摘 要

人们从外界获取的信息有75%来自视频图像，但是在视频图像的获取过程中经常会遇到光照强度不够或背光拍摄的情况，导致获取的彩色图像由于采光不足出现严重的退化，造成图像亮度不足，对比度偏低，大量细节无法表现等问题。这样就大大降低了图像的应用价值，给夜晚的监控安保工作造成了不便。因此，研究对低照度下的图像的处理方法，从而提高图像质量非常具有实践意义。

传统的图像增强算法对图像增强的效果不具有全面性，在增强图像亮度的同时不能很好的保护图像的细节信息。 Retinex理论介绍人眼视觉系统感知亮度和色度获取图像的原理，解释了人眼视觉系统具有颜色恒常性的根本原因，为图像增强算法研究提供了很好的理论根据。利用这一特点，Retinex算法能在保证图像细节信息不被破坏的同时，提升图像的亮度和对比度，提高图像的视觉价值。

本文基于Matlab软件，采用Retinex理论对低照度图像进行增强，提高图像的亮度和对比度，保留图像的细节信息，达到增强图像质量的目的。

关键词：低照度；图像增强；Retinex理论

ABSTRACT

Seventy-five percent of the information that people obtain from the outside world comes from video images. However, in the process of obtaining video images, it is often encountered that the light intensity is insufficient or the backlight is shot. This results in serious degradation of the acquired color images due to insufficient lighting, resulting in image brightness. Insufficient, low contrast, a lot of details can not be expressed and other issues. This greatly reduces the application value of the image, causing inconvenience to the night surveillance security work. Therefore, it is very practical to study the method of processing images under low illumination to improve the image quality.

The traditional image enhancement algorithm does not have a comprehensive effect on the effect of image enhancement. While enhancing the brightness of the image, it cannot protect the details of the image. Retinex's theory introduces the principle of the human eye vision system's perception of brightness and chromaticity to obtain images, and explains the fundamental reason why the human visual system has color constancy, which provides a good theoretical basis for image enhancement algorithm research. Using this feature, Retinex algorithm can improve the brightness and contrast of the image while ensuring the detail information of the image is not destroyed, and improve the visual value of the image.

In this paper, based on Matlab software, Retinex theory is used to enhance the low-light image, improve the brightness and contrast of the image, retain the details of the image, and achieve the purpose of enhancing the image quality.

Keywords: Low illumination; Image enhancement; Retinex theory

绪论

人类的视觉系统^[1]可以从外界获得大量信息，而信息的存在方式其中一个重要途径是通过图像来呈现的，因此图像在生活的很多方面都有着非常重要的作用，并且数字图像的处理技术近年来有了很好的发展。在数字图像中，彩色图像由于包含三个颜色通道，与灰度图像、黑白图像相比能够提供更多的色彩信息，同时， 因为彩色图像在色彩方面具有这一优势，因此对彩色图像的处理操作比其他类型的图像会更加复杂。然而，在对彩色图像进行采集^[2]的过程中，由于采集设备、外界光照条件和成像原理等因素的影响，人们很难获得高质量的彩色图像。例如，阴天下雨天气、浓雾天气中的夜间监控中的图像，无人机对地面进行侦查时采集的彩色图像等。主要存在以下两个问题：在无光照条件下，获得的图像具有很多的较暗区域，且较暗区域的细节纹理变得模糊，无法用肉眼进行辨认；在人造光源条件下，图像存在高亮和低暗区域，整幅图像亮度不均匀，图像质量有明显的减退。由于光照不均匀或者在无光照的条件下，使得整幅彩色图像的亮度较低，图像对比度不高，图像中重要的颜色信息丢失。因此，对低光照条件下的彩色图像的处理至关重要。

1.1背景及研究意义

图像增强是指强调图像的整体或局部特征，使原本模糊难以辨认的图像变得清晰或突出一些重要的特征，增强图像的对比度，并抑制没有价值的椒盐噪声。使图像质量提高，丰富图像包含的信息量，满足一些分析或研究的需要。对数字图像而言，图像增强算法有着异常重要的作用^[3]。从条件不利的环境中取得的图像，通过进行适当的图像增强处理，可以将原本模糊的原图像转换成清晰的含有丰富信息的能被人们使用的图像，处理后的图像也许不能很好保持原状，但是不用有意识的去完全重现图像的真实度。图像增强的目的是为了优化图像的全局视觉效果，对采集到的不清晰彩色图像，通过适当的图像增强算法增强图像的全局或部分特征，突出图像中的主要特征，抑制它的次要特征，使图像变得清晰可以辨认或者使得某些特征更加突出，从而使人们可以获取到有用的信息，处理后的图像能够满足有特定要求的分析和识别。随着图像增强算法的不断发展，早期出现了空域图像增强方法和频域图像增强方法，后来又出现了基于亮度和色彩的感知模型^[4]，即Retinex理论的图像增强模型。该模型在1964年由Land和Mc Cann提出，Retinex理论对图像进行增强的主要原理是去除入射光对图像的影响，从而得到图像的原始特性和本质内容。

Retinex算法能够锐化图像，使图像的色彩不易失真，具有恒常性，并且使图像的动态变化在理想的范围内。

本课题的研究意义如下：

（1）实践意义

对图像进行增强的过程中会遇到很多技术难题，而本课题对Retinex理论的研究能够解决图像增强这一技术难题，能够使得图像增强算法更好的的应用在生活中各个图像处理领域。在交通应用中，对夜间或傍晚拍摄到的的交通监控图像进行增强，从而更有效地分析路况与事故以及用于车牌识别及目标物体的提取；在室内视频监控中，对拍摄到的低照度彩色图像进行增强，可以更好地为家庭及企业的安防方面提供保障。

（2）理论意义

图像增强算法的研究具有非常重要的理论研究意义。通过对传统Retinex算法进行研究，增强后的图像往往对比度减弱，颜色与原图偏移较大甚至出现图像色彩失真、图像整体泛灰、过增强等失真现象。本课题对Retinex算法进行改进研究，提出基于MSR的改进算法能够克服传统算法存在的缺陷。

1.2国内外研究现状

近年来很多学者对Retinex理论的图像增强技术进行了大量的研究，目前基于Retinex理论的彩色图像增强算法已经有了很多改进算法。最早由Edwin Land第一次提出Retinex算法，从色彩恒常性理论角度认为人眼对观察到的物体外表的知觉是稳定的，不随外界环境的变化而变化^[5]。认为图像的反射图像包含图像的实质性的信息，与图像的入射光线没有关系。Land早期提出来的Retinex算法其对路径的选取方式是进行随机挑选的，该算法中对反射分量进行求取是其关键性的一个步骤，使用的方法是通过将相邻像素的像素值进行比较来得到。伴随着基于迭代的Retinex算法的提出，此算法又称为Frankel-Mc Cann Retinex算法，该算法将随机路径改为螺旋结构路径，通过迭代的方法确定好整条路径。基于路径比较和基于迭代的路径其性质都是一维路径，在确定路径时算法比较复杂，Land把新的二维区域替换掉原先的一维随机路径，创新性的提出了基于中心环绕的Retinex算法的路径。随着图像处理算法的飞速发展，Jobson等人在Retinex算法理论中对入射分量估计时引入低通滤波，这种低通滤波一般是高斯滤波，对基于中心环绕的Retinex理论进行了改进，单尺度Retinex(SSR, Single-Scale Retinex)算法相继被提出，后来经过Retinex理论的不断发展，科学家们又提出多尺度Retinex算法(MSR, Multi-Scale Retinex)，接着在MSR算法的理论框架上出现了带色彩恢复因子的多尺度Retinex算法(MSRCR,Multi-Scale Retinex with Color Restoration)。由于Retinex理论的自身局限性，一些科学家尝试把Retinex理论与其他算法进行组合来对图像进行增强。Cristian Munteanu等人提出了自适应Retinex算法，将带颜色恢复的Retinex算法与Real-Coded Genetic算法相组合起来，使得能够自适应的调整算法的参数；Lam,E.Y.提出的算法在Retinex算法中引入Gray-World算法，该算法能够保留Retinex算法和Gray-World算法的优点对低照度彩色图像的增强具有良好的视觉成效。

2005年，北京邮电大学的李学明提出了基于Retinex理论的图像增强方法^[6]，该方法根据像素的R，G，B三个色彩分量将彩色图像分解为三幅图像，通过计算长波、中波和短波内像素间的相对明暗联系来规定像素的色彩，然后把Retinex算法的运算结果变换到RGB模型中获得增强图像。

Retinex算法理论中认为入射分量是外界光线对图像造成的干扰，而在求取入射分量时只能大体进行估计计算^[7]，计算方式为用原始待增强图像于低通滤波函数做卷积来得到。Doron Shaked等于2006年将子采样Retinex算法中的经典的高斯滤波代替为非线性滤波，该算法对图像的低分辨率和高分辨率两个部分分别进行采样，然后将两部分进行组合得到处理后的彩色图像。

Doo Hyun Choi等于2007年提出的改进Retinex算法，该算法中使用的滤波函数是一种非线性的滤波函数。这些理论的发展扩充了滤波器种类的选择。2007年，赵艳飞使用MSR算法对遥感图像作增强处理^[8]，且这种增强处理是自适应的，该算法使得增强后的图像具有较好的视觉成效，并且通过快速傅立叶变换使得算法的实时性得到提升。

2008年，刘瑞剑等人将高斯函数的三个尺度参数增加到四个尺度参数^[9]，并将原始图像和高斯滤波函数进行离散余弦变换来求取反射分量，图像的对比度有了很大程度的提高，也使细节纹理信息更加丰富。

2009年，Masaki Suwa等人提出一种采用MSR算法提高图像的动态范围，该算法提出一种新的反射分量组合方法^[10]，使得生成后的结果图像能够达到最高的信噪比，该算法在实验平台上对灰度图像和彩色图像都做了分析，获得了较好的实验效果。

2010年，In-Su Jang等人提出了利用输入图像的局部对比度的MSR自适应图像增强算法，由于经典的MSR算法在对图像增强时会出现颜色失真现象^[11]，该算法改善了高斯滤波函数的尺度参数选取，有效的自适应的改善了图像的亮度，具有良好的视觉成效。

2011年Zia-ur Rahman研究了MSR算法下的图像增强和图像压缩之间的关系的算法，该算法重点研究失真的JPEG图像的压缩和增强之间的联系。

2012年，刘钦堂对彩色图像进行了色彩空间的变换，将图像从RGB空间变换到HSI色彩空间，对亮度分量I使用LIP方法将亮度分成几个区间段，对每个区间段使用不同尺度的Retinex理论进行增强，该算法可以很好的在保留图像细节信息的同时还原图像中的颜色信息。湖南大学朱双志等将MSR算法与直方图均衡化方法相结合起来对遥感图像进行处理^[12]，在HSV颜色空间，使用非线性全局算法对MSR算法做了改进，这一改进主要是为了增强V分量，然后采用直方图均衡化方法增强R，G，B三个颜色分量，实验数据显示处理后的图像的均值和信息熵都有很大的提高。

2013年，Tauseef Ali等用主成分分析法来分析图像的亮度信息，然后使用多尺度Retinex算法对估计的亮度结果进行增强操作，处理后的图像的对比度和纹理信息都有不错的效果。同年秦绪佳等人在HSV颜色模型中，首先使用MSR算法对V分量进行增强，又通过使用构造系数使S分量随着V分量能自适应的得到调节，该算法对条纹图像进行增强时能很好的保持细节信息，有利于对条纹信息的提取及自动编码。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：