基于邻域依赖的非线性图像增强技术：工程化实现与应用

信工涛

已于 2025-02-26 20:37:00 修改

阅读量784

点赞数 13

文章标签： opencv 人工智能计算机视觉算法

于 2025-02-26 20:25:38 首次发布

本文链接：https://blog.youkuaiyun.com/u010236478/article/details/145886203

版权

在计算机视觉和图像处理领域，低照度图像增强一直是一个具有挑战性且极具实用价值的研究方向。低照度图像通常存在对比度低、细节丢失以及噪声显著等问题，这在很大程度上限制了图像在后续应用中的效果。为了改善低照度图像的质量，众多研究者提出了各种增强方法。本文将介绍一种基于邻域依赖的非线性图像增强方法，该方法具有简单、快速且效果显著的特点，并且通过C++和OpenCV库实现了工程化应用。

一、研究背景与动机

在许多实际场景中，如夜间监控、自动驾驶以及医学成像等领域，获取的图像往往由于光照不足而质量欠佳。传统的图像增强方法，如直方图均衡化、Retinex算法等，虽然在一定程度上能够改善图像的视觉效果，但在处理低照度图像时，往往存在过度增强、色彩失真以及计算复杂度较高等问题。因此，研究一种能够快速、有效地增强低照度图像的方法具有重要的理论和实际意义。

二、算法原理

本文介绍的算法基于Tao等人在2004年提出的《An Integrated Neighborhood Dependent Approach for Nonlinear Enhancement of Color Images》。该算法的核心思想是通过邻域信息来增强图像的暗部区域，同时避免对亮部区域进行过度增强。以下是算法的主要步骤：

（一）灰度化与归一化

首先，将输入的RGB图像转换为灰度图像，并进行归一化处理。归一化后的灰度图像 $I(x, y)$ 用于后续的增强操作。归一化过程可以将像素值范围从 [0, 255] 缩放到 [0, 1]，便于后续的数学运算。

（二）非线性变换

对归一化后的灰度图像 $I(x, y)$ 进行非线性变换，以增强暗部区域的亮度。变换公式如下：

$In(x,y)=\frac{(I_{(x,y)})^a + (I_{(x,y)})^b+(I_{(x,y)})^2}{2}$

其中，参数 a 和 b 用于控制变换的强度。在本文中，取 a=0.24 和 b=0.5。这种非线性变换可以显著提高暗像素的亮度，而对亮像素的影响较小。

（三）多尺度高斯卷积

为了考虑图像的邻域信息，使用不同尺度的高斯核函数对非线性变换后的灰度图像 In(x,y) 进行卷积运算。高斯核函数的公式如下：

$G(x,y)=K e^{-(x^{2}+y^{2})/c^{2}}$

其中， c 为尺度参数， K 为归一化常数。通过高斯卷积，可以得到包含邻域亮度信息的图像 $I'(x,y)$ 。在本文中，分别采用 $\sigma = 5$ 、 $\sigma = 20$ 和 $\sigma = 240$ 三种尺度进行卷积。

（四）对比度增强

计算对比度增强因子 $r(x,y)$ ，并将其应用于非线性变换后的灰度图像 $In(x,y)$ 。对比度增强因子的计算公式为：

$r(x,y)=\frac{I'(x,y)}{I(x,y)}$

增强后的图像 $R(x,y)$ 可以表示为：

$R(x,y)=In(x,y)^{r(x,y)}$

为了进一步提高增强效果，将不同尺度的对比度增强结果进行线性组合。最终的增强图像 $R(x,y)$ 可以表示为：

$R(x,y)=\sum_{i = 1}^{3} w_{i}R_{i}(x,y)$

其中， $w_{i}$ 为权重系数，在本文中取 $w_{i}$ =1/3。

（五）色彩恢复

为了恢复图像的颜色信息，将增强后的灰度图像 $R(x,y)$ 与原始RGB图像的各通道进行线性组合。色彩恢复公式如下：

$R_{j}(x,y)=\frac{I_{j}(x,y)}{I(x,y)}\times \lambda\times R(x,y)$

其中， $R_{j}(x,y)$ 表示原始图像的R、G、B三个通道， $\lambda$ 为色彩调整系数，本文中取 $\lambda =1$ 。

三、工程化实现

本文的实现基于 OpenCV 4.7 版本，使用 C++ 语言进行开发。OpenCV 是一个开源的计算机视觉库，提供了丰富的图像处理功能，便于快速实现和验证算法。开发环境为 Windows 10，使用 Visual Studio 2019 作为开发工具

（一）实现细节

图像读取与归一化：使用OpenCV的 cv::imread 函数读取输入图像，并将其转换为双精度浮点类型，归一化到 [0, 1] 范围，便于后续的数学运算。

          inputImage.convertTo(II, CV_64F, 1.0 / 255.0)

灰度化：通过 cv::cvtColor 函数将RGB图像转换为灰度图像。

            cv::cvtColor(im_double, I1, cv::COLOR_BGR2GRAY);

非线性变换：利用OpenCV的 cv::pow 函数实现非线性变换公式，增强图像的暗部区域。

// 计算 I1 .^ 0.24
    cv::Mat powImage;
    cv::pow(I1, 0.24, powImage);

    // 计算 1 - I1
    cv::Mat diffImage;
    cv::subtract(1, I1, diffImage);

    // 计算 (1 - I1) * 0.5
    cv::Mat scaledImage;
    cv::multiply(diffImage, 0.5, scaledImage);

    // 计算 I1 .^ 2
    cv::Mat squareImage;
    cv::pow(I1, 2, squareImage);

    // 计算 In = (I1 .^ 0.24 + (1 - I1) * 0.5 + I1 .^ 2) / 2
    cv::Mat In;
    cv::add(powImage, scaledImage, In);
    cv::add(In, squareImage, In);
    cv::divide(In, 2, In);

多尺度高斯卷积：使用 cv::GaussianBlur 函数对灰度图像进行不同尺度的高斯卷积，获取邻域亮度信息。

// 多尺度高斯卷积
    std::vector<cv::Mat> gaussians;
    std::vector<double> sigmas = {5, 20, 240};
    for (double sigma : sigmas) {
        cv::Mat gaussian;
        cv::GaussianBlur(I1, gaussian, cv::Size(0, 0), sigma);
        gaussians.push_back(gaussian);
    }

对比度增强：通过逐像素的除法和幂运算，实现对比度增强，并将不同尺度的结果进行线性组合。

cv::Mat R = cv::Mat::zeros(In.size(), CV_64F);
    for (size_t i = 0; i < gaussians.size(); ++i) {
        cv::Mat r = gaussians[i].clone();
        cv::divide(gaussians[i], I1, r);
        cv::Mat Ri;
        cv::pow(In, r, Ri);
        R += Ri / gaussians.size();
    }

色彩恢复：将增强后的灰度图像与原始RGB图像的各通道进行线性组合，恢复图像的颜色信息。

结果展示与保存：使用OpenCV的 cv::imshow 和 cv::imwrite 函数展示增强后的图像，并将其保存到文件中。