[发明专利]一种基于MSR的实时RGB图像增强方法

说明书

本发明属于实时图像处理技术领域，具体涉及一种基于MSR的实时RGB图像增强方法。本发明方法可在FPGA硬件平台上实现MSR彩色图像增强算法，以对实时彩色图像做高质量的图像增强。该方法包括以下步骤：步骤一、建立查找表；步骤二、输入待处理数据；步骤三、图像增强；步骤四、图像数据映射；步骤五、图像数据输出。本发明方法通过两个尺度的Retinex算法在FPGA上实现实时图像增强算法，实现时采用小尺度σ＝1减小高斯模板和缓存数据的数量，采用大尺度σ＝300实现对算法进行优化；利用帧间图像的相关性进行近似从而避免了同一幅图像的反复迭代，从而使得算法进一步简化。

技术领域

本发明属于实时图像处理技术领域，具体涉及一种基于MSR的实时RGB图像增强方法。

背景技术

在遥感成像时，遥感图像由于受到传感器性能下降、恶劣天气或较低环境照度等因素的影响，导致成像质量变差，具体表现为图像对比度不高、细节不清晰、颜色失真、噪声大等问题，从而影响图像的识别、判别，往往需要对图像进行增强处理。而在图像增强中，既需要对图像的动态范围做调整，又需要突出图像的细节信息。这样，单纯的传统增强方法则无法胜任了，而基于Retinex理论的图像增强算法可以较好地解决这个问题，从而得到广泛研究和应用。

Retinex为合成词，由Retina(视网膜)和Cortex(大脑皮层)组合而成。Retinex理论是由Edwin Land在20世纪70年代提出的一种颜色恒常知觉的色彩理论。Retinex理论主要包含了两个方面的内容：物体的颜色是由物体对长波、中波和短波光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均匀性的影响，具有一致性。Retinex理论解释了同样的物体在不同的光源或光线底下颜色恒定(Color Constancy)的机理。在Retinex模型中，观察者获得的图像I(x,y)由两部分组成，一部分是物体的环境光照亮度，对应于图像的低频部分，另一部分是物体的反射亮度，对应于图像的高频部分，通常称之为入射光分量和反射图像，分别用L(x,y)和R(x,y)来表示，其中L(x,y)表示入射光分量，R(x,y)表示由物体的反射性质而决定的反射图像，与入射光无关。

根据Retinex理论模型，其数学表达式可表示为：

I(x,y)＝L(x,y)×R(x,y)  (1)

如果从给定的图像中能分离出入射光和反射图像，就能得到由目标自身性质决定的反射图像，从而达到图像增强的目的。

将式(1)转换到对数域，则有：

logR(x,y)＝logL(x,y)-logI(x,y)  (2)

从数学角度来说，取对数可以将复杂的乘法运算转化为简单的加法运算，式(2)取对数的好处在于将入射光分量和反射物体分离。Retinex理论指出，入射光L(x,y)决定了图像中像素能达到的动态范围，反射图像R(x,y)则了决定一幅图像的内在实质，它是目标的真实反映。也就是抛开了入射光的性质来获得物体的本来面貌，这个物体的本来面貌就是我们所要得到的增强图像。在实际应用时入射光L(x,y)常采用高斯卷积进行近似估计，进而分离出反射图像R(x,y)。

目前，多尺度Retinex算法(Multi-Scales Retinex，MSR)应用较为广泛。小尺度Retinex算法动态压缩能力强，图像中的细节信息能较好地凸现出来，但输出图像有一定程度上的颜色失真现象；反之，当尺度较大时，输出图像的颜色保真度好，但削弱了动态压缩能力。所以在大多算法应用中，尺度个数一般选择大、中、小三个尺度，大尺度选择80以上(大多算法设置为300)，中尺度选择30～80之间，小尺度选择30以下。该算法一方面可以有效压缩图像动态范围，另一方面可以较好地复现目标的颜色信息。

MSR算法的基本公式为：

L_i,k(x,y)＝F_k(x,y)*I_i(x,y)  (3)