基于多尺度Retinex的图像增强算法研究.docVIP

基于多尺度Retinex的图像增强算法研究 　　摘要：在当前传媒行业工作中，新闻素材图片来源越来越丰富，图片质量参差不齐的问题已日益凸显。在这些失真的素材图片中，由于拍摄环境，拍摄者自身水平造成的图片亮度过低，颜色有偏差等问题已经给新闻素材的采集以及后期处理工作带来了不少的困难。因此，本文围绕新闻素材图片增强这一核心问题展开研究，引入了基于人类视觉理论的Retinex算法，阐述了Retinex理论原理，推导了单尺度和多尺度的Retinex 算法公式，然后实现了多尺度的Retinex算法，最后通过仿真实现比较了本文方法与传统方法，结果表明本文算法在多个客观指标上取得了良好的效果 关键词：图片失真 图像增强 多尺度Retinex 中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2016）11-0118-02 1 引言 随着信息时代的不断发展，传媒工作中，新闻素材图片常会存在图像亮度过低，颜色失真等问题，原因可能来自图片本身，也可能由天气条件，光线环境，甚至是器材操作，拍摄者技术水平等多种因素造成的。传统方法是由后期技术人员使用photoshop等各种修图软件对图片进行还原[1，2]，如文献[1]提出使用photoshop的自带工具来进行老照片的复原，这种方法依赖于技术人员个体的技术水平和对图片的主观感知，往往难以获得另大多数人满意的结果。因此，本文引入基于人类视觉模型的retinex理论，本文首先介绍了Retinex理论，不同尺度Retinex算法，并在此基础上采用C++给出了算法实现，最后通过仿真实验分析了本文方法与传统方法的优劣 2 Retinex算法 2.1 Retinex理论 Retinex理论是一个表述人类视觉系统感知的模型，最初由Land和McCann提出[3]，该模型指出，相比绝对亮度，人类视觉系统更容易感知相对的亮度，或者说是局部的亮度变化。某像素点相对的亮度可以由该像素点的亮度和其周围的区域的平均亮度的比值来确定。根据Land的研究[4]，相对亮度的计算过程可以看做是一种高通滤波器。用高斯滤波举例，操作过程可表述为 ， 由此可以得到以下公式： （1） 2.2 单尺度retinex算法 我们将公式（1）拓展到多通道上，给出单尺度Retinex的数学形式如下：（2）其中就是输入图片的第通道，是该图片在第通道上的Retinex输出结果，而是正则化周围函数。下面，我们假设有如下等式： 其中表示照度，表示反射比，可以将（2）重写为： 由于照度变化非常平缓，我们可以把照度假定为一个常量，这样可以得到 这个公式表明了为什么该方法可以减少图片中的阴影。Jobson根据[4]提出一种标量的径向核算法[5，6]，用以替代高斯函数 其中是滤波器的标准差，控制了保留空间细节的尺度，C是一个正则化因子，有 2.3 多尺度Retinex算法 由于在动态范围压缩和颜色保留上要做权衡，因此围绕函数中尺度则正确选择是但尺度Retinex算法（公式2）中的一共关键问题。多尺度的Retinex算法提供了一种在好的局部动态范围和好的颜色保留中间的一种折中方法。多尺度Retinex的结果被定义为多个单尺度Retinex输出的加权和。Jobson在[5]中提出的多尺度Retinex公式： 其中N是尺度的个数 是每个尺度和的加权 3 算法实现 3.1 多尺度Retinex算法实现 本文在[7]理论的基础上，通过C++语言实现了多尺度Retinex算法，下面给出具体实现步骤： （1）计算亮度通道：Int=（IR+IG+IB）/3 （2）对每一个尺度分别做（3），（4） （3）单尺度的Retinex： （4）多尺度的Retinex与 SCB：MSR= Int1=SCB（MSR） （5）对每个像素分别pixel i分别做（6），（7） （6）计算放大因子： （7）计算每个通道的输出： 其中I为输入图像，为图像的多个尺度 （8）中我们在做完多尺度Retinx后，对图像做了一个SCB增强[7]，SCB是一种高效的颜色平衡算法，可以有效的保持颜色的平衡 3.2 高斯卷积的实现 多尺度Retinex算法需要用高斯函数对图像进行卷积运算，如果给出的尺度值比较大的话，可能会导致在这个空间域上的计算非常的耗时。然而在傅里叶域中进行运算的话，这种卷积操作可以转化为单纯的乘法运算。事实上，根据Morel等人的推导[8]在离散傅里叶域中可以实现高斯卷积运算。下面给出本文算法中高斯卷积的实现步骤： （1）将图像对称地拓展成四倍 （2）傅里叶变换FFT