引 言

圖像增強(qiáng)是為了達(dá)到人們觀察或機(jī)器分析和判別的目的從而在原始圖像上采取的改進(jìn)方法[1]。如今，因?yàn)槿祟惢顒?dòng)對(duì)環(huán)境的破壞，導(dǎo)致霧霾現(xiàn)象經(jīng)常出現(xiàn)。霧天環(huán)境下，戶外景物的顏色及對(duì)比度都發(fā)生了退化，計(jì)算機(jī)視覺(jué)系統(tǒng)不能正確對(duì)場(chǎng)景中的目標(biāo)進(jìn)行檢測(cè)和跟蹤，因此需要對(duì)霧天圖像作清晰化處理 [2-4]。目前，霧天圖像處理方法主要分為基于大氣退化物理模型[5-7] 的方法和增強(qiáng)對(duì)比度[8] 這兩種方法。

Retinex 算法是Land[9] 等人在 1964 年提出的，現(xiàn)已從不同角度有所發(fā)展，雖然基于Retinex 算法的增強(qiáng)效果較好，但它忽略了霧天圖像亮度較低的特點(diǎn)，使得處理結(jié)果色彩暗淡， 細(xì)節(jié)表現(xiàn)力差[10]。為了解決現(xiàn)有的霧天圖像增強(qiáng)中的細(xì)節(jié)處理問(wèn)題，本文提出了一種基于亮度塊的 Retinex 算法增強(qiáng)圖像的細(xì)節(jié)。首先采用背景亮度作為激勵(lì)亮度值對(duì)圖像的亮度塊進(jìn)行分割，然后采用不同尺度的增強(qiáng)因子對(duì)分割塊進(jìn)行增強(qiáng)， 最后在對(duì)像素的邊緣信息分割之后，按照一定的比例對(duì)塊信息進(jìn)行融合。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的Retinex 算法相比，本文算法的信息熵較高，增強(qiáng)之后圖像細(xì)節(jié)更豐富。

1 標(biāo)準(zhǔn) Retinex算法

基本的Retinex 算法是基于運(yùn)行在人眼視覺(jué)系統(tǒng)（HVS） 上的三視網(wǎng)膜皮層系統(tǒng)的應(yīng)用思想提出的，Retinex 理論認(rèn)為物體的顏色由物體表面對(duì)光線的反射特性決定，從而將圖像看作是由照度圖像 L 和反射圖像 R 相乘得到：

S（x，y）=R（x，y）×L（x，y）（1）

對(duì)公式（1）兩邊取對(duì)數(shù)變換得到

logR（x，y）=logS（x，y）－logL（x，y）（2）

2 改進(jìn)的 Retinex算法

2.1 亮度塊分割

根據(jù)心理學(xué)韋伯定律，ΔB/B=K，B 表示激勵(lì)強(qiáng)度，ΔB 表示最小的顯著差別，K 是一常數(shù)。引入背景強(qiáng)度代替激勵(lì)強(qiáng)度，不同區(qū)域有不同的斜坡，每個(gè)區(qū)域分割成三個(gè)區(qū)域：飽和區(qū)、中亮度區(qū)和低亮度區(qū)。高亮度區(qū)由于受刺激飽和度的影響稱作飽和區(qū)。中亮度區(qū)隨亮度均勻變化，顏色信息豐富，因此人眼確定的主要區(qū)域集中在中亮度區(qū)。而在低亮度區(qū)，人眼很難感知到亮度的變化。

根據(jù)背景強(qiáng)度和灰度值轉(zhuǎn)換率，每個(gè)像素的亮度都被分割成不同的區(qū)域，背景強(qiáng)度和梯度信息用于對(duì)圖像進(jìn)行二維分解，根據(jù)亮度圖像像素被分解到不同的區(qū)域，其中，背景強(qiáng)度B（x，y）由其鄰域像素的加權(quán)得到 ：

其中，m和 n是權(quán)重，i是對(duì)像素點(diǎn)的上、下、左、右等鄰域像素點(diǎn)進(jìn)行處理得到的設(shè)定像素值，i' 是對(duì)對(duì)角線上的四個(gè)點(diǎn)處理得到的設(shè)置像素值。將采用邊緣檢測(cè)算法計(jì)算得到的像素值的梯度 T（x，y）作為信息的轉(zhuǎn)換率。圖像像素之間最大的差異值定義如式（4）：

當(dāng)像素滿足 B1≤ B（x，y）≤ B2和 T（x，y）/B（x，y）≥ T1時(shí)，該區(qū)域被判定為中亮度區(qū)；當(dāng)像素滿足 B（x，y）≥ B2 和 T（x，y）/B（x，y）2≥ T 時(shí)，該區(qū)域被判定為飽和區(qū) ；其它的為低亮度區(qū)。按照上述方法將圖像的亮度分割為很多區(qū)域來(lái)實(shí)現(xiàn)不同圖像分別實(shí)施圖像增強(qiáng)的目的對(duì)對(duì)應(yīng)的參數(shù)進(jìn)行設(shè)置，a=0.01， b=0.7，m=0.8，n=1.6。

2.2 亮度塊增強(qiáng)

在本文中，原始圖像的 3 個(gè)分割區(qū)域的亮度定義為 ：低亮度區(qū) I1，中亮度區(qū) I2 和飽和區(qū) I3。Retinex 算法的計(jì)算過(guò)程不采用線性加權(quán)的方法而采用亮度區(qū)的劃分結(jié)果，在不同的尺度 σ 上進(jìn)行有針對(duì)性的Retinex 增強(qiáng)，從而集成了不同尺度高斯函數(shù)的優(yōu)點(diǎn)。

由于中亮度區(qū)的視覺(jué)效果最好且更適合人眼觀察效果， 因此本文以中亮度區(qū)的處理為例。首先，采用尺度為 σ2 的高斯函數(shù)進(jìn)行濾波操作得到區(qū)域的輸入系數(shù)，然后從圖像中減去輸入系數(shù)得到反射系數(shù)，從而實(shí)現(xiàn)對(duì)亮度區(qū)的增強(qiáng)。將原始圖像 S 用亮度 I 來(lái)表示，則可以用如下公式表示：

其中，F(xiàn)2（x，y）是尺度為 σ2 的高斯函數(shù)，I2（x，y）是分割之后 亮度區(qū)的像素，與中亮度區(qū)的計(jì)算類似，余下的飽和區(qū)和低亮 度區(qū)同樣采用獨(dú)立處理方法進(jìn)行處理，分別采用不同的高斯 濾波器在不同的尺度上進(jìn)行運(yùn)算以實(shí)現(xiàn)不同亮度區(qū)的亮度增 強(qiáng)，公式表達(dá)如下：

其中，F(xiàn)k（x，y）是尺度為 σk 的高斯函數(shù)，Ik 是不同的亮度區(qū)， k=1，2，3。* 代表僅應(yīng)用在對(duì)應(yīng)亮度區(qū) Ik，k=1，2，3 的高斯 模版的中心核。 

通過(guò)上述對(duì)不同亮度區(qū)的分別處理得到其對(duì)應(yīng)的亮度區(qū) 反射系數(shù) R1（x，y），R2（x，y）和 R3（x，y），從而實(shí)現(xiàn)圖像增強(qiáng)。

2.3 塊信息融合

定義所有區(qū)域經(jīng)過(guò)不同尺度處理之后的結(jié)果為 ：I'1，I'2，和 I'3。選擇區(qū)域中心像素點(diǎn) O（x，y）作為中心點(diǎn)，區(qū)域周邊大小為 N×N 的方形窗口作為模版，窗口中低亮度區(qū)、中亮度區(qū)及飽和區(qū)的比例分別表示為 p1，p2 和 p3，則信息融合的比例公式如下：

其中，N 通常取奇數(shù)如 3 和 5，以 3×3 的窗口為例，矩陣的中心點(diǎn)代表未知圖像的亮度點(diǎn)。隨著窗口選擇的細(xì)化，計(jì)算量也隨之增大。將最終結(jié)果的 I'（x，y）與原始圖像的 H，S 分量相 結(jié)合就得到我們需要的增強(qiáng)結(jié)果。該算法只處理圖像的亮度 信息，因此，與原圖像相比，增強(qiáng)的圖像在顏色和飽和度上的 失真較少，且視覺(jué)特征也得到了提高。

3 實(shí)驗(yàn)仿真 

為了驗(yàn)證本文所提算法的有效性，進(jìn)行了仿真實(shí)驗(yàn)并與 傳統(tǒng)的 Retinex 算法作比較。在濃霧和薄霧的實(shí)驗(yàn)條件下，比 較了采用兩種算法增強(qiáng)之后圖像的信息熵，實(shí)驗(yàn)結(jié)果如圖 1 和 圖 2 所示。

由圖 1 和圖 2 可以看出，與傳統(tǒng)的 Retinex 算法增強(qiáng)相比， 采用本文提出的 Retinex 算法進(jìn)行增強(qiáng)后圖像的信息熵更大， 因此通過(guò)采用改進(jìn)的 Retinex 算法進(jìn)行圖像增強(qiáng)，圖像的細(xì)節(jié) 更加豐富。 

4 結(jié) 語(yǔ)

針對(duì)霧天圖像增強(qiáng)中存在的細(xì)節(jié)優(yōu)化問(wèn)題，提出了基于亮 度塊分割的改進(jìn) Retinex 算法圖像增強(qiáng)算法，采用背景亮度作 為激勵(lì)亮度值對(duì)圖像的亮度塊進(jìn)行分割，然后采用不同尺度 的增強(qiáng)因子對(duì)分割塊進(jìn)行增強(qiáng)，最后在對(duì)像素的邊緣信息分 割之后，按照一定的比例對(duì)塊信息進(jìn)行融合。仿真結(jié)果顯示 ： 與傳統(tǒng)的 Retinex 算法相比，本文提出的基于亮度塊的圖像增 強(qiáng) Retinex 算法的信息熵較高，增強(qiáng)之后圖像細(xì)節(jié)更豐富。