[发明专利]一种自适应的图像增强方法

说明书

本发明公开了一种自适应的图像增强方法，包括以下步骤：S1、输入待处理的图像，并将其转换到HSV空间；S2、将图像的H分量矩阵拿出，计算该H分量矩阵的信息量，作为该图像的色调丰富度指标；S3、将色调丰富度指标与设定的阈值进行比较，如果色调丰富度指标大于设定的阈值，采用MSR_HSV算法进行图像增强处理；如果色调丰富度指标小于等于设定的阈值，首先采用原始MSRCR算法进行图像增强处理，再将处理后的图像用暗通道先验进行处理。所述方法能够很好地保持原始图像的彩色色调，具有更好的图像增强效果。

技术领域

本发明涉及数字图像处理领域，涉及基于颜色恒常性的数字图像增强技术中的多尺度视网膜增强算法，具体涉及一种自适应的图像增强方法。

背景技术

基于颜色恒常性的数字图像增强是数字图像处理领域的研究热点之一，被广泛应用于军事侦察、遥感图像、医学图像、水下图像等各领域中。颜色恒常性是指人类视觉系统能够忽视光照颜色然后识别出彩色目标物体的特性，基于颜色恒常性的图像增强试图让计算机也具有人类视觉系统的这种能力，从而提高实际中很多图像数据的应用价值。现有技术中，基于颜色恒常性的图像增强算法主要分为基于光照估计的方法和基于颜色不变假设的方法。现有的大部分的方法都是基于光照估计的方法，它们首先根据具体模型估计出场景光照，然后将它从原图中除去。其具体解决方案有通过物理建模入射光和物体表面交互估计场景光照的方法、有依据对图像的颜色分布的统计假设求解场景光照的方法和利用机器学习方法为一类有某种特性的图像集自适应选择最优参数估计场景光照的方法。基于颜色不变假设的方法与基于光照估计的方法不同，它利用目标图像中不变的颜色描述来实现颜色恒常性，其中基于Retinex理论的算法是最常用、最具代表性的方法。Retinex理论阐述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，并且物体的颜色不受光照非均匀的影响，具有一致性。依据Retinex理论可以建模出物体的亮度与环境照明和物体表面对光源反射之间的关系，并利用高斯模糊将环境光的照射分量估算得出，从而得到增强后的图像。

与本发明相关的基于Retinex理论的算法在不断的发展中形成了几个有代表性的成果，从单尺度Retinex算法改进成多尺度加权平均Retinex算法，再发展成为彩色恢复的多尺度Retinex算法。单尺度Retinex算法依据Retinex理论，将人眼感知物体的亮度建模为环境和物体表面对照射光的反射之间的点积，其数学表达形式如下：

I(x,y)＝L(x,y)*R(x,y)

其中，I(x,y)、L(x,y)、R(x,y)分别是接收到的数字图像、环境光的照射分量和目标物体。通过对上式对数化，进一步得到下述公式：

LogR(x,y)＝LogI(x,y)-LogL(x,y)

当用这个模型进行图像增强时，问题就变成了在已知图像数据I的时候，求解图像R的问题，其中的关键变量L，Retinex理论的提出者指出它可以通过对图像I进行高斯模糊得到。因此单尺度Retinex用一个高斯模糊得到对L的近似，最后将其映射到0至255便得到增强后的图像。单尺度Retinex算法中尺度对算法效果影响很大，且会有偏色效果，多尺度Retinex算法在其基础上加入多尺度机制，在计算LogR(x,y)时用多个尺度的高斯卷积，最经典的就是三尺度，它将三个尺度下的L的估值加权平均用作对场景L的真实估值，再依据Retinex模型得到增强后的图像，其数学公式如下：

其中，I_i为原始输入图像的某个颜色分量，F_k是K尺度下的滤波函数，K为尺度的个数，w_k为第K尺度的权重。R_i表示增强后的图像分量。多尺度Retinex由于加入了高、中、低等多个尺度，可以同时实现输出图像高保真度，动态范围压缩，却依旧有偏色效果。带彩色恢复的多尺度Retinex算法引入分量比值调整因子以降低彩色失真的影响，公式如下：