一种自适应光照压缩图像增强算法

摘要

本发明涉及图像处理技术领域，尤其是一种自适应光照压缩图像增强算法。本发明针对现有计算存在的问题，提供一种在针对在高动态光照环境下，通过压缩光照，提高图像内容对比度，实现图像增强的目的的自适应光照压缩图形增强算法。本发明通过图像入射光光通道估算、窗口积分法进行快速光照估算、通过边缘保持算法自适应改进光照估算、进行光照分类压缩等算法实现本发明的方案。本法应用于自适应的图像处理领域。

说明书

技术领域

本发明涉及图像处理技术领域，尤其是一种自适应光照压缩图像增强算 法。

背景技术

数字图像的强度值范围有限，如常见的8位灰度值范围在0到255之间。 相机采集图像的光照环境可能存在较高的动态范围，如阳光直射和阴影同时存 在。这样，在光照弱的区域采集的图像强度值均较低，在光照强的区域采集的 图像强度均较高，而在区域内部，强度值差别很小，很难辨识图像的内容。

数码相机、摄像机在获取图像时，由于光照不均的影响，会造成图像的曝 光不均，部分区域过亮/过暗，对比度低，难以识别等问题。这样的图片或者 视频信号对后继的目标识别、物体检测等算法带来不可避免的困难。

一般情况下可以认为一幅图像是由入射光和物体表面的反射性质共同决 定的。原始图像I(x,y)可以入射光初步估算图像L(x,y)和场景增强图像R(x,y)按 式(11)来表示：

I(x,y)＝L(x,y)·R(x,y),0≤R(x,y)≤1                       （11）

其中我们感兴趣的信息是增强场景图像R(x,y)，需要归一化处理的信息是入 射光初步估算图像L(x,y)。以指数相减的形式可以消除入射光初步估算图像 L(x,y)，表示如式（12）下:

logR(x,y)＝logI(x,y)-logL(x,y)                           （12）

经典的入射光初步估算图像L(x,y)估算方法是单尺度Retinex算法 （single scale retinex, SSR），其表达式如式（13）

L_i(x,y)＝F(x,y)*I_i(x,y)                                （13）

其中,*表示卷积运算，i表示色彩分量序号（R、G、B），F(x,y)是归一化的 中心环绕函数:

F(x,y)=Kexp(-(x²+y²)/c²)                              (14)

c是高斯环绕空间常数，K是归一化参数，∫∫F(x,y)dxdy=1。SSR方法的核心 在于使用中心环绕函数估算光照，这也是SSR方法的局限性。中心环绕函数的 半径选择对最终结果的影响比较大。较大的半径对光照估算较准确，但是容易 遗失细节和造成光晕现象；较小的半径对对细节表现比较好，但是对光照的估 算不够准确。其次SSR对各个颜色通道单独处理估算光照，往往会在结果中造 成色偏问题。

带色偏纠正的多尺度Retinex（Multi-Scale Retinex，MSR）算法针对中心 环绕函数半径的问题对SSR方法进行了改进。该方法使用大、中、小三个尺度 来兼顾整体和细节。其数学形式为将多个SSR的输出结果进行加权求和：

$R_M(x,y)=\underset{n=1}{\overset{N}{\Sigma }}{\omega }_n\{\log I(x,y)-\log [F_n(x,y)*I(x,y)\left]\right\}---\left(15\right)$

其中N为尺度的个数，ω_n对应权值,满足

大半径的中心函数统计信息更多，能够比较准确的估算光照，但是对于细 节和边缘区域的恢复效果差。而小尺度的中心环绕函数正好与大尺度相反，估 算的光照受场景信息影响较大，但是对边缘和细节体现更好。MSR使用从小到 大多个不同半径的中心环绕函数来兼顾光照估算的准确性和细节的保持，但仍 然存在有以下缺陷：（1）算法参数根据经验值确定而不是图像内容；（2）处理 后的图像在边缘区域有明显的光晕效果；（3）解决色偏的方法过于复杂，且可 靠度有限；（4）运算量较大。

发明内容

本发明所要解决的技术问题是：针对现有技术存在的数字图像的强度值范围有 限，在较高的动态光照条件下，图像强度值来自于光照而不是场景信息，很难 辨识图像内容的问题，本发明提出一种针对在高动态光照环境下，通过压缩光 照，提高图像内容对比度新的自适应光照压缩图像增强算法，在通过压缩光照 强弱引入的图像值变化，增强，进而提高图像的可识别度。

本发明采用的技术方案如下：

一种自适应光照压缩图像增强算法包括：

S1：对原始图像I(x,y)的入射光光强采用光通道定义，计算入射光光通道图像 J(x,y)；

S2：根据入射光光通道图像J(x,y)，计算入射光初步估算图像L(x,y)；

S3：根据入射光初步估算图像L(x,y)，入射光光通道图像J(x,y)，采用边缘保 持算法计算入射光精确估算图像L′(x,y)；

S4：对入射光精确估算图像L′(x,y)的数值进行分类，并压缩每类的动态范围， 得到压缩光照估算图像L″(x,y)；

S5：根据log(R(x,y))=log(I(x,y))-log(L″(x,y))，通过原始图像I(x,y)和计算出的压 缩光照估算图像L″(x,y)，计算场景增强图像R(x,y)，

上述(x,y)表示图像中任意点的二维坐标值。

所述S1具体步骤是：

S11:设定场景光照都是白光，场景中的物体只吸收一定波段的光谱，波段 外的光谱全部被反射，入射白光中红色、绿色和蓝色三个颜色成分的强度都相 等，即Ir=Ig=Ib；反射后，部分光谱被吸收，三个颜色分量会有减弱，因此反 射光三个颜色分量的最大值最接近该点入射光的强度；

S12：根据公式（1）计算入射光光通道图像J(x,y)，光通道图像某点(x,y)的 强度值是原始图像中同位置的点(x,y)为中心，边长为2r的正方形区域中所有 像素的红、黄、蓝三个颜色分量最大强度值，其公式如下：

$J(x,y)=\underset{(x^{\prime },y^{\prime })\in \Omega (x,y)}{\max }I(x^{\prime },y^{\prime })---\left(1\right)$

其中Ω(x,y)是以(x,y)为中心的，边长为2r的正方形区域中所有像素的集合，， I(x′,y′)表示任意一个坐标(x',y')的光照强度值，r是1～5个像素点。

所述S2具体过程是：

S21：先建立二维积分表，表中的每一个元素代表从入射光光通道图像J(x,y)的 左上角到该元素的矩形区域内的所有像素的和S(x,y)；

S22：假设当前点(x,y)为中心的方形领域左上，右上，左下，右下角四个点的 积分表值分别为S(x₁,y₁)，S(x₂,y₂)，S(x₃,y₃)，S(x₄,y₄)，那么根据公式（2）计 算L(x,y)的值为

$L(x,y)=\frac{[S(x_1,y_1)-S(x_2,y_2)-S(x_3,y_3)+S(x_4,y_4)]}{N}---\left(2\right).$

所述S2是根据入射光光通道图像J(x,y)，采用窗口积分法计算入射光初步 估算图像L(x,y)，具体步骤：

对以当前(x₀,y₀)像素点为中心的正方形邻域内，根据公式（3）计算所有像 素值取平均值，即得到入射光初步估算图像L(x,y)， $L(x,y)=\frac{1}{N}\underset{(x^{\prime },y^{\prime })\in \Omega (x,y)}{\Sigma }J(x^{\prime },y^{\prime })---\left(3\right)$

其中Ω(x,y)是以(x,y)为中心的，边长为2r的正方形区域中所有像素的集 合，N是方形区域中象素的个数。

所述S3根据入射光初步估算图像L(x,y)，入射光光通道图像J(x,y)，采用 边缘保持算法计算输出图像光强估算像素L'(x,y)具体过程是：

S31：通过输入像素为L(x,y)，噪声为n(x,y)，根据公式（4）计算入射光精 确估算图像L′(x,y)：

L′(x,y)=L(x,y)-n(x,y)                           （4）

S32：通过入射光光通道图像J(x,y)，入射光精确估算图像L′(x,y)与入射光 光通道图像J(x,y)的关系为线性相关，像素关系满足公式（5），将公式（4）代 入公式（5）中：

L′(x,y)=aJ(x,y)+b                           （5）

S33：根据公式（5）做线性回归运算得到公式（6），在根据公式（6）计算 得到b=L(x,y)-aJ(x,y)，

$\underset{(a,b)}{\min }\underset{(x,y)}{\Sigma }{(\mathrm{aJ}(x,y)+b-L(x,y))}^2+ϵa^2---\left(6\right)$

其中对噪声n(x,y)进行线性回归处理后，噪声n(x,y)是均值为0的高斯白噪声， cov(J,L)表示J(x,y)和L(x,y)的协方差，var(J)表示J(x,y)的方差，ε范围是10^-6～ 10^-1；

S34：将a、b代入公式（4）即可计算L′(x,y)。

所述S4具体步骤：

S41：对入射光精确估算图像L′(x,y)进行均匀分布取样；

S42：根据K-Mean分类方法对入射光精确估算图像L′(x,y)均匀分布取样的样本 点进行分类，将样本点分成两类，然后根据分类结果计算出这两类的分布的入 射光精确估算图像L′(x,y)；

S43：使用平滑阶跃曲线的映射函数对整幅图形分类后的入射光精确估算图像 L′(x,y)进行压缩，使得同类光强有较小的样本差，而不同类的值之间能平滑过 渡，进而得到压缩光照估算图像L″(x,y)。

所述S5具体步骤：根据公式（7）计算场景增强图像R(x,y)，

log(R(x,y))=log(I(x,y))-log(L″(x,y))                   （7）。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1）定义了光通道，并利用光通道信息来估计光照。使用光通道能够更 快的估算光照，并且，这样的估算方法解决了色偏的问题。

2）为了使明亮区域和阴暗区域同时可以得到较好的增强效果，减小因 场景信息导致的光照强度估算偏差，通过K-Mean光照分类压缩对L'(x,y)的强 弱光进行分类压缩，极大提高了运算速度。假设中心环绕函数包含M个点，其 算法复杂度为O(M)，而借助积分查找表，窗口积分方法的复杂度为O(1)。使 用K-Mean算法对入射光强度进行分类，并对每类强度单独压缩，解决了暗区 图像对比度增强，而明亮区图像对比度反而减弱的问题。

3）使用边缘保持滤波方法，对光照估计进行完善。边缘保持滤波方法 的优势有三：(a)使用光通道信息做向导，自适应提高窗口积分法获得的光强 的精确度，极大减弱了中心函数半径对结果的影响，提高算法的稳定性；（b） 使光源边界估算有锐利且准确的边界；（c）提高了前一步光源估算信息的准确 度且算法的复杂度是O(1)。

4）本发明仅使用一张图像实现光照动态压缩的目的，且图像增强算法 速度快，效果好。同时，本发明还可以作为一般图像处理的预处理步骤，提高 后继算法的成功率。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互 相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书（包括任何附加权利要求、摘要）中公开的任一特征，除非特别 叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙 述，每个特征只是一系列等效或类似特征中的一个例子而已。

相关说明：

1、基本原理：使用的技术首先对图像中的各区域入射光光照强度进行估 计，然后将图像中因入射光照强度变化引起的图像灰度值变化消除。 第二步也可以认为是将入射光照强度归一化。数字图像数值范围有 限，压缩入射光照强度的进入普通范围，既可以提升图像内容的对比 度从而提高图像的可识别度，也可以将图像灰度值调整到合适的范围 内，提高进一步的检测和识别等算法的成功率。

2、具体过程是：

1、计算入射光光通道图像J(x,y)

1）设定场景光照都是白光，场景中的物体只吸收一定波段（比如绿色叶子 吸收绝大部分的红色和蓝色波段的光，而几乎不吸收绿色波段的光）的光谱， 波段外的光谱全部被反射。入射白光中红色、绿色和蓝色三个颜色成分的强度 都是相等，即Ir=Ig=Ib；反射后，部分光谱被吸收，红、黄、蓝三个颜色分量 会有减弱，因此反射光三个颜色分量的最大值最接近该点入射光的强度；

2）根据公式（11）计算J(x,y)，光通道图像某点(x,y)的强度值是原始图像 中同位置的点(x,y)为中心，边长为2r的正方形区域中所有像素的红、黄、蓝 三个颜色分量最大强度值，其公式如下：

$J(x,y)=\underset{(x^{\prime },y^{\prime })\in \Omega (x,y)}{\max }I(x^{\prime },y^{\prime })---\left(11\right)$

其中Ω(x,y)是以(x,y)为中心的，边长为2r的正方形区域中所有像素的集合，i 表示色彩分量R、G或B的序号，I(x′,y′)表示任意一个坐标(x',y')的光照强度值， 其中r是1到5个像素点。

2、计算入射光初步估算图像L(x,y)估算

1）在运算中为了更快获得L_(x,y)采取以下两个步骤：

先建立二维积分表，表中的每一个元素代表从入射光光通道图像J(x,y)的左上 角到该元素的矩形区域内的所有像素的和S(x,y)；

S22：假设当前点(x,y)为中心的方形领域左上，右上，左下，右下角四个点的 积分表值分别为S(x₁,y₁)，S(x₂,y₂)，S(x₃,y₃)，S(x₄,y₄)，那么根据公式（12）计 算L(x,y)的值为

$L(x,y)=\frac{[S(x_1,y_1)-S(x_2,y_2)-S(x_3,y_3)+S(x_4,y_4)]}{N}---\left(12\right)$

从而将运算复杂度从O(N)降低为O(1)。

2）窗口积分法：某像素点的入射光强先通过窗口积分法获得粗略估算。其 本质是通过对以当前像素点为中心的矩形邻域内所有像素取平均值，根据公式 （13），得到入射光初步估算图像L(x,y)：

$L(x,y)=\frac{1}{N}\underset{(x^{\prime },y^{\prime })\in \Omega (x,y)}{\Sigma }J(x^{\prime },y^{\prime })---\left(13\right)$

其中Ω(x,y)是以(x,y)为中心的正方形区域中所有像素的集合，N是方形区 域中象素的个数。

3、计算输出图像光强估算像素L'(x,y)估算

1）采用边缘保持算法Guided Filter方法来提高光估算的精确度并使得明 暗区域间有锐利的边缘。根据入射光初步估算图像L(x,y)，入射光光通道图像 J(x,y)，采用边缘保持算法计算输出图像光强估算像素L'(x,y)，（Guided Filter 方法直接得到L'(x,y)）。具体内容方法如下：

通过输入像素为L(x,y)，噪声为n(x,y)，根据公式（14）计算入射光精确估 算图像L′(x,y)：

L′(x,y)=L(x,y)-n(x,y)               （14）

S32：通过入射光光通道图像J(x,y)，入射光精确估算图像L′(x,y)与入射光 光通道图像J(x,y)的关系为线性相关，像素关系满足公式（15）：

L′(x,y)=aJ(x,y)+b                   （15）

S33：根据公式（5）做线性回归运算得到公式（6），在根据公式（6）计 算得到b=L(x,y)-aJ(x,y)，

$\underset{(a,b)}{\min }\underset{(x,y)}{\Sigma }{(\mathrm{aJ}(x,y)+b-L(x,y))}^2+{\mathrm{ϵa}}^2---\left(6\right)$

其中对噪声n(x,y)进行线性回归处理后，噪声n(x,y)是均值为0的高斯白噪声， cov(J,L)表示J(x,y)和L(x,y)的协方差，var(J)表示J(x,y)的方差，ε范围是10^-6～ 10^-1；

S34：将a、b代入公式（4）即可计算L′(x,y)。

3）采用Soft Matting方法、Bilateral Filter方法，根据入射光初步估 算图像L(x,y)，入射光光通道图像J(x,y)，计算输出图像光强估算像素L'(x,y)。

4、压缩光照估算图像L″(x,y)估算

1）K-Mean光照分类为了使明亮区域和阴暗区域同时可以得到较好的增强 效果，减小因场景信息导致的光照强度估算偏差，通过K-Mean光照分类压缩 对L′的强弱光进行分类压缩。具体步骤

首先把入射光照分成明暗两类。

11）对输出图像光强估算像素L′(x,y)进行均匀分布取样；

12）根据样本点的分布进行分类，本方法中采用的是K-Mean分类方法，将 样本点分成两类，然后根据分类结果计算出这两类的分布；

然后，使用平滑阶跃曲线的映射函数C(x)对整幅图形分类后的输出图像光 强估算像素L′(x,y)进行压缩，使得同类光强有较小的样本差，而不同类的值之 间能平滑过渡，进而得到压缩光照估算图像L″(x,y)。

2）K-Mean算法可以用K-MEDOIDS算法或CLARANS算法代替。

5、图像增强，还原场景得到场景增强图像R(x,y)

原始图片I除以步骤4计算得到的L″(x,y)，可以得到光照压缩，对比度增强 的结果，即本方法的输出结果。考虑到数值运算的稳定性，一般不采取直接相 除，而是根据公式（17）采取指数相减的方法：

log(R(x,y))=log(I(x,y))-log(L″(x,y))                    (17)。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中 披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何 新的组合。