基于拉普阿斯金字塔重构的Retinex图像增强算法

技术领域

本发明涉及图像增强技术领域，特别涉及基于拉普阿斯金字塔重构的Retinex图像增强算法。

背景技术

在人类的生活和工作中，图像无处不在，是获取信息最直观最简单的方式；图像同时也是最有效的信息传播媒介；在实验和科研中，图像也占据了非常重要的位置，是研究和探索的主要目标。图像增强是数字图像预处理中比较关键的一步，大大提高和改善了后续的目标跟踪、模式识别等系统的准确率。

Retinex理论受到越来越多的青睐。20世纪70年代，美国物理学家Edwin Land等人提出Retinex理论，该理论的核心思想是认为人类眼睛所观察到的图像是由入射光和反射光共同作用形成的。

图像的信息表现为多样性，在采集图像过程中，非常容易受到周围环境的影响，导致图像的清晰度降低。所以，在增强图像过程中，单一的增强算法往往不具备适应各种情况的能力，需要结合更多的处理技术才能完美的解决多种复杂情况。

《计算机工程与科学》第40卷第9期，2018年9月，公开了“基于图像融合技术的Retinex图像增强算法”，其针对光晕现象，提出的加权滤波思想，即提炼出高斯加权双边滤波，并用其替换传统的单尺度Retinex算法中的高斯核函数，有效地去除了光晕现象。针对泛灰问题，本文将图像融合思想引入到传统算法中。首先，采用非线性变换拉伸反射图像并运用Otsu阈值分割算法获取图像的阈值，将像素值大于阈值的部分看作图像的亮区域，相反地将像素值小于阈值的部分看作图像的暗区域；然后，以信息熵为评价标准通过遍历非线性变换的参数的方式获得亮区域信息熵最大的图像(亮区域最优图像)和暗区域信息熵最大的图像(暗区域最优图像)；最后，将亮区域最优图像、暗区域最优图像以及原始图像采用分块融合的方法进行融合，得到结果图像。加入原始图像是为了在充分增强图像细节的同时，避免过增强现象，从而获得清晰、自然的图像增强效果。

其存在的技术问题是：基于图像融合技术的Retinex图像增强算法所采用的融合技术为一致性校验，本文算法采用的技术为对尺度融合以及拉普拉斯重构。虽然一致性校验是以子块为单位划分领域，并以子块个数为依据对图像进行融合，但是所融合后的图像视觉效果仍然泛灰、对比度过高、细节丢失以及图像看起来刻板不够平滑等现象。

发明内容

本发明要解决的技术问题是提供一种基于拉普阿斯金字塔重构的Retinex图像增强算法，该算法可以针对泛灰、对比度过高、细节丢失等问题，采用局部化增强处理，获取多幅局部最优图像，利用拉普拉斯金字塔重构多幅局部最优图像为一幅全局最优图像。

为解决上述技术问题，本发明采用如下技术手段：

基于拉普阿斯金字塔重构的Retinex图像增强算法，其包括以下步骤：

(1)开始，输入原始图像S(i,j)，利用高斯加权双边滤波估计照度图像，其表达式为：

S(x,y)＝R(x,y)×L(x,y) (1)

其中S(x,y)为原始图像，L(x,y)为光照图像，R(x,y)为反射图像；

(2)初始化参数k＝0.1，利用步骤(1)中估计的照度图像求得表达物体本质的反射图像R(i,j)，其表达式为：

R(x,y)＝log S(x,y)-log[F(x,y)*S(x,y)] (2)

其中，*表示卷积运算，F(x,y)为高斯核函数，即：

其中，e为常量且e≈2.71828，σ为高斯环绕尺度，ρ为归一化系数，需要满足：

∫∫F(x，y)dxdy＝1 (4)

(3)由于，步骤(2)中反射图像为对数域信息，根据非线性变换函数的表达式为：

初始化参数λ＝1，将反射图像进行量化至[0,255]区间，得到量化图像R′(i,j)；

(4)利用Otsu阈值分割算法，求出量化图像R′(i,j)的分割阈值t，其表达式为：

v(t)＝ω

μ＝ω

(5)根据步骤(4)中求出的分割阈值，将量化图像R′(i,j)分成亮区域和暗区域两部分，并计算各自区域的信息熵，其表达式为：

以信息熵大的为基准，记录更新最优参数k和最优参数λ；

(6)判断λ是否小于20，如果λ小于20，则再次执行步骤(3)，并初始化参数λ＝λ+1；如果λ大于20，则执行步骤(7)；

(7)判断k是否小于1，如果k小于1，则再次执行步骤(2)，并初始化参数k＝k+0.1；如果k大于1，则执行步骤(8)；

(8)得到亮区域最优参数k

求得亮区域最优图像和暗区域最优图像；

(9)将原始图像、亮区域最优图像和暗区域最优图像，用拉普拉斯金字塔分别将三幅图像分解到不同的空间频带上，其表达式：

进行高斯金字塔分解，然后根据表达式：

进行拉普拉斯金字塔分解，得到三幅图像金字塔；

(10)针对不同分解层的不同频带上的特征与细节，以平均梯度为标准，其表达式为：

其中，I

ΔI

ΔI

顶层图像的融合结果表达式为：

其他层次处理，当0＜l＜N时，则对于经过拉普拉斯金字塔分解的第l层图像，首先计算其区域能量，其表达式为：

其中，p＝1，q＝1，

其他层的融合结果表达式为：

得到融合后的图像金字塔；

(11)将融合后的图像金字塔重构为一幅完整的图像，输出结果图像，结束。

附图说明

图1为本发明实施例中参数λ取值不同时对应的非线性变换曲线图；

图2为本发明的原理示意流程图；

图3为本发明实施例中对光照不均图像增强效果图；其中，图(a)为原图，图(b)为经过SSR算法处理后的效果图，图(c)为经过HE算法处理后的效果图，图(d)为经过分块融合处理后的效果图，图(e)为LPR算法处理后的效果图；

图4为本发明实施例中对光照不均图像增强效果图其中，图(a)为原图，图(b)为经过SSR算法处理后的效果图，图(c)为经过HE算法处理后的效果图，图(d)为经过分块融合处理后的效果图，图(e)为LPR算法处理后的效果图；

具体实施方式

下面结合实施例，进一步说明本发明。

结合图本发明基于拉普阿斯金字塔重构的Retinex图像增强算法，其包括以下步骤：

(1)开始，输入原始图像S(i，j)，利用高斯加权双边滤波估计照度图像，其表达式为：

S(x，y)＝R(x，y)×L(x，y) (1)

其中S(x，y)为原始图像，L(x，y)为光照图像，R(x，y)为反射图像；

(2)初始化参数k＝0.1，利用步骤(1)中估计的照度图像求得表达物体本质的反射图像R(i，j)，其表达式为：

R(x，y)＝log S(x，y)-log[F(x，y)*S(x，y)] (2)

其中，*表示卷积运算，F(x，y)为高斯核函数，即：

其中，e为常量且e≈2.71828，σ为高斯环绕尺度，ρ为归一化系数，需要满足：

∫∫F(x，y)dxdy＝1 (4)

(3)由于，步骤(2)中反射图像为对数域信息，根据非线性变换函数的表达式为：

初始化参数λ＝1，将反射图像进行量化至[0，255]区间，得到量化图像R′(i，j)；

(4)利用Otsu阈值分割算法，求出量化图像R′(i，j)的分割阈值t，其表达式为：

v(t)＝ω

μ＝ω

(5)根据步骤(4)中求出的分割阈值，将量化图像R′(i,j)分成亮区域和暗区域两部分，并计算各自区域的信息熵，其表达式为：

以信息熵大的为基准，记录更新最优参数k和最优参数λ；

(6)判断λ是否小于20，如果λ小于20，则再次执行步骤(3)，并初始化参数λ＝λ+1；如果λ大于20，则执行步骤(7)；图1为本发明实施例中参数λ取值不同时对应的非线性变换曲线图；

(7)判断k是否小于1，如果k小于1，则再次执行步骤(2)，并初始化参数k＝k+0.1；如果k大于1，则执行步骤(8)；

(8)得到亮区域最优参数k

求得亮区域最优图像和暗区域最优图像；

(9)将原始图像、亮区域最优图像和暗区域最优图像，用拉普拉斯金字塔分别将三幅图像分解到不同的空间频带上，其表达式：

进行高斯金字塔分解，然后根据表达式：

进行拉普拉斯金字塔分解，得到三幅图像金字塔；

(10)针对不同分解层的不同频带上的特征与细节，以平均梯度为标准，其表达式为：

其中，I

ΔI

ΔI

顶层图像的融合结果表达式为：

其他层次处理，当0＜l＜N时，则对于经过拉普拉斯金字塔分解的第l层图像，首先计算其区域能量，其表达式为：

其中，p＝1，q＝1，

其他层的融合结果表达式为：

得到融合后的图像金字塔；

(11)将融合后的图像金字塔重构为一幅完整的图像，输出结果图像，结束。

实验结果：

本实验以光照不均图像、低照度图像和单背光图像分别为增强的目标图像，对本文提出的基于拉普拉斯金字塔重构的Retinex图像增强算法(以下简称为LPR算法)的增强结果分别进行论证，并于单尺度Retinex算法(SSR)、直方图均衡算法(HE)和分块图像融合算法进行主观视觉和客观数据上的比较。

首先，选取2幅光照不均图像进行增强实验，参与对比的算法有SSR、HE、分块图像融合算法。

实施例1，参照图1，根据Retinex算法公式，求得的反射图像为对数域信息，需要将对数域的反射图像量化至[0,255]区间内，采用非线性变换来进行反射图像的量化，本文所使用的非线性变换函数的表达式为：

其中，R(i,j)为输入图像，R′(i,j)为拉伸后的输出图像，R

实施例2，参照图3，(a)图为原始图像，从中能够观察出房屋及天空部分光照强度较好，亮度清晰细节明显，但是树的部分受到光照强度不足，导致视觉效果较暗，细节丢失；(b)图像为SSR算法增强后的结果图像，树部分的像素值得到提升，视觉效果得到改善，但天空与树交接的边缘处由于像素差较大产生光晕现象，天空部分出现泛灰问题；(c)图像为HE算法增强后的结果图像，树部分等暗区域增强效果明显，但天空部分出现过增强现象，房屋部分产生泛灰问题；(d)图像为分块融合算法增强后的结果图像，整体轮廓得到增强，但暗区域部分增强效果不明显；(e)图像为LPR增强结果图像，通过观察能够得出在对树部分等暗区域增强的同时，很好的保留了原始图像中天空部分明亮的区域，同时增强了房屋等部分的细节信息。

实施例3，参照图4，(a)为原始图像，图中建筑物和树木部分受到光照不足，导致像素值偏低，视觉效果较暗，草地部分细节信息保留完整；(b)图像为SSR算法增强后的结果图像，图中建筑物和树木等暗区域部分得到了增强，但整体效果泛灰；(c)图像为HE算法增强后的结果图像，整体的增强效果得到改善，但在天空部分仍存在过增强现象；(d)图像为分块融合算法增强后的结果图像，通过观察得出，建筑物和树木等暗区域增强效果不明显，天空与暗区域交接的边缘出产生了明显的光晕现象；(e)图像为LPR算法增强后的结果图像，建筑物和树木部分暗区域得到很好的增强，天空和草地部分细节保留完整，整体的增强效果得到很大提升，这是由于LPR算法采用拉普拉斯金字塔融合了多幅局部最优图像，同时引入了原始图像，这样既能保证图像的增强效果又能很好的保留原始图像中的细节和质量，与(b)、(c)、(d)和(e)算法相比较增强结果更为明显和清晰。

以增强结果图像的均值、标准差、信息熵和平均梯度来对比和分析LPR与SSR、HE、分块融合等经典算法，如表1。

表1光照不均图像增强结果对比情况

通过观察表4.1可得，对于光照不均图像。5种算法均能有效提高均值，其中HE算法和LPR算法提升效果较为明显；HE算法、分块融合算法和LPR算法对标准差有所提升；SSR算法、BFR算法和LPR算法对信息熵均有所提升，LPR提升效果最为明显；4种算法均能有效提升平均梯度，本文所提LPR增强效果最佳。

综上所述，本发明对实际应用中常见的光照不均匀的图像、低对比度的图像以及雾霾图像均取得了较好的增强效果，具有较强的图像增强能力和鲁棒性。

以上所述仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及附图内容所作的等效结构变化，均包含于本发明的权利范围之内。