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(qiáng)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(jì)圖像照度分量,，根據(jù)Retinex原理求解圖像反射分量，實(shí)現(xiàn)圖像的增強(qiáng),。實(shí)驗(yàn)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(qiáng),；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(jī)交互,、視頻監(jiān)控、智能控制,、三維測量,、機(jī)器人導(dǎo)航與航測以及虛擬現(xiàn)實(shí)等。雙目立體視覺是計(jì)算機(jī)視覺的一個重要分支,，其原理是由不同位置的兩臺攝像機(jī)或者一臺攝像機(jī)（CCD）經(jīng)過移動或旋轉(zhuǎn)拍攝同一幅場景,，通過計(jì)算機(jī)空間點(diǎn)在兩幅圖像中的視差，獲得該點(diǎn)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(jī)標(biāo)定,、三維重建[3]等方面,，對于圖像增強(qiáng)領(lǐng)域卻鮮有研究。在實(shí)際應(yīng)用中,，普遍采用單幅圖像的圖像增強(qiáng)算法,，這類方法對圖像全局進(jìn)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(qiáng)算法,，主要針對低照度圖像進(jìn)行處理,。該算法首先進(jìn)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(yàn)信息，構(gòu)建廣義雙邊濾波估計(jì)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(qiáng)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(shí)驗(yàn)證明該算法能夠利用估計(jì)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(diǎn)觀察同一景物,，獲取兩幅同一場景的圖像，根據(jù)像素點(diǎn)的相似性計(jì)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(diǎn)的深度信息,，進(jìn)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(diǎn)分別為O1和O2的兩臺攝像機(jī)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(jī)的光軸重合，兩個攝像機(jī)焦距均為f,，它們之間的距離為B,，I1和I2為左右攝像機(jī)的像平面，P1和P2分別是空間點(diǎn)在左右像平面上的成像點(diǎn),。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(jī)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(qiáng)方面的研究也具有重要的理論與實(shí)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?yàn)樽罱K的三維重建打下堅(jiān)實(shí)的基礎(chǔ)。

　　由公式（1）可知，通過對左右圖像進(jìn)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(yàn)信息施加到圖像增強(qiáng)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(diǎn)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(jì)算、代價值聚集,、視差計(jì)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(jìn)行匹配代價計(jì)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(jì)算方面,，為了優(yōu)化其結(jié)果,，需要對視差圖像進(jìn)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(qiáng)操作中來。

　　1.3 基于Retinex原理的圖像增強(qiáng)處理

　　基于Retinex理論提出來的圖像增強(qiáng)方法具有高動態(tài)范圍壓縮,、局部對比度增強(qiáng),、保持圖像顏色恒常性等優(yōu)點(diǎn)[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(shí)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(jì)算過程在對數(shù)域上進(jìn)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(jì)進(jìn)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(jì)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(jìn)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(jì)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(jìn)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(qiáng)后的圖像,。

2 實(shí)驗(yàn)仿真與分析

　　為驗(yàn)證本文算法的有效性，在MATLAB平臺上進(jìn)行圖像處理實(shí)驗(yàn),，主要針對低照度圖像進(jìn)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(qiáng)結(jié)果,。通過實(shí)驗(yàn)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(shí)顏色,，以及增強(qiáng)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(qiáng)上，將視差圖像作為場景深度的先驗(yàn)信息,，在估計(jì)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(xiàn)

　　[1] 岳陳平，孟麗婭.基于SAD算法的立體匹配的實(shí)現(xiàn)[J].微型機(jī)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(jìn)立體匹配算法[J].微型機(jī)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(jì)滅點(diǎn)分層重建的研究[J].微型機(jī)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(qiáng)技術(shù)[J].北京工業(yè)大學(xué)學(xué)報(bào)，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.