基于HSV空间的Retinex低照度图像增强算法.pdf

第43卷第6 期2023年11月doi:10.19638/j.issn1671-1114.20230610天津师范大学学报（自然科学版）Journal of Tianjin Normal University(Natural Science Edition)Vol.43No.6Nov.2023基于 HSV 空间的 Retinex低照度图像增强算法张宝菊1,2,孙友辰1,2，王琼1,2，张翠萍1,2，张博1,2（1.天津师范大学电子与通信工程学院，天津30 0 38 7；2.天津市无线移动通信与无线电能传输重点实验室，天津300387)摘要：针对低照度图像存在亮度较低、照明不均匀、对比度较差、细节信息损失等问题，提出一种基于HSV空间的Retinex低照度图像增强算法.首先将低照度图像转化为HSV空间；然后在HSV空间对亮度通道采用改进的Retinex算法和基于自适应Gamma校正与CLAHE算法联合的亮度增强算法实现对低照度图像的亮度增强；其次，通过双边滤波，利用线性拉伸进行饱和度分量图像增强；最后将增强后的图像重新转换为RCB格式，并利用自动白平衡技术恢复图像物体原本的颜色.实验结果表明，该算法有效改善了低照度图像的质量，达到较好的视觉效果，PSNR、SSI M 和信息炳等指标优于其他算法.关键词：Retinex算法；HSV颜色空间；低照度图像；图像增强中图分类号：TP391.41Retinex low-illumination image enhancement algorithm based onZHANG Baojul-2,SUN Youchen-2,WANG Qiong*2,ZHANG Cuiping*2,ZHANG Bol.2(1.College of Electronic and Communication Engineering,Tianjin Normal University,Tianjin 300387,China;2.Tianjin Key Laboratory ofWireless Mobile Communications and Power Transmission,Tianjin Normal University,Tianjin 300387,China)Abstract:The Retinex low-illumination image enhancement algorithm based on HSV space is proposed for the problems of lowluminance,uneven illumination,poor contrast and loss of detail information in low-illumination images.Firstly,the low-illumi-nation image is transformed into HSV space.And then the improved Retinex algorithm and the luminance enhancement algo-rithm based on the combination of adaptive Gamma correction and CLAHE algorithm in HSV space for the luminance channelare used to realize the luminance enhancement of the low-illumination image.Next,the saturation component image isenhanced by bilateral filtering and using linear stretching.Finally,the enhanced image is reconverted back to RGB format fordisplay,and the automatic white balance technique is used to restore the original color of the image object.The experimentalresults show that the proposed algorithm improves the quality of low-illumination images effectively,and achieves better visualeffects.PSNR,SSIM and information entropy of the algorithm are better than those of other algorithms.Keywords:Retinex algorithm;HSV color space;low-illumination image;image enhancement文献标志码：AHSV space文章编号：16 7 1-1114(2 0 2 3)0 6-0 0 6 9-0 6数字图像是一种直观的信息载体，随着数字成像技术的发展和数字成像成本的降低，数字图像已成为一种常见的媒体形式.图像增强的目的是改善图像的视觉效果，将其转换为更适合于人或机器进行分析和处理的形式。传统的图像增强技术主要包括空域和频域2 种增强算法.基于空域的算法主要有直方图均衡化和灰度变换等方法.基于频域的算法在频域内对整收稿日期：2 0 2 2-0 5-0 7基金项目：教育部新工科研究与实践资助项目（基于成果导向教育理念的电子信息类国际化创新人才培养模式探索与实践，E-DZYQ20201408）；教育部产学合作协同育人资助项目（新工科背景下“三位一体 式创新创业教育改革研究与实践，2 0 2 10 2 17 2 0 14）；中国高校产学研创新基金资助项目（“一环四核”-新工科电子信息类人才培养新范式的探索与实践，2 0 2 2 BL084).第一作者：张宝菊（19 6 8 一），女，教授，博士生导师，主要从事数字音视频技术、信号与信息处理等方面的研究.E-mail：w d x y z b j 16 3.c o m.个图像进行操作，通过低通滤波或高通滤波对图像进行滤波处理.传统的图像增强算法主要针对灰度图发挥作用叫随着图像处理技术的不断发展，很多应用领域要求对彩色图像进行图像增强和色彩恢复.但在现实生活和自然场景中，由于拍摄角度、拍摄时间、拍摄环境和设备等因素的影响，大量图像往往由于光照不足等问题，导致图像的视觉感知较差，许多有效信息70被隐藏，在一定程度上降低了图像质量和应用价值2 .为提高低照度图像的质量，相关学者提出了多种低照度图像增强的方法.Land等3 首次提出了Retinex算法，该算法符合人眼的颜色恒常性理论.之后研究人员对Retinex算法做了一系列改进，从单尺度算法发展到多尺度算法，再发展到带有色彩恢复的多尺度算法46.传统的Retinex算法容易产生光晕和过增强等现象，因此许多学者提出了多种方法对传统Retinex算法进行改进.Liu等7 提出了基于Retinex的快速算法实现低照度图像增强，该算法能够恢复低照度覆盖的信息.Wang等针对传统Retinex算法纹理细节保留差以及光晕、过增强和色调突变等缺点，提出了一种基于Gabor滤波器和Retinex理论的低照度彩色图像增强算法，使处理后的图像颜色丰富，且更接近原始图像，有效减少了晕轮和过增强.Hassan等9 提出了一种基于Retinex的水下图像增强算法，以解决由于光的衰减变化和红、绿、蓝分量的不均匀吸收造成的水下图像对比度低和颜色失真等问题.为提高图像亮度，增强对比度和图像细节，本文提出一种基于HSV空间的Retinex低照度图像增强算法.实验结果显示，该算法提高了图像的对比度和亮度，有效改善了低照度图像的质量，具有较好的色彩恢复效果，视觉效果良好.1 基本理论1.1色彩空间转换彩色图像增强的目的是调整图像的亮度和颜色，以满足人对颜色的感知.RGB和HSV颜色空间都是表示色彩的方法.图像的RCB分量之间有很强的关联性，不适合单独用于图像增强.HSV是一种基于人眼视觉感知的颜色空间.HSV模型基于RGB颜色空间中点的关系建立，可以更准确地描述感知到的颜色关系，并使其在计算中保持简单0 I.HSV空间的3个分量分别为色调(H）、饱和度（S)和亮度（V）.色调表示颜色的基本特征.饱和度表示颜色的纯度，其值范围为0%100%.亮度表示颜色的明亮程度，其值范围为0%100%叫，对于光源色，亮度值是相对于照明亮度的颜色，物体色与物体的透射率或反射率有关.1.2Retinex算法Retinex理论又被称为视网膜皮层理论2 ，Retinex图像增强算法的基本思想是，对于一个点的颜色和亮度的感知不仅取决于进入人眼的绝对光线，还取决于周围的颜色和亮度13.Retinex算法在低光照图像增强、恶劣环境下的图像增强和图像去雾、彩色图像恢复等天津师范大学学报（自然科学版）方面取得了很好的效果14.Retinex算法的表达式为S(x,y)=L(x,y)R(x,y)式中：S(x，y)为观察到的图像；L(x，y)为照射分量，反映图像整体的亮度情况；R(，y)为反射分量，包含大量的图像细节信息.反射分量由物体本身的内在属性决定，不受人射光的影响.对式(1)取对数，得到ln S(x,y)=lnL(x,y)+ln R(x,y)在实际求解时，直接由原始图像获得反射分量比较困难，通常先间接求得照射分量，再由式(2)得到结果，照射分量的计算方式有很多种.Retinex的基本计算过程如图1所示。S(x,y）S(x,y)1n亮度图像估计图1Retinex的计算过程Fig.1Calculation process of Retinex单尺度Retinex算法(SSR)可以保留图像色彩，抑制噪声，但容易出现颜色失真，且会出现光晕现象4相比于SSR算法，多尺度Retinex算法（MSR)对图像的动态范围压缩效果更好，对比度和亮度的增强效果更明显，色彩保持效果更好，但也会出现颜色失真，且难以避免光晕现象15.带色彩恢复的多尺度Retinex算法（MSRCR）在MSR算法的基础上引人了一个色彩恢复因子，利用色彩恢复因子的变化改变相关参数的比例，使其恢复为原始数值，从而实现色彩补偿，解决颜色失真现象.MSRCR算法的表达式为TMSRCR(x,y)=C(x,y)rMSRiK=1(rssr:(x,y)=ln R;(x,y)式中：C(x,y)为第i个通道的色彩恢复函数，C(x,y)=ln(as(x,y)/E I(x,y)式(3)中：k为尺度参数的个数，为每个尺度的权重，当k=1时即为单尺度Retinex算法，多尺度算法中k一般取3.式(4)中:为增益常数,为一个可以控制的非线性调节因子，n为颜色通道数.SSR、M SR和MSRCR算法的增强效果示例见图2，可见MSRCR算法的视觉效果优于SSR算法和MSR算法，避免了颜色失真现象.因此本文选用相应的MSRCR算法处理图像.2023年11月(1)(2)十r(x,Y=1R(x,y)exp(3)(4)第43 卷第6 期(a)原图(c)MSR图2 Retinex算法增强效果Fig.2Enhanced effects of Retinex algorithm2本文算法2.1RGB空间与HSV空间的相互转化RGB空间与HSV空间在数值上一一对应.RGB空间转换为HSV空间的计算公式为060-max-min8-6+060 x一8-6+360max=r,gbh=max-minb-r60+120max=gmax-min60r-g+240max=bmax-min0S=max-min=1-minmax0maxmaxV=max式中：rvgb分别为红色、绿色、蓝色分量，rvg、b 的最大值和最小值分别为max和min.HSV空间转换为RCB空间的计算公式为hhi：J(mod 6)60h-hi60p=vx(1-s)q=vx(1-fxs)t=u(1-(1-f)s)(u,t,p)hi=0(q,U,p)h;=1(p,u,t)h;=2(r,g,b)=(p,9,)h;=3(t,p,u)h;=4(u,P,q)h;=5张宝菊，等：基于HSV空间的Retinex低照度图像增强算法移值，tpq为中间量.2.2改进的MSRCR算法Retinex算法一般采用高斯滤波作为中心函数，高斯滤波器计算整个图像的加权平均值，相邻像素点(b)SSR间的距离越近，其关系越紧密，因此经高斯滤波处理的图像可能会产生光晕和模糊边缘3.双边滤波是一种非线性滤波器，其在高斯滤波的基础上考虑了值域和空间域的差异，能够保留图像的边缘特征，实现边缘去噪，在增强图像细节信息的基础上消除光晕现象8.本文采用双边滤波对饱和度分量进行处理，并在(d)MSRCR亮度分量中以双边滤波器作为中心函数.双边滤波的计算公式为Zf(h,l)w(i.j,h,l)g(i,j)=(h.DeD(,)(k,1)eD(i.j)w,(i,j)=exp(-(_(i-k)2+(j-)220max=minmax=r,gbmax=0.71式中：L为不大于的最大整数，f为颜色范围的偏(10)u,(i.)=exp(-/i,),-(k,1)20式中：g(i,j)为图像中心像素的灰度值；D(i,j)为以(5)(i,j)为中心点的邻域像素的取值范围；w(i,j,h,l)为滤波器的权重系数，即新的灰度值；f(i,j)和f(k,l)分别为点(i,j)和(h,l)附近像素的灰度值；w.(i,j)和w,(i,j)分别为空间邻近因子和灰度相似因子；,和,为滤波器参数9 .(6)2.3联合亮度增强算法2.3.1自适应Gamma校正(7)Gamma校正通过非线性变换使曝光强度的线性响应图像更接近人眼感受的响应，对过亮或过暗的图像进行校正.Gamma校正主要用于提高低照度图像的亮度，增强图像的质量7.Gamma校正的计算公式为G(x,y)=255(11)255(8)式中：I(x,y)为原始图像的亮度；为校正系数；G(x,y)为校正后的图像亮度.当=1时，校正后图像与原始图像亮度相同，当 1时，校正后的图像亮度增加，反之亮度降低2 0 .本文采用自适应的Gamma校正处理图像.一幅合理的图像的Gamma均值应为0.5左右，校正系数需要向这个均值靠近2 1.设图像的平均(9)亮度为X，自适应Gamma校正的校正系数满足X=，即=log%212722.3.2限制对比度自适应直方图均衡化算法（CLAHE算法）采用限制对比度自适应直方图均衡化算法(CLAHE算法)进一步提高图像质量，该算法由直方图均衡化算法(HE算法)演变而来，通过调整对比度限幅提高图像质量7.该算法的目的是提高图像的局部对比度，抑制噪声放大.CLAHE算法的基本步骤为：图像子区域划分；计算直方图；计算限制值；像素点重新分配；直方图均衡化；重构像素点灰度值.限制值的计算公式为B=%1+L100式中：为子区域中包含的像素数；L为子区域的灰度级数；为截断系数，范围为0，10 0 ；Smx为最大斜率，用于决定对比度增强的幅度，取值为1,4 内的整数2 利用自适应Gamma校正处理增强后的图像，可以保留图像的有效信息，再使用CLAHE算法对亮度分量进行局部增强，可以增强图像的细节，保留更多的有效信息，从而提高图像质量2.4基于对比度拉伸的饱和度增强算法当颜色信息（参数h)恒定时，亮度和饱和度决定了图像的整体效果.饱和度分量经过双边滤波处理后，边缘更加清晰.由于光照强度不足或不均匀，低照度图像的颜色较暗，饱和度较低.对低照度图像进行处理时，随着亮度和细节的增强，会导致图像颜色失真.因此需要通过对比度线性拉伸优化图像的饱和度分量s，使其值在0，2 55 区间内.对比度拉伸的计算公式为(a.)=La-lm(MAX-MIN)+MIN(13)Imax-Imin式中：Imx和Imm分别为原图中的最大和最小强度值，MAX和MIN分别为映射像素的灰度范围的最大和最小像素值.2.5色彩恢复由于不同环境下的色温不同，图像拍摄效果与真H对比度双边滤波拉伸原始图像SV天津师范大学学报（自然科学版）实颜色会有很大偏差，人眼具有色彩恒常性，不同光照条件下物体反射的光线是不同的，但人眼看到的物体颜色是相同的，然而计算机无法将不同的反射光线确定为相同的颜色.因此，需要对图像进行白平衡处理以恢复其真实颜色.白平衡算法主要包括灰度世界理论和完美反射理论2 种18 .本文采用自动白平衡算法2 3 处理图像.以R分量为例，自动白平衡算法的具体计算公式为(14)(Smx-1)(12)保持改进的CLAHEMSRCR算法算法Gamma校正图3算法的基本工作流程Fig.3Basic workflow of proposed algorithm2023年11月3uRma+VRmx=Km=Rm Gm+Bm3式中：和v为通道校正系数，Rae和Rmx分别为R通道的均值和最大值，Kave和Kmx分别为3通道分量均值的平均值和3通道分量最大值中的最大值.由式(14)计算出u和v，然后对原像素进行校正，得到校正后的通道分量.2.6算法基本流程本文提出的低照度图像增强算法的基本步骤如下：步骤1：对图像进行颜色空间分离和转换，将RGB图像进行3通道分离，并转换到HSV空间.步骤2：采用改进的多尺度Retinex算法对V通道进行图像增强.步骤3：对增强后的图像使用自适应Gamma校正进行校正处理，再使用CLAHE算法对亮度分量进行局部增强.步骤4：对S分量进行双边滤波处理，再进行对比度拉伸变换.步骤5：将H分量和处理后的S分量及V分量合成为新的HSV图像，再将其转换成RGB图像.步骤6：采用自动白平衡算法处理新生成的RCB图像，进行色彩恢复算法的基本工作流程见图3.HSV色彩恢复RGB图像输出图像第43卷第6 期3实验结果与分析为验证本文算法的图像增强效果，选择室内近景、室内远景和室外场景的低照度图像进行实验，图原图张宝菊，等：基于HSV空间的Retinex低照度图像增强算法HEMSRCR 73像包括室内、室外场景下不同的物体特征.分别采用直方图均衡化算法（HE算法）、多尺度Retinex算法（M SR算法）、带色彩恢复的多尺度Retinex算法(MSRCR算法）和本文算法处理图像，结果见图4.MSR本文算法图A图B图C图4不同算法的图像增强效果Fig.4Enhanced effects of different algorithms3.1主观评价由图4可见，经HE算法处理后，3幅图像的整体曝光均得到加强，色调发生了变化.图A和B整体泛白，导致图像信息缺失；图C中的太阳已无法分辨，天空和湖面由暖黄色变成冷白色.经MSR算法处理后，3幅图像的亮度有较大提升，但是产生了严重的色偏现象.图A整体偏蓝，暖光变成了蓝光，右上角和右下角也产生了蓝光；图B整体泛白，视觉效果不够自然，色彩流失严重；图C增强了局部信息，整体变亮，但是色彩保持较差，整体轮廓不够清晰，且出现了光晕现象.经MSRCR算法处理后，与原图相比，可以明显观察到3幅图像的整体亮度得到提升，细节展现较好，边缘清晰，但是整体颜色还有一些泛白，对比度较低.经本文算法处理后，可以看出图像更加自然，细节更加突出，边缘得到有效增强，算法对亮度和对比度的增强效果较好，更加符合人眼的视觉感知，具有良好的视觉效果3.2客观评价采用峰值信噪比(PSNR）、结构相似度（SSIM)和信息熵对不同算法的图像增强效果进行评价.PSNR和SSIM是目前使用最广泛的图像处理质量的评价指标.SSIM用于度量2 个图像的相似性，由图像结构信息的变化确定，其取值范围为0,1.信息熵通常用于衡量图像中的信息量，其数值越大，图像包含的信息越丰富，质量越好.4种算法处理后图像的PSNR、SSIM和信息结果见表1.表17不同算法处理后图像的PSNR、SSIM 和信息熵Tab.1 PSNR,SSIM and information entropy of imagesprocessed by different algorithms图像算法原图HE算法图AMSR算法MSRCR算法本文算法原图HE算法图BMSR算法MSRCR算法本文算法原图HE算法图CMSR算法MSRCR算法本文算法由表1可见，本文算法处理图像的PSNR均为最大，且相比于其他算法有大幅提升，说明本文算法抑制噪声的能力较强，处理后的图像在一定程度上减少了颜色失真.本文算法的SSIM也大于其他算法，说明经本文算法处理后的图像还原度较好，与原图像相似PSNR9.068.599.2716.777.959.287.8815.167.959.597.9315.16SSIM0.350.370.380.590.280.250.290.460.320.290.370.49信息7.127.287.646.297.316.287.276.195.737.567.487.867.815.437.7574程度高，较好保持了原图的结构特性.本文算法处理图A的信息为7.31，仅低于MSR算法（7.6 4），处理图B的信息熵为7.56，高于其他算法，处理图C的信息熵为7.7 5，略低于HE算法(7.8 6)和MSR算法(7.8 1).综合3个评价指标可见，本文算法处理图像的效果优于其他算法.4结语针对低照度图像质量较差的问题，提出一种基于HSV空间的Retinex低照度图像增强算法.实验结果表明，该算法增强后的图像在一定程度上减少了颜色失真，增强了亮度和对比度，减弱了光晕现象，在主观评价和客观评价方面都取得了良好的效果.参考文献：1 MURTHY K,SHEARN M,SMILEY B D,et al.SkySat-1:Very high-resolution imagery from a small satelliteCJ/Proc SPIE 9241,Sensors,Systems,and Next-Generation Satellites XVII,2014,9241:367-378.2CAO N,LYU S Q,HOU M L,et al.Restoration method of sootinessmural images based on dark channel prior and Retinex by bilateral filter.Heritage Science,2021,9(1):1-19.3 LAND E H,MCCANN J J.Lightness and Retinex theory.JOSA,1971,61(1):1-11.4 JOBSON D J,RAHMANZ,WOODELL G A.Properties and performa-nce of a center/surround RetinexJ.IEEE Transactions on Image Proce-ssing,1997,6(3):451-462.5 JOBSON D J,RAHMAN Z,WOODELL G A.A multiscale Retinex forbridging the gap between color images and the human observation ofscenesJ.IEEE Transactions on Image Processing,1997,6(7):965-976.6RAHMAN Z U,JOBSON D J,WOODELL G A.Retinex processing forautomatic image enhancementCJ/Proc SPIE 4662,Human Vision andElectronic Imaging VII,2002,4662:390-401.7LIU S X,LONG W,HE L,et al.Retinex-based fast algorithm for low-light image enhancementJ.Entropy,2021,23(6):746.8WANG P,WANG Z W,LV D,et al.Low illumination color image en-hancement based on Gabor filtering and Retinex theoryJ.MultimediaTools and Applications,2021,80(12):17705-17719.9HASSAN N,ULLAH S,BHATTI N,et al.The Retinex based impro-ved underwater image enhancementJJ.Multimedia Tools and Applica-tions,2021,80(2):1839-1857.10 LI X Z,ZHANG G M,FANG J,et al.Vehicle color recognition usingvector matching of templateCJ/2010 Third International Symposium onElectronic Commerce and Security.July 29-31,2010,Nanchang,China.天津师范大学学报（自然科学版）11 QIN X J,WANG H L,DU Y C,et al.Retinex structured light imageenhancement algorithm in HSV color spaceJ.Journal of Computer Aid-ed Design and Graphics,2013(4):488-493.12 ZHANG Y H,ZHANG J W,GUO X J.Kindling the darkness:A prac-tical low-light image enhancerCJ/Proceedings of the 27th ACM Inter-national Conference on Multimedia.October 21-25,2019,Nice,France.New York:ACM,2019:1632-1640.13 JIANG Z Q,LI H T,LIU L J,et al.A switched view of Retinex:Deepself-regularized low-light image enhancementJ,Neurocomputing,2021,454:361-372.14 ZOTIN A.Fast algorithm of image enhancement based on multi-scaleRetinexJJ.Procedia Computer Science,2018,131:6-14.15 HOQUE M Z,KESKINARKAUS A,NYBERG P,et al.Retinex modelbased stain normalization technique for whole slide image analysisJ.Co-mputerized Medical Imaging and Graphics,2021,90:101901.16 LI L L,SI Y J,JIA Z H.Medical image enhancement based on CLAHEand unsharp masking in NSCT domainJ.Journal of Medical Imagingand Health Informatics,2018,8(3):431-438.17 ALWAZZAN M J,ISMAEL M A,AHMED A N.A hybrid algorithm toenhance colour retinal fundus images using a Wiener filter and CLAHEJ.Journal of Digital Imaging,2021,34(3):750-759.18 BARASH D.Fundamental relationship between bilateral filtering,ada-ptive smoothing,and the nonlinear diffusion equationJ.IEEE Transa-ctions on Pattern Analysis and Machine Intelligence,2002,24(6):844-847.19 BABAKHANI P,ZAREI P.Automatic gamma correction based on av-erage of brightnessJ.Advances in Computer Science:An Internation-al Journal,2015,4(6):156-159.20 SINGH H,AGRAWAL N,KUMAR A,et al.A novel gamma correc-tion approach using optimally clipped sub-equalization for dark imageenhancementCJ/2016 IEEE International Conference on Digital SignalProcessing(DSP).October 16-18,2016,Beijing,China.IEEE,2017:497-501.21 MAHAMDIOUA M,BENMOHAMMED M.New mean-variance Gam-ma method for automatic gamma correctionJ.International Journal ofImage,Graphics and Signal Processing,2017,9(3):41-54.22高强，陈裕通，潘俊.基于三级图像融合与CLAHE的机场安检X光图像增强算法.计算机系统应用，2 0 2 2，31(8)：2 8 0-2 8 5.GAO Q,CHEN Y T,PAN J.Airport security X-ray image enhancementalgorithm based on three-level image fusion and CLAHEJJ.ComputerSystems and Applications,2022,31(8):280-285(in Chinese).23 YIN J C,LI H B,DU J P,et al.Low llumination image Retinex en-hancement algorithm based on guided filteringCJ/2014 IEEE 3rd In-ternational Conference on Cloud Computing and Intelligence Systems.November 27-29,2014,Shenzhen,China.IEEE,2015:639-644.（责任编辑马新光）2023年11月IEEE,2010:189-193.