CN106846282B - 一种采用自适应校正的低照度图像增强方法 - Google Patents

Abstract

本发明涉及一种采用自适应校正的低照度图像增强方法，属于图像处理领域，对单幅低照度灰度图像的进行处理使之视觉感知清晰化，方法包括：首先，将低照度灰度图像V依次采用最大值滤波、最小值滤波和保边缘滤波估计光照分量，从而得到反射分量；然后，通过otsu方法将光照分量分割成暗部和亮部，计算暗部的均值，得到校正的阈值，根据阈值对光照分量进行自适应对数校正；最后，将校正后的光照分量和反射分量相乘，得到增强后的图像。本发明方法能够提升全局亮度，增强后的图像细节清晰，处理速度快，具有很好的视觉效果。

Description

一种采用自适应校正的低照度图像增强方法

技术领域

本发明涉及图像处理领域，特别是一种采用自适应校正的低照度图像增强方法，可用于单幅图像或视频的快速增强。

背景技术

随着现代计算机的发展，计算机视觉***得到更加广泛的应用，如视频监控、城市交通、卫星遥感等，尤其是移动终端的广泛普及，照片采集已经变得触手可及。然而，在低照度或者曝光不足的情况下，往往会导致采集图像出现亮度偏低、细节模糊、色彩饱和度偏低以及偏色等降质问题，给计算机视觉***带来很多困难和挑战。因此，对低照度彩色图像的增强处理和研究很有必要。

早在1971年，美国科学家Land等人提出了重要的Retinex理论。随后，根据估计光照分量方法的不同，出现了很多计算方法，例如随机步行算法、同态滤波算法、中心环绕算法等，而中心环绕算法最为经典和常用。中心环绕Retinex算法包括单尺度Retinex(SingleScale Retinex，SSR)算法、多尺度Retinex(Multiscale Retinex，MSR)算法以及带彩色恢复的多尺度Retinex(Multi Scale Retinex with Color Restoration，MSRCR)算法。由于中心环绕算法处理后的增强图像会出现光晕伪影等问题，研究者提出了采用双边滤波的Retinex算法，该算法在消除光晕，保持边缘方面很有效。随着图像增强技术的不断发展，He等人针对雾天图像增强问题，提出了引导滤波器，并且详细对比了引导滤波器与双边滤波器性能，引导滤波器有较小的时间复杂度、不会造成梯度反转等优点。很多文献在Retinex算法中引入引导滤波器进行优化，使处理速度和增强效果有了更好的提升。

一般低照度图像的处理都是在RGB彩色空间上进行的，R(红色)、G(绿色)、B(蓝色)不同的比例能组合成不同的颜色，如果分别对R、G、B进行处理，再进行组合，不可避免的会造成彩色失真。HSV颜色空间模型包括色调(Hue)、饱和度(Saturation)、亮度(Value)三个分量，是一种采用人类视觉感知特性的颜色空间模型，比RGB***更接近于人们的经验和对彩色的感知。通过在RGB颜色空间、YCbCr颜色空间与HSV颜色空间对低照度图像进行增强对比，发现HSV颜色空间的实验效果更符合人的主观感受。

发明内容

本发明目的在于克服以往对低照度图像存在的缺陷，提出一种采用自适应校正的低照度图像增强方法。该发明方法快速有效，能够很好地提升图像整体亮度和对比度，图像细节得到增强，克服了光晕等问题，增强后的图像更为明亮、自然。

本发明解决其技术问题所采用的技术方案是：

一种采用自适应校正的低照度图像增强方法，将低照度灰度图像(包括高动态图像等)依次采用最大值滤波、最小值滤波和保边缘滤波估计出光照分量，从而得到反射分量。然后对光照分量进行自适应对数校正，将校正后的光照分量和反射分量相乘，最后得到增强后的图像，具体包括：

对低照度灰度图像V依次进行最大值滤波、最小值滤波和保边缘滤波，得到光照分量；将低照度灰度图像与所述光照分量相除，得到反射分量；

通过otsu方法把所述光照分量分割成暗部和亮部，然后计算暗部的均值得到自适应阈值，根据阈值对所述光照分量进行自适应对数校正；

将校正后的光照分量和反射分量相乘，得到最后增强后的图像。

所述对低照度灰度图像V依次进行最大值滤波、最小值滤波和保边缘滤波，得到光照分量；将低照度灰度图像与所述光照分量相除，得到反射分量，具体包括：

步骤1.1，将低照度灰度图像V依次进行最大值滤波、最小值滤波和保边缘滤波，得到光照分量L(x,y)的数学表达式为：其中，max()、min()和EPF()分别表示最大值滤波、最小值滤波和保边缘滤波，Ω(x,y)表示滤波窗口的大小，(x,y)表示像素点坐标；

步骤1.2，根据Retinex理论，将低照度灰度图像V(x,y)与光照分量L(x,y)相除，得到反射分量，公式为：R(x,y)＝V(x,y)/L(x,y)。

所述通过otsu方法把所述光照分量分割成暗部和亮部，然后计算暗部的均值得到自适应阈值，根据阈值对所述光照分量进行自适应对数校正，具体包括：

步骤2.1，采用ostu方法将光照分量分割成暗部与亮部，然后计算暗部的均值，用255减去均值得到自适应阈值t，数学表达式为：t＝255-mean(L_dark)·factor；其中L_dark表示为分割后图像暗部像素值，范围为0-255；mean()表示取均值；factor为调控因子，默认值为1；

步骤2.2，根据阈值将图像进行自适应对数校正，其函数表达式为：

其中，w_L和w_H分别表示暗区与亮区的权值系数；D表示图像的灰度级动态范围，对于8位图像***，其值为256；L(x,y)范围在0-255之间。

所述将校正后的光照分量和反射分量相乘，得到最后增强后的图像，具体包括：

把校正后的光照分量L′(x,y)与反射分量R(x,y)相乘，得到最终的增强图像V′(x,y)，数学表达式为：V′(x,y)＝L′(x,y)×R(x,y)。

本发明在Retinex理论基础上，增加了最大值滤波和最小值滤波，并且使用具有保边缘滤波的滤波器(引导滤波、双边滤波等)进行细化，来估计光照分量和反射分量，并且进一步对光照分量进行自适应对数校正。通过效果测试和不同算法增强效果对比，验证了本发明在提升全局亮度的同时，能克服光晕效应，抑制随机噪声，增强后的图像细节清晰，处理速度快，具有很好的视觉效果。其主要理论包括：最大值滤波、最小值滤波、引导滤波、自适应对数校正等。

与现有技术相比，本发明具有如下有益效果：

1、在邻域内对图像进行最大值滤波，再进行最小值滤波，使估计得到的光照分量更符合图像形成模型；

2、采用保边缘滤波估计照度图像，能够克服光晕效应；

3、通过全局阈值处理把图像分成暗部和亮部，得到自适应阈值，并对亮度分量进行自适应对数校正，方法简单，效果显著。

附图说明

图1为本发明方法的流程图；

图2为本发明实施例的低照度图像；

图3为对图2所示的低照度图像进行处理后的增强效果图。

具体实施方式

参见图1所示，一种采用自适应校正的低照度图像增强方法，将低照度灰度图像(包括高动态图像等)依次采用最大值滤波、最小值滤波和保边缘滤波估计出光照分量，并进一步通过计算得到反射分量；然后对光照分量进行自适应对数校正，将校正后的光照分量和反射分量相乘，最后得到增强后的图像。

下面对本发明做进一步详细说明。本发明一种采用自适应校正的低照度图像增强方法，具体包括如下步骤：

步骤1、估计光照分量与反射分量：

(1.1)将低照度灰度图像V，根据图像空间连续性原则，在同一邻域内，像素值是稳定平滑的，那么邻域内它们的光照分量应该是相同的，这时选取邻域中最大的像素值来估计该邻域的光照分量。对于边缘处，若采用空间连续原则，那么就会出现光晕效应。针对该问题我们再次在邻域内进行最小值滤波，这样边缘处的光晕效应被抵消掉，而且非边缘的区域依然保持不变。因此，对低照度灰度图像V先后进行最大值滤波、最小值滤波和保边缘滤波器(EPF，Edge Preserving Filter)得到光照分量，如引导滤波、双边滤波等，其公式为：

表达式中max()、min()和EPF()分别表示最大值滤波，最小值滤波和保边缘滤波，Ω(x,y)表示为矩形滤波器的大小，默认值为3*3。

(1.2)低照度灰度图像与光照分量相除，得到反射分量，公式为：R(x,y)＝V(x,y)/L(x,y)；

步骤2、对光照分量进行自适应对数校正；

(2.1)本文采用otsu(最大类间方差法)方法将光照分量分割成暗部与亮部，然后计算暗部的均值，用255减去均值得到自适应阈值t，数学表达式为：t＝255-mean(L_dark)·factor，L_dark表示为分割后图像暗部像素值，范围在0-255，mean()表示取均值，factor为调控因子，取值范围为[0.5 1.5]，默认值为1；

(2.2)根据阈值将图像进行自适应对数校正，其函数表达式为：

上式中，w_L和w_H分别表示为暗区与亮区的权值系数，D是图像的灰度级动态范围，对于8位图像***，其值为256，L(x,y)范围在0-255之间。

步骤3、增强图像的恢复

将校正后的光照分量和反射分量相乘，数学表达式为：V′(x,y)＝L′(x,y)×R(x,y)，将V′()数值钳位于[0 255]之间，得到最终的增强图像。

如图2所示为低照度图像，对图2所示的低照度图像依次采用最大值滤波、最小值滤波和保边缘滤波估计出光照分量，并将低照度图像与光照分量相除，得到反射分量；然后对光照分量进行自适应对数校正；将校正后的光照分量和反射分量相乘，最后得到如图3所示的增强后的图像。

以上所述，仅是本发明较佳实施例而已，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (2)

1.一种采用自适应校正的低照度图像增强方法，其特征在于，包括：

对低照度灰度图像V依次进行最大值滤波、最小值滤波和保边缘滤波，得到光照分量；将低照度灰度图像与所述光照分量相除，得到反射分量；

通过otsu方法把所述光照分量分割成暗部和亮部，然后计算暗部的均值得到自适应阈值，根据阈值对所述光照分量进行自适应对数校正；

将校正后的光照分量和反射分量相乘，得到最后增强后的图像；

所述对低照度灰度图像V依次进行最大值滤波、最小值滤波和保边缘滤波，得到光照分量；将低照度灰度图像与所述光照分量相除，得到反射分量，具体包括：

步骤1.1，将低照度灰度图像V依次进行最大值滤波、最小值滤波和保边缘滤波，得到光照分量L(x,y)的数学表达式为：其中，max()、min()和EPF()分别表示最大值滤波、最小值滤波和保边缘滤波，Ω(x,y)表示滤波窗口的大小，(x,y)表示像素点坐标；

步骤1.2，根据Retinex理论，将低照度灰度图像与光照分量相除，得到反射分量R(x,y)，公式为：R(x,y)＝V(x,y)/L(x,y)；

所述通过otsu方法把所述光照分量分割成暗部和亮部，然后计算暗部的均值得到自适应阈值，根据阈值对所述光照分量进行自适应对数校正，具体包括：

步骤2.1，采用ostu方法将光照分量分割成暗部与亮部，然后计算暗部的均值，用255减去均值得到自适应阈值t，数学表达式为：t＝255-mean(L_dark)·factor；其中L_dark表示为分割后图像暗部像素值，范围为0-255；mean()表示取均值；factor为调控因子，默认值为1；

步骤2.2，根据阈值将图像进行自适应对数校正，其函数表达式为：

其中，w_L和w_H分别表示暗区与亮区的权值系数；D表示图像的灰度级动态范围，对于8位图像***，其值为256；L(x,y)范围在0-255之间。

2.根据权利要求1所述的采用自适应校正的低照度图像增强方法，其特征在于，所述将校正后的光照分量和反射分量相乘，得到最后增强后的图像，具体包括：

把校正后的光照分量L′(x,y)与反射分量R(x,y)相乘，得到最终的增强图像V′(x,y)，数学表达式为：V′(x,y)＝L′(x,y)×R(x,y)。