摘  要： 戶外視覺系統(tǒng)采集圖像時，容易受到低照度等因素的影響，導(dǎo)致捕獲的圖像退化，視見度降低。本文提出了一種基于雙目立體視覺的圖像增強算法。該算法首先通過立體匹配處理求解場景視差圖像，然后構(gòu)建廣義雙邊濾波估計圖像照度分量，根據(jù)Retinex原理求解圖像反射分量，實現(xiàn)圖像的增強。實驗證明，該算法能夠有效地改善圖像質(zhì)量，提高雙目視覺系統(tǒng)工作的魯棒性和可靠性。

　　關(guān)鍵詞： 圖像增強；Retinex；雙目立體視覺；立體匹配

0 引言

　　雙目立體視覺直接模擬人類雙眼處理景物的方式，可靠簡便，在許多領(lǐng)域均極具應(yīng)用價值，如人機交互、視頻監(jiān)控、智能控制、三維測量、機器人導(dǎo)航與航測以及虛擬現(xiàn)實等。雙目立體視覺是計算機視覺的一個重要分支，其原理是由不同位置的兩臺攝像機或者一臺攝像機（CCD）經(jīng)過移動或旋轉(zhuǎn)拍攝同一幅場景，通過計算機空間點在兩幅圖像中的視差，獲得該點的三維坐標(biāo)值。

　　目前，對于雙目立體視覺的研究主要集中在特征匹配[1-2]、攝像機標(biāo)定、三維重建[3]等方面，對于圖像增強領(lǐng)域卻鮮有研究。在實際應(yīng)用中，普遍采用單幅圖像的圖像增強算法，這類方法對圖像全局進行統(tǒng)一處理，由于沒有考慮場景的景深情況，不能充分校正不同景深區(qū)域的對比度和顏色。

　　針對這個問題，本文提出了一種基于雙目立體視覺的圖像增強算法，主要針對低照度圖像進行處理。該算法首先進行立體匹配操作求解視差圖像，通過視差圖像反映場景的深度信息。根據(jù)Retinex原理[4]，將視差圖像作為反映場景深度的先驗信息，構(gòu)建廣義雙邊濾波估計圖像的照度分量，從而獲得含物體本身特性的反射分量，即增強后的清晰圖像。本文算法假設(shè)場景深度變化主要在于邊緣區(qū)域，而非邊緣區(qū)域深度變化平緩。最后通過實驗證明該算法能夠利用估計的視差信息，充分恢復(fù)不同景深的場景顏色與細(xì)節(jié)信息。

1 本文算法

　　1.1 雙目立體視覺系統(tǒng)

　　雙目立體視覺的基本原理是從兩個視點觀察同一景物，獲取兩幅同一場景的圖像，根據(jù)像素點的相似性計算求解圖像像素間的位置偏差（視差），從而根據(jù)三角形法原理確定三維空間點的深度信息，進而重建景物，這一過程與人類視覺的立體感知過程相類似。

　　雙目視覺系統(tǒng)如圖1所示，焦點分別為O1和O2的兩臺攝像機具有相同的參數(shù)性能，同時光軸互相平行、X軸互相重合、Z軸與左攝像機的光軸重合，兩個攝像機焦距均為f，它們之間的距離為B，I1和I2為左右攝像機的像平面，P1和P2分別是空間點在左右像平面上的成像點。由相似三角形關(guān)系可導(dǎo)出深度信息方程：

　　式中，d=pl-pr為兩幅圖的視差，焦距f通過攝像機標(biāo)定求得。

　　在雙目立體視覺系統(tǒng)中，立體匹配與三維重建等方面的研究最多，而對于圖像增強方面的研究也具有重要的理論與實際意義，它直接影響到匹配操作的精度和速度，同時，通過削弱場景中諸多因素的干擾，如光照條件，能夠為最終的三維重建打下堅實的基礎(chǔ)。

　　由公式（1）可知，通過對左右圖像進行特征匹配，就可以得到其視差信息，結(jié)合已知信息B和f，即可獲得場景中目標(biāo)的深度。因此，本文假設(shè)圖像包含的視差信息能夠較好地反應(yīng)場景深度，將視差信息作為反映場景深度的先驗信息施加到圖像增強處理過程中。

　　1.2 立體匹配

　　立體匹配是尋找同一空間景物在不同視點下投影圖像中像素間的一一對應(yīng)關(guān)系，一般包括匹配代價計算、代價值聚集、視差計算等步驟[5-6]。本文采用自適應(yīng)的方法，結(jié)合SAD（Sum of Absolute Differences）和梯度特征的相似性測度因子[6]進行匹配代價計算，即：

　　式中，x表示圖像像素，N（x）是在x處的3×3的包圍窗口，NH（x）是不包含最左一列的包圍窗口，NV（x）是不包含最下一行的包圍窗口。H表示水平梯度，V表示垂直梯度。此時，匹配代價函數(shù)可以表示為：

　　其中，是最優(yōu)權(quán)值，由最大化可靠對應(yīng)像素的數(shù)量來決定，可靠像素是通過勝者為王（Winner-Takes-All，WTA）準(zhǔn)則來過濾的，公式（4）經(jīng)過閾值法[6]處理之后最終得到初始視差圖像為。在視差圖像計算方面，為了優(yōu)化其結(jié)果，需要對視差圖像進行平滑操作，下面采用的是選擇性模式濾波器（Selective Mode Filter）[7]，從而獲得理想的視差圖像結(jié)果D。本文將視差圖像D引入到圖像增強操作中來。

　　1.3 基于Retinex原理的圖像增強處理

　　基于Retinex理論提出來的圖像增強方法具有高動態(tài)范圍壓縮、局部對比度增強、保持圖像顏色恒常性等優(yōu)點[4]。

　　Retinex理論認(rèn)為一幅圖像可分為兩部分，即一幅圖像I可由反射分量R和照度分量L的乘積表示，即：

　　I（x）=R（x）L（x）（5）

　　其中，照度分量的性質(zhì)取決于光源，決定了圖像的動態(tài)范圍；反射分量的性質(zhì)則取決于成像物體的特性，主要反映了圖像的細(xì)節(jié)信息。Retinex原理的思想實際上就是去除或減少照度分量的影響，獲得包含較多細(xì)節(jié)信息的反射分量。其計算過程在對數(shù)域上進行：

　　logR（x）=logI（x）-logL（x）（6）

　　上述反射分量的求解在數(shù)學(xué)上是一個奇異問題，因此需要把求解問題變成約束最優(yōu)化問題，通過對照度分量的準(zhǔn)確估計進行反射分量的求解。由于照度分量具有局部平滑的性質(zhì)，因此對它的估計可以看作為平滑問題，本文采用廣義雙邊濾波求解照度分量。

　　雙邊濾波的理論是Tomasi和Manduchi[8]于1998年提出的，該理論同時考慮了空間鄰近度與像素值相似度，是一種邊緣保持的非迭代平滑濾波方法。本文采用的廣義雙邊濾波則是結(jié)合了視差值相似度與像素值相似度進行平滑操作，其形式定義為：

　　式中，為高斯函數(shù)，表示隨著視差值差異以及灰度差值的增大，圖像像素的權(quán)重逐漸減小。

　　公式（6）、（7）的計算需要將圖像由RGB顏色空間轉(zhuǎn)換到HSV（Hue，Saturation，Value）顏色空間下，僅對亮度分量進行處理，而獲得的飽和分量與色調(diào)分量保持不變，在獲得反射分量后，再將圖像由HSV顏色空間轉(zhuǎn)換到RGB顏色空間，即可獲得增強后的圖像。

2 實驗仿真與分析

　　為驗證本文算法的有效性，在MATLAB平臺上進行圖像處理實驗，主要針對低照度圖像進行處理。圖2（a）、（b）為存在視差的參考圖像；（c）為獲得的初始視差圖像；（d）為優(yōu)化后的視差圖像；（e）為圖（b）的照度分量；（f）為圖（b）的圖像增強結(jié)果。通過實驗可知，本文算法能夠根據(jù)場景深度的差異，再現(xiàn)場景的真實顏色，以及增強低照度區(qū)域的細(xì)節(jié)信息。

3 結(jié)論

　　本文將雙目立體視覺原理應(yīng)用于低照度圖像的增強上，將視差圖像作為場景深度的先驗信息，在估計圖像照度分量的時候，提供了約束條件，構(gòu)建了廣義雙邊濾波，更加充分地恢復(fù)了圖像細(xì)節(jié)信息。該算法具有較高的魯棒性，能夠較好地改善雙目視覺系統(tǒng)的工作能力，具有廣泛的應(yīng)用前景。

參考文獻

　　[1] 岳陳平，孟麗婭.基于SAD算法的立體匹配的實現(xiàn)[J].微型機與應(yīng)用，2013，32（6）：41-43.

　　[2] 歐陽鑫玉，張娟娟，趙楠楠，等.基于NCC的改進立體匹配算法[J].微型機與應(yīng)用，2015，34（3）：54-57.

　　[3] 趙宏宇，李燕華，侯振杰，等.基于魯棒估計滅點分層重建的研究[J].微型機與應(yīng)用，2011，30（9）：31-35.

　　[4] 肖創(chuàng)柏，趙宏宇，禹晶.基于引導(dǎo)濾波的Retinex快速夜間彩色圖像增強技術(shù)[J].北京工業(yè)大學(xué)學(xué)報，2013，39（12）：1868-1873.

　　[5] SCHARSTEIN D， SZELISKI R. Stereo matching with nonlinear diffusion[J]. International Journal of Computer Vision， 1998，28（2）：155-174.

　　[6] KLAUS A， SORMANN M， KARNER K. Segment-based stereo matching using belief propagation and a self-adapting dissimilarity measure[C]. 18th International Conference on Pattern Recognition， 2006：15-18.

　　[7] LANKTON S. Selective mode filter in Matlab[EB/OL]. （2008-04-12）[2015-05-13]. Http：//www.shawnlankton.com， 2008-04-12.

　　[8] TOMASI C， MANDUCHI R. Bilateral filtering for gray and color images[C]. In： Proceedings of the 6th International Conference on Computer Vision Bombay， India： IEEE， 1998： 839-846.