[发明专利]基于Retinex模型的低照度图像增强与去噪方法

权利要求书

1.一种基于Retinex模型的低照度图像增强与去噪方法，其特征在于，具体按照以下步骤实施：

步骤1、用图像采集设备获取待增强的低照度图像；

步骤2、将所述步骤1得到的低照度图像分解为光照分量L和反射分量R两个未知分量，根据先验特征为光照分量L和反射分量R构建先验约束；引入变量B代表无噪声的低照度图像，根据图像非局部相似性，为无噪声的低照度图像B构建无噪声的先验约束条件，结合光照分量L和反射分量R的先验约束条件，构建分解优化目标函数；

所述步骤2具体如下：

依据Retinex成像原理，步骤1中获取的低照度图像I表示为：

其中，L表示场景光照分量，表示物体对光照的反射率，即反射分量，

步骤2.1、引入变量N表示低照度图像I中含有的噪声，

引入一个新的变量B表示无噪声的低照度图像，即有：

B＝L⊙R (2)

其中，R表示不含噪声的反射分量；

步骤2.2、搭建完整的优化目标函数为：

式(3)中，|| ||_F表示矩阵的Frobenius范数,表示矩阵Frobenius范数的平方，则是使用矩阵的Frobenius范数去度量低照度图像I和L⊙R之间的差异，即为保真项，使得估计出的图像与低照度图像在内容上保持一致；Φ_l(L)、Φ_r(R)、Ψ(B)分别代表R、L、B的先验约束项，也即正则项；

步骤2.3、为光照分量L构建约束模型Φ_l(L)：

其中，α_l为优化参数，下角标l表示该参数是用于求解光照分量L；W_l为控制光照分量L中每个像素梯度变化幅度的权重参数，为梯度算子，将(4)式就x和y方向的梯度展开为：

其中，表示使用矩阵的Frobenius范数去约束光照分量L的梯度变化，和分别代表光照分量L在x和y方向上的梯度，其中，G_σ是标准偏差为σ的高斯滤波器，ε用于防止分母为零，给定值为10^-7；

步骤2.4、同理，为反射分量R构建约束模型Φ_r(R)：

其中，α_r是优化参数，下角标r表示该参数是用于求解反射分量R，W_r是控制反射分量R中每个像素梯度变化幅度的权重参数，将(6)式就x和y方向的梯度展开为：

其中，整体表示使用矩阵的Frobenius范数去约束反射分量R的梯度变化,和分别代表反射分量R在x和y方向上的梯度，

步骤2.5，为无噪声低照度图像B构建约束模型Ψ(B)：

其中，β是优化参数；B_i0是一个以像素点i为中心的，大小为b*b的图像块，B_ij,j＝1,...,n是图像中搜索得到的第j个与块B_i0相似的图像块，||N_i(B)||_*代表N_i(B)的核范数；

步骤2.6基于步骤2.3、2.4及2.5，公式(3)展开为：

(8)式为构建的分解优化目标函数；

步骤3、采用交替优化求解策略对三个未知分量B、R、L进行求解，使光照分量L和反射分量R的哈达玛积即两个分量矩阵中的对应元素相乘，在逼近变量B的优化过程中，去除低照度图像中的噪声；

步骤4、依据收敛条件，判断是否达到可行性解；

步骤5、最终的增强结果表示为L^γ⊙R，其中γ为校正因子，L^γ表示反射分量L矩阵中的每个元素的γ次方，⊙表示矩阵中对应元素相乘。