[发明专利]基于Retinex模型的低照度图像增强与去噪方法

说明书

本发明公开了一种基于Retinex模型的低照度图像增强与去噪方法，首先用图像采集设备获取待增强的低照度图像；然后将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；并进行求解，判断是否达到可行性解；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。本发明解决了现有技术中存在的低照度图像增强后噪声较大的问题。

技术领域

本发明属于数字图像处理与计算机视觉技术领域，具体涉及一种基于Retinex模型的低照度图像增强与去噪方法。

背景技术

由于曝光不足和各种传感器噪声，在弱光环境下拍摄的图像往往会出现低亮度、低对比度、强噪声和伪影等特征。这种图像不仅影响了人眼的主观视觉效果，而且不能被一些机器视觉系统有效地处理，例如监控或自动驾驶系统中的人和物体识别和检测。因此，低照度图像增强作为一项重要的预处理步骤而被人们广泛关注。

目前主流的低照度图像增强方法可分为基于Retinex的方法和基于深度学习的方法。基于深度学习的方法主要学习低照度图像与正常曝光图像之间的映射关系。基于Retinex的增强方法首先将输入图像分解为光照分量和反射分量，然后对光照分量进行伽马校正，校正后的光照分量与反射分量的哈达玛积即为增强后的图像。但是，目前的方法主要集中在为两个分量构建有效的先验约束，而忽略了获取的低照度图像中含有大量的噪声信息，增强后的噪声信息被放大，严重降低了增强图像的视觉质量。

发明内容

本发明的目的是提供一种基于Retinex模型的低照度图像增强与去噪方法，解决了现有技术中存在的低照度图像增强后噪声较大的问题。

本发明所采用的技术方案是，一种基于Retinex模型的低照度图像增强与去噪方法，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；

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。

本发明的特点还在于，

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：

I＝L⊙R (1)

其中，L表示场景光照分量，R表示物体对光照的反射率，即反射分量，

步骤2具体如下：

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)

步骤2.2、搭建完整的优化目标函数为：