一种基于Retinex的雾霾图像增强改进算法

一种基于Retinex的雾霾图像增强改进算法

石昊苏;方丽娟;台志强;韩丽娜

【摘要】To enhance the improvement of haze image quality degradation and fuzzy details,the method of improved Retinex theory is used.Through the experiment of the haze image decomposition to get R and L component,and denoising R with bilateral filtering as well as transforming and Gamma linear correction L,then combining with processed R and L component,The results show that the improved algorithm can improve image visual effect with rich color and enhance image details to make for the follow-up image processing.%针对增强改进雾霾图像质量退化、细节不清的目的,采用改进Retinex理论的方法,,通过对雾霾图像分解得到R、L分量,对R进行双边滤波去噪,同时对L进行Gamma变换并做线性拉伸校正,合并处理后的R、L图像等实验,得出从主观视觉效果和客观性能指标两方面,改进算法能够丰富雾霾图像色彩,提高雾霾图像的视觉效果,增强图像的细节,有利于后续图像处理.

【期刊名称】《电子设计工程》

【年(卷),期】2018(026)004

【总页数】4页(P180-183)

【关键词】Retinex算法;图像增强;MSR算法;雾霾图像

【作者】石昊苏;方丽娟;台志强;韩丽娜

【作者单位】西北政法大学商学院,陕西西安710063;西北政法大学商学院,陕西西

安710063;西北政法大学公安学院,陕西西安710063;咸阳师范学院图形图像研究所,陕西咸阳712000

【正文语种】中文

【中图分类】TN247

“雾霾”是高密度人口的经济及社会活动相互作用排放的大量细颗粒物（PM2.5）持续积聚又恰逢静稳天气所形成的，现代化进程加剧了雾霾出现的频率、持续时间，雾霾条件下采集到的数字图像往往会出现画面不清晰、辨析程度低等缺陷，给机器后续的识别检测工作带来较大的困难[1]。

图像增强技术就是有选择地突出有用信息，削弱、舍弃或抵制一些无用信息[2]，

改善辨析程度较低的图像，便于后续图像识别检测工作的顺利进行。所以如何设计性能优异的雾霾图像增强算法，去除雾霾干扰、增强雾霾图像细节信息，是一个有挑战性的课题[3]。

传统的图像增强算法主要有：直方图均衡法、小波变换法、同态滤波法等[4-5]，

但对于特殊场景如雾霾图像的处理效果并不是十分理想，基于Retinex的图像增

强由于不受光照的影响且能较好还原物体本来的面目受到广泛关注，文献[6-10]讨论了基于Retinex理论图像增强的一些算法，Retinex理论具有高动态范围压缩，局部对比度增强，保持图像色觉恒性等优点，但当光照变化较大时，在图像灰度突变处易产生光晕伪影、图像边缘模糊等缺陷，因此学者们对Retinex算法进行了

不断地改进、完善。

文中以雾霾天气采集的图像为实验对象，提出一种改进的Retinex算法，期冀改

善图像的增强效果，并采用仿真实验对算法的有效性和优越性进行测试。

1 Retinex基本理论

1.1 Retinex理论概述

Retinex是美国物理学家Edwin Land于1963年在人类视觉亮度和颜色感知的模型基础上提出的一种颜色恒常知觉的计算理论。Retinex建立在第一、真实世界是无颜色的，我们所感知的颜色是光与物质的相互作用的结果。第二、每一颜色区域由给定波长的红、绿、蓝三原色构成的。第三、三原色决定了每个单位区域的颜色。Retinex理论主要包括两个方面的内容：

1）物体的颜色是由物体对长波、中波和短波光线的反射能力决定的，而不是由反射光强度的绝对值决定的。

2）物体的色彩不受光照非均性的影响，具有一致性。

图像S（x，y）可以理解为两部分：入射光图像L（x，y）；反射物图像R（x，y）。

R（x，y）决定图像的内存性质，物体原貌主要与L（x，y）相关，不因外界环境

的变化而变化[11]。

为了简化运算，将其放入对数域处理：

图1 Retinex理论

所有，只要有L（x，y）就可以根据图像S（x，y）去除入射光，得到物体的原貌。

1.2 Retinex理论的基本算法

伴随Retinex理论各种算法不断涌现，使用较多的是中心环绕算法：在待处理图

像中每个像素点利用周边的元素来估计反射光线，利用环绕函数来估计该点的反射光。包括单尺度（SSR）、多尺度算法（MSR）和色彩恢复多尺度算法（MSRCR）。

SSR算法选取高斯环绕函数对入射光L（x，y）进行估计，然后去除，如下

其中Ii（x，y）为原图像第i个色彩带，*为卷积运算，ƒ（x，y）为高斯环绕函数。定义如下：

其中δ为尺度参数；λ满足条件：

单尺度SSR算法可以保证颜色恒定同时增强边缘信息，但最大的缺陷是不能同时

提供丰富的动态范围压缩和颜色保真[12]。

多尺度MSR算法对多个SSR算法的处理结果加权叠加，获得较优的图像增强效果，即

其中N为尺度数；WK为权重；高斯环绕函数fk(x,y)定义如下：

δk为 fk(x,y)的标准差。

在MSR算法中图像可能会增加噪声而造成局部区域色彩失真，使真正颜色效果不能很好被显现，影响整体视觉效果，引入色彩恢复多尺度MSRCR就是为了解决

这一问题[13]。色彩恢复因子C的表达式为：

其中Ci为第i个通道的色彩通道的色彩恢复因子，作用是调节RGB通道颜色的比例；Ii(x,y)为原始图像在第i颜色通道的分布。

MSRCR改进算法的公式为：

其中ri(x,y)为Retinex的第i通道的输出；*为卷积运算；N为尺度数（一般RGB