摘  要: 在MSR圖像增強(qiáng)算法的基礎(chǔ)上進(jìn)行了改進(jìn)，采用RGB與HSV顏色空間的快速轉(zhuǎn)換算法，并在MSR算法中用快速均值濾波代替高斯模板卷積，提高算法運(yùn)算速度；對增強(qiáng)后的圖像采用自動(dòng)截?cái)嗍綄Ρ榷壤旆椒ǎ岣咴鰪?qiáng)后圖像的對比度。實(shí)驗(yàn)結(jié)果表明，本算法在提高圖像質(zhì)量的同時(shí)，算法速度提高3~4倍。
關(guān)鍵詞: 圖像增強(qiáng)； Retinex理論； 自動(dòng)截?cái)嗬旆?/a>； 色彩空間轉(zhuǎn)換； 快速均值濾波

     在攝影或監(jiān)控時(shí)由于光照不足,會(huì)使圖像過暗，產(chǎn)生低照度圖像。低照度圖像灰度范圍較窄，相鄰像素的空間相關(guān)性高，灰度變化不明顯，進(jìn)而影響后續(xù)的圖像識別、理解與判斷,因此對低照度圖像進(jìn)行增強(qiáng)處理具有重要意義。傳統(tǒng)的圖像增強(qiáng)方法主要包括空域法和頻域法兩大類,它們實(shí)現(xiàn)簡單、運(yùn)行速度快，但沒有考慮圖像的局部信息，適用范圍較窄。目前主要采用區(qū)域自適應(yīng)的方法進(jìn)行圖像增強(qiáng)，如基于Retinex理論的方法[1]、基于梯度域操作的方法[2]和基于多尺度小波的方法[3]等。由于Retinex理論具有銳化、顏色恒常性、動(dòng)態(tài)范圍壓縮大、色彩逼真度高等特點(diǎn)，因而在圖像增強(qiáng)處理中應(yīng)用更加廣泛。
    本文首先介紹Retinex基礎(chǔ)理論，分析現(xiàn)有方法的特點(diǎn)，提出多尺度Retinex算法在HSV顏色空間的截?cái)嗍娇焖賵D像增強(qiáng)方法，該方法采用RGB空間和HSV空間的快速轉(zhuǎn)換算法，并用快速均值濾波代替高斯濾波，對增強(qiáng)后的圖像采用自動(dòng)截?cái)嗍綄Ρ榷壤?，在提高算法速度的同時(shí)，進(jìn)一步提高了圖像的質(zhì)量。
1 Retinex理論
    在Retinex模型中，圖像S(x,y)由入射光和反射性質(zhì)兩個(gè)元素組成，可以表示為：
    
  
    Retinex算法的關(guān)鍵是估計(jì)入射光分量，根據(jù)估計(jì)亮度圖像的不同，出現(xiàn)了許多基于Retinex理論的圖像增強(qiáng)算法，其中多尺度Retinex算法效果相對比較好。多尺度Retinex MSR(Multi-scale Retinex)算法的本質(zhì)是將高斯卷積函數(shù)與圖像做卷積來獲得平滑圖像，然后再提取亮度圖像，其數(shù)學(xué)表達(dá)形式為：
　

其中，RMi(x,y)是MSR在第i個(gè)顏色譜段的輸出，N為尺度個(gè)數(shù)，Wn為對應(yīng)每一個(gè)尺度的權(quán)值(通常取1/3)，Ii(x,y)對應(yīng)第i個(gè)色彩空間的圖像分布，F(xiàn)n(x,y)是對應(yīng)第n個(gè)高斯環(huán)繞函數(shù)。
2 算法原理
    MSR算法通常應(yīng)用在RGB、HSV與YUV 3個(gè)顏色空間，根據(jù)參考文獻(xiàn)[4]的分析，MSR在HSV空間的增強(qiáng)效果比在RGB和YUV空間要好,因此本文算法將對HSV空間的MSR增強(qiáng)算法進(jìn)行改進(jìn)。MSR在HSV空間對低照度圖像增強(qiáng)時(shí)，首先把圖像由RGB空間轉(zhuǎn)到HSV空間，對V通道增強(qiáng)后，再將圖像由HSV空間轉(zhuǎn)回RGB空間。傳統(tǒng)的方法處理速度慢，主要原因有兩個(gè)：RGB顏色空間與HSV顏色空間相互轉(zhuǎn)換時(shí)，轉(zhuǎn)換算法過于復(fù)雜，耗費(fèi)時(shí)間；MSR算法中有多次的高斯卷積，且卷積模板尺寸大，計(jì)算量非常大。本文采用RGB空間和HSV空間快速轉(zhuǎn)換算法，并用均值濾波代替高斯濾波，但是增強(qiáng)后的圖像對比度普遍不高，一般的對比度拉伸方法不具有通用性，因此本文采用自動(dòng)截?cái)嗍竭M(jìn)行對比度拉伸，算法具體流程如圖2所示。

2.1 顏色空間快速轉(zhuǎn)換
    根據(jù)RGB顏色空間與HSV顏色空間的相互轉(zhuǎn)換公式可知，圖像在HSV空間的亮度分量V的取值是RGB顏色空間中每個(gè)像素的（R,G,B）三通道值的最大值，如式(4)表示：
    V=max(R,G,B)  (4)
    獲得單通道圖像V后，采用MSR算法增強(qiáng)，增強(qiáng)后的圖像為V′，定義參數(shù)矩陣為r, r取值為：
 
  

其中，Vi′(x,y)是指數(shù)變換后的圖像，i表示顏色通道，Riout(x,y)表示輸出的圖像。由于獲取的極大值和極小值在圖像中所占的比例可能會(huì)很小，進(jìn)而使MAXi-MINi的值變大，輸出值R聚集在相對少的區(qū)域內(nèi)，使圖像的對比度降低。采用截?cái)嗍綄Ρ榷壤旆椒?，在對每個(gè)通道進(jìn)行拉伸時(shí)，采用累積直方圖統(tǒng)計(jì)的自適應(yīng)拉伸方法確定圖像的極大值與極小值，具體步驟為：
     
3 實(shí)驗(yàn)結(jié)果與分析
　在MSR算法中，用截?cái)嗍綄Ρ榷壤旆椒ù嬷苯訉Ρ榷壤旆椒ǎ瑢?shí)驗(yàn)結(jié)果如圖4所示。  
    從圖4可以看出，截?cái)嗍綄Ρ榷壤旆椒ㄒ戎苯訉Ρ榷壤旆椒ǖ奶幚硇Ч茫粡膱D像灰度直方圖的比較中可以看出，利用截?cái)嗍綄Ρ榷仍鰪?qiáng)，使圖像的灰度范圍變得更寬，因而處理效果更好。

    取4幅尺寸不同的低照度圖像，如圖5第一列，尺寸分別是186×187、390×260、664×485、960×630，分別用原MSR算法和改進(jìn)后的MSR算法對圖像進(jìn)行增強(qiáng)處理，處理后的結(jié)果如圖5第二列和第三列所示。從圖5可以看出，算法改進(jìn)前與改進(jìn)后圖像增強(qiáng)效果都很好，差別不大。記錄多次處理算法消耗的時(shí)間，然后取平均

    從表1中可以看出，改進(jìn)后的MSR算法比原MSR算法快了3~4倍。改進(jìn)后的MSR算法在增強(qiáng)中、小尺寸的圖像時(shí)，速度優(yōu)勢并不明顯，但在增強(qiáng)大尺寸的圖像時(shí)，速度明顯要快很多。
    本文針對MSR算法進(jìn)行了兩個(gè)方面的改進(jìn)，即對比度增強(qiáng)算法的改進(jìn)以及MSR的快速計(jì)算方法。在提高對比度方面，用截?cái)嗍綄Ρ榷壤旆椒ù媪嗽瓉淼闹苯訉Ρ榷壤旆椒?；在提高處理速度方面，一是在RGB與HSV空間轉(zhuǎn)換方面進(jìn)行了算法改進(jìn)，二是用均值濾波方法代替了原來的高斯函數(shù)卷積方法，從而使運(yùn)算次數(shù)減少，進(jìn)而達(dá)到了提升圖像增強(qiáng)速度的目的，改進(jìn)的算法處理速度提升了3~4倍。
參考文獻(xiàn)
[1] DIMITRIOU T. A lightweight RFID protocol to protect against trace ability and cloning attacks[C].Conference on Security and Privacy for Emerging Areas in Communication Networks. Athens, Greece， IEEE Press，2005:59-66.
[2] SONG B, MITCHELL C J. RFID authentication protocol for low-cost tags[C]. Proceedings of the 1st ACM Conference on Wireless Network Security, Alexandria, Virginia, USA.ACM Press, 2008:140-147.
[3] 王晉, 潘宏俠, 趙潤鵬. 基于多尺度小波的圖像增強(qiáng)算法[J]. 河北工業(yè)科技, 2011,28(6):369-371.
[4] Wang Wen, Li Bo, Zheng Jin, et al. A fast multi-scale retinex algorithm for color image enhancement[C]. Proceedings of International Conference on Wavelet Analysis and Pattern Recognition, 2008.
[5] Pan Jianjia, Tang Yuanyan, Pan Baochang. The algorithm of fast mean filtering[C]. International Conference on Wavelet Analysis and Pattern Recognition. Beijing, China, 2007:244-248.