[发明专利]一种基于PSO寻优的引导滤波-Retinex低照度图像增强方法

说明书

本发明公开了一种基于PSO寻优的引导滤波‑Retinex低照度图像增强方法，包括步骤一、将原图像从RGB空间转换到HSV空间；二、对亮度分量一层小波分解；三、对亮度分量二层小波分解；四、对高频分量线性增强；五、小波重构得一次近似图像；六、采用自适应中值滤波对一层分解的高频分量进行增强；七、采用基于PSO寻优的引导滤波‑Retinex对一次近似图像进行增强；八、增强图像进行小波重构；九、将增强后的亮度分量与色调分量、饱和度分量合成，再将合成图像转换到RGB空间，并伽马校正，得到最终图像。本发明能够有效提升图像对比度，增强图像的细节信息，在去除图像噪声的同时，保持图像边缘信息，得到良好的视觉效果。

技术领域

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

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。

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。

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。WANGS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。FUX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。

发明内容