英语原文共 20 页
印达维出版公司
Eurasip图像和视频处理期刊，2010年，文章编号175203，19页doi:10.1155/2010/175203
研究文章
彩色图像的自然增强
陈少华和Azeddine Beghdadi
巴黎第十三大学加利利研究所实验室L2TI
函件应发给Shaohua Chen，shallowgrass @ hotmail.com于2010年4月1日收到; 2010年7月5日修订; 2010年7月6日接受
学术编辑：Sebastiano Battiato
版权所有copy;2010 S. Chen和A. Beghdadi。 这是一份根据知识共享署名许可分发的开放获取文章，允许在任何媒体中不受限制地使用，分发和复制，前提是原始作品被正确引用。
提出了一种新的彩色图像自然增强算法（NECI）。它的灵感来自多尺度Retinex模型。实现此增强有四个步骤。首先，通过依赖于内容的全局映射来渲染图像外观以进行光投射校正，然后应用修改的Retinex滤波器来增强局部对比度。之后使用直方图重新缩放用于标准化目的。最后，通过使用Cortex变换的多通道分解来强调图像的高频分量，增强了图像的纹理细节。在对比度增强步骤中，首先增强亮度通道，然后通过收集亮度增强信息并将其应用于色彩空间CIELCh中的色度通道来计算加权图，这使得能够按比例增强色度。它避免了经典RGB独立信道操作中不平衡增强的问题。 在这项工作中，相信图像增强应避免对图像的显着修改，例如光条件变化，色温变化或引入或放大的附加伪像。忽视场景的光线条件通常会导致不自然的锐化图像或剧烈的白平衡变化。在所提出的方法中，在增强之后保持图像的氛围（暖色或冷色印象），并且不向场景添加额外的光源，并且由于过度增强而没有放大光晕效应和阻挡效果。它实现了彩色图像的自然增强。已经测试了不同类型的自然场景图像，并且获得了所提出的方法的令人鼓舞的性能。
1 简介
图像增强是图像处理中最重要的问题之一，它可以产生比其原始版本更合适的结果，以进行进一步的图像分析和理解。在文献中已经提出了许多不同的方法，这些方法可以大致分为两类：空间域方法和频域方法。在出版物[1]中可以找到全面而全面的教程。 然而，本文主要关注一些基于Retinex理论的方法[2]及其应用于彩色图像增强问题的多样性。自从Land [3]的开创性工作以来，Retinex的广泛应用已经在工业和医疗场景以及航空航天摄影中被发现[4,5]。已经提出了许多算法，例如路径版本[6]，迭代版本[7,8]和中心/环绕版本[9]。
但是，图像增强不是细节检索或颜色恒定的另一种应用。这些算法不能直接应用于该域，因为它们中的大多数会导致一些显着的修改，例如光照条件变化，色温变化以及引入或放大的附加伪像。当用作提取图像细节的工具时，这些技术确实非常有效。但是，忽视场景的光线条件可能会导致不自然的锐化图像显示或戏剧性的白平衡变化，这通常是不需要的。基于我们以前的工作[10]，我们在本文中提出了一种自动增强彩色图像（NECI）方法的算法。实现此增强有四个步骤。首先，通过依赖于内容的全局映射来渲染图像外观以进行光投射校正，然后应用修改的Retinex滤波器来增强局部对比度。直方图重新缩放用于标准化目的。最后，通过使用Cortex变换的多通道分解来强调图像的高频分量，增强了图像的纹理细节[11]。在对比度增强步骤中，首先增强亮度通道，然后通过收集亮度增强信息计算加权图，并将其应用于色彩空间CIELCh中的色度通道，这使得色度与亮度相比能够成比例增强。它避免了经典RGB独立信道操作中不平衡增强的问题。
在这项工作中，人们认为图像增强应该不同于细节检索或颜色恒定性，这常常导致对图像的若干显着修改，例如光条件变化，色温变化或引入或放大的附加伪像。忽视场景的光线条件通常会导致不自然的锐化图像或剧烈的白平衡变化，而这通常是不必要的。在所提出的方法中，在增强之后保持图像的氛围（暖色或冷色印象），并且没有额外的光源被添加到场景中，并且没有光晕效应和阻挡效果由于过度增强而被放大，这导致了彩色图像的自然增强。
本文的结构分为6个部分，包括当前的第1部分。首先会给出一个问题陈述，以显示不足之处 通过一些最先进的方法自然增强彩色图像。第3节描述了所提出的NECI方法的流程图，并简要说明了一些 典型的结果。理论分析和实际实施的细节将在第4节中介绍。不同类型的自然场景图像在第5节中显示，然后在第6节中进行结论和透视工作。
图1：从上到下：原始图像，由NASA Retinex [9]增强的图像，以及建议的NECI方法
图2：从上到下：原始图像，由RGB 3通道Retinex [7]增强的图像，以及建议的NECI方法
2.问题陈述
如引言中所述，自然增强算法应避免将光照条件戏剧性地交替到场景，并且不会引入额外的伪图像或放大图像的隐藏失真。在不考虑亮区和暗区之间的相对关系的情况下的增强将导致向图像引入额外的光源。图1显示了一个隐藏的猫在图像增强后会完全暴露在光线下。它似乎有另一个投射到猫的光源，这是不正确的。 这种光源的改变导致对场景的混淆理解。
色温变化是一些图像增强技术的另一个人为因素。图2显示了日落的图片。然而，由于三通道操作不平衡，颜色恒定算法经常导致蓝天。这种色温的变化肯定会改变想要记录日落温暖氛围的摄影师的设计。
最后但并非最不重要的是，大多数图像增强算法适用于非压缩图像或感知无损压缩版本。但是，实际上很多图像都有 已被压缩，如互联网上的照片或视频。对这些数据的过度增强通常会导致可见光晕效应或放大阻挡效应和振铃效应。例如，图3中的中间图像示了许多阻塞效应，这些效应在增强之前由于暗亮度而被隐藏。因此，必须在这些敏感区域采取谨慎措施，以避免过度增强。否则，可能导致恼人的伪像。所提出的NECI意图在这些伪像敏感区域中对于高度压缩的图像是保守的，并且通过不夸大增强加权系数来避免过度增强。
图3（a）原始图像; （b）通过亮度直方图均衡增强的图像; （c）NECI增强的图像
3. NECI流程图
所提出的方法分为四个步骤：首先，通过依赖于内容的全局映射来渲染图像外观以进行光投射校正，然后应用修改的Retinex滤波器来增强局部对比度。之后使用直方图重新缩放用于标准化目的。最后，通过使用Cortex变换的多通道分解来强调图像的高频分量，增强了图像的纹理细节。图4显示了全局流程图。
在全局映射的第一步中，通常使用对数曲线来应用伽马校正。然而，对于许多压缩算法，图像的暗区通常被编码系统严重压缩，因此对过度增强更敏感。对数曲线放大了暗区像素的小强度，这使得阻挡效果或振铃效果在增强后更加明显。对于低强度像素，我们设计了一条圆形曲线来代替拟议工作中的伽马校正色调映射，在暗区中提供适度增益，以便隐藏的伪像在增强后仍然可以容忍。 该步骤将在4.1节中详细讨论。
步骤2包括使用改进的Retinex的亮度增强和使用色彩空间CIELCh中的增强图和直方图重新缩放的色度增强。详细讨论可以在4.2节中找到。
提出的NECI方法的灵感来自多尺度Retinex [12,13]的计算模型，而额外的对数函数应用于掩模图像（使用Retinex滤波器估计背景）进行局部对比度计算，以避免引入光晕效应或放大阻止或振铃压缩图像的效果。对于色度增强，将Retinex独立应用于三个颜色通道（RGB）通常会导致错误的色彩和色调偏移。在所提出的工作中，只有亮度通道用于局部对比度计算，并且增强信息用作应用于色彩空间CIELCh中的色度通道的参考图，从而可以实现色彩分量的平衡增强。在对比度增强结束时进行直方图重新缩放操作以进行黑白点校正，并且仅使用99％的直方图来消除极端强度的几个像素的影响。色度 增强和直方图重新缩放也将在4.2节中讨论。
直方图重新缩放后的增强图像将从CIELCH重建为RGB空间。虽然对比度增强，但所得到的图像可能仍然需要全局映射以获得正常的色调外观。因此，在步骤3中使用与步骤1相同的原理的另一全局映射步骤作为后处理以确保增强图像的整体外观。
最后，使用Cortex变换的多通道分解来增强纹理信息。Cortex Transform相对于其他方法（例如使用拉普拉斯滤波器锐化轮廓）的优势在于多通道分解可以更好地捕获几个不同空间频带中的纹理信息，而类拉普拉斯方法通常捕获一个通常的子带频率无法逐步实现 轮廓锐化。使用Cortex Transform的纹理增强将在4.3节中讨论。图5显示了一些测试结果。可以看出，增强后没有额外的混淆光源被引入场景，并且亮度和色度对比都增加，而不是通过显示阻塞效应和振铃效应的卤素。在提出的NECI方法中，没有针对不同图像内容训练或修改的参数，这对于某些算法是至关重要的[7,14]。通过Cortex变换增加了计算成本，因此NECI方法由于其计算时间而只能用作任何方法。
图4：NECI的全局流程图
图5：（a）原始图像，（b）NCEI处理结果图像
图6：使用修改的伽马校正的全局映射曲线
4.分析和实现细节
在本节中，将详细讨论NECI的所有四个步骤，以及通过每个步骤改进图像对比度。
4.1使用修正伽马校正的全局色调映射
在所提出的工作中，使用了修改的伽马校正。对于低强度像素，映射曲线是圆弧而不是对数函数，如图6所示。可以看出在黑暗区域（由直线箭头指示）获得相对适中的增益，这避免了隐藏的过度增强工件（通常来自压缩的阻塞和振铃）。然而，对于高强度的像素（由虚线箭头指示），使用伽马校正曲线，因为这些区域对应于图像的亮区并且增加这些区域的亮度会使亮度饱和并因此失去对比度信息的风险。
4.1.1 图像关键值和自适应全局映射 。
为了适应不同的图像内容，伽马值和映射圆的半径被设计成图像键值的函数，可以作为图像主导色调的指标。图7示出了具有相应组合图的一些图像示例。可以看出，低调图像对应于暗图像，而高调图像对应于更亮的图像。可以使用计算图像的关键值
其中L（x，y）是图像I的像素（x，y）的亮度，并且添加ε以避免零的对数问题。 图8显示了键值与图像主色调的关系。 在颜色空间CIELCh中，亮度值从0到100变化。图8（a）是主导亮度约为50的噪声合成图像，使用（1）得到的键值是49.5210。 由于对数运算的总和，与简单的亮度平均值相比，等式（1）对图像中的一些极端强度不太敏感。 在我们的工作中，从50到60的图像键值被归类为正常色调图像，并且对于该组图像可以省略用于光铸校正的全局映射的预处理。
4.1.2低强度的自适应全局映射
对于低强度像素，映射曲线是如上所述的圆弧以避免过度增强，并且圆半径和键值之间的经验函数由（2）给出。
其中，圆圈的半径和ε是积极的，以避免零对数的问题。 映射操作应用于
其中Iorig是原始图像，Igm是全局映射图像，（x0，y0）是映射圆心的坐标。从（3）和图6可以看出，如果图像键值小于50，则与直线（无映射情况）相比，圆弧将向上倾斜以放大暗图像的色调值。但是，如果键值大于60，则与直线相比，弧将向下塌陷以压缩图像的亮度。 对于键值介于50和60之间的图像，没有全局映射 因为原始图像具有正常的主色调，所以需要。在我们的工作中，r的值上限为1.4，因为尽管如图9所示，对于映射曲线来说，尽管可能是最小的可用半径，但是如此大的映射圆曲率将导致暗区的过度增强，例如在伽马校正的情况下。
4.1.3 高强度曝光场景的自适应全局映射。
对于曝光不足的图像场景（键值小于50），由于存在暗区（同时对比现象），高强度像素的全局映射看起来相对更亮。为了更好地保留该明亮区域中的对比度信息，将应用对数曲线而不是圆形曲线，因为对数现在提供比圆形曲线更适中的增益。也就是说，对于曝光不足的场景，低强度像素将使用圆形曲线进行全局映射，而如何使用对数曲线映射强度像素，如图7所示。为了平滑两条曲线的交点，伽马值由下式计算：
图7：图像主导音调和键值[12]
其中（x1，y1）是圆形曲线和对数曲线的交点，y1经验校准为映射强度（垂直轴）的15％，而（x0，y0）和r是映射的原点和半径圈。gamma;的值可以使用这两个方程计算，因为它是唯一的未知变量。 因此可以使用计算映射的强度
这里Iorig和Igm分别表示原始图像及其全局映射版本。
对于曝光过度的图像，传统的色彩空间亮度成分通常会因此而产生一些信息 然而，如果将主成分分析（PCA）应用于彩色图像，那么它的主要向量通常包含比经典亮度通道更多的信息，因为这个PCA向量集中了三个通道的大部分图像信息。这就是过度曝光图像中明亮区域的细节。与传统的亮度表示相比，PCA第一矢量可以更好地提取，以进一步提高对比度增强程序。
这一全局映射步骤在NECI中作为预处理，并且在步骤3之后将后续处理应用于增强后的图像作为后处理，以确保在Retinex对比度增强，直方图重新缩放之后增强版本的光投射。图10给出了全局映射输出的一些示例。可以看出，自适应全局映射将图像从极端照明条件（顶部图像：曝光不足的照片;底部图像：曝光过度的照片）渲染到接近正常的状态。现在，输入图像已准备好进行亮度和色度增强，这将在下一节中讨论。
图8：（a）主导音调在50附近的测试样本。（b）主导音调和键值之间的关系。地平线是噪声图像的主要音调（从0到100不等），垂直轴是从0到100的相应键值
图9：映射曲线之间的比较。 品红色虚线对应于圆形映射曲线r = 1。
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
