[发明专利]一种局部低可见度图像增强方法

说明书

本发明涉及一种局部低可见度图像增强方法，属于计算机视觉技术领域。本发明首先对图像的亮度进行均衡及可视化操作，得到高能见度图像，然后补偿高能见度图像的饱和度以提高色彩纯度，最后得到一副色彩鲜艳的高可见度图像。本发明在高度的重新可见黑暗区域细节信息的同时，极大的保留了梯度的一致性，同时色彩更加的鲜艳和自然，此外，更重要的是本专利的算法相比于其他同类型算法具有更高的效率。

技术领域

本发明涉及一种局部低可见度图像增强方法，属于计算机视觉技术领域。

背景技术

自然环境中的场景会随着不同时间和多态环境中呈现多态的变化，因此无法时刻捕捉到高可见度图像，例如背光，阴影，夜晚，多点光源等低质量照明环境会不同程度的出现在捕捉到的图像中。在背光或阴影环境下，明暗两个区域之间存在相当大的差异，在设备采集图像的过程中无法同时清晰的捕捉到明暗两个区域的细节。或在光线不足的环境下，例如夜晚，大部分视觉信息都被隐藏在黑暗中而无法被机器或人类看到。除了上述自然环境的成像问题外，在人造场景中也存在诸多的困难且难以通过现有的出现处理技术解决。在夜晚的多点光源中，采用现有的基于Retinex进行亮度均衡的技术对其进行对比度增强，该类方法易于出现增强效果的不均衡，且由于光源环境的复杂性，在多点照明的中间区域易出现伪影现象，此外，对于复杂的人造环境，在靠近光源的暗区域更加难以增强和出现人造边缘。然而，在常规的增强处理中通常忽略了色彩纯度的问题，多数的设备显示捕获的图像在色彩方面均与人眼视觉会存在不同程度的差异，这会不同程度的降低人们观察图像的愉悦指数。高可见度图像是当前技术的基础，例如目标检测、语义分割和目标跟踪等。如果能见度太低，后续处理的效果和效率将受到严重影响。因此，在高速和高质量的前提下，恢复隐藏在低能见度图像的暗处的信息并补偿色纯度是必要和迫切的。

恢复黑暗中不可见信息的最直接方法是通过线性变换函数，如对数函数、幂函数等。然而，它可能导致各种问题，例如过度曝光、噪声放大、细节丢失和光晕伪影等，这是由与图像像素分布过于紧密且对邻近像素点拉伸幅度过大导致的。CLAHE(限制对比度自适应直方图均衡)通过直方图均衡实现对比度增强，但其对于各种应用场景性能不够鲁棒。例如，在不均匀照明和极端局部暗区，增强效果不明显，出现光晕伪影且存在色彩偏移甚至扭曲。最近，Chen等人试图通过借用深度学习思想以重新看见黑暗中的细节，不幸的是，其算法本身产生了重复且密集的条状人工边缘，过度曝光和颜色失真。此外，目前深度学习获得的最佳图像是非自动化的(需要手动选择)、实时的图像处理所需要耗费的时间过长和不能满足复杂和可变场景的光照补偿要求，这导致其自身的应用限制。

Land提出了用于补偿照明的分离照明。主要理论是所获取的图像由两部分组成：照明和反射。其中反射率是对象的不变特性，因此该方法可以用于补偿弱照明区域光照以达到均衡照明的效果。Jobson最初提出的SSR(单尺度Retinex)和MSR(多尺度Retinex)试图通过找到局部区域中强度的折衷来放大图像对比度但是它导致了梯度顺序紊乱，颜色失真等。NPIEA(自然保留图像增强)提出了一种亮通道滤波器来分解反射和光照以增强图像，但增强的图像具有梯度无序、显着的光晕伪影和极其低下的效率。WVM(加权变分模型)通过变分模型实现光照补偿；NPIE(自然保留图像增强)提出了一种基于高质量图像先验的多层增强模型。该方法可以极大地增强暗区并重新隐藏在黑暗中的信息。同时，它可能放大噪声和损耗梯度信息。LIME(低光图像增强)提出了一种基于最小二乘优化的照明估计方法，其具有L范数的正则化约束。它适用于光线条件相对简单的场景，不适用于光线复杂的场景，因为它会使光线边缘锐化，暗区增强失败，并且模糊一些真实的细节。WVM，NPIE和LIME也很耗时。在FBEM中融合了多种常规方法改变照明，以有效地改善和增强暗区。它可以有效地增强暗区的亮度，但在增强后会丢失图像的一些纹理细节。高等人提出了一种基于联合边缘保持滤波器的自然光照估计方法。该方法的缺点是在明暗差异较大的区域，会造成自然梯度的损失和降低图像美感，且存在明显的光晕伪影现象。相反，通过所提出的方法获得的增强图像更自然和舒适，没有伪影和细节损失。