趙 瀟， 張林華， 黃應(yīng)年

（云南電網(wǎng)有限責(zé)任公司楚雄供電局，云南楚雄 675000）

隨著數(shù)字圖像處理和計(jì)算機(jī)視覺(jué)的不斷發(fā)展，使用無(wú)人機(jī)通過(guò)巡航方式進(jìn)行圖像采集的應(yīng)用越來(lái)越普遍. 無(wú)人機(jī)在光照不均的條件下采集的低光照?qǐng)D像具有低照度特征，給后期無(wú)人機(jī)的高效工作帶來(lái)很大的不便，在很多大程度上抑制了無(wú)人機(jī)在圖像檢測(cè)領(lǐng)域的應(yīng)用與發(fā)展. 國(guó)內(nèi)外研究學(xué)者對(duì)提高圖像質(zhì)量和對(duì)比度進(jìn)行了大量的研究并獲得了一定的成果突破，具有顯著性成果的算法主要分為以下三類.

1）直方圖均衡化是增強(qiáng)圖像對(duì)比度常見(jiàn)的方法之一，拉伸了圖像的灰度級(jí)動(dòng)態(tài)范圍，提高了圖像的對(duì)比度，使得圖像的目標(biāo)與背景區(qū)分度較大［1］. 直方圖均衡化又包括全局直方圖均衡［2］和局部直方圖均衡［3-5］.局部直方圖均衡化的效果較好，目前為止具有突出性的算法包括亮度保持雙直方圖均衡［6］和最小平均亮度誤差雙直方圖均衡［7］.

2）圖像融合技術(shù)主要是在一樣的環(huán)境中使用傳感器圖像進(jìn)行互補(bǔ)操作，進(jìn)行多種圖像的特征融合，主要分為兩類：一種是基于單幅圖像的圖像融合，另一種是基于多幅圖像的圖像融合增強(qiáng)算法. Ancuti等［8］針對(duì)圖像去霧問(wèn)題，提出了一種根據(jù)單幅圖像的多尺度融合的圖像增強(qiáng)方法，根據(jù)權(quán)重圖融合增強(qiáng)信息達(dá)到圖像增強(qiáng)的效果. Liu等［9］將卷積稀疏信號(hào)引入了圖像融合當(dāng)中，將圖像拆解成了基礎(chǔ)層和細(xì)節(jié)層來(lái)達(dá)到圖像增強(qiáng)的目的. 為提高局部圖像區(qū)域的輪廓細(xì)節(jié)的清晰度和顏色保真的效果，徐少平等［10］提出了一種基于深度學(xué)習(xí)結(jié)合圖像融合混合的低照度圖像增強(qiáng)算法. 蘆海利［11］為了解決無(wú)人機(jī)采集圖像的分辨率低的問(wèn)題，提出了使用特征點(diǎn)檢測(cè)結(jié)合距離加權(quán)方法進(jìn)行圖像增強(qiáng).

3）無(wú)人機(jī)在快速巡航工作中會(huì)采集海量圖片，不可避免地會(huì)存在對(duì)比度較低、分辨率小的缺點(diǎn). 為解決這一問(wèn)題，陳花衛(wèi)和譚文斌［12］提出了基于人眼視覺(jué)特性的圖像增強(qiáng)算法，通過(guò)引入非線性的灰度變換來(lái)拉伸圖像的灰度值，增強(qiáng)圖像的邊緣信息. 陳科羽和石書(shū)山［13］針對(duì)無(wú)人機(jī)巡檢線路時(shí)采集圖像的對(duì)比度較低等問(wèn)題，提出了一種基于超像素分割的紅外圖像增強(qiáng)算法. 王浩等［14］為提高無(wú)人機(jī)海量數(shù)據(jù)處理的實(shí)時(shí)性和效率，提出了在GPU平臺(tái)的Retinex圖像增強(qiáng)算法的并行處理. 針對(duì)無(wú)人機(jī)在大霧天氣拍攝圖像的低質(zhì)量問(wèn)題，孫乙丁［15］提出了Retinex算法來(lái)達(dá)到圖像清晰的目的，提高了無(wú)人機(jī)在高噪聲背景下的圖像識(shí)別和目標(biāo)檢測(cè)的能力.韓小強(qiáng)［16］為解決霧霾極端天氣圖像質(zhì)量下降的問(wèn)題，提出了邊緣檢測(cè)的自適應(yīng)分割算法，結(jié)合Sobel邊緣檢測(cè)和大津法OSTU進(jìn)行分割，最后通過(guò)SLIC暗通道實(shí)現(xiàn)去霧處理. 周志清［17］為了對(duì)無(wú)人機(jī)采集的圖像進(jìn)行增強(qiáng)，提出了使用改進(jìn)的Luck-Richardson 算法進(jìn)行去模糊處理，識(shí)別成功準(zhǔn)確率達(dá)到90%以上. 為了對(duì)產(chǎn)品包裝外裝進(jìn)行光照補(bǔ)償，張麗娟和朱會(huì)龍［18］對(duì)采集的圖像進(jìn)行去噪，使用光照補(bǔ)償技術(shù)進(jìn)行圖像自適應(yīng)增強(qiáng). 史韶杰等［19］為了實(shí)現(xiàn)CT圖像增強(qiáng)，提出了使用多尺度曝光融合的對(duì)比度增強(qiáng)算法. 韓守武和康永強(qiáng)［20］為了提高圖像采集的質(zhì)量，提出了使用視覺(jué)傳達(dá)技術(shù)的光照干擾圖像增強(qiáng)的方法，首先去除圖像的亮度分量，然后與圖像進(jìn)行融合處理，結(jié)果表明具有較好的圖像增強(qiáng)效果. 阮順領(lǐng)等［21］為了提高煤礦井下圖像的質(zhì)量，采用自適應(yīng)MSRCP算法進(jìn)行圖像增強(qiáng)，采用粒子群優(yōu)化算法結(jié)合多尺度Retinex算法進(jìn)行參數(shù)調(diào)整，圖像質(zhì)量有了顯著的提高.

綜上所述，現(xiàn)有的圖像增強(qiáng)算法雖然在大霧、夜間拍攝條件下的圖像質(zhì)量的提高上有明顯效果. 但是至今仍然沒(méi)有很有效地消除圖像的局部曝光不足、光暈和圖像的輪廓紋理不清晰等問(wèn)題. 對(duì)此，本研究提出了一種改進(jìn)的低照度圖像增強(qiáng)算法，首先需要對(duì)采集的圖像使用高斯模糊函數(shù)繼續(xù)平滑實(shí)現(xiàn)去噪，然后根據(jù)計(jì)算得到的亮度系數(shù)劃分圖像的亮暗區(qū)域，最后進(jìn)行亮度的修正，并使用三次快速均值濾波進(jìn)行去噪. 在大霧和光照不均的條件下各采集了50幅圖像進(jìn)行圖像增強(qiáng)算法的有效性驗(yàn)證，以期提高圖像增強(qiáng)算法的有效性和魯棒性，為無(wú)人機(jī)在惡劣條件下采集的低照度圖像提供了一種新的方法.

1 材料與方法

1.1 圖像采集

本文中研究的對(duì)象是在光照不均的條件下采集的低光照?qǐng)D像，低照度的情況在日常生活中隨處可見(jiàn)，比如黃昏、大霧和黎明的情況，無(wú)人機(jī)在這種條件下采集得到的圖像具有低照度特征，其分辨率為2340 像素×1080 像素，共100 張圖像. 如圖1 所示為在光照不均的條件下采集的圖像，從圖1（a）中可以看出夜間拍攝的圖像周圍環(huán)境較暗，光照不均勻，圖像中的目標(biāo)細(xì)節(jié)信息沒(méi)能足夠地突顯出來(lái)；從圖1（b）中可以看出在大霧條件下拍攝的圖像整體較暗，對(duì)比度較低，這兩幅圖像不能夠很好地進(jìn)行特征提取.

圖1 采集的低照度圖像Fig.1 Collected low illumination images

1.2 改進(jìn)的低照度圖像增強(qiáng)算法總體實(shí)現(xiàn)方案

改進(jìn)的低照度圖像增強(qiáng)算法總體實(shí)現(xiàn)方案流程如圖2所示，主要分為四個(gè)部分：第一，對(duì)采集的低照度圖像使用高斯模糊函數(shù)進(jìn)行圖像去噪達(dá)到平滑的目的，在1.3節(jié)作了詳細(xì)介紹；第二，將低照度圖像從RGB顏色空間轉(zhuǎn)換成灰度圖像，然后根據(jù)計(jì)算到的亮度系數(shù)劃分亮暗區(qū)域，在第1.4節(jié)作了詳細(xì)介紹；第三，計(jì)算修正系數(shù)并進(jìn)行亮度修正，在第1.5節(jié)作了詳細(xì)介紹；第四，采用三次快速均值濾波進(jìn)行去噪，在第1.6節(jié)作了詳細(xì)介紹.

圖2 改進(jìn)的圖像增強(qiáng)算法總體技術(shù)路線流程Fig.2 Overall technical flow chart of improved image enhancement algorithm

1.3 高斯模糊濾波器

無(wú)人機(jī)在大霧天氣和光照不均的環(huán)境下采集的低照度圖像存在細(xì)節(jié)輪廓不清晰、曝光不足和效果較差的特點(diǎn)，因此需要對(duì)采集的低照度圖像進(jìn)行平滑操作，即平滑濾波.

在數(shù)字圖像處理技術(shù)領(lǐng)域，卷積運(yùn)算就是使用卷積核對(duì)低照度圖像的每個(gè)像素進(jìn)行操作運(yùn)算. 需要對(duì)卷積核的權(quán)重參數(shù)進(jìn)行初始化. 將卷積核作用于低照度圖像，進(jìn)行從上到下和從左往右的滑動(dòng)進(jìn)行運(yùn)算.如式（1）所示.

式中：(x,y)表示目標(biāo)圖像的像素點(diǎn)坐標(biāo)；G(x,y)表示卷積運(yùn)算之后的像素值；r表示卷積核的半徑；s(x,y)表示低照度圖像的初始像素值；f(u,v)表示卷積核在坐標(biāo)(u,v)位置的像素值.

高斯模糊函數(shù)是以高斯分布的去噪濾波函數(shù)，指的是去掉圖像的高頻部分，從而達(dá)到圖像平滑目的. 一維高斯分布的概率密度函數(shù)如式（2）所示.

式中：w表示高斯卷積核的期望值；σ2表示高斯卷積核的方差值.

1.4 局部亮暗區(qū)域的劃分

無(wú)人機(jī)在巡航工作時(shí)會(huì)出現(xiàn)采集圖像從中心向邊緣的亮度逐漸變暗，中心與邊緣的亮度差異較大. 為了便于后期圖像算法的處理，因此需要對(duì)低照度圖像進(jìn)行亮暗區(qū)域的劃分，并通過(guò)調(diào)整修正系數(shù)，使采集的圖像亮度進(jìn)行統(tǒng)一.

在進(jìn)行亮暗區(qū)域劃分之前需要將低照度圖像轉(zhuǎn)換到Y(jié)UV顏色空間，顏色空間的轉(zhuǎn)換能夠更好地保持原有的色彩結(jié)構(gòu)，可以很大程度上不傷害原有的圖像色彩關(guān)系.

在歐洲國(guó)家，YUV（即YCrCb）顏色空間由一個(gè)亮度分量Y和兩個(gè)色度分量U和V可組成不同的顏色.Y表示明亮度，也就是灰階值；而U和V表示的則是色度，可以用來(lái)描述圖像的色彩和飽和度，作用是指定圖像像素的顏色. RGB顏色空間轉(zhuǎn)換到Y(jié)UV顏色空間如式（3）所示.

可以看出YUV顏色空間是通過(guò)RGB顏色空間線性轉(zhuǎn)換得到的，因此不會(huì)丟失原圖像的信息，YUV顏色空間具有將顏色中的亮度信息提取出來(lái)的優(yōu)點(diǎn)，對(duì)光照強(qiáng)度的變化適應(yīng)性強(qiáng). 因此需要將Y亮度分量進(jìn)行提取，進(jìn)行亮暗區(qū)域的劃分.

主要步驟如下：①首先將原始圖像轉(zhuǎn)換到Y(jié)UV顏色空間，進(jìn)行Y亮度分量的提取；②獲取Y亮度分量的直方圖，設(shè)置均值點(diǎn)像素值128；③計(jì)算亮度分量的像素點(diǎn)偏離均值點(diǎn)（128）的像素值，小于均值低點(diǎn)定義為暗區(qū)域，大于均值點(diǎn)定義為亮區(qū)域.

1.5 局部亮暗區(qū)域的修正

本文是將低照度圖像進(jìn)行Y亮度分量進(jìn)行提取，然后進(jìn)行亮度的調(diào)整，然后再與U和V色差分量進(jìn)行融合. 在對(duì)Y分量圖進(jìn)行圖像變換時(shí)，需要使用映射函數(shù)將Y分量圖矩陣進(jìn)行變換，轉(zhuǎn)換為亮度調(diào)整后的目標(biāo)圖像矩陣.Y分量的像素變換如式（4）所示，經(jīng)過(guò)映射函數(shù)變換后的每個(gè)像素值都與映射前的同坐標(biāo)位置的像素值相互對(duì)應(yīng).

其中：pafter(i,j)表示亮度調(diào)整后的像素值；pbefore(i,j)表示亮度調(diào)整前的像素值；f( )pbefore(i,j) 表示將亮度調(diào)整前的像素值使用映射函數(shù)進(jìn)行變換.

映射函數(shù)常用的是線性變換，如式（5）所示，

其中：f(i,j)表示初始圖像像素值；g(i,j)表示映射后的像素值；α表示調(diào)整的修正系數(shù)；β表示調(diào)整亮度，也被稱為bias偏置值參數(shù).

修正系數(shù)表示像素值大小的不同，當(dāng)乘以alpha系數(shù)，當(dāng)alpha系數(shù)較大時(shí)，亮度的差異越大，即對(duì)比度得到了提高，當(dāng)alpha系數(shù)較小時(shí)，亮度的差異越小，即對(duì)比度得到了降低. bias偏置值表示在原有亮度值進(jìn)行相加. 當(dāng)bias偏置值為正數(shù)時(shí)，亮度提高，當(dāng)bias偏置值為負(fù)數(shù)時(shí)，亮度降低.

α修正系數(shù)的計(jì)算如式（6）所示，也就是將劃分后亮的區(qū)域部分像素A(xi,yi)與設(shè)定的均值點(diǎn)（128）進(jìn)行像素平均值的計(jì)算.

其中，(u,v)表示均值點(diǎn)128所在的像素坐標(biāo)；n表示亮的區(qū)域或暗的區(qū)域像素值的個(gè)數(shù).

經(jīng)過(guò)線性變換后的圖像如圖3所示，可以看出將線性函數(shù)作為映射函數(shù)調(diào)整對(duì)比度時(shí)，云的區(qū)域部分視覺(jué)看不清晰了，因此需引入非線性變換函數(shù)，又叫作Gamma correction，如式（7）所示.

圖3 線性變換的效果圖Fig.3 Effect images of linear transformation

其中：R表示亮度調(diào)整前的像素值；C表示亮度縮放系數(shù)；O表示非線性變換后的像素值.

該函數(shù)與線性變換函數(shù)不同，對(duì)不一樣的輸入圖像亮度值，其變換的程度是不同的. 如圖4 所示，當(dāng)γ<1時(shí)，表示當(dāng)前像素屬于暗的區(qū)域部分，通過(guò)非線性變換映射函數(shù)會(huì)提高圖片亮度，當(dāng)γ>1時(shí)，表示當(dāng)前像素屬于亮的區(qū)域部分，通過(guò)非線性變換映射函數(shù)會(huì)降低圖片亮度. 可以看出白云和線纜變亮的同時(shí)仍然保持了初始圖像的對(duì)比度，邊緣和輪廓比較突顯.

圖4 非線性變換后的效果圖Fig.4 Effect images of nonlinear transformation

1.6 快速均值濾波優(yōu)化算法

為了提高圖像處理算法的效率，減小算法計(jì)算的時(shí)間復(fù)雜度，確保算法計(jì)算量的快速收斂，因此需要對(duì)快速均值濾波算法進(jìn)行優(yōu)化處理.

1）積分圖. 積分圖理論算法由是在1984年由Crow設(shè)計(jì)的，目的是在透視變換的應(yīng)用中提高算法運(yùn)行速度. 積分圖算法能夠較快地計(jì)算圖像區(qū)域平方和. 該算法的根本原理就是根據(jù)每一張圖像建立屬于自身的積分圖查找表，在圖像的預(yù)處理過(guò)程中就可以依據(jù)事先建立的積分圖查找表快速尋找，以至于達(dá)到對(duì)均值卷積運(yùn)算的線性時(shí)間，使得卷積運(yùn)算的時(shí)間與窗口尺寸大小無(wú)關(guān). 該算法被應(yīng)用到了基于NCC 的快速匹配、目標(biāo)識(shí)別和SURF角點(diǎn)檢測(cè)、邊緣提取、快速濾波器等各方面.

積分圖算法的不足：①對(duì)積分圖算法的存儲(chǔ)空間有了更高的要求；②如果處理的目標(biāo)對(duì)象有大的分辨率，容易導(dǎo)致內(nèi)存數(shù)據(jù)的溢出.

積分圖是由初始圖像進(jìn)行計(jì)算得來(lái)的，人為設(shè)定初始圖像的尺寸是W×H，那么積分圖的尺寸大小是（W×1）×（H+1）. 積分圖中任意位置坐標(biāo)（x，y）的像素值，表示在初始圖像的坐標(biāo)（x，y）的左上角坐標(biāo)的像素值的總和. 和表的建立公式如式（8）所示，平方和表的建立如式（9）所示.

式中：img（x，y）表示初始圖像；（x，y）表示積分圖中像素的行列坐標(biāo).

2）卷積核分離. 根據(jù)卷積核分離的理論基礎(chǔ)能夠?qū)﹃?duì)列原理進(jìn)行更大的提速. 行列拆開(kāi)之后，等同于滑動(dòng)窗口均值濾波作用在了行和列. 在窗口滑動(dòng)的過(guò)程中，相鄰的窗口周邊的很多元素是重疊的，如圖5所示，8、5、10 和5、10、7 其中5 和10 就是重疊的. 滑動(dòng)窗口的作用過(guò)程就相當(dāng)于“隊(duì)列”不斷進(jìn)出的過(guò)程，當(dāng)滑動(dòng)窗口向右進(jìn)行1個(gè)像素移動(dòng)時(shí)候，等同于隊(duì)列中最左邊的像素出隊(duì)列，隊(duì)列中最右邊的像素進(jìn)隊(duì)列，現(xiàn)在位置坐標(biāo)像素的濾波結(jié)果就是目前隊(duì)列中元素的和再進(jìn)行平均計(jì)算，但前后隊(duì)列中的元素不需要重復(fù)的求和運(yùn)算，減小重復(fù)性的計(jì)算來(lái)提高計(jì)算效率.

圖5 隊(duì)列的滑動(dòng)窗口示意圖Fig.5 Schematic diagram of sliding window of queue

故對(duì)第i+1 個(gè)窗口進(jìn)行和運(yùn)算，Sum[i+1]能夠通過(guò)第i個(gè)窗口的和Sum[i]與最左x[i-r]最右x[i+r+1]的元素計(jì)算得到，如式（10）所示，然后就會(huì)得到與濾波器大小無(wú)關(guān)的算法.

其中：Sum 表示求和運(yùn)算；r表示濾波器半徑；i表示第i個(gè)窗口；x表示被濾波的元素.

程序中將掩模的尺寸大小設(shè)定為3×3，優(yōu)化之后的均值濾波運(yùn)算的時(shí)間對(duì)比如下.

OpenCV 函數(shù)運(yùn)行時(shí)間：0.268 4 ms；未經(jīng)優(yōu)化的函數(shù)運(yùn)行時(shí)間：70.625 1 ms；積分圖優(yōu)化后的函數(shù)運(yùn)行時(shí)間：38.074 9 ms；卷積核分離優(yōu)化后的函數(shù)運(yùn)行時(shí)間：43.629 8 ms.

將掩模尺寸大小設(shè)定為30×30，算法運(yùn)行時(shí)間如下.

OpenCV 函數(shù)運(yùn)行時(shí)間：4.709 ms；未經(jīng)優(yōu)化的函數(shù)運(yùn)行時(shí)間：63.062 2 ms；積分圖優(yōu)化后的函數(shù)運(yùn)行時(shí)間：38.086 3 ms；卷積核分離優(yōu)化后的函數(shù)運(yùn)行時(shí)間：45.367 3 ms.

可以看出：①卷積核分離方法與積分圖方法都做到了算法執(zhí)行時(shí)間與濾波器尺寸無(wú)關(guān)；②積分圖的算法比卷積核的分離方法運(yùn)算效率高.

2 圖像質(zhì)量評(píng)價(jià)指標(biāo)

為了對(duì)本文的圖像增強(qiáng)算法的有效性進(jìn)行驗(yàn)證，本研究使用仿真環(huán)境為Matlab 2015b，本文選用了無(wú)人機(jī)在夜間拍攝圖像、霧雪天氣拍攝圖像以及夜間城市燈光圖像進(jìn)行仿真對(duì)比實(shí)驗(yàn)，檢查其是否達(dá)到標(biāo)準(zhǔn). 本論文將三組圖像分別使用MSRCR 算法和本文圖像增強(qiáng)算法進(jìn)行處理，最終得到的處理后效果再與SSR、MSR和MSRCR算法進(jìn)行對(duì)比，并從主觀視覺(jué)和客觀質(zhì)量?jī)蓚€(gè)方面進(jìn)行分析驗(yàn)證.

2.1 主觀評(píng)價(jià)

主觀評(píng)價(jià)是一種較簡(jiǎn)單但是可行和重要的圖像質(zhì)量評(píng)價(jià)方法，接下來(lái)使用本文算法與SSR、MSR 和MSRCR 算法進(jìn)行圖像增強(qiáng)，得到的主觀效果如圖6 所示. 通過(guò)對(duì)比分析，可以總結(jié)出以下結(jié)論：①SSR 圖像增強(qiáng)算法容易使測(cè)試圖像顏色的失真性差，降低測(cè)試圖像的對(duì)比度，并且容易出現(xiàn)測(cè)試圖像進(jìn)行過(guò)增強(qiáng)；②MSR 常見(jiàn)的缺點(diǎn)是圖像邊緣得到的銳化能力不夠強(qiáng)，圖像的陰影邊界較為模糊，圖像的局部顏色會(huì)出現(xiàn)扭曲現(xiàn)象，圖像的紋理信息不夠清晰，圖像的亮光區(qū)域部分的輪廓細(xì)節(jié)沒(méi)能夠得到良好的改善，對(duì)圖像的亮光區(qū)域敏感度較小等；③MSRCR 圖像增強(qiáng)算法雖然在一定程度上能夠?qū)D像的顏色進(jìn)行一定的保真，但是圖像的邊緣輪廓信息不夠清晰，容易出現(xiàn)光暈，圖像質(zhì)量較差. 并且圖像的視覺(jué)效果不好；④本研究改進(jìn)的圖像增強(qiáng)算法視覺(jué)效果良好，顏色特征和亮度信息適中，圖像的輪廓細(xì)節(jié)信息和對(duì)比度都有所提高，與現(xiàn)有的SSR、MSR 和MSRCR 圖像增強(qiáng)算法相比較，本文改進(jìn)的圖像增強(qiáng)算法在視覺(jué)上有更好的效果.

圖6 低照度彩色圖像增強(qiáng)算法效果圖Fig.6 Effect images of low illumination color image enhancement algorithms

2.2 客觀評(píng)價(jià)

主觀的視覺(jué)評(píng)價(jià)在一定程度上能夠?qū)D像增強(qiáng)后的質(zhì)量效果作出評(píng)價(jià)，但是評(píng)價(jià)的可靠性會(huì)受到主觀色彩的影響，為了能夠更好地對(duì)本文算法的有效性進(jìn)行驗(yàn)證，選擇了峰值信噪比、平均梯度和信息熵對(duì)測(cè)試圖像進(jìn)行了客觀的評(píng)價(jià).

1）在數(shù)字圖像處理領(lǐng)域，峰值信噪比（PSNR）主要是對(duì)圖像的質(zhì)量進(jìn)行客觀評(píng)價(jià)，主要是衡量圖像的噪聲和圖像失真的情況. 當(dāng)峰值信噪比越大時(shí)，代表圖像的噪聲越少，圖像的失真程度越小，圖像的質(zhì)量更好，如式（11）所示.

其中：MSE表示目標(biāo)圖像的均方差；MSR（R）、MSE（G）和MSE（B）分別表示目標(biāo)圖像的R、G、B顏色分量的均方差；I（i，j）和k（i，j）分別表示圖像增強(qiáng)算法前后圖像的像素值；m和n分別表示目標(biāo)圖像的寬和高.

2）平均梯度（meangradient）反映了測(cè)試圖像的邊界和影線的灰度差異，更好地體現(xiàn)了圖像的細(xì)節(jié)和輪廓紋理信息. 平均梯度的值越大，那么圖像的輪廓信息越清晰，灰度的變化率越大，圖像的相對(duì)清晰度越大.平均梯度的表達(dá)如式（13）所示.

其中：m和n分別表示目標(biāo)圖像的寬和高表示圖像的水平位置的梯度；表示圖像垂直方向的梯度.

3）信息熵是用來(lái)表征信息不確定性的指標(biāo). 當(dāng)信息熵就會(huì)越大，那么信息的不確定性越大. 圖像處理中，還表示目標(biāo)圖像的平均信息量，當(dāng)信息熵的值越大，那么圖像的信息就會(huì)越豐富. 信息熵的表達(dá)如式（14）所示.

其中：P(i)表示像素i在目標(biāo)圖像中的概率.

本文算法與SSR、MSR和MSRCR算法的客觀比較結(jié)果如表1、表2和表3所示.

表1 不同算法對(duì)夜間拍攝圖像的增強(qiáng)算法結(jié)果對(duì)比Tab.1 Comparison of different enhancement algorithms for night images

表2 不同算法對(duì)大霧拍攝圖像的增強(qiáng)算法結(jié)果對(duì)比Tab.2 Comparison of different enhancement algorithms for fog images

表3 不同算法對(duì)夜間燈光拍攝圖像的增強(qiáng)算法結(jié)果對(duì)比Tab.3 Comparison of different enhancement algorithms for night light images

3 結(jié)論

本文提出了一種改進(jìn)的低照度圖像增強(qiáng)算法. 該算法首先對(duì)采集的低照度圖像用高斯模糊函數(shù)進(jìn)行圖像去噪，以便對(duì)圖像邊緣進(jìn)行平滑，然后劃分圖像的亮暗區(qū)域，將無(wú)人機(jī)采集的RGB圖像轉(zhuǎn)換成灰度圖像，然后計(jì)算灰度像素的均值和方差，通過(guò)計(jì)算亮度系數(shù)劃分亮暗區(qū)域，最后計(jì)算修正系數(shù)并進(jìn)行亮度修正. 根據(jù)滑動(dòng)窗口的像素均值與設(shè)定的均值點(diǎn)進(jìn)行計(jì)算得到修正系數(shù)，完成圖像亮度的修正，并采用三次快速均值濾波進(jìn)行去噪.

將本文圖像增強(qiáng)算法的結(jié)果從主觀視覺(jué)和客觀評(píng)價(jià)指標(biāo)兩個(gè)方面與現(xiàn)有的SSR、MSR和MSRCR算法進(jìn)行對(duì)比分析，實(shí)驗(yàn)結(jié)果表明本文的算法能夠有效地改善圖像局部亮度、提高圖像對(duì)比度和保留輪廓邊緣紋理信息.