低照度图像增强的自适应同态滤波算法研究

针对传统同态滤波计算复杂、实时性差、参数多且最优参数获取困难等问题，本文提出一种基于自适应同态滤波的低照度彩色图像增强算法。为避免增强图像颜色失真，基于HSV色彩空间，仅对V分量进行增强处理；结合离散余弦变换(Discrete Cosine Transform, DCT)及指对变换实现图像空间域与频率域的相互转换；基于sigmoid函数构造单参数同态滤波函数，以峰值信噪比(PSNR)和结构相似性(SSIM)为指标，建立一种图像评价模型，并采取等步长间隔法实现最优参数的自适应选取；选取信息熵、平均梯度和对比度对道路及建筑图像进行定量评价，实验结果表明，本文算法可有效校正低照度图像亮度不均问题，提高了图像对比度，图像细节信息得到了进一步丰富。

受光照环境影响，低照度图像存在亮度不均、低对比度等特点，图像整体视觉效果较差[1]。低照度环境下使得图像前景与背景混合到一起，不利于后续的图像处理，图像亮度分布不均、对比度低是低照度环境下图像信息难以提取的主要原因，利用图像增强方法处理低照度图像可以有效解决以上问题。因此，开展低照度图像增强算法研究，校正图像亮度分布、增强图像对比度对于提升图像质量具有重要意义。

同态滤波是一种基于灰度变换和频率滤波的变换域图像增强方法，其通过压缩图像亮度范围、提高图像对比度来提升图像质量[2]。同态滤波的原理最早由Thomas Stockham [3]提出，其主要用以求解非线性滤波问题，同态滤波性能优越，广泛应用于图像去雾[4]、图像亮度校正[5]等多个领域。针对低照度图像亮度不均、对比度差等问题，前人学者提出了多种解决方案。刘佳敏[6]等人提出了一种融合同态滤波与直方图均衡化的方法，可有效提高图像对比度并增强图像细节信息，缺点是有时会增加图像噪声。刘源[7]等人采用不同的滤波函数对图像高低频分量进行滤波处理，接着对高低频分量进行重构得到亮度校正后的图像。张亚飞[8]等人从图像空间局部特性方面研究，提出了一种基于分块DCT 的同态滤波算法， 有效增强了图像质量，性能优于传统同态滤波。

传统同态滤波算法存在参数多、最优参数选取困难等问题，为此，张珂[9]等人提出了一种单参数同态滤波算法，大大降低了参数个数，但其参数仍需人工选取，无法自适应于不同场景的图像。Fan Y [10]等将不同状态下采集的激光图像进行分类，以图像平均亮度为指标实现同态滤波参数的自适应选取，但该方法只针对几种单一场景图像，算法通用性不强，具有一定的局限性。因此，如何根据不同场景采集的图像特性对同态滤波参数进行自适应控制是十分重要的。

针对传统同态滤波计算复杂、实时性差、参数多且最优参数获取困难等问题，本文提出了一种自适应同态滤波算法。本文基于HSV 颜色空间模型[11]，采用同态滤波方法对V 分量进行亮度校正，在不影响图像色彩信息的前提下对光照进行补偿，基于sigmoid 函数构造同态滤波传递函数，建立图像评价方