一种消除光照影响的舰船跑道区域增强方法

摘 要： 光照过强或者过弱都会对舰船跑道直线提取造成严重影响，导致跑道直线提取不完全甚至失败。针对上述情况，提出了一种图像处理算法来消除光照带来的影响同时增强跑道直线的算法。首先将图像灰度均值恢复到光照合适时的水平，然后用一种线性灰度变换算法增大图像的动态范围和对比度，并且根据图像质量改善情况的反馈对这两步多次迭代，直至得到较好的图像跑道增强效果。仿真实验证明该算法较好地消除了光照变化带来的不利影响，并实现了增强舰船跑道线的目的。

关键词： 光照影响消除； 图像处理； 线性灰度变换算法； 舰船跑道

中图分类号： TN911.73?34； TP391.41 文献标识码： A 文章编号： 1004?373X（2014）21?0031?04

Image enhancement method to eliminate illumination influence on runway area on ship

ZHANG Kun， ZHOU Dong?xiang， PENG Ke?ju， FAN Wei?hong， CAI Xuan?ping

（School of Electronic Science and Engineering， National University of Defense Technology， Changsha 410073， China）

Abstract： Illumination can have a significant impact on the appearance of ships’ surfaces， which may lead the incompleteness or even failure in the extraction of the runway. For the above reason， an image processing method for enhancing images of the runway and eliminating illumination influence is proposed. At first， the gray mean value of the image is recovered to the normal level. Then， the dynamic range and contrast of the image are increased with a linear gradation transformation algorithm， and the repeated iteration are made for these two steps according to the feedback of the improved image quality to achieve better results. The simulation results show that the algorithm performs well under variable conditions of illumination， and the purpose of enhancing the runway lines is reached.

Keywords： illumination influence elimination； image processing； linear gradation transformation algorithm； runway on ship

0 引 言

在基于视觉的无人机自主着舰系统设计中，对跑道区域图像中跑道直线的提取是十分必要且关键的一步，它直接影响到后续无人机位置和姿态的估计。而光照变化是影响跑道直线检测的一个重要因素，光照过强或者过弱都会导致跑道直线检测提取的不完全甚至失败。对于目标增强和提取中解决光照问题的一般方法有提取对光照不敏感特征的方法基于建模的方法以及光照补偿法，非线性变换等图像增强技术是光照补偿法中主要的方法。其中提取不敏感特征的方法对光照变化较弱的情况有较好的适应性，文献[1]中采用Gabor镜像提取对光照不敏感的特征，在受光照影响较小的情况下效果较好，但是需要多个尺度和方向的滤波器，导致维数过高，效率过低，而且当受光照影响较大时会影响识别效果。基于建模的方法适用面较广，如文献[2]中对人脸目标滤波建模的方法得到了满意的效果，文献[3]通过建立锥形光照模型来应对光照方向和强度变化所产生的影响，但是都需要前期样本的训练，模型较复杂；文献[4]在对背景纹理的建模中提出一种自回归的模型参数快速更新方法，也有效地抑制了光照变化带来的影响，但不能适用于目标背景区域变化的图像。光照补偿法从图像处理的角度解决光照问题，简单直观，效果显著，获得了广泛的应用。文献[5]提出一种基于小波变换系数融合的图像增强算法，输出图像动态范围广，细节得到增强，但这种算法只适用于低照度的图像，不能解决照度过高情况下图像的增强问题。文献[6]在对夜间图像暗区搜索分割的基础上结合局部对比度增强和直方图均衡实现夜间图像的增强，突出了主要目标景物，轮廓清晰，但同时容易造成虚假边缘。文献[7]利用离散余弦变换达到对人脸图像光照补偿的目的，文献[8]融合直方图均衡化和灰度对数变换的方法也实现了对光照不足或不均情况下图像的增强，文献[9]提出在高通滤波的基础上进行灰度对数变换的方法来增强人脸图像，在改善图像亮度的同时也保留和增强了边缘和细节。这几种方法复杂度低，计算简单，但都同样不能解决高照度下图像增强的问题。本文通过分析光照强弱过量造成图像退化的机理，提出了一种图像恢复技术和图像增强技术相结合的光照补偿算法，改善退化了的图像质量，并且增强了跑道区域跑道直线的特征，对光照强弱过量情况均有较为理想的效果，更加利于后续对跑道直线的提取。

1 算法概述

在图像工程中，把图像质量恶化的图像处理成视觉效果好的图像，有图像恢复和图像增强两大类技术。图像恢复技术是指图像在某种情况或条件下退化了，现在需要根据相应的退化模型和知识重建或恢复原始的图像[10]。图像增强技术是图像分析与处理的一个重要的预处理过程，利用各种数学方法和变换手段来提高图像的对比度和清晰度，以突出人或其他接收系统感兴趣的部分[11]。

可见光摄像头成像受光照的影响，当光照不足或者过强的时候，获取的图像会过暗或者过亮而使得图像的质量变差。同时光照强弱不但影响图像的灰度均值，而且也降低了图像的动态范围和对比度，难以从中提取出目标所具有的特征。本文提出了一种图像恢复和图像增强技术相融合的方法，实现过程如图1所示。

图1 图像恢复和增强技术相融合方法实现过程

首先将跑道区域灰度图像的平均灰度调整到光照合适时的水平，然后通过线性灰度变换来扩张恢复后图像的动态范围，此时图像灰度均值发生偏移，根据灰度均值的偏移情况对这两个步骤迭代进行，不断调整图像的灰度均值和动态范围，最终达到质量较好的恢复图像。

2 基于平均灰度的图像恢复

灰度图像是一个2?D亮度函数，记为[f（x，y）。][f（x，y）]表示图像在空间特定坐标点[（x，y）]位置的亮度[10]。因为亮度实际是能量的量度，所以有：

[0

可见光摄像头捕获的图像是对从目标上反射出的光进行量度而得到的，所以[f（x，y）]基本上由两个因素确定：一是入射到可见场景上光的量；二是场景中目标对入射光反射的比率。它们可分别用照度成分[i（x，y）]和反射系数[r（x，y）]表示。

因为[f（x，y）]与[i（x，y）]和[r（x，y）]都成正比，所以可以认为是由[i（x，y）]和[r（x，y）]相乘得：

[f（x，y）=i（x，y）r（x，y）] （2）

其中：

[0

[0

[i（x，y）]的值是由光源决定的，而[r（x，y）]的值是由场景中的目标特性所决定的[12]。当光照不足或者光照过强时的图像灰度可用下式表示：

[fl（x，y）=ig（x，y）r（x，y）+ic（x，y）r（x，y）] （5）

式中：[ig（x，y）r（x，y）]是光照合适时的图像像素[（x，y）]的灰度值；[ic（x，y）r（x，y）]是偏离正常光照的光照值。当光照不足时，[ic（x，y）]是负值；当光照过强时，[ic（x，y）]是正值，所以光照过弱或者过强都会导致获取的图像像素灰度值偏离图像质量良好时的灰度值，这也是造成图像质量退化的原因。

由于图像中不同物体的反射特性不一致，无法准确知道每个像素灰度值的改变量，但是由于光照强度对图像中每个像素的影响是一致的，所以可以计算出由此引起的图像灰度均值的改变值[13]。通过把图像灰度均值调整到正常光照情况下的灰度均值，可以间接减小退化了的图像像素灰度值相对正常光照情况下的像素灰度值的偏离程度，达到恢复图像的目的。假设图像的宽和高分别为[M]和[N，]式（5）左右两边将图像所有像素值相加再求均值，则可以得到：

[1MNM，Nfl（x，y）=1MNM，Nig（x，y）r（x，y）+1MNM，Nic（x，y）r（x，y）] （6）

将式（6）简写为：

[valal=valag+valac] （7）

其中：

[valal=1MNM，Nfl（x，y）] （8）

[valag=1MNM，Nig（x，y）r（x，y）] （9）

[valac=1MNM，Nic（x，y）r（x，y）] （10）

式中：[valag]是光照合适时的图像灰度均值；[valac]是光照偏差所造成的灰度均值变化量；[valal]是退化了的图像灰度均值。通过大量统计合适光照情况下目标区域的灰度均值，可以确定[valag]值的大小。在本文中的具体情况下，令[valag]的值为130，即把130作为灰度调整的目标值。

得到退化了的图像灰度均值[valal，]由式（7）可求出[valac。]按式（11）来调整退化了的图像像素灰度值，即完成了图像恢复。其中[ft（x，y）]即为图像恢复后图像像素的灰度值。

[ft（x，y）=fl（x，y）+valag-valal] （11）

经过这种图像恢复计算方法，目标区域的亮度得到明显的改变，但是由于数字图像的像素灰度值用有限位量化，在光照过弱或者过强的情况下进行上述恢复方法，会使得某些像素的灰度值达到饱和以及量化误差扩大，从而导致局部本来有灰度值差的像素之间灰度值差变小或消失，造成图像动态范围压缩，对比度降低，不利于突出目标特征。

3 动态范围的扩张

上述图像恢复算法能基本抵消光照强弱带来的灰度均值影响，但是不能把图像的动态范围恢复到光照合适时候的水平。为了在图像恢复之后增强图像的对比度，扩大图像动态范围，常用的图像增强方法是直方图均衡化。传统的直方图均衡化图像增强方法虽然能够增强图像的整体对比度，但是却存在着边缘和细节信息丢失和增强噪声的缺点[14]，使得图像清晰度变差，噪声影响明显。采用一种线性灰度变换的方法，如式（12）：

[fd（x，y）=255ft（x，y）-fminfmax-fmin] （12）

式中：[fmax]是图像恢复后像素最大灰度值；[fmin]是图像恢复后像素最小灰度值；[fd（x，y）]是恢复图像进行线性灰度变换后新的像素灰度值。易见，当[ft（x，y）=fmax]时，[fd（x，y）=255；]当[ft（x，y）=fmin]时，[fd（x，y）=0]，即此线性灰度变换将图像的动态范围拉伸到0～255的区间内，增大了动态范围和对比度，且不会出现灰度“归并”现象，边缘和细节信息得到了保留，不会造成噪声的放大以及图像清晰度的损失。

4 变化步长的迭代

在对恢复的图像进行灰度变换之后，图像的动态范围和对比度明显增大，但是同时由于灰度拉伸的原因，灰度均值也发生了变化，导致图像可能偏亮或者偏暗。此时，仍采用上述图像恢复方法，根据当前图像灰度均值相对光照合适时候灰度均值的偏移，在第一次图像恢复的基础上将其叠加到原始图像灰度均值改变量，以新的灰度均值改变量完成图像恢复，然后再进行灰度变换，如此迭代，直到多次经过这两步操作后图像的灰度均值到达一个合适的区间之内，这里定为120～140，则算法停止迭代，得到：

[ft（x，y）=fl（x，y）+n=1n（valag-valad（n-1））] （13）

式中：[n]是算法迭代次数；[valad（n-1）]是以上两个步骤[n]次迭代后的灰度均值，当[n=1]时，[valad（n-1）=valad（0）=valal。]

为了防止原始图像在经过多次图像恢复后灰度均值累积改变量过大，导致过多甚至全部图像像素灰度值达到饱和，随着迭代次数增加适当减小灰度均值的调整值，将式（13）变为：

[ft（x，y）=fl（x，y）+n=1n2n+1（valag-valad（n-1））] （14）

假设在某次迭代中，图像的灰度均值在灰度变换后直接跨过合适区间，迭代就有可能陷入死循环。此时，撤销此次迭代中图像恢复的操作，将此次恢复操作中灰度均值偏移量减小一半，再进行灰度变换，直到得到的图像灰度均值落在规定的合适区间内，迭代结束。

5 实验结果及分析

测试图像为可见光摄像头分别在光照强度过弱和过强的条件下捕获的目标区域图像，如图2～图6所示。算法在Visual C++ 2010上编程实现。

图2 光照过弱条件下测试图像

首先对测试图像的灰度图像进行图像恢复操作，结果如图3所示，图像的亮度得到明显改善，但是动态范围和对比度仍然较低，图中的跑道线灰度值与周围像素灰度相差不大，难以使其与周围直接区分开来。

图3 图像恢复后效果

为了增强恢复后图像的对比度，对图像恢复后的结果进行线性灰度变换，处理效果如图4所示。

图4 图像增强后效果

从图4可以看出，目标区域的对比度得到了较好的增强，图像更加清晰，跑道线与周围的区分更加明显。但同时图像的亮度有所降低，与光照合适时的水平有一定差距。应用上述变化步长的迭代规则对上述图像恢复和图像增强算法进行迭代，直至得到的灰度均值落在区间之内，迭代结束，最终结果如图5所示。图像不仅在亮度上得到了很好的提升，接近正常光照水平，而且动态范围和对比度得到充分的扩大，突出了跑道直线，非常有利于后续对目标区域中跑道线的提取。

图5 应用迭代算法后效果

对光照很强条件下的目标区域应用本算法，也取得了较为理想的结果，如图6，图7所示。

图6 光照过强条件下测试图像

6 结 语

从以上的分析和实验结果可以看出，将改变灰度均值的图像恢复方法和线性灰度变换的图像增强方法相融合，可以很好地消除光照过弱或者过强带来的不利影响，同时突出了目标区域跑道线的特征。通过提出的迭代规则，使得此方法对光照强弱过量情况均具有较强的鲁棒性。

图7 应用迭代算法效果

参考文献

[1] 赵英男，耿焕同，傅德胜，等.光照变化条件下不敏感特征的提取[J].武汉理工大学学报，2010，32（16）：11?14.

[2] ARANDJELOVI? O， CIPOLLA R. A methodology for rapid illumination?invariant face recognition using image processing filters [J]. Computer Vision and Image Understanding， 2009， 113（2）： 159?171.

[3] GEORGHIADES A S， BELHUMEUR P N， KRIEGMAN D J. From few to many： illumination cone models for face [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2001， 23（6）： 643?660.

[4] 赵旭东，刘鹏，唐降龙，等.一种适应户外光照变化的背景建模及目标检测方法[J].自动化学报，2011，37（8）：915?922.

[5] 杨晓东，郭晓婷，袁仁坤，等.基于小波变换的低照度图像增强新算法[J].软件导刊，2013，12（12）：74?76.

[6] 黄华，王孝通，蒋永馨，等.暗区分割算法在夜间图像增强中的应用[J].激光与红外，2009，39（4）：443?446.

[7] LIAU Heng Fui， ISA Dino. New illumination compensation method for face recognition [J]. International Journal of Computer and Network Security， 2010， 2（3）： 5?12.

[8] 魏冲冲，王小鹏，闫建伟，等.一种消除光照影响的人脸识别方法[J].电子测试，2012（7）：19?23.

[9] LIU Hong， GAO Wen， MIAO Jun， et al. A novel method to compensate variety of illumination in face detection [C]// Proceedings of the 6th Joint Conference on Information Science. North Carolina， USA： JCIS， 2002： 692?695.

[10] 章毓晋.图像工程（上册）[M].北京：清华大学出版社，2006.

[11] GOZALEZ R C. Digital image processing [M]. 2 ed. Beijing： Publishing House of Electronics Industry， 2003.

[12] 俞斯乐.电视原理[M].北京：国防工业出版社，2000.

[13] 陶志锋.一种改善受光照影响而恶化的图像质量的方法[J].制导与引信，2009，30（3）：52?55.

[14] 张琳梅，潘，张雪峰.基于直方图均衡化图像增强的改进方法[J].电子世界，2013（17）：99?100.