蔣 陽，曹 杰，豆?jié)申枺び钋?，?磊，郝 群,3

(1.北京理工大學(xué)光電學(xué)院 機器人與系統(tǒng)教育部重點實驗室, 北京 100081;2.中國兵器科學(xué)研究院， 北京 100089; 3.清華大學(xué)深圳研究生院， 深圳 518055)

圖像增強是指通過有選擇地突出某些感興趣區(qū)域，方便人或機器進行分析,同時抑制一些冗余信息,提高圖像質(zhì)量和使用價值。目前，圖像增強技術(shù)已廣泛應(yīng)用于水下增強、跟蹤識別、航空航天等領(lǐng)域[1]。但由于實際環(huán)境中受到照明非均勻尤其是陰影的影響，使在強烈明暗環(huán)境下圖像增強困難。

基于人類視覺路徑，Land和McCann[2]首次提出了Retinex理論，作為人類視覺系統(tǒng)(HSV)的顏色感知模型能夠提高圖像非均勻性，但基于此模型的多路徑搜索Retinex算法[3]復(fù)雜度較大且參數(shù)較多，實際操作性不強。Park[4]等使用了Retinex模型對低光照圖像進行增強。李益紅[5]提出了一種多分辨多尺度的彩色Retinex圖像增強算法。在基于PDE的模型[6]中，Retinex原則通常被轉(zhuǎn)化為物理形式并基于泊松方程建模，僅使用兩個快速傅里葉變換產(chǎn)生準確結(jié)果。該算法類型的主要假設(shè)是反射率作為圖像中的尖銳細節(jié)，而照明變化平滑。基于該假設(shè)，豆?jié)申柕萚7]提出了Retinex問題的變指數(shù)模型，Ma等[8]提出了使用相同假設(shè)的全變差(Total variation)和非局部全變差正則化模型，Ng[9]使用更多的限制條件應(yīng)用在TV模型，梁和張[10]建立了一種新的高階總變化L1分解模型(HoTVL1)，可以校正分段線性陰影，Zosso[11]提出了基于非局部差分算子的統(tǒng)一Retinex模型。

然而，上述Retinex模型基本均以假設(shè)空間光照漸變?yōu)榛A(chǔ)，沒有突變部分。實際上許多具有非均勻照明的圖像具有突變的光照，突變部分形成強烈的陰影反差，引起圖像質(zhì)量大幅下降。因此，本研究針對該問題，提出可適用于光照變化劇烈的假設(shè)，并根據(jù)該假設(shè)，提出一種使用截尾全變差Retinex模型，其中，假設(shè)截尾全變差的照明函數(shù)屬于有界變差函數(shù)空間。

1 截尾全變差Retinex模型

針對非均勻照度中存在劇烈變化的情況提出如下假設(shè)：① 物體為博朗反射體，且反射率對應(yīng)于圖像中的尖銳細節(jié)；② 大多數(shù)區(qū)域的照明是漸變的，但也可能含有突變部分。本文基于灰度圖像制定和討論模型，對于彩色圖像，本文算法將RGB顏色空間映射到HSV(色調(diào)，飽和度，色彩值)顏色空間中，僅處理V通道，然后將其轉(zhuǎn)換回RGB域。這種方法稱為HSV Retinex[9]。

假設(shè)待求的光照圖像為u，則基于截尾全變差(Truncated Total Variation)的正則項表達式為：

(1)

其中

(2)

其中(ux,uy)為圖像U的梯度。由式(2)可以看出，截尾全變差正則項僅懲罰梯度幅度小于閾值ε的梯度，對于梯度幅度大于ε的值則予以保留，因此保留住了光照圖像中的突變部分。圖1顯示了全變差和截尾全變差形狀。與全變差相比，截尾全變差的形狀看起來像全變差的“截尾”版本。

圖1 全變差與結(jié)尾全變差

由于截尾全變差是非凸的，直接求解此正則項較為困難。注意到式(2)可以使用稀疏正則化L0范數(shù)重新表達，轉(zhuǎn)為有益于算法有效實現(xiàn)的形式。將ε作為參數(shù)，則式(2)可寫為

(3)

其中|·|0為：當l≠0時，|l|0=1,否則|l|0=0。

Retinex理論的主要目標是將真實圖像F分解為反射圖像R和照明圖像U，即F=R·U,已知真實圖像F，求出陰影圖像即可得出恢復(fù)后的圖像R?；谒嵝碌募僭O(shè)，照明圖像可能包含非平滑部分，本研究使用截尾全變差正則項建立Retinex模型。設(shè)u為陰影圖像，f為真實圖像，則所需優(yōu)化的目標函數(shù)為：

(4)

式(4)右邊第一項是圖像數(shù)據(jù)保真項，第二項是截尾全變差。與其他平滑模型相比，截尾全變差在細節(jié)平滑和強邊緣保留之間取得了良好的平衡，而基于傳統(tǒng)光照假設(shè)設(shè)計的正則項有些降低了強邊緣。模型可使用分裂Bregman方法求解。

2 模型優(yōu)化

由于涉及L1和L0正則化懲罰項，直接優(yōu)化目標函數(shù)(4)相對比較困難。因此，本文引入交替的優(yōu)化策略與Split Bregman框架，其主要思想是引入輔助變量擴展原來的項并交替更新。

針對截尾全變差項中ux-l1和uy-l2分別引入兩個對偶變量b1和b2，則目標函數(shù)(4)可以重新表達為：

(5)

其中，約束條件為

b1=ux-l1,b2=uy-l2

(6)

利用Bregman距離并將有約束問題轉(zhuǎn)化為無約束問題，式(5)可以寫為：

(7)

本研究將上述聯(lián)合優(yōu)化問題通過式(7)解耦到幾個子問題交替解決，求解步驟描述如下：

步驟1：固定l1,l2,b1,b2,t1,t2優(yōu)化u。該子問題描述為：

(8)

由于函數(shù)可微，可得其歐拉-拉格朗日方程為

(9)

其中，Δ為拉普拉斯算子。方程(9)可以通過使用Gauss-Seidel迭代算法或FFT算子有效求解。

步驟2：固定u,l1,l2,t1,t2，計算b1和b2。該子問題的唯一最小化可以通過應(yīng)用收縮算子獲得：

(10)

(11)

其中，

(12)

步驟3：固定u,l1,l2,b1,b2，更新t1,t2。描述如下：

(13)

(14)

步驟4：固定u,t1,t2,b1,b2，更新l1,l2。可得：

(15)

(16)

3 實驗結(jié)果與分析

本文針對所提算法進行三組實驗，每組實驗都使用本文方法與全變差、二階全變差以及多尺度Retinex方法進行比較分析。其中，實驗一采用仿真方法，實驗二、三采用真實圖像復(fù)原。

實驗一將沒有陰影的原始圖像中模擬添加陰影，如圖2(a)所示為人工合成帶有陰影的圖像。對圖2(a)使用全變差、二階全變差以及多尺度Retinex方法與所提算法對其進行實驗對比，實驗結(jié)果對應(yīng)如圖2(b)、圖2(c)、圖2(e)，可以看到本文所提方法使得圖像復(fù)原結(jié)果最優(yōu)，陰影信息基本消除。為進一步量化對比，本文使用結(jié)構(gòu)相似指數(shù)(SSIM)和CIEDE2000色差分別測量原始圖像和恢復(fù)圖像之間的紋理相似度和感知差異，如表1所示，所提方法顯著優(yōu)于其他方法。

表1 多種算法的SSIM及CIEDE2000結(jié)果對比

實驗二使用真實圖像進行復(fù)原，如圖3(a)所示，為真實陰影圖像，對比算法優(yōu)化結(jié)果見圖3(b)、圖3(c)、圖3(e)，可以看到本文所提方法幾乎去除了所有陰影，而對比的算法優(yōu)化依然留有陰影痕跡。

為進一步驗證所提模型的魯棒性，使用陰影更深的真實圖像進行復(fù)原，如圖3(f)所示，實驗方法同實驗一、實驗二，本文優(yōu)化結(jié)果見圖3(i)，對應(yīng)的實驗結(jié)果見圖3(g)、圖3(h)、圖3(j)，可以看到本文所提方法與實驗一、二取得了相似的結(jié)果。

圖2 仿真陰影圖像優(yōu)化結(jié)果

圖3 真實陰影圖像優(yōu)化結(jié)果

4 結(jié)論

傳統(tǒng)Retinex模型對光照圖像建模時都假設(shè)其是漸變的，沒有強烈陰影。然而，許多具有非均勻照明的圖像實際上具有非平滑的光照。本文針對該問題提出新的假設(shè)，即：① 反射物體為博朗反射體且反射率對應(yīng)于圖像中的尖銳細節(jié)；② 大多數(shù)地區(qū)的光照光滑，但可能含有不平滑的部分?；谛碌募僭O(shè)，本文提出截尾全變差Retinex模型用于真實圖像復(fù)原中。

實驗表明，本文所提算法在圖像細節(jié)平滑和邊緣保留之間取得了良好的平衡，對于去除非均勻照明、減少暈圈偽影效果顯著。雖然本文的假設(shè)與模型是針對具有強烈對比陰影的情況提出的，但實驗表明它也可以應(yīng)用于一般退化的圖像，并顯著減少光暈偽影。

[1] ZHANG S,WANG T.Underwater Image Enhancement via Extended Multi-Scale Retinex[J].Neurocomputing,2017,245.

[2] LAND E H,MCCANN J J.Lightness and retinex theory.J Opt Soc Am[J].Journal of the Optical Society of America,1971,61(1):1-11.

[3] MARINI D,RIZZI A.A computational approach to color adaptation effects[J].Image & Vision Computing,2000,18(13):1005-1014.

[4] PARK S,YU S,MOON B,et al.Low-light image enhancement using variational optimization-based retinex model[J].IEEE Transactions on Consumer Electronics,2017,63(2):178-184.

[5] 李益紅,周曉誼.一種多分辨多尺度的Retinex彩色圖像增強算法[J].計算機工程與應(yīng)用,2017,53(16):193-198.

[6] HAO W,HE M,GE H,et al.Retinex-Like Method for Image Enhancement in Poor Visibility Conditions[J].Procedia Engineering,2011,15:2798-2803.

[7] DOU Z,GAO K,ZHANG B,et al.Realistic image rendition using a variable exponent functional model for Retinex[J].Sensors,2016,16(6):832.

[8] MA W,MOREL J M,OSHER S,et al.An L1-based variational model for Retinex theory and its application to medical images[C]// Computer Vision and Pattern Recognition.IEEE,2011:153-160.

[9] NG M K,WANG W.A Total Variation Model for Retinex[J].Siam Journal on Imaging Sciences,2011,4(1):345-365.

[10] LIANG J,ZHANG X.Retinex by Higher Order Total Variation L1 Decomposition[M].Kluwer Academic Publishers,2015.

[11] ZOSSO D,TRAN G,OSHER S J.Non-Local Retinex—A Unifying Framework and Beyond[J].SIAM Journal on Imaging Sciences,2015,8(2):787-826.