一种基于Retinex理论的低照度图像增强方法

本发明属于图像处理，具体涉及低照度图像增强、retinex理论。

背景技术：

1、在实际生活中，由于受到各种外界干扰因素的影响，如阴雨、雾霾等天气导致的光线不足，或者图像采集设备的曝光不足等，这些都可能导致图像在生成和传播过程中出现亮度对比度降低、画面明暗不均、细节展现较差等问题，这些因素大大降低了图像的质量，影响了人类视觉对图像信息的感知能力，同时也给图像后续的处理问题带来了巨大的麻烦。因此，对图像进行增强，以提高图像的质量，让人们能够获取更多的有用信息和应用需求图像，帮助人们和计算机更准确地进行分析和识别，就显得尤为重要。

2、retinex是由视网膜(retina)和大脑皮层(cortex)两个词组合而来。该理论的基础包括三色理论(trichromacy)和颜色恒常性(color constancy)。颜色恒常性是人类颜色感知系统的一个重要特点，确保物体的颜色在不同条件下保持相似。

3、基于中心环绕函数的retinex算法存在以下缺陷：

4、1.用高斯滤波函数作为中心环绕函数对光照区域的划分不够准确，导致得到的反射分量边缘细节容易模糊。

5、2.retinex算法将光照分量去除，导致画面整体泛白，强光到阴影的过渡区域存在“光晕现象”。

6、3.retinex算法需要对rgb图像的三个通道分量进行处理，导致处理后的图像色彩失真或过度增强。

7、4.多数算法都只能适用于特定环境下，鲁棒性不强，泛化能力差。

技术实现思路

1、为了解决上述问题，本发明提出了一种基于retinex理论的低照度图像增强算法。该算法能够根据输入图像的特征进行调整，从而更准确地划分光照区域，提高反射分量的清晰度，并减少“光晕现象”的发生。同时，该算法还能减少色彩失真或过度增强，实现对图像的自适应增强。

2、本发明采用的技术方案包括如下步骤：

3、步骤s1：将rgb彩色低照度图像转换到hsv色彩空间。

4、步骤s2：将亮度分量v的灰度级由[0,255]映射到[0,1]，便于对v分量进行引导滤波算法处理。

5、步骤s3：对亮度分量v进行引导滤波提取光照分量i，根据光照反射模型估算出反射分量r。

6、步骤s4：对光照分量i进行自适应gamma校正，使光照强度分布达到均匀。

7、步骤s5：对饱和度分量s，采取改进的k-means聚类算法对饱和度分量进行区间划分为3类，应用分段指数增强算法对不同区域的饱和度分别进行处理。

8、步骤s6：将增强后的反射分量和校正后的光照分量进行融合，得到新的亮度分量v。

9、步骤s7：将处理后的亮度分量v，与色调分量h和饱和度分量s进行合并，并转换到rgb色彩空间，得到最终的增强图像。

10、本发明提供的一种低照度图像增强算法，具有以下优势：

11、(1)所述算法提出一种自适应gamma校正函数，根据暗区占比调整校正权重，解决光照分量存在光照不均和较弱的问题。

12、(2)在所述算法中对饱和度的处理采用先聚类再增强的方法，提高了算法的泛化能力，增强后的图像色彩自然，不失真。

技术特征：

1.一种基于retinex理论的低照度图像增强方法，其特征在于：所述方法通过以下步骤实现：

2.根据权利要求1所述的一种基于retinex理论的低照度图像增强方法，其特征在于：步骤s4所述的自适应gamma校正γ指数，具体为：

3.根据权利要求1所述的一种基于retinex理论的低照度图像增强方法，其特征在于：步骤s5所述的饱和度分量增强，包括改进的k-means聚类和后续的分段指数增强步骤，具体为：

技术总结
一种基于Retinex理论的低照度图像增强方法，为了应对低照度图像整体偏暗，对比度和色彩饱和度较低，细节展现较差等缺陷。该方法包括如下步骤，首先将原图像RGB色彩空间转换到HSV色彩空间，对V分量进行引导滤波估计图像中的光照分量。提出一种自适应gamma校正算法对光照分量进行处理，自适应的提升图像的光照强度，提升图像的本质信息和边缘细节，对饱和度分量S，采取改进的K‑means聚类算法对饱和度分量进行划分，然后应用分段指数增强算法对不同区域的饱和度分别进行处理，增强图像的整体色彩表现力和对比度。最后将增强后的光照和反射分量进行融合得到了最终的增强图像。实验结果表明，该算法可以有效的提升图像的对比度、清晰度和细节展现能力，同时保持色彩也不失真，在PSNR值和SSIM值的提升方面也优于其他基于Retinex理论的低照度图像增强算法。

技术研发人员：王泽宇
受保护的技术使用者：哈尔滨理工大学
技术研发日：
技术公布日：2024/3/4