引 言

圖像增強是為了達到人們觀察或機器分析和判別的目的從而在原始圖像上采取的改進方法[1]。如今，因為人類活動對環(huán)境的破壞，導致霧霾現(xiàn)象經(jīng)常出現(xiàn)。霧天環(huán)境下，戶外景物的顏色及對比度都發(fā)生了退化，計算機視覺系統(tǒng)不能正確對場景中的目標進行檢測和跟蹤，因此需要對霧天圖像作清晰化處理 [2-4]。目前，霧天圖像處理方法主要分為基于大氣退化物理模型[5-7] 的方法和增強對比度[8] 這兩種方法。

Retinex 算法是Land[9] 等人在 1964 年提出的，現(xiàn)已從不同角度有所發(fā)展，雖然基于Retinex 算法的增強效果較好，但它忽略了霧天圖像亮度較低的特點，使得處理結(jié)果色彩暗淡， 細節(jié)表現(xiàn)力差[10]。為了解決現(xiàn)有的霧天圖像增強中的細節(jié)處理問題，本文提出了一種基于亮度塊的 Retinex 算法增強圖像的細節(jié)。首先采用背景亮度作為激勵亮度值對圖像的亮度塊進行分割，然后采用不同尺度的增強因子對分割塊進行增強， 最后在對像素的邊緣信息分割之后，按照一定的比例對塊信息進行融合。實驗結(jié)果表明，與傳統(tǒng)的Retinex 算法相比，本文算法的信息熵較高，增強之后圖像細節(jié)更豐富。

1 標準 Retinex算法

基本的Retinex 算法是基于運行在人眼視覺系統(tǒng)（HVS） 上的三視網(wǎng)膜皮層系統(tǒng)的應用思想提出的，Retinex 理論認為物體的顏色由物體表面對光線的反射特性決定，從而將圖像看作是由照度圖像 L 和反射圖像 R 相乘得到：

S（x，y）=R（x，y）×L（x，y）（1）

對公式（1）兩邊取對數(shù)變換得到

logR（x，y）=logS（x，y）－logL（x，y）（2）

2 改進的 Retinex算法

2.1 亮度塊分割

根據(jù)心理學韋伯定律，ΔB/B=K，B 表示激勵強度，ΔB 表示最小的顯著差別，K 是一常數(shù)。引入背景強度代替激勵強度，不同區(qū)域有不同的斜坡，每個區(qū)域分割成三個區(qū)域：飽和區(qū)、中亮度區(qū)和低亮度區(qū)。高亮度區(qū)由于受刺激飽和度的影響稱作飽和區(qū)。中亮度區(qū)隨亮度均勻變化，顏色信息豐富，因此人眼確定的主要區(qū)域集中在中亮度區(qū)。而在低亮度區(qū)，人眼很難感知到亮度的變化。

根據(jù)背景強度和灰度值轉(zhuǎn)換率，每個像素的亮度都被分割成不同的區(qū)域，背景強度和梯度信息用于對圖像進行二維分解，根據(jù)亮度圖像像素被分解到不同的區(qū)域，其中，背景強度B（x，y）由其鄰域像素的加權得到 ：

其中，m和 n是權重，i是對像素點的上、下、左、右等鄰域像素點進行處理得到的設定像素值，i' 是對對角線上的四個點處理得到的設置像素值。將采用邊緣檢測算法計算得到的像素值的梯度 T（x，y）作為信息的轉(zhuǎn)換率。圖像像素之間最大的差異值定義如式（4）：

當像素滿足 B1≤ B（x，y）≤ B2和 T（x，y）/B（x，y）≥ T1時，該區(qū)域被判定為中亮度區(qū)；當像素滿足 B（x，y）≥ B2 和 T（x，y）/B（x，y）2≥ T 時，該區(qū)域被判定為飽和區(qū) ；其它的為低亮度區(qū)。按照上述方法將圖像的亮度分割為很多區(qū)域來實現(xiàn)不同圖像分別實施圖像增強的目的對對應的參數(shù)進行設置，a=0.01， b=0.7，m=0.8，n=1.6。

2.2 亮度塊增強

在本文中，原始圖像的 3 個分割區(qū)域的亮度定義為 ：低亮度區(qū) I1，中亮度區(qū) I2 和飽和區(qū) I3。Retinex 算法的計算過程不采用線性加權的方法而采用亮度區(qū)的劃分結(jié)果，在不同的尺度 σ 上進行有針對性的Retinex 增強，從而集成了不同尺度高斯函數(shù)的優(yōu)點。

由于中亮度區(qū)的視覺效果最好且更適合人眼觀察效果， 因此本文以中亮度區(qū)的處理為例。首先，采用尺度為 σ2 的高斯函數(shù)進行濾波操作得到區(qū)域的輸入系數(shù)，然后從圖像中減去輸入系數(shù)得到反射系數(shù)，從而實現(xiàn)對亮度區(qū)的增強。將原始圖像 S 用亮度 I 來表示，則可以用如下公式表示：

其中，F(xiàn)2（x，y）是尺度為 σ2 的高斯函數(shù)，I2（x，y）是分割之后 亮度區(qū)的像素，與中亮度區(qū)的計算類似，余下的飽和區(qū)和低亮 度區(qū)同樣采用獨立處理方法進行處理，分別采用不同的高斯 濾波器在不同的尺度上進行運算以實現(xiàn)不同亮度區(qū)的亮度增 強，公式表達如下：

其中，F(xiàn)k（x，y）是尺度為 σk 的高斯函數(shù)，Ik 是不同的亮度區(qū)， k=1，2，3。* 代表僅應用在對應亮度區(qū) Ik，k=1，2，3 的高斯 模版的中心核。 

通過上述對不同亮度區(qū)的分別處理得到其對應的亮度區(qū) 反射系數(shù) R1（x，y），R2（x，y）和 R3（x，y），從而實現(xiàn)圖像增強。

2.3 塊信息融合

定義所有區(qū)域經(jīng)過不同尺度處理之后的結(jié)果為 ：I'1，I'2，和 I'3。選擇區(qū)域中心像素點 O（x，y）作為中心點，區(qū)域周邊大小為 N×N 的方形窗口作為模版，窗口中低亮度區(qū)、中亮度區(qū)及飽和區(qū)的比例分別表示為 p1，p2 和 p3，則信息融合的比例公式如下：

其中，N 通常取奇數(shù)如 3 和 5，以 3×3 的窗口為例，矩陣的中心點代表未知圖像的亮度點。隨著窗口選擇的細化，計算量也隨之增大。將最終結(jié)果的 I'（x，y）與原始圖像的 H，S 分量相 結(jié)合就得到我們需要的增強結(jié)果。該算法只處理圖像的亮度 信息，因此，與原圖像相比，增強的圖像在顏色和飽和度上的 失真較少，且視覺特征也得到了提高。

3 實驗仿真 

為了驗證本文所提算法的有效性，進行了仿真實驗并與 傳統(tǒng)的 Retinex 算法作比較。在濃霧和薄霧的實驗條件下，比 較了采用兩種算法增強之后圖像的信息熵，實驗結(jié)果如圖 1 和 圖 2 所示。

由圖 1 和圖 2 可以看出，與傳統(tǒng)的 Retinex 算法增強相比， 采用本文提出的 Retinex 算法進行增強后圖像的信息熵更大， 因此通過采用改進的 Retinex 算法進行圖像增強，圖像的細節(jié) 更加豐富。 

4 結(jié) 語

針對霧天圖像增強中存在的細節(jié)優(yōu)化問題，提出了基于亮 度塊分割的改進 Retinex 算法圖像增強算法，采用背景亮度作 為激勵亮度值對圖像的亮度塊進行分割，然后采用不同尺度 的增強因子對分割塊進行增強，最后在對像素的邊緣信息分 割之后，按照一定的比例對塊信息進行融合。仿真結(jié)果顯示 ： 與傳統(tǒng)的 Retinex 算法相比，本文提出的基于亮度塊的圖像增 強 Retinex 算法的信息熵較高，增強之后圖像細節(jié)更豐富。