王改云，郭智超，路皓翔，陸家卓，張琦

（1 桂林電子科技大學 電子工程與自動化學院，廣西 桂林 541004）

（2 桂林電子科技大學 計算機與信息安全學院，廣西 桂林 541004）

0 引言

圖像處理在路線規(guī)劃［1］、工業(yè)損傷檢測［2］、人臉識別［3］、醫(yī)學輔助診斷［4］、衛(wèi)星遙感［5］等領(lǐng)域都得到了廣泛應(yīng)用。圖像增強可解決在復(fù)雜環(huán)境中采集到圖像的目標識別問題。現(xiàn)階段常用的增強方法主要有基于空域增強的方法、基于頻域增強的方法和基于深度學習增強的方法三大類。

基于空域增強的方法通過逐像素處理來增強圖像，代表算法包含直方圖均衡、直方圖匹配和直方圖調(diào)整等。WANG D 等［6］和GUPTA B 等［7］使用構(gòu)造雙邊Gamma 函數(shù)和改進的sigmoid 函數(shù)處理輸入圖像的亮度分量Y，在增強圖像亮度且不影響圖像平均亮度和顏色信息的情況下增強暗區(qū)域的亮度，減少了因光照條件不勻?qū)D像增強帶來的影響。相同思路的算法還有Hue-Saturation-Value（HSV）空間增強圖像亮度算法，該算法能在保留圖像飽和度的同時解耦圖像的亮度信息和色度信息，從而更容易捕捉圖像細節(jié)。CHANDRASEKHARAN R 等［8］通過求取HSV 空間亮度通道的均值得到模糊變換模型的核參數(shù)，并對圖像亮度信息進行模糊變換使其變得平滑，進而提升圖像亮度，能在增強圖像亮度的同時保留原圖細節(jié)特性。為了更好地還原真實場景的亮度特征，YING Z 等［9］利用相機響應(yīng)模型（Camera Response Function CRF）分析兩幅場景相同曝光不同圖像的直方圖特征，提出了基于準確相機響應(yīng)模型的增強算法，該算法增強后的圖像能夠更好地模擬真實場景的光照環(huán)境。為了在更有效地濾除噪聲的同時增強圖像的細節(jié)信息，LIANG K 等［10］和LI S 等［11］通過自適應(yīng)搜索圖像直方圖的局部最大灰度值和局部最小灰度值，實時更新直方圖的上下閾值，通過選擇合適的上閾值約束噪聲，選擇合適的下限閾值保護并增強圖像的詳細信息，該方法很好地保留了原圖的細節(jié)信息。BHANDARI A 等［12］和BHANDARI A 等［13］將圖像直方圖分成兩個子直方圖，分別使用布谷鳥搜索算法和高原極限法優(yōu)化處理每個子直方圖，在改善圖像對比度的同時有效還原圖像亮度，解決低照度情況下圖像照明不統(tǒng)一的問題。直方圖法簡單有效且處理速度快，但是該類算法對噪聲比較敏感，基于變換域的圖像增強算法可有效解決該問題。

基于變換域圖像增強法將圖像信息轉(zhuǎn)換至頻域空間，通過改變圖像不同頻率的分量增強圖像，該類算法主要利用低通濾波、高通濾波和同態(tài)濾波增強圖像。HUANG K 等［14］利用視覺統(tǒng)計特性對比度調(diào)整多尺度小波系數(shù)，校正圖像的全局和局部對比度，該算法增強的圖像其顏色更符合人類視覺特征。SHAHAN C等［15］利用HSV 模型的亮度遮蔽特性和對比度遮蔽梯度特性，在固定波變換域和雙樹復(fù)合波變換域，利用非線性對比度映射系數(shù)增強圖像對比度調(diào)整圖像亮度。典型的頻域增強算法還有LAND E 等［16］提出的基于Retinex 的增強算法，為了使增強后的圖像亮度更符合人眼視覺，該算法模擬人類視覺系統(tǒng)感知模型，通過變換域濾波將人眼接收的光信號分離為入射光和反射光，并通過減弱入射光增強傳遞物體真實信息的反射光提升圖像質(zhì)量。之后WANG S 等［17］通過計算圖像亮度順序誤差，評價圖像自然亮度，并利用雙對數(shù)變換平衡圖像分解的入射光圖像和反射光圖像，該算法能有效增強圖像的細節(jié)信息。FU X 等［18］通過分析對數(shù)變換的特點，證明對數(shù)變換不適合直接作為正則項，進而使用加權(quán)變分模型估計圖像的入射光圖像和反射光圖像增強圖像亮度。該類算法能夠很好地增強圖像的細節(jié)信息，但是增強過程比較復(fù)雜，而基于深度學習的增強算法可以解決這一難題。

基于深度學習的增強算法近幾年得到了廣泛應(yīng)用。YING Q 等［19］使用神經(jīng)網(wǎng)絡(luò)生成輸入圖像的高動態(tài)范圍圖像（High-Dynamic Range，HDR），通過融合HDR 圖像和原始圖像，將堆棧之間丟失的信息用于學習和更新網(wǎng)絡(luò)的權(quán)重，最后利用訓練好的網(wǎng)絡(luò)增強圖像亮度。該算法增強的圖像保留了原圖的亮度特性，同時抑制了圖像邊界模糊的問題。XIAO B 等［20］采用全卷積網(wǎng)絡(luò)學習輸入圖像的加權(quán)直方圖，在輸入圖像中隨機添加照明，模擬光照不均勻圖像，進而學習像素的潛在不良照明信息，構(gòu)造更優(yōu)的圖像加權(quán)直方圖，從而在保留圖像色彩和細節(jié)信息的同時，有效增強圖像對比度差的區(qū)域。LV F 等［21］提出基于多分支卷積神經(jīng)網(wǎng)絡(luò)端到端的注意力引導算法。該算法首先利用合成數(shù)據(jù)集進行訓練，得到兩個指導亮度增強的網(wǎng)絡(luò)。第一個網(wǎng)絡(luò)可以區(qū)分圖像中非正常曝光區(qū)域和照明良好區(qū)域，第二個網(wǎng)絡(luò)能夠區(qū)分圖像中噪聲和真實紋理，算法在兩個網(wǎng)絡(luò)的指導下對圖像進行自適應(yīng)增強。

分析可知，直方圖能描述圖像各灰度級包含的像素個數(shù)，但一幅圖像被轉(zhuǎn)換為直方圖，圖像的空間信息將會丟失。基于變換域的增強方法將圖像信息轉(zhuǎn)換至頻域空間，再對轉(zhuǎn)換后的頻域信息進行增強處理，該方法對圖像的空間位置信息不敏感。為了不丟失圖像的顏色信息，同時解決低照度圖像曝光不均勻的問題，不同于大多數(shù)增強算法在RGB 通道對圖像進行增強，本文將RGB 圖像轉(zhuǎn)換至HSV 空間，結(jié)合遺傳算法（Genetic Algorithm，GA）和多閾值分塊增強算法（Multi-threshold Block Enhancement，MBE）增強圖像亮度，并利用多尺度融合算法（Multi-Scale Fusion，MSF）和反銳化掩模算法（Unsharp Masking，UM）增強的圖像輪廓信息以及引導濾波算法增強的圖像紋理信息，得到細節(jié)信息豐富且曝光正常的輸出圖像。

1 算法原理

本文算法主要分為顏色空間轉(zhuǎn)換、亮度增強、細節(jié)增強和多尺度融合四個階段，其流程如圖1 所示。為防止算法在增強圖像亮度時改變圖像的顏色信息，先將低照度圖像從RGB 空間轉(zhuǎn)換至HSV 空間，由能夠表征該圖像不同信息的ImageH、ImageS和ImageV表示，其中ImageH和ImageS表征圖像的色彩信息，ImageV表征圖像的亮度信息，由此分離圖像的色彩信息和亮度信息［22-24］，并利用遺傳算法求出ImageV的最優(yōu)分割閾值，將ImageV分為亮度不同的多個子圖。采用多閾值分塊增強算法對各子圖進行亮度的評判和增強，得到亮度增強后的ImageA。為增強圖像的細節(jié)信息，利用引導濾波算法［25-28］和反銳化掩模算法［29］提取圖像ImageV的輪廓信息ImageC和紋理信息ImageB，并借鑒多尺度融合思想［30］將ImageA、ImageB和ImageC加權(quán)融合，重構(gòu)出曝光度正常且細節(jié)信息豐富的ImageV1，最后將ImageV1、ImageH和ImageS轉(zhuǎn)換為細節(jié)清晰、對比度高且視覺效果良好的高質(zhì)量RGB 圖像。

圖1 算法邏輯框圖Fig.1 Algorithm logic block diagram

1.1 亮度增強

由于真實圖像采集場景的曝光情況復(fù)雜且不受人為因素影響，若以相同增強方式增強整體圖像亮度，處理后的圖像極易出現(xiàn)部分區(qū)域過曝光或欠曝光的問題，因此算法在增強圖像亮度時采用了更符合實際場景的多閾值分塊增強算法對圖1 中的ImageV進行增強。亮度增強階段利用GA 搜索輸入圖像亮度分量的最優(yōu)分割閾值，按照得到的閾值利用圖像亮度漸變規(guī)律，將輸入圖像的亮度分量分為曝光度不同的多張子圖，每張子圖包含輸入圖像相同曝光區(qū)域的所有像素點，并利用多閾值分塊增強算法對所有子圖進行評判，根據(jù)評判結(jié)果對各子圖亮度進行不同程度地增強。

1.1.1 獲取子圖

式中，k=0，1，…，n-1，T0=0，Tn=Z，整幅圖像的灰度均值為

類內(nèi)方差為

GA 搜索最優(yōu)分割閾值的過程就是求適應(yīng)度函數(shù)F(T1，T2，…，Tn-1)最優(yōu)解的過程，具體求解流程為：

1）染色體選擇。隨機生成若干染色體并求取每一個染色體的適應(yīng)度，選出當前種群中適應(yīng)度最大的染色體，并在其余染色體中再隨機選取一個染色體，兩者一同作為下一代種群繁衍的基礎(chǔ)。

2）基因交叉。在步驟1）選取的兩個染色體上選取隨機位置進行基因交換。

3）基因變異。為了防止步驟2）多次重復(fù)后陷入局部最優(yōu)解，采用賭輪法在染色體上隨機翻轉(zhuǎn)bit，完成基因變異從而跳出局部最優(yōu)解。

4）染色體更新。將基因變異后表現(xiàn)優(yōu)異的染色體加入新的種群。

5）終止循環(huán)。當染色體的適應(yīng)度函數(shù)滿足條件或算法達到預(yù)設(shè)的迭代次數(shù)時終止算法。

1.1.2 子圖評估

曝光融合框架可分區(qū)域增強圖像亮度［10］，其原理是利用曝光度映射公式將圖像分為前景和背景兩部分，并對這兩部分的圖像亮度進行不同程度地增強。多閾值分塊增強算法在曝光融合框架的基礎(chǔ)上進行了改進。1.1.1 節(jié)中已經(jīng)將輸入圖像分為若干子圖，由于過曝光區(qū)域只包含極少的圖像信息，增強該區(qū)域的亮度對圖像質(zhì)量不會有太大提升，而對正常曝光區(qū)域進行亮度增強會使圖像出現(xiàn)過曝光問題。因此算法在亮度增強階段將只對欠曝光區(qū)域進行亮度增強，且著重增強富含豐富細節(jié)的欠曝光區(qū)域。曝光融合框架中提出的曝光度映射公式為

式中，W代表圖像的亮度權(quán)重矩陣，Y代表場景光照圖Image V，μ代表曝光強度。因為Y固定不變且圖像的亮度與W成正比，所以圖像的亮度和曝光強度μ成正比，而μ算子可以人為修改，因此可以通過設(shè)計算子μ達到簡化曝光融合框架的目的。首先將1.1.1 節(jié)得到的子圖按照其所包含像素的平均灰度值，把圖像分為過曝光區(qū)域（平均灰度值大于0.5）、正常曝光區(qū)域（平均灰度值等于0.5）和欠曝光區(qū)域（平均灰度值小于0.5），再排除過曝光區(qū)域和正常曝光區(qū)域，并將欠曝光區(qū)域子圖按其平均灰度值從大到小的順序進行排序，其中平均灰度值最大的子圖編號為0，最小的子圖編號為n。輸入圖像可以分為兩類，一類是包含正常曝光區(qū)域的圖像，另一類是只包含欠曝光區(qū)域的圖像。若輸入圖像不存在正常曝光區(qū)域，算法則默認以標準曝光的平均灰度值對編號為0 至編號為n的欠曝光區(qū)域子圖進行亮度調(diào)整。為了更好地解決低照度圖像中細微紋理特征難以被識別的問題，算法更側(cè)重于增強含有豐富細節(jié)信息子圖的亮度［9］，即子圖區(qū)域亮度增強程度與它包含的細節(jié)信息豐富度成正比，進而提升這些微小細節(jié)的可識別性。因此在提升圖像亮度前需要對各子圖進行復(fù)雜度評判，并以此作為各子圖亮度提升的標準。

為了從局部信息和全局信息評判各子圖的復(fù)雜度，參考傳統(tǒng)LeNet-5［34］網(wǎng)絡(luò)設(shè)計了復(fù)雜度評判卷積神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)中需要設(shè)定的參數(shù)有兩種，一種是人為設(shè)定且在訓練過程中不變的值，如卷積核的大小、池化單元的大小以及卷積核平移采樣時的步長和填充。另一種是在訓練過程中變化的值，如組成卷積核各元素的值，這些值在第一次卷積操作時可隨機選取，神經(jīng)網(wǎng)絡(luò)會在卷積過程中根據(jù)誤差函數(shù)求得的誤差不停修正這些參數(shù)。該算法的復(fù)雜度評判卷積神經(jīng)網(wǎng)絡(luò)由3 個卷積層、2 個池化層和1 個全連接層組成，如圖2，網(wǎng)絡(luò)的框架如下：

圖2 復(fù)雜度評判網(wǎng)絡(luò)模型Fig.2 Complexity evaluation network model

1）利用6 個5×5 的卷積核，以步長為1、填充為0 的方式對resize 為32×32 的輸入子圖進行采樣，選取Relu 作為激活函數(shù)，生成6 個28×28 的特征圖。

2）利用2×2 的池化單元（最大池化）以步長為2、填充為0 的方式對上層輸入的特征圖進行采樣，得到6個14×14 的特征圖。

3）Convolution3 為了提取各子圖的局部信息和全局信息，首先在16 個5×5 卷積核中依次選取2 個5×5卷積核對6 個14×14 的特征圖進行步長為1、填充為0 的特征提取，然后將得到的結(jié)果相加，再加一個偏置量并取sigmoid 得到16 個10×10 的特征圖。

4）通過2×2 的池化單元（最大池化）對16 個10×10 的特征圖進行步長為2、填充為0 的采樣，得到16 個5×5 的特征圖。

5）Convolution5 利用16 個5×5 的卷積核對16 個5×5 的特征圖進行特征提取，選取Relu 函數(shù)作為激活函數(shù)，得到16 個1×1 的特征圖。6）利用全連接層將Convolution5 得到的1×16 向量轉(zhuǎn)換為標量C，并以此作為該子圖的復(fù)雜度。該神經(jīng)網(wǎng)絡(luò)在池化過程對采集到的特征信息進行降維，使得網(wǎng)絡(luò)在采集圖像信息時不會將圖像的噪聲誤判為圖像本身的信息，進而提升了算法評判子圖信息復(fù)雜度的準確性，

1.1.3 提升子圖亮度

為了在增強圖像亮度時盡可能保留圖像的原有特征，設(shè)計了子圖亮度增強公式為

式中，Lxj⊕代表j子圖提升亮度后其內(nèi)部標號為x像素的亮度（灰度值），Lxj代表j子圖提升亮度前其內(nèi)部標號為x像素的亮度（帶有“⊕”的變量為亮度增強后的變量），Cj是1.1.2 節(jié)求取的j子圖的復(fù)雜度，maxCA代表所有子圖中復(fù)雜度最大的值，minCA代表所有子圖中復(fù)雜度最小的值，μj代表j子圖中所有像素的平均灰度值，μj-1代表比j子圖亮度高一個等級的j-1 子圖中所有像素的平均灰度值，提升亮度的表達式如式（4）所示。

式（9）通過對各子圖亮度特性直方圖進行線性拉伸提升圖像整體的亮度。當輸入圖像被轉(zhuǎn)換為直方圖后，該圖像的空間信息將會丟失，因此在對圖像直方圖進行處理時引入1.1.2 節(jié)求取的各子圖空間信息復(fù)雜度C。由式（9）可知各子圖增強后的亮度與該子圖的復(fù)雜度C成正比。

1.2 細節(jié)增強

算法在亮度增強階段改善了圖像的亮度，但亮度增強后的圖像仍存在噪聲大、細節(jié)信息不明顯的問題，因此細節(jié)增強階段利用引導濾波算法，濾除圖像噪聲，增強圖像輪廓信息。同時引入反銳化掩模算法，增強圖像的紋理信息。其中引導濾波能夠利用引導圖與原圖（待濾波圖像）之間的局部線性關(guān)系構(gòu)建輸出圖像，并與原圖做最小二乘，使輸出圖像在增強原圖輪廓信息的同時盡可能逼近原圖。引導圖和原圖相同時，該算法可實現(xiàn)對原圖的平滑濾波。引導濾波公式為

式中，ωk表示某一濾波窗口，g代表圖像中的某個像素點，q代表輸出圖像，I代表引導圖像。通過式（10）可以看出q與I具有線性關(guān)系。式（11）描述了輸出圖像與原圖的相似程度可由ak和bk決定。

式中，yg代表窗口中輸入圖像中g(shù)像素的值，Ig代表窗口中引導圖像中g(shù)像素的值，為防止ak過大，引入正則化參數(shù)ε，引導圖像選用原圖像時ε將被舍棄。由式（11）可知，合適的ak和bk可使輸出圖像更好地還原輸入圖像，化簡后ak和bk的表達式分別為

式中，μk和分別表示I在ωk內(nèi)的平均值和方差，|ω|是ωk包含的像素個數(shù)表示y在ωk中的平均值。為了濾除圖像的噪聲，同時增強圖像的輪廓信息，需要對原圖像進行兩次引導濾波處理，第一次處理濾除圖像噪聲，引導圖像和待濾波圖像均為圖1 中的ImageV。第二次濾波增強圖像的輪廓信息，引導圖為第一次濾波的結(jié)果，待濾波圖像為圖1 中的ImageV。通過兩次濾波處理后得到圖1 中輪廓信息豐富、噪聲少的ImageC。最后引入反銳化掩模算法，利用低通濾波獲取原圖像的低頻信息，將原圖像與低頻信息相減得到圖像的高頻信息，并將增強后的高頻信息與原圖像進行疊加得到圖1 中紋理信息增強后的ImageB。

1.3 多尺度融合

優(yōu)化算法在多尺度融合階段通過拉普拉斯算子將ImageA、ImageB、ImageC分解為拉普拉斯金字塔和高斯金字塔，并通過融合ImageA、ImageB、ImageC的拉普拉斯輸入與對應(yīng)的各級別高斯權(quán)重圖將ImageB中增強的紋理信息和ImageC中增強的輪廓信息與亮度得到增強的ImageA進行融合。多尺度融合邏輯如圖3 所示。

圖3 多尺度融合邏輯框圖Fig.3 Multi-scale fusion logic block diagram

多尺度融合的過程為

式中，Vl(x，y)是混合拉普拉斯輸入和各級別高斯權(quán)重圖的結(jié)果，l代表金字塔的層數(shù)，Dk(x，y)表示標號為k的Derived Input 通道輸入，Lal{Dk(x，y)}是輸入Dk(x，y)的拉普拉斯金字塔是歸一化權(quán)重圖，高斯金字塔權(quán)重圖(x，y)的歸一化公式為

為了得到合適亮度的輸出圖像，算法取標準差σ=0.3，平均像素m=0.5。

2 結(jié)果分析

改進算法在CPU 為3.40 GHz（4 CPUs），Intel core i7-855 U 1.8 GHz，內(nèi)存為8192 MB 的Windows 10操作系統(tǒng)上用MATLAB 2018b 軟件實現(xiàn)。由于常用的多目標識別任務(wù)會對圖像內(nèi)所有區(qū)域進行搜索，并根據(jù)搜索結(jié)果提取出希望獲取的目標信息。多數(shù)情況下，圖像拍攝于過亮或過暗的不均衡光照條件，使圖像亮度分布不均勻，導致圖像中細節(jié)信息不明顯，降低了識別任務(wù)的準確率，嚴重時會導致圖像中重要信息無法被識別。因此，選取細節(jié)信息豐富且照明不均勻的低照度圖像作為實驗對象，并通過定量分析和定性分析對各算法的增強結(jié)果進行評估。

2.1 細節(jié)實現(xiàn)

2.1.1 亮度增強

圖4 展示了選取不同分割閾值時算法的增強效果。圖4（a）、（d）、（g）是閾值個數(shù)為5、12 和15 時通過GA 求得的分塊閾值，直方圖中每個平行于縱軸的分割線代表一個分割閾值。圖4（b）、（e）、（h）為多閾值分塊增強算法處理后的子圖分割效果，其中各子圖的灰度值與原圖對應(yīng)區(qū)域亮度成正比，與該區(qū)域亮度增強強度成反比。圖4（c）、（f）、（i）是亮度增強后的RGB 圖像，通過對比可以發(fā)現(xiàn)，當分割閾值個數(shù)為5 時，處理后圖像亮度沒有得到很好的提升，當閾值個數(shù)增加到12 時，圖像的整體亮度得到了不錯的提升。當閾值個數(shù)增加到15 時圖像的亮度漸變特性已經(jīng)確定，若閾值個數(shù)繼續(xù)增加，求解最優(yōu)分割閾值時，算法容易陷入局部最優(yōu)解。為了高效地得到最好的增強效果，優(yōu)化算法將分割閾值個數(shù)定為12。由圖4 可以看出，增強后圖像出現(xiàn)了不自然的分塊現(xiàn)象，該問題的解決方法將在2.1.3 節(jié)介紹。

圖4 可視化子圖拼接圖及其增強效果Fig.4 Visualized sub-picture splicing picture and its enhanced effect

2.1.2 輪廓及紋理增強

1）輪廓增強

引導濾波的目的是濾除圖像噪聲并增強圖像的輪廓信息。圖5（a）、（d）、（g）為原圖，其它小圖為引導濾波算法選取不同參數(shù)時的增強效果。R為濾波器濾波窗口半徑，取值大小與算法的降噪能力成正比，EPS 為增強系數(shù)，取值大小與圖像輪廓的增強程度成正比。經(jīng)過實驗對比發(fā)現(xiàn)R=4、R=8 或R=16，同時EPS=0.12或EPS=0.022時算法的濾波效果較好。

圖5 引導濾波使用不同參數(shù)的效果Fig.5 The effect of guided filtering using different parameters

當R=8 時，算法在過濾圖像噪聲時能很好保留圖像的輪廓信息。當R=16 時，增強圖像會丟失大量的輪廓信息，故算法將權(quán)重R設(shè)置為8。當EPS=0.022時，圖像的輪廓信息會明顯增強，當EPS 大于0.12時，圖像會出現(xiàn)明顯的顏色失真，故算法將權(quán)重EPS 設(shè)置為0.022。

2）紋理增強

引入反銳化掩模算法是為了增強圖像的紋理信息，圖6 展示了算法高頻信息增強參數(shù)取2、5 和10 時的效果圖，通過對比可以看出增強參數(shù)的大小與圖像中紋理的豐富度成正比。當參數(shù)設(shè)置為2 時，圖像的紋理信息得到了很好的提升，但當參數(shù)設(shè)置為5 或10 時，圖像的邊緣會出現(xiàn)偽影，故算法將高頻增強參數(shù)設(shè)置為2。

圖6 反銳化掩模增強細節(jié)對比Fig.6 Comparison of unsharp mask enhancement details

2.1.3 多尺度融合

圖7（a）為原始低照度圖像，圖7（b）為只經(jīng)過改進算法增強亮度的RGB 圖像，圖7（c）為經(jīng)完整改進算法增強后的RGB 圖像。對比圖7（a）和（b）可以看出原圖經(jīng)過分塊增強后亮度得到了提升，同時也出現(xiàn)了明顯的分塊現(xiàn)象。多尺度融合算法通過改變權(quán)值將圖1 中ImageA、ImageB和ImageC的拉普拉斯輸入和它們各級別的高斯權(quán)重圖進行了加權(quán)融合，提升圖像亮度的同時在圖像中融入了更多的細節(jié)信息，同時解決了圖像的分塊問題。

圖7 多尺度增強算法弱化分塊現(xiàn)象對比Fig.7 Comparison of multi-scale enhancement algorithm weakening blocking phenomenon

2.2 總體分析

為驗證算法的優(yōu)越性，選取存在欠曝光區(qū)域且細節(jié)信息豐富的遙感圖像作為實驗樣本，同時挑選5 個近幾年提出的增強算法Patch-net（Platform：Tensorflow，CPU）［35］FBBF（Platform：MATLAB，CPU）［36］Zerodce（Platform：Tensorflow，CPU）［37］FFM（Platform：MATLAB，CPU）［38］FBM（Platform：MATLAB，CPU）［30］進行對比實驗，并對它們的增強結(jié)果進行定性和定量的分析。

2.2.1 定性分析

圖8 中給出了富含輪廓信息且光照不均勻的遙感圖像，以及不同算法對該圖像進行增強的效果。改進算法將RGB 空間的圖像轉(zhuǎn)換到HSV 空間進行處理，同時在多尺度融合階段融入增強后的圖像輪廓信息。通過比較不同算法的增強結(jié)果可以看出，改進算法在提升圖像亮度的同時有效地解決了圖像增強后顏色失真和亮度分塊的問題。

圖8 輪廓增強對比效果Fig.8 Contour enhancement contrast effect

圖9 中分別給出了富含紋理信息且光照條件不均勻的遙感圖像和不同算法對該圖進行增強后的效果。改進算法在亮度增強階段利用分塊增強思想，多尺度融合階段加權(quán)融合經(jīng)過增強的圖像紋理信息，使得增強后圖像的亮度分布很好地還原了真實拍攝環(huán)境的亮度分布。通過對比增強結(jié)果可以看出，改進算法有效地還原了圖像的紋理信息。

圖9 紋理增強對比效果Fig.9 Texture enhances contrast effect

2.2.2 定量分析

為了驗證算法的增強效果，選取了平均梯度（Average Gradient，AG）、信息熵（Entropy，EN）和熵增強（Extended Maximum Entropy，EME）三項客觀指標對各算法的增強結(jié)果進行評判。

平均梯度可以評判圖像細節(jié)的豐富程度和圖像的亮度，圖像包含的細節(jié)越豐富AG 的值越大，平均梯度表達式為

式中，?xS(u，v)表示S(u，v)橫向的差分，?yS(u，v)表示S(u，v)縱向的差分，M和N表示圖像的寬和高。

信息熵可以評判圖像所包含的信息量，其值與圖像的質(zhì)量成正比，信息熵表達式為

式中，i表示圖像中像素灰度值的大小，p(i)是整幅圖像中出現(xiàn)灰度值為i的像素的概率。

熵增強能夠評判圖像的對比度，熵增強的值與圖像的對比度成正比，熵增強表達式為

評判圖像熵增強時需先將圖像分為k1×k2塊，并求出各塊的平均像素灰度值，式中ymax；u，v和ymin；u，v表示位置在(u，v)周圍像素的最大灰度值和最小灰度值。

表1 給出了對比增強算法Patch-net、FBBF、Zero-dce、FFM、FBM 和改進算法增強效果的客觀指標，可以看出幾種算法均可以提升圖像的AG、EN 和EME，但本文算法的增強效果最好。

表1 不同算法的增強效果對比Table 1 Comparison of enhancement effects of different methods

3 結(jié)論

本文算法首先將RGB 圖像轉(zhuǎn)換至HSV 空間，亮度增強階段利用多閾值分割算法對圖像的亮度通道進行處理，在提升圖像亮度的同時還原真實場景的光照情況；細節(jié)增強階段，利用引導濾波算法和反銳化掩膜算法提取并增強圖像的細節(jié)信息；多尺度融合階段，采用多尺度融合算法將提取的細節(jié)信息加權(quán)融合到曝光正常的圖像中從而提升圖像的質(zhì)量。將該算法與近幾年提出的增強算法從主觀視覺和客觀參數(shù)上進行對比后發(fā)現(xiàn)，該算法在提升圖像亮度時能夠更好地模擬真實場景的光照環(huán)境，并通過增強圖像的細節(jié)信息進一步提升圖像的質(zhì)量。該算法僅適用于增強光照強度不均勻的圖像，無法很好地還原過曝光區(qū)域的細節(jié)信息，很大程度限制了算法的普適性，下一階段的工作將著重解決該問題。