基于Retinex模型的极低照度图像增强方法技术

本发明专利技术公开了一种基于Retinex模型的极低照度图像增强方法，采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值，并根据光照亮度值确定c颜色通道图的光照分量；基于c颜色通道图和对应的光照分量计算c颜色通道图对应的第一反射分量；基于第一去噪约束模型去除第一反射分量中的噪声，得到第二反射分量；根据光照分量和第二反射分量生成增强后的低照度图像；本发明专利技术通过构建去噪约束模型可以有效保留RGB三颜色通道间的内在联系，增加去噪效果，进而解决低照度图像增强后颜色失真严重的问题。失真严重的问题。失真严重的问题。

【技术实现步骤摘要】
基于Retinex模型的极低照度图像增强方法


[0001]本专利技术属于数字图像处理与计算机视觉
，尤其涉及一种基于Retinex模型的极低照度图像增强方法。

技术介绍

[0002]低照度图像通常指的是在光照条件较差的情况下图像采集设备获取的图像。低照度图像具有照度低、场景细节信息少、噪声污染强等特点。如果将低照度图像直接输入到后续高级视觉任务系统中，系统将难以有效地解析图像内容，因此，低照度图像增强作为一类图像复原问题，已被广泛的研究。
[0003]现有的低照度图像增强方法多是面向存在局部暗区和局部亮区的低照度图像，即图像拍摄场景的全局环境光照大于0.5的情形。而对于全局光照小于或等于0.5的低照度图像(即极低照度图像)的增强方法，目前研究较少。
[0004]近年来，随着深度学习理论的发展和硬件计算能力的提升，针对原始光学传感器数据(即Raw格式)的极低照度图像增强研究越来越多。然而，在很多应用场景中，只能获取编码后的图像格式，比如PNG、JPEG和BMP等。目前，面向该类低照度图像的增强方法主要包括基于深度学习理论的方法和基于Retinex理论模型的方法。
[0005]Retinex理论认为，观测到的图像是光照分量图像与反射分量图像的乘积。基于Retinex模型的增强方法多在HSV(Hue,Saturation,Value)中对亮度分量V进行处理。但V分量并不能代表光照的强度，对V分量进行伽马(Gamma)处理(即校正)增强后的图像光照不均匀，会导致图像颜色失真严重的问题。

技术实现思路

[0006]本专利技术的目的是提供一种基于Retinex模型的极低照度图像增强方法，以解决基于Retinex模型对极低照度图像增强时出现的图像颜色失真严重的问题。
[0007]本专利技术采用以下技术方案：基于Retinex模型的极低照度图像增强方法，具体包括以下步骤：
[0008]基于Retinex理论模型，采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值L
c
(p)，并根据光照亮度值L
c
(p)确定c颜色通道图的光照分量L
c
；其中，c∈{r,g,b}，r,g,b表示RGB三颜色通道；
[0009]基于低照度图像的c颜色通道图和对应的光照分量L
c
计算c颜色通道图对应的第一反射分量；
[0010]基于第一去噪约束模型去除第一反射分量中的噪声，得到第二反射分量；
[0011]根据光照分量L
c
和第二反射分量生成增强后的低照度图像。
[0012]进一步地，采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值L
c
(p)之前还包括：
[0013]计算低照度图像的环境光照强度；
[0014]当环境光照强度小于第一阈值时，对低照度图像进行光照校正，得到光照校正后的低照度图像；
[0015]以光照校正后的低照度图像作为新的低照度图像继续执行。
[0016]进一步地，计算低照度图像的环境光照强度包括：
[0017]根据低照度图像生成对应的暗通道图；
[0018]基于暗通道图确定第一像素点集合；
[0019]根据第一像素点集合计算低照度图像对应的c颜色通道图的环境光照强度；
[0020]根据各个c颜色通道图的环境光照强度确定低照度图像的环境光照强度。
[0021]进一步地，第一去噪约束模型为：
[0022][0023]其中，为第二反射分量，R为第一反射分量，表示Frobenius范数的平方，λ表示正则化参数，|| ||
*
表示核范数，Ω为中所有像素点构成的集合，为映射函数，具体为由n个相似图像块和以像素点x为中心的图像块组合成的张量。
[0024]进一步地，基于去噪约束模型去除第一反射分量中的噪声包括：
[0025]将第一去噪约束模型改写为基于四元数的第二去噪约束模型；
[0026]求解第二去噪约束模型，得到第二反射分量。
[0027]进一步地，第二去噪约束模型为：
[0028][0029]其中，为第一反射分量对应的四元数矩阵，为第二反射分量对应的四元数矩阵。
[0030]进一步地，采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值L
c
(p)具体通过以下公式计算：
[0031][0032]其中，p和q分别为低照度图像中不同像素点，Ω(p)为以像素点p为中心的窗口区域，W
c
(p,q)为像素点q针对像素点p的权重，为经过光照校正后的低照度图像中的像素点q在c颜色通道图的对应位置的亮度值。
[0033]进一步地，根据第一像素点集合计算低照度图像对应的c颜色通道图的环境光照强度的具体方法为：
[0034][0035]其中，A
c
为低照度图像对应的c颜色通道图的环境光照强度，I
c
(p)为未经过光照校
正的低照度图像中的像素点p在c颜色通道图的对应位置的亮度值，num(Ω1)为集合Ω1中元素的个数。
[0036]进一步地，根据各个c颜色通道图的环境光照强度确定低照度图像的环境光照强度包括：
[0037][0038]其中，A为低照度图像的环境光照强度。
[0039]本专利技术的另一种技术方案，基于Retinex模型的极低照度图像增强装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的基于Retinex模型的极低照度图像增强方法。
[0040]本专利技术的有益效果是：本专利技术通过构建去噪约束模型可以有效保留RGB三颜色通道间的内在联系，增加去噪效果，进而解决低照度图像增强后颜色失真严重的问题。
附图说明
[0041]图1为本专利技术实施例一种基于Retinex模型的极低照度图像增强方法的流程图；
[0042]图2为本专利技术实施例中对低照度图像进行光照校正前后的图像对比图；
[0043]图3为本专利技术实施例中对校正后的低照度图像进行Retinex分解过程中不同阶段的图像；
[0044]图4为通过本专利技术方法和其他已有方法进行图像增强后的对比图像。
具体实施方式
[0045]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0046]在Retinex理论中，当伽马校正因子较小大时，极低照度图像中仍有大部分暗区，当校正因子过大小时，图像部分区域又会过度曝光，色彩失真严重。总之，仅对亮度分量V进行处理后会导致图像颜色失真。而且，经过伽马校正后噪声也会被放大。
[0047]本专利技术公开了一种基于Retinex模型的极低照度图像增强方法，如图1所示，具体包括以下步骤：步骤S110、采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值L
c
(p)，并根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于Retinex模型的极低照度图像增强方法，其特征在于，具体包括以下步骤：基于Retinex理论模型，采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值L
c
(p)，并根据所述光照亮度值L
c
(p)确定所述c颜色通道图的光照分量L
c
；其中，c∈{r,g,b}，r,g,b表示RGB三颜色通道；基于所述c颜色通道图和对应的光照分量L
c
计算所述c颜色通道图对应的第一反射分量；基于第一去噪约束模型去除所述第一反射分量中的噪声，得到第二反射分量；根据所述光照分量L
c
和第二反射分量生成增强后的低照度图像。2.如权利要求1所述的基于Retinex模型的极低照度图像增强方法，其特征在于，采用双边滤波器估计所述低照度图像的c颜色通道图中每个像素点的光照亮度值L
c
(p)之前还包括：计算低照度图像的环境光照强度；当所述环境光照强度小于第一阈值时，对所述低照度图像进行光照校正，得到光照校正后的低照度图像；以光照校正后的所述低照度图像作为新的低照度图像继续执行。3.如权利要求2所述的基于Retinex模型的极低照度图像增强方法，其特征在于，计算低照度图像的环境光照强度包括：根据所述低照度图像生成对应的暗通道图；基于所述暗通道图确定第一像素点集合；根据所述第一像素点集合计算所述低照度图像对应的c颜色通道图的环境光照强度；根据各个c颜色通道图的环境光照强度确定所述低照度图像的环境光照强度。4.如权利要求2或3所述的基于Retinex模型的极低照度图像增强方法，其特征在于，所述第一去噪约束模型为：其中，为所述第二反射分量，R为所述第一反射分量，表示Frobenius范数的平方，λ表示正则化参数，|| ||
*
表示核范数，Ω为中所有像素点构成的集合，为映射函数，具体为由n个相似图像块和以像素点x为中心的图像块组合成的张量。5.如权利要求4...

【专利技术属性】
技术研发人员：都双丽，赵明华，尤珍臻，石争浩，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：