李夢晗，楊利紅，薛澤臣，李敏敏，武銀子

(西安工業(yè)大學(xué)，光電工程學(xué)院，西安 710021)

目前圖像處理技術(shù)的應(yīng)用已經(jīng)滲透到城市交通[1]、視頻監(jiān)控[2]、航空航天[3]、軍事偵察[4]、指紋識別[5]等眾多領(lǐng)域，在國民經(jīng)濟(jì)中發(fā)揮著越來越大的作用。然而在傍晚、夜間或室內(nèi)不良照明等環(huán)境下，成像設(shè)備所獲取的圖像通常存在亮度和對比度過低、圖像細(xì)節(jié)嚴(yán)重丟失、無法提取有效視覺信息等問題，極大地影響了成像光學(xué)系統(tǒng)在目標(biāo)檢測、目標(biāo)跟蹤、戶外監(jiān)控、智能交通等方面的應(yīng)用價(jià)值。

在不良照明環(huán)境下，相較于光照均勻時(shí)成像設(shè)備所獲取的全弱光圖像，更多獲取到的是非均勻弱光圖像，其在視覺上具有明顯的明暗區(qū)分，如何在恢復(fù)暗區(qū)域的湮沒信息的同時(shí)保持亮區(qū)域的信息完整是亟需解決的問題。因此，研究一種針對非均勻弱光圖像的處理方法來改善圖像的整體質(zhì)量，突出圖像細(xì)節(jié)特征就顯得具有非常重要的現(xiàn)實(shí)意義和實(shí)用價(jià)值。

為了解決弱光圖像增強(qiáng)的問題，很多研究者都對此進(jìn)行了探索。主要代表的有基于直方圖[6]的方法，基于線性變換[7]的方法，基于Retinex[8-9]模型的方法、基于融合[10-11]的方法以及基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)[12-14]的方法。針對非均勻弱光條件下的圖像增強(qiáng)，文獻(xiàn)[15]對輸入的低照度圖像先進(jìn)行反轉(zhuǎn)，然后對反轉(zhuǎn)的圖像應(yīng)用優(yōu)化的Retinex算法，該算法可以有效的增強(qiáng)非均勻弱光圖像但過度強(qiáng)調(diào)圖像細(xì)節(jié)以至于產(chǎn)生失真。文獻(xiàn)[16]提出了一種簡單有效的基于融合的方法來增強(qiáng)弱光照圖像，采用Sigmoid函數(shù)和自適應(yīng)直方圖均衡化來分別增強(qiáng)圖像的照度和反射分量，利用適當(dāng)?shù)募訖?quán)融合策略融合得到增強(qiáng)后的圖像，該算法雖然可以對整體亮度進(jìn)行有效的增強(qiáng)，但并不能很好的抑制非均勻弱光圖像的高亮區(qū)域，容易產(chǎn)生光暈偽影。文獻(xiàn)[17]根據(jù)Retinex模型合成訓(xùn)練樣本，利用深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network，DCNN)對亮度分量進(jìn)行增強(qiáng)，得到最終的增強(qiáng)圖像。該算法可以很好地保持色彩并改善過增強(qiáng)，但對黑暗區(qū)域亮度提升程度較低且基于神經(jīng)網(wǎng)絡(luò)的算法復(fù)雜度高，對設(shè)備性能要求較高。文獻(xiàn)[18]采用非下采樣剪切波變換( Non-Subsanmpled Shearlet Transform，NSST)將低照度圖像分解為一個(gè)低通和若干高通，低頻通道采用改進(jìn)后的Retinex算法對其進(jìn)行對比度增強(qiáng)，然后與去噪后的高頻通道進(jìn)行NSST逆變換得到融合后的低照度的增強(qiáng)圖像。雖然該算法在一定程度上能改善低照度圖像的質(zhì)量，但對于暗亮度區(qū)域的增強(qiáng)效果不佳。

鑒于以上分析，現(xiàn)有的算法雖然解決了低照度下圖像的亮度增強(qiáng)問題，但仍存在細(xì)節(jié)丟失及光暈偽影等現(xiàn)象，針對該問題文中提出了一種有效的非均勻弱光圖像增強(qiáng)算法，該方法將原始弱光圖像由RGB轉(zhuǎn)到Y(jié)CbCr顏色空間，利用引導(dǎo)濾波對亮度分量進(jìn)行細(xì)節(jié)增強(qiáng)，用改進(jìn)的伽馬函數(shù)進(jìn)行亮度的自適應(yīng)拉伸，將增強(qiáng)后的亮度分量線性恢復(fù)到RGB色彩空間。實(shí)驗(yàn)結(jié)果表明，所提算法相比于其他主流算法，不僅能夠很好地增強(qiáng)細(xì)節(jié)，還能夠有效抑制光暈偽影，在視覺感知和客觀評價(jià)指標(biāo)上均得到了進(jìn)一步提高。

1 改進(jìn)的Sigmoid圖像增強(qiáng)算法

圖1為文中所提出算法的流程圖，首先將彩色圖像空間轉(zhuǎn)換到Y(jié)CbCr空間得到輸入圖像的亮度Y分量，對亮度Y分量進(jìn)行引導(dǎo)濾波來增強(qiáng)圖像細(xì)節(jié)，利用布谷鳥搜索算法迭代得到改進(jìn)的Sigmoid函數(shù)的最佳參數(shù)，然后使用改進(jìn)后的Sigmoid函數(shù)對圖像進(jìn)行線性增強(qiáng)，最后根據(jù)增強(qiáng)后的亮度Y分量與原始的亮度Y分量的比值構(gòu)建色彩比例因子，通過色彩比例因子以及原始圖像的R、G、B分量得到增強(qiáng)后的可見光圖像。

圖1 算法流程示意圖Fig.1 Flow diagram of the algorithm

1.1 Sigmoid函數(shù)

伽馬函數(shù)為線性變換實(shí)現(xiàn)圖像增強(qiáng)最常用的函數(shù)，曲線表達(dá)如圖2所示，其中x軸為圖像灰度值，在[0,1]之間，y軸為圖像灰度隨函數(shù)線性增強(qiáng)的數(shù)值，也在[0,1]之間。伽馬函數(shù)在系數(shù)大于0與小于0時(shí)分別對圖像亮度分別起著抑制與增強(qiáng)作用，在圖像增強(qiáng)算法中一般有兩種使用方式：第一種是使用伽馬函數(shù)對低照度圖像進(jìn)行兩次處理得到過曝光與欠曝光兩種圖像，然后在對其進(jìn)行融合得到增強(qiáng)圖像；第二種是采用變換的伽馬函數(shù)實(shí)現(xiàn)雙側(cè)變換得到增強(qiáng)圖像，但此方法受伽馬函數(shù)本身性質(zhì)的影響，暗區(qū)域部分的增強(qiáng)效果有限。與伽馬函數(shù)一樣，文中提出的改進(jìn)的Sigmoid函數(shù)同樣將變量映射到[0,1]之間，表達(dá)式為

(1)

如圖2所示，改進(jìn)后的函數(shù)能在較好的增強(qiáng)暗區(qū)的同時(shí)抑制亮區(qū)域的亮度，能夠彌補(bǔ)傳統(tǒng)伽馬函數(shù)不能同時(shí)兼顧暗區(qū)域的增強(qiáng)和亮區(qū)域的抑制。

圖2 Sigmoid函數(shù)與伽馬函數(shù)

在本算法中，改進(jìn)函數(shù)α、β值的確定被轉(zhuǎn)化為一個(gè)最優(yōu)化問題，即選取對比度最優(yōu)時(shí)的α、β值來自適應(yīng)的構(gòu)造Sigmoid函數(shù)實(shí)現(xiàn)圖像增強(qiáng)。具體流程如圖1所示。

1.2 布谷鳥搜索算法

布谷鳥搜索(Cuckoo Search,CS)算法是基于自然界中布谷鳥繁衍時(shí)寄生育雛行為的仿生算法，布谷鳥不筑巢，因此它會(huì)在繁衍時(shí)期將自己的蛋下到別的鳥巢中讓別的鳥來替自己孵化幼崽。布谷鳥搜索算法滿足下列3項(xiàng)理想化的條件為

① 布谷鳥每次隨機(jī)性的選擇合適的鳥巢產(chǎn)下一枚卵；

② 在隨機(jī)選擇的一組鳥巢中，最好的鳥巢將會(huì)被保留到下一代；

③ 能使用的鳥巢數(shù)目N是固定的，鳥巢的主人能發(fā)現(xiàn)外來鳥蛋的概率，也稱為Pa∈[0,1]；

在布谷鳥算法中，每一個(gè)巢中的蛋就代表一個(gè)解，布谷鳥中的解的表達(dá)為

(2)

在文中，每一個(gè)巢中的蛋即為所尋求的Sigmoid函數(shù)α、β的最優(yōu)值，具體步驟為

① 隨機(jī)生成N個(gè)鳥巢，即多組α、β值，在其中選擇一個(gè)最優(yōu)的鳥巢位置，并將其保留到下一次迭代中；

② 通過Levy飛行對鳥巢進(jìn)行更新，獲得了新的N個(gè)鳥巢，對比上一代鳥巢，選取兩者中使得適應(yīng)度函數(shù)最大的α、β值替換當(dāng)前的α、β值；

③ 將外來鳥蛋的概率Pa與隨機(jī)數(shù)r∈[0,1]對比，當(dāng)r>Pa，則可以改變該鳥窩的位置，否則，仍然保持原來的位置；

④ 當(dāng)?shù)续B巢達(dá)到了精度要求或者迭代次數(shù)達(dá)到最大值，則設(shè)定該α、β值為全局最優(yōu)解，否則繼續(xù)轉(zhuǎn)②執(zhí)行。

1.3 適應(yīng)度函數(shù)

適應(yīng)度函數(shù)用于評價(jià)Sigmoid函數(shù)線性增強(qiáng)后的圖像質(zhì)量。根據(jù)低照度彩色圖像的特點(diǎn)，利用圖像對比度構(gòu)造CS算法的適應(yīng)度函數(shù)，自適應(yīng)地優(yōu)化改進(jìn)Sigmoid函數(shù)的參數(shù)α和β，可以有效地增強(qiáng)整體光強(qiáng)，防止對降質(zhì)彩色圖像的過度增強(qiáng)。計(jì)算的適應(yīng)值越大，圖像增強(qiáng)的效果越好。適應(yīng)度函數(shù)的計(jì)算式為

fitness=Ca=max∑δ(x,y)2Pδ(x,y),

(3)

式中：δ(x,y)=|x-y|為相鄰像素間灰度差;Pδ(x,y)為相鄰像素間的灰度差為δ的像素分布概率。

用改進(jìn)后Sigmoid函數(shù)處理圖像時(shí)，圖像增強(qiáng)的效果取決于參數(shù)α和β，此時(shí)適應(yīng)度函數(shù)值越大，認(rèn)為圖像增強(qiáng)的效果越好。文中采用CS算法對改進(jìn)后Sigmoid函數(shù)的參數(shù)進(jìn)行優(yōu)化，當(dāng)適應(yīng)度為最大值時(shí)，認(rèn)為圖像增強(qiáng)最好。

1.4 線性色彩恢復(fù)

得到增強(qiáng)后的Y分量圖像，此時(shí)圖像本身的亮度和對比度得到了相應(yīng)的提高，但圖像還在YCbCr色彩空間中，色彩信息沒有得到較好的表達(dá)，需將其轉(zhuǎn)回RGB色彩空間。若直接將圖像由YCbCr彩空間轉(zhuǎn)換回RGB色彩空間，這種轉(zhuǎn)換方式會(huì)使得算法的時(shí)間復(fù)雜度偏高且具有一定的色差，因而文中采用一種更有效率的色彩恢復(fù)方法。在RGB空間中，如果存在兩個(gè)成比例的像素點(diǎn)，則這兩點(diǎn)色彩相同，只是亮度信息不同，通過這兩點(diǎn)的比例，可以求得一個(gè)比例因子，通過該比例因子對所有像素進(jìn)行處理，就可以有效的避免色彩失真的問題。因此，可以基于輸入圖像中包含的色彩信息通過線性的方式恢復(fù)輸出圖像的色彩信息，比例因子的求解式為

(4)

式中：I(x,y)為分離出來的Y通道圖像；I1(x,y)為融合處理后的Y通道圖像。

令[R0,G0,B0]表示為原圖像的三個(gè)通道，[R1,G1,B1]表示增強(qiáng)后圖像的三個(gè)通道。則增強(qiáng)后圖像與原始圖像存在關(guān)系為

(5)

2 實(shí)驗(yàn)對比與分析

2.1 實(shí)驗(yàn)結(jié)果

文中所提算法的改進(jìn)主要體現(xiàn)在非均勻弱光條件下增強(qiáng)圖像光暈偽影的抑制及更加豐富的紋理細(xì)節(jié)，對比分析直方圖均衡化(Histogram Equalization，HE)算法、帶色彩恢復(fù)的多尺度視網(wǎng)膜增強(qiáng)(Multi-Scale Retinex with Color Restore，MSRCR)[19]算法、一種快速高效的低照度視頻增強(qiáng)(Dong)[15]算法、同時(shí)估算反射率和照度(Simultaneous Reflectanceand Illumination Estimation,SRIE)[16]算法、多重曝光融合框架(Bio-Inspired Multi-Exposure Fusion，BIMEF)[20]算法和分?jǐn)?shù)階融合模型(Fractional-Order Fusion Model，F(xiàn)FM)[21]來驗(yàn)證算法改進(jìn)的有效性，文中選取的圖片為LIME算法[22]的網(wǎng)絡(luò)公開數(shù)據(jù)集及采集的真實(shí)場景的圖片。

圖3為HE算法、MSRCR算法、Dong算法、SRIE算法、BIMEF算法、FFM算法以及文中所提算法對不同圖像處理后的結(jié)果，從image 1路燈部分可以看出，相較傳統(tǒng)的HE算法、MSRCR算法，文中算法具有優(yōu)秀的光暈偽影抑制效果。但與針對非均勻弱光圖像的改進(jìn)算法Dong算法、SRIE算法、FFM算法、BIMEF算法相比，文中所提算法與BIMEF算法相比對路燈光暈的抑制效果不相上下，相較于SRIE算法、FFM算法稍遜一籌，但可以明顯的看出SRIE算法、FFM算法的光暈抑制效果是以犧牲圖像的增強(qiáng)效果為代價(jià)的，Dong算法雖然也能很好的抑制光暈偽影，但在Image 1圖像路燈的欄桿部分能夠明顯的看出，該算法過于強(qiáng)調(diào)邊緣輪廓。因而可以證明本算法可以在保證圖像增強(qiáng)效果的同時(shí)抑制光暈偽影。Image 2圖像中的云層區(qū)域可以明顯的看出：相較于其他算法，文中所提算法的云層增強(qiáng)效果更好且塔尖處的紅色點(diǎn)更清晰，證明文中算法具有更好的層次效果和細(xì)節(jié)表達(dá)能力。Image 3是黃昏時(shí)的校園照片，可以很明顯的看出HE與MSRCR的增強(qiáng)效果不佳，顏色失真較為嚴(yán)重；從斑馬線部分可以看出文中所提算法相較于Dong算法、SRIE算法、BIMEF算法、FFM算法具有更好的細(xì)節(jié)保持和增強(qiáng)能力。

整體來看，非均勻弱光圖像的增強(qiáng)中，HE只是簡單的使圖像的灰度分布均勻，但并沒有考慮到弱光圖像的原始特征，比如在Iimage 4中天空的背景被改變，原本的夕陽被優(yōu)化成為了晚霞，在Iimage 5中原始圖像的色彩丟失嚴(yán)重。MSRCR會(huì)丟失掉原始圖像的色彩信息，在處理的五幅圖片中，所有的圖片都產(chǎn)生了顏色偏灰的現(xiàn)象。Dong的算法太過強(qiáng)調(diào)邊緣輪廓，在Iimage 4中的電線部分、Iimage 5臺燈部分出現(xiàn)了明顯的邊緣線。SRIE算法、BIMEF算法對非均勻弱光圖像的增強(qiáng)效果良好，但都存在暗區(qū)域的增強(qiáng)效果不佳的問題。FFM算法能夠兼顧非均勻弱光圖像明暗區(qū)域的增強(qiáng)效果，但整體亮度增強(qiáng)效果不佳。

可以得出結(jié)論：相較于傳統(tǒng)的HE與MSRCR算法，文中所提算法具有更好的顏色保持能力。相較于針對非均勻弱光條件下的Dong算法、SRIE算法、BIMEF算法、FFM算法，文中所提算法能夠在更好的提升暗區(qū)域亮度的條件下抑制光暈偽影的產(chǎn)生，具有更好的層次效果和細(xì)節(jié)表達(dá)能力。

2.2 結(jié)果分析與評價(jià)

文中選取峰值信噪比(PSNR)、結(jié)構(gòu)相似度(SSIM)[23]、對比度質(zhì)量指數(shù)(PCQI)[24]及絕對平均亮度誤差(AMBE)[25]作為評價(jià)指標(biāo)來對比分析文中所提算法與HE算法、MSRCR算法、Dong算法、SRIE算法、BIMEF算法與FFM算法的效果。

PSNR是原圖像與被處理圖像之間的均方誤差相對于最大值的對數(shù)值，單位為dB，它是基于對應(yīng)像素點(diǎn)間的誤差，即基于誤差敏感的圖像質(zhì)量評價(jià)，所以PSNR的值越大，就代表噪聲所占的比重越小，就代表失真越小，越接近于參考圖。SSIM是一種衡量兩幅圖像相似度的指標(biāo)，在[0,1]之間，SSIM值越大，表示增強(qiáng)圖像的結(jié)構(gòu)與參考圖像相似，增強(qiáng)圖像的質(zhì)量越好。PCQI是用來比較兩個(gè)圖片之間的對比度的差異，方差差別大的，說明對比度強(qiáng)，說明圖片越清晰，取值范圍為[0,1]。AMBE值越低，表明增強(qiáng)圖像與參考圖像之間亮度保持越好，說明增強(qiáng)效果越好，取值在[0,255]之間。表1為圖3各個(gè)圖像對應(yīng)的客觀評價(jià)結(jié)果。

分析表1可得：相較于HE算法、MSRCR算法、Dong算法、SRIE算法、BIMEF算法與FFM算法，文中所提算法在Iimage 1與Iimage 2時(shí)PSNR、SSIM、PCQI、AMBE這四個(gè)指標(biāo)中都是最優(yōu)；在Iimage 3時(shí)SSIM、AMBE指標(biāo)最優(yōu)，PSNR、PCQI為第二優(yōu)。圖4為表1所對應(yīng)的不同算法對不同圖像的客觀評價(jià)結(jié)果的堆積折線圖。其中橫坐標(biāo)為原始圖像、HE算法、MSRCR算法、Dong算法、SRIE算法、BIMEF算法、FFM算法與文中算法，縱坐標(biāo)分別為PSNR、SSIM、PCQI、AMBE這四個(gè)指標(biāo)的數(shù)值。由圖4折線堆積圖可以得出結(jié)論：總體來說，文中所提方法優(yōu)于經(jīng)典的HE和MSRCR算法及針對非均勻弱光圖像的Dong算法、SRIE、BIMEF等流行算法，在PSNR、SSIM、PCQI及AMBE四個(gè)評價(jià)指標(biāo)中各指標(biāo)平均提高約41.6%、26.0%、61.3%、63.3%。

圖4 不同算法對不同圖像的客觀評價(jià)結(jié)果

3 結(jié) 論

針對非均勻弱光條件下的圖像增強(qiáng)問題，文中提出了一種基于布谷鳥搜索的自適應(yīng)增強(qiáng)算法，采用CS算法得到改進(jìn)的Sigmoid函數(shù)的最佳參數(shù)來指導(dǎo)低照度圖像的增強(qiáng)，改進(jìn)的Sigmoid函數(shù)可以在增強(qiáng)暗區(qū)域的同時(shí)有效的抑制亮區(qū)域，從而改善圖像增強(qiáng)時(shí)的光暈偽影現(xiàn)象。實(shí)驗(yàn)結(jié)果表明，文中所提算法從主觀評價(jià)和客觀評價(jià)方面都優(yōu)于現(xiàn)有的流行算法，可有效地改善非均勻弱光圖像在增強(qiáng)過程中所存在的增強(qiáng)不足以及光暈偽影現(xiàn)象。