一种基于光流与人类视觉特性图像自适应增强算法.doc

一种基于光流与人类视觉特性图像自适应增强算法 　　摘 要：介绍了一种基于光照射和人类视觉特点的图像内容分析的非线性的图像增强方法，根据光照反射分量.分割图像内容为背景和细节，从而在背景区进行全局对比度增强，依据边缘保护和噪声抑制的纹理增强方法增强图像局部对比度，最后根据图像的光学特性，将增强的背景和纹理进行融合。该方法能够显著提高图像明亮区域和黑暗区域的可视细节.常规方法的过饱和、增强不够、噪声放大、细节丢失等缺点都被克服而有不影响增强效果，同时该方法实现简单，运算量适中，适合硬件实现。 关键词：Retinex ；图像增强；彩色空间；对比度 中图分类号：TP391.41 文献标识码：A 文章编号：1674-7712 （2014） 02-0000-01 图像采集时，由于光线条件，气候等条件影响，从而引起图像降质，表现为模糊、色彩黯淡等。常规的方法是改变其动态范围，或改善局部对比度。 常规图像增强方法都没有很好考虑图像采集时的环境光影响，也没有结合人类视觉特性。而根据人类彩色恒常性现象，Land提出了Retinex照射反射模型，Jobson等人以此为基础发展了单尺度、多尺度以及多尺度彩色恢复模型，尺度是在对数空间中，将原图像减去高斯函数与原图像的卷积的值，也就是原图像被减去了平滑的部分，而高斯函数中尺度参数越小，图像中背景成分减去的越多，剩下的是图像中细节成分。这样的方法halos、彩色偏移现象严重，运算量大.大量学者在此基础上进行了改进，得到了一些不错的效果，但参数设定复杂，自适应性较差，计算量超出实际应用问题. 本文在Retinex照射反射模型的基础上，引入了参数自适应较强的非线性变换函数来同时改善图像全部和局部对比度来增强图像质量；对照射分量进行自适应强度拉伸，再利用噪声抑制的非线性增益控制来增强反射分量，以提高细节的局部可见度，该方法避免了复杂的多尺度模板卷积运算.良好的参数适应性使得本文算法克服了人工设定参数困难的缺陷，使用极其灵活。. 一、Retinex照射反射模型 Land引入了Retinex理论作为人类视觉模型来解释彩色恒常性，依据就是人类视觉模型对目标表面反射信息很敏感.提出的模型将图像X表示为环境照明I和目标反射R每个像素值的乘积，计算公式见式（1） 照射部分I可以将图像与低通滤波器（高斯低通滤波器）进行卷积操作获得近似估计值： 式中： 为控制滤波窗大小的尺度参数；m和n在图像平面坐标内取值。 反射部分可根据照射分量近似值，将公式（1）变换为除法形式来获取，其表达式为：R（x1，x2）=X（x1，x2）/I（x1，x2）依据Retinex理论，通过对输入图像使用低通滤波器来估计图像背景，再通过除法获得反射信息.对反射信号通过增益/补偿控制模块增强。 二、改进的全局图像增强和局部图像增强 根据照射反射模型（1）分离照射I和反射R后，通过修正I可获得全局对比度更好的图像.为了达到这个目的，一些学者采用灰度拉伸函数，但这些函数无法保证色调，自适应性也比较差，本文使用了改进的直方图均衡算法，改进的方法在进行全局对比度拉伸时，对过于集中的灰阶进行压制，防止了过饱和；对相对个数比较少的细节和噪声部分，在统计曲线的峰谷，经过均衡化后信息丢失严重，表现在增强后的图像上即为暗区细节模糊，所以在该区域应该对之进行提升，从而达到保护的作用。 式中：up_th和down_th分别代表了直方图统计的过增强上限值和直方图欠增强的下限值。 通过实验，up_th=0.8，down_th=0.4时能适用于绝大多数图像，该方法无须过多调整控制参数，从而满足了参数自适应的要求。 在多尺度模型中，R信号表示携带着图像细节信息的目标反射分量。为了提取它，可以将R看作局部照射I周围的局部变化，输入图像X除以照射分量I就可以得到 R，X的值和I的值都归一化[0，1]区间内： 调整R的值显然可以增强局部细节.由于R值都对应着图像细节边缘区域，当R值很大时可视度很好，所以增益不宜过大，过小的R值对视觉效果贡献度不大，所以尽量不调整，对于其它R值就需要尽可能地调整，为了在不增加运算复杂度的同时还提高局部对比度，这样的函数参数自适应性要好，同时要保证不增加噪声部分，设计了一种自适应的增强函数： 式中：gain代表的是增强因子，m为反射阶数，sign（m-128）为符号函数，k可调整函数曲线的曲率，随着m从0到256的变化，即可获得反射分量的增益因子。通过大量实验发现，在实际应用中k取为0.7可以满足绝大多数图像处理的要求. 对图像照射分量和反射分量分别进行变换后，新的照射反射模型为： 式中：F（I（x1，x2））和S（R（x1，x2））分别按照公式（2