CN104537615A - 一种基于HSV色彩空间的局部Retinex增强算法 - Google Patents

Abstract

本发明公开了一种基于HSV色彩空间的局部Retinex去雾算法，对雾天情况下雾分布不均匀的图像进行图像增强。本发明的方法包括如下步骤：A、在不同的色彩空间中处理多层次的雾天图像，实现图像对比度增强和清晰度提升；B、获取图像大小，自适应判断子块图像的大小，对雾天图像的亮度图像进行分块；对亮度分量的各子图像进行增强处理，提高图像的清晰度；C、计算各像素点在各重叠子图像中的面积比例因子，对各重叠子图像进行加权求和实现图像融合；D、对图像的饱和度分量进行处理，还原图像色彩；本发明能够清晰快速地还原不同层次的景物细节，改善图像的视觉效果，适用于不同区域的航拍***。

Description

一种基于HSV色彩空间的局部Retinex增强算法

技术领域

本发明属于图像信息处理的技术领域，本发明是一种基于HSV色彩空间的局部Retinex去雾算法，适用于增强雾霾天气下拍摄的雾化图像。

背景技术

计算机应用的众多户外监控***都要求能准确地提取图像的特征，而在雾霾等天气状况下，往往由于大气中微小粒子散射作用的影响，导致获取的图像严重降质，不仅影响了图像的视觉效果，而且干扰了图像特征的提取，使户外监控***无法正常运行，从而带来了严重的安全隐患。因此，利用有效且快速的去雾方法使雾化图像清晰化，具有重要的现实意义。

现有的图像去雾方法主要分为两大类：基于图像复原的处理方法和基于图像增强的处理方法。

基于图像复原的算法以大气散射模型为理论依据，大气散射模型描述雾天图像退化原因；图像复原算法通过反演图像退化过程，恢复场景反照率，以获得优化的无雾图像。此类方法从图像退化的本质出发，得到的结果通常较为自然。但大气散射模型是一个病态方程，无法直接求解方程得出场景的反照率，需要利用先验信息等约束条件，对大气散射模型中的参数进行估算，进而还原场景的反照率。

基于图像增强的算法不考虑图像质量下降原因，通过对图像进行整体或局部的拉伸，提高图像亮度、对比度及突出细节，从而改善视觉效果。目前，基于图像增强的主流方法是Retinex算法，基于人视觉的色彩恒常性，通过滤波估计图像的照度分量，得到反射分量实现图像去雾。但该方法易改变色彩比例造成色彩失真，拉伸的同时会损失局部细节，且难以选取合适的滤波器的参数值。

论文名：A Multiscale Retinex for Bridging the Gap Between Color Images andthe Human Observation of Scenes，期刊：IEEE Transaction on image processing,年份：1997年，第7期，965页至976页，Daniel J.Jobson等人提出了带色彩恢复的多尺度Retinex算法，依据色彩恒常性原理，采用高斯滤波函数估计图像照度分量，还原图像反射分量，线性拉伸方式提高亮度和对比度。但是滤波器参数选取困难，而且无法还原多层次的雾天图像。

专利名：Smart Image Enhancement Process，期刊：Patent ApplicationPublication,年份：2010年10月，编号：US 2010/0266214Al，Daniel J.Jobson等人首先对输入图像的对比度和亮度进行判断图像是否有雾，然后对雾天图像进行直方图均衡和MSRCR算法相结合的增强算法，最后反复迭代增强直到清晰度和亮度达到要求或者迭代次数达到上限。

论文名：Nonlinear Transfer Function-Based Local Approach for Color ImageEnhancement,期刊：IEEE Transactions on Consumer Electronics,年份：2011年，第16期，858页至865页，提出了一种基于HSV色彩空间的图像增强方法，首先将图像转换到HSV色彩空间，然后单独对V分量(即亮度分量)采用非线性转换函数进行对比度增强，而不改变图像的S分量和H分量，来保留色彩，能有效增强照度不均匀图像，但不适用于雾天图像的处理。

发明内容

本发明为了克服现有图像去雾技术的不足，提供了一种基于HSV色彩空间的局部Retinex去雾算法，既能够增强雾化图像的清晰度，改善图像的视觉效果，又具有较快的运行速度，实时性好，适应范围广。

一种基于HSV色彩空间的局部Retinex去雾算法，该方法包括如下步骤：

A、在不同的色彩空间中处理多层次的雾天图像，实现图像对比度增强和清晰度提升；RGB色彩空间处理图像容易造成色彩失真；HSV色彩空间适于人类视觉感知，描述了图像饱和度、色调、亮度的特征；饱和度描述雾对场景色彩深浅的影响；亮度描述大气光对图像清晰度的影响；色调描述场景色彩的类型；在HSV色彩空间增强图像，不影响RGB三色彩分量的比例，，从而不会影响色彩的偏移。

B、获取图像大小，自适应判断子块图像的大小，对雾天图像的亮度图像进行分块；对亮度分量的各子图像进行增强处理，提高图像的清晰度；

雾天图像存在无雾、薄雾、大雾、浓雾四种情况，单一高斯卷积尺度无法适应多种情况；为了获取更多浓雾区域的细节，选取对应卷积尺度，利用高斯卷积估计照度分量，还原清晰反射分量。

根据源图像的大小，确定分块的个数及分块后的子图像大小；按照部分重叠的方式将图像的亮度图像(V分量)分成若干个子图像；计算各个子图像的高斯环绕卷积函数的尺度大小，对各个子图像进行MSR增强处理。具体步骤如下：

B1：得到源图像的亮度图像后，计算图像的大小，和分块后子图像的大小；将图像按照设定的图像大小、部分重叠的方式分成个数不定的子图像；图像尺寸大，则选取的分块个数多；

B2：高斯环绕卷积函数中，尺度大小决定处理后图像的效果：大尺度(如σ＝200)处理后色彩保真度好；小尺度(如σ＝15)处理后动态范围压缩好；MSR算法将三尺度加权求和同时实现色彩保真和动态范围压缩；对子图像进行MSR增强处理：

$V_o(i,j)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{W}_n\left\{\log \right[V(i,j)]-\log [V(i,j)*F_n(i,j)\left]\right\}---\left(1\right)$

其中，(i,j)为像素点的卡儿坐标，n为尺度标号，取值范围：[1,N]，N为尺度总个数，V(i,j)为输入的亮度图像，V_o(i,j)为输出的亮度图像，W_n为权值，取值为{1/3,1/3,1/3}，F(i,j)为高斯环绕卷积函数，表达式为：

F(i,j)＝K exp[-(i²+j²)/σ²]   (2)

其中，(i,j)为像素点的卡儿坐标，σ为尺度，K为常数。

C、计算各像素点在各重叠子图像中的面积比例因子，对各重叠子图像进行加权求和实现图像融合；

对各子图像进行融合处理获得增强后亮度图像；以当前像素点在各子图像中的最近边界内相邻像素面积为比例因子，以该面积与总重叠面积的比值为权值，采用alpha融合方式进行融合，消除块效应；具体步骤如下：

C1、多尺度Retinex算法依据周围像素的相对关系决定像素点的值；单方向(水平或者垂直)选取周围邻域像素，不能完全反映边界周围像素对当前像素点的影响；而是由像素点和边界周围所有像素(水平和垂直方向)的相对关系共同决定；因此，选取水平和垂直方向像素，以面积为当前子图像像素点的比例因子；

C2、计算像素点(i，j)在各子图像中邻域像素面积：以像素点(i，j)为起点，到最近的边界(水平和垂直方向)的距离为边围成的方形区域的面积ω_n；计算含有当前像素的重叠区域的总面积ω；以各子图像的邻域像素面积ω_n和重叠区域总面积ω的比值为权值：

${\mathrm{\α}}_n=\frac{{\mathrm{\ω}}_n}{\mathrm{\ω}}---\left(3\right)$

其中，n为子图像的标号，取值范围：[1,N]，N为重叠的子图像的个数。

C3、融合重叠子图像，获得清晰的反射分量；采用Alpha融合方式进行融合，面积比值作为权值：

$R_v(i,j)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_n{R}_n(i,j)---\left(4\right)$

其中，(i,j)为像素点的卡儿坐标，R_v(i,j)为融合后的亮度值，R_n(i,j)为(i,j)在各子图像中的结果值，n为子图像的标号，取值范围：[1,N]，N为重叠的子图像的个数。

D、对图像的饱和度分量进行处理，还原图像色彩；

雾天图像中，雾的存在使得目标场景的色彩饱和度降低；HSV色彩空间中的S分量反映了图像中各场景点的饱和度；HSV色彩空间的饱和度和亮度存在相应关系，依据饱和度和增强前后亮度变化的相应关系判定像素点饱和度的变化；步骤如下：

D1、依据HSV色彩空间和RGB色彩空间的转换公式，饱和度分量(S分量)和亮度分量(V分量)之间满足如下关系：

$\begin{array}{c}V=\max \left(\mathrm{rgb}\right)\\ S=\frac{\max \left(\mathrm{rgb}\right)-\min \left(\mathrm{rgb}\right)}{\max \left(\mathrm{rgb}\right)}=1-\frac{\min \left(\mathrm{rgb}\right)}{\max \left(\mathrm{rgb}\right)}\\ \⇒S=1-\frac{\min \left(\mathrm{rgb}\right)}{V}\end{array}---\left(5\right)$

其中，S为饱和度分量，V为亮度分量，rgb为RGB色彩空间的三个颜色分量。

D2、假定图像在增强前后，RGB三通道的最小值不会发生改变；获取增强前后亮度分量的变化值，计算变化后的S分量：

$S=1-\frac{K}{V}$

$S^{\′}=1-\frac{K}{V^{\′}}---\left(6\right)$

$S^{\′}=S-\frac{K}{V^{\′}}+\frac{K}{V}$

其中，S为未处理的饱和度分量，V为未增强亮度分量，S′为处理后的饱和度分量，V′为增强后亮度分量，K表示RGB三通道的最小值。

D3、实际中，增强前后的RGB三通道的最小值会发生变化；利用Gamma变换进行补偿最小值的动态变化。

S_o＝(S′)^γ   (7)

其中，S_o为输出的饱和度分量，S′为第一次处理后的饱和度分量，γ为Gamma系数。

本发明的有益效果是：结合局部处理图像的优势，采用MSR增强雾天图像的清晰度和色彩还原，提高可视细节。针对局部处理图像存在块效应现象，提出面积Alpha融合方法，采用面积的比值作为子图像的权重，来去除块效应。利用HSV色彩空间的特性，减少高斯卷积的执行次数，来提高执行效率。利用HSV色彩空间和RGB色彩空间之间的相互转换方式，获取饱和度分量变换与亮度分量的关系，来实现色彩还原，减少图像失真。

附图说明

图1为本发明的具体流程图。

图2为本发明的V分量增强算法流程图。

图3为本发明的S分量增强算法流程图。

图4为本发明的实例处理结果图。其中，(a)为原始雾化图像；(b)为(a)的初始V分量图像；(c)为(a)的初始S分量图像；(d)为(a)的增强后V分量图像；(e)为(a)的RGB三通道最小值；(f)为(a)的第一次增强后S分量图像；(g)为(a)的第一次增强后去雾结果；(h)为(a)的第二次增强后S分量图像；(i)为本发明对(a)的去雾结果；(j)MSRCR对(a)的去雾结果。

具体实施方式

下面结合具体实施例和附图详细阐述本发明。

A、求出雾化图像(见附图4(a)所示)的HSV三通道分量。V分量(见附图4(b)所示)表示图像的亮度，范围为[0-255]，0表示黑色，255表示白色；S分量(见附图4(c)所示)表示图像的饱和度分量，范围为[0-1]之间，为显示图像，每个像素都乘上255。

B、利用自适应局部Retienx增强算法增强图像，方法的流程示意图见附图2所示：

B1、首先选取图像分块的个数，小图像选取分块个数小，大图像分块个数大；该图像大小为：2627*1926mm，选取分块个数为10*7，子图像大小为262*275mm；

B2、按照选取好的子图像大小，对输入图像的V分量(附图4(b))采用部分重叠分块的方法进行分块；按照公式(2)，对分块后的V分量子图像进行高斯卷积滤波获得照度分量，按照公式(1)去除照度分量获得反射分量实现亮度增强；

C、利用基于面积因子的Alpha融合方法对子图像进行融合得到增强后的V分量：

C1、根据步骤B2增强得到各子图像，计算重叠区域像素点的影响面积，以该像素点到边界(水平和垂直方向)最近的距离作为面积的长和宽，求取面积；以四个子图像重叠的区域作为总面积，按照公式(3)求取面积因子α_n。在具体实施中，重叠区域为子图像的四分之一；

C2、根据C1获取面积因子α_n后，按照公式(4)对重叠区域的像素点进行加权求和，获得融合后的图像。由此，得到增强后的V分量如附图4(d)所示。

D、增强S分量，恢复图像的色彩。其中，算法的流程示意图如附图3所示：

D1、按照公式(5)(6)，求出增强前后V分量的变化值和输入图像的最小值图(如附图4(e)所示)；然后根据S分量与RGB最小值和增强前后V分量之间的关系，获得增强后的S分量如附图4(f)所示。

D2、按照D1得到的S分量(附图4(f))增强后，图像的色彩出现偏移(如附图4(g)所示)；这是因为增强前后的RGB最小值反生变化；因此，按照公式(7)进行Gamma补偿。在具体实施中，Gamma补偿系数γ取值为0.8。得到增强后的S分量图如附图4(h)所示。

经过上述步骤，图4(i)为本发明对雾化图像4(a)的去雾结果。图4(j)为MSRCR方法对图4(a)的去雾结果。

Claims (3)

1.一种基于HSV色彩空间的局部Retinex去雾算法，其特征在于如下步骤：

A、将多层次的雾天图像转换到HSV色彩空间进行处理，实现图像对比度增强和清晰度提升；

B、获取图像大小，自适应选择子块图像的尺寸大小，按照部分重叠的方式对雾天图像的亮度图像进行分块；对亮度图像的各子图像进行MSR增强处理，提高图像的清晰度；具体步骤如下：

B1：得到源图像的亮度图像后，计算图像的大小，和分块后子图像的大小；将图像按照设定的图像大小、部分重叠的方式分成个数不定的子图像；图像尺寸大，则选取的分块个数多；

B2：高斯环绕卷积函数中，尺度大小决定处理后图像的效果：大尺度处理后色彩保真度好；小尺度处理后动态范围压缩好；MSR算法将三尺度加权求和同时实现色彩保真和动态范围压缩；对子图像进行MSR增强处理：

$V_o(i,j)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{W}_n\left\{\log \right[V(i,j)]-\log [V(i,j)*F_n(i,j)\left]\right\}---\left(1\right);$

其中，(i,j)为像素点的卡儿坐标，n为尺度标号，取值范围：[1,N]，N为尺度总个数，V(i,j)为输入的亮度图像，V_o(i,j)为输出的亮度图像，W_n为权值，取值为{1/3,1/3,1/3}，F(i,j)为高斯环绕卷积函数，表达式为：

F(i,j)＝K exp[-(i²+j²)/σ²]         (2)

其中，(i,j)为像素点的卡儿坐标，σ为尺度，K为常数；

C、按照基于面积的alpha融合方式，计算每个像素点在各重叠子图像中的权值，对每个像素点在各重叠子图像中的结果进行加权求和实现图像融合；

D、依据饱和度分量和亮度分量之间的关系，对图像的饱和度分量进行处理，并使用Gamma补偿，还原图像色彩。

2.根据权利要求1所述的局部Retinex去雾算法，其特征在于，步骤C中，对各子图像进行融合处理获得增强后亮度图像；以当前像素点在各子图像中的最近边界内相邻像素面积为比例因子，以该面积与总重叠面积的比值为权值，采用alpha融合方式进行融合，消除块效应；具体步骤如下：

C1、多尺度Retinex算法依据周围像素的相对关系决定像素点的值；水平或者垂直的方向所选取的周围邻域像素，不能完全反映边界周围像素对当前像素点的影响；而是由像素点和水平和垂直方向的边界周围所有像素的相对关系共同决定；因此，选取水平和垂直方向像素，以面积为当前子图像像素点的比例因子；

C2、计算当前像素点在各子图像中邻域像素面积：以当前像素点为起点，到最近的水平和垂直方向边界的距离为边围成的方形区域的面积ω_n；计算含有当前像素的重叠区域的总面积ω；以各子图像的邻域像素面积ω_n和重叠区域总面积ω的比值为权值：

${\mathrm{\α}}_n=\frac{{\mathrm{\ω}}_n}{\mathrm{\ω}}---\left(3\right)$

其中，n为子图像的标号，取值范围：[1,N]，N为重叠的子图像的个数；

C3、融合重叠子图像，获得清晰的反射分量；采用Alpha融合方式进行融合，面积比值作为权值：

$R_v(i,j)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_n{R}_n(i,j)---\left(4\right)$

其中，(i,j)为像素点的卡儿坐标，R_v(i,j)为融合后的亮度值，R_n(i,j)为(i,j)在各子图像中的结果值，n为子图像的标号，取值范围：[1,N]，N为重叠的子图像的个数。

3.根据权利要求1和2所述的局部Retinex去雾算法，其特征在于，步骤D中，雾天图像中，雾的存在使得目标场景的色彩饱和度降低；HSV色彩空间中的S分量反映了图像中各场景点的饱和度；HSV色彩空间的饱和度和亮度存在相应关系，依据饱和度和增强前后亮度变化的相应关系判定像素点饱和度的变化；步骤如下：

D1、依据HSV色彩空间和RGB色彩空间的转换公式，饱和度分量和亮度分量之间满足如下关系：

$\begin{array}{c}V=\max \left(\mathrm{rgb}\right)\\ S=\frac{\max \left(\mathrm{rgb}\right)-\min \left(\mathrm{rgb}\right)}{\max \left(\mathrm{rgb}\right)}=1-\frac{\min \left(\mathrm{rgb}\right)}{\max \left(\mathrm{rgb}\right)}\\ \⇒S=1-\frac{\min \left(\mathrm{rgb}\right)}{V}\end{array}---\left(5\right)$

其中，S为饱和度分量，V为亮度分量，rgb为RGB色彩空间的三个颜色分量；

D2、假定图像在增强前后，RGB三通道的最小值不会发生改变；获取增强前后亮度分量的变化值，计算变化后的S分量：

$S=1-\frac{K}{V}$

$S^{\′}=1-\frac{K}{V^{\′}}---\left(6\right)$

$S^{\′}=S-\frac{K}{V^{\′}}+\frac{K}{V}$

其中，S为未处理的饱和度分量，V为未增强亮度分量，S′为处理后的饱和度分量，V′为增强后亮度分量，K表示RGB三通道的最小值；

D3、实际中，增强前后的RGB三通道的最小值会发生变化；利用Gamma变换进行补偿最小值的动态变化；

S_o＝(S′)^γ           (7)

其中，S_o为输出的饱和度分量，S′为第一次处理后的饱和度分量，γ为Gamma系数。