顧文娟，丁 燦，魏 金，陰艷超，劉孝保

（昆明理工大學(xué) 機(jī)電工程學(xué)院，云南 昆明 650500）

1 引言

數(shù)字圖像處理技術(shù)在機(jī)器視覺(jué)領(lǐng)域有著廣泛應(yīng)用，如在目標(biāo)識(shí)別、目標(biāo)追蹤［1］、目標(biāo)分割［2］、超分辨率重構(gòu)［3］等方面。實(shí)際應(yīng)用中不可避免地會(huì)在低光照環(huán)境中采集圖像，低光照?qǐng)D像因環(huán)境亮度的局限影響圖像信息的獲取和后續(xù)使用，因此需要對(duì)低光照?qǐng)D像進(jìn)行增強(qiáng)處理［4］。圖像增強(qiáng)的目的主要是按照需求突出圖像中有用的特征信息，使得增強(qiáng)后的圖像保留的信息更加完整［5］。

目前提出的圖像增強(qiáng)的方法有很多種，其中應(yīng)用最廣泛的是基于直方圖均衡化算法（Histogram Equalization，HE）［6］。它主要是通過(guò)均衡原始圖像的直方圖來(lái)提高圖像對(duì)比度，對(duì)低光照?qǐng)D像進(jìn)行增強(qiáng)。但此算法會(huì)使圖像的灰度級(jí)減少造成細(xì)節(jié)丟失，導(dǎo)致圖片出現(xiàn)嚴(yán)重噪聲。在此基礎(chǔ)上REDDY 等人提出了一種限制對(duì)比度自適應(yīng)直方 圖均衡算法（Contrast Limited Adaptive Histgram Equalization，CLAHE）［7］，該算法主要是限制對(duì)比度的增強(qiáng)，以便于運(yùn)用到全局直方圖均衡化中，但是在對(duì)背景處理時(shí)會(huì)放大背景噪聲，且增強(qiáng)之后的圖像色彩飽和度較差。Land 等提出的基于視覺(jué)系統(tǒng)Retinex 算法［8］，該理論認(rèn)為人眼感知到物體的信息是由反射特征來(lái)決定，因此將一幅圖分解為反射分量和照度分量然后對(duì)圖像進(jìn)行增強(qiáng)處理。Retinex 理論首先提出SSR算法（Single Scale Retinex）［9］和MSR 算法（Multi Scale Retinex）［10］，但這兩種增強(qiáng)算法均會(huì)導(dǎo)致顏色失真。為了改進(jìn)顏色失真的問(wèn)題緊接著提出帶有顏色恢復(fù)的MSRCR 算法（Multi Scale Retinex with Color Restoration）［11］和AutoMSRCR 算法（Automated Multi Scale Retinex with Color Restoration）。MSRCR 算法增加色彩恢復(fù)函數(shù)和使用增益加權(quán)的方法之后，雖然能消除色彩失真的現(xiàn)象，但由于該算法是對(duì)RGB 各通道進(jìn)行歸一化處理，圖像易產(chǎn)生光暈；AutoMSRCR 算法在對(duì)RGB 三通道進(jìn)行處理時(shí)，會(huì)導(dǎo)致一部分通道被拉伸，從而使圖像整體色彩出現(xiàn)偏白化，色彩飽和度降低。

為解決上述問(wèn)題，本文提出一種基于雙邊濾波的MSR 算法與AutoMSRCR 算法融合的低光照?qǐng)D像增強(qiáng)算法。第一步，將原始圖像從RGB顏色空間轉(zhuǎn)換到HSV 顏色空間，然后使用基于雙邊濾波的MSR 算法對(duì)亮度通道進(jìn)行亮度增強(qiáng)，得到增強(qiáng)后的亮度通道再與色度、飽和度通道進(jìn)行合并，形成初始亮度增強(qiáng)圖片；第二步，將初始增強(qiáng)后的圖像從HSV 空間轉(zhuǎn)換到LAB 顏色空間，運(yùn)用CLAHE 算法對(duì)圖像細(xì)節(jié)增強(qiáng)；第三步，利用AutoMSRCR 算法對(duì)原始圖像進(jìn)行處理，得到色彩偏白但階調(diào)平滑的圖像，再將與之細(xì)節(jié)增強(qiáng)后的圖像進(jìn)行加權(quán)融合得到最終的增強(qiáng)圖像。通過(guò)該方法進(jìn)行增強(qiáng)的圖像色彩更符合人眼主觀感受，清晰度更高，也能保留更多邊緣細(xì)節(jié)和紋理。

2 算法理論基礎(chǔ)

2.1 Retinex 理論

Retinex 理論認(rèn)為人眼視覺(jué)信息系統(tǒng)（Human Visual System，HVS）對(duì)物體的感知主要是由于物體自身的反射特性所導(dǎo)致的。對(duì)顏色和亮度的感知都是由于物體在不同的光照條件產(chǎn)生反射信息從而被人眼所接收。由此Land 等人建立了該理論的數(shù)學(xué)模型，公式如式（1）所示：

由于圖像是由像素點(diǎn)組成，公式中分別以x，y表示在二維圖像空間中的坐標(biāo)點(diǎn)位置。該理論假定物體反射光進(jìn)入人眼的圖像為S（x，y），光照從不同角度產(chǎn)生的入射圖像為L(zhǎng)（x，y），反射物體形成的反射率為R（x，y），反射率由反射物體自身決定，不受入射光的影響。

2.2 SSR，MSR，AutoMSRCR 算法的理論推導(dǎo)

單尺度Retinex 算法（SSR 算法），此方法主要是通過(guò)對(duì)（1）式兩邊取對(duì)數(shù)，然后用入射光照?qǐng)D像減去環(huán)境光照分量得到帶有細(xì)節(jié)信息的反射光照分量，公式如式（2）所示：

由于環(huán)境光照分量很難真實(shí)得到，用高斯濾波與原始圖像進(jìn)行卷積，模擬環(huán)境光照分量，公式如式（3）所示：

其中：“*”是卷積符號(hào)，F(xiàn)(x，y)是高斯濾波，高斯濾波公式如式（4）所示：

高斯濾波最重要參數(shù)就是標(biāo)準(zhǔn)差σ，σ值越小，圖像平滑效果相對(duì)較差，但圖像細(xì)節(jié)保留較多。σ值越大，各模板的系數(shù)沒(méi)有明顯差別，對(duì)圖像平滑效果好，增強(qiáng)圖像的色彩保真很好，但是圖片紋理處理模糊，整體細(xì)節(jié)模糊。

為了解決SSR 算法存在的不足，提出了多尺度MSR 算法。MSR 算法是在SSR 算法的基礎(chǔ)之上對(duì)SSR 算法進(jìn)行不同高斯核處理之后進(jìn)行加權(quán)融合得到最終增強(qiáng)圖像，公式如式（5）所示：

其中：N為尺度的個(gè)數(shù)，選用高、中、低三個(gè)尺度，ωn為每個(gè)尺度權(quán)重，取ω1=ω2=ω3=1/3。對(duì)于運(yùn)用MSR 算法進(jìn)行圖像增強(qiáng)之后會(huì)存在圖像顏色失真，為了解決MSR 算法出現(xiàn)顏色失真的問(wèn)題，加入相應(yīng)的顏色恢復(fù)函數(shù)，形成新的增強(qiáng)算法，即為MSRCR 算法［12］，公式如式（6）所示：

其中：

其中：Ci為彩色恢復(fù)因子，β是增益常數(shù)，α表示受控的非線性程度。

通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)需增加一個(gè)增益值和偏移值得到最終的MSRCR 算法，公式如式（8）所示：

為了能夠自適應(yīng)調(diào)節(jié)圖像的色彩提出了AutoMSRCR 算法［13］，其核心思想主要是按照百分之五的比例去除MSRCR 方法中RGB 數(shù)值最大和最小的部分，然后將剩余值重新規(guī)劃到［0，255］中，這樣就得到AutoMSRCR 處理后的增強(qiáng)圖像。這種方法消除了之前算法對(duì)原始圖像階調(diào)的依賴(lài)AutoMSRCR 主要是結(jié)合MSR 算法來(lái)改善圖片顏色失真問(wèn)題，其算法流程如圖1所示。

圖1 自適應(yīng)色彩增益算法流程圖Fig.1 Flow chart of adaptive color gain algorithm

自動(dòng)色階的原理是先統(tǒng)計(jì)圖像的直方圖，通過(guò)直方圖來(lái)確定圖像的灰度級(jí)集中的區(qū)域，然后計(jì)算出自動(dòng)色階的上閾值Tmax和下閾值Tmin。在進(jìn)行處理時(shí)，當(dāng)像素值超出上閾值Tmax時(shí)則超出的像素點(diǎn)設(shè)置為255，當(dāng)像素值低于下閾值Tmin時(shí)則低于的部分設(shè)置為0，其公式如式（9）所示：

其中：n為對(duì)數(shù)運(yùn)算之后的數(shù)值，n0=0，count 為統(tǒng)計(jì)直方圖后U的位置，β為色階可控值，在本文中β=0.05。

圖像經(jīng)過(guò)AutoMSRCR 算法處理之后，得到的結(jié)果保留在對(duì)數(shù)域中，使用公式（10）將結(jié)果轉(zhuǎn)換到實(shí)數(shù)域得到最終增強(qiáng)圖像，采用線性歸一化的方式得到最終的增強(qiáng)圖像。其量化公式為：

3 本文算法

針對(duì)經(jīng)典Retinex 算法存在的不足，提出基于雙邊濾波的MSR 算法與AutoMSRCR 算法融合的低光照?qǐng)D像增強(qiáng)算法。該算法主要分為三個(gè)部分，首先，基于HSV 顏色空間使用雙邊濾波的MSR 算法將原始圖像的V 通道進(jìn)行亮度增強(qiáng)，得到增強(qiáng)之后的亮度通道與原始的S 通道和H 通道進(jìn)行融合得到初始亮度增強(qiáng)圖像；然后，將亮度增強(qiáng)圖像運(yùn)用CLAHE 算法基于LAB 顏色空間的L 通道進(jìn)行細(xì)節(jié)增強(qiáng)，然后將LAB 顏色空間轉(zhuǎn)換到RGB 顏色空間，得到亮度與細(xì)節(jié)增強(qiáng)圖像；最后，運(yùn)用AutoMSRCR 算法對(duì)原始低光照?qǐng)D像進(jìn)行處理，與第二步亮度與細(xì)節(jié)增強(qiáng)圖像進(jìn)行加權(quán)融合得到最終的增強(qiáng)圖像。其總體算法流程如圖2 所示。

圖2 本文算法流程圖Fig.2 Flowchart of algorithm in this paper

3.1 基于雙邊濾波的MSR 算法

3.1.1 HSV 顏色空間

HSV 顏色空間，是將RGB 中的每個(gè)像素點(diǎn)集合于圓錐體中進(jìn)行顏色空間表達(dá)的一種方法［14］。H，S，V 分別表示色度，飽和度，亮度。對(duì)V 通道進(jìn)行圖像增強(qiáng)處理時(shí)不影響圖片的色彩信息，從而使得H，S 通道的信息保留更完整。其通道轉(zhuǎn)換公式如式（11）所示：

其中：R，G，B分別是RGB 顏色空間三個(gè)通道各像素點(diǎn)的值，Mmax，Mmin分別表示最大值和最小值。

針對(duì)MSR 算法中對(duì)圖像顏色存失真的問(wèn)題，本文基于HSV 顏色空間對(duì)其三通道進(jìn)行拆解提取V 分量，對(duì)V 通道進(jìn)行亮度增強(qiáng)，然后與初始的H，S 通道合并，得到保留原有色彩信息的亮度增強(qiáng)圖像。如圖3 所示，通過(guò)顏色空間轉(zhuǎn)換處理之后的增強(qiáng)圖像，在圖像整體色彩和細(xì)節(jié)上，蘊(yùn)含信息更加豐富。

圖3 顏色空間轉(zhuǎn)換之前后對(duì)比圖Fig.3 Comparison before and after color space conversion

3.1.2 不同濾波對(duì)比

MSR 算法主要是運(yùn)用高斯濾波模擬光照分量，但使用高斯濾波會(huì)導(dǎo)致細(xì)節(jié)模糊，經(jīng)過(guò)圖像增強(qiáng)之后就會(huì)存在圖片邊緣細(xì)節(jié)缺失的現(xiàn)象。為此選用不同濾波進(jìn)行對(duì)比，選擇更加適合的濾波替代高斯濾波，如圖4 所示。選用城市夜景圖像，采用三種不同的濾波模擬MSR 算法中的光照分量，經(jīng)過(guò)對(duì)比分析，在細(xì)節(jié)放大圖上可以得出高斯濾波處理效果不理想，圖像的整體比較模糊；中值濾波處理后較高斯濾波圖片更清晰，但在圖片的邊緣細(xì)節(jié)處理上仍存在缺失；經(jīng)過(guò)雙邊濾波處理之后的圖片邊緣細(xì)節(jié)很清晰。因此，將MSR 算法的高斯濾波轉(zhuǎn)換成雙邊濾波之后進(jìn)行圖像增強(qiáng)能更好地保留圖片的邊緣細(xì)節(jié)。

圖4 不同濾波細(xì)節(jié)對(duì)比Fig.4 Comparison of different filtering details

高斯濾波是對(duì)圖片整體進(jìn)行平均加權(quán)的處理，只計(jì)算兩個(gè)像素點(diǎn)之間的空間距離，導(dǎo)致經(jīng)過(guò)高斯濾波之后的圖像存在模糊的現(xiàn)象［15］。雙邊濾波作為即考慮到每個(gè)像素點(diǎn)在空間上的距離關(guān)系也考慮到在灰度空間上像素灰度值之間的差異性的非線性濾波器，對(duì)圖像的細(xì)節(jié)信息處理效果更加明顯，雙邊濾波的數(shù)學(xué)模型如式（12）所示［16］：

其中：S為濾波中鄰域中像素點(diǎn)的集合，x，y為鄰域中目標(biāo)像素點(diǎn)的位置，I(x)是集合S中各個(gè)像素點(diǎn)的像素值，I(y)是濾波處理之后獲得對(duì)應(yīng)于每個(gè)像素點(diǎn)位置的像素值，Gd，Gr分別表示的是雙邊濾波中用來(lái)表達(dá)像素值的幾何空間和表示鄰域內(nèi)某點(diǎn)灰度與中心點(diǎn)灰度值的絕對(duì)值，Wp表示對(duì)兩參數(shù)所做的歸一化處理，表達(dá)式為：

其中：σd，σr分別表示的是圖像灰度空間的方差，當(dāng)σd越大鄰域內(nèi)像素點(diǎn)的權(quán)重值比較大會(huì)產(chǎn)生局部細(xì)節(jié)模糊，σd越小鄰域內(nèi)像素點(diǎn)的權(quán)重值比較小，去噪效果有一定局限性［17］。

在本文中使用雙邊濾波替換高斯濾波進(jìn)行圖像增強(qiáng)，對(duì)MSR 算法進(jìn)行改進(jìn)。通過(guò)雙邊濾波來(lái)模擬環(huán)境光照分量，用雙邊濾波與原始圖像進(jìn)行卷積，得到更多的邊緣信息，便于后續(xù)對(duì)圖像光照分量的增強(qiáng)。

3.2 基于CLAHE 算法的圖像細(xì)節(jié)處理

CLAHE 算法是在直方圖均衡化的基礎(chǔ)上，為了減少噪聲的放大和圖像局部對(duì)比度過(guò)渡增強(qiáng)的現(xiàn)象，而將部分灰度級(jí)進(jìn)行抑制，使得在進(jìn)行對(duì)圖像處理時(shí)使其更加清晰。CLAHE 算法的具體步驟如下［18］：

（1）劃分子區(qū)域，每張圖片對(duì)應(yīng)多個(gè)子區(qū)域，M為每個(gè)子區(qū)域的像素點(diǎn)個(gè)數(shù)；

（2）計(jì)算每個(gè)子區(qū)域的灰度直方圖Hi；

（3）對(duì)每個(gè)子模塊的直方圖進(jìn)行剪切，其原理如圖5 所示，設(shè)定一個(gè)閾值空間，超過(guò)此區(qū)域的部分進(jìn)行像素點(diǎn)的剪切，并將此區(qū)域的像素點(diǎn)剪切到下區(qū)域，設(shè)置一個(gè)閾值G，當(dāng)Hi≥G，Hi=Hmax；Hi＜G，Hi=Hmax。

圖5 直方圖剪切Fig.5 Histogram clipping

對(duì)每個(gè)子模塊進(jìn)行區(qū)域直方圖均衡化，自適應(yīng)直方圖均衡化使用的是插值運(yùn)算［19］，插值運(yùn)算原理圖如圖6 所示（彩圖見(jiàn)期刊電子版）。其對(duì)每個(gè)方塊求出直方圖、直方圖積累函數(shù)（CDF）及相應(yīng)的變換函數(shù)，方塊中心點(diǎn)（圖中右側(cè)的黑色方塊）的變換函數(shù)符合原定義，在黃色區(qū)域中的像素值都是使用4 個(gè)變換函數(shù)運(yùn)用雙線性插值得到中心點(diǎn)的像素，藍(lán)色區(qū)域像素值是相鄰兩個(gè)區(qū)域的變換函數(shù)做線性插值得到，紅色區(qū)域像素是采用自身的變換函數(shù)得到的。

圖6 插值運(yùn)算原理圖Fig.6 Schematic diagram of interpolation operation

在本文中使用CLAHE 算法僅對(duì)圖像L 通道進(jìn)行細(xì)節(jié)增強(qiáng)，從而使得增強(qiáng)之后的圖片保留原有圖像的色彩信息。如圖7 所示，經(jīng)過(guò)CLAHE算法之后的圖像細(xì)節(jié)顯示效果更好，而且通過(guò)灰度直方圖可以看到無(wú)大范圍的噪聲影響。

圖7 直方圖均衡化前后對(duì)比Fig.7 Histogram before and after equalization

3.3 加權(quán)融合

為了更加有效地解決增強(qiáng)之后圖像不夠平滑以及飽和度過(guò)高的問(wèn)題，將經(jīng)過(guò)基于雙邊濾波MSR 算法增強(qiáng)后法圖像和經(jīng)過(guò)AutoMSRCR 算法處理之后的圖像進(jìn)行加權(quán)融合得到最終的增強(qiáng)圖像，其加權(quán)融合公式如式（16）所示［20］：

其中：Ri(x，y)是圖像融合之后的R，G，B 值，R1i(x，y)是經(jīng)過(guò)雙邊濾波Retinex 算法增強(qiáng)之后的圖片，R2i(x，y)是經(jīng)過(guò)AutoMSRCR 算法增強(qiáng)之后的圖片，m是權(quán)重系數(shù)，經(jīng)過(guò)實(shí)驗(yàn)對(duì)比然后確定m 的值，就可以得到融合之后增強(qiáng)圖像。

4 比較實(shí)驗(yàn)與討論

為了驗(yàn)證本文算法的有效性，使用LOL 數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證［21］，根據(jù)國(guó)標(biāo)對(duì)光照強(qiáng)度等級(jí)的區(qū)分，從該低光照數(shù)據(jù)集中選擇具有代表性的六種暗光級(jí)照度和月光級(jí)照度下的低光照?qǐng)D像進(jìn)行圖像增強(qiáng)，并將本文算法與MSRCR 算法，MSR 算法，CLAHE 算法，改進(jìn)GAMMA 算法［22］進(jìn)行對(duì)比。

論文選取的圖片主要兩種類(lèi)型：一種是暗光級(jí)照度如圖8，暗光級(jí)照度下圖像主要選取三種類(lèi)型，其中圖8（a）是階調(diào)均勻整體偏暗的城市街景，圖8（b）是暗調(diào)細(xì)節(jié)豐富的自然景觀，圖8（c）是色彩豐富的室內(nèi)靜物；另一種是月光級(jí)照度如圖9，亦選三種不同類(lèi)型的圖像，圖9（d）是邊緣紋理細(xì)節(jié)圖，圖9（e）亮度對(duì)比明顯的階調(diào)不平衡圖像，圖9（f）是色彩豐富、階調(diào)均勻的圖像。

圖8 暗光級(jí)照度環(huán)境對(duì)比圖Fig.8 Comparison diagram of low light level illumination environment

圖9 月光級(jí)照度環(huán)境對(duì)比圖Fig.9 Comparison of moonlight level illumination environment

4.1 主觀評(píng)價(jià)

將不同算法增強(qiáng)后的圖片進(jìn)行對(duì)比，易發(fā)現(xiàn)：（1）經(jīng)過(guò)CLAHE 算法增強(qiáng)后，圖片的整體亮度還是偏暗，但色彩信息保留比較完整。在圖8（a），圖8（b）中對(duì)天空和礁石兩個(gè)亮度較低的區(qū)域增強(qiáng)效果較差，沒(méi)有顯示出云朵和礁石的細(xì)節(jié)，使得圖像的邊緣紋理細(xì)節(jié)模糊。圖8（c）由于亮度增強(qiáng)效果較差導(dǎo)致增強(qiáng)后的圖像沒(méi)有展現(xiàn)出圖像色彩的豐富性。（2）經(jīng)MSR 算法增強(qiáng)后圖像整體被壓縮，色彩不夠豐富整體偏圖像偏白化。圖8（a）增強(qiáng)后圖像顏色偏黃，出現(xiàn)光暈。圖8（b），圖8（c）雖然展現(xiàn)出礁石的細(xì)節(jié)和鮮花的輪廓，但由于出現(xiàn)過(guò)渡增強(qiáng)導(dǎo)致圖片的顏色出現(xiàn)失真，圖片中很多的細(xì)節(jié)丟失。（3）經(jīng)MSRCR 算法增強(qiáng)后的圖像存在和MSR 算法類(lèi)似的圖像偏白化問(wèn)題，與MSR 算法相比高亮度區(qū)域與低亮度區(qū)域處理更好，但圖片的且整體圖像模糊，清晰度差。（4）經(jīng)改進(jìn)的GAMMA 算法增強(qiáng)后的圖像較之于前三種算法圖像整體亮度、色彩、清新度都有著明顯的提升，但是亮度整體偏暗。（5）經(jīng)本文算法處理后的圖像，在8（a），圖8（b）中能清晰展現(xiàn)天空的云朵輪廓和礁石的細(xì)節(jié)，在圖8（c）展現(xiàn)出更加豐富的色彩信息?？傮w上在微光環(huán)境中圖片的色彩、亮度、清晰度、邊緣細(xì)節(jié)主觀感受均優(yōu)于其他四種算法，對(duì)不同場(chǎng)景的適應(yīng)更強(qiáng)，綜合質(zhì)量更佳。

將上述幾種算法應(yīng)用于月光級(jí)照度環(huán)境下圖像增強(qiáng)，結(jié)果如圖9 所示。（1）圖像經(jīng)過(guò)CLAHE 算法增強(qiáng)后，在亮度增強(qiáng)上整體效果較差，圖9（d）在玩偶的實(shí)體與陰影沒(méi)有得到有效展示，邊緣紋理細(xì)節(jié)缺失。圖9（e），圖9（f）由于受到其算法在亮度增強(qiáng)的局限性導(dǎo)致增強(qiáng)后的圖像色彩和細(xì)節(jié)處理效果較差。（2）經(jīng)MSR 算法增強(qiáng)后圖像整體亮度提升較大，但是在高亮度區(qū)域出現(xiàn)過(guò)度增強(qiáng)的現(xiàn)象，沒(méi)有很好地區(qū)分高亮度區(qū)域和低亮度區(qū)域使得在圖9（d）中玩偶的實(shí)體與陰影的對(duì)比不夠明顯，圖9（e）中櫥窗中的物體出現(xiàn)輪廓模糊。（3）經(jīng)MSRCR 算法增強(qiáng)后亮度得到增強(qiáng)但是圖像模糊、清晰度低。在色彩處理方面較之于MSR 算法有一定的提高，如9（f），在MSRCR算法增強(qiáng)后花瓶的顏色更豐富，但由于圖像的模糊導(dǎo)致整體觀感差。（4）改進(jìn)的GAMMA 算法在低光照環(huán)境中對(duì)三幅圖的亮度增強(qiáng)方面不是很理想，但是在圖9（e）中對(duì)高亮度區(qū)域和低亮度區(qū)域的增強(qiáng)處理上有著比較好的效果，在圖9（f）中對(duì)圖像顏色的恢復(fù)效果也較為理想，但是圖像整體亮度還沒(méi)有得到更好的增強(qiáng)。（5）本文算法增強(qiáng)后的圖片沒(méi)有出現(xiàn)過(guò)度增強(qiáng)的現(xiàn)象，高亮度區(qū)域和低亮度區(qū)域的對(duì)比明顯，細(xì)節(jié)輪廓清晰。圖片的色彩信息更加豐富，更符合人眼視覺(jué)特征。

綜上所述，CLAHE 算法對(duì)低光照?qǐng)D像中亮度增強(qiáng)效果較差，增強(qiáng)后圖像的色彩信息沒(méi)有充分體現(xiàn)。MSR 算法，MSRCR 算法存在過(guò)渡增強(qiáng)的現(xiàn)象，使得圖像中高亮度區(qū)域和低亮度區(qū)域邊界模糊，圖像紋理細(xì)節(jié)不清晰。改進(jìn)GAMMA算法在對(duì)暗光級(jí)照度圖像的增強(qiáng)效果較為理想，但是在月光級(jí)照度中對(duì)圖像亮度增強(qiáng)效果不是十分理想。而本文算法具有較強(qiáng)的適應(yīng)性，不管是對(duì)暗光級(jí)照度圖像還是月光級(jí)照度圖像進(jìn)行增強(qiáng)，圖像的亮度更高，色彩信息更豐富，圖像更清晰。

4.2 客觀評(píng)價(jià)

單從主觀視覺(jué)上評(píng)價(jià)一張圖片的質(zhì)量并不能完全準(zhǔn)確的判斷圖片的質(zhì)量，為了客觀評(píng)價(jià)圖片的質(zhì)量，本文選用圖像評(píng)價(jià)指標(biāo)對(duì)圖片的質(zhì)量進(jìn)行評(píng)價(jià)，因此，本文采用多個(gè)評(píng)價(jià)指標(biāo)從客觀上綜合評(píng)價(jià)算法性能，色彩濃度綜合指標(biāo)UCIQE（Underwater Color Image Quality Evaluation）［23］，梯度指 標(biāo)AG（Average Gradient）［24］，標(biāo)準(zhǔn)差SD（Standard Deviation）［25］，信息熵IE（Information Entropy）［26］，

UCIQE 從飽和度平均值Sν，色調(diào)的標(biāo)準(zhǔn)差Hν，以及對(duì)比度平均值Cν三個(gè)方面對(duì)彩色圖像進(jìn)行綜合評(píng)價(jià)，該值越大，圖像色彩綜合質(zhì)量越好，UCIQE 定義如式（17）所示：

其中：n1，n2，n3為加權(quán)系數(shù)，取數(shù)值 為n1=0.468 0，n2=0.257 6，n3=0.274 5。Hν，Sν，Cν的定義如式（18）～式（20）所示：

其中：IL，Ia，Ib分別是LAB 空間圖像L，A，B 通道的灰度 值；IL取值為[ILmin，ILmax]，tol2是出現(xiàn)概率不小于ILmax且值最接近ILmax的IL值，tol1是出現(xiàn)概率大于ILmin且值最接近ILmin的IL值。

梯度指標(biāo)AG（Average Gradient）平 均梯度指標(biāo)表示灰度值的變化情況，是判斷圖片清晰度和細(xì)節(jié)處理的指標(biāo)，梯度指標(biāo)越大說(shuō)明圖片的清晰度越好其表達(dá)式如式（21）所示：

其中：M×N表示圖像的尺寸，表示圖像水平方向梯度，表示圖像垂直方向梯度，

標(biāo)準(zhǔn)差SD（Standard Deviation）是衡量圖像對(duì)比度的重要指標(biāo)，而低光照?qǐng)D像的對(duì)比度相比較于正常光照?qǐng)D像其對(duì)比度有著明顯的差距，因此使用標(biāo)準(zhǔn)差可以衡量圖像增強(qiáng)前后所產(chǎn)生的變化。標(biāo)準(zhǔn)差的表達(dá)公式如式（22）所示：

其中：M×N表示圖像的尺寸，f(x，y)表示在(x，y)位置處的像素灰度值，u表示為圖像的灰度平均值。

信息熵IE（Information Entropy）主要是衡量圖像包含的信息多少，其數(shù)值越大則表明圖像所擁有的信息量越多，表達(dá)式如式（23）所示：

其中：i表示圖像中像素灰度值的大小，p(i)是整幅圖像中出現(xiàn)灰度值為i的像素的概率。

表1 不同算法的效果對(duì)比，從單張圖片處理時(shí)間來(lái)看，本文算法略遜于其他幾種算法，但從表中可以看出本文算法在不同的光照環(huán)境下，對(duì)不同類(lèi)型的圖片都有較好的增強(qiáng)效果，特別在第四組，第五組，第六組月光級(jí)照度條件下的增強(qiáng)效果更加明顯，各項(xiàng)評(píng)價(jià)要優(yōu)于其他幾種算法。

表1 不同圖像的客觀評(píng)價(jià)指標(biāo)Tab.1 Objective evaluation indicators of different images

表2 不同評(píng)價(jià)指標(biāo)的均值對(duì)比Tab.2 Comparison of mean values of different evaluation indicators

同時(shí)為了判斷五種算法的穩(wěn)定性和對(duì)不同光照環(huán)境的適應(yīng)性，將每種評(píng)價(jià)指標(biāo)取其均值來(lái)對(duì)比，更加直觀地判斷其算法的可靠性，通過(guò)表（2）可以看到本文算法在四種不同的圖像評(píng)價(jià)指標(biāo)上都要優(yōu)于其他四種算法。與其他四種算法相比較，本文算法在標(biāo)準(zhǔn)差和梯度指標(biāo)上的提升很明顯，此兩項(xiàng)數(shù)據(jù)說(shuō)明本文算法在增強(qiáng)之后的圖像清晰度和細(xì)節(jié)的處理上都有著明顯的優(yōu)勢(shì)；在色彩濃度指標(biāo)和信息熵兩項(xiàng)指標(biāo)上本文算法與MSRCR 算法相比較在色彩濃度上的提升尤為明顯，色彩濃度綜合指標(biāo)在MSRCR 的基礎(chǔ)上提升了65.24%。通過(guò)上述的客觀評(píng)價(jià)，可以得出本文所提出的低光照?qǐng)D像增強(qiáng)算法在對(duì)比度、清晰度、保持圖像細(xì)節(jié)和色彩濃度上有著突出的優(yōu)勢(shì)，更加真實(shí)自然地展現(xiàn)了圖像的視覺(jué)效果。

5 結(jié)論

針對(duì)在低光照情況下獲取的圖像信息含量少、增強(qiáng)后細(xì)節(jié)丟失、色彩壓縮嚴(yán)重、圖片對(duì)比度過(guò)低、噪聲明顯等問(wèn)題，本文提出一種基于雙邊濾波的MSR 算法與AutoMSRCR 算法融合的低光照?qǐng)D像增強(qiáng)算法。通過(guò)對(duì)低光照?qǐng)D像進(jìn)行增強(qiáng)處理效果表明，該算法不僅能夠提升圖像的亮度和細(xì)節(jié)，還在進(jìn)行圖像增強(qiáng)時(shí)實(shí)現(xiàn)色彩的還原，其評(píng)價(jià)指標(biāo)UCIQE，AG，SD，IE 分別達(dá)到了0.472 1，12.674 2，0.263 2，7.637 9。在與MSRCR 算法、MSR 算法、CLAHE 算法、改進(jìn)GAMMA 算法進(jìn)行對(duì)比發(fā)現(xiàn)，圖像細(xì)節(jié)、清晰度、對(duì)比度和邊緣紋理處理上都有著明顯提升。該算法對(duì)于夜晚汽車(chē)行車(chē)記錄儀的使用，以及在不能使用閃光燈拍攝圖片的低光照環(huán)境中具有潛在的應(yīng)用價(jià)值。