改进单尺度Retinex的彩色图像增强算法

2018-09-12 04:33赵冬梅李斯娜
现代电子技术 2018年17期
关键词:粒子群优化

赵冬梅 李斯娜

摘 要: 为了解决传统单尺度Retinex算法全部像素都采用同一空间滤波模块实施操作,容易产生彩色图像光晕以及色彩流失,彩色图像增强效果差的问题,提出改进单尺度Retinex的彩色图像增强算法。改进算法融合粒子群优化算法以及Retinex算法,基于熵值大小以及变换成HIS图像的[H]值大小实施匹配,采用合理的滤波模板实施运算,完成彩色图像的增强处理。通过改进SSR算法解决图像边缘亮度波动时,图像出现的光晕以及光阴影问题,提升彩色图像增强效果。实验结果表明,所提算法对室内室外图像的亮度、对比度、饱和度等内容具有较高的增强效果,能提升总体图像的质量。

关键词: 改进单尺度; Retinex算法; 粒子群优化; SSR算法; 彩色图像增强; 滤波模板

中图分类号: TN911.73?34; TP391.41 文献标识码: A 文章编号: 1004?373X(2018)17?0071?05

Abstract: The same spatial filtering module is adopted for all the pixels in the traditional single scale Retinex algorithm, which is easy to produce the color reduction and halo of color images, and has poor effect of color image enhancement. Therefore, the color image enhancement algorithm based on single scale Retinex is proposed, in which the particle swarm optimization algorithm and Retinex algorithm are combined, the color images are matched on the basis of entropy value and [H]value transformed into HIS image, and the reasonable filtering template is adopted for calculation to enhance the color images. The SSR algorithm is improved to solve the halo and light shadow appearing in images while the luminance of image edge is fluctuating to improve the enhancement effect of color image. The experimental results show that the proposed algorithm has high enhancement effect for indoor and outdoor images in the aspects of brightness, contrast and saturation, and can improve the quality of the overall image.

Keywords: improved single scale; Retinex algorithm; particle swarm optimization; SSR algorithm; color image enhancement; filtering template

0 引 言

人們在图像实时查看或后期加工时,可通过图像增强处理方法解决入射光对图像的不利干扰,提高图像质量。彩色图像增强在模式识别、医学图像、遥感图像或计算机视觉等方面具有较高的应用价值,这是因为经过图像增强处理可得到品质较高的图像,为人们或机械设备对图像中有价值的信息进行观察提供依据。因此,彩色图像增强技术成为图像处理领域中研究的热点方向[1]。

Reinex理论拥有明显的动态压缩性、颜色恒常性和色调再现等特点,促进了数字成像设备与计算机技术相结合的迅猛发展。传统单尺度Retinex算法全部像素都采用同一空间滤波模块实施操作,容易产生彩色图像光晕以及色彩流失,彩色图像增强效果差的问题[2]。面对该现象,本文提出改进单尺度Retinex的彩色图像增强算法,提高彩色图像质量。

1 改进单尺度Retinex的彩色图像增强算法

1.1 单尺度Retinex算法

科学家基于颜色恒常原理提出Retinex理论,即人眼对事物观察的结果并不会因光源的不同而受到影响。因为人们在观察物体时,经过大脑皮层对观察到的信息进行分析,在排除光照不均的因素后,留下基本信息。Retinex理论是一种颜色恒常知觉的计算理论,其由retina和cortex两个词构成。Retinex理论包括:物体的色彩是由物体对光线反射能力决定的,而非取决于光源强度的绝对值;物体的色彩可通过修改对比度来增强,而非取决于光照是否均匀[3]。Retinex理论是对受光照影响的图像进行修复,将一张图像[I]拆分为照射分量图像和反射分量图像。这样就得到了另外2张图像,利用Retinex理论可以将其表达为后期得到的照射图像和反射图像的乘积,即:

为了使彩色图像增强效果保持最佳,文献[7]针对像素不一样的情况下采取不同的[σ]值操作随机寻优。但是这种计算难度较大,本文将[σ]进行分类,对相邻的像素点使用同一个[σ]值来计算,这样就可以克服像素不会自主选择[σ]值这一缺陷,并保证整个计算顺利进行。对[σ]的分类采取将RGB转换为HIS的方式,利用[H]值的取值空间不同而得到不同种类的[σ]值。其主要思路是,将[H]值划分为相同的30个区间,[σ∈10,90],迭代次数最大值取100。在[σ]值随机寻优时,熵值越大,增强效果越明显。

1.3.2 彩色图像增强算法过程

基于粒子群优化的单尺度Retinex彩色图像增强算法过程为:

1) 利用式(8)对已读取的原彩色图像从RGB颜色空间转换为HIS颜色空间。

2) 将[H][Hmin,Hmax]劃分为相同的30个区间,即[m=]30,并且生成[C]个不同类别,即[C=C1,C2,…,Cm]。根据同一个图像中像素点的[H]值是否属于一个区间,来为像素点分类[8],并进行相同的滤波模板寻优计算。

3) 在生成的高斯空域模板集中,根据[σ∈10,90],得到[N=81]个空域滤波模板,即[G=G1,G2,…,GN],通过直接使用演化值取整的方式提高粒子寻优速度。

4) 将粒子群初始化并取值SN=10,此时[C=C1,C2,…,Cm]与[G=G1,G2,…,GN]相对应。

5) 利用式(7)进行计算并获得最佳熵值。每一轮的提取可使用如下公式进行计算:

当卷积是[Sx,y]时,可通过[H]值的分类对像素点[x,y]确定其采用的模板是[G(x,y)∈G]。

6) 当计算的迭代次数达到最高时,得到[R(x,y)]作为最佳彩色增强图像。

图像增强算法流程图如图1所示。

1.4 采用改进SSR算法解决图像光晕问题

粒子群各粒子具有各向同性属性,如果图像边缘亮度波动,则不能对当前图像背景亮度进行准确估计[9],导致图像出现光晕以及阴影问题。本文通过SSR算法解决该问题。在此通过双边滤波提取图像的背景亮度,其是一种动态滤波方法,也是融合图像的空间邻近度和像素值相似度的一种折中处理过程,同时考虑空域信息和灰度相似性,最终减少光晕的影响。利用双边滤波对图像的亮度估计如下:

2 实验结果与分析

实验搜集来自于Yellow sand以及House图库中分辨率为1 024×768的图像,并保证图像色彩比较暗。实验环境为CPU 3.8 GHz,内存2 GB,Windows XP系统,利用Matlab 2007 软件进行计算。实验通过模拟的方式检测不同彩色图像增强算法的有效性。实验中所用到的对比彩色图像增强算法有HE(直方图均衡化)算法、POSHE(部分子块重叠的直方图均衡化)算法、单尺度Retinex算法以及方向滤波算法。

2.1 主观评估结果检测

图2,图3是利用上述各算法对室外图像及室内图像进行处理得到的主观评估结果。

经过观察发现,在图2b)中,虽然对各建筑物的可见度有所增加,但色彩却大部分流失,特别是天空的色彩流失最为严重,同时在路灯周围,亮度增强过高;将图2c)与图2b)进行对比,图2c)路灯部分要好于图2b),但是分块效果比较明显;图2d)整体图像比较模糊,对比度很低,而且有噪声影响,比如拱门处;图2e)蓝天变成灰色,色彩流失比较严重;图2d)与图2e)都有光晕,对图像质量有所影响;图2f)与图2e)进行对比,颜色更为真实,而且使原图像的亮度有所增加,这就提高了整体图像的质量。

图3b)和图3c)在增强图像对比度的同时也丢失了原有的色彩;图3b)窗外树叶部分被弱化,色彩流失较为明显;图3c)由于该算法未能考虑到色彩,所以还存在着分块效果比较明显的缺陷;图3d)虽然亮度有所提高,但该算法只针对阴影部分进行增强处理,因此整体效果变得极为模糊;图3e)的室外效果要好于图3d),但整体色彩存在不够亮的问题,导致天空发灰;图3f)与图3e)相比,色彩亮度明显有所提高,并且能够对室外较清晰的部分进行保留,且质量较好。就图3中总体图像而言,图3f)整体质量要高于其他图像。

2.2 客观实验结果检测

根据上述实验,得到不同增强算法增强后图像亮度信息、对比度信息、信息熵以及饱和度信息,分别如表1~表4所示。

对表1中的数据分析可得,各种算法均增强了原图亮度,只是各算法的增强效果不同,本文算法对室内室外彩色图像亮度信息的增强效果最佳。

分析表2可得,由于Retinex算法利用对数方式对图像进行增强,即图像的灰度值提高,图像的增强程度就会随之降低,因此除了本文算法外的其他基于Retinex算法使图像对比度降低。这是因为变换函数与线性函数在增强图像时未能考虑像素点具有本身灰度属性,特别是在图像高光处这种情况更为严重。对于室外图像,HE与POSHE算法也使原图的对比度有所降低。本文算法对于室内以及室外图像对比度的增强效果优于原图。

分析表3中的数据可得,在几种不同算法中,大部分算法都提高了图像的信息熵,但是本文算法的增强效果更佳明显。

如表4所示,在几种不同算法中,大部分算法都提高了图像饱和度,尤其是采用本文算法增强的图像在室内以及室外的饱和度最高,通过单尺度Retinex算法增强的图像饱和度和原图像接近,说明本文算法对图像饱和度增强效果最佳。

3 结 语

本文采用粒子群优化算法以及SSR算法对传统单尺度Retinex算法进行改进,解决了彩色图像增强过程中存在的光晕以及色彩流失问题,获取到更加清晰的彩色图像,极大地提升了彩色图像的质量。

参考文献

[1] 李垚峰,何小海,吴小强.改进的带色彩恢复的多尺度Retinex雾天图像增强算法[J].计算机应用,2014,34(10):2996?2999.

LI Yaofeng, HE Xiaohai, WU Xiaoqiang. Improved multi?scale Retinex fog image enhancement algorithm with color restoration [J]. Computer applications, 2014, 34(10): 2996?2999.

[2] 肖进胜,单姗姗,段鹏飞,等.基于不同色彩空間融合的快速图像增强算法[J].自动化学报,2014,40(4):697?705.

XIAO Jinsheng, SHAN Shanshan, DUAN Pengfei, et al. Fast image enhancement algorithm based on different color space fusion [J]. Acta automatica Sinica, 2014, 40(4): 697?705.

[3] 刘海波,汤群芳,杨杰.改进直方图均衡和Retinex算法在灰度图像增强中的应用[J].量子电子学报,2014,31(5):525?532.

LIU Haibo, TANG Qunfang, YANG Jie. Application of improved histogram equalization and Retinex algorithm in grayscale image enhancement [J]. Chinese journal of quantum electronics, 2014, 31(5): 525?532.

[4] 睢丹,焦振,杨杰.基于小波分析和Retinex算法的图像增强算法[J].吉林大学学报(理学版),2016,54(3):592?596.

SUI Dan, JIAO Zhen, YANG Jie. Image enhancement algorithm based on wavelet analysis and Retinex algorithm [J]. Journal of Jilin University (science edition), 2016, 54(3): 592?596.

[5] 姬伟,吕兴琴,赵德安,等.苹果采摘机器人夜间图像边缘保持的Retinex增强算法[J].农业工程学报,2016,32(6):189?196.

JI Wei, L? Xingqin, ZHAO Dean, et al. Retinex enhancement algorithm for edge preserving of apple picking robot at night [J]. Transactions of the Chinese society of agricultural engineering, 2016, 32(6): 189?196.

[6] 代少升,刘琴,王斐,等.基于路径的Retinex算法在红外图像增强中的应用[J].半导体光电,2015,36(3):482?485.

DAI Shaosheng, LIU Qin, WANG Fei, et al. Application of path based Retinex algorithm in infrared image enhancement [J]. Semiconductor optoelectronics, 2015, 36(3): 482?485.

[7] 马忠丽,文杰.融合边缘信息的单尺度Retinex海雾去除算法[J].计算机辅助设计与图形学学报,2015,27(2):217?225.

MA Zhongli, WEN Jie. Single scale Retinex sea fog removal algorithm integrating edge information [J]. Journal of computer aided design and graphics, 2015, 27(2): 217?225.

[8] 姜涛,王彩玲.融合多帧信息的Retinex监控视频增强算法[J].桂林理工大学学报,2015,35(2):402?407.

JIANG Tao, WANG Cailing. Retinex surveillance video enhancement algorithm incorporating multi frame information [J]. Journal of Guilin University of Technology, 2015, 35(2): 402?407.

[9] 陈琛,张建州.改进的多尺度Retinex医学X射线图像增强算法[J].计算机工程与应用,2015,51(9):191?195.

CHEN Chen, ZHANG Jianzhou. Improved multi?scale Retinex medical X?ray image enhancement algorithm [J]. Computer engineering and applications, 2015, 51(9): 191?195.

[10] 张红颖,袁晓鹏.基于YUV色彩空间的Retinex夜间图像增强算法[J].科学技术与工程,2014,14(30):71?75.

ZHANG Hongying, YUAN Xiaopeng. Retinex night image enhancement algorithm based on YUV color space [J]. Science technology and engineering, 2014, 14(30): 71?75.

猜你喜欢
粒子群优化
基于边界变异的一种新的粒子群优化算法
引入萤火虫行为和Levy飞行的粒子群优化算法
一种机会约束优化潮流的新解法
能源总量的BP网络与粒子群优化预测
基于PSO和视觉显著性的棉花图像分割算法
发动机曲轴多工序装配的质量预测模型研究
基于PSO小波神经网络的热连轧板材质量模型优化
多项目环境下建筑施工企业资源管理问题研究
一种对Gamma分布的SAR图像相干斑去噪方法