正在进行安全检测...

发布时间:2023-12-03 02:44:49

第39卷第6期 系统工程与电子技术 Systems Engineering and Electronics Vo1.39 No.6 2017年6月 文章编号:1001—506X(2017)06—1383—08 June 2O17 网址:www.sys—ele.CON 种光照不均匀图像的自适应校正算法 王殿伟 ,王 晶。,许志杰。,刘 颖 (1.西安邮电大学通信与信息工程学院,陕西西安710121;2.电子信息现场勘查应用技术公安部重点 实验室,陕西西安710121;3.(英国)哈德斯菲尔德大学计算机与工程学院,Huddersfeld HD1 3DH,UK) 要:为了提高光照不均匀条件下采集的图像的视觉效果,提出了一种基于改进二维伽马函数自适应亮度 校正算法。首先基于光照反射成像模型,利用快速引导滤波算法提取出光照信 g-;然后构造了一种改进的二维伽 马函数,并利用光照的分布特性动态地调整二维伽马函数的参数,实现对图像亮度的自适应校正处理,提高光照 过暗区域图像的亮度值,降低光照过强区域图像的亮度值,得到增强后的图像。对多种场景图像的处理结果表 明,本文算法可以有效地降低不均匀光照的影响,提高图像的质量。 关键词:图像增强;光照不均匀校正;二维伽马函数;快速引导滤波 中图分类号:TP 391 文献标志码:A DOI:10.3969/j.issn.1001—506X.2017.06.29 Adaptive correction algorithm for non uniform illumination images WANG Dianwei ,WANG Jing。,XU Zhijie。,LIU Ying ' (I.School of Telecommunication and Information Engineering,Xi’an University of Posts and Telecommunications, Xi’an 71 01 21,China;2.Key Laboratory of Electronic Information Application Technology for Scene[nvestigation,Ministry of Public Security,People S Republic of China,Xi’an 710121,China; 3.School of Computing and Engineering,University of Huddersfield,Huddersfield HD1 3DH,UK) Abstract:An adaptive correction algorithm for non-uniform illumination images is proposed,which can e— liminate the impact of non—uniform illumination on imaging results.Firstly,the illumination component is ex~ tracted by the fast guided image filter based on the luminance—reflection imaging mode1.In succession,an im~ proved two—dimentonal Gamma functon dynamicaly adj usted by he local distbuton characterstcs of iumi nation iS constructed。which can increase the intensity value at the lOW—level illumination regions and vice versa at the high—level illumination regions in the luminance domain.Finally,the non-uniform illumination image is adj usted adaptvely by he proposed algorihm.Experimenta esul of dierent maging cenaros how hat he pro~ posed algorithm can reduce the impact caused by non-uniform illumination and enhance the quality of the images. Keywords:image enhancement;non—uniform illumination correction;two—dimentional Gamma function; fast guided image filter 0 引 言 在实际的图像采集过程中,经常会受到光照变化、阴影 以及物体表面反射特性差异等因素的影响,导致成像场景 中的光照并不均匀,致使获取到的图像中有些区域的光照 觉质量,而且对于各种图像处理操作具有重要的意义_ ]。 目前,光照不均匀图像的增强处理算法主要有基于变 换域(如频率域)的方法和基于空域的方法两大类。基于变 换域的方法以变换后的系数为对象,采用不同的方法进行 处理,目前主要在光照不均匀的人脸识别和指纹图像增 强 等领域得到了应用,但是这类算法很难准确重构出高 频分量和低频分量,所以经常出现细节信息丢失等现象。 过强,而有些区域的光照又太弱,不仅严重影响图像的视觉 效果,而且会给图像分割、特征提取、目标跟踪、图像检索等 操作带来困难,因此开展光照不均匀图像的增强处理研究, 降低光照不均匀对图像质量的影响,不仅可以提高图像的视 基于空间域的方法根据图像每一个像素点的亮度分布特 性,直接对每一个像素点的亮度值进行处理,避免了变换域 收稿日期:2016一O8—10;修回日期:2016—12—03;网络优先出版日期:2017—02—24。 网络优先出版地址:http:∥www.cnki.net/kcms/detai/1l_2422.TN.20170224.1150.004.html 基金项目:国家自然科学基金(61202183);公安部科技强警基础工作专项项目(2014GABJC024);陕西省自然科学基金(2o15JM6350);陕 西省教育厅专项科研计划(14JK168o)资助课题 
1384・ 系统工程与电子技术 第39卷 处理过程中所需的变换和反变换等操作,因而受到了广泛 的关注。目前,常用的空域处理方法主要有直方图均衡化 方法、伽马校正方法、非锐化掩膜方法、模糊的方法、Ret nex算法以及基于空间变化照度图的校正方法等。 直方图均衡化算法具有算法简单、运算速度快的优点, 对整体亮度偏暗或者偏亮的图像具有很好的增强效果,因 此被广泛应用于图像增强处理。但是,对于光照不均匀图 像而言,直方图均衡化算法会出现过增强现象 。为了解 决这一问题,一些带有限制条件的直方图均衡化算法,比如 亮度保持直方图均衡化算法和对比度限制直方图均衡化算 法先后被提出。这些改进的方法虽然可以抑制过增强的现 象,但是亮度保持直方图均衡化算法无法增强亮度过暗区 域的细节,对比度限制直方图均衡化算法又很难准确设定 剪切阈值 ]。伽马校正的方法可以增强图像的对比度,但 是对于光照不均匀的图像,伽马校正的方法经受到过饱和/ 欠饱和问题的困扰 ”]。非锐化掩膜的方法可以增强图像 的细节和边缘,但是存在噪声放大的问题_ 。基于模糊 的方法利用模糊理论判断图像的亮度并区分出低亮度和高 亮度区域并分别进行处理,但是方法的运算复杂,而且影响 算法性能的关键参数的优化选取比较困难 。Retnex 算法及其改进算法将一幅图像分解为光照分量和反射分 量,并把调整后的反射分量作为增强的结果,对于一般的光 照不均匀图像具有较好的增强效果,可以有效增强暗处区 域内的细节信息。但是这类算法运算复杂度过高,而且受到 “光晕”效应以及暗处噪声放大等问题的困扰 。文献[19] 提出了一种基于空间可变照度图(space—variant luminance map,SVLM)的校正方法,可以有效提高光照过暗区域图 像的亮度,并降低光照过亮区域图像的亮度,具有很好的 亮度校正效果,但是这种算法存在两个方面的不足:①由 于所用的高斯滤波函数边缘保持能力差导致提取出来的 光照分量边缘模糊的问题;②光照校正时将光照分量的均 值人为地设置为128,导致对光照过高或者过低的局部区 域产生过增强/X增强的问题。为了解决上述两个问题, 本文基于快速引导滤波算法具有良好的边缘保持特性和 最低的运算复杂性的优势,利用快速引导滤波算法快速准 确地提取出场景的光照分量,然后构造了一种改进的二维 伽马函数,并利用每个像素点上的光照分量值动态地调整 二维伽马函数的参数,对该像素点的亮度分量值进行自适 应的校正处理,降低光照过亮区域图像的亮度值并提高光 照过暗区域图像的亮度值,有效地改善图像的视觉效果并 提高图像的质量。 光照分量的提取 1.1光照一反射成像模型 数字图像可以用一个二维函数F(x, )表示,每一点处 的函数值就是该点处图像的亮度值。由光学成像原理可知, 可见光图像是由场景的光照分量经物体表面反射后到达成 像单元(如电荷耦合原件(charged-coupled devie,CCD)等)后 产生的,因此图像可以看作是由照射到场景中的光照分量和 经物体反射后的反射分量的乘积构成,其表达式为 F(x, ):I(x, )・R(x, ) (1) 式(1)所示的成像模型称为光照一反射成像模型 ,模 型中的主体元素之间的空间位置如图1所示。 如 场景 x  光照一反射成像模型主体元素空间位置图 Fig.1 Spatial locaton of main objects in lghtness— reflection imaging model 由光照一反射成像模型理论可知,对于一幅数字图像而 言,光照分量I(z, )主要对应图像中的低频分量部分,决 定了图像的动态范围;而反射分量R(x, )主要对应图像中 的高频分量部分,决定了图像中的细节信息,是图像的本质 属性。如果场景的光照均匀,其光照分量在空间内服从均 匀分布,这种情况下获取到的图像光照自然,所以视觉质量 较高;但是如果成像场景内的光照不均匀,则会出现由于不 均匀的光照而导致的图像中光照太强的区域过亮,而光照 太弱的区域过暗,甚至可能引发图像亮度值过高的区域发 生过曝光、色彩失真,而亮度值过低的区域细节信息无法提 取、色彩丢失等问题,严重降低图像的视觉质量,因此对光 照不均匀图像的校正处理就显得非常重要。 1.2基于快速引导滤波的光照分量的提取 为有效地降低光照不均匀对图像质量的影响,准确地 提取出场景的光照信息非常重要。目前,对光照分量的提 取方法主要有高斯滤波的方法、双边滤波的方法、变分框架 Retnex的方法等。高斯滤波的方法被广泛应用于Retnex 算法及其改进算法,但是由于高斯滤波算法的边缘保持性 差,因此提取出来的光照分量的边缘模糊、细节表现能力较 差 ]。双边滤波算法具有较好的边缘保持特性,但是这 种算法的运算复杂度过高,从而限制了其在实际工程中的 应用 。变分框架Retinex方法可以准确地提取出变 化缓慢的光照分量,但是对于含有光照突变(比如含有明确 边缘的阴影)的图像的光照分量的提取效果并不好  文献E3o]提出的引导滤波算法利用引导图像和输入图像之 间的局部线性关系,在滤波窗口内重新计算每一个像素 值,其滤波输出图像是引导图像的一个局部线性变换。引 导滤波尤其是当利用原图像本身做引导图像时,引导滤波 可以在很好地保持原图像的显著边缘的前提下具有很好 的背景平滑特性,得到图像的低频信息,并在各类边缘保 持滤波算法中具有最低的运算复杂度。鉴于引导滤波是 种最快的边缘保持滤波算法,并且不带有梯度反转效 
第6期 王殿伟等:一种光照不均匀图像的自适应校正算法  l385 ・ 应,因此本文利用快速引导滤波算法快速准确地提取出场 景的光照分量。 q 一r   (口 j +b )一n。J 4-b (6) 假设输入图像为P,引导图像为J,滤波输出图像为q, 对于任意的像素点k,在以其为中心半径为r的滤波窗口 内存在线性变换关系为 q 一n j +b ,V i 6-Ⅲ (2) 由式(3)给出的约束条件可知,引导滤波的输出图像能 够最大限度地保留输入图像的总体特征,并且能够有效地 获取引导图像的变化细节,因此是一种具有良好的边缘保 持特性的滤波算法。 由于引导滤波算法使用盒状滤波器与积分图像的技术 
实现算法的主要过程。执行速度与滤波窗口的大小无关,因 式中 和 为线性变换因子,在窗口 中为常数。由式(2) 可知,对于任意窗口内存在Vq一“ V,的梯度关系,因此输 出图像的边缘和引导图像的边缘之间呈现良好的对应特 性,也就是能最大限度地保留引导图像的边缘信息。引导 滤波过程的核心作用是在窗口 内计算线性变换因子 此极大地降低了运算复杂度。假设图像的总像素为N,滤波 窗口半径为r,传统双边滤波算法的时间复杂度为()(NP)。 而引导滤波算法的时间复杂度为f)(N),是目前各种保持 边缘的滤波算法中运算复杂度最低的算法之一。为_进一 (“ ,b )的最优值,使输出图像q和输入图像P的差值达到 最小。在窗口 中所使用的代价函数的表达式为 步降低引导滤波算法的时间复杂度,文献E32]等在原来引 E( , ): :[( j +b女一P, + ] e 3) 导滤波算法的基础 提出了快速引导滤波算法,其主要的 式中,s是防止“ 取值过大的规则化参数。通过文献[31] 中的线性回归的方法可以求解出“ 和b 的最优值为  原理是利用输入图像和引导图像的降采样图像来求解“ 和b ,因此能够进一步降低算法的时间复杂度。以同样一 幅总像素为N的图像为例,滤波窗口半径为r.如果对引导 图像和输入图像进行 倍下采样后再求解“ 和b ,则时间 (4)q, (5) _T  li声,~/xkf   “ 一—————_ —■————一 口 十£ 复杂度由0(N)降为 (N/s ).一般而言,快速引导滤波算 法的运算速度会比引导滤波算法快1O倍以上。钊 对灰度图 b —P —n女 式中,】 l是窗口 内像素的数目;胁和口 分别是窗口中 像(Moon图像)和彩色图像(Gil图像),分别使用多尺度高 斯函数方法(尺度因子C分别为15,8O和250)、双边滤波方 法(空间域权重 一8,灰度域权重 一4,滤波半径r一21)和 快速引导滤波方法(滤波半径 一l 6,调整参数£一0.01,下采 样倍率 一4).提取光照分量,其结果如图2、图3所示。 引导图像,的均值与方差; 是窗口中P 的均值。由于同 像素点会包含在不同的窗口内,而且这些不同的窗口内嘶 和 的取值_『能会变化,因此常取以点该点为中心的不同 窗口内 和 的均值并以此为参数求解出q,的表达式: a)Moonl ̄像 (a)Image ofMoon b)多尺度高斯函数方法 (b)Multi—scal Gaussian functon method)双边滤波方法 (c)Biateral fer method d)快速引导蘧波方法 (d)Fast guided mage er method 图2不同方法提取f鹊的灰度陶像的光照分量 (a)Girl (a)lnage ofGirl b)多尺度高斯函数方法 (b)Multiscale Gaussian functon method(cJ双边滤波方法 c)Biateral fer method d)快速引导滤波方法 d)Fast guided mage er method 图3 不M方法提取m的彩色图像的光照分量 由冈2 l图3可 ,3种不同方法所提取出的光照分量 都可以较好地描述场景中的光照变化,而HI 带有细节信 息,非常符合光照分量的分布特征。为了进一步比较3种 方法提取出的光照分量的边缘保持特性.分别以Moon 像 
・ 1386 ・ 系统工程与电子技术 数,其表达式为 第39卷 第4o行和Gil图像第120行的像素为例,取其原图像的灰 度图像上该行的亮度值和不同算法提取出的光照分量中该 行的像素的亮度值,组成的一维亮度图形如图4和图5 0( )一255×f  , ‘J  ,y一 c 8,(7) 所示。 水平方向像素点坐标 +:原圈;+:多尺度高斯函数; :双边滤波;——:快速引导滤波。 图4 Moon图像中不同算法提取的一维光照分量图 Fig.4 One—dimentonal ilustration of extracted ilumination by different methods in the image of Moon 水平方向像素点坐标 +:原图;+:多尺度高斯函数;×:双边滤波;——:快速引导滤波。 图5 Girl图像中不同算法提取的一维光照分量图 Fig.5 One—dimentional iustration of extracted ilumination by different methods in image of Girl 由图4和图5所示的结果可知,由本文提出的基于快 速引导滤波算法提取出的光照分量与原图像的亮度图像的 逼近程度最好,尤其是在原图像中亮度突变的地方(在图像 上表现为图像的边缘),本文提出的基于快速引导滤波算法 提取出来的光照更好地保持了原图像的边缘特征,而多尺 度高斯函数方法和双边滤波方法虽然可以提取出光照分量 的大致分布,但是两种算法提取出的光照分量的边缘保持 能力都很差。另外一方面,快速引导滤波算法提取出光照 分量的运算速度要比多尺度高斯函数方法和双边滤波算法 快,因此本文提出的利用快速引导滤波算法可以高效、准确 地提取出场景中的光照信息。 2 基于改进二维伽马函数的自适应亮度校 正函数的构建 为了降低光照不均匀对成像质量的影响,本文构建了 种基于改进的二维伽马函数,并利用每个像素点处的光 照分量值调整作用于该点处的二维伽马函数的参数,增大 光照过低区域的亮度值,降低光照过强区域的亮度值,最终 实现对光照不均匀图像的自适应校正处理。 文献[33]提出了一种基于二维伽马函数的亮度校正函 式中,I(x, )是输入图像的亮度;O(x,y)是输出图像;L(x, ) 是提取出的当前点(z,)上的光照分量值;),是伽马校正参 数,决定了图像增强的效果;参数a的取值范围是0~1。对 于低对比度图像, 的值会接近于0,因此输出图像会得到 很大程度的增强;当 的值趋近于1时,图像无需进行校正 处理。一般而言,这种方法人为地设定提取出来的光照分 量的平均强度为128,而且设定a的值为0.5,对于某些整 体比较暗或者比较亮的图像的校正效果不够理想。为此, 本文对这种二维伽马函数进行改进,利用提取出的整幅图 像的光照图的均值m代替固定值128,并定义 为光照系 数s,提出了一种改进后的光照校正函数,其表达式为 o(z,v)一255×(  ,y—e  (8) 00 由于整幅图像的光照均值;1的取值范围理论上是[o, 255J,所以光照因子的取值范围理论上是E0,1]。但是实际 获取的室内外图像中,很少有全暗(m一0)或者全亮(优一 255)的情况,因此光照系数的取值很少出现0或者1的极 端情况。随机选取了2 000幅光照不均匀图像,并利用本 文提出的基于快速引导滤波算法提取出整幅图像的光照 图,并求取其平均值后。经计算得出的光照系数的值域分布 如图6所示。 样本数目 图6光照系数统计值 Fig.6 Statistics values of iumination coefficient 经计算,2 000幅图像的光照系数的平均值为0.495 7, 这说明对于大量的图像的统计数据而言,光照分量的平均 值在128附近出现的概率最高,因此将光照系数的值设置 为0.5。但是对于每一幅图像而言,用光照系数的实际值 进行校正的结果会更加准确。由式(8)可知,伽马校正参数 ,不再是固定值,而是随着场景的光照分量的取值不同而 不同,因此能够自适应地调整对光照不均匀图像的校正效 果。如果场景内的光照分量的亮度均值为128时,则在光 照分量取不同的值的情况下,经过本文构建的改进二维伽 马函数进行校正,处理前后图像的亮度变化如图7所示。 由图7可知,如果输入图像上某点处的光照值小于整 幅图像光照分量的均值(本图假设为128)时,本文提出的 改进二维伽马函数会利用 (z, )曲线提高该点处图像的 亮度值。 
第6期 王殿伟等:一种光照不均匀图像的自适应校正算法 ・l387 ・ 区域图像的亮度值。同样如果某点( , )处提取到的光照 值大于光照分量的均值时,本文提出的改进二维伽马函数 可以有效地降低降低该像素点处的亮度值。例如,同样是 针对亮度值为110的像素点,如果该点处的光照值为152 (高于光照分量平均值)时,经过校正处理后,该点的亮度值 会被降低到94,表现在处理后的图像中就是降低了该像素 点的亮度值。 利用本文算法对一幅光照不均匀图像进行校正,处理 前后图像的直方图如图8所示。由图8可知,经过本文算 输入图像亮度 法处理后,一方面提高了原图像中亮度过低区域图像的亮 128; -一:L(x ̄v)fO;—・一:L(x,y)=64;~十一:£ :三 192;—+一:L(x,y) ̄255a  度值,降低了光照过高区域的图像的亮度,因此可以更好地 发现亮度过高区域和亮度过低区域的细节信息;另一方面 压缩了图像的动态范围,因此处理后图像的质量会有显著 图7不同光照条件下校正前后图像亮度变化 Fig.7 Output intensiy of pre-and-after corrected processing 的提高。由于本文算法利用场景的光照分量的分布特性动 态地调整二维伽马函数的参数,自适应地消除或者削弱了 under diferent iumination conditions 假设输入图像某一点(-z, )的光照值为85、该点的图 像亮度值为107(低于光照分量均值)时,经过本文算法校正 后该点的输出亮度值为133,可见提高了原图像中光照过低 场景内不均匀的光照对图像质量的影响,因此在提高图像 的视觉质量、发现过亮或者过暗区域的细节信息等方面具 有重要的作用。 灰度级 (a)原图像的直方图 (a)Histogram ofinput image 灰度级 (b)校正后图像的直方图 (b)Histogram ofcorrected mage 图8二维伽马函数校正前后图像的直方图 Fig.8 Comparison of luminance between the input image and the corrected image 本文算法的具体实现过程 根据人眼视觉特性的基本原理可知,对于决定图像质 量的色彩和亮度两个因素而言,人眼对亮度具有更高的敏 感性,因此对光照不均匀校正算法而言,图像的亮度进行 有效地校正处理是关键_ 。对于目前用得最多的RGB (red,green,blue)色彩空间的彩色图像,如果直接对这3个 通道做校正处理,不仅运算量大,而且会因为同一点处的 不同色彩通道的增强或者减弱的比例不同而引发色彩失 真。鉴于利用HSV(hue,saturaton,vaue)颜色模型表示 的彩色图像与人眼视觉特性更加符合,同时该模型中的亮 度分量V与色调分量H和饱和度分量S是独立的,因此 单独地对亮度分量的处理不会导致图像的色彩发生变化, 所以本文算法首先将RGB图像变换到HSV色彩空间,然 后对亮度分量V进行光照不均匀处理,最后将处理后的 结果再转换到RGB色彩空间,算法的具体实现过程如图9 所示。 图9本文算法的具体实现过程 Fig.9 Realzation process of the proposed algorithm 
・ l388 ・ 系统工程与电子技术 第39卷 实验结果与分析 为了验证本文算法的有效性.首_分别选取室内场景 的光照不均匀图像,分别利用多尺度Retnex(mul-scal Retnex,MSR)算法(3个尺度因子c的值分别为l 5、8O和 250)、文献[1 9]中提出的SVI M(space-varant luminance map)算法,以及本文算法进行校 处理,其结果如图10 所示。 (b)MSR方法处理后结果 b)Corrected mage ofthe MSR method C)SVLM算法处理后结果 (c)Corrected image ofthe SVLM method (d)本文算法处理后结果 d)Corrected image ofthe proposed method 图10窀内场景图像不同算法处理的结果 Fig.10 Processed results by different nlelhods in indoor cireumstant 由罔1o可以看出,针对室内场景l】的光照不均匀图 均取得_r比较好的处理结聚.I且处理后的图像比较自然. 因此具有更好的视觉质量。 像.MSR算法可以显著提高整幅图像的亮度,可以看见暗 处细节信息,但是发生了严重的噪声放大现象,导致处理后 的图像的视觉质量不高;SVI M算法_『以取得较好的处理 效果,可以看见场景中光照过暗区域中的细节.但是对于光 照过强区域发生了过增强现象,导致处理后图像产生了严 为了进一步验证本文提出算法的有效性,我们分别选取 光照均值小于128(整体光照比较低)、光照均值约等于128( 体光照适中),以及光照的均值大于128(整体光照较高)这3类 常见的、典型的室外场景的图像,分别使用MSR算法、SVI M 算法和本文算法进行处理. 结果分别如图11~ 3所示。 的失真;本文算法在暗处细节信息增强、色彩保持等方面 k王 ~  —一一__ (b)MSR方法处理后结果 (b)Corected image ofthe MSR method   d)本文算法处理后结果 d)Corrected mage ofthe proposed method SVLM method  (C)SVLM算法处理后结果 (C)Corected mage ofthe 图11 整体光j{较低的图像利用不同算法处理后的结果 Fig.1  Processed results by different methods in low ilumination circumstanc ̄  《a)原图  (b)MSR方法处理后结果 (b)Corected image ofthe 叠 MSR method (c)SVI M算法处理后结果 (C)Co,ected image otthe SVLM method  I一 d)本文算法处理后结果 proposed method a)Input image (d)Corrected mage ofthe 图12 整体光照适中的图像利用不同算法处理后的结果 Fig.1 2 Processed results hy different methods in middle illumination circumstance 由罔l1~图13可知,MSR算法日r以显著提升整幅图 是存在丢失了景深大的区域(比如天李区域)的细 信息、 噪声放大严重、光照突变处(如图12(I)中左, 角和右上角的 像的整体亮度,而且处理后图像的色彩信息得到 增强,但 
第6期 乇殿伟等:一种光照 均匀图像的门适应校止算法  l389 ・ 叶子的边缘、 I1(b)中左侧树木叶子的边缘,以及图13(b)中 侧树木叶子边缘以及建筑与天空的分界线、)处产生r ”光晕”现象;SVI M算法能够有效地提升图像中光照过暗 都产生了比较严重的“光晕”现象,而且 像存在边缘过增 强的问题;本文算法不仅能够有效地提升光Ji过暗区域的 图像亮度、降低光照过强区域的图像亮度,使图像的亮处和 暗处细 都得到 著的增强,而且校正后的图像的色彩清 晰、自然.校正后的图像的视觉质量得到_r明 的提升。 区域的亮度.使这些晴处的细节信息得到了有效的增强.但 足对于3种不同场景的处理结果中,对于光照突变的边缘 (a)原图 a)Input image (b)MSR方法处理后结果 (b)Corected image ofthe MSR method c)SVLM算法处理后结果 (c)Corrected mage ofthe SVI M method (d)本文算法处理后结果 d)Corrected mage ofthe proposed method  13 整体光照较高的图像利用不同算法处理后的结果 Fig.1  Corrected results by different methods in high ilumination eir(umstance 为了进一步比较不同算法的处理效果,利朋图像的对 比度、清晰度和信息熵等客观指标来衡量不同算法的校正 效果。对比度是指图像中从黑别白的渐变层次.对比度的 提升 i丁以有效地提高图像的细 表现能力和灰度层次范 5 结 论 在数字图像的采集过程中.经常受到光照不均匀等因素 的影响.主要表现为光照过强区域的图像亮度过高,而光照 过低区域的图像亮度过低.因此许多暗处细节信息无法看 旧,通常利用标准差计算得出。清晰度是指影像上各细部 影纹及其边界的清晰程度,一般用图像的平均梯度来衡 量。熵是衡量图像中所包含的信息量的大小.熵越大说明 包含的信息越多,用信息熵来计算图像的熵值。利用这些 指标来衡量不同算法处理前后图像的客观质量的结果如 1所示。  不同算法处理前后图像的客观质量 Table I O ective values of pre-and-after processing mages by different methods 清,严重影响了成像的质量。针对这一问题.本文提m了一 种光照不均匀图像的自适应校正算法,并用于校正处理光照 不均匀图像,能够有效地消除或减弱不均匀的光照对图像质 量的影响。本文提出的方法可以用于图像处理与分析.如图 像分割、日标检测跟踪以及陶像的语义理解与分析等操作的预 处理,并且在法庭科学成像、医学成像以及遥感成像等领域具 有很好的应用前景。未来可以在提出延准确的光照分量的提 取方法、构建更有效的光照校正函数等方【开展研究,进一步 提高对光照小均匀图像的校正处理能力。 参考文献: 标准差 图11平均梯度 信息熵 标准差 图12平均梯度 信息熵 标准差 81.39 1.1 7 7.41 73.88 9.90 6.09 85.92 78.O6 3.84 7.75 75.11 13.01 7.85 84.36 83.1 5 3.58 7.92 70.03 l0.16 7.33 77.51 l1.27 7.91 8 81 [1]SHIN Y.JE()NG S.LEE S.Efficient naturalness restoration or non uniform iumination images[J].IE。 Image Processing, 2015.8(9):662—671. [2]I Iu M F.I IU Y,HU H J.et a1.Geneti algorithm and mathe ma rital morphology based hinarizaton method for st rip steel de eet inaage will Don—uniorm iuminaton[J].Journal of Visual Commtmication and Image Retrcsenta“on,2OI 6.37:70—77. 图1 3平均梯度 信息熵 5.84 7.O6 13.05 7.95 13.25 8.27 r3]HU H F.Illunfnation invariant face recognition hased 01 dual ree complex wavelet transform[J].IET CoIlpUter Vision. 2O1 5,9(2):1 63—1 73. 由表1中的数据_『以看出,针对室内场景和室外场景 中的光照不均匀图像而言,经过本文算法处理后的网像的 标准差值显著增大,也就是有效地提高了图像的对比度;同 时.处理后图像的平均梯度值有较大的提升,表明本文算法 有效地提高了图像的清晰度;此外图像的信息熵的值变大, 这意味着可以从处理后的图像中获取更多的信息。由上可 知.本文算法降低了光照不均匀现象对成像的影响,对不同 场景的光照不均匀图像具有比较好的校正效果。 [.1]ABBO()I)A A A.SUI ()NGA( .PETERS S U.A review of ngerprint image pre—processing[J].Jourmd Teknologi(Sci enees&.Engineering).201 4,69(2):79—84. [5]KHAN T M。KHAN M A U.K【)N( Y.Fingerprint image en hancement using muhi scale I)I)FB based diffusion fiters and modied Hong fiters[J].()ptik,2o14.125(I6):1206一 I21 4. E63 RAJ AVEI P.Image dependent brightness preserving histogram equalzation[J].IEEE Ttans.Oi Consumer Electronics,2O1 0- 56(2).756~763. 
1390 ・ 系统工程与电子技术 第39卷 [7]TAN T L,SIM K S,TSO C P.Image enhancement using back— ground brightness preserving histogram equalsation[J].Elec tronics Letters,2012,48(3):1—2. [8]IBRAHIM H,KONG N S P.Brightness preserving dynami histo gram equalzaton for mage contrast enhancement[J].IEEE Trans. on Consumer Electronics,2007,53(4):1752—1759. [9]REZA A M.Realzation of the contrast lmied adaptve histogram e— qualzation(CLAHE)for real—time image enhancement[J].Jour— na1 of VLSI Signal Processing,2004,38(1):37—46. r1O]HUANG S,CHENG F,CHIU Y.Efcient contrast enhancement usng adaptive gamma correcton with weightng distribution[J]. EEE Trans.on Image Processng,2013,22(3):1032—1041. [11]储霞,吴效明,黄岳山.照度不均匀图像的自动Gamma灰度校 正[J].微计算机信息,2009(18):292—293. CHU X,WU X M,HUANG Y S.Automatc Gamma gray-level correcton of uneven iumination image[J].Microcomputer Indor— maron.2009(18):292—293. [12]DENG G.A generalzed unsharp masking algorithm[JJ.IEEE Trans.on Image Processing,2011,20(5):1249—1260. [13]POLESEI A,RAMPONI G,MATHEWS V J.Image enhance— ment via adaptve unsharp masking[J].IEEE Trans.on Image Pro— cessng,2000,3(9):505—510. [14]HASIKIN K,MAT ISA N A.Adaptive fuzzy intensity meas~ ure enhancement technique for non—uniorm ilumination and ow—contrast images[J].Signal,Image and Video Processing, 2015,9(6):1419—1442. r15]HANMANDLU M,VERMA O P,KUMAR N K,et a1.A no— vel optimal fuzzy system for color image enhancement using bacte— rial foraging[J].IEEE Trans.on Instrumentation and Measure— ment,2009,58(8):2867—2879. r16]MD SHUKRIDY S,ASMUNIH,0THMANRM,et a1.An mproved muhiscale retinex algorithm for motion—blurred iris mages to minimize the intra—individual variations[J].Pattern Recogniton I etters,2013,34(9):1071—1077. [17]HAO W,HE M,GE H,et a1.Retinex—like method for image enhancement in poor visibity conditions[J].Procedia Engi— neering,2011,l5:2798—2803. [183 JUNG C,SUN T。JIAO L_Eye detecton under varying ilumi— nation using the retinex theory[J].Neurocomputing,2013, 113(596):130—137. [19]LEE S,KWON H,HAN H,et a1.A space—variant luminance map based color image enhancement[J].IEEE Trans.on Con— sumer Electronics,2010,56(4):2636—2643. [20]LAND E H.An alternative technique for the computation of the desgnator in the retnex theory of color vision[J].Proceedings of he National Academy of Sciences of the Unied States of America, 1986.83(10):3078—3080. [2 1]BANIC N,LONCARIC S.Light random sprays retinex:ex ploiing the noisy ilumination estimation[J].IEEE Signal Pro— cessing Letters,2013,2O(12):1240—1243. [22]sE—KYUNG PARK B K E C.A new iuminaton estmation method based on local gradient for retinex[c]∥Proc.of the EEE International Symposium on Industrial Electronics,2009: 569—574. [23]陈幼芬,宋海生.一种鲁棒性强的光照人脸预处理算法[J].科 技通报,2014,30(11):168—172. CHEN Y F,SONG H S.A good robust complex illumination ace enhancement method[J].Bulletin of Science and Techno— ogy,2014,30(11):l68—172. [24]吴壮志,齐立娜,骆沛.基于分片光滑照度估计的Retinex图像 处理框架[J].国防科技大学学报,2011,33(3):83—88. WU Z Z,QI L N,LUO P.A retinex image processing frame— work based on estimaton of piecewise smooth ilumination[J]. Journal of National University of Defense Technology,20  l, 33(3):83—88. [25]GEVREKCI M,GUNTURK B K.Reliable interest point detecton under large iumination variations[q f Proc.of the IEEE Interna tional Conference on Image Processing,2008:869—872. [26]LI X,PAN J,HE Y,et a1.Biateral fitering inspired localty preserving projections for hyperspectral images[J].Neurocom— puting,2O15,164(C):300—306. [27]YONG S H,KYOUNG M L,SANG U I .Joint depth map and color consistency estimaton for stereo images wih diferent illumi natons and cameras[J].IEEE Trans.on Pattern Analysis and Ma— chine Intelgence.2013,35(5):1094—1106. r28]KlMMEL R,ELAD M,SHAKED D,et a1.A variatonal framework for retinex[J].International Journal of Computer Vision,2003,52(1):7—23. r29]LU Y,XIE F,WU Y,et a1.No reference uneven iuminaton assessment for dermoscopy images[J].IEEE Signal Processing Letters,2O15,22(5):534—538. E3o]HE K,SUN J,TANGⅪGuided image fitering[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,2013,35(6):1397—1409. [31]HASTIE T,TIBSHIRANI R,FRIEDMAN J.The elements of statistical learning[M].New York:Springer,2009. [32]HE K,SUN J.Fast guided fter[c]∥Proc.of the Computer Vision and Pattern Recogniion,2015:1—2. [333 LEE S.An effdent content—based image enhancement in the com— pressed domain using retnex theory[J].IEEE Trans.on Circuis and Systems for Video Technology,2007,17(2):199—213. [34]WHARTON E,PANETTA K,AGAIAN S.Human visual sys— ter based multi—histogram equalzation for nonuniorm I11umi— nation and shadow correcton r c]//Proc.of the IEEE Interna— onal Conference on Acoustics,2007:729—732. 作者简介: 王殿伟(1978一),男,副教授,博士,主要研究方向为公共安全视频图 像清晰化处理、现代信号处理与模式识别。 E—mail:wangdianwei@xupt.edu.cn 晶(1983一),男,博士,主要研究方向为图像清晰化处理、群体异 常行为检测、视频图像智能分析。 E mail:j.wang2@hud.ac.uk 许志杰(1969一),男,博士,主要研究方向为图像增强、计算机视觉实 时视频事件检测。 E—mail:z.xu@hud.ac.uk 刘 颖(1972一),女,高级工程师,博士,主要研究方向为图像检索、 图像特征处理、图像编解码。 E mail:ly_yolanda@sina.cor 

正在进行安全检测...

相关推荐