林劍萍，廖一鵬

(1. 陽光學(xué)院 人工智能學(xué)院，福建 福州 350015;2. 福州大學(xué) 物理與信息工程學(xué)院, 福建 福州 350108)

1 引 言

低照度圖像對比度較低，細(xì)節(jié)丟失嚴(yán)重，不利于人眼觀察和計算機(jī)視覺算法的使用。因此，有效的圖像增強(qiáng)算法對后續(xù)圖像分析和圖像理解非常重要。

圖像增強(qiáng)的主流算法包括：直方圖均衡化、Retinex、分?jǐn)?shù)階微分、模糊集理論及多尺度變換等[1-2]。直方圖均衡化的增強(qiáng)算法，整體對比度有明顯提高，但會出現(xiàn)過增強(qiáng)、微弱信息被丟失的情況[3-5]。萬智萍[6]等提出的結(jié)合人眼視覺特性與直方圖均衡化的增強(qiáng)算法，改善了圖像的整體視覺效果，但不可避免地出現(xiàn)微弱信息丟失、放大噪聲以及局部信息被弱化等情況。Land[7]等人提出的 Retinex 理論被廣泛用于圖像增強(qiáng)，其中最經(jīng)典的是單尺度 Retinex(Single scale Retinex，SSR)[8]與多尺度 Retinex(Multi-scale Retinex，MSR)[9]算法，它們均以高斯濾波器作為低通濾波器， 雖然算法簡單，但增強(qiáng)后的圖像光暈現(xiàn)象嚴(yán)重，且算法是基于時域的增強(qiáng)方法，處理低照度圖像時會出現(xiàn)細(xì)節(jié)丟失、邊緣模糊等現(xiàn)象。Elad[10]等提出基于雙邊濾波(bilateral filter)的 Retinex 算法, Wang[11]等提出基于引導(dǎo)濾波(guided filter)[12]的 Retinex 算法， 張詩[13]等提出的基于Retinex的引導(dǎo)濾波變分框架低照度圖像增強(qiáng)算法， 盡管這些濾波器具有一定的保邊平滑能力, 但在維持保邊能力的同時難以做到對圖像充分平滑, 使得照度圖像估計仍然存在偏差。云海姣[14]等人提出了結(jié)合直方圖均衡和模糊集理論的紅外圖像增強(qiáng)，克服了過增強(qiáng)和局部信息被弱化等問題，但是在計算能力、去模糊化等方面的效果仍有待加強(qiáng)。國外學(xué)者提出多尺度理論后，基于變換域如Wavelet 變換、Contourlet 變換及非下采樣 Contourlet 變換的增強(qiáng)算法大批涌現(xiàn)。在國內(nèi)，朱國慶[15]等人提出一種基于人類視覺系統(tǒng)的亮度掩蔽和對比度掩蔽特性的NSCT 域紅外圖像增強(qiáng)算法, 該算法能夠有效地對圖像局部和整體進(jìn)行增強(qiáng), 同時能夠避免產(chǎn)生過增強(qiáng)現(xiàn)象,但圖像紋理細(xì)節(jié)還不夠豐富。陳慶利[16]等人提出的基于分?jǐn)?shù)階微分的增強(qiáng)算法，能使紋理細(xì)節(jié)信息豐富，但整體動態(tài)范圍呈現(xiàn)壓縮趨勢，不便于人眼觀察。朱丹丹[17]等人提出了Contourlet變換和遺傳算法相結(jié)合的瀝青紅外圖像增強(qiáng)方法，能有效地抑制噪聲,提高清晰度，但會出現(xiàn)“混疊”現(xiàn)象。曹美[18]等人提出的基于非下采樣 Contourlet 變換的增強(qiáng)算法，并結(jié)合直方圖均衡化，能有效提高圖像的整體效果，同時能抑制噪聲的放大，但對局部的增強(qiáng)不太理想；Cao[19]等人提出了基于NSCT和分?jǐn)?shù)微分的深度圖像增強(qiáng)與檢測方法，該方法能有效地增強(qiáng)圖像的深度和檢測噪聲，但在處理復(fù)雜物體和室外光線情況時仍然是一個挑戰(zhàn)。

針對上述算法的不足，本文結(jié)合NSCT變換和改進(jìn)的Retinex、分?jǐn)?shù)階微分，對低照度圖像進(jìn)行多尺度增強(qiáng)處理。首先將圖像NSCT多尺度分解，獲得低頻子帶圖像和高頻子帶系數(shù)，結(jié)合改進(jìn)的Retinex算法對低頻分量進(jìn)行增強(qiáng)，提高圖像輪廓的清晰度，擴(kuò)展其灰度級的動態(tài)范圍；然后將高頻經(jīng)Bayes閾值隔離噪聲后利用自適應(yīng)分?jǐn)?shù)階微分進(jìn)行增強(qiáng)，提升圖像的邊緣和紋理細(xì)節(jié)；最后對處理后的圖像進(jìn)行NSCT重構(gòu)，獲取增強(qiáng)后的低照度圖像。將本文算法與其他增強(qiáng)算法進(jìn)行主觀與客觀的對比和分析，本文算法克服了上述算法存在的光暈現(xiàn)象、模糊現(xiàn)象、細(xì)節(jié)丟失和“混疊”等現(xiàn)象，改善了圖像整體的視覺效果。

2 NSCT域低照度圖像增強(qiáng)

2.1 低照度圖像NSCT分解

Contourlet 變換能較為理想地描述或表征光滑曲線的邊緣，但不可避免地產(chǎn)生頻譜混疊失真現(xiàn)象。NSCT變換主要是通過一種迭代方式獲得多分辨率、高冗余度、多方向及各向異性的表示方法[20]。在分解和重構(gòu)過程中，都沒有涉及到下采樣，使其擁有平移不變性。NSCT變換的結(jié)構(gòu)與Contourlet變換類似，如圖1所示。

圖1 NSCT變換三級分解結(jié)構(gòu)圖Fig.1 Three-level decomposition structure of NSCT transform

NSCT變換根據(jù)獨(dú)特濾波構(gòu)造實(shí)現(xiàn)多尺度分解，首先由NSP對輸入圖像進(jìn)行塔形分解，得到低頻子帶和多個帶通子帶，然后采用非下采樣方向?yàn)V波器組(NSDFB)對各個帶通子帶進(jìn)行多方向分解，得到多個不同方向的高頻子帶圖像，最后得到一個低頻近似圖像和多個不同尺度方向的高頻子帶圖像，而且這些圖像的分辨率都和原始圖像相同。

2.2 低頻子帶改進(jìn)雙邊濾波Retinex增強(qiáng)

一般情況，待處理圖像經(jīng)過 NSCT 變換分解得到的低頻分量集中反映的是大量的基本信息，也就是其輪廓，一般不含有噪聲。因此，對低通子帶系數(shù)處理的關(guān)鍵是要擴(kuò)展其灰度級的動態(tài)范圍。相比于傳統(tǒng)的線性、非線性算法只能增強(qiáng)圖像的某一特征，Retinex 算法可以在顏色恒常、對比增強(qiáng)、動態(tài)范圍壓縮等方面達(dá)到平衡，增強(qiáng)效果尤為顯著[21]，故本文采用 Retinex 算法并加以改進(jìn)。

Retinex 模型對理想圖像的定義，可以表述為：

f(x,y)=r(x,y)×i(x,y)，

(1)

式中：f(x,y)為理想圖像；i(x,y)為照度圖像，其根據(jù)場景的不同照明程度而變化；r(x,y)為反射圖像，其與場景本身的自然屬性相關(guān)，通常體現(xiàn)的是場景的細(xì)節(jié)特征，與照度分量沒有絲毫的相關(guān)性。

Retinex圖像增強(qiáng)的目的就是從待處理圖像f中估計出照度圖像i，同時去除照度分量信息i，從而分解出反射圖像r，消除或降低光照不均的影響，以改善圖像的視覺效果。一般做法是：將圖像轉(zhuǎn)至對數(shù)域，從而將乘積關(guān)系轉(zhuǎn)換為和的關(guān)系，如式(2)所示；然后歸一化去除圖像照度分量；將去除了照度分量的圖像求指數(shù)，反變換到實(shí)數(shù)域后輸出。

lg[f(x,y)]=lg[r(x,y)×i(x,y)]=
lg[r(x,y)]+lg[i(x,y)]，

(2)

算法流程如圖2所示。

圖2 Retinex算法流程圖Fig.2 Algorithm flow char of Retinex

一般的Retinex算法在對光照圖像估計時，都會假設(shè)初始光照圖像是緩慢變化的，即光照圖像是平滑的，但實(shí)際情況并非如此，在亮度相差很大的區(qū)域邊緣處，圖像的光照變化是不平滑的，在這種情況下，Retinex算法在此區(qū)域會出現(xiàn) “光暈”現(xiàn)象。

本文對Retinex算法進(jìn)行改進(jìn)，具體如下：

借助非線性的雙邊濾波函數(shù)估計其照度分量。通過空間鄰域?yàn)V波器和值域?yàn)V波器進(jìn)行光照強(qiáng)度的改變，雙邊濾波算法定義為：

(3)

歸一化函數(shù)表述為：

(4)

式中：f(x)表示原始圖像在點(diǎn)x處的灰度值，h(x)表示輸出圖像在點(diǎn)x處的灰度值，g(φ,x)表示臨近點(diǎn)φ與中心點(diǎn)x之間的距離相似程度，s(f(φ),f(x))表示臨近點(diǎn)φ與中心點(diǎn)x之間的灰度相似程度。雙邊濾波的距離相似度和灰度相似度都取參數(shù)為歐氏距離的高斯核，具體如下：

(5)

式中，d(φ,x)=‖φ-x‖表示φ與x兩點(diǎn)之間的歐式距離。

(6)

式中，δ(φ,f)=‖φ-f‖表示φ與f2個灰度值之差。

照度分量表示圖像的動態(tài)范圍，需對其進(jìn)行校正。Gamma校正(冪律變換)是一種重要的非線性變換，是對輸入圖像灰度值進(jìn)行指數(shù)變換，可以提高圖像的動態(tài)范圍，主要運(yùn)用在圖像增強(qiáng)，目標(biāo)檢測及圖像分析等領(lǐng)域。本文采用Gamma校正函數(shù)校正照度分量。表示如下：

(7)

式中：γavg′為校正后的照度分量，γ1、γ2分別為兩濾波器的照度，Kavg為自變量Kavg1、Kavg2由人為進(jìn)行設(shè)定。

反射分量中也存在許多重要特征信息，適當(dāng)?shù)男Ｕ梢载S富其層次性，本文利用影響因子對其進(jìn)行校正，校正公式表述為：

?′=α×?，

(8)

式中：α為影響因子，即增強(qiáng)的倍數(shù)，?為反射分量。

改進(jìn)Retinex算法的實(shí)現(xiàn)如圖3所示。先將圖像轉(zhuǎn)至對數(shù)域，借助非線性的雙邊濾波函數(shù)進(jìn)行照度估計，然后利用Gamma校正函數(shù)，對輸入圖像的照度分量灰度值進(jìn)行指數(shù)變換，完成照度校正；將去除了照度分量的圖像求指數(shù)，反變換到實(shí)數(shù)域，利用影響因子校正其反射分量；最后將校正過的照度分量和反射分量相乘后輸出。該算法增強(qiáng)了圖像的整體輪廓，擴(kuò)展其灰度級的動態(tài)范圍，克服了光暈和模糊現(xiàn)象。

圖3 改進(jìn)Retinex算法的實(shí)現(xiàn)Fig.3 Implementation of improved Retinex

2.3 高頻子帶的自適應(yīng)分?jǐn)?shù)階微分增強(qiáng)

經(jīng)過NSCT變換分解得到的高頻方向子帶系數(shù)往往包括大部分的邊緣信息、紋理細(xì)節(jié)及幾乎全部的噪聲。一般情況下，復(fù)雜紋理和細(xì)節(jié)及弱邊緣特征信息出現(xiàn)在子帶絕對值較大的系數(shù)間，故需要將其進(jìn)行保留或增強(qiáng)處理，而噪聲存在于高頻子帶中絕對值較小的系數(shù)中，會影響圖像整體效果，需加以抑制。為了達(dá)到更為理想的增強(qiáng)效果，將分解得到的高頻子帶系數(shù)進(jìn)行Bayes Shrink閾值處理，不同尺度、不同方向上小于閾值的系數(shù)將其置0，對大于閾值的系數(shù)進(jìn)行保留，并對保留后的系數(shù)利用改進(jìn)分?jǐn)?shù)階微分算法做進(jìn)一步的增強(qiáng)處理。

2.3.1 Bayes Shrink閾值去噪

由Bayes Shrink閾值函數(shù)T構(gòu)造得：

(9)

式中：Zj,k(m,n)為第j尺度、第k方向的NSCT系數(shù)，Tj,k(m,n)為局部閾值，其計算公式如式(10)所示：

(10)

式中：σj,k為噪聲的標(biāo)準(zhǔn)差，σz(m,n)為信號的局部標(biāo)準(zhǔn)差，其計算公式如式(11)和式(12)所示：

(11)

(12)

2.3.2 改進(jìn)分?jǐn)?shù)階微分算法

目前Riemann-Liouville(R-L)定義、Grumwald-Letnikov(G-L) 定義、Caputo定義是比較經(jīng)典的分?jǐn)?shù)階微分定義。在數(shù)字圖像處理中， G-L 定義得到廣泛的應(yīng)用，其數(shù)學(xué)表達(dá)式為：

(13)

其中：D表示此式為分?jǐn)?shù)階微積分，GL表示該分?jǐn)?shù)階微分采用Grumwald-Letnikov(G-L)定義，h表示積分時間步長。

若f(t)的持續(xù)期t∈[a,b]，將函數(shù)持續(xù)期間[a,b]按單位間隔h=1進(jìn)行等分，得到：

(14)

則一元函數(shù)f(t)的v階分?jǐn)?shù)階微分差分表達(dá)式為：

(15)

求取5×5八方向的分?jǐn)?shù)階微分掩膜算子，并疊加得到圖4所示的掩膜。

ν2-ν2ν2-ν2ν2-ν20-ν-ν-ν0ν2-ν2-ν1×8-ν00-ν-ν-ν0ν2-ν2ν2-ν2ν2-ν2

圖4 8個方向偏微分疊加后的掩膜

Fig.4 Mask superposed by partial integrals of 8 directions

文獻(xiàn)[22]、[23]證明，相較于整數(shù)階微分，分?jǐn)?shù)階微分進(jìn)行邊緣檢測時，不僅能夠很好提取圖像邊緣信息，而且還能夠?qū)ζ交瑓^(qū)域的弱邊緣信息有很好的保留。

(1)Otsu算法選取最佳閾值

閾值的選取尤為關(guān)鍵，閾值的好壞直接決定了圖像的增強(qiáng)效果。Otsu算法即最大類間方差法，其魯棒性強(qiáng)、實(shí)時性和精準(zhǔn)性高[24]。但傳統(tǒng)的二維Otsu算法難以精準(zhǔn)識別圖像的邊緣和紋理信息。李博[25]等對傳統(tǒng)的二維Otsu算法進(jìn)行改進(jìn)，以所選圖像的梯度為對象，關(guān)聯(lián)像素點(diǎn)與鄰域像素點(diǎn)的信息，同時構(gòu)建二維直方圖，并借助整體輪廓與邊緣細(xì)節(jié)的類間方差的極大值獲得最優(yōu)閾值。

對于待處理圖像f(i,j),L為灰度級數(shù)，M(i,j)為像素點(diǎn)(i,j)各方向上梯度平均值的集合統(tǒng)稱，N(i,j)為像素點(diǎn)(i,j)各鄰域梯度的平均值。

(16)

(17)

上面兩式所對應(yīng)的均值μ0與μ1分別表述為：

(18)

(19)

由μ0與μ1兩向量構(gòu)成的二維直方圖的均值μT可表述為：

(20)

由于分布在對角線位置的數(shù)值較小且對最終的結(jié)果影響不大，故可忽略不計。因此，類間的散度矩陣SB即最佳閾值，可表述為：

(21)

(2)確定最優(yōu)階數(shù)v進(jìn)行自適應(yīng)增強(qiáng)

(22)

圖5 自適應(yīng)分?jǐn)?shù)階微分算法的實(shí)現(xiàn)Fig.5 Implementation of adaptive fractional differential algorithms

自適應(yīng)分?jǐn)?shù)階微分算法的實(shí)現(xiàn)如圖5所示。求待處理圖像f(i,j)像素點(diǎn)(i,j)各方向上梯度平均值的集合M(i,j)，像素點(diǎn)(i,j)各鄰域梯度的平均值N(i,j)。利用Otsu算法選取最佳閾值S，再用構(gòu)造的分?jǐn)?shù)階微分的分段函數(shù)優(yōu)化分?jǐn)?shù)階微分的階數(shù)v，再把v代入掩膜算子，從而實(shí)現(xiàn)對分解獲得的高頻方向子帶系數(shù)進(jìn)行自適應(yīng)分?jǐn)?shù)階微分增強(qiáng)。

3 本文算法流程與步驟

綜上分析，文中低照度圖像多尺度增強(qiáng)算法流程如圖6所示，具體實(shí)現(xiàn)步驟如下：

Step 1：經(jīng)配準(zhǔn)、校正等預(yù)處理后，采用NSCT變換對原始圖像進(jìn)行多尺度多方向的分解；

Step 2：經(jīng)NSCT多尺度變換分解后，得到低頻子帶近似分量，并根據(jù)雙邊濾波器的特性來估計照度分量，同時反射分量與照度分量借助影響因子α、Kavg來分別進(jìn)行校正，從而對低頻子帶系數(shù)實(shí)現(xiàn)改進(jìn)Retinex算法的增強(qiáng)；

Step 3：求取像素梯度均值M和鄰域梯度均值N，根據(jù)二維Otsu算法選取最佳閾值S，并通過式(18)設(shè)定的分段函數(shù)來優(yōu)化分?jǐn)?shù)階微分的階數(shù)v，從而對分解獲得的高頻方向子帶系數(shù)進(jìn)行自適應(yīng)分?jǐn)?shù)階微分增強(qiáng)；

Step 4：對處理后的低頻子帶系數(shù)和高頻方向子帶系數(shù)進(jìn)行NSCT反變換，從而獲得增強(qiáng)后的圖像。

圖6 本文增強(qiáng)算法流程圖Fig.6 Flowchart of strengthened algorithm in this paper

4 實(shí)驗(yàn)仿真結(jié)果與分析

本文從Athena攝像機(jī)系統(tǒng)注冊的數(shù)據(jù)庫圖像中，選取不同場景的2幅紅外夜視圖像和2幅低亮度可見光圖像分別進(jìn)行仿真實(shí)驗(yàn)，如圖7和圖10所示。實(shí)驗(yàn)在臺式機(jī)(Windows 10操作系統(tǒng)，CPU：Pentium，RAM：4 GB)上采用Matlab R2016a軟件進(jìn)行仿真。其中，小波變換采用“db4”小波包進(jìn)行4層分解，而Contourlet變換以及NSCT變換均采用金字塔濾波器為“9-7”濾波器，方向?yàn)V波器組采用“dmaxflat”濾波器，分解的尺度均設(shè)定為3級，且每一級分解后所對應(yīng)的子帶方向數(shù)分別為2，4，8。實(shí)驗(yàn)過程中，為了更好地評判所提算法是否具有優(yōu)越性，本文將此算法與CLAHE(Contrast Limited Adaptive Histogram Equalization)算法、FD(fractional differential，v=0.6)算法、MSR(Multi-Scale Retinex)算法、基于Wavelet變換算法、基于Contourlet變換算法、基于NSCT變換算法、文獻(xiàn)[14]算法以及文獻(xiàn)[15]算法進(jìn)行對比實(shí)驗(yàn)，首先從人眼視覺感知的主觀角度進(jìn)行效果描述，再借助對比度(CR)、清晰度(AG)以及信息熵(IE)進(jìn)行客觀分析。對比度大的圖像通常層次感強(qiáng)，清晰度高，其計算公式為：

(a) 實(shí)驗(yàn)圖像1(a)Experimental image 1

(b) 實(shí)驗(yàn)圖像2(b) Experimental image 2

(23)

其中：δ(i,j)=|i-j|，即相鄰像素間的灰度差，pδ(i,j)即相鄰像素間的灰度差為δ的像素分布概率。清晰度是圖像的平均梯度，可以敏感地反映圖像對細(xì)小反差表達(dá)的能力，可用來評價圖像的清晰程度，同時反映出圖像中微小細(xì)節(jié)反差和紋理變換特征。其公式為：

(24)

其中:F為目標(biāo)圖像，M、N分別為圖像F的行數(shù)與列數(shù)。

信息熵的定義為：

(25)

對于一幅單獨(dú)的圖像，可以認(rèn)為其各像素的灰度值是相互獨(dú)立的樣本，則這幅圖像的灰度分布為p={p0,p1,…，pi…，pL-1},pi為灰度值等于i的像素與圖像總像素之比，L為圖像總像素的灰度級。

4.1 紅外夜視圖像增強(qiáng)效果分析

通過圖8可以發(fā)現(xiàn)，圖8(a)相比于原始圖像，好像去了層“霧”，目標(biāo)行人也較為清晰，但筑臺周邊的沙堆紋理等細(xì)節(jié)不易識別；圖8(b)中的目標(biāo)行人還算清晰，筑臺的黑色紋理容易識別出來，但整體對比度偏暗；圖8(c)中的目標(biāo)行人清晰可見，沙堆紋理也有一定凸顯，但引入了部分噪聲造成沙堆模糊化；圖8(d) ～(f)是基于多尺度幾何變換實(shí)現(xiàn)的，取得了一定的效果，紋路也更為細(xì)膩，但增強(qiáng)效果還有待進(jìn)一步提高；圖8(g)和圖8(h)相比于前面幾幅圖，效果更為顯著，其在增強(qiáng)對比度的同時能保留較多的紋路信息。但本文算法(圖8(i))能更有效地改善圖像的動態(tài)范圍，灰度色彩更為飽滿，如行人及筑臺黑色條紋清晰可見，彌補(bǔ)了類似過增強(qiáng)、細(xì)節(jié)丟失、局部信息被弱化及模糊化等不足，更具有豐富的邊緣、細(xì)節(jié)等特征信息，如筑臺兩側(cè)的石頭能清楚地辨識。

圖8 紅外圖像1用不同增強(qiáng)算法的效果對比圖Fig.8 Comparison map of infrared image 1 processed with different enhancement algorithms

從表1中的數(shù)據(jù)也可以發(fā)現(xiàn)，各種算法的對比度、清晰度及信息熵呈現(xiàn)逐漸提高的態(tài)勢，且本文算法的3個評價參數(shù)的數(shù)值均要高于其他幾種增強(qiáng)算法，相比于增強(qiáng)效果較為顯著的文獻(xiàn)[15]，對比度、清晰度及信息熵分別提高了10.4%，11.6%，2.5%。正好印證了主觀上的效果評價，可以讓圖像看起來更自然，更符合人眼視覺的直觀感受。

表1 各種算法處理實(shí)驗(yàn)圖像1后的客觀數(shù)據(jù)

Tab.1 Objective data of experimental image 1 processed with various algorithms

算 法對比度清晰度信息熵CLAHE11.617.946.85FD(v=0.6)12.778.576.99MSR13.188.847.04Wavelet變換17.5410.997.23Contourlet變換18.3111.137.33NSCT變換19.3311.257.38文獻(xiàn) [14]20.5211.517.46文獻(xiàn) [15]30.0715.967.57本文算法33.2117.817.76

通過圖9可以發(fā)現(xiàn)，相比于原始圖像，圖9(a)能較好地去除“白霧”，有一定的增強(qiáng)效果，房屋、樹木及柵欄較清晰，但路面的紋路丟失嚴(yán)重；圖9(b)的視覺效果還可以，且比圖9(a)具有更為豐富的路面紋理特征，但整體視覺效果有待改善；圖9(c)中的云層、房屋、樹木以及柵欄清晰可見，路面紋理也有一定的凸顯，但頂部背景信息偏暗；圖9(d)～(f)均取得了一定的效果，紋路也較為細(xì)膩，但動態(tài)壓縮范圍有待提高；圖9(g)和圖9(h)的路面紋理脈絡(luò)較細(xì)致，能給人直觀的畫面感。但本文算法(圖9(i))整體效果更為清晰可見，且道路紋理、道路中的白帶及屋頂?shù)臑踉七吘壍燃y理均能很好地展現(xiàn)給觀察者。從客觀角度出發(fā)，表2中的數(shù)據(jù)可以發(fā)現(xiàn)，本文算法的對比度、清晰度及信息熵也均高于其他幾種增強(qiáng)算法，相比于文獻(xiàn)[15]，對比度、清晰度及信息熵分別提高了9.6%，11.2%，1.4%，這對后續(xù)的識別、跟蹤及特征提取極為有利。

圖9 紅外圖像2用不同增強(qiáng)算法的效果對比圖Fig.9 Comparison map of infrared image 1 processed with different enhancement algorithms

4.2 低亮度可見光圖像增強(qiáng)效果分析

與紅外圖像增強(qiáng)效果類似，圖10(a)中的原始圖像好像被蒙上了一層紗，草叢中的細(xì)節(jié)信息也被“白霧”化。處理后，通過圖11可以發(fā)現(xiàn)，圖11(a)中的樹叢更為明朗，且飛機(jī)也更容易觀察到，與此同時，草叢的弱紋理細(xì)節(jié)呈現(xiàn)“白霧”化，細(xì)節(jié)丟失嚴(yán)重；圖11(b)能在去“霧”的同時，保留了草叢中的部分細(xì)節(jié)信息，但飛機(jī)、樹叢等特征的亮度偏暗，讓整體圖像看起來不明朗；圖11(c)與圖11(b)相比，有相似的對比度，且紋理特征信息有所體現(xiàn)，但丟失了大部分的微弱信息；圖11(d) ～(f)均取得了一定的效果，草叢紋路也較為細(xì)膩，但動態(tài)壓縮范圍有待提高；圖11(g)和圖11(h)中的草叢紋理部分脈絡(luò)較細(xì)致，有一定的“還原”作用，能給人直觀的畫面感，但圖11(g)的樹木看起來不那么真實(shí)，會出現(xiàn)“閃爍”的白點(diǎn)，圖11(h)中最右邊的那棵樹偏暗，與實(shí)際場景不匹配；本文算法避免了局部信息被弱化和細(xì)節(jié)不完整，圖11(i)中的草叢更為飽滿，飛機(jī)、草叢及樹叢分布看起來更加自然。從表3中數(shù)據(jù)同樣可以看出，3種參數(shù)呈現(xiàn)逐漸遞增的趨勢，且相比于文獻(xiàn)[15]分別提高了13.4%，10.1%，1.5%，這與主觀人眼察覺效果相匹配，進(jìn)一步印證了本文算法的優(yōu)秀特性。

表2 各種算法處理紅外圖像2后的客觀數(shù)據(jù)

Tab.2 Objective data of infrared image 2 processed with various algorithms

算 法對比度清晰度信息熵CLAHE19.2110.357.63FD(v=0.6)21.7711.447.59MSR27.8512.927.57Wavelet變換28.4113.296.91Contourlet變換33.5314.967.51NSCT變換33.5714.867.69文獻(xiàn) [14]34.5816.317.65文獻(xiàn) [15]51.4521.597.72本文算法56.4124.017.83

(a) 實(shí)驗(yàn)圖像1(a)Experimental image 1

(b) 實(shí)驗(yàn)圖像2(b) Experimental image 2

圖11 可見光圖像1用不同增強(qiáng)算法的效果對比圖Fig.11 Comparison map of visible image 1 processed with different enhancement algorithms

表3 各種算法處理可見光圖像1后的客觀數(shù)據(jù)

Tab.3 Objective data of visible image 1 processed with various algorithms

算法對比度清晰度信息熵CLAHE17.019.446.58FD(v=0.6)17.189.686.76MSR23.2511.747.31Wavelet變換23.3211.896.83Contourlet變換28.2214.577.27NSCT變換31.3516.397.46文獻(xiàn) [14]34.5814.427.56文獻(xiàn) [15]40.3219.267.46本文算法45.7121.217.57

圖12 可見光圖像2用不同增強(qiáng)算法的效果對比圖Fig.12 Comparison map of visible image 2 processed with different enhancement algorithms

與圖10(a)不同的是，圖10(b)中原始圖像的細(xì)節(jié)信息較不明顯，如飛機(jī)的螺旋槳，由于飛行高度非常高，導(dǎo)致背景區(qū)域信息不易識別，如相間的山谷與山峰。通過圖12中不同算法的實(shí)驗(yàn)仿真得知，圖12(a)～(e)對背景信息有一定的增強(qiáng)效果，類似“網(wǎng)狀”條紋能比較清楚地識別出，但機(jī)身、螺旋槳等目標(biāo)信息看起來偏暗，導(dǎo)致整體視覺效果偏差；圖12(f) ～12(h)相比于前面幾種算法，它們均能近似還原飛機(jī)的原始模樣，螺旋槳等細(xì)節(jié)信息也能很好地體現(xiàn)出來。因此，從主觀上看不出本文算法的優(yōu)勢。通過表4中3個參數(shù)的數(shù)據(jù)得知，本文算法的數(shù)據(jù)最優(yōu)，且相比于文獻(xiàn)[15]分別提高了9.5%，6.4%，3.7%，能很好地說明本文算法優(yōu)于其他算法。

表4 各種算法處理可見光圖像2后的客觀數(shù)據(jù)

Tab.4 Objective data of visible image 2 processed with various algorithms

算 法對比度清晰度信息熵算法對比度清晰度信息熵CLAHE16.898.745.91FD(v=0.6)19.889.736.67MSR21.4610.376.83Wavelet變換26.2111.816.72Contourlet變換27.9512.276.83NSCT變換28.6612.546.87文獻(xiàn) [14]29.7513.466.89文獻(xiàn) [15]37.1115.816.95本文算法40.6516.827.21

5 結(jié) 論

針對Retinex算法處理低照度圖像時會出現(xiàn)細(xì)節(jié)丟失、邊緣模糊等現(xiàn)象，文中提出了一種基于非下采樣Contourlet變換、結(jié)合改進(jìn)Retinex及分?jǐn)?shù)階微分的圖像增強(qiáng)算法。采用改進(jìn)的Retinex對低頻子帶圖像進(jìn)行增強(qiáng)處理，主要做法是引入非線性的雙邊濾波函數(shù)估計待處理圖像的照度分量，并對處理后的照度分量及反射分量進(jìn)行校正操作，消除了“光暈”現(xiàn)象的同時改善了圖像視覺效果。針對傳統(tǒng)固定階次的分?jǐn)?shù)階微分算法存在的諸多缺陷，根據(jù)圖像鄰域分布特征，求取像素梯度均值及鄰域梯度均值，通過二維Otsu算法獲得最佳閾值，并通過預(yù)設(shè)定的分段函數(shù)確定最優(yōu)階數(shù)，自適應(yīng)進(jìn)行增強(qiáng)處理，使圖像的邊緣、紋理等細(xì)節(jié)更加清晰。實(shí)驗(yàn)結(jié)果表明，本文算法的對比度、清晰度及信息熵均高于其他幾種增強(qiáng)算法，相比于文獻(xiàn)[15]分別提高了10.7%，9.8%，2.3%。本文算法處理后的圖像在細(xì)節(jié)、邊緣保持等方面都優(yōu)于其他算法，改善了圖像視覺效果。