基于參考白和小波重構的船舶圖像光照增強

楊梅++邱剛

摘要：為了解決船舶圖像在后續的理解與分析中存在的光照不均勻問題，提出了基于參考白和小波重構的船舶圖像光照增強方法。本文首先對圖像分別進行直方圖均衡化和參考白處理；再進行HSV變換提取出圖像的亮度分亮，并對亮度分量進行二維小波分解；最后，對分解得到的高、低頻分量進行線性組合后實現圖像的重構。實驗結果表明，本文算法在提高圖像亮度的同時，有效地去除了圖像噪聲，很好地保留了圖像細節信息。

關鍵詞：參考白；小波重構；光照增強

中圖法分類號：TP391.41 文獻標識碼：A 文章編號：1009-3044（2016）20-0190-03

1 引言

隨著海事監管自動化技術的發展，視頻圖像技術在實際的海事監管技術中得到廣泛應用[1]。在復雜的海洋環境中，船舶圖像的拍攝易受到氣候變化、拍攝時間和角度的影響[2]，導致圖像模糊、亮度低等問題，給船舶圖像后期的理解與分析工作帶來困擾。因此，船舶圖像的預處理成了海事監管自動化技術必不可少的組成部分。目前的船舶圖像增強技術中圖像增強方法魯棒性較差，功能單一，難以達到令人滿意的效果；這就需要采用一種簡單、快速、有效的手段來解決圖像模糊、亮度低、光照不均的問題。

船舶圖像光照問題的具體表現有[3，4]： 圖像整體灰度偏低（常見于紅外圖像和夜間圖像等）；圖像的局部灰度值偏低，光照不均勻使圖像局部灰度值低，圖像的對比度低，有陰影，局部信息無法辨認；出現高光現象或部分圖像位于高光區內。根據具體應用目的的不同，目前圖像增強方法主要有三類[5]： 空間域增強方法、變換域增強方法和基于參數優化的方法。其中， 變換域增強方法是將圖像變換到小波域或頻域，對圖像的變換系數進行修正，再通過逆變換獲得增強圖像，如基于光照和反射模型的同態濾波方法。

2基于參考白和小波重構的船舶圖像光照增強

2.1 參考白

圖像的亮度信息由入射分量和反射分量組成，對于光照比較暗淡的情況下，突出的部分具有很高的反射率，高反射率部分出現高光現象，凹陷部分則比較暗，在低照度下細節模糊。根據上述分析，參考白的方法適用于低照度和光照不均勻圖像的增強，它一方面增強了圖像的亮度，另一方面又改善了圖像的色彩信息，使圖像更加自然，符合人眼觀察。

Jain A K提出了一種參考白[6、7]的光照補償算法，這一算法的原理是：假設圖像中存在一塊白色區域，根據這個白色區域進行相應的色彩平衡。將彩色圖像從RGB顏色空間變換到YCbCr顏色空間，選擇亮度分量Y，將整個圖像中所有像素的亮度從高到低降序排序，取較亮部分像素（本文取前3%）的平均值作為圖像亮度的參考白，滿足條件的最低像素值作為參考白的閾值，

2.2 Haar小波多級分解與重構的算法

對于圖像增強，小波基選取應滿足平移不變性；冗余小波變換是目前圖像增強中常用的小波變換；在數值計算領域，希望采用某種正交性小波塔式分解數據進行圖像細節處理[8]。法國數學家A.Haar 給出的Haar小波，是歷史上第一個標準正交小波基[9]。

根據小波函數的對稱性， 可以避免或消除重構圖像在重構過程中的畸變和實真，使小波系數處理后函數達到重構的精度要求。當前關于小波變換在圖像處理方面的應用研究不勝枚舉，但對于彩色圖像研究有所欠缺，對圖像的低頻分量進行增強的很少，因此，傳統的處理方法對于低對比度圖像效果不理想。

2.3 本文算法

根據參考白處理方法的局限及二維多尺度小波分解與重構的優點，本文在傳統的小波重構基礎上結合多尺度多級小波分解提出了基于參考白和二維多尺度小波重構的改進的圖像光照增強方法：首先對經過參考白和自適應直方圖均衡化后的圖像進行HSV變換，獲取圖像的亮度分量V，再對亮度分量進行2級多尺度小波分解，然后選取含噪的高頻系數的最大值，根據在不同尺度模值圖上信號和噪聲的不同和模極大值原理[8]去除圖像的噪聲，并對圖像的低頻系數進行線性組合，經過修改的小波系數和尺度系數即是用于小波重構的參數。這樣，既能使圖像的細節信息得到增強，又能抑制光照過增強的影響。其方法流程如圖1所示。

3 實驗結果與分析

為了驗證本文方法的效果，選用霧霾中拍攝的和低照度、照度不均環境下的3幅船舶圖像進行實驗，將本文的方法與經典的直方圖均衡化方法進行比較，處理結果如圖2所示：

采用文獻[12、13]中所講述的對比敏感度下的圖像對比度（C）和峰值信噪比（PSNR）結合起來評價處理后的圖像，得到的數據如表1所示。對比敏感度下的圖像對比度能對曝光不足引起的圖像細節丟失時作出正確評價；而對于來說，其值的小大，分別對應與圖像失真的多少和圖像質量的高低。

表1中列出了選取的處理結果的數據，其中對比敏感度下的圖像對比度（C）和峰值信噪比（PSNR）是每組數據的平均值，用百分數表示。

4 結論

針對傳統的光照處理算法處理復雜光照效果不理想的問題，本文提出了一種有效快速的基于參考白和小波重構的船舶圖像增強算法，實現過程中對小波分解的系數進行了有針對性的處理。本文方法增強了圖像的亮度和細節等信息，提高了圖像整體亮度，消除了高光現象，更適合人眼觀察和后續的圖像理解和分析。將圖像的亮度增強和去噪有機結合起來，為圖像濾噪增強和光照補償后的復原提供了一種新的解決問題的思路。

參考文獻：

[1] 熊勇，張俊麗，黃立文.基于GA—LPA算法的船舶圖像識別方法研究[J].廣西大學學報（自然科學版），2016，41（2）：554-561.

[2]彭曉鈞，謝仁富，劉暢等.船用視頻圖像增強裝置的模塊化設計[J]. 艦船科學技術，2015， 37（3）： 105-112.

[3]武英.基于雙直方圖均衡的自適應圖像增強算法[J].計算機工程，2011，37（4）：244-245.

[4]楊恢先，王緒四，謝鵬鶴等.改進閾值與尺度間相關的小波紅外圖像去噪[J].自動化學報，2011， 37（10）：1169-1174.

[5]LIU D H，LAM K M， SHEN L S. Illuminat ion invariant face recognition [J].Pattern Recognition， 2005， 38（21）：705-711.

[6]鄭偉華，戴永.自適應同態對數光照補償[J]. 中國圖象圖形學報，2011，16（8）： 1430-1436.

[7]R.L.Hsu，M Abdel-Mottaleb，A K Jain.Face Detect in Color Images[J]. IEEE Transactions on Pattern Analysis and Machine Inteligence， 2002， 24（16）： 696-706

[8]遲健男，張闖，張朝暉，王志良.基于反對稱雙正交小波重構的圖像增強方法[J].自動化學報，2010，36（44）： 476-486.

[9]孫紅進.Haar小波在圖像多尺度分解與重構中的應用[J].煤炭技術，2010，29（11）： 57-59.

[10]Selesnick I W. The double density DWT [M]. Wavelets in Signal and Image Analysis： From Theory to Practice. Kluwer， 2001，13（25）：179-186.

[11]Selesnick I W.A higher density discrete wavelet transform[J]. IEEE Trans.Signal Processing， 2006， 54（8）： 3039-3048.

[12]Z. Wang ， A .C . Bovik， H .R . Sheikh ， and E .P . Simoneelli.Image quality assessment：from error visibility to structural similarity[J]. IEEE Trans. Image proeess.，2004，13 （4 ）： 600-612.

[13]L. Zhang， and X. Mou. FSIM： A feature similarity index for image quality assessment[J]. IEEE Trans. Image Proceess. ，2011，20（8）：2378-2386.