一种基于PSO寻优的引导滤波-Retinex低照度图像增强方法与流程

一种基于pso寻优的引导滤波-retinex低照度图像增强方法
技术领域
[0001]
本发明属于图像处理技术领域，具体涉及一种基于pso寻优的引导滤波-retinex低照度图像增强方法。


背景技术：

[0002]
低照度图像由于环境、光照等因素，往往亮度低、对比度差且含有噪声，不仅肉眼难以分辨，也给后续图像处理，如目标检测、视频监控等，带来了挑战。因此，对低照度图像的增强一直是图像处理领域的热点，具有十分重要的现实意义。
[0003]
低照度图像增强的目的是增强暗区，抑制高亮区，实现图像清晰化。目前，国内外已有很多低照度图像增强算法相继被提出，广泛使用的有三类：第一类是基于直方图均衡化(he)的方法。这类方法能有效提高对比度且处理速度快，但易出现过增强现象，同时由于灰度级合并而丢失细节信息。第二类是基于去雾模型的方法。dong基于去雾模型的方法对低照度图像进行增强，主要通过对低照度图像进行翻转、去雾，实现低照度图像增强。基于去雾模型的方法虽对低照度图像有较好的增强效果，但增强后的图像易在边缘出现伪影。第三类是基于retinex理论的方法，这是近年来应用最为广泛的一种算法，其主要原理为：将人眼观察到的图像表示为照度分量与反射分量的乘积，照度分量反映的是光照的情况，而反射分量是图像的固有属性，不因光照情况发生改变，因此通过估计并去除原始图像中的照度分量，可获得反射分量，从而实现图像增强。其中最经典的有单尺度retinex(ssr)算法、多尺度retinex(msr)算法和带色彩恢复的msr(msrcr)算法。ssr算法对图像做了高斯滤波估计，msr算法则可以看成多个不同尺度的ssr线性加权求和，能够较好地提高图像的对比度和亮度，但也会使图像边缘锐化不足，部分颜色发生扭曲。msrcr算法在msr算法基础上引入了颜色恢复，使得增强后的图像不会出现失真的现象，但图像的颜色会偏离原始色彩，整体颜色偏白。
[0004]
retinex在增强图像对比度、亮度、细节方面的优良特性，使之近年来在图像处理领域得到广泛的应用，一些基于retinex理论的新算法也陆续被提出，ahn h等用引导滤波代替高斯滤波估计亮度分量，提出基于retinex的高动态范围图像自适应局部色调映射算法，能较好保持图像原始色彩。li等提出了一种加权引导滤波，以自适应的因子作为权重来提高引导滤波的保边平滑能力，可以在较充分的平滑同时不产生边缘模糊，但是会有增加噪声的问题出现。guo x j等提出了基于光照图像估计的低照度图像增强算法，即先在原始低照度图像的rgb三个通道中取最大值得到初始光照图像，再通过结构先验不断修正原始光照图，并应用gamma校正调整光照图像，从而得到全局平滑且边缘清晰的光照图像。wang s等提出了非均匀光照图像的自然度保持增强算法，提出将高斯平滑后的图像作为引导滤波器的引导图像，虽然能更好地平滑，但得到的增强图像仍存在光晕。张杰等提出一种基于迭代多尺度引导滤波retinex的低照度图像增强算法，将图像转换到ycbcr空间，然后对y分量用迭代多尺度引导滤波算法估计照度图像，在保持边缘的同时消除各种对比度细节。fu x等提出了基于多图像融合的低照度图像增强算法，该算法能有效改善图像局部的对比度，
并较好地保持图像自然性。以上算法分别在图像色彩保持、去除噪声、增强图像对比度及细节等方面取得了不错的增强效果，但在亮度、对比度增强、细节及颜色保持方面总不能取得好的平衡。


技术实现要素：

[0005]
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于pso寻优的引导滤波-retinex低照度图像增强方法，其步骤简单，实现方便，能够有效提升图像对比度，增强图像的细节信息，并在去除图像噪声的同时，很好的保持图像边缘信息，改善retinex存在的失真及光晕现象，得到良好的图像视觉效果，效果显著，便于推广。
[0006]
为解决上述技术问题，本发明采用的技术方案是：一种基于pso寻优的引导滤波-retinex低照度图像增强方法，包括以下步骤：
[0007]
步骤一、将原图像从rgb空间转换到hsv空间，保持色调分量h和饱和度分量s不变；
[0008]
步骤二、对亮度分量v进行一层小波分解，得到高频hl1、lh1、hh1三个子图像和低频ll1子图像；
[0009]
步骤三、对低频ll1子图像进行二层小波分解，得到高频hl2、lh2、hh2三个子图像和低频ll2子图像；
[0010]
步骤四、对高频hl2、lh2、hh2三个子图像分别进行线性增强，得到增强后的高频子图像；
[0011]
步骤五、将增强后的高频子图像与低频ll2子图像进行小波重构，得到处理后的一次近似图像ll1'；
[0012]
步骤六、采用自适应中值滤波对高频hl1、lh1、hh1三个子图像进行增强；
[0013]
步骤七、采用基于pso寻优的引导滤波-retinex对一次近似图像ll1'进行增强；
[0014]
步骤八、将步骤六得到的增强图像与步骤七得到的增强图像进行小波重构，得到增强后的亮度分量v图像；
[0015]
步骤九、将增强后的亮度分量v图像与色调分量h、饱和度分量s合成，再将合成图像从hsv空间转换到rgb空间，并进行伽马校正，得到最终增强后的图像。
[0016]
上述的一种基于pso寻优的引导滤波-retinex低照度图像增强方法，步骤二中所述一层小波分解和步骤三中所述二层小波分解均采用db4小波进行图像分解。
[0017]
上述的一种基于pso寻优的引导滤波-retinex低照度图像增强方法，步骤四中所述小波重构和步骤八中所述小波重构均采用db4小波进行图像重构。
[0018]
上述的一种基于pso寻优的引导滤波-retinex低照度图像增强方法，步骤七中所述基于pso寻优的引导滤波-retinex的具体步骤包括：
[0019]
步骤701、读入小波一次重构图像后，首先初始化粒子群，组建初始粒子种群n＝50，设定粒子群的学习因子c1＝c2＝2，惯性权重ω＝0.8，最大迭代次数100次，初始速度v，设置引导滤波核半径r的搜索范围为[2,30]，正则化因子ε的搜索范围为[0.01,1]；
[0020]
步骤702、初始化r和ε的初值，对图像进行引导滤波-retinex增强，并采用适应度函数对增强后图像质量进行评价，计算适应度值；
[0021]
步骤703、根据适应度函数计算每个粒子的适应度值，针对粒子种群中的每个粒子进行评价，将其当前适应度值与其个体历史最优位置pbest对应的适应度值作比较，当当前
适应度值优于个体历史最优位置pbest对应的适应度值时，用当前位置更新个体历史最优位置pbest；
[0022]
步骤704、对每个粒子，将当前适应度值与全局最佳位置gbest对应的适应度值作比较，当当前适应度值优于全局最佳位置gbest对应的适应度值时，用当前粒子位置更新全局最佳位置gbest；
[0023]
步骤705、更新每个粒子的速度与位置；
[0024]
步骤706、当迭代次数达到所要求的最大迭代次数时，执行步骤707；当迭代次数没有达到所要求的最大迭代次数时，返回步骤702；
[0025]
步骤707、输出相应的最优参数值r和ε给引导滤波-retinex，对图像进行增强。
[0026]
上述的一种基于pso寻优的引导滤波-retinex低照度图像增强方法，步骤702和步骤703中所述适应度函数fitness为
[0027]
fitness＝contrast
×
entropy
[0028]
其中，contrast为图像对比度，entropy为图像信息熵。
[0029]
上述的一种基于pso寻优的引导滤波-retinex低照度图像增强方法，步骤九中所述伽马校正公式为v
out
＝a*v
inγ
，其中，v
in
为输入图像，v
out
为输出图像，a为常数，γ为控制图像亮度增强程度的唯一参数。
[0030]
本发明与现有技术相比具有以下优点：
[0031]
1、本发明方法步骤简单，实现方便。
[0032]
2、本发明采用自适应中值滤波对小波高频分量图像中大量噪声信息及细节信息进行处理，不仅可以去除噪声，还对细节具有良好的保持作用。
[0033]
3、本发明采用经粒子群算法优化的引导滤波来估计照度分量，实现对照度分量的准确提取，不仅能提高图像亮度、对比度，还能很好的增强图像细节信息。
[0034]
4、本发明采用伽马校正很好地提高图像亮度,并丰富暗区域细节信息，得到更好的视觉效果。
[0035]
5、本发明能够有效提升图像对比度，增强图像的细节信息，并在去除图像噪声的同时，很好的保持图像边缘信息，改善retinex存在的失真及光晕现象，得到良好的图像视觉效果，效果显著，便于推广。
[0036]
综上所述，本发明方法步骤简单，实现方便，能够有效提升图像对比度，增强图像的细节信息，并在去除图像噪声的同时，很好的保持图像边缘信息，改善retinex存在的失真及光晕现象，得到良好的图像视觉效果，效果显著，便于推广。
[0037]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0038]
图1为本发明的方法流程图；
[0039]
图2为本发明方法中二层小波分解和重构过程示意图；
[0040]
图3为本发明方法中基于pso寻优的引导滤波-retinex的方法流程图。
具体实施方式
[0041]
如图1所示，本发明的基于pso寻优的引导滤波-retinex低照度图像增强方法，包
括以下步骤：
[0042]
步骤一、将原图像从rgb空间转换到hsv空间，保持色调分量h和饱和度分量s不变；
[0043]
步骤二、对亮度分量v进行一层小波分解，得到高频hl1、lh1、hh1三个子图像和低频ll1子图像；
[0044]
步骤三、对低频ll1子图像进行二层小波分解，得到高频hl2、lh2、hh2三个子图像和低频ll2子图像；
[0045]
步骤四、对高频hl2、lh2、hh2三个子图像分别进行线性增强，得到增强后的高频子图像；
[0046]
步骤五、将增强后的高频子图像与低频ll2子图像进行小波重构，得到处理后的一次近似图像ll1'；
[0047]
步骤六、采用自适应中值滤波对高频hl1、lh1、hh1三个子图像进行增强；
[0048]
步骤七、采用基于pso寻优的引导滤波-retinex对一次近似图像ll1'进行增强；
[0049]
步骤八、将步骤六得到的增强图像与步骤七得到的增强图像进行小波重构，得到增强后的亮度分量v图像；
[0050]
步骤九、将增强后的亮度分量v图像与色调分量h、饱和度分量s合成，再将合成图像从hsv空间转换到rgb空间，并进行伽马校正，得到最终增强后的图像。
[0051]
本实施例中，步骤二中所述一层小波分解和步骤三中所述二层小波分解均采用db4小波进行图像分解。
[0052]
本实施例中，步骤四中所述小波重构和步骤八中所述小波重构均采用db4小波进行图像重构。
[0053]
具体实施时，小波分解的每一层都可以分解为4个子图像，分别为低频子图像ll、高频水平子图像hl、高频垂直子图像lh和高频对角子图像hh，更高一级的分解只是对上一级分解中的低频分量做进一步分解，使频率的分辨率越来越高，二层小波分解过程如图2所示，小波重构按反方向进行。
[0054]
本实施例中，步骤七中所述基于pso寻优的引导滤波-retinex的具体步骤包括：
[0055]
步骤701、读入小波一次重构图像后，首先初始化粒子群，组建初始粒子种群n＝50，设定粒子群的学习因子学习因子c1＝c2＝2，惯性权重ω＝0.8，最大迭代次数100次，初始速度v，设置引导滤波核半径r的搜索范围为[2,30]，正则化因子ε的搜索范围为[0.01,1]；
[0056]
步骤702、初始化r和ε的初值，对图像进行引导滤波-retinex增强，并采用适应度函数对增强后图像质量进行评价，计算适应度值；
[0057]
步骤703、根据适应度函数计算每个粒子的适应度值，针对粒子种群中的每个粒子进行评价，将其当前适应度值与其个体历史最优位置pbest对应的适应度值作比较，当当前适应度值优于个体历史最优位置pbest对应的适应度值时，用当前位置更新个体历史最优位置pbest；
[0058]
步骤704、对每个粒子，将当前适应度值与全局最佳位置gbest对应的适应度值作比较，当当前适应度值优于全局最佳位置gbest对应的适应度值时，用当前粒子位置更新全局最佳位置gbest；
[0059]
步骤705、更新每个粒子的速度与位置；
[0060]
步骤706、当迭代次数达到所要求的最大迭代次数时，执行步骤707；当迭代次数没有达到所要求的最大迭代次数时，返回步骤702；
[0061]
步骤707、输出相应的最优参数值r和ε给引导滤波-retinex，对图像进行增强。
[0062]
本实施例中，步骤702和步骤703中所述适应度函数fitness为
[0063]
fitness＝contrast
×
entropy
[0064]
其中，contrast为图像对比度，entropy为图像信息熵。
[0065]
具体实施时，适应度函数兼顾了图像对比度和图像信息熵两个指标，由该评价函数作为适应度函数得出的优化参数，能够改善增强后的图像的对比度及细节信息，整体效果更佳。具体的，图像对比度(contrast)反映图像灰度反差的大小，其值越大，增强后的图像视觉效果越好，图像信息熵(entropy)反映图像细节丰富程度，其值越大，其信息量也就越丰富。
[0066]
本实施例中，步骤九中所述伽马校正公式为v
out
＝a*v
inγ
，其中，v
in
为输入图像，v
out
为输出图像，a为常数，γ为控制图像亮度增强程度的唯一参数。
[0067]
具体实施时，a的取值为1，γ为唯一的参数，用于控制图像亮度的增强程度，γ小于1，提升亮度；γ大于1，降低亮度。
[0068]
具体实施时，v图像小波高频分量经自适应中值滤波处理，低频经基于pso的引导滤波-retinex处理后，经小波重构可得增强后的v图像，其与h、s图像合成，并转换回rgb空间，此时的图像噪声已得到去除，细节及对比度均得到增强，但图像整体偏暗，需进一步增强亮度及对比度，对rgb图像进行伽马校正，提高图像亮度,并丰富暗区域细节信息，从而得到更好的视觉效果。
[0069]
为了验证本发明方法的效果，在仿真软件matlab中对本方法进行实验，同时选取直方图均衡化、单尺度retinex以及引导滤波算法与本方法进行对比。
[0070]
采用对比度、信息熵和峰值信噪比对直方图均衡化、ssr算法、引导滤波及本方法处理后的图像进行客观评价，评价结果如表1所示。
[0071]
表1不同算法得到的图像质量的客观评价结果
[0072][0073]
由表1可以看出，本方法处理后的图像，在对比度、信息熵、峰值信噪比方面基本上都优于ssr算法和直方图算法，仅在信息熵方面低于ssr，但ssr算法处理后的图像出现明显的颜色失真现象；本方法与引导滤波相比，具有更好的信息熵，表明本方法增强后的图像细节更加丰富，在对比度及信噪比方面略次于引导滤波，但引导滤波存在过增强现象，本方法处理后的图像具有更好的视觉效果。
[0074]
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。