[发明专利]基于改进Retinex的低照度图像色彩保持增强方法

说明书

本发明公开了一种基于改进Retinex的低照度图像色彩保持增强方法，具体按照以下步骤进行：将低照度的滤波输入图I从RGB色彩空间转换到YUV色彩空间，滤波输入图I采用灰度图；利用改进的Retinex方法得到增强图像的反射分量R的Y分量R_Y,FGF,i；计算增强图像的UV分量；将增强图像从YUV色彩空间转换到RGB色彩空间，对越界像素点进行反馈型增强色彩分量，得到增强的低照度彩色图。将快速引导滤波器、单尺度Retinex和多通道色彩保持增强相融合，增强后图像色彩丰富、亮度及细节增强明显，解决了现有技术中时间成本大，易出现光晕、细节模糊、色彩失真的问题。

技术领域

本发明属于图像处理技术领域，涉及一种基于改进Retinex的低照度图像色彩保持增强方法。

背景技术

视频监控、智能交通和全天候作战等领域中，不可避免的会获取到成像质量差的低照度图像。由于光照分布不均匀或者缺乏光源，导致图像在亮度、对比度和细节表现方面的退化现象非常严重。这些退化图像不仅使得人们很难从中获取足够的有效信息，影响视觉效果，而且间接影响着一些基于低照度图像增强方法的效率和准确性。因此，关于夜间低照度图像的增强处理一直是图像处理领域的一个重点。

目前，针对夜间低照度图像的多方面的退化，已经出现了不少的增强方法，比如基于小波变换的影像增强方法、基于人工神经网络的影像增强方法、自适应直方图均衡化算法和基于Retinex的增强方法。

基于小波变换的影像增强方法需要对图像先进行小波分解，在低频估计照射光照，高频增强细节和去除噪声，最后再重构，但是这种方法虽然有不错的效果，但是小波分解计算量大。

基于人工神经网络的影像增强方法首先需要设计好训练模型，然后提供夜间图像和相应的增强图像或者白天光照充足条件下的图像进行大量的训练，一般类似于训练集的夜间图像都能得到较好的增强，但是若夜间图像与训练集的图像差别太大，效果就很不理想了，而且模型的前期训练很耗时。

自适应直方图均衡化算法不同于传统的直方图均衡化算法，它是通过图像局部直方图的数据对亮度进行再分配，处理后的图像在对比度和细节方面表现突出，但是这种增强方法会削弱图像的层次感，容易造成过增强。

Retinex理论是Edwin Land在大量科学实验基础上做出的科学假设，此理论仿照的是物体在人眼中的成像原理，多年的发展，已经陆续出现单尺度Retinex(SSR)、多尺度Retinex(MSR)、带色彩恢复的多尺度Retinex(MSRCR)和双边滤波核改进的Retinex等多种改进方法。

小尺度SSR能获得很好的图像细节，但是图像清晰度不好，而大尺度SSR虽然整体效果好，但是细节不足。MSR则融合了大中小多种尺度各自的优点，但是色彩易失真，且光照突变处光晕明显。MSRCR虽然在色彩保持和光晕处理上比SSR和MSR好，但是依然表现不够理想，并且容易造成过增强现象。而双边滤波核改进的Retinex虽然能获得更好的边缘细节，但是时间复杂度太高，且噪声增强明显。

通过上述分析，发现以往增强算法增强后的图像容易出现光晕、细节模糊、色彩失真现象，有些算法虽然效果好，但是复杂度太高。针对这些问题，亟需一种时间成本小，亮度、细节得到有效增强，色彩无失真现象的低照度图像色彩保持增强方法。

发明内容

为实现上述目的，本发明提供一种基于改进Retinex的低照度图像色彩保持增强方法，将快速引导滤波器、单尺度Retinex和多通道色彩保持增强相融合，增强后图像色彩丰富、亮度及细节增强明显，解决了现有技术中时间成本大，易出现光晕、细节模糊、色彩失真的问题。

本发明所采用的技术方案是，一种基于改进Retinex的低照度图像色彩保持增强方法，具体按照以下步骤进行：

步骤1，将低照度的滤波输入图I从RGB色彩空间转换到YUV色彩空间，滤波输入图I采用灰度图；