基于對(duì)稱亮度映射和虛擬多曝光融合的非均勻光照?qǐng)D像增強(qiáng)

黃子蒙，徐望明，2，但 愿

（1.武漢科技大學(xué) 信息科學(xué)與工程學(xué)院，湖北 武漢 430081；2.武漢科技大學(xué) 教育部冶金自動(dòng)化與檢測(cè)技術(shù)工程研究中心，湖北 武漢 430081）

1 引 言

圖像增強(qiáng)［1-2］是將待處理圖像的細(xì)節(jié)、邊緣、顏色飽和度、對(duì)比度等特征進(jìn)行突出或加強(qiáng)，改善圖像質(zhì)量，方便人眼觀察或計(jì)算機(jī)分析與處理，是進(jìn)行圖像預(yù)處理的常見手段。在現(xiàn)實(shí)生活中，光照條件是影響成像質(zhì)量的主要因素之一。圖像整體或局部區(qū)域過暗或過亮，均不利于人眼視覺觀察或機(jī)器視覺處理。非均勻光照?qǐng)D像增強(qiáng)技術(shù)就是要將原來非均勻光照條件下的圖像恢復(fù)成正常光照條件下的圖像，恢復(fù)圖像過暗或過亮區(qū)域的細(xì)節(jié)信息，擴(kuò)大圖像中不同物體的特征差異，進(jìn)而提高這些特征的可辨識(shí)度。目前，常用且具有代表性的非均勻光照?qǐng)D像增強(qiáng)方法大致可分為基于Retinex理論的方法、基于圖像融合的方法和基于深度學(xué)習(xí)的方法?；赗et?inex理論的方法將輸入圖像分解為兩幅子圖［3］，即帶有圖像細(xì)節(jié)信息的反射分量和決定圖像動(dòng)態(tài)范圍的光照分量。如NPE（Naturalness Pre?served Enhancement）［4］方法使用濾波器將圖像分解為反射分量和光照分量，并使用對(duì)數(shù)變換進(jìn)行亮度分量的增強(qiáng)，但增強(qiáng)后的圖像常常會(huì)存在偽影的問題；SRIE（Simultaneous Reflectance and Illumination Estimation）［5］方法則使用一種加權(quán)變分模型來同時(shí)估計(jì)輸入圖像的反射分量和光照分量，雖彌補(bǔ)了在對(duì)數(shù)域上過于放大暗部區(qū)域的問題，但也導(dǎo)致最終非均勻光照?qǐng)D像增強(qiáng)的效果不明顯。在基于圖像融合的方法中，一項(xiàng)十分困難的工作便是如何基于單張輸入圖像獲得同一場(chǎng)景的不同曝光度下的圖像。為此，Ying等人［6-7］提出了基于相機(jī)響應(yīng)模型的方法，通過參數(shù)優(yōu)化虛擬生成最優(yōu)曝光比下的圖像，并與原圖像進(jìn)行加權(quán)融合，然而該方法沒有處理圖像的過曝區(qū)域，圖像亮區(qū)細(xì)節(jié)會(huì)失真。文獻(xiàn)［8］根據(jù)該相機(jī)響應(yīng)模型提出了一種增強(qiáng)非均勻光照?qǐng)D像的改進(jìn)算法，對(duì)圖像亮區(qū)也進(jìn)行了增強(qiáng)處理，但所用亮度映射函數(shù)沒有歸一化，映射結(jié)果會(huì)存在欠曝或過曝像素，導(dǎo)致部分細(xì)節(jié)信息的丟失?；谏疃葘W(xué)習(xí)的方法［9］的性能在一定程度上取決于數(shù)據(jù)集大小，數(shù)據(jù)集越大則訓(xùn)練所得神經(jīng)網(wǎng)絡(luò)模型泛化能力越強(qiáng)。隨著數(shù)據(jù)集的增長，神經(jīng)網(wǎng)絡(luò)模型不僅需要訓(xùn)練更多參數(shù)，而且訓(xùn)練數(shù)據(jù)量也會(huì)增加，因此需要高性能計(jì)算機(jī)用于訓(xùn)練，而采用較小的數(shù)據(jù)集進(jìn)行訓(xùn)練則容易出現(xiàn)模型過擬合現(xiàn)象。

為了克服以上方法的不足，針對(duì)非均勻光照增強(qiáng)任務(wù)，本文提出一種基于對(duì)稱亮度映射和虛擬多曝光融合的圖像增強(qiáng)方法，不依賴于圖像數(shù)據(jù)集，借助相機(jī)響應(yīng)模型及圖像信息熵和平均梯度最大化原則估計(jì)最優(yōu)曝光比，并設(shè)計(jì)對(duì)稱的亮度映射函數(shù)對(duì)單張輸入圖像進(jìn)行增強(qiáng)曝光和減弱曝光處理，虛擬生成一個(gè)具有不同曝光比的圖像序列，最后通過帶細(xì)節(jié)提升的多曝光融合方法重構(gòu)得到一幅動(dòng)態(tài)范圍高、對(duì)比度強(qiáng)、細(xì)節(jié)清晰、可視化質(zhì)量好的圖像。

2 相機(jī)響應(yīng)模型

圖像的成像過程可用相機(jī)響應(yīng)模型來解釋，相機(jī)響應(yīng)函數(shù)是描述相機(jī)響應(yīng)模型的具體方式之一。設(shè)函數(shù)f為相機(jī)響應(yīng)函數(shù)，它建立了相機(jī)的曝光量E和圖像亮度值P之間的非線性映射關(guān)系［10］：

設(shè)P和P′分別是在同一場(chǎng)景下不同曝光量E和E′拍攝的圖像，且E′=kE，其中k為曝光比，則：

再設(shè)函數(shù)g為亮度映射函數(shù)（Brightness Map?ping Function，BMF），用于建立同一場(chǎng)景下不同曝光的圖像之間的亮度非線性映射關(guān)系［11］，則：

因此，CRF與BMF兩函數(shù)之間的轉(zhuǎn)換關(guān)系可表示為：

可見，BMF也可作為相機(jī)響應(yīng)模型的一種具體表示形式，目前已有多種方法用于估計(jì)BMF。雖然真實(shí)場(chǎng)景下圖像的曝光量難以得到，但當(dāng)BMF已知時(shí)，利用式（3）就可以通過對(duì)原始圖像P設(shè)置不同的曝光比k來生成不同的圖像P′，等同于起到改變圖像像素曝光量的效果。將這些具有不同曝光比的生成圖像看做一個(gè)虛擬的曝光序列，就可以使用圖像多曝光融合方法實(shí)現(xiàn)對(duì)非均勻光照?qǐng)D像增強(qiáng)的目的。

顯然，可以直接設(shè)置多個(gè)不同的曝光比生成一系列圖像，但考慮計(jì)算效率，一般希望使用盡可能少的虛擬曝光圖像，這就需要選用適當(dāng)?shù)膱D像質(zhì)量評(píng)價(jià)指標(biāo)作為度量確定最優(yōu)的曝光比。文獻(xiàn)［6-7］及文獻(xiàn)［8］均采用圖像信息熵這一單一質(zhì)量評(píng)價(jià)指標(biāo)來優(yōu)化曝光比，依據(jù)增強(qiáng)后圖像較暗或較亮像素的信息熵大小來確定最優(yōu)曝光比。這種方法存在一定的局限性，因?yàn)樾畔㈧夭荒芊从硤D像的結(jié)構(gòu)化信息，尤其在非均勻光照條件下圖像過暗區(qū)或過亮區(qū)的局部結(jié)構(gòu)化信息可能丟失。因此，為了實(shí)現(xiàn)更好的增強(qiáng)效果，本文在信息熵的基礎(chǔ)上加入了平均梯度評(píng)價(jià)指標(biāo)來共同優(yōu)化曝光比，即產(chǎn)生虛擬曝光圖像的最優(yōu)曝光比由增強(qiáng)后圖像的信息熵和平均梯度大小共同決定。另外，上述方法所用亮度映射函數(shù)沒有歸一化，虛擬曝光結(jié)果圖像會(huì)存在欠曝或過曝像素，從而導(dǎo)致部分圖像細(xì)節(jié)信息的丟失，且文獻(xiàn)［8］要分別對(duì)暗區(qū)和亮區(qū)像素估計(jì)不同的最優(yōu)曝光比，計(jì)算比較繁瑣，因此，本文進(jìn)一步改進(jìn)了亮度映射函數(shù)設(shè)計(jì)方法，提出使用對(duì)稱亮度映射函數(shù)，只需一次估計(jì)最優(yōu)曝光比即可實(shí)現(xiàn)對(duì)非均勻光照?qǐng)D像進(jìn)行虛擬增強(qiáng)曝光和減弱曝光，且保持與原圖像亮度順序的一致性，不會(huì)出現(xiàn)欠曝或過曝現(xiàn)象。最后，為凸顯圖像細(xì)節(jié)，再采用帶細(xì)節(jié)提升的多曝光融合方法重構(gòu)圖像即可實(shí)現(xiàn)非均勻光照?qǐng)D像增強(qiáng)效果。

3 非均勻光照?qǐng)D像增強(qiáng)方法

3.1 方法流程

本文提出的基于對(duì)稱亮度映射和虛擬多曝光融合的非均勻光照?qǐng)D像增強(qiáng)方法的流程圖如圖1所示。

圖1 本文方法流程圖Fig.1 Flow chart of the proposed method

首先，為了更好地保持圖像的顏色信息，將輸入的單張非均勻光照彩色圖像由RGB顏色空間轉(zhuǎn)換到HSV顏色空間，分離出圖像的色調(diào)分量圖像H、亮度分量圖像V和飽和度分量圖像S；然后，僅針對(duì)亮度分量圖像V進(jìn)行處理，依據(jù)信息熵與平均梯度最大化原則來估計(jì)最佳曝光比kopt，代入所設(shè)計(jì)的亮度映射函數(shù)g中，對(duì)亮度分量圖像V進(jìn)行增強(qiáng)曝光處理，得到增強(qiáng)曝光的圖像V1=g(V，kopt)，同時(shí)利用函數(shù)g關(guān)于點(diǎn)(x0，y0)對(duì)稱的亮度響應(yīng)函數(shù)進(jìn)一步對(duì)亮度分量圖像V進(jìn)行減弱曝光處理，得到減弱曝光的圖像V2=2y0-g（2x0-V，kopt）；接著，為凸顯圖像細(xì)節(jié)信息，使用帶細(xì)節(jié)提升的多曝光融合方法，對(duì)由圖像V、增強(qiáng)曝光圖像V1和減弱曝光圖像V2組成的虛擬曝光序列進(jìn)行融合，重構(gòu)出增強(qiáng)后的亮度分量圖像V；最后，將增強(qiáng)后的亮度分量圖像V和保持不變的色調(diào)分量圖像H、飽和度分量圖像S從HSV顏色空間轉(zhuǎn)換回RGB顏色空間，得到最終的圖像增強(qiáng)結(jié)果。

3.2 基于圖像信息熵和平均梯度的最佳曝光比估計(jì)

圖像信息熵［12］和平均梯度［13］是衡量圖像質(zhì)量的兩個(gè)常用無參考指標(biāo)。

圖像信息熵一般用來度量圖像信息量，其值越大說明圖像中包含的信息越多，計(jì)算公式如式（5）所示：

式中J為灰度級(jí)總數(shù)，pi表示圖像I中某處灰度出現(xiàn)的概率。

圖像的平均梯度代表了圖像微小細(xì)節(jié)反差變化的速率，可以用來表示圖像的清晰度，其值越大說明圖像的結(jié)構(gòu)化信息越多，圖像越清晰，計(jì)算公式如式（6）所示：

式中M×N為圖像大小，I(x，y)為圖像I在像素(x，y)處的灰度值。

對(duì)于非均勻光照?qǐng)D像，為了實(shí)現(xiàn)更好的增強(qiáng)效果，一般先只針對(duì)曝光不足或曝光過高的像素集合來估計(jì)最優(yōu)曝光比，再利用此最優(yōu)曝光比作用于圖像中所有像素實(shí)現(xiàn)虛擬曝光增強(qiáng)或虛擬曝光減弱效果。

本文方法在估計(jì)最優(yōu)曝光比時(shí)，使用圖像信息熵和平均梯度最大化原則：使經(jīng)亮度映射函數(shù)作用后的虛擬曝光圖像中對(duì)應(yīng)原始圖像中曝光不足或曝光過高的像素集合所能蘊(yùn)含的信息量和清晰度達(dá)到最優(yōu)。該優(yōu)化問題可以表示為：

其中，Q為原始輸入圖像中曝光不足或曝光過高像素灰度值集合，g為圖像灰度映射函數(shù)。

獲得僅包含曝光不足的像素灰度值集合Q1和僅包含曝光過高的像素灰度值集合Q2的判定方法為：

式中T(x)為圖像V的光照分量圖，估計(jì)T(x)的方法可以參見文獻(xiàn)［6-7］；τ1和τ2分別為區(qū)分曝光不足和曝光過高像素的灰度閾值，本文中圖像灰度歸一化后取τ1=0.5，τ2=0.5。式（7）中，Q=Q1時(shí)，要滿足k>1；而Q=Q2時(shí)，要滿足k<1。

3.3 對(duì)稱亮度映射函數(shù)

由于非均勻光照?qǐng)D像存在曝光不足和曝光過度兩種情形，如果使用統(tǒng)一的曝光比直接對(duì)非均勻光照?qǐng)D像進(jìn)行曝光補(bǔ)償?shù)仍鰪?qiáng)處理，無法使所有像素曝光良好。因此需要選擇合適的亮度映射函數(shù)對(duì)曝光不足區(qū)域做增強(qiáng)曝光處理，生成增強(qiáng)曝光圖像，提高原圖像中的局部亮度偏低像素的灰度值；對(duì)亮度過高區(qū)域做減弱曝光處理，生成減弱曝光圖像，降低原圖像中的局部亮度偏高像素的灰度值。

以v表示某一亮度值，k表示曝光比參數(shù)，亮度映射函數(shù)g(v，k)的設(shè)計(jì)一般應(yīng)滿足3個(gè)條件：

（1）為防止映射后圖像相鄰像素之間的亮度值差異消失，函數(shù)必須是嚴(yán)格單調(diào)的，即對(duì)任意v2>v1，須滿足g(v2，k)>g(v1，k)。

（2）為防止映射后像素亮度值截?cái)鄬?dǎo)致信息丟失，要保證歸一化輸入圖像的每個(gè)像素亮度值仍被映射至歸一化區(qū)間[0，1]，即g(0，k)=0，且g(1，k)=1。

（3）曝光比k控制著曝光效果。當(dāng)k=1時(shí)，g(v，1)=v，即曝光不變；對(duì)于任意(0，1)之間取值的像素v，當(dāng)k>1時(shí)，g(v，k)>g(v，1)=v，即增強(qiáng)曝光；當(dāng)k<1時(shí)，g(v，k)

當(dāng)生成增強(qiáng)曝光圖像時(shí)，文獻(xiàn)［4-6］中方法所采用的亮度映射函數(shù)為：

其中a=-0.329 3，b=1.125 8。實(shí)驗(yàn)結(jié)果表明，該函數(shù)取得了較好效果，但它不滿足上述條件（2），會(huì)在輸入圖像亮度值較大時(shí)產(chǎn)生截?cái)喽鴣G失亮區(qū)的信息。

為了利用該函數(shù)的效果優(yōu)勢(shì)并彌補(bǔ)其不足，本文以分段的形式定義一種改進(jìn)的亮度映射函數(shù)：

為保證函數(shù)連續(xù)，須滿足g1(θ，k)=g2(θ，k)=ε，ε為分段點(diǎn)自變量θ所對(duì)應(yīng)的映射值。反過來通過指定ε也可求出θ，本文取ε=0.9以得到較好的暗區(qū)對(duì)比度提升效果。

這里g2(V，k)的主要作用就是防止圖像亮度值超過1而被截?cái)?，起到保留原始圖像亮區(qū)灰度信息的效果，可選函數(shù)很多，為便于計(jì)算，一種簡(jiǎn)單的函數(shù)形式是取經(jīng)過點(diǎn)(θ，ε)與(1，1)的直線，即：

當(dāng)ε=0.9時(shí)，改進(jìn)前后的亮度映射函數(shù)曲線如圖2所示。

由圖2可知，該函數(shù)能較好地拉升圖像暗區(qū)像素的亮度值，增強(qiáng)圖像暗區(qū)像素的對(duì)比度。

圖2 改進(jìn)前后的亮度映射函數(shù)曲線對(duì)比Fig.2 Comparison of the original and improved BMF curves

根據(jù)函數(shù)點(diǎn)對(duì)稱性質(zhì)可知，當(dāng)想要較好地拉升圖像亮區(qū)像素的亮度值，增強(qiáng)圖像亮區(qū)像素的對(duì)比度時(shí)，可直接選擇使用該亮度映射函數(shù)關(guān)于點(diǎn)(x0，y0)對(duì)稱的函數(shù)生成減弱曝光圖像：V2=2y0-g(2x0-V，kopt)，這 里x0=0.5，y0=0.5，從而無需重新估計(jì)新的最優(yōu)曝光比和設(shè)計(jì)新的亮度映射函數(shù)。

當(dāng)ε=0.9時(shí)，用于增強(qiáng)曝光的亮度映射函數(shù)與用于減弱曝光的亮度映射函數(shù)所組成的對(duì)稱雙曲線如圖3所示?？梢姡鰪?qiáng)曝光的BMF曲線拉伸了低光區(qū)域的亮度對(duì)比度，而保持著高光區(qū)域的亮度一致性；相反，減弱曝光的BMF曲線拉伸了高光區(qū)域的亮度對(duì)比度，而保持低光區(qū)域的亮度一致性。兩條曲線同時(shí)作用于原圖像，即可虛擬生成對(duì)應(yīng)的增強(qiáng)曝光圖像和減弱曝光圖像，加上原始輸入圖像，就可看做是一個(gè)由3幅不同曝光圖像組成的信息互補(bǔ)的虛擬多曝光序列。

圖3 對(duì)稱亮度映射函數(shù)曲線Fig.3 Symmetric BMF curves

3.4 帶細(xì)節(jié)提升的虛擬多曝光融合

對(duì)非均勻光照?qǐng)D像，在增強(qiáng)圖像對(duì)比度的同時(shí)，還希望盡可能地凸顯圖像細(xì)節(jié)。因此，本文最終圖像增強(qiáng)結(jié)果采用帶細(xì)節(jié)提升的多曝光融合方法［6］將圖像V以及虛擬曝光生成的兩幅圖像V1和V2進(jìn)行信息融合而得到。

具體而言，首先要將曝光序列中的任一圖像分解為不同尺度下的基礎(chǔ)層和細(xì)節(jié)層，這里用3個(gè)不同尺度的高斯卷積核分別對(duì)待處理圖像進(jìn)行濾波，即：

式中Vn為曝光序列中第n幅圖像，Bn，i(i=1，2，3)為第n幅曝光圖像在不同尺度下的基礎(chǔ)層，Dn，i(i=1，2，3)為第n幅曝光圖像在不同尺度下的細(xì)節(jié)層，Gi(i=1，2，3)為標(biāo)準(zhǔn)差為σ1=1，σ2=2和σ3=4的高斯核，?表示卷積運(yùn)算。

然后，取最小尺度的高斯核卷積得到的基礎(chǔ)層作為后續(xù)融合的基礎(chǔ)層圖像，即第n幅曝光圖像對(duì)應(yīng)的基礎(chǔ)層Bn=Bn，1，細(xì)節(jié)層圖像則由上述3種尺度下的細(xì)節(jié)層加權(quán)重構(gòu)得到：

式中w1、w2、w3為權(quán)重系數(shù)，sgn為符號(hào)函數(shù)。

接著，采用將像素顯著性和空間一致性相結(jié)合的方法計(jì)算Bn和Dn的權(quán)重圖，其步驟如下：

（1）利用3×3的拉普拉斯濾波器L與每幅圖像Vn進(jìn)行卷積，得到高通圖像Hn：

用Hn絕對(duì)值的局部高斯平滑處理結(jié)果構(gòu)建顯著性圖像Sn：

式 中Rrg，σg是 大 小 為(2rg+1)×(2rg+1)、標(biāo) 準(zhǔn) 差為σg的高斯低通濾波器，其中rg=5，σg=5。

（2）通過比較不同的Sn中相同位置像素的顯著性數(shù)值確定初始的權(quán)重圖中對(duì)應(yīng)位置的權(quán)重值為：

式中N為圖像的數(shù)量，為第n幅圖像在第k個(gè)像素處的顯著性數(shù)值。

（3）利用引導(dǎo)濾波能保持像素空間一致性的優(yōu)點(diǎn)來改善初始權(quán)重圖Pn，將Pn作為引導(dǎo)濾波的輸入圖像，將與Pn對(duì)應(yīng)的圖像Vn作為引導(dǎo)圖像，即：

然后，將N個(gè)基礎(chǔ)層權(quán)重圖和N個(gè)細(xì)節(jié)層權(quán)重圖在相同像素位置分別做和為1的歸一化處理，再通過線性加權(quán)的方法分別進(jìn)行融合，即：

最后，將融合后的基礎(chǔ)層與融合后的細(xì)節(jié)層Dˉ相加，得到最終的重構(gòu)圖像I：

4 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證文本方法對(duì)非均勻光照?qǐng)D像增強(qiáng)的可行性與有效性，選取DICM［14］、LIME-data［15］、NPE-data［4］及其擴(kuò)展集NPE-ex1、NPE-ex2、NPEex3以及VV［16］等7個(gè)公開數(shù)據(jù)集進(jìn)行了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)后進(jìn)行了圖像質(zhì)量的主客觀評(píng)價(jià)。對(duì)比方法包括經(jīng)典的方法NPE［4］和SRIE［5］、基 于 圖像融合的方法YING-EF（Exposure Fusion）［7］和VMEF（Virtual Multi-Exposure Fusion）［8］、基于深度學(xué)習(xí)的方法LightenNet［17］，其中對(duì)比方法的參數(shù)設(shè)置保持原論文設(shè)置不變。

4.1 實(shí)驗(yàn)結(jié)果客觀評(píng)價(jià)

為了客觀評(píng)價(jià)本文方法，采用圖像信息熵、平均梯度、圖像對(duì)比度、顏色一致性作為客觀指標(biāo)來衡量方法性能。圖像對(duì)比度代表了圖像亮區(qū)暗區(qū)拉伸的對(duì)比程度，其值越大說明圖像的灰度反差越大，圖像的動(dòng)態(tài)范圍越高，其計(jì)算公式如式（21）所示：

其中，δ(i，j)=|i-j|，即相鄰像素間灰度 差；Pδ(i，j)為相鄰像素間的灰度差為δ的像素分布概率。將圖像中每個(gè)像素點(diǎn)的R、G、B值看作3維空間的1個(gè)顏色向量，則顏色一致性度量為計(jì)算原圖像與增強(qiáng)圖像所有對(duì)應(yīng)像素點(diǎn)的顏色向量夾角余弦值［18］的平均值，其值越大表明圖像增強(qiáng)后的顏色與原圖像差異越小，其計(jì)算公式如式（22）所示：

其中，I和E分別為原圖像和增強(qiáng)圖像，θp為像素點(diǎn)P處的顏色向量夾角，n為像素點(diǎn)總數(shù)。

客觀評(píng)價(jià)指標(biāo)的實(shí)驗(yàn)結(jié)果如表1~4所示。表中每個(gè)數(shù)據(jù)集對(duì)應(yīng)的結(jié)果是該數(shù)據(jù)集上所有圖像相應(yīng)評(píng)價(jià)指標(biāo)的平均值，最后也記錄了所有數(shù)據(jù)集上圖像的整體平均值。

表1 不同方法在各數(shù)據(jù)集上的圖像信息熵Tab.1 Image information entropy of different methods on each dataset

結(jié)果表明，NPE、SRIE、YING-EF和Lighten?Net方法的增強(qiáng)效果比較接近，均處于較低水平；VMEF方法略高于NPE、SRIE、YING-EF和Light?enNet方法；而本文方法在圖像信息熵、平均梯度、圖像對(duì)比度、顏色一致性等客觀評(píng)價(jià)指標(biāo)上均表現(xiàn)為最高，在7個(gè)公開數(shù)據(jù)集上相應(yīng)評(píng)價(jià)指標(biāo)的整體平均值分別達(dá)到了7.644，9.209，450.683，0.962，與對(duì)比方法相比均有顯著提升。

表2 不同方法在各數(shù)據(jù)集上的平均梯度Tab.2 Average gradients of different methods on each dataset

表3 不同方法在各數(shù)據(jù)集上的圖像對(duì)比度Tab.3 Image contrast of different methods on each dataset

表4 不同方法在各數(shù)據(jù)集上的顏色一致性Tab.4 Color consistency of different methods on each dataset

4.2 實(shí)驗(yàn)結(jié)果主觀評(píng)價(jià)

為了能夠真實(shí)地反映本文方法對(duì)非均勻光照?qǐng)D像增強(qiáng)的直觀效果，從實(shí)驗(yàn)結(jié)果中挑選了兩幅具有代表性的圖像及其細(xì)節(jié)放大圖（紅色方框標(biāo)出），如圖4、圖5和圖6所示?？梢钥闯?，SRIE和YINGEF方法對(duì)于圖像的增強(qiáng)并不明顯，增強(qiáng)后圖像對(duì)比度仍偏低，不利于人眼分辨圖像信息；圖4中汽車和街道部分、圖5中樹和沙灘部分以及圖6中洞壁和人臉部分，由NPE、VMEF和LightenNet方法處理的圖像亮度較暗；而本文方法增強(qiáng)的圖像不僅對(duì)比度較高，而且細(xì)節(jié)清晰、色彩層次感豐富，相較于其他算法的可視化效果有了明顯提升。

圖4 非均勻光照?qǐng)D像增強(qiáng)結(jié)果對(duì)比（示例1）Fig.4 Comparison of image enhancement results for non-uniform illumination image（Example 1）

圖5 非均勻光照?qǐng)D像增強(qiáng)結(jié)果對(duì)比（示例2）Fig.5 Comparison of image enhancement results for non-uniform illumination image（Example 2）

圖6 非均勻光照?qǐng)D像增強(qiáng)結(jié)果對(duì)比（示例3）Fig.6 Comparison of image enhancement results for non-uniform illumination image（Example 3）

5 結(jié) 論

為解決非均勻光照?qǐng)D像出現(xiàn)的各種問題，如對(duì)比度低、細(xì)節(jié)不清晰、可視化效果差等，本文提出了一種基于對(duì)稱亮度映射和虛擬多曝光融合的非均勻光照?qǐng)D像增強(qiáng)方法，通過兩條對(duì)稱的亮度映射函數(shù)曲線分別對(duì)非均勻光照?qǐng)D像的欠曝光區(qū)域做增強(qiáng)曝光處理，對(duì)過曝光區(qū)域做減弱曝光處理，然后使用帶細(xì)節(jié)提升的多曝光融合方法對(duì)原圖像、減弱曝光圖像和增強(qiáng)曝光圖像組成的曝光序列進(jìn)行融合得到最終的增強(qiáng)圖像。在7個(gè)公共數(shù)據(jù)集上的實(shí)驗(yàn)表明，本文方法取得的圖像信息熵、平均梯度、圖像對(duì)比度、顏色一致性4種客觀評(píng)價(jià)指標(biāo)均值分別為7.644，9.209，450.683，0.962，均優(yōu)于對(duì)比方法，獲得了動(dòng)態(tài)范圍高、對(duì)比度強(qiáng)、細(xì)節(jié)清晰和可視化效果好的增強(qiáng)結(jié)果。