陳 亮，林 增

（武夷學(xué)院 數(shù)學(xué)與計(jì)算機(jī)學(xué)院，福建 武夷山 354300）

在當(dāng)今社會(huì)行人檢測(cè)為人們的生產(chǎn)生活提供了很大的便利，而行人檢測(cè)由于受到環(huán)境的影響使檢測(cè)的準(zhǔn)確率受到影響，而光照是影響行人檢測(cè)的一大關(guān)鍵影響因素。人們往往通過(guò)對(duì)視頻圖像進(jìn)行預(yù)處理來(lái)提高行人檢測(cè)的準(zhǔn)確性。目前，針對(duì)光照的預(yù)處理方法有直方圖均衡化、伽馬校正法、Retinex算法等。但是由于光照因素的復(fù)雜性，往往還達(dá)不到非常理想的效果，時(shí)有出現(xiàn)漏檢、錯(cuò)檢等情況。

本文主要主要針對(duì)上述問(wèn)題進(jìn)行研究，提出了基于gamma校正后的多尺度Retinex圖像預(yù)處理算法。通過(guò)實(shí)驗(yàn)效果表明在特定的光照條件下，本文的算法效果更佳。

1 圖像的預(yù)處理算法

基于視頻行人檢測(cè)的預(yù)處理算法研究目的是將圖像中的行人從背景中凸顯出來(lái)，使圖像檢測(cè)獲得更多有效信息[1]。光照環(huán)境的變化是對(duì)視頻行人檢測(cè)一大影響因素，對(duì)受光照因素污染的圖像基本預(yù)處理方法以下幾種方法。

1.1 直方圖均衡化

直方圖均衡化：將原始圖像進(jìn)行灰度處理，矯正灰度處理后的圖像。經(jīng)過(guò)灰度處理的直方圖包含信息量更多，因而圖像的清晰度更高。該圖像增強(qiáng)方式基于累計(jì)分布函數(shù)，增強(qiáng)變換相關(guān)圖像，因而該方式具有全局性特點(diǎn)[2]。

直方圖均衡化流程如圖1:

圖1 直方圖均衡化算法流程圖Figure 1 Flow chart of histogram equalization algorithm

rk代表第k個(gè)灰度級(jí)，n代表最初圖像的像素，rk代表像素?cái)?shù)量，nk代表處理圖像的灰度級(jí)，rk代表出現(xiàn)像素的概率，p（rk）代表灰度級(jí)，gk為第k個(gè)灰度級(jí)別變換后的灰度值。

直方圖均衡化可以擴(kuò)大灰度間距，使其趨于均勻，進(jìn)而形成反差效果，提升圖像清辨識(shí)度，實(shí)現(xiàn)圖像增強(qiáng)[2]。如圖2-3所示，其灰度過(guò)度集中于某個(gè)較小范圍內(nèi)，導(dǎo)致僅僅通過(guò)視覺(jué)不能對(duì)相關(guān)的圖像內(nèi)容進(jìn)行辨識(shí)，原始圖像在處理之后，清晰度得以提升，辨識(shí)難度降低。

直方圖均衡化存在以下兩個(gè)特點(diǎn):

（1）按照灰度級(jí)別頻率的不同，分別增強(qiáng)相應(yīng)的灰度級(jí)別，即分別加大每個(gè)級(jí)別的間距。

（2）原始圖像灰度級(jí)別的個(gè)數(shù)可能存在減少現(xiàn)象，即可以簡(jiǎn)并相關(guān)頻率較小的灰度級(jí)別。

當(dāng)滿足公式1時(shí)，才能夠?qū)崿F(xiàn)不同灰度級(jí)別的映射，即簡(jiǎn)并現(xiàn)象。通過(guò)簡(jiǎn)并現(xiàn)象不但會(huì)過(guò)度增強(qiáng)頻次較多的灰度級(jí)別，還會(huì)造成重要信息的破壞或者丟失，無(wú)法實(shí)現(xiàn)預(yù)期目標(biāo)。

圖2 直方圖均衡化實(shí)驗(yàn)結(jié)果Figure 2 Experiment results of histogram equalization

直方圖均衡化實(shí)驗(yàn)所得到的圖像呈灰度化，可能導(dǎo)致目標(biāo)原本灰度級(jí)過(guò)大的圖像信息得到簡(jiǎn)并，導(dǎo)致細(xì)節(jié)信息丟失。

1.2 伽馬(gamma)校正法

圖像處理技術(shù)中，Gamma校正技術(shù)的應(yīng)用非常普遍，通過(guò)伽馬校正進(jìn)行修正，圖像信息的對(duì)比效果更加明顯，相關(guān)的處理形式如下[3]:

其中r代表輸入圖像的輸入數(shù)據(jù)，c代表常量系數(shù)，通?？蓪⑵湓O(shè)為1，ε代表補(bǔ)償系數(shù)，λ決定了像素變換方式，λ=1時(shí)代表線性變換，不會(huì)影響對(duì)比度，λ≠1時(shí)表示指數(shù)變換，會(huì)導(dǎo)致相應(yīng)的對(duì)比度發(fā)生改變，Gamma校正的效果可參照?qǐng)D3所示。

圖3 Gamma校正實(shí)驗(yàn)結(jié)果Figure 3 Experiment results of gamma calibration

圖2-4中左邊為原始圖像，當(dāng)ε=0，λ=0.5時(shí)，矯正效果如右圖。

如上圖所示，Gamma校正方法存在對(duì)高光區(qū)校正程度的不足。不僅如此，如果缺乏對(duì)圖像視覺(jué)效果的整體經(jīng)驗(yàn)評(píng)價(jià)，在圖片處理過(guò)程中，很難確定一個(gè)合理的Gamma數(shù)值來(lái)修正原始圖像，在很大程度上制約了該方法的實(shí)際應(yīng)用[2]。

1.3 Retinex算法原理

基于色彩的相關(guān)理論，Retinex能夠?qū)崿F(xiàn)邊緣增強(qiáng)、顏色恒常性以及灰度壓縮的均衡，所以可有效的增強(qiáng)處理不同種類(lèi)的圖像，特別是彩色圖像。

Retinex算法的理論基礎(chǔ)是色彩恒常性，即人類(lèi)視覺(jué)系統(tǒng)可以對(duì)感知到亮度或者顏色進(jìn)行調(diào)節(jié)。按照該理論的觀點(diǎn)，物體的反射特點(diǎn)決定了視覺(jué)系統(tǒng)感知到的亮度和色彩通常而言，色彩由于場(chǎng)景照度導(dǎo)致的變化較為緩和，而色彩由于表面導(dǎo)致的變化較為突然。對(duì)比兩種變化形式，可以輕易分辨出圖像照度以及表面變化[4]。

在Retinex算法中，存在一個(gè)基本假設(shè)，即：

F代表原始圖像彩色信息，R代表反射率，I代表入射光。

原理示意圖如圖4所示：

圖4 Retinex原理示意圖Figure 4 Schematic diagram of Retinex

Retinex算法的原理說(shuō)明原始圖像的色彩信息在很大程度上取決于反射物體R（x,y），其信息的動(dòng)態(tài)范圍則取決于入射光I（x,y）。

Retinex算法的基本流程是：初步處理原始圖像的色彩信息F（x,y），估算反射光的照射分量I（x,y），以及發(fā)射物體相應(yīng)的反射分量R（x,y），可以提升影像光照的均勻度，從而有針對(duì)性的增強(qiáng)處理原始圖像，實(shí)現(xiàn)最佳的視覺(jué)效果。

在增強(qiáng)處理圖像的實(shí)際過(guò)程中，理論意義上的乘積運(yùn)算通常會(huì)被更簡(jiǎn)潔的加減法取代，具體表達(dá)公式如下：

其中f（x,y）=log（F（x,y）），r（x,y）=log（R（x,y）），i（x,y）=log（I（x,y））。

通過(guò)視覺(jué)系統(tǒng)，我們不能直接估算反射分量，但可對(duì)入射光部分進(jìn)行相關(guān)估算，再根據(jù)公式3估算反射分量，最后通過(guò)修正可獲取最后的結(jié)果。Retinex算法的計(jì)算過(guò)程可參照框圖5所示。

圖5 Retinex算法過(guò)程框圖Figure 5 Process block diagram of Retinex algorithm

Retinex算法能夠在提升待處理圖像對(duì)比度和亮度的同時(shí)，最大程度的縮減動(dòng)態(tài)灰度范圍。隨著光照均勻度的提升，可以提升原始圖像在亮區(qū)和暗區(qū)內(nèi)容的顯示效果。除此之外，Retinex算法具有一定的穩(wěn)定性，通常不會(huì)隨著圖像的變化而發(fā)生改變，因此在增強(qiáng)彩色圖像方面，有明顯的優(yōu)越性[4]。在實(shí)驗(yàn)中，實(shí)驗(yàn)運(yùn)行的速度較為緩慢，耗時(shí)較多，同時(shí)處理過(guò)后的圖像亮度區(qū)域會(huì)被過(guò)度的放大。

實(shí)驗(yàn)效果如下圖6所示：

圖6 Retinex算法實(shí)驗(yàn)結(jié)果Figure 6 Experiment results of Retinex algorithm

2 基于gamma矯正后的多尺度Retinex算法

本文提出一種新的基于光照污染的圖像預(yù)處理算法：基于gamma校正后的多尺度Retinex算法。經(jīng)過(guò)實(shí)驗(yàn)的結(jié)果表明，本文的算法效果更佳。

2.1 多尺度Retinex算法

2.1.1 多尺度Retinex算法

多尺度Retinex算法為數(shù)個(gè)單尺度Retinex算法輸出的加權(quán)平均，可以在確保圖像色彩不變的同時(shí)，將圖像信息突顯，相關(guān)公式如下所示：

Ii（x,y）代表輸入圖像第i個(gè)顏色通道的像素值，i∈（R，G，B）通道中的一個(gè)，F(xiàn)（x,y）代表高斯函數(shù)，* 代表卷積運(yùn)算，Ri（x,y）就是所需獲取的第i個(gè)顏色通道的輸出圖像，在原始圖像中將亮度圖像的估算值減去得到該值；N代表尺度的數(shù)量，ωn代表和所有尺度有關(guān)的權(quán)重值，Cn和σn則代表所有尺度上高斯卷積函數(shù)的標(biāo)準(zhǔn)偏差和系數(shù)。

針對(duì)多尺度Retinex算法的相關(guān)定義存在多個(gè)尺度下，并進(jìn)一步將不同的Cn和σn分配到相應(yīng)尺度上，這樣在提升圖像內(nèi)容細(xì)節(jié)對(duì)比度的同時(shí)，確保圖像彩色信息不會(huì)丟失。按照J(rèn)obson等研究者的相關(guān)成果，就絕大部分圖像而言，基于這三個(gè)尺度的運(yùn)算已經(jīng)足夠，并且各個(gè)尺度上的權(quán)重值可以是一樣的。通常而言，三個(gè)尺度在選擇過(guò)程中，可以和高、中、低三個(gè)尺度分別對(duì)應(yīng)，ωi能按照進(jìn)行細(xì)微調(diào)節(jié)[5]。

Jobson等相關(guān)研究者的實(shí)驗(yàn)數(shù)據(jù)可參照下表1所示：

表1 多尺度Retinex算法常數(shù)列表Table 1 Constant list of Retinex algorithm with multi-scale

算法效果如圖7：

圖7 多尺度Retinex算法效果圖Figure 7 Experiment results of Retinex algorithm with multi-scale

可以看出經(jīng)過(guò)多尺度Retinex算法在彩色圖像處理過(guò)程中，會(huì)出現(xiàn)“顏色失真、泛白、整體亮度較低”等問(wèn)題，無(wú)法將顏色效果原本的展現(xiàn)出來(lái)[5]。

2.2 基于Gamma校正后的多尺度Retinex算法

基于Gamma校正后的多尺度Retinex算法是將圖像經(jīng)過(guò)Gamma校正，得以保存梯度信息，圖像的對(duì)比度得到加強(qiáng)[14]，再利用多尺度Retinex算法處理，能有效克服了圖像只經(jīng)過(guò)多尺度Retinex算法的泛白和圖像失真現(xiàn)象，從而達(dá)到更好的預(yù)處理效果。

基于Gamma校正后的多尺度Retinex算法流程如圖8：

圖8 基于Gamma校正后的多尺度Retinex算法流程圖Figure 8 Flow chart of Gamma-corrected multiscale Retinex algorithm

算法效果如圖9：

圖9 實(shí)驗(yàn)效果圖Figure 9 Experimental effect diagram

從實(shí)驗(yàn)結(jié)果表明新的預(yù)處理方法處理后的效果得到有效的改善，相對(duì)效果更好。

3 仿真實(shí)驗(yàn)與結(jié)果分析

本文采用目前比較流行的方法：梯度方向直方圖[14](Histogram of Oriented Gradients，HOG)對(duì)待處理圖像進(jìn)行行人檢測(cè)實(shí)驗(yàn)，用檢測(cè)到的行人數(shù)量多少以及檢測(cè)是否有效來(lái)判斷圖像預(yù)處理的效果好壞。

實(shí)驗(yàn)驗(yàn)證采用受光照污染圖像經(jīng)過(guò)相應(yīng)預(yù)處理后進(jìn)行行人檢測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如下：

圖10 原圖1行人檢測(cè)結(jié)果Figure 10 Results of pedestrian detection original figure 1

圖11 直方圖均衡化后行人檢測(cè)結(jié)果Figure 11 Results of pedestrian detection after histogram equalization

圖12 伽馬校正法后行人檢測(cè)結(jié)果Figure 12 Results of pedestrian detection after gamma correction

圖13 Retinex算法后行人檢測(cè)結(jié)果Figure 13 Results of pedestrian detection after Retinex algorithm

圖14 本文方法預(yù)處理后的行人檢測(cè)結(jié)果Figure14 Resultsof pedestrian detection after preprocessingin this

圖15 原圖2行人檢測(cè)結(jié)果Figure 15 Results of pedestrian detection original figure 2

圖16 直方圖均衡化后行人檢測(cè)結(jié)果Figure 16 Results of pedestrian detection after histogram equalization

圖17 伽馬校正法后行人檢測(cè)結(jié)果Figure 17 Results of pedestrian detection after gamma correction

圖18 Retinex算法后行人檢測(cè)結(jié)果Figure 18 Results of pedestrian detection after Retinex algorithm

圖19 本文方法預(yù)處理后的行人檢測(cè)結(jié)果Figure 19 Results of pedestrian detection after preprocessing in this paper

經(jīng)過(guò)梯度方向直方圖 (Histogram of Oriented Gradients,HOG)對(duì)光照不同的圖像進(jìn)行行人檢測(cè)后，得到的行人檢測(cè)人數(shù)及準(zhǔn)確性如下表2所示：

表2 夜晚光照弱情況下行人檢測(cè)實(shí)驗(yàn)結(jié)果Table 2 Results of pedestrian detection under weak light at night

表3 夜晚光照弱情況下行人檢測(cè)實(shí)驗(yàn)結(jié)果Table 3 Results of pedestrian detection results under weak light at night

其中，伽馬校正在圖1中雖然的檢測(cè)出的人數(shù)的數(shù)量與實(shí)際人數(shù)數(shù)量相同，但存在這一個(gè)誤判。從表中可以看出，采用本文所提出的預(yù)處理算法得到的預(yù)處理圖像對(duì)行人檢測(cè)實(shí)驗(yàn)有一定的幫助，得到的效果更好。

5 總結(jié)

基于伽馬校正后的多尺度Retinex算法通過(guò)多組實(shí)驗(yàn)驗(yàn)證，此方法可以有效的提高圖像的對(duì)比度，避免了直方圖均衡化帶來(lái)的圖像信息簡(jiǎn)并情況，有效的解決了Retinex算法的泛白，整體呈灰色的情況，同時(shí)還能降低伽馬校正對(duì)高光區(qū)校正不足的影響。從而體現(xiàn)出基于伽馬校正后的多尺度Retinex算法在特定的光照條件下的處理效果，在特定的受光照污染的圖像行人檢測(cè)的預(yù)處理上效果更佳。