1. No category

15vo CONGRESO NACIONAL DE INGENIERÍA
ELECTROMECÁNICA Y DE SISTEMAS (CNIES 2015)
ARTÍCULO No. IE-8
ARTÍCULO ACEPTADO POR REFEREO
Implementación del modelo Retinex con
corrección de color para mejorar la iluminación
y el color de imágenes capturadas en
condiciones de contaminación ambiental
M. Dehesa González, A. J. Rosales Silva, F. J. Gallegos Funes, S. Souverville Orozco, I.V. Hernández
Gutiérrez, L. V. Lozano Vázquez.

I. INTRODUCCIÓN
Resumen—
Una característica de los sistemas de
procesamiento de imágenes digitales utilizados por cámaras de
video y de fotografía, es que al existir contaminación o cambios
de iluminación en el medio ambiente debido a fenómenos como la
neblina, la contaminación ambiental, o la lluvia estos se
comportan como un filtro para determinadas longitudes de onda
de la luz, provocando que la imagen capturada por la cámara
fotográfica o de video sean modificados los colores reales de los
objetos. Una propuesta para poder obtener el color verdadero de
las imágenes capturadas en ambientes con contaminación
ambiental es utilizar el modelo Retinex, que mejora la
iluminación de la imagen y además agregar un algoritmo de
corrección de color. El algoritmo Retinex tiene la ventaja de
modelar un fenómeno propio del Sistema de Visión Humano
(HVS) llamado constancia del color. En este trabajo se propone
utilizar el algoritmo Retinex para mejorar la iluminación de la
imagen y un algoritmo de corrección de color para identificar el
color real de los objetos presentes en una imagen.
P
ara poder capturar imágenes nítidas los diferentes sistemas
electrónicos como los encargados del procesamiento de
imágenes en donde se realiza el reconocimiento de placas
de automóviles, reconocimiento de rostros, sistemas de
navegación y otros, es importante tener un grado de visibilidad
aceptable, en donde se puedan observar los diferentes
elementos de los que está compuesta la imagen. Pero en
condiciones reales la claridad de una imagen capturada es
variable dependiendo de las condiciones ambientales como la
neblina, la lluvia o el smog en donde se realice la captura de la
imagen.
El modelo Retinex propuesto por el Dr. E. Land [1] tiene la
característica de poder imitar al sistema de visión humano
(HVS) y en particular poder reproducir el fenómeno llamado
constancia del color o también conocido como adaptación
cromática, gracias a este fenómeno es posible que el ser
humano pueda identificar el color real de un objeto
independientemente del color de la fuente de iluminación [1].
Por ejemplo si un espacio es iluminado por un foco de
filamento de tungsteno, el tipo de luz que ilumina el objeto es
una luz cálida, y lo que observaremos es que los objetos que
están dentro del espacio iluminado conservan sus respectivos
balances de color. Lo mismo pasara si iluminamos el espacio
con una luz fría, verde, azul, etc. Este fenómeno fue
demostrado por primera vez por el Dr. Edwin H. Land [1]. Su
investigación nació como una forma de explicar cómo es que
el HVS interpreta los colores y en la actualidad sigue siendo
un tema de investigación y que además tiene muchas
aplicaciones en el campo de la radiografía médica, la
fotografía subacuática, fotografía forense, entre otras [2].
Palabras Clave— Contraste, Retinex, Luminosidad, Color.
Abstract— A characteristic problem of digital image
processing systems that use video and photograph cameras, is
that these systems depend of the environment illumination. The
proposal to improve the color of the images captured in
environments with pollution is to use the Retinex model by
improve the illumination of the image and use a color correction
algorithm to improve the image.
The Retinex algorithm has been implemented with different
characteristics such as changing the lightness and contrast of
color. In this paper we propose using Retinex algorithm to
improve image lightness and a color correction algorithm to
improve the image color.
Keywords— Contrast, Retinex, Lightness, Color.
En este trabajo de investigación se propone el algoritmo
Retinex Multi-escala con corrección de color como un método
para mejorar la cromaticidad de imágenes capturadas en
condiciones en donde el medio ambiente impide la
iluminación de la escena.
IPN-SEPI ESIME Zacatenco
México D.F., 19 al 23 de octubre 2015
1
15vo CONGRESO NACIONAL DE INGENIERÍA
ELECTROMECÁNICA Y DE SISTEMAS (CNIES 2015)
ARTÍCULO No. IE-8
ARTÍCULO ACEPTADO POR REFEREO
de forma aleatoria. Este proceso es aplicado a cada una de las
capas de color (RGB) [6].
II. IMÁGENES Y MODELO RETINEX UTILIZADO
Las imágenes utilizadas para realizar el procesamiento con las
diferentes implementaciones del algoritmo Retinex, son
extraídas de diferentes medios de digitalización como son
cámaras fotográficas, celulares y de video en condiciones
reales en donde no existe el control sobre el clima ambiental.
El modelo Retinex tiene la característica de utilizar operadores
matemáticos que modifica la imagen de manera que asemeja
el fenómeno de constancia del color presente en el HVS. La
constancia del color es un fenómeno que es deseable en la
digitalización de imágenes, debido a su característica de poder
identificar el color real de los objetos sin importar las
características de la fuente luminosa. Para cumplir este
propósito existen diferentes caminos que hasta el momento se
sigue investigando y mejorando el modelo Retinex [3].
Estos modelos Retinex reciben como valores de entrada los
valores de los canales rojo, verde y azul de cada pixel, en
donde lo que realiza el modelo Retinex es realizar la
estimación de la reflectancia en cada pixel, con el propósito
poder identificar después la fuente luminosa, lo que permite
conocer la intensidad presente en cada pixel de la imagen
digitalizada.
Modificando la ecuación (1), se llegó a un modelo
denominado Multi-escala, en este modelo la identificación del
color se realiza de una manera más dinámica debido a que el
algoritmo trata de reducir los cambios bruscos en la
iluminación, en donde la salida está definida por la ecuación
(2). Este modelo Multi-escala es propuesto por D. Jobson [4],
(2)
donde i nos representa un canal de tres posibles (RGB). N son
el número de escalas,
es el peso de cada escala asociado a
una función envolvente
que es igual a la ecuación
(3), * expresa la convolución, (x,y) son las coordenadas del
pixel, I es la imagen actual,
es la salida del proceso.
.
Donde es la desviación estándar típica de las envolventes
Gaussianas y su magnitud controla la extensión de la
envolvente, y toda la función es normalizada según Cn.
III. CONSTANCIA DEL COLOR
La constancia del color es un mecanismo que le permite al
HVS identificar el color verdadero de los objetos
independientemente del tipo de la fuente luminosa, por
ejemplo, desde un punto de vista fotométrico, un objeto de
color rojo que se encuentra bajo una fuente luminosa en color
verde, deberá producir la misma distribución espectral que un
objeto en color verde bajo una fuente luminosa de color rojo.
Pero aún bajo estas condiciones, el color del objeto permanece
estable sin importar los cambios en la longitud de onda de la
fuente luminosa, este fenómeno es propio del HVS [4].
Este fenómeno es el encargado de separar la reflectancia de la
iluminación de la escena, la cual puede definir la característica
espectral de la iluminación, y de esta manera aproximar el
valor de la reflectancia. La constancia del color desde el punto
de vista de la percepción del HVS utiliza la distribución
espacial y cromática de cada pixel para definir la apariencia de
la escena [5].
V. RETINEX MULTI-ESCALA CON CORRECCIÓN DE COLOR
(MSRCR)
La investigación del color ha generado diferentes teorías sobre
la naturaleza de los componentes de color de las imágenes,
una de estas teorías es llamada -mundo es gris-, esta teoría
supone que el valor promedio de las variaciones de color del
que está compuesta la imagen debe promediar un tono gris en
común [7]. En imágenes en donde se encuentra un color
dominante, el algoritmo Retinex multi-escala puede dar como
resultado una imagen grisácea debido a la disminución de
saturación del color. Para poder corregir esta característica de
domino de algún color se propuso modificar la salida del
modelo MSR multiplicándolo por una función de restauración
de cromaticidad en la imagen [4]. Para esto el primer paso
será calcular las coordenadas de cromaticidad como se
muestra en la ecuación (4).
(4)
IV. DESCRIPCIÓN DEL ALGORITMO RETINEX
El algoritmo Retinex tiene la característica de mejorar las
condiciones visuales como la luminosidad y contraste de las
imágenes digitalizadas cuando estas se capturaron en
condiciones de baja iluminación, como se muestra en la
ecuación (1). Este algoritmo imita la adaptabilidad cromática
y de luminancia local de cada pixel para aproximarse a los
colores reales presentes en la escena.
.
En donde i nos representa el canal en el que nos encontramos,
S nos indica el número de canales utilizados por la imagen,
por lo general S=3 en el espacio de color RGB. La ecuación
del algoritmo Retinex multi-escala con corrección de color
está dada por la ecuación (5).
(5)
(1)
En donde
Donde (L) representa la luminancia de un punto ( ),
influenciado por N puntos ( ), los cuales serán seleccionados
México D.F., 19 al 23 de octubre 2015
(3)
se define en la ecuación (6)
.
2
(6)
15vo CONGRESO NACIONAL DE INGENIERÍA
ELECTROMECÁNICA Y DE SISTEMAS (CNIES 2015)
ARTÍCULO No. IE-8
ARTÍCULO ACEPTADO POR REFEREO
color promedio en la imagen o lo que es la cromaticidad de la
imagen, como se muestra en las Figuras 1,2, y 3.
VI. MÉTODO DE EVALUACIÓN
Los métodos de evaluación utilizados para medir la calidad de
una imagen están muy relacionados con la comparación de
una versión original o bajo algún criterio de imagen ideal que
se propone en la literatura, la cuantificación de la distorsión de
las imágenes es necesaria en diversos campos del
procesamiento de imágenes. Pero la cuantificación del color
incorpora elementos psicofísicos relacionados con la
percepción humana que computacionalmente la evaluación se
vuelve compleja. Sin embargo, los criterios basados en
modelos de sistemas de visión humana tienen mejores
resultados en comparación con las evaluaciones basadas en la
distorsión de la imagen [8].
Para realizar la evaluación de los modelos Retinex se utiliza el
espacio de color CIELab, principalmente por su uniformidad
de percepción. El espacio de color CIELab establece que para
observar los colores, estos deben observarse bajo un fondo que
va del color blanco al gris con una fuente de iluminación
estándar tipo D65 que es una fuente de luz con características
similares a la luz en el medio día, y la cual tiene una
temperatura de 6,504 °K [9]. Cualquier fuente que cumpla con
estos datos se le denomina fuente D65. El espacio de color
CIELab es el modelo cromático utilizado para describir todos
los colores que puede percibir el ojo humano. Este modelo
está representado por tres parámetros, la luminosidad del color
(L), la posición que existe entre el color verde y rojo (a), y la
posición entre el color azul y amarillo (b) [10].
La cromaticidad es atributo de las imágenes que se encuentra
relacionado con la intensidad del color, y que también es
parte de las coordenadas cilíndricas del espacio CIELab, en
donde esta característica está representada por un vector de
magnitud entre dos componentes cromáticas del espacio de
color CIELab.
El cálculo de los vectores a, y b se calculas como se muestra
en la ecuación (7) [9].
Figura 1a. Cromaticidad:
20.45
Figura 1b. Cromaticidad:
21.78
Imagen original
Simple MSRCR
Figura 2a. Cromaticidad:
22.06
Figura 2b. Cromaticidad:
23.55
Figura 2. La Fig. 2a se observan como las condición de la
neblina impide ver claramente la carretera, y al ser procesada
por el algoritmo MSRCR podemos ver el incremento de
cromaticidad en la imagen así como el aumento del promedio
de cromaticidad como se muestra en la Fig. 2b.
Imagen original
Retinex MSRCR
El vector de cromaticidad en el espacio CIELab está
representado por la magnitud de la distancia existente entre los
vectores a y b. Que nos indica que a un mayor valor del vector
de cromaticidad, el color de la imagen es más saturado o el
color es más intenso. Por lo tanto, entre mayor sea el promedio
de cromaticidad presente en la imagen, el color resultante de la
imagen procesada será mejor [11]. La forma de obtener el
valor promedio de este vector se observa en la ecuación (8).
Figura 3a. Cromaticidad:
23.13
(8)
Figura 3b. Cromaticidad:
24.52
Figura 3. En la Fig. 3a la contaminación ambiental produce
zonas grises, y en la imagen procesada con MSRCR podemos
observar como la imagen contiene más color como se muestra
en el resultado de cromaticidad de la figura 3b.
VII. RESULTADOS
En los resultados obtenidos podemos observar la modificación
de la luz incidente sobre cada objeto presente en la escena y
también se muestra el resultado de evaluar el contenido de
México D.F., 19 al 23 de octubre 2015
Retinex MSRCR
Figura 1. La Fig. 1a fue capturada en condiciones de lluvia, y
la Fig. 1b muestra el resultado del algoritmo MSRCR.
(7)
.
Imagen original
3
15vo CONGRESO NACIONAL DE INGENIERÍA
ELECTROMECÁNICA Y DE SISTEMAS (CNIES 2015)
ARTÍCULO No. IE-8
ARTÍCULO ACEPTADO POR REFEREO
Para realizar la evaluación las imágenes inicialmente se
encontraban en el espacio de color RGB y se cambiaron al
espacio de color CIELab para poder utilizar la ecuación (8),
para obtener las componentes a y b de cada pixel, finalmente
se promedia el valor existente en la imagen procesada que
tiene dimensiones M x N.
[11] V. Tsagaris, G. Ghirstoulas y V. Anastassopoulos, «A
Measure for Evaluation of the Information Content in color
images.,» IEEE Inter. Conf. Imag. Process., 2005.
XI. BIOGRAFÍA
M. en C. Mario Dehesa González
Ingeniero en Comunicaciones y Electrónica
M. en C. en Ingeniería Electrónica.
Actualmente estudiante de Doctorado Comunicaciones y
Electrónica.
VIII. CONCLUSIONES
Los resultados obtenidos muestran como el algoritmo MSRCR
mejorar la cromaticidad y la iluminación de imágenes
capturadas en ambientes desfavorables como la neblina o la
lluvia que filtran la luz y no permite capturar el color de los
diferentes objetos que se encuentran presentes en la escena.
Este algoritmo es una herramienta que puede ser útil en
diferentes campos en donde la contaminación ambiental oculta
detalles presentes en la imagen capturada.
Ing. Samuel Souverville Orozco
Ingeniero Aeronáutico
Actualmente estudiante de Maestría en Ingeniería Electrónica.
M. en C. Isabel Virginia Hernández Gutiérrez
Ingeniera en Mecatrónica.
M. en C. en Mecánica
Actualmente estudiante de Doctorado en Comunicaciones y
Electrónica.
IX. AGRADECIMIENTOS
Los autores agradecen al Instituto Politécnico Nacional, a la
Sección de estudios de Estudios de Posgrado e Investigación
de la Escuela Superior de Ingeniería Mecánica y Eléctrica
Unidad Zacatenco, al Consejo Nacional de Ciencia y
Tecnología por el apoyo brindado.
Ing. Lucero Verónica Lozano Vázquez.
Ingeniera en Robótica Industrial.
Actualmente estudiante de Maestría en Ingeniería Electrónica
X. REFERENCIAS
[1] E. H. Land y J. J. McCann, «Lightness and Retinex
Theory,» Journal of the Optical Society of America, 1971.
[2] G. Hines, U. Rahman y G. Woodell, «Single-Scale
Retinex Using Digital Signal Processor,» Global Signal
Processing Expo (GSPx), 2004.
[3] J. M. Morel, A. B. Petro y C. Sbert, «Fast
implementation of color constancy algorithms,» SPIE, vol.
7241, 2009.
[4] D. J. Jobson y Z. Rahman, «A multiscale Retinex for
Bridging the gap between color images and the human
observation of scenes,» IEEE Transactions on image
processing, nº 7, 1997.
[5] A. Rizzi y C. Gatta, «From Retinex to Automatic Color
Equalization: issues in developing a new algorithm for
unsupervised color equalization,» Journal of Electronic
Imaging, 2004.
[6] J. McCann y B. Funt, «Retinex in MATLAB,» Journal of
Electronic Imaging, nº 13, 2004.
[7] G. Buchsbaum, «A spatial processor model for object
colour perception,» Journal of the Franklin Institute, 1980.
[8] X. Zhang y B. A. Wandell, «Colour image fidelity
metrics evaluated using image distortion maps,» Imaging
Science and Techology Program, Department of Psychology,
1998.
[9] J. Schanda, Colorimetry: Understanding the CIE System,
Wiley-Interscience, 2007.
[10] M. D. Fairchild, Color Appearance Models, Second
Edition ed., John Wiley & Sons, Ltd, 2005.
México D.F., 19 al 23 de octubre 2015
4