基于色调映射和正则化模型的弱光图像增强方法

摘要

本发明公开了一种基于色调映射和正则化模型的弱光图像增强方法，其中设计了自适应映射参数对色调映射函数加以改进，对亮度较大的区域提高增强程度，对亮度较小的区域降低增强程度，使其对V通道图像进行自适应亮度增强；并构建L

说明书

技术领域

本发明涉及一种计算机图像处理方法，尤其涉及一种弱光图像增强方法。

背景技术

阴天或夜晚拍摄图像时，由于周围光照条件欠佳，普通摄像机不能充分曝光，拍摄到的图像存在大量的暗区，亮度和对比度较低且大量细节丢失，难以得到感兴趣的信息，给视频监控、室外目标识别与追踪等带来很大困难。因此，弱光图像增强问题在计算机视觉应用领域和数字图像处理领域亟待解决。

现有的弱光图像增强方法主要有直方图均衡化^[1]，Retinex方法^[2]，色调映射方法^[3]，OBLCAE方法^[4]以及基于去雾模型的方法^[5]。色调映射方法利用映射函数对图像像素进行变换，将其转化为接近于正常光照下的灰度值，该算法简单，但是映射函数参数固定，不能根据图像亮度自适应调整，且噪声较大。Zhou^[4]等提出的OBLCAE方法通过映射函数对图像进行亮度增强和对比度提高，该算法能较好地保持图像的色彩，但其对整体亮度增强程度有限，且对比度较低，仍会丢失较多的细节。Dong^[5]等提出基于去雾的方法进行弱光图像增强，增强效果较好，但是易产生块效应且含有较多噪点。

[参考文献]

[1]Chen S D,Ramli A R.Preserving brightness in histogram equalizationbased contrast enhancement techniques[J].Digital Signal Process,2004,14(5):413–428。

[2]Rahman Z,Jobson D J,Woodell G A.Multi-scale retinex for colorimage enhancement[C].International Conference on Image Processing(ICIP).Lausanne,Switzerland,1996:1003-1006。

[3]Drago f,Myszkowski K,Annen T,et al.Adaptive logarithmic mappingfor displaying high contrast scenes[J].Computer Graphics Forum,2003,22(3):419-426.[4]Zhou Zhigang,Sang Nong.Global brightness and local contrastadaptive enhancement for low illumination color image[J].Optik,2014,125(6):1795-1799。

[5]Dong Xuan,Wang Guan,Pang Yi,et al.Fast efficient algorithm forenhancement of low lighting video[J].Journal of Information and ComputationScience,2011,10(7):1-6。

[6]Gonzalez R C,Woods R E.Digital Image Processing(2/E)[M].USA:Prentice Hall,2001。

[7]Shen Peiyi,Zhang Liang,Song Juan,et al.Parallel implementation oflow light level image enhancement using CUDA[C].International Conference onInformation and Automation,Lijiang,China,2015:673-677。

发明内容

针对上述问题，本发明提出一种基于色调映射和正则化模型的弱光图像增强方法。首先设计自适应映射参数改进色调映射函数，使V通道图像能够根据不同区域的亮度进行自适应增强，然后建立L₁正则化模型对反转后的暗通道图像进行平滑，在去除噪声的同时获得更丰富的细节层，同时将暗通道图像信息熵和梯度特征相融合进行局部对比度增强，最后将亮度增强后的V通道图像和对比度增强后的暗通道图像进行加权融合。该方案不仅能够有效提高图像的亮度、对比度，显著改善视觉效果，同时保留更多的图像细节信息，并大大降低图像噪声。

为了解决上述技术问题，本发明提出的一种基于色调映射和正则化模型的弱光图像增强方法，步骤如下：

步骤1、获得弱光图像I(x)亮度增强后的V通道图像

首先，输入弱光图像I(x)，将弱光图像I(x)从RGB空间转换到HSV空间，根据V通道图像I^V(x)的亮度，自适应映射参数函数b(x)为：

式(1)中：x为图像中的任一像素点，I^V(x)是V通道图像，是V通道图像的平均亮度；

然后，对V通道图像I^V(x)色调映射进行亮度增强，映射函数为：

式(2)中：是V通道图像I^V(x)像素的最大值，是亮度增强后的V通道图像；

步骤2、获得弱光图像I(x)对比度增强后的反转暗通道图像步骤如下：

2-1)构建L₁正则化模型，对反转后的暗通道图像进行平滑去噪，目标函数为：

其中，

式(3)和式(4)中：为平滑去噪后的反转暗通道图像，是弱光图像的反转图像，v是正则化参数，D_i是滤波算子，该滤波算子D_i包含8个Krisch算子和1个Laplace算子，W_i是权重函数，σ是固定参数；

2-2)对上述目标函数进行求解，得到最优解如下：

式(6)和式(7)中：sign是符号函数，μ_i是辅助变量，ρ为惩罚参数，F是二维傅里叶变换，F^-1是二维傅里叶变换的逆变换，是F的共轭；

2-3)将反转后的暗通道图像与平滑去噪后的图像相减，得到细节层图像

2-4)将反映图像强度变化的梯度信息和变化频率的信息熵mh(x)＝-∑p(k)log(p(k)融合，p(k)是图像像素值等于k时的概率，从而得到调节参数m(x)：

m(x)＝τmt(x)+(1-τ)mh(x)(9)

式(9)中：τ是权重系数；

2-5)根据调节参数m(x)和细节层图像对图像进行对比度增强：

式(10)中：是对比度增强的反转暗通道图像，λ是常数；

步骤3、将步骤2获得的图像进行反转获得图像对图像及步骤1获得的亮度增强的V通道图像进行加权融合，作为增强后的V通道图像

式(11)中：α和β是常数，α+β＝1；

并将增强后的V通道图像由HSV空间映射到RGB空间，得到最终的增强图像。

与现有技术相比，本发明的有益效果是：

本发明设计自适应映射参数对色调映射函数进行改进，使图像能够自适应增强亮度，并建立L₁正则化模型对反转后的暗通道图像去除噪声得到信息丰富的细节层，同时融合图像的信息熵和梯度对图像进行局部对比度增强，恢复更多的细节信息。

附图说明

图1(a)为一幅白天弱光原始图像“House”；

图1(b)为针对图1(a)所示图像采用文献[4]提出的OBLCAE方法处理后的效果图；

图1(c)为针对图1(a)所示图像采用文献[5]提出的去雾方法处理后的的效果图；

图1(d)为针对图1(a)所示图像采用本发明方法处理后的效果图；

图2(a)为一幅夜晚弱光原始图像“Street”；

图2(b)为针对图2(a)所示图像采用文献[4]提出的OBLCAE方法处理后的效果图；

图2(c)为针对图2(a)所示图像采用文献[5]提出的去雾方法处理后的效果图；

图2(d)为针对图2(a)所示图像采用本发明方法处理后的效果图。

具体实施方式

下面结合附图和具体实施例对本发明技术方案作进一步详细描述，所描述的具体实施例仅对本发明进行解释说明，并不用以限制本发明。

现有的基于色调映射的图像增强方法^[3]的基本原理是：利用映射函数对原图像的灰度值进行拉伸，使其转化为接近正常光照下的图像，映射函数表达式为：

其中，L(x)为图像像素x在Y空间的照度，L_max为所有像素中最大的照度值，b为常数，L_en(x)为映射后的图像。

根据文献[6]，常用的对比度增强方法如下：

其中，I'(x)为对比度增强后的图像，I(x)为原图像，为均值滤波后的图像，η为常数。

由于现有的色调映射函数其参数为常数，需要根据大量实验选择合适的值，并且对图像不同亮度区域进行均一增强，增强效果不佳^[3]；另一方面，常用的对比度增强方法采用固定参数，没有考虑图像的相关特征，因此，导致一些区域对比度增强效果较差，恢复的细节信息较少^[6,7]。

本发明提出的基于色调映射和正则化模型的弱光图像增强方法的设计思路是：设计自适应映射参数对色调映射函数加以改进，对亮度较大的区域提高增强程度，对亮度较小的区域降低增强程度，使其对V通道图像进行自适应亮度增强；并构建L₁正则化模型对反转后的暗通道图像进行平滑，在去噪的同时获得更好的平滑效果，进而得到信息更丰富的细节层，同时考虑到图像灰度变化的频率和强度，将暗通道图像的信息熵和梯度特征融合对暗通道图像进行自适应对比度增强，使其含有更多的细节信息。最后，基于两种方法的互补性，将亮度增强后的V通道图像和对比度增强的暗通道图像加权融合。下面以图1(a)为原始(弱光)图像进行增强，其具体步骤如下：

步骤1、获得弱光图像I(x)亮度增强后的V通道图像

首先，输入如图1(a)所示的弱光图像I(x)，将弱光图像I(x)从RGB空间转换到HSV空间，根据V通道图像I^V(x)的亮度，自适应映射参数函数b(x)为：

式(1)中：x为图像中的任一像素点，I^V(x)是V通道图像，是V通道图像的平均亮度；

然后，对V通道图像I^V(x)色调映射进行亮度增强，映射函数为：

式(2)中：是V通道图像I^V(x)像素的最大值，是亮度增强后的V通道图像；

步骤2、获得弱光图像I(x)对比度增强后的反转暗通道图像步骤如下：

2-1)利用式(5)得到弱光图像I(x)反转后的暗通道图像(参见文献[5])，构建如式(3)所示的L₁正则化模型，对图像进行平滑去噪，目标函数为：

其中，

式(3)和式(4)中：为平滑去噪后的反转暗通道图像，是弱光图像的反转图像，v是正则化参数，D_i是滤波算子，该滤波算子D_i包含8个Krisch算子和1个Laplace算子，W_i是权重函数，σ是固定参数，本实施例中其σ取值为0.2。

2-2)对上述目标函数进行求解，得到最优解如下：

式(6)和式(7)中：sign是符号函数，μ_i是辅助变量，ρ为惩罚参数，F是二维傅里叶变换，F^-1是二维傅里叶变换的逆变换，是F的共轭；

2-3)将反转后的暗通道图像与平滑去噪后的图像相减，得到细节层图像

2-4)将反映图像强度变化的梯度信息和变化频率的信息熵mh(x)＝-∑p(k)log(p(k)融合，p(k)是图像像素值等于k时的概率，从而得到调节参数m(x)：

m(x)＝τmt(x)+(1-τ)mh(x)(9)

式(9)中：τ是权重系数，τ取值为0～1，本实施例中的取值为0.5。

2-5)根据调节参数m(x)和细节层图像对图像I_i^d_n^r_v^k(x)进行对比度增强：

式(10)中：是对比度增强的反转暗通道图像，λ是常数，λ的取值不宜过大，通常取值为1～50，本实施例的λ取值为5。

步骤3、将步骤2获得的图像进行反转获得图像对图像及步骤1获得的亮度增强的V通道图像进行加权融合，作为增强后的V通道图像

式(11)中：α和β是常数，α+β＝1，本实施例中α＝0.5。

并将增强后的V通道图像由HSV空间映射到RGB空间，得到最终的增强图像，如图1(d)所示。

同理，对图2(a)所述的原始弱光图像进行增强后的图像如图2(d)所示，其增强处理过程同上。

为了验证本发明提出的弱光图像增强方法的有效性，对弱光图像进行增强实验，并与相关算法进行对比。图1(a)是一幅白天原始弱光图像“House”，图2(a)是一幅夜晚原始弱光图像“Street”，图1(b)、图1(c)、图1(d)和图2(b)、图2(c)、图2(d)分别为采用文献[4]提出的OBLCAE方法、文献[5]提出的去雾方法和本发明方法对图像House和图像Street的增强效果。可以看出，本发明方法相比文献[4]和文献[5]提出的方法可有效提高图像亮度和对比度，去除块效应和晕轮伪影，并可恢复出更多的图像细节信息，抑制弱光图像的噪声，具有更好的视觉效果可视性。

为客观评价本发明方法，计算增强后图像的平均亮度和信息熵。如表1所示。由表1平均亮度数据显示，本发明方法可有效提高弱光图像的亮度；由信息熵结果可看出，本发明方法含有更多的信息量，可有效恢复更多的细节信息。

表1客观指标比较结果

实验结果表明，本发明提出的方法可针对传统色调映射方法进行弱光图像增强所具有的缺陷，对图像进行自适应亮度提高和局部对比度增强，恢复更多的图像细节，抑制弱光图像的噪声，具有更好的视觉性。

尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。