图像，L(x，y)为亮度图像。

6.根据权利要求5所述的一种基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法，其特征在于，所述的信息熵值计算如下：

$\mathrm{entropy}=-\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{p}_i\log p_i$

其中p_i表示图像的第i个灰度级出现的频率。