本发明涉及一种图像增强方法，特别是能够对空间高动态范围不均匀光照图像进行处理的图像增强方法，属于图像处理技术领域。
背景技术：
对机器人宇航员来说，变光照环境对智能识别有着很大的挑战。空间光照强度动态范围高，且由于不存在大气层对光照进行衰减与散射，因此，进入视觉系统的光照强度很大，且没有光照直射的区域又是一个深黑的背景，两者亮度对比强烈。空间站舱内空间狭小且装置表面多为金属材质，存在光线的强烈反射；而且，舷窗附近由于光照直射的阴影，会产生部分高亮区域与阴影，这使得舱内光照环境存在非常强的非线性。
图像增强技术一直是机器人视觉领域非常重要的基本处理基础。图像增强技术就是把图像中对观测者有用的信息加以增强，使图像的对比度更高，视觉效果更好。
McCann Retinex算法是由McCann和Frankle基于Retinec理论提出的，该算法适用于大动态范围辐射强度的自然环境中，来计算类似人类视觉中物体的情况。在对含有阴影遮挡的图像和光照不均匀的图像进行增强时，McCann Retinex算法具有较好的增强效果，但仍然存在着一些不足。
A.产生光晕现象(halo)：这个现象产生的原因是由于传统的Retinex假设场景中光照是平缓变化的，因此在处理高动态范围图像时在明暗对比出易产生光晕现象。而在空间环境中，图像多处于非线性高动态，因此，传统MSR的retinex方法并不适应。
B.处理效果与处理时间无法平衡：为了获得良好的动态压缩和平滑的图像，往往要遍历图像更大的面积，迭代更多的次数；但这也使得处理速度大大减慢，影响算法执行效率。而迭代次数过少则不能表现整个图像的照度特点，增强效果不明显。
C.部分颜色发生扭曲，产生了错误颜色效果：这是由于传统的Retinex方法是通过RGB通道处理造成的，Retinex是在RGB的3个不同的基带上进行非线性处理，导致的直接结果就是颜色扭曲。
D.曝光过度区域细节信息不丰富：在过度曝光的高亮图像中，传统的Retinex主要是通过邻域各像素点的亮度水平不同来感知图像的结构信息；而对于彩色图像，当曝光过度图像某边缘处两侧的亮度水平相当时，仅通过亮度信息无法将边缘区分出来。
技术实现要素：
本发明的目的在于提供一种光照补偿及图像增强方法，使得图像明亮部分的亮度减少、阴影部分的亮度增加、整个图像的亮度比较均匀，亮度过高和过低部分的细节都得以显现。与此同时，提高运算效率。
本发明的技术方案如下。
一方面，本发明提供了一种基于仿生螺线的图像增强方法，包括以下步骤：
步骤S1，获取待处理的原始图像；
步骤S2，分离出图像的亮度层和色彩层，其中色彩层是物体本来属性保留；亮度层包含光照信息进行单独处理；
步骤S3，对亮度层进行仿生螺线的照度分析，并根据自适应平滑算法，得到新的亮度层；
步骤S4，将新的亮度层与原来的色彩层合并，得到增强后的图像。
优选地，所述步骤S2使用基于HSI模型的图像分离，将分离出来的饱和度和色调分量合并为色彩层，将强度分量作为亮度层。
优选地，所述使用基于HSI模型的图像分离中，
其中
以上公式中H、S、I为HSI色彩模型的分量，R、G、B为图像在RGB模型的分量。
优选地，所述步骤S4还包括，在将新的亮度层和原始图像分离出来的色彩层重新组合后，将HSI模型转换为RGB模型，得到增强后的图像。
优选地，所述步骤S2中的根据自适应平滑算法，得到新的亮度层包括如下步骤：
在所述步骤S2分离的亮度层上，按照仿生螺线路径选择一部分像素点，作为估计照度的图像；
最终的增强图像中的单个点亮度值取决于与该条特定路径上环绕的像素点进行比较之后的结果，并迭代多次。
优选地，所述选择一部分像素点的路径采用阿基米德螺线，路径点方程如下：
t∈[0,kπ]
式中，fix为取整函数，(x,y)为图像路径像素点的坐标，w和h为图像像素的宽和高，n代表螺线的疏密程度，k为螺线旋转的圈数。
优选地，在单个点亮度值与路径上的点完成比较后，将得到的差值表示为ri(x,y)；
完成一次迭代后，可以得到：
式中，ri(x,y)是上一轮迭代完成的结果，ri'(x,y)是ri(x,y)与亮度差的和；
其中，Δf是单点在路径上的亮度差，max是原始图像中像素亮度值的最大值；经过i轮迭代后，ri+1(x,y)即为增强后图像的亮度值。
另一方面，本发明还提供了一种基于仿生螺线的光照补偿方法，包括以下步骤：
步骤S10，获取原始图像各像素点的亮度值；
步骤S20，按照阿基米德螺线的路径选取一部分像素点，作为估计照度的图像；
步骤S30，将所述路径上选取的像素点与中心像素点做亮度值进行比较，并迭代多次，得到最终图像的亮度值。
优选地，所述阿基米德螺线方程如下：
t∈[0,kπ]
式中，fix为取整函数，(x,y)为图像路径像素点的坐标，w和h为图像像素的宽和高，n代表螺线的疏密程度，k为螺线旋转的圈数。
优选地，在单个点亮度值与路径上的点完成比较后，将得到的差值表示为ri(x,y)；
完成一次迭代后，可以得到：
式中，ri(x,y)是上一轮迭代完成的结果，ri'(x,y)是ri(x,y)与亮度差的和；
其中，Δf是单点在路径上的亮度差，max是原始图像中像素亮度值的最大值；经过i轮迭代后，ri+1(x,y)即为增强后图像的亮度值。
通过以上技术方案，本发明基于阿基米德螺线的像素提取路径，能够在取得较少像素点的前提下，尽可能获取图像的光照变化。
附图说明
图1是本发明的图像增强方法的光照补偿步骤示意图。
图2是本发明的图像增强方法使用的阿基米德螺线路径图。
图3是分别使用传统Retines算法和本发明的图像增强方法的图像增强结果。
图4(a)-图4(b)是使用本发明的图像增强方法的低照度图像增强结果。
图5(a)是图4(a)的图像灰度直方图。
图5(b)是图4(b)的图像灰度直方图。
具体实施方式
如附图1所示，本发明提供了一种基于retinex理论的图像增强方法，包括以下步骤：
步骤S1，获取待处理的原始图像；
步骤S2，分离出图像的亮度层和色彩层，其中色彩层是物体本来属性保留；亮度层包含光照信息进行单独处理；
步骤S3，对亮度层进行仿生螺线的照度分析，并根据自适应平滑算法，得到新的亮度层；
步骤S4，将新的亮度层与原来的色彩层合并，得到增强后的图像。
本领域技术人员能够理解，所述步骤S1中获取的待处理的原始图像通常为彩色图像，然而本发明并不局限于此。步骤S1中所获取的原始图像还可以是动态范围较大的灰度图像。
优选地，所述步骤S2使用基于HSI模型的图像分离，将分离出来的饱和度和色调分量合并为色彩层，将强度分量作为亮度层。
优选地，所述使用基于HSI模型的图像分离中，
其中：
以上公式中H、S、I为HSI色彩模型的分量，R、G、B为图像在RGB模型的分量。
优选地，所述步骤S4还包括，在将新的亮度层和原始图像分离出来的色彩层重新组合后，将HIS模型转换为RGB模型，得到增强后的图像。
优选地，所述步骤S2中的根据自适应平滑算法，得到新的亮度层包括如下步骤：
在所述步骤S2分离的亮度层上，按照仿生螺线路径选择一部分像素点，作为估计照度的图像；
最终的增强图像中的单个点亮度值取决于与该条特定路径上环绕的像素点做对比之后的结果，并迭代多次。
优选地，所述选择一部分像素点的路径采用阿基米德螺线。
在自然界中，阿基米德螺线由于其优良性质而广泛存在。对于牵牛花、紫藤、茑萝等攀缘植物而言，光合作用尤为重要。因此，它们攀缘的最优路径是利用最少的材料、最低的能耗，使其茎与叶能够最大面积最大限度得接受阳光的照射，这些植物的攀缘路径往往都为螺线。同样，像烟草等植物的轮状叶序就是形成的螺旋面能在其他植物的夹缝中从狭小的空间内获得最大的光照面积。
受自然界中广泛存在的螺线启发，在进行图像照度分析时，本发明在提取图像光照条件的路径选择上采用阿基米德螺线，如图2所示，路径点方程如下：
t∈[0,kπ]
式中，fix为取整函数，(x,y)为图像路径像素点的坐标，w和h为图像像素的宽和高，n代表螺线的疏密程度，k为螺线旋转的圈数。
优选地，在单个点亮度值与路径上的点完成比较后，将得到的差值表示为ri(x,y)；
完成一次迭代后，可以得到：
式中，ri(x,y)是上一轮迭代完成的结果，ri'(x,y)是ri(x,y)与亮度差的和；
其中，Δf是单点在路径上的亮度差，max是原始图像中像素亮度值的最大值；经过i轮迭代后，ri+1(x,y)即为增强后图像的亮度值。
图3所示的是利用传统Retinex算法和本发明的图像增强方法针对操作面板提出的不同光照情况下的图像增强结果。从图3可以看出，采用传统的Retinex算法在一定程度上能够改进画面质量，但仍有不足，而本发明的图像增强方法较传统的Retinex算法相比存在一定优势，具体表现为：
a)在光照均匀、强度适中的情况下，传统Retinex算法与本发明的图像增强方法处理后的结果大致相同。
b)逆光时，原始图像整体较暗，面板上按键等细节显示不清晰；采用传统的Retinex算法可使操作面板上按键旋钮等细节呈现情况较为好转，但颜色失真较为严重；而采用本发明方法后面板上细节清楚，对比度明显，颜色保真度有所提高。
c)在图像中存在局部强光反射时，原始图像在反射位置附近图像细节不明显；采用传统的Retinex算法可以恢复部分细节，但是图像会产生光晕；采用本发明的图像增强方法后，细节处对比度更加明显，光晕减小。
d)当图像中存在阴影时，原始图像在阴暗区域处无法显示细节；而传统Retinex与本发明的图像增强方法均能够突出阴暗区域信息，两个图像增强结果类似。
分别用传统Retinex算法与本发明的图像增强方法对8张图片进行处理时间统计，如表1所示。通过对两种方法处理时间的比较，可以发现采用改进Retinex算法相较于传统Retinex算法，处理时间缩短了24.81％。
表1
因此可以看出，传统的Retinex算法与本发明的图像增强方法对去除图像中光照影响都有一定的效果，图像的对比度增强，细节更加明显，亮度更加均匀。但在某些情况下，采用传统的Retinex算法可能会出现颜色失真与产生光晕的情况，而本发明的图像增强方法能够减轻颜色失真情况，减少光晕的发生。而且，本发明的图像增强方法相较于传统算法处理时间更短。
如图4(a)-图4(b)所示，图4(a)为光照强度过低时采集的图像，图4(b)为通过本发明的图像增强方法进行增强的图片。每张图片分为两部分，左上角部分为右侧完整图像虚线标识区域内的局部放大。从图像整体可以看出，使用了本发明的图像增强方法后，物体的颜色信息得到增强，对比度和亮度明显提高，颜色丰富自然；从图像左上角局部放大出可以看出，通过本发明的图像增强方法可以使图像表达出更多的信息量，细节纹理更加清晰。
以上处理前后的图像的灰度直方图如图5(a)-图5(b)所示。图5(a)为原图像灰度直方图，其绝大大部分像素的灰度值集中在灰度值小于90以内，说明图像整体较暗。而图5(b)为通过本发明的图像增强方法处理后的图像，灰度值分布较为平均，图像中物体与背景的对比度增强，有利于针对特定物体的识别。