英语原文共 6 页
基于Retinex的图像增强方法研究
摘要
本文主要研究了基于Retinex理论的图像增强的几个方法。Retinex基本上是一个捕捉图像的概念，在这种方式下，人类在视网膜（人眼）和皮层（大脑）的帮助下，通过观察物体的位置来感知图像。根据Retinex理论，我们可以将图像称为光照和物体反射的产物。Retinex专注于图像的动态范围和颜色恒定性。到目前为止，研究人员都提出了各种各样的方法来使用Retinex进行图像对比度增强。本文将讨论单标度视网膜（SSR）、多标度视网膜（MSR）、改进的视网膜图像增强（IRIE）、改善夜间增强的MSR（MSRINTE）和基于Retinex的亮度自适应感知对比度增强（RBPCELA）。
关键词：Retinex；图像增强；动态范围；颜色恒定性；SSR；MSR；IRIE；MSRINTE；RBPCELA
一、引言
当使用设备捕捉图像时，任何干扰都可能导致图像质量下降。在处理这些图像时，有一些技术可以帮助个人提高这些图像的质量，这些技术被称为图像增强技术。处理退化图像并提高其质量的过程称为图像增强。图像增强的基本目的是提高人眼看图像的质量。近年来，出现了多种图像增强技术，其中Retinex是一种非常有效和高效的技术，可用于低质量图像增强。在人类的视觉系统中，当我们往一个地方观看时，我们的大脑通过人眼（视网膜）和大脑（皮层）的处理而形成图像。Retinex的基础是基于人类视觉系统如何感知视点这一完整的场景。术语“Retinex”是由两个词(视网膜和皮层)的混合形成的。在借助机器拍摄图像时，由于某些情况，图像可能会导致动态范围低或颜色稳定性差。就图像而言，最高像素值与最低像素值的比值称为该图像的动态范围。在人类视觉系统中，我们认为物体的颜色在各种光照条件下是恒定的，这被称为颜色恒定性。Retinex的分类是通过Land完成的，其中，中心/环绕式Retinex用于实现单尺度的Retinex。如果您需要完全再现或动态范围压缩中的一个，可以使用单比例Retinex。SSR不能同时提供全部再现和动态范围压缩。
二、相关工作
在开始了解基于Retinex的图像增强方法之前，我们应该知道什么是Retinex？以及它如何计算图像。从而，我们可以很容易地理解和利用Retinex的概念。为了收集关于Retinex的信息，我们必须了解Retinex理论。
A.Retinex理论
Land在物理图像采集模型的基础上开始了Retinex理论。Retinex理论将图像描述为物体的光照和反射率的乘积。光照特性取决于光源，反射特性取决于物体的性质。根据Retinex理论，从数学上可以说，可以用反射率对图像进行分割来估计光照。但正如我们所知，获得有关光照或反射率的信息是不切实际的。如果事先不知道反射率，就无法从图像中估计光照。随后，关于光照或反射比或两者的不同假设和重新排列被提议来处理这个问题。一个典型的假设是场景和反射的边缘是相同的，并且假设场景中的光照在空间上逐渐变化。因此，在基于Retinex的方法中，反射率主要是以图像的比例和图像的平滑版本来计算的，后者被视为光照的估计。在基于Retinex的图像增强方法中，主要补偿光照对图像的影响。基于Retinex方法的图像形成模型：
(1)
其中是图像，的范围在0到255之间，是目标图像的反射率，反射率范围在0到1之间，是光照强度，照度范围也在0到255之间。图像的对数转换，即方程（1）所示：
（2）
根据对数函数的性质，计算方程(1)到(2)。根据方程(2)，可以说原始图像的对数是反射率和光照的对数之和。现在，需要找出反射比，可以通过方程(2）计算出来：
（3）
在方程(3)中，可以得到反射率的对数，并且通过取方程(3)的指数，可以得到估计的反射率。
（4）
根据方程(4)，我们可以说反射率是图像对数和光照对数的指数减法。根据方程(4)，我们可以看出，要估算反射率，须同时估算图像的光照强度。因此我们可以使用各种滤波器来估计光照。在大多数基于Retinex的图像增强方法中，使用滤波器可以平滑图像，而图像的平滑版本可以求得光照强度。
Retinex算法分为基于路径的、递归的和中心/环绕的算法。在单尺度Retinex，中心/环绕声算法首次实现。在单次环绕式Retinex算法后，提出了许多关于中心/环绕算法的算法。多尺度Retinex[7]和MSRCR也基于与SSR相同的中心/环绕算法。
三、方法论
Retinex用于减少场景的直接视图与该场景所捕获的图像之间的差距。Jobson等人提出了基本Retinex，即单尺度Retinex(SSR)。但SSR一次只能对单个图像执行有限的任务，即它既可以提供完整的再现，也可以用于压缩图像的动态范围。后来他们提出了另一种方法，即前一种方法（SSR）的加权和，称为多尺度Retinex（MSR）。MSR可以同时为图像提供动态范围的整体再现和压缩。MSR是一种更适合灰度图像的方法。因此，为了克服MSR的局限性，需要一个步骤将原始图像的颜色恢复为增强图像。结合图像颜色恢复的概念，提出了基于颜色恢复的多尺度Retinex方法。MSRCR成为增强光照不足图像的有效方法。在此基础上，为了使Retinex系统能有效地完成其任务，准确地找到背景光是非常重要的，Ling Tang等人提出了另一种方法，称为IRIE。在IRIE中，获取与图像密切相关的多帧图像，然后对其执行光照强度的提取。林浩宁和史振伟提出了一种改进MSR夜间图像增强的方法。在MSRINT方法中，MSR的对数函数被sigmoid函数取代，以减少信息丢失，同时借助MSR增强夜间图像。. Kaiqiang Xu 和Cheolkon Jung提出了基于Retinex的综合适应方法(RBCELA)。在RBCELA中，它从图像中提取光照层，然后对光照层进行亮度自适应，在此基础上进行其他操作，最后增强对比度。
A.单尺度Retinex
SSR是Jobson等人在1997年提出了基于中心/环绕Retinex的第一种方法。SSR以对数变换的方式获取一幅图像，并假定光照层是图像高斯变换的结果。在得到图像和光照层后，减去两者的对数变换，得到结果。在SSR中，我们将一个质量较低的图像作为输入，我们必须提高质量。因此，我们将图像卷积到一个适当的滤波器，这是由环绕函数形成的，我们将把它当作一个光照。然后按照Retinex的方法求出反射率，我们将从输入图像的日志中减去找到的光照的日志。然后，将得到的结果视为增强图像作为输出，它被称为单尺度视网膜。因为它只使用一个环绕函数通过卷积图像来寻找光照。数学上可以写为：
（6）
其中表示图像在第色谱带上的分布，*表示卷积算子，表示环绕函数，表示各自视网膜的输出。对图像进行环绕函数卷积运算后，进行对数变换。
环绕函数的数学表示为：
（7)
其中c代表标量值，可以称为环绕空间或高斯空间常数。K的选择基于:
（8）
（9)
环绕空间常数负责动态范围压缩和整体再现之间的调整。利用小幅度的尺度，可以使动态范围得到更大的压缩，使颜色更稳定。
SSR可以一次提供全部再现或动态范围压缩。SSR不能同时提供动态范围压缩和整体再现。因为它只使用单一的比例来寻找光照，所以它可能无法通过保持压缩动态范围或整体再现的一个属性来为某些图像提供令人满意的结果。为了克服这一问题，提出了另一种方法，称为MSR(多尺度Retinex)。
B.多尺度Retinex
如果场景的动态范围远大于图像采集设备的动态范围，那么在这种情况下，可能会发生不可恢复的信息丢失。MSR的开发是为了克服SSR的局限性。MSR结合了不同环绕空间的质量，提供了动态范围和整体再现的压缩效果良好的合成图像。
在MSR中，在单个舞台上使用多个环绕声函数来发现光照。在使用卷积过程计算了所有不同尺度的光照后，我们必须记录它们的对数。然后，取图像的对数，从中减去一个比例的计算光照度，然后对所有计算光照度重复此操作。然后，取所有尺度的所有结果的加权和作为输出，得到最终的增强图像。加上各种尺度的加权输出的SSR被称为多尺度视网膜。数学上，MSR可以表示为：
（10）
其中I代表色带（即i.e.R、G、B），N代表使用的比例数，代表环绕函数，代表各自比例的权重因子。环绕功能可通过以下方式计算：
（11）
其中表示高斯分布的标准偏差。
MSR在增强图像后保留图像的大部分细节。MSR优于SSR，但不能产生自然图像，这是Retinex的基本概念。MSR能够给出动态范围的整体再现和压缩结果，但除此之外，它在颜色灵敏度方面有限制。MSR是一种很好的方法来进行灰度图像的增强，但用于彩色图像增强就会有问题。在MSR中，我们无法预测图像处理后产生的颜色是否正确。MSR存在与颜色敏感度相关的问题。但是，我们希望Retinex能像人类所看到的视角一样产生一个结果，通过他们的思想调整，找出关于颜色和其他方面的图像的确切细节。因此，对于一个看起来与人类视觉相同的结果，我们必须使用一种技术，它将给你一个正确的颜色再现结果，作为输入图像到输出图像。因此，为了克服MSR的局限性，提出了一种基于颜色恢复的MSR(MSRCR)方法。
C. 带色彩恢复的MSR
在灰度图像中，利用MSR对图像进行增强后，可以对局部或全局的少数区域进行灰度处理。因此，为了克服这一点，需要进行计算，以处理颜色以保持图像的颜色。色彩恢复应该保持色彩的稳定性，因为这是Retinex背后的基本动机。颜色恒常性也不完全适合人类视觉，但在修复方法中，颜色恒常性是可以接受的。
在MSRCR中，根据原始图像中的三色通道及其相对强度，引入了它们的权重。在这种方法中，使用一个变化的MSR，将MSR输出与颜色恢复函数相乘，以实现目标。在MSRCR中，它将获取输入图像，然后计算图像的颜色恢复函数。在计算颜色恢复功能后，需要对图像执行MSR操作。然后，在MSR的输出端，用计算出的颜色恢复函数执行乘法运算。我们可以说，颜色恢复系数由以下公式给出：
（13）
其中是第个光谱带的颜色恢复系数，N表示光谱带的数量。是输入图像的第个光谱带。是颜色空间的映射函数。将颜色恢复因子的方程(13)与方程(10)中的MSR相结合，得到MSRCR方程，得到：
（14）
通过方程(14)，我们可以说，它能够产生具有更好色彩恢复的增强图像的结果。为了控制颜色的程度，它需要一些东西。所以在颜色恢复因素中，引入了增益和偏移:
（15）
颜色恢复因子和分别称为增益和偏移。增益和偏移以影响输出图像颜色恢复的方式控制恢复的颜色程度。
这是一种比以往的图像增强方法更好的方法，但这种方法的问题在于需要控制颜色恢复的程度和偏移量。在MSRCR中，增益和偏移量会导致信息丢失，因此需要一种适当的方法来处理恢复过程中的增益和偏移量，以便从MSRCR中获得有效的结果。
D. 改进的Retinex图像增强
在基于Retinex的方法中，有两个主要步骤：光照估计和光照归一化。现在，关键问题是要准确地收集背景光照。如果相邻帧背景相似，可以提高光照估计的精度。在这种方法中，我们更注重光照估计，以便能够精确地对图像执行Retinex。在这种情况下，借助具有不同参数和比例的高斯面罩对图像进行滤波。过滤后，用最小值法混合结果。在这种方法中，利用视频中图像帧之间的相似性和关系，在最大限度的帮助下对滤波后的所有帧进行光学背景计算。为了增强图像，它使用这种光学背景来处理Retinex。因为它具有均匀的光照。从Retinex理论可以推断，图像光照估计的精度提高了增强输出图像的质量。在这个低通滤波器是用来估计光照。我们知道，与反射率相比，光照是低频的组成部分。
在这种方法中，首先我们将从视频中获取连续的图像帧，或者可以提取相似或相同的图像来提取背景。然后在所有这些图像上，利用多尺度高斯掩模滤波器进行滤波，从而有效地获取所有图像的光照。对同一幅图像进行掩模处理后，采用最小值法，经过滤波处理后混合输出。然后，将获得相应的唯一输入图像的唯一结果。在所有唯一的输出上使用最大值法，通过混合所有输出形成一个均匀的背景图像。在遵循这个过程之后，它将以这样一种形式给出输出，将得到图像的光照。在估计的光照度和输入图像上，记录两者，然后从图像中减去光照度。然后估计输出的指数，输出一幅质量提高的图像。
在算法中，有三个主要步骤：
i.利用多尺度高斯掩模提取高斯掩模背景的尺度和方差值不同。
ii.使用最大值方法混合图像相邻帧的光照，即从所有给定输入的输出中获取最大值。
iii.借助Retinex方法对输入图像进行图像增强，并计算输入图像的光照度。
在遵循
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
