[发明专利]基于拉普阿斯金字塔重构的Retinex图像增强算法

说明书

本发明公开了一种基于基于拉普阿斯金字塔重构的Retinex图像增强算法，针对光晕现象改进照度图像估计的方法；针对泛灰问题，采用局部化增强处理，获取多幅局部最优图像，利用拉普拉斯金字塔重构多幅局部最优图像为一幅全局最优图像。相比于单尺度Retinex算法、双边滤波算法、基于图像融合技术的Retinex图像增强算法，新算法的图像增强能力具有显著的提升。本发明可以单尺度Retinex算法中光晕现象和泛灰问题。

技术领域

本发明涉及图像增强技术领域，特别涉及基于拉普阿斯金字塔重构的Retinex图像增强算法。

背景技术

在人类的生活和工作中，图像无处不在，是获取信息最直观最简单的方式；图像同时也是最有效的信息传播媒介；在实验和科研中，图像也占据了非常重要的位置，是研究和探索的主要目标。图像增强是数字图像预处理中比较关键的一步，大大提高和改善了后续的目标跟踪、模式识别等系统的准确率。

Retinex理论受到越来越多的青睐。20世纪70年代，美国物理学家Edwin Land等人提出Retinex理论，该理论的核心思想是认为人类眼睛所观察到的图像是由入射光和反射光共同作用形成的。

图像的信息表现为多样性，在采集图像过程中，非常容易受到周围环境的影响，导致图像的清晰度降低。所以，在增强图像过程中，单一的增强算法往往不具备适应各种情况的能力，需要结合更多的处理技术才能完美的解决多种复杂情况。

《计算机工程与科学》第40卷第9期，2018年9月，公开了“基于图像融合技术的Retinex图像增强算法”，其针对光晕现象，提出的加权滤波思想，即提炼出高斯加权双边滤波，并用其替换传统的单尺度Retinex算法中的高斯核函数，有效地去除了光晕现象。针对泛灰问题，本文将图像融合思想引入到传统算法中。首先，采用非线性变换拉伸反射图像并运用Otsu阈值分割算法获取图像的阈值，将像素值大于阈值的部分看作图像的亮区域，相反地将像素值小于阈值的部分看作图像的暗区域；然后，以信息熵为评价标准通过遍历非线性变换的参数的方式获得亮区域信息熵最大的图像(亮区域最优图像)和暗区域信息熵最大的图像(暗区域最优图像)；最后，将亮区域最优图像、暗区域最优图像以及原始图像采用分块融合的方法进行融合，得到结果图像。加入原始图像是为了在充分增强图像细节的同时，避免过增强现象，从而获得清晰、自然的图像增强效果。

其存在的技术问题是：基于图像融合技术的Retinex图像增强算法所采用的融合技术为一致性校验，本文算法采用的技术为对尺度融合以及拉普拉斯重构。虽然一致性校验是以子块为单位划分领域，并以子块个数为依据对图像进行融合，但是所融合后的图像视觉效果仍然泛灰、对比度过高、细节丢失以及图像看起来刻板不够平滑等现象。

发明内容

本发明要解决的技术问题是提供一种基于拉普阿斯金字塔重构的Retinex图像增强算法，该算法可以针对泛灰、对比度过高、细节丢失等问题，采用局部化增强处理，获取多幅局部最优图像，利用拉普拉斯金字塔重构多幅局部最优图像为一幅全局最优图像。

为解决上述技术问题，本发明采用如下技术手段：

基于拉普阿斯金字塔重构的Retinex图像增强算法，其包括以下步骤：

(1)开始，输入原始图像S(i,j)，利用高斯加权双边滤波估计照度图像，其表达式为：

S(x,y)＝R(x,y)×L(x,y) (1)

其中S(x,y)为原始图像，L(x,y)为光照图像，R(x,y)为反射图像；

(2)初始化参数k＝0.1，利用步骤(1)中估计的照度图像求得表达物体本质的反射图像R(i,j)，其表达式为：

R(x,y)＝log S(x,y)-log[F(x,y)*S(x,y)] (2)

其中，*表示卷积运算，F(x,y)为高斯核函数，即：

其中，e为常量且e≈2.71828，σ为高斯环绕尺度，ρ为归一化系数，需要满足：