赵 洁

（青岛市技师学院 山东 青岛 266229）

0 引言

受实际拍摄环境条件的影响，多媒体平面图像的色彩强度会呈现出低饱和度的特征，不仅影响图像的质量，对于图像中目标的识别也极为不利[1]。多媒体平面图像会受到光线和周围环境因素的制约，造成图像信噪比较低、对比度较差和分辨率较低的情况，这将使图像的后续处理变得更加困难。由于低照度图像的自身灰度值较低，所以其目标之间的细节灰度差别较小，无法有效分析具体识别目标的特征。在图像处理过程中，图像的色彩增强对改善图像的质量起着非常关键的作用，因此针对低照度图像色彩明亮度较暗、对比度清晰度较低、黑暗连通区范围较大的问题，实施对应的色彩增强措施是十分必要的[2]。就现阶段而言，该部分研究已经取得了一定的成果，其中，马铖旭等[3]以逆光图像为研究对象，提出了一种建立在卷积神经网络基础上的图像增强技术，大大提高了图像色彩的饱和度，并且未对图像的原有信息造成影响，但是其主要是以逆光图像为目标，在使用性上存在一定的局限性。彭晏飞等[4]以低照度遥感图像为研究目标，通过构建条件生成对抗网络，实现了对图像的增强处理，但是其在实际应用阶段表现出了较强的衰落属性。刘寿鑫等[5]通过对彩色模型空间进行融合处理，实现了对非线性低照度图像的有效增强，提高了图像的质量，但是对于光线基础条件较差的图像，其增强效果仍存在一定的提升空间。通过上文的研究不难看出，对于低照度图像的色彩增强处理还需要进一步探索和研究[6]。

为此，本文提出基于改进小波变换的低照度多媒体平面图像色彩增强方法，在对原有的小波变换技术进行适应性改进的基础上，达到对低照度多媒体平面图像色彩增强的目的，并通过对比测试分析验证了设计增强方法的有效性。借助本文的研究，希望可以为相关低照度图像的处理工作提供有价值的参考。

1 低照度多媒体平面图像色彩增强处理

为了提升低照度图像的色彩明亮度、改善图像对比清晰程度、缩小黑暗连通区范围，需要对低照度多媒体平面图像色彩进行增强处理。通过Mean Shift算法计算图像色彩空间像素点分布情况，根据参数数值结果调整漂移向量，实现低照度图像色彩分割，优化图像协调性。通过改进小波变换的方式，将色域关系和空域关系融合到算法，完成对低照度图像的像素信息界定，以此实现低照度图像色彩分割后的各个单元具有一定的像素信息内积属性，提升低照度多媒体平面图像色彩增强处理效果。

1.1 低照度图像色彩分割

一般情况下，在对图像进行色彩增强处理时，会参考图像为基础对其处理程度进行校正[7]，而一张低照度图像本身，在照度上也是存在一定差异的[8]。为了确保增强后的图像能够具有更高的协调性，本文首先采用Mean Shift算法对低光照图像进行图像色彩分割处理。

假设待增强的图像在色彩空间内包含n个样本点，对应的空间维度为R。那么对于任意一个像素点 x而言，其对应的Mean Shift向量可以表示为

其中，表示像素点x的漂移向量的均值，（xi-x）表示像素点x相对于xi点的漂移向量，Rmax和Rmin分别表示空间维度的最大值和最小值，表示图像像素点的密度梯度。

按照式（1）所示的方式，即可计算得到图像的Mean Shift向量。在此基础上，本文实施对低照度图像的色彩分割时，以每个像素点一定邻域内的漂移向量均值为基础参数，按照向量大小和偏移方向完成对其的分割，其计算方式可以表示为

其中，Pi表示图像Mean Shift向量的拟合参量，sim表示相似函数，以此为基础完成低照度图像色彩分割。为了确保增强处理后图像的质量，本文以0.90为尺度标准，对图像进行分割，提高图像目标的色彩特征，为后续图像增强提供技术支持。

1.2 基于改进小波变换的图像增强

在完成对低照度图像的分割处理后，我们需要对增强低照度多媒体平面图像色彩进行分析。本文采用改进小波变换的方式实现对各个分割单元的增强，在传统小波变换算法中，只有当图像增强的像素点均匀地分布在图像上时才能够达到预期效果[9]，而实际上，低照度图像的像素点是存在稠密之分的[10]。为此，本文将在小波变换中引入了色域关系和空域关系两个参数，分别体现当前和未来像素点在颜色和空间位置上与参考图像的关系。通过优化图像色域关系可以扩大颜色数量所构成的范围区域，以此缩小黑暗连通区范围面积。空域关系可以增强图像的细节内容识别能力，有效保留低照度图像的主体轮廓，以此提升图像对比清晰度。因此，采用改进小波变换算法，扩大像素信息内积，增强图像的色彩信息识别能力，有效解决图像色彩明亮度、对比度清晰、黑暗连通的问题。

首先，按照1.1部分的分割结果，以分割区域内的照度信息均值为尺度单位，对其像素信息进行内积，其计算方式可以表示为

其中，W（Pi，li）表示对Pi分割部分像素信息的内积结果，li表示Pi对应分割部分的照度均值，a表示像素的概率密度，x（d）表示像素的空域关系，s（c）表示像素的色域关系，φ表示分割部分在图像整体中的贡献程度系数，l表示分割部分像素的具体照度信息。

在此基础上，按照参照图像的色彩信息，对Pi分割部分像素信息的内积结果进行增宽，并且保持原有的内积值不变，其计算方式可以表示为

其中，W＇（Pi，li）表示增宽后的Pi分割部分像素信息内积结果，ω表示参照图像的色彩信息。以计算得到的像素信息为基准，实现对各个分割单元的色彩增强处理。至此完成了基于改进小波变换的低照度多媒体平面图像色彩增强方法的设计，可以有效增强图像细节处理能力，提升低照度图像的亮度，实现低照度图像整体色彩增强的目的。

2 试验测试

为了分析验证本文所提图像增强方法的有效性，进行了对比试验，其中，对照组分别为马铖旭等[3]提出的基于卷积神经网络的逆光图像增强方法，彭晏飞等[4]提出的基于条件生成对抗网络的低照度遥感图像增强方法以及刘寿鑫等[5]提出的融合彩色模型空间的非线性低照度图像增强方法。

2.1 测试数据

考虑到不同低照度情况，在The MNIST Database（http://yann.lecun.com/exdb/mnist/）图像识别数据集中，随机选择100组示例图像作为测试集。为了提高测试效率，对100组示例图像进行测试用例，通过Bug循环记录的方式完成示例图像测试，为后续实际实验提供支持。本文在完成示例图像测试数据集中，随机选择2组测试图像作为测试对象，具体如图1所示。

图1 测试图像信息

如图1所示，2组测试图像均存在照度差异较大的问题，图像1-a的近景的照度较低，远景的照度较高，图像1-b整体照度相对较低，在局部光源的作用下，其图像照度波动明显。

本文分别采用4种方法进行色彩增强处理，设置的评价指标包括五个具体内容：第一是信息熵，信息熵的值越大，则色彩增强后的图像中携带的信息越多；第二是标准差，标准差越高，图像的细节信息提升效果越明显；第三是平均梯度值，平均梯度值越高，图像的清晰度越高；第四是结构相似度，结构相似度越高，增强后的图像与标准参考图像的一致性越强；第五是峰值信噪比，峰值信噪比越高，图像的质量越高。

以此为基础，对4种方法的测试结果进行比较。

2.2 测试结果与分析

以上述构建的五种评价指标为基础，统计了4种低照度图像增强方法的测试结果，具体如表1、表2所示。

表1 图像1-a增强效果统计表

表2 图像1-b增强效果统计表

结合表1和表2中的测试结果可以看出，对比4种增强方法的处理效果，马铖旭等[3]方法的处理结果中，最终图像的信息熵相对较低，2组测试结果的值均在8.00以下，表明色彩增强后的图像中的信息出现了丢失，导致其携带的信息相对较少；彭晏飞等[4]方法的测试结果中，结构相似度和峰值信噪比均明显低于另外三种测试方法。这表明色彩增强后的图像与标准参考图像之间存在一定的差异，这与图像的质量直接相关，质量越低，对应的特征丢失越明显，与标准参考图像的一致性也就越低；刘寿鑫等[5]方法的测试结果中，同样在结构相似度上表现出了一定的不足，2组测试结果的最大值仅为0.552 0，最小值仅为0.447 3，这表明利用其对图像进行增强处理过后，同样造成了与标准参考图像之间差异，而其他检测指标所处水平相对稳定，那么出现该情况的原因可能是增强尺度设置的合理性较低。相比之下，采用本文方法处理后的图像，对于设置的评价指标均表现出了较好的效果，其中，信息熵始终稳定在8.00以上，标准差不低于70.00，且最大值达到了72.095 1，平均梯度值稳定在16.00～17.00，并且结构相似度和峰值信噪比均对照组。测试结果表明，本文提出的基于改进小波变换的低照度多媒体平面图像色彩增强方法可以实现对图像的有效处理。

3 结语

低照度图像本身包含的信息是相对完整的，但是受光线条件的影响，较难实现对其直接读取。因此，对其实施合适的色差增强处理技术成了提高其利用价值的重要手段。本文提出基于改进小波变换的低照度多媒体平面图像色彩增强方法，利用小波变换在图像信息处理上的优势，针对低照度图像的特征对其进行适当改进后，大大提高了最终的处理效果。处理后图像的信息得到了更大程度上的保留，并且图像的细节信息也得到了有效提升，在保障其与标准参考图像一致性的基础上，图像的清晰度和质量均处于较高水平。