多尺度Retinex图像增强技术研究及应用

INRMATICINLOCKED13（2018）9基于多尺度Retinex的Zahid Mahmooda，Nazeer Muhammadb， Nargis Bibic，Yasir M. Naseer Ahmedea巴基斯坦伊斯兰堡COMSATS大学阿伯塔巴德校区电气工程系b巴基斯坦伊斯兰堡COMSATS大学Wah Cantt校区数学系c巴基斯坦拉瓦尔品第Fatima Jinnah女子大学计算机科学系d阿拉伯联合酋长国迪拜拉希德医院神经科e Aga Khan University Medical College，74800，Karachi，PakistanA R T I C L E I N F O保留字：多尺度Retinex分量分析色度通道亮度增强颜色受损A B S T R A C T人类视觉系统（HVS）负责颜色恒定性和动态范围。在强光条件下，它对变化有合理的容忍度;然而，对于相机图像，情况并非如此。我们提出了一种新的六步技术来增强由于非均匀照明而退化的彩色图像，使用多尺度Retinex（MSR）：（1）对彩色（RGB）图像采用主成分分析来提取期望的亮度和色度，（2）通过MSR尺度来增强亮度，（3）引入离散傅里叶变换（DFT）来优化增强过程，（4）计算增强的亮度比率，（5）以增强的亮度与初始RGB值的比率计算图像的RGB值，以及（6）使用对比度拉伸方法获得最终增强图像。提出的MSR图像增强算法是一种简单、自动和快速的技术，并提供动态范围压缩与精确的色彩再现。在室外环境中拍摄的994幅彩色图像上进行了深入的模拟。所提出的技术，以获得所需的渲染方面的精细细节和自然。1. 介绍图像增强的目的是提高人类视觉感知的质量[1]。尽管最先进的摄像机在最近得到了迅速发展，但它们的成像质量仍然远远低于人类视觉系统（HVS）。一个问题是由于相机传感器的物理限制而导致的低动态范围在这方面，图像增强通常需要用于美学和实用目的[2]。通常，捕获的图像质量很差，例如存在白色外观或模糊的细节。这是由于数码相机无法解释色彩再现和动态范围以及色彩恒定性，这导致了上述问题[3]。在过去的二十年中，提出了各种算法，例如[4-18 ]，用于光检测彩色图像增强。在参考文献[1]中，作者提出了一种基于非线性传递函数（NTF）的技术。图像增强是通过色调、饱和度和明度（HSV）图像中的亮度分量实现的。在增强过程期间，来自测试输入图像的H和S分量以及来自经处理图像的增强亮度（EL）被整合以实现增强的输出RGB图像。该算法对一般的室外图像都能得到合理的结果。Hong-gteng等人[19]提出了一种图像对比度映射模型。他们的结果证明了在各种应用中的可行性，如色调校正和对比度增强。然而，该算法并没有阐明在捕获的图像中严重的暗对比度的消除。在参考文献[20]中，介绍了一种利用互联网照片集进行个人照片增强的技术。首先，该方法构造一个3-D模型，然后用3-D模型增强2-D数据。这项工作是计算复杂，不解决非均匀照明。Sun等人[9]提出了一种基于亮度（LB-MSR）的图像增强方案，该方案通过应用PCA获得亮度通道[21，22]。使用MSR增强亮度通道。此后，亮度通道与两个色度通道积分，然后进行逆PCA变换以获得输出图像[53]。*Correspondent author.电子邮件地址：nazeermuhammad@ciitwah.edu.pk（N. Muhammad）。https://doi.org/10.1016/j.imu.2018.09.001接收日期：2018年6月6日;接收日期：2018年9月6日;接受日期：2018年9月6日2018年1月1日的一份声明2352-9148/©2018PublisheddbyElsevierLtd.这是一个不可避免的问题，因为CCBY-NC-NDLicense（http：//creativecommons.org/licenses/BY-NC-ND/4。0/）。目录可在ScienceDirect医学信息学杂志主页：www.elsevier.com/locate/imuINRMATICINLOCKED13（2018）9Z. Mahmood等人10该算法对一般的室外图像产生了合理的结果，但对在强烈阳光下捕获的图像则无法执行。这幅被提议的作品缺乏色彩还原方案.参考文献[10]中的研究人员提出了一种增强RGB图像的方法。最初，RGB空间被转换为亮度同相正交（YIQ）空间。随后，提出了MSR技术来增强亮度（Y）分量，随后是对比度增强。然而，在实验过程中只测试了一幅图像，而且这项工作缺乏颜色校正方案。作者在参考文献[23]中介绍了一种通过应用幂律变换的图像增强技术然而，现有的方法不解决给定图像中的偏置颜色的校正。在参考文献[24]中，研究人员提出了一种粒子群优化（PSO）和Beta（β）转换的技术。该方法可能不会产生适当的增强RGB图像，这是由非均匀照明引起的[9]。参考文献[25]中的研究人员介绍了一种图像增强技术，该技术在耦合模型方面使用了具有标量扩散的冲击滤波器。所提出的方法利用一个单一的矢量梯度幅度采取二阶导数。然而，该算法复杂且耗时。Guarnieri [26]提出了一种动态范围缩减算法。该算法使用Retinex理论，并被开发用于抑制因子的产生，例如，边缘周围的尖锐光晕。该算法没有在户外环境中拍摄的滤波图像上进行测试[27]。通过使用具有来自显著边缘的信息的局部均值来获得滤波图像。该算法有效地增强了局部细节。然而，发表的工作没有报告低/高对比度图像的实验。传统的图像增强方法包括：直方图均衡化（HE），伽马校正（GC）和直方图规范化（HS）是有用的，但数字图像可以通过这些方法降级[28，29]。几种有用的计算机视觉和机器学习方法[30，31]可以利用传统的图像增强技术作为预处理模块[32]。此外，最近开发的最先进技术[33]引入了一种基于流水线的机制来处理低光图像，并且主要基于完全卷积网络的端到端训练[34，35]。该网络直接对原始传感器数据进行操作，消除了大多数传统图像处理管道。提出了一种利用MSR理论对非均匀光照下的彩色图像进行增强的方法提出的技术有六个主要步骤，包括应用：（1）PCA，（2）MSR，（3）DFT，（4）增强亮度比计算，（5）新的RGB值计算，和（6）对比度拉伸的应用。对994幅不同图像进行的大量模拟显示了所开发技术的优越性该技术的结果在此需要说明的是，我们开发MSR图像增强技术的动机之一是消除在强烈阳光下捕获的图像中的严重暗对比度[36，37]。所提出的技术优于图像质量度量测量：（PSNR和AMBE）和执行时间。此外，统计（平均值，中位数，标准差，和熵）com-quantity也揭示了该技术的优越性。此外，所提出的技术在视觉质量和计算时间方面也优于传统技术，例如HE，HS和GC [29]。提出了一种有效的图像增强方法，并对图像增强的均值、中值、标准差、熵、峰值信噪比（PSNR）、AMBE等统计量与最近提出的方法进行了详细的比较。Fig. 1.人类视觉系统发展技术。我们的方法增强了现实生活中具有挑战性的图像，这些图像在严重的暗对比下被非常强烈的阳光降级，具有占主导地位的黑色外观。所提出的MSR算法产生明亮和感知高质量的输出图像在更少的计算时间比其他图像增强技术。特别是，我们提出的算法的增强图像不supruer从颜色失真。本文件其余部分分为以下几部分。Retinex理论，单尺度Retinex，和MSR与中心/sur-round高斯函数的讨论在第2节。第3节描述了拟定方法。详细的模拟结果和比较在第4节中给出。最后，结论和未来的研究方向在第5节中强调。2. Retinex理论Retinex理论是基于HVS与三视网膜皮层系统一起工作的猜想而发展起来的，其中每个组件都处理电磁带中的低，中，高频率HVS由眼睛、视网膜和视觉皮层组成，并处理到达眼睛的光子。这个过程是独立完成的。每个分量产生一个亮度值，并确定HVS中的颜色感知HVS产生单个亮度值，其仅与RGB平面相关。图1示出了HVS的一般行为。在彩色RGB图像中，亮度由三个色度通道中的三元组（LR，LG，LB）表示。人类洞察力的主要问题是HVS观察到的物体和颜色的物理反射率之间的分歧。最后，颜色处理在皮层完成。Retinex理论用于在不同照明条件下增强图像。它具有广泛的应用，特别是在医学成像中;例如，计算机断层扫描（CT），X射线和磁共振成像（MRI）。MSR也可用于安全和安全目的，包括飞机在雾中着陆[38]。此外，MSR可以有助于提高多媒体监控/监视和场景[39]、车辆检测[40]和人脸检测[41-43 ]中算法的效率。基于retinex的算法的不同实现，例如在参考文献中。[44-49]，自推出以来一直在出版。MSR由SSR组成，在后续章节中，将详细说明SSR和MSR···INRMATICINLOCKED13（2018）9Z. Mahmood等人11−⎜C22.1. 单刻度Retinex（SSR）最近，SSR已被广泛使用[50]。一些研究人员成功地将Retinex理论应用于具有挑战性的情况，例如超声肝脏图像[51]。在数学上，SSR可以表示为：在DRC和彩色版本之间，必须选择F（X，y）的比例c的适当值对于DRC和彩色版本（再现）之间的协商，SSR（实际上是MSR）的不同加权尺度的混合是一个值得选择的。在数学上，MSR表示为：NRi（F，φ）=logΛi（F，φ）−log[F（F，φ）<$Λi（F，φ）]（一）MSR=∑ωn Rnin=1（九）其中，Λi（λ，φ）表示第i个色带中的图像内容分散，F（λ，φ）是标准化的环绕函数，其中N是尺度的数量，并且Rni是来自等式的第n个尺度的第i个（一）. 关于海洋科学研究的明显问题包括：（a）什么<$F（n，φ）d <$dφ=1。图像内容分散性Λi（λ，φ）从场景和照明的反射率因此，Λi（λ，φ）=Si（λ，φ）<$ri（λ，φ）是产品（二）是尺度的确切数量，（b）尺度值，以及（c）相关权重（ωn）。我们的模拟描绘了三个尺度是足够的。我们使用比例值：C1=5，C2=85和C3=255来增强小，其中Si（λ，φ）是照明的空间分散，ri（λ，φ）是场景反射的分散。方程（1）中的卷积通过求平均来工作，并且表示为：Ri（，φ）=log（Si（，φ）<$ri（，φ））中型和大型。改变权重以调整色彩再现和动态范围压缩。MSR输出图像在亮区和暗区之间的边界处包含大量的DRC，并且在整个图像中包含声音色彩再现（Si（φ，φ）ri（φ，φ））（三）3. 该算法大多数情况下，照明在空间上有轻微的变化，这意味着3.1. 主成分分析（PCA）Si（，φ）<$Si（，φ）（四）定义-1：PCA：它是一个数学过程，使用其中Si（λ，φ）是亮度的平均空间分布，并且由此指示颜色恒定性。此外，委员会认为，Ri（λ，φ）logRi（λ，φ）正交变换，用于将相关变量的一组观测值转换成称为主成分的不相关变量的一组值。读者可以参考[60]了解PCA的完整细节和代码。ri（φ，φ）（五）下面，我们简要说明使用PCA的一些优点和动机。在应用SSR时，可以应用许多环绕功能。在参考文献[52]中提出的平方反比（IS）空间环绕函数表示为：F（λ，φ）=1/r2（6）在参考文献中提出的技术。[53另一组[59]应用了具有绝对界限的指数方法，其可以表示为：F（λ，φ）=Kexp（−r/c）（7）该技术提供了改进的结果，但在图像中引起高对比度。在我们的模拟中，我们使用由下式给出的高斯函数：⎛φ2+ φ2⎟⎝ ⎠简化是提取有效特征和降低计算复杂度的关键步骤[49]。N×NPIXEL图像的尺寸可以非常大。我们利用主成分分析提取亮度通道，有效地降低输入图像的维数，并在后期实现有效的增强。PCA可以可靠地用作正交线性变换方法。在我们的工作中，PCA将输入图像数据操纵并改变到一个新的坐标系中，使得数据投影显示的最大变化位于第一个坐标上，我们称之为第一个主成分（1-PC）。数据投影的第二大变化位于第二坐标上，这是第二主成分（2-PC）。我们观察到，上述前两个主成分足以清楚地提取亮度通道。·其中，K被选择，使得F（k，φ）dxdy=1，c是高斯环绕空间尺度常数，并且（k，φ）是空间坐标。在仿真期间，高斯函数看起来更区域化，并且在大范围内具有令人满意的动态范围压缩（DRC）。系列.空间常数的选择与直接观察时的视角有关。在文献[6]中，证明了在DRC和颜色再现之间存在一个折衷。从50到100像素的范围的中间具有可接受的折衷。2.2. 多尺度Retinex（MSR）MSR是一种基于人类感知的彩色图像增强算法，可可靠地提供颜色恒定性和动态范围压缩（DRC）。此外，MSR与DRC一起有效地实现了色彩和亮度再现。然而，对于一些场景，其中包含在一个单一的颜色带强的光谱特性，恒定性尚未实现。MSR已与其他算法结合使用，以增强图像[51]。由于贸易战，其由大量相关变量组成，同时尽可能多地保留退化输入图像中存在的变化。这是通过转换成一组新的变量来实现的，前两个主成分是不相关的和有序的，因此它们保留了所有原始变量中存在的大部分变化。在进一步的分析中，一小组不相关的变量比一组较大的相关变量更容易理解和使用。在应用PCA之后，我们观察到它将输入图像中的轴变换和旋转到彼此正交的新方向，这导致像素之间的不相关性。算法1给出了基于PCA的过程的一般伪代码。PCA变换是将原始轴旋转到新的正交方向。因此，变量之间没有相关性。算法1示出了基于PCA的过程的一般伪代码。···F（λ，φ）=Kexp·（八）主成分分析的主要目的是降低数据集INRMATICINLOCKED13（2018）9Z. Mahmood等人12使用PCA，输入RGB图像被解相关成亮度和色度通道。前一个分量表示非彩色通道，其携带亮度信息并被进一步处理。而后一个分量代表色度信息，不作在遥感中，主成分分析通常用于图像增强。使用PCA的动机源于第2节中描述的HVS的行为。HVS处理亮度和色度通道分开和decorrelated三色信号出现的锥。存在几种空间转换方法，例如亮度(Y)同相正交（YIQ）颜色空间、黄蓝红度（YCbCr）、青品红黄/黑（CMY/K）、色调饱和度值/亮度（HSV/L）和国际照明委员会（CIE）[61]。PCA被选择用于当前的工作，因为与其他颜色空间转换方法相比具有以下优点。PCA的分析和优点PCA提供亮度和色度通道之间的正交性。因此，尽管亮度变化，颜色仍保持稳定如表1所示，通过使用PCA获得的亮度通道在相应的RGB域中具有几乎相似的值[53]。此外，PCA保留了用于图像数据处理的最佳变换，并且具有作为整体为正的具有最大能量部分的分量。存在基于三刺激值的几种颜色空间，例如CMY、HIS或YCbCr[33]。我们根据经验观察到，定义这些颜色空间的方程是以旋转整个标称RGB颜色立方体并将其缩放以适应更大的颜色空间的方式形成的。彩色立方体因此，在YCbCr、CMY和HIS颜色立方体内留下了一些点，这些点不能在相应的RGB域中表示[33]。这些转换需要复杂的计算来确定如何正确解释和显示YCbCr、CMY或HIS信号。Kimmel等人。[62]将二次规划优化算法应用于RGB和HSV图像的三个颜色通道，这导致色彩再现的夸大和饱和度的损失。相反，我们发现PCA变换提供了分量之间的正交性，并且提供了颜色稳定性，而不管亮度的处理。PCA是一种灵活的，自适应的，无监督的算法，可以用于各种其他领域;例如，PCA可以用于提取RGB图像中的面部特征[20]。重要的是，PCA保留了图像数据的最佳变换，并包含具有最大能量部分的整体为正的分量。PCA还提供亮度和色度通道之间的正交性。因此，尽管亮度变化，颜色仍保持稳定。如表1所示，通过使用PCA获得的亮度此外，PCA保留了用于图像数据处理的最佳变换，并且具有作为整体为正的具有最大能量部分的分量。这里需要指出的是，存在基于三刺激值的多个颜色空间，例如CMY、HIS或YCbCr [34]。我们根据经验观察到，定义YCbCr、CMY和HIS的方程是以旋转整个标称RGB的方式形成的。表1颜色空间的比较（归一化值）。颜色RGB [62]CMY [62]土耳其[62]HSI [62]PCA红色1,0,00,1,10.299，-0.16874，0.50，1，0.330.9999,0,0绿色0,1,01,0,10.587，-0.33126，-0.41869120 0，1，0.330,0.9999,0.0001蓝色0,0,11,1,00.114，0.5，-0.08131240 0，1，0.330,0,0.9999青色0,1,11,0,00.701，0.1687，-0.5180 0，1，0.770,0.9999,0.9899品红色1,0,10,1,00.413,0.3313,0.41869300 0，1，0.660.9999,0,0.9999黄色1,1,00,0,10.886，-0.5，0.08131600，1，0.660.9999,0.9899,0.0001······INRMATICINLOCKED13（2018）9Z. Mahmood等人13⎩OL⎩颜色立方体，并将其缩放以适应更大的颜色立方体。因此，在YCbCr、CMY和HIS颜色立方体中留下了一些点，这些点不能在相应的RGB域中表示[36]。这些转换还需要复杂的计算来确定如何正确解释和显示YCbCr，CMY或HIS信号。尽管Kimmel等人。[62]将二次规划优化算法应用于RGB和HSV图像的三个颜色通道，但它可能导致色彩再现的夸大和饱和度的损失相反，只有PCA变换提供了其中，LR =亮度比，EL =增强亮度，OL =原始亮度。以这种方式，获取图像的增强的亮度通道3.5. 新RGB值在此步骤中，使用以下等式计算图像的新RGB值。产品型号：LR×R0（R，G，B）=LR×G分量之间的正交性，这使得颜色稳定，而不管亮度的处理。nnnLLR0×B0（12）PCA是一种灵活、自适应和无监督的算法，可用于各种其他领域，例如在RGB图像中提取面部特征[20]。PCA保留了用于图像数据处理的最佳变换，并且具有作为整体为正的具有最大能量部分的分量。3.2. 应用MSRMSR是一种retinex算法，它结合了各种SSR输出以产生结果输出图像，具有良好的DRC和颜色恒定性。其中，Rn、Gn和Bn是新的红色、绿色和蓝色值。Wearas、R0、G0和B0分别是原始的红色、绿色和蓝色值3.6.对比度拉伸（CS）在最后一步中，对各个RGB通道分别执行CS以获得增强的输出图像。CS扩展直方图并填充图像的整个动态范围。对于高斯和近高斯分布，获得最佳结果。CS的数学表达式由下式给出新像素值=旧像素值−低像素值×255此外，在此步骤中，亮度通道使用三个高像素值-低像素值MSR的规模。我们使用权重值（ωn）=1三重低像素值=5≤低像素值≤26在等式（9）中缩放。3高像素值=255−低像素值（十三）3.3. DFT简介定义3：DFT在许多实际应用中被广泛用于执行傅立叶分析。在图像处理中，离散样本是沿着光栅图像的行或列的像素值。DFT还用于有效地求解偏微分方程和执行其他操作，例如卷积或乘以大整数。在所提出的MSR算法中，DFT的引入，以加快增强过程。MSR利用卷积定理实现图像增强。卷积运算是耗时的。如果期望使用MSR实时实现彩色图像增强，则这可能是一个问题，因为卷积是在时域中完成的，并且需要长时间段来处理图像。为了减少MSR的处理时间并优化所提出的MSR算法，利用傅立叶变换中的卷积定理[29]。因此，时域中的卷积被转换为频域中的乘积运算，从而大大减少了计算时间。应用DFT后MSR的最终表达式如公式（10）所示：N对于一个3×3的滑动窗口，我们将坐标（1，2）设置为高PIXEL，（2，1）设置为旧PIXEL，（3，2）设置为低PIXEL。新计算的PIXEL值被分配给坐标（2，2）。在CS应用于每个RGB通道之后，我们对每个RGB通道进行积分以获得增强的输出图像。在应用CS时，我们观察到低对比度图像的直方图在右侧、左侧或中间包含像素密度。重要的是要说明，具有高对比度的图像包含暗区域和亮区域。3.7. 拟议的MSR中中间步骤的贡献本节主要关注第3.1节至第3.6节中每个步骤对实现图像增强的贡献。步骤-1 PCA：对于彩色图像数据，多变量数据集被处理为高维数据空间中的一组坐标。因此，在步骤1中应用的PCA提供了较低维度的图片，即当从信息视点观看时图像对象的阴影。这是通过只使用前几个主成分来完成的。步骤-2 MSR：MSR的贡献是三倍，（i）亮度MSR（φ，φ）=∑ωn{log Λ（μ，φ）−log[F−1（Λ′（u，v）F′n（u，v））]}n=1（十）通道增强，（ii）颜色恒定性，以及（iii）动态范围压缩。从彩色图像的角度来看，这是一个关键其中，Λ′（u，v）和F′n（u，v）分别表示输入图像Λ（λ，φ）和第n个环绕函数Fn（λ，φ）DFT可以使用快速傅立叶变换（FFT）来完成。由于亮度是2-D信号，所以1-D FFT独立地应用于列和行。3.4. 增强的亮度（EL）比计算在第四步骤中，计算来自步骤三的EL与原始亮度（OL）的比率。使用以下公式计算彩色图像的新RGB值LR=EL（ 11）步骤，并使合适的平台能够实现平滑的图像增强。步骤3 DFT：DFT的关键贡献是减少MSR的执行时间。这基本上使得所提出的算法适合于在实时应用中使用步骤4 EL比率：EL的主要贡献是处理步骤2中获得的亮度通道。换句话说，EL比率步骤稍微增强了在先前步骤中获得的亮度值。步骤5新RGB值：此步骤通过将EL值乘以原始RGB值来科学地固定新RGB值由于输入图像具有不均匀的照明变化，因此，在该步骤结束时，我们注意到，平均而言，经处理的图像的新RGB值已经被提升到两倍。···INRMATICINLOCKED13（2018）9Z. Mahmood等人14图2a.测试图像1：图像增强结果。第六步CS：CS的主要贡献是扩展了histogram。 这导致图像直方图的动态范围的显著填充。特别是，我们注意到，在步骤5结束时，我们称为半增强的增强图像具有主要位于x轴中间的直方图轮廓。在应用CS之后，获得的直方图在x轴上很好地分布，如图2（a）至图2（b）所示。 3（b）.简而言之，步骤1减小输入图像尺寸，步骤2、4、5和6共同增强图像，其中步骤2作为主要和基线增强工具，而步骤4、5和6提供辅助作用以获得最终增强图像。在步骤3中，DFT的应用显著地减少了MSR的执行时间，并且使得所提出的算法适合于在实时应用中使用。重要的是要指出，在执行MSR算法时，每个步骤都是相互连接的，并产生抑制光晕伪影的输出图像。更重要的是，增强的输出图像中的主要部分是平滑的。此外，六个步骤产生具有良好色彩再现的输出图像。4. 结果和讨论我们使用MATLAB 2015作为仿真工具，在RAM为192 GB的96核Supermicro SuperServer机器上运行给定的设置进行仿真。所提出的算法已被应用到994彩色图像的亮度和对比度的变化在这方面，我们比较我们的方法与上市的方法在统计分析，图像质量，和ex-beverage时间。对于实验设置，输入图像的大小通过裁剪调整为256× 256像素。图2（a）显示了我们提出的技术的最新成果。与列出的方法相比，基于所提出的方法的增强图像数据具有更好的视觉外观，精细的整体细节，调整良好的亮度，以及图像颜色的精细对比度。在所有的直方图中，X轴显示强度值，而φ轴显示强度水平的数量。此外，输入测试图像的直方图大多位于左侧，而对于增强图像，直方图具有更好的像素分布。对于所提出的方法，输出图像的直方图涵盖了X轴上的整个区域。此外，图2（a）示出了与其他图像增强技术相比，所提出的算法具有更清晰的细节。LB_MSR [9]的应用导致图2b.测试图像2：图像增强结果。INRMATICINLOCKED13（2018）9Z. Mahmood等人15图3a.测试图像3：图像增强结果。白色的前景。YIQ_MSR [10]和基于NTF [1]的输出没有令人满意的前景。这些发现也通过其相关直方图轮廓进行了验证，这些直方图轮廓覆盖了x轴的整个范围，具有太多的峰和谷。我们提出的技术具有更自然的外观和更好的图像质量。草的颜色，水，和图像中的人脚下的蓝色很好地恢复到自然的外观。所提出的算法的有效性在图2（b）中进一步证明，其中塔、天空颜色和家庭细节与其他方法相比在美学上更令人满意。所提出的技术的输出图像的质量是远远优于其他技术。LB_MSR的应用导致外观褪色，因此导致消除精细细节，例如房屋前面的窗户。类似地，YIQ_MSR和NTF的应用此外，房子前面的土地有一种不自然的外观。然而，所提出的算法显示狭窄的细节，如天空的颜色，塔，窗户，和家外面的草在图3（a）中，相对于其中比较的技术，在所提出的算法输出中，白色建筑物外的树木和天空颜色具有更自然的外观。显然，质量和视觉输出图像的外观被恢复为自然的外观。此外，在所提出的方法的输出图像中，对比度增强，从而保留图像的细节。我们对这种户外测试图像的模拟显示了类似的令人鼓舞的结果。图 3（b），观众和屋顶的细节已经很好地增强了所提出的算法。LB_MSR、YIQ_MSR和基于NTF的算法产生过亮、发白和模糊的输出。此外，LB_MSR和YIQ_MSR的输出的直方图具有不规则的峰和谷，而基于NTF的输出的直方图主要位于x轴的右侧。然而，所提出的a1-xm的直方图覆盖X轴的整个范围，从而指示像素的更好分布。为了进一步验证我们开发的方案的有效性，我们测试我们的算法在非常强的阳光下拍摄的图像，如在棒球场和其他户外环境。图3示出了包 含 暗 区 域 和 亮 区 域 的 四 个 输 入 彩 色 图 像 以 及 通 过 LB_MSR 、YIQ_MSR、NTF和所提出的方法进行的图像增强的结果。输入图像具有黑/白外观。此外，使用图像增强算法后，改变了图像的原始颜色。对于YIQ_MSR和基于NTF的方法，对比度不必要地增加。图3b. 测试图像4：图像增强结果（图像取自NSA/Langley研究中心）。INRMATICINLOCKED13（2018）9Z. Mahmood等人16⎜⎜见图4。测试图像5：图像增强结果（在室外环境中拍摄的图像）。然而，在这些图像上提出的算法揭示了图像中的细节。具体地说，在第二行和最右边的图像中，球员的脸，白球，球员之间的边界和草的颜色都被所提出的算法很好地增强了。此外，图4中的顶行和底行图像也通过所提出的方法恢复为自然外观。4.1.1. 是说设k表示已知范围[0，L-1]中的R、G、B通道的离散值，使得p（ki）表示归一化到k的第i个值的直方图分量数据。关于其平均值（m）的矩定义为：L−1如今，配备摄像头的便携式数字设备已经变得流行，因此研究人员有多种选择来捕获和分析户外环境中的即时图像。很多时候，这些设备在不同的情况下产生退化的图像，例如在不规则的照明下。面对这样的问题，作者在un（）=∑i−mnp（i）i=0L−1m=∑ip（i）i=0（十四）（十五）参考文献[39]提出了一种基于色调饱和度值（HSV）的MSR算法来增强退化图像。图5（a）和5（c）描绘了基于HSV的retinex图像增强算法能够通过增加其对比度来增强退化图像此外，我们在图5（a）中观察到然而，绿色的颜色，如草和树木的HSV方法出现有点模糊或过于明亮，比提出方法，如图2（a）和2（b）所示。此外，白其中m的平均值由m表示，即，平均RGB像素水平并反映图像的整体亮度 [37]。4.1.2. 标准差（σ（σ））标准差（SD）表示为σ（σ）），通常由二阶矩推导得出，其由下式给出L−1图5（a）中建筑物外的颜色和图5（a）中大厅屋顶内的奶油色。 5（b）基于HSV的方法似乎略高于un（）=∑i−m2p（i）i=0（十六）聪明。在下一节中，我们提出了详细的统计和比较分析，以区分和分析所提出的技术的有效性。在Eq. （16）是x（2（n））的方差。标准差（SD）定义为方差的平方根L−12⎛（标准差）=∑（i-m）pi4.1. 比较分析i=0（十七）本节介绍了所提出的技术与最近现有的增强方法在统计方面的评估，如平均值，中位数，标准差和熵。SD基于区域测量提供可估计的对比度变化。视觉优化的数据是在平均值和高SD上复杂组装的。SD最大程度地扩展通过活动值的信号传播，同时限制任何⎞INRMATICINLOCKED13（2018）9Z. Mahmood等人17200平均SD中值150100500[10]第十届中国国际汽车工业展览会NHK [1]HSV [39]提出方法图5. （a）-5（c）：基于HSV多尺度Retinex的图像增强结果[39]。图第六章比较统计分析所提出的技术与不同的图像增强技术。表2不同图像增强技术的熵比较。图原始LB_MSR [9]YIQ_MSR [10]NHK [1]HSV [39]该方法图 2（a）7.427.707.257.357.477.49图 2（b）7.317.417.907.997.417.51图 3（a）7.427.517.897.907.577.62图 3（b）7.447.407.897.907.717.71图47.497.557.547.677.497.70平均值（994张图片）7.39377.61097.69107.60607.54677.5555INRMATICINLOCKED13（2018）9Z. Mahmood等人18表3不同图像增强技术的PSNR比较图LB_MSRYIQ_MSRNTF（dB）HSV（dB）提出(dB)[9](dB)[10][1][三十九]方法（dB）图 2（a）22.001930.125031.349141.000043.6048图 2（b）46.594227.890621.987945.000046.5942图 3（a）42.563443.019643.019872.000072.2109图 3（b）31.348136.401346.626442.002146.6264图424.670423.792824.869231.690036.8596平均34.630134.703135.543037.000938.9090（994）图像）空间上/下枝。图6显示了统计分析比较。从图6中可以清楚地看出，HSV retinex的平均值、SD和中值非常接近所提出的技术，但对于其余技术，统计分析远高于其他增强方案。4.1.3. 熵熵被定义为每个图像中包含的平均信息量。离散结果以基于概率估计的结果的逆对数的形式示出。最大熵与所有可能的结果在平等的基础上观察。在数学上，熵表示为：均匀地处理图像奇异性，例如边缘或纹理。从图中也可以看出这一点。图2（b）和图3（b），其中每种方法的输出图像和直方图完全不同。因此，当两幅图像的PSNR值相同时，并不意味着它们具有相同的主观质量。4.3. 绝对平均亮度误差AMBE度量测量用于评估保持原始强度值的性能已知AMBE用于发现给定输入图像和增强输出图像的平均值之间的绝对变化，定义如下：AMBE=E （ Λ （ λ ， φ ） ） −E （ Λ′ （ λ ， φ ） ）（ 20）其中，Λ（λ，φ）和Λ′（λ，φ）分别表示输出数据图像的原始图像和增强质量。E（.）表示预期的统计平均值。我们使用AMBE来估计过度亮度，以确定图像中所需的变化AMBE的值越低，意味着原始亮度以更好的方式保留 对于图中的所有情况。 7，MSR的AMBE值远低于其他图像增强方案。因此，所提出的MSR技术产生更好质量的增强输出图像。AMBE可准确检测整体亮度的偏差，并可可靠地用于观察感知上得到改善的高质量输出图像。KH（）1K4.4. 计算时间=∑p（i）log2p（i）− ∑p（i）log2p（i）（十八）i=1i=1计算时间是根据其中，H（n）是离散熵。在当前计算中考虑离散熵，因为piX el值在任何数字图像中总是离散的，并且p（i）是通过采用所有直方图计数观察到的概率分布在表2中，我们显示了从图2（a）到图5的熵值。必须指出，图4的结果是表2和表3中所示的四个数字的平均值。测试图像具有低熵值，这意味着几乎没有对比度。然而，我们的方法的熵优于输入退化的测试图像。LB_MSR、YIQ_MSR和NTF的熵值太高，导致最终增强图像中的褪色外观。HSV的熵值非常接近所提出的方法。对于所提出的方法，输出图像具有很大的对比度，从而产生自然、漂亮和视觉上吸引人的图像。4.2. 峰值信噪比PSNR是衡量图像质量的客观指标。PSNR是指图像中强度值的差异。PSNR定义如下：秒以产生增强的输出图像。每个模拟执行五次，相应的结果总结在表4中。所提出的方法已经超过了HSV retinex图像增强算法，LB_MSR和YIQ_MSR的执行时间在所有的比较中，我们观察到基于NTF的算法是最昂贵的计算4.5. 讨论提出的多尺度Retinex图像增强算法是一种有效的方案，以探索一个准确的颜色解释，也增强了神经视觉系统。一个示例场景是当人们坐在窗前或当通过透明玻璃捕获图像时获得的黑色图像。在这种情况下，MSR产生最佳结果。拟议的MSR为未来的研究提供了许多机会，如下所述由于光子数少、峰值信噪比低，微光快速成像是一个巨大的挑战参考文献[33]中的作者提出了在黑暗中看到（SID），它使机器能够可视化物体。PSNRi（λ，φ）=10log255×255分贝在黑暗中徘徊。 研究人员在Refs。 [35]只有[36]。10⎜1 ∑M−1N−1[Λ（λ，φ）−Λ′（λ，φ）]2π基于Fresnelet和小波的隐藏信息提取与恢复M × Ni=0 ∑j=0⎠（十九）基于变换的技术，并且不解决图像增强。作为未来的工作，建议的MSR可以改进，以处理其中，Λ（λ，φ）是原始图像，Λ′（λ，φ）是增强图像。M和N分别显示给定的图像高度和宽度。Eq中的分母（19）表示原始图像和增强图像的均方误差（MSE）。表3描述了所提出的技术与所列方法的PSNR比较。在表3中，所提出的方法的PSNR度量值相对优于其他图像增强技术。图1的PSNR值。 2（b）对于所提出的方法和LB_MSR方法是相同的。此外，对于图3（b）的所提出的方法和基于NTF的方案，发现相等的PSNR值。因此，我们观察到PSNR评估并不总是对应于主观测量。上述行为的原因是PSNR根除了具有类似噪声的外观的图像部分，上述挑战。为此目的，亮度和色度通道都可以被研究。未来工作的另一个机会是开发所提出的MSR的并行版本以减少执行时间，这将大大减少[1]- [3] [9]，- [10]和[29]的输出时间。 我们观察到，所提出的基于MSR的技术和参考文献[9]- [10]和[29]中提出的技术在0和255之间为8位图像随机选择尺度值。这将是有益的，以开发一个完全自动化的彩色图像增强方案。我们注意到基于HSV的retinex算法在我们的研究中的统计分析，AMBE和执行时间分析方面是第二好的。• 所提出的MSR算法不能产生令人满意的结果，····INRMATICINLOCKED13（2018）9Z. Mahmood等人19120LB_MSR [9] YIQ_MSR [10] NTF [1] HSV [39]拟定方法100806040200图2（a）图2（b）图3（a）图3（b）图4图第七章AMBE评价所提出的技术与最近的图像增强方法。表4用最近的图像增强方法对MSR进行时间成本评估。确认图技术不适用因LB_MSR(s)[9]YIQ_MSR[10][1]第一次世界大战HSV（s）[三十九]拟定方法附录A. 补充数据图 2（a）1.62172.17404.52912.40291.4229图 2（b）1.62212.18104.52681.58991.4230图 3（a）1.62192.18604.52991.56661.4229图 3（b）1.62072.17904.52911.49011.4227图1.62162.17104.52971.41001.4234平均（9941.6266 2.4780 4.5200 1