一种基于Retinex算法和小波变换的图像增强方法

一种基于Retinex算法和小波变换的图像增强方法
王新竹;吕绪良;李凌;张治;吴远江
【摘要】在图像增强中,由于噪声和细节模糊而导致的降级是常见问题之一.为了提高图像质量,提出了一种有效简单的图像增强方法.对原始图像使用Retinex算法进行全局光线的增强,通过在db2型小波变换中使用同态滤波方案处理.计算性能与标准过滤器和方法进行比较.结果的批判性分析表明,所用方法克服了传统的直方图均衡进行图像增强时遭受的过度饱和或欠饱和,特别是对于人类感知来说增强的图像质量非常差的不足.该方法比原有方法更好地提高了图像的处理效果,具有更好的增强和边缘保持能力,并具有在实际应用中使用的能力.
【期刊名称】《装备制造技术》
【年(卷),期】2018(000)009
【总页数】5页(P72-76)
【关键词】图像增强;Retinex算法;小波变换;同态滤波
【作者】王新竹;吕绪良;李凌;张治;吴远江
【作者单位】陆军工程大学研究生院电磁环境效应与光电工程重点实验室,江苏南京 210007;陆军工程大学研究生院电磁环境效应与光电工程重点实验室,江苏南京210007;陆军工程大学研究生院电磁环境效应与光电工程重点实验室,江苏南京210007;陆军工程大学研究生院电磁环境效应与光电工程重点实验室,江苏南京210007;中国人民解放军31632部队,江苏南京 210007
【正文语种】中文
【中图分类】TP391
图像增强是改善图像的视觉质量的技术，它以人为对象，以改善人的视觉效果为目的。

由于干扰、噪声、模糊等各种原因等使图像质量变差，图像经设备数字化后，通过相应的增强处理后，输出提高质量后的图像。

通过抑制图像在成像、传输等过程中易受很多不确定因素的影响达到此目的。

影响因素主要包括时间、大气状态、光照变化、浓雾、设备自身的客观条件等，为了将目标和背景更好地区分开来，以满足人类感知和高级应用对高质量图像日益增长的需求。

它是图像处理的关键一步，也是后续算法很好执行的基础和前提。

近来，已经开发了多种方法来提高图像质量。

在空间域中广泛使用的图像增强方法被称为直方图均衡化（HE），可以通过自适应修改的直方图均衡来进一步改善[1]。

然而，基于HE的增强图像通常遭受过度饱和或欠饱和，其中增强的图像质量非常差，特别是对于人类感知。

最近，提出了一种增强方法，称为“具有加权分布的自适应伽马校正”（AGCWD）[2]。

这种方法很好地保留了原始的反射率值，并且
可以产生有效的结果，但是它也受到饱和伪像和细节损失的影响，特别是在较亮的区域[3]。

针对此不足，本文提住了基于Retinex算法和小波变换的图像增强新方法。

1 基本原理
1.1 Retinex色彩增强方法
人类视觉系统（HVS）最令人着迷的现象之一是色彩恒定性，它确保在变化的照
明条件下物体的感知颜色保持相对恒定。

Retinex理论[4-5]是模拟和解释HVS如何感知颜色的第一次尝试。

该算法的基本原理模型最早是由Edwin Land（埃德温·兰德）于1971年提出的理论，是在色彩恒常性的基础上提出的一种图像增强[6-8]方法，它认为物体的色彩不受光照是否均匀的影响，具有恒定性。

根据Edwin Land提出的理论，一幅给定的图像S（x，y）可分解成两幅不同的图像：入射光图像 L（x，y）和反射物体图像R（x，y），其原理如图1所示。

图1 Retinex理论示意图
它通常转换为对数域，利用取对数的方法将照射光分量和反射光分量分离，即：
用高斯模板对原图像做卷积，即相对应对原图像坐低通滤波，得到低通滤波后的图像 D（x，y），F（x，y）表示高斯滤波函数：
在对数域中，用原函数减去低通滤波后的图像，得到高频增强的图像，取反后，得到增强后的图像，对其作对比度增强，得到最终的图像。

1.2 基于小波变换图像分解与重构算法
众所周知，图像的傅里叶变换是将图像信号分解为各种不同频率的正弦波。

同样，小波变换是将图像信号分解为由原始小波位移和缩放之后的一组小波。

小波在图像处理里被称为图像显微镜，原因在于它的多分辨率分解能力可以将图片信息一层一层分解剥离开来。

剥离的手段就是通过低通和高通滤波器。

图像使用“离散小波变换成其近似和细节子带，借助小波多尺度、多层次分解信号的特点，将信号所处的一个大频带逐步分解成小频带。

连续小波变换对：
同时根据经典的Mallat塔式小波分解理论[9-10]图像经分解层数为L的二维离散小波变换以后，分为3L+1个子分量，即1个低频分量和3L个高频分量。

1.3 基于中值滤波高频去噪方法
几乎所有的图像都有噪声，去噪步骤的省略会妨碍图像处理的效果[11]。

因此，可靠的分析需要良好的消噪手段。

中值滤波器[12-14]是一种去除噪声的非线性处理方法，其基本原理是把数字图像
或数字序列中一点的值用该点邻域中各点值的中值代替。

中值滤波器的概念很容易推广到二维，此时可以利用某种形式的二维窗口。

设｛xij，（i，j）∈I2｝表示数字图像各点的灰度值，滤波窗口为A的二维中值滤波可定义为：
中值滤波器根据它们的像素强度对窗口中的所有像素值进行排序，并用该排名中的中值替换中心像素值。

中值滤波对于消除高强度尖峰特别有效，因为它对极值的鲁棒性。

但是，应该小心使用它，因为广泛的中值滤波会导致图像特征和边缘的严重失真，并且一般规则是中值滤波器的窗口大小应该小于感兴趣的特征。

1.4 基于同态滤波器低频去噪方法
同态滤波[15]是同时用于动态范围压缩和对比度增强的公认的程序。

是一种在频域中同时将图像亮度范围进行压缩和将图像对比度进行增强的方法，是基于图像成像模型进行的。

操作的示意图如图2所示。

图2 同态滤波过程
图像f（x，y）入射光分量i（x，y）由照明源决定，即它和光源有关，通常用来
表示慢的动态变化，可直接决定一幅图像中像素能达到的动态范围；而反射光分量r（x，y）则是由物体本身特性决定的，它表示灰度的急剧变化部分，如两个不同
物体的交界部分、边缘部分及线等。

如果令：
再对式取傅里叶变换，可得：
图像的照射分量F{In[i（u，v）]}在空间上变化缓慢，其频谱特性集中在低频段；
而反射函数F{In[r（u，v）]}的频谱集中在高频段（景物本身具有较多的细节和边缘），反射函数描述的景物，反映图像的细节内容，特别是在不同物体的连接部分，
其频率处于高频区域[16-17]。

这些特性导致图像取对数后的傅里叶变换的低频成
分与照射相联系，而高频成分与反射相联系：
增强图像 g（x，y），必须就行反运算，即：
式中，i0（x，y）和r0（x，y）分别为输出图像的照明光和反射光分量。

2 实验验证
图像由于光照不足而引起整体观感差、部分信息丢失、无法辨认图像中景物等问题，需要进行图像增强处理后才能进行特定的应用。

已有的图像增强算法很多，这些方法有各自的优点，但通常只能在某一方面进行增强，对图像处理的效果不尽如意，而Retinex作为一种空域图像增强算法，它能够在多个方面达到平衡，是一种在
细节增强、颜色保真、亮度提升方面均有优良特性的方法，故本文采用此算法来对真彩色图像进行增强处理。

图3是原图和经Retinex处理后图像及其直方图。

图3 原图和经Retinex处理后图像及其直方图
从图3中可以看出原图像的直方图主要分布在灰度值较低的区域，整个直方图集
中且存在个别灰度级很高的现象，经过Retinex处理后的直方图灰度级范围有了
一定的扩展，说明丰富了图像的细节信息，直方图分布也更均匀，它作为一种图像处理领域的色彩理论，能够在颜色恒常性、灰度动态范围和细节增强三方面都有很好的效果，达到平衡，能够针对不同类型的图像特别是彩色图像进行有效增强处理。

经Retinex处理后的图像经小波分解，在每个尺度上，图像被分离成低频部分和
高频部分。

小波变换的局部空间分量是通过在每个尺度上移动空间图像域中的有限小波函数来创建的，在每个尺度上，图像被分离成低频信号部分和高频噪声部分。

小波变换包括了图像的时频信息，可以放大图像的局部信息进行分析，对于图像处理十分方便。

MATLAB Wavelet Toolbox提供了一个用于2D-DWT的函数dwt2，用于分析图像中的高频分量。

使用Daubechies小波（db2），因为它很容易解决信号或分形问题的自相似性质。

分解测试和执行5级视觉质量分析得出3级的分解有最好的
结果。

DWT将图像分解为低频部分（LL）和高频部分（LH，HL和HH）如图4
所示。

图4 小波分解图
硬阈值和软阈值是用于使用所选阈值执行阈值处理的两种最流行的阈值算法。

在硬阈值处理中，每个系数值与阀值相匹配，小于阈值的值变为零，而软阈值处理中的置换过程类似于硬阈值处理，而剩余系数则通过减去阈值进行修改。

比较而言，软阈值在图像的视觉外观方面提供了改进的性能。

根据同态滤波的原理，低频部分经同态滤波处理，可以使低频部分的高频信息增强，然后对其进行软阈值去噪。

高频部分主要集中图像的边缘和细节信息，Cannistraci等人也证实了与常规滤波器相比，小波轮廓线的一般性能得到改善，
故可采用自适应中值滤波对高频部分进行去噪处理，中值滤波是消除椒盐和脉冲噪声的非线性方法。

它减少了随机噪声，保留了图像的边缘信息。

算法的流程如图5所示。

图5 算法流程图
3 结果分析
3.1 实例研究
在本节中，噪声图像大小为256 mm×256 mm，用于验证所提算法的定量和定性评价性能。

所有实验结果都用matlab版本进行了评价，实验结果如图6所示。

图6 图片对比
从图6可以直观的看出，直方图规定化虽然去除了噪声，使得图像更加平滑，增
强了目标与背景的对比度，但却损失了图像的细节信息，很明显，牌子上的文字已
经看不见了。

而经本文算法所得图像在去除噪声的同时，丰富了细节信息，增强了图像的对比度，在视觉外观方面提供了最好的结果。

3.2 性能评估
为了衡量算法的准确性，常用的性能度量指标，如均方根误差（RMSE），信噪比（SNR），峰值信噪比（PSNR），图像的对比增益（CG），结构相似指数测度（SSIM）和品质因数（FOM）等。

在这些指标中，大多采用PSNR，CG，SSIM等指标。

SSIM用于测量去噪图像与参考图像之间的相似度。

它取决于亮度，对比度和结构三个术语。

整体指数是三项的乘法组合。

在去噪过程中，PSNR是重要的性能指标之一。

当PSNR值高时，
去噪图像质量好，否则被认为是差的。

用于比较的另一个度量是CG，较高的CG
值意味着图像的亮度较高，这表明图像具有较高的对比度值。

表1是通过对传统的直方图均衡化和本文算法的 PSNR，CG，SSIM 比较。

表1 定量比较PSNR CG SSIM Traditional 33.3879 0.1740 0.7902 Proposed 37.0420 0.2136 0.8504
根据表1，本文提出的方法获得较高的CG度量，对于PSMR和SSIM也具有较好的值。

因此，本文提出的方法具有更好的亮度增强和照明效果，很好地保护了边缘，且具有良好的对比度。

该方法在视觉质量和客观性能两方面都能获得更好的增强图像。

4 结束语
本文提出了一种基于Retinex算法和小波变换的图像增强方法。

视觉和定量结果
表明，所提出的增强方法具有更好的增强和边缘保持能力，同时保持原来的反射值。

将所提方法与经典方法进行了比较，结果表明所提方法提高了图像质量，同时也保留了原图像的反射信息，能够实现更好的增强图像的视觉效果和客观性能也更好。

作为一种简单而有效的方法，所提出的方法便于实现。

参考文献：
【相关文献】
[1]Rafael C.Gonzalez，Richard E.Woods ，Steven L.Eddins ，et al.Image processing （2nd Edition） [M].Boston：Gatesmark Publishing，2001：1-400.
[2]Shihchia Huang，Fanchieh Cheng，Yisheng Chiu.Efficient contrast enhancement using adaptive gamma correction with weighting distribution[J].IEEE Transactions On Image Process ing，2013，33（3）：1032-1041.
[3]Xueyang Fu，Jiye Wang，Delu Zeng，et al.Ding Remote sens ing image enhancement using regularized-histogram equaliza tion and dct[J].IEEE Geoscience and Remote Sensing Letters，2015，12（11）：2301-2305.
[4]Edwin nd，John J.McCann.Lightness and Retinex theory[J].Journal of the Optical Society of America，1971，61（1）：1-11.
[5]Land E.H.The Retinex theory of color vision[J].Scientific American，1997，237（6）：108-128.
[6]Ziaur Rahman;Daniel J Jobson;Glenn A Woodell.Retinex processing for automatic image enhancement[J].Journal of Electronic Imaging，2004，13（1）：100-110.
[7]Yeonoh Nam，Dongyoon Choi，Byung Cheol Song.Power-con strained contrast enhancement algorithm using multiscale Retinex for OLED display[J].IEEE Transactions on Image Processing，2014，23（8）：3308-3320.
[8]Shuhang Wang，Jin Zheng，Haimiao Hu，et al.Naturalness preserved enhancement algorithm for non-uniform illumination images[J].IEEE Transactions on Image Processing，2013，22（9）：3538-3548.
[9]刘明才.小波分析及其应用[M].北京：清华大学出版社，2013：36-155.
[10]周伟.基于MATLAB的小波分析应用[M].西安：西安电子科技大学出版社，2010：6-87.
[11]Panagiotis Tsakanikas;Elias S Manolakos.Improving 2-DE gel image denoising using contourlets Proteomics[J].Pro teomics，2009（9）：3877-3888.
[12]Carlo V Cannistraci，Franco Maria Montevecchi，Massimo Alessio.Median-modified Wiener filter provides efficient de noising，preserving spot edge and
morphology[J].Proteomics，2009（9）：4908-4919.
[13]邱志祺.基于中值滤波与小波变换的图像去噪研究[D].唐山：华北理工大学，2015.
[14]Peter Peer，Luis Galo Corzo.Local pixel value collection al gorithm for spot segmentation in two-dimensional gel elec trophoresis research[J].Computer Function
Genomics，2007，9（27）：89596.
[15]程新.基于同态滤波的图像增强算法研究[D].西安：西安邮电大学，2016.
[16]焦竹青，徐保国.基于同态滤波的彩色图像光照补偿方法[J].光电子激光，2010，9（4）：602-605.
[17]陈春宁，王延杰.在频域中利用同态滤波增强图像对比度[J].微计算机信息，2007，23（6）：264-266.。