r语言c50自适应增强算法,基于Retinex的自适应图像增强算法

摘要：

户外拍摄的图像质量往往受到拍摄环境影响,如暗光线或云雾遮挡,导致拍摄画面变得昏暗模糊、颜色退化。因此,运用数字图像处理技术,对图像进行合理地增强恢复,是提升图像中有效信息的利用率的必要途径。 本文深入研究了基于颜色恒常性的Retinex理论,并针对带有颜色恢复的多尺度Retinex(Multi-scale Retinex with Color Restoration,MSRCR)的不足(例如,涉及参数过多,容易颜色过饱和等),做出相应改进,从而提出了一种基于Retinex理论的自适应图像增强算法。本文算法一共有四个步骤:照度图像的估计,反射图像的提取,颜色恢复,后处理。 (1)首先,利用引导滤波器对图像的照度成分进行估计与提取。为了能够更好地反映出场景中的亮度分布情况,并抑制伪光晕的产生,本文提出了一种新的引导图像,即利用图像在YCbCr色度空间中经过平滑的亮度通道。其中,对亮度通道的平滑处理采用三个不同尺度的高斯滤波器并做加权平均。 (2)其次,基于Retinex理论,在对数域下从原始图像中删减掉估计的低频照度成分,进而获得高频反射图像。 (3)再次,采用色彩校正因子对反射图像的三个颜色通道进一步处理,从而实现颜色的恢复。 (4)最后,利用本文提出一种后处理方法,进一步改善增强结果的视觉质量。具体而言,该后处理结合了基于直方图分布的拉伸与伽马校正,其中涉及的关键参数则利用具有量子行为的粒子群优化(Quantum-behaved Particle Swarm Optimization,QDPSO)方法反复学习和筛选,从而达到最优。此外,考虑到图像的对比度和颜色质量对人的主观感受影响较大,本文提出一种新的图像质量评估方法作为优化过程的目标函数,即改进的对比度-自然度-丰富度(Modified Contrast-Naturalness-Colorfulness,MCNC)函数。相比于原有的CNC(Contrast-Naturalness-Colorfulness)函数,本文的MCNC函数利用一种更有效的对比度评估准则,从而使最终的增强结果更加符合人类视觉感知。 通过大量实验,并与现有的先进算法进行定性与定量的评估与比较,均证明了本文算法在对比度提高与颜色恢复上获得相当或更优的增强结果,对处理户外降质图像(尤其是对于在雾霾天气或低照度条件下拍摄的降质图像)具有自适应能力与鲁棒性。

展开