摘要：為了提高道路監控系統在光照條件變化狀況下的人臉識別率，針對采集到低照度彩色圖像提出一種將多尺度Retinex算法和限幅自適應直方圖均衡化(CLAHE)融合的圖像增強算法.首先對含有噪聲圖像去噪后進行CLAHE處理，可增強圖像局部像素的對比度，再通過多尺度Retinex圖像增強可有效提高暗區域的細節，最后根據兩種算法特點進行加權融合.經過matlab2015b平臺仿真測試得到很好的視覺效果，圖像的標準差和平均梯度等指標得到了提升，驗證了融合算法對圖像增強的獨特優越性以及算法可行性.
關鍵詞：Retinex;限幅自適應的HE;對比度;清晰度;圖像增強;算法
0引言道路監控視頻圖片的采集是智能交通系統最重要的一部分，實際環境中往往會出現光線不足等情況導致采集視頻監控圖像質量較差，無法實現快速自動識別.為此許多學者對圖像增強方面進行了大量的研究，但他們都是基于特定的應用背景而提出的：文獻[1]通過直方圖匹配的方法用參考圖像做依據對原始圖像采用迭代增強的方式來提高其清晰度.該方法雖然改善了圖像的視覺效果，但是圖像的細節沒有得到增強;文獻[2,3]中提出了基于光照模型的預處理光照椎和球諧波方法，但是其運算量大而且限制因素較多不適合實際應用;文獻[4,5]提出改進的CLAHE算法，只增加了亮度分量，雖然處理的時間有所減少，同樣圖像細節增強并沒有顯著變化;文獻[6-8]將多尺度Retinex算法用于交通監控圖像中，雖然他設計的可變濾波器對局部區域的圖像去霧處理有明顯效果也能夠突出圖像的邊緣，但是該算法的色彩因子等參數的拔取比較難，計算量也比較大;文獻[9]對集成電路制造過程快速獲取缺陷細節問題，提出一種特定場景下兩種算法融合的圖像增強技術，該算法增強了細節，但其應用場景受到一定的限制.
以上算法計算量較大且限制因素多，許多參數的選取較難，不利于實際應用.本文基于以上算法的不足提出一種將CLAHE與多尺度Retinex融合的方法用于增強道路交通圖像，有效解決了圖像質量較差對后期人臉檢測和違規識別率低的問題.通過多組仿真測試，可看出融合后圖像質量得到明顯的提高，同時在智能交通系統中有效提高了執法準確率.
1圖像增強算法
1.1中值濾波去噪
由于視頻圖像拍攝和傳輸過程會出現各類噪聲，為了消除這些噪聲對圖像質量的影響，通常采用線性濾波和排序濾波等方法.線性濾波一般采用均值濾波和高斯濾波方法，而中值濾波[10]是屬于排序濾波的一種，是一種非線性處理的方法，其去噪效果和保留圖像細節都要比均值濾波的效果好.該算法主要思想是通過確定一個中心點然后將該中心的鄰域像素值進行排序處理以后，將中間值賦給該中心點的灰度像素值，常用有3×3和5×5濾波窗口，也可根據噪聲大小自己定義.實驗測試用一張大霧天拍攝含有椒鹽噪聲的圖片，圖1為均值濾波與中值濾波處理后的結果.從圖中可明顯看出，中值濾波對含噪聲污染的圖像改善效果明顯要比均值濾波好，因此選用中值濾波.
1.2CLAHE直方圖的均衡化
CLAHE直方圖是對傳統直方圖采用重新分配亮度來計算局部區域直方圖[11]，該方法能增強圖像局部動態對比度，保留圖像細節和形態特征，并抑制噪聲的放大.
CLAHE算法的具體實現步驟如下：
(1)將輸入的圖像分成M×N個不重復的子區域.
(2)對分割的每個子區域的灰度級直方圖進行平均分配后計算結果相同的像素.即平均像素為
其中，Ngray表示子區域中灰度級的總像素，Nx表示每個小區域X軸上的像素數，Ny表示每個小區域Y軸上的像素數.
(3)將每個小區域直方圖中大于K−N的像素數截取，K表示截取系數，并求出截取部分的總像素為PNV，截取過程如圖2所示.然后求出截取到的總像數分配到每個灰度級的像素數為
gongshi2
(4)分別對每個子區域重復步驟(1)(2)(3)以后對得到的每塊子區域裁剪后的新直方圖進行直方圖均衡化，并使用變換函數得到新的灰度值.
1.3Retinex算法
Retinex是通過retina與cortex合成起來的.算法利用高斯濾波器提取物體的反射分量，進行圖像增強后在色彩失真、圖像灰度級范圍達到平衡.近年來許多學者提出多種改進的Retinex[12]算法，其中最為經典的三種為單尺度Retinex算法(SSR)、多尺度加權平均的Retinex算法(MSR)和帶彩色恢復的多尺度Retinex算法(MSRCR)，本文采用MSR算法.
1.3.1MSR算法
MSR多尺度算法的基本公式如下
2基于CLAHE和多尺度Retinex融合的新思想
為了解決受光照不均影響的道路監控圖像，本文考慮到Retinex算法的不足之處，對于光照變化較大的圖像會出現光暈現象導致彩色圖片顏色泛白、失真.而恰好CLAHE算法可以通過直方圖限幅來增強圖像的局部對比度減少光照變化.因此采用兩種算法融合后用做圖像增強的新算法.
2.1CLAHE和多尺度Retinex融合
通常融合后的圖像在保留原始圖像的色彩亮度的同時，需要盡可能的增加細節信息量.融合技術是將多幅圖像中關于同一目標的圖像數據經過圖像處理盡可能提取各自信道中的有利信息來提高圖像的分辨率.目前在遙感、視頻目標識別、醫學等方面有許多應用，尤其為后期目標檢測提供了良好的效果.根據圖像融合層次可分為三個：決策級融合、特征級融合、數據級融合.
數據級融合是高層次圖像融合的基礎，它直接處理傳感器在多個場景下采集的數據，盡可能的保留原始場景.提供其他層系所不能提供的紋理信息，也是當前融合圖像研究的重點之一.常用的方法有加權平均法、小波變換法等.但目前小波變換法存在如何選擇最佳的小波基函數和最優的小波分解層數等難題.而加權平均法(WeightedAveraging，WA)可以將幾幅質量不同的圖像信息直接融合，它具有簡單、直觀、運算速度快的優點，同時可以提高圖像的信噪比.因此本文選取采用像素加權平均法將CLAHE和多尺度Retinex算法分別處理后的圖像進行融合.
2.2融合算法的流程圖
圖3為融合算法的流程圖，具體表現為以下幾步：
(1)首先輸入原始圖像Ii(x,y)，并且畫出其直方圖.
(2)將輸入的彩色圖像Ii(x,y)分成M×N個不重復的子區域，通過公式(1)(2)得到圖像新的灰度級范圍.然后對R、G、B三個通道分別使用adapthisteq()函數進行處理得出限幅自適應均衡化(CLAHE)的圖像X(i,j).
(3)同樣將(1)中的Ii(x,y)進行分解為R、G、B三個通道，將它們的類型變換為double型，并且設定好所需參數.
(4)根據公式(3)、(4)和(5)可以構造高斯函數，并且經過實驗得出三個高斯核用三個尺度來定義.
(5)然后歸一化處理，分別對三個尺度處理進行加權平均.
(6)分別對R、G、B三個通道重復步驟(3)和(4)的處理，最終得到新的彩色圖像Y(x,j).
(7)將CLAHE和多尺度Retinex處理后兩個圖像用圖3中公式計算，取得最終的圖像W(x,j).
3實驗結果對比
本文通過新疆維吾爾自治區交警總隊所采集照片選取其中600張質量較差的圖片做測試，每張像素大小為450×370.測試平臺為Corei5-3230CPU，內存4GB的PC機，所用軟件為matlab2015b.將實驗樣本分別運用CLAHE、SSR、MSR、MSRCR及本文算法等五種算法在道路監控圖像增強的效果做對比，部分圖像增強效果如下圖4所示.
由上述測試結果可知兩張圖片通過(CLAHE)算法增強后雖然圖像的局部對比度有所加強，但是細節恢復并不明顯.通過Retinex算法的三種經典類型處理后圖像的細節得到一定的增強，信息豐富量和圖像亮度也有了明顯的提升，但是可看出處理后的圖像整體泛白，而且由于其非線性變換對比度的拉伸而產生一定的噪聲.在本文算法對圖像增強之后，圖像的細節突出、輪廓清晰.為了驗證本文算法普遍性采用圖像融合的評判標準測評.
3.1客觀評價方法
客觀評價方法通常采用一些可以量化的公式，將計算得到的數據作為圖像質量評價的結果.常用的評價指標有信息熵(Entropy)、均值、標準差(SE)、均方根誤差(RMSE)、平均梯度(AVG)等.信息熵表示圖像信息量多少，值越大信息量越多;均值表示像素大小的平均值;標準差反映像素級的分布情況，值越大融合效果越好;均方根誤差是映現新的圖像與參考圖像之間的不同，區別越小越好;平均梯度表示圖像的紋理和輪廓清晰度，值越大清晰度越好;空間頻率用來衡量圖像在整體空間中像素的活躍結果，同樣值越大融合結果越清楚.采用客觀結合評定結果如圖5所示.
通過圖5各項指標評判結果，能夠清楚看到信息熵、標準差、平均梯度、空間頻率等參數值在幾種算法增強之后，本文提出的算法對參數值提高最大，且均值與均方根誤差值也明顯有所下降，說明本文提出算法比其他幾種算法效果都好.
3.2人臉檢測實驗
為了驗證本文提出的增強算法的有效性，實驗將采集到質量較差的圖片用文章提出的算法增強以后進行人臉檢測.運用改進的方法在600張圖片進行驗證測試，部分人臉檢測效果如圖6所示.
上圖是對不同條件影響下一些質量較差的圖像進行的人臉檢測測試，圖6(a)和(b)是在不同光照下，(c)和(d)是在夜間行駛中，(e)和(f)是在白天行駛中.綜上所述，通過本文方法增強圖像之后，在不同條件下對質量較差的圖像均能檢測出人臉.表1給出增強圖像前后的人臉檢測的指標結果.
由表1可以看出本文算法在與文獻[13]正檢率和檢測時間差不多的情況，誤檢率下降了一半.同時與原圖做對比以后，不僅正檢率和時間有所提升，而且誤檢率明顯下降.實驗說明本文算法在人臉檢測實驗中的有效性，為后期違規識別奠定了堅實的理論基礎.
4結論
本文針對智能交通系統中道路監控圖像質量問題，提出一種將CLAHE與多尺度Retinex算法融合的算法用于彩色圖像的增強.經過對數據庫仿真測試之后，結果表明本文算法彌補兩種圖像增強算法的不足，且保留原圖像的色彩亮度同時細節信息得了增強.通過人臉檢測實驗得出本文算法的有效性，同時有效提高執法的準確率.
參考文獻：
[1] 朱婧雅,王中元. 基于相似場景的低照度監控圖像增強[J]. 計算機應用與軟件，2015，32(01):203-205+210.
[2] RAVI R. Analytic pca construction for theoretical analysis of lighting variability in images of a lambertian object[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(10):1322-1333.
[3] GEORGHIADES A S,BELHUMEUR P N, KRIEGMAN D J.From few to many:illumination cone models for facerecognition under differing pose and lighting[J].IEEE Trans. On PAMI,2001,23(6):643-660.
[4] 張璞,王英,王蘇蘇. 基于CLAHE變換的低對比度圖像增強改進算法[J]. 青島大學學報(工程技術版),2011,26(04):57-60. DOI：10.13306/j.1006-9798.2011.04.011
[5] Celik T, Tjahjadi T. Automatic image equalization and contrast enhancement using Gaussian mixture modeling[J]. IEEE Transactions on Image Processing, 2012, 21(1):145-156.
[6] Wang W, Li B, Zheng J, et al. A fast multi-scale retinex algorithm for color image enhancement[C]// International Conference on Wavelet Analysis and Pattern Recognition IEEE, 2008: 80-85.
[7] Jobson D J,Rahman Z,Woodell G A. A multiscale retinex for bridging the gap between color images and the human observation of scenes[J]. IEEE Trans Image Process, 1997,6(7):965-967.
[8] 王紅,何小海,楊曉敏. 基于模糊理論和CLAHE的霧天圖像自適應清晰化算法[J]. 微電子學與計算機,2012,29(01):32-34.
[9] 李錦,王俊平,萬國挺,等. 一種結合直方圖均衡化和MSRCR的圖像增強新算法[J/OL]. 西安電子科技大學學報,2014,41(3): 103-109.
[10] 范浩如,賈振紅,楊杰,Nikola Kasabov.基于改進的增強Lee濾波的數字全息圖再現像降噪方法(英文)[J]. 新疆大學學報(自然科學版),2017,34(2):183-186.
[11] Lin P H,Shen C T,Lin C C,et al.Contrast Enhancement on Color Images Using Interative Histogram Rearrangement[C]//The 13th IEEE International Symposium on Consumer.Electronics. Piscataway:IEEE,2009:382-386.
[12] Chen Yuanpo,Yeh Shyhan,Huang Yunghui,et al.A region-based Retinex with data filling for the enhancement of electronic portal images[J]. Nuclear Inst.and Methods in Physics Research A, 2013(709):143-153.
[13] 王小明,方曉穎,劉錦高.復雜光照下的自適應人臉圖像增強[J].計算機工程與應用，2011，47(02):15-18.
