基于色调恒定的MSR图像增强算法

由于多尺度Retinex算法增强后图像存在细节信息减弱和颜色失真等不足,本文提出了一种色调恒定的图像增强算法.在原图像中去掉用多尺度高斯函数估计的光照分量,结合参量自适应的非线性函数调整亮度,依据色调恒定的理论保持增强后图像的颜色.与多尺度Retinex比较的实验结果表明,本文算法更有效,增强后的图像不仅细节清晰,而且色彩自然、不失真且运行速度快.     

基于亮通道和暗通道结合的图像去雾

低照度环境下图片质量会下降。同时,悬浮在空气中的烟雾、粉尘等物质形成的雾、霾,会导致图像的细节模糊不清,对户外拍照和计算机视觉应用造成了极大的影响。因此,对退化图像进行去雾处理,提高图像质量,在图像处理和计算机视觉领域具有非常重要的应用价值。提出一种基于亮通道和暗通道结合的雾霾天气图像去雾算法。基于退化图像的物理模型,提出一种空气光散射模型,通过亮通道和暗通道的结合来估计大气光值和透射率。该算法可以解决有雾图像恢复时天空区域的颜色失真问题,恢复图像的细节和颜色,提高图像的视觉效果。仿真结果表明,本文算法优于多尺度Retinex图像去雾算法。     

结合Lab空间和单尺度Retinex的自适应图像去雾算法

针对暗通道先验算法在大片天空区域透射率估计过小及景深突变处出现Halo效应的问题，提出一种结合Lab空间和单尺度Retinex的图像去雾算法。将RGB图像转换至Lab空间提取出亮度分量，利用Canny算子对亮度分量提取边缘信息，丰富恢复图像细节；利用单尺度Retinex对非边缘区域进行高斯自适应滤波估计出优化后的亮度分量，获得“伪”去雾图像，得到粗略的透射率；利用交叉双边滤波优化透射率消除Halo效应；最后根据大气散射模型恢复出无雾图像。实验结果表明，该方法恢复出的图像细节明显，整体平滑，且对含大片天空区域的图像也有较好的恢复效果。     

基于平稳小波变换和Retinex的红外图像增强方法

针对基于小波变换的红外图像增强方法视觉效果不够理想的缺点,提出了一种基于平稳小波变换和Retinex的红外图像增强方法,利用Retinex增强算法增强图像的视觉效果,并改善其亮度均匀性。首先,对红外图像经平稳小波变换后的最大尺度低频子带图像进行多尺度Retinex增强;然后,利用贝叶斯萎缩阈值法对高频子带图像进行阈值去噪,并根据低频子带图像的局部对比度和模糊规则计算高频子带的增益系数,从而得到增强后的高频子带图像;最后,由低频子带图像和高频子带图像重构得到增强后的图像。针对大量图像进行了实验和增强效果的定性与定量评价,并与双向直方图均衡法、二代小波变换法、Curvelet变换法和多尺度Retinex法作了比较。结果表明,所提出的方法增强了图像细节,抑制了噪声,并明显改善了图像的整体视觉效果。     

基于色调恒定的MSR图像增强算法

由于多尺度Retinex算法增强后图像存在细节信息减弱和颜色失真等不足,本文提出了一种色调恒定的图像增强算法.在原图像中去掉用多尺度高斯函数估计的光照分量,结合参量自适应的非线性函数调整亮度,依据色调恒定的理论保持增强后图像的颜色.与多尺度Retinex比较的实验结果表明,本文算法更有效,增强后的图像不仅细节清晰,而且...     

单张LDR图像的曝光校正与细节增强

提出了一种单张低动态范围图像曝光校正的方法,可增强图像过曝光和欠曝光区域的细节.分别对图像过曝光区域与过欠光区域进行校正.在欠曝光区域,使用WLS滤波将图像分解为照度图和反射图,以提升区域亮度并增强对比度;在过曝光区域,扩展Retinex模型,提出暗亮度用于表征过曝光程度,压缩区域亮度并增强细节.然后利用基于显著性的融合算法将校正后的图像进行融合,得到多区域增强图像.使用两种通用图像质量评价指标比较了多种方法的结果.实验证明,本文结果的指标均优于其他方法的结果.另外,在视觉效果的比较中,本文方法可以得到细节丰富、色彩还原度高的校正图像.     

基于双域分解的多尺度深度学习单幅图像去雾

针对传统单幅图像去雾算法容易受到雾图先验信息制约而导致颜色失真,以及现有深度学习去雾算法受网络模型限制而存在去雾残留等问题,提出了一种基于双域分解的多尺度深度学习单幅图像去雾方法,设计了一个包含低频去雾子网和高频去雾子网的多尺度深度学习网络模型。首先采用双边滤波器对有雾图像进行分解,得到雾图的高、低频子图,然后通过设计的网络模型分别学习雾图高、低频子图与高、低频透射率之间的映射关系,再将模型学习得到的高、低频透射率进行融合,得到原始雾图对应的场景透射率图,最后根据大气散射模型实现有雾图像到无雾图像的恢复,采用雾图数据集对该模型进行训练测试。结果表明,所提方法在合成有雾图像和真实自然雾图的实验中均能取得良好的去雾效果,在主观评价和客观评价方面均优于其他对比算法。     

全局参数自动估计的彩色图像偏振去雾方法

雾天环境下由于大气粒子对光线的散射作用导致成像质量下降, 针对雾霾等天气下图像退化问题, 提出了一种全局参数自动估计的彩色图像偏振去雾方法。利用不同角度的3幅偏振图像, 自动估算无穷远处的大气光和大气光的偏振度, 根据大气散射模型得到去雾后的图像。从RGB 3个色彩通道分别计算相应的参数, 使得算法适用于彩色领域。首先使用暗通道方法估计无穷远处的大气光和传输图, 并通过导向滤波对传输图优化; 然后基于大气光和目标光的不相关性, 采用全局搜索的方法估计大气光的偏振度; 最后根据大气散射模型恢复出清晰目标图像, 并利用对数变换进行增强。本文方法在雾霾天气下能够得到清晰的去雾图像, 且在浓雾天气下, 去雾图像的信息熵提升了约21%, 平均梯度提升了约2倍多, 标准差提升了约12%。实验结果表明, 本文方法较好地解决了人工取景估计参数不佳的问题, 提高了复原目标图像的清晰度和对比度, 可以用于彩色图像的目标探测与识别。     

基于照射_反射模型和有界运算的多谱段图像增强

根据多尺度照射_反射模型, 结合广义有界运算模型和引导滤波, 能够有效地解决多谱段降质图像的增强问题. 算法采用自适应的引导滤波核函数作为环绕函数, 估计反映图像整体结构的不同尺度的低频照射分量; 利用有界广义对数比(general log-radio, GLR)模型加法代替Retinex理论中的对数变换运算; 再由GLR模型减法去除照射分量, 将不同尺度的反射分量从原始图像中分割出来; 对不同尺度反射分量的有效信息采用有界GLR模型乘法和加法进行融合, 有效地避免光晕伪影现象及越界现象的发生, 得到多尺度反射分量图像, 即最终的增强图像. 通过对可见光波段的低照度图像和雾霾图像、红外图像、X光医学图像四组多谱段降质图像实验分析, 以对比度和信息熵作为评价指标, 与同类算法进行了图像增强效果的定性和定量对比, 结果表明本文算法增强后的图像纹理和边缘细节更加丰富、对比度更高、视觉效果更佳, 可广泛地应用于多种图像增强领域.     

基于YCbCr颜色空间的Retinex低照度图像增强方法研究

针对Retinex理论的低照度图像增强算法中光照图像估计问题,提出一种基于YCbCr颜色空间的低照度图像增强方法.该方法将原始低照度图像从RGB(Red Green Blue)颜色空间转换到YCbCr颜色空间,提取该空间中Y分量构建为原始光照图像分量L1(x,y),并对L1(x,y)进行Gamma校正得到增强的光照图像分量L2(x,y),经Retinex模型得到增强图像R(x,y),采用多尺度细节增强方法对图像R(x,y)进行细节增强,得到最终增强图像Re(x,y).实验结果表明,所提方法不仅能有效提升亮度,避免亮度和色彩失真,增强了图像的细节信息并获得了更好的视觉效果,而且运行速度快.     

基于扩展大气散射模型的低光照图像增强算法

为解决低光照环境下机器视觉采集图像存在的对比度低、细节丢失等问题,提出了一种基于扩展大气散射模型的低光照图像增强算法。首先,将低光照图像三个颜色通道的最大值作为初始传输图,并使用伽马校正调整图像的可见性和边缘细节;接着,利用融合技术优化初始传输图,融合不同方法提取的主要结构和精细结构;然后,利用亮通道的暗像素计算逆大气光值;最后,根据传输图和逆大气光值对模型进行求解得到最终增强图像。模型中的校正项可以更好地抑制增强图像的过度增强与细节丢失,同时,算法采用图像融合对传输图进行优化,可以较好地再现图像中的轮廓和纹理细节。实验结果表明,相比于其他8种算法,该算法在提高图像对比度、自然度和突出细节方面表现出了更好的性能。     

一种偏振普适性多尺度实时的图像去雾算法

针对现有偏振算法依赖于"天空区域"估计大气参数,从而受白色目标或高亮区域干扰的不足之处,提出了一种图像普适性多尺度偏振去雾方法.研究偏振差分图像四叉树空间索引和图像暗通道先验方法,突破估计模型参数利用天空的局限性,重建场景深度,结合大气散射模型复原低频无雾图像;同时针对目标复原过程中噪声遗留问题,研究软阈值去噪算法,结合低频信息重构的透射率,以梯度增强方式丰富纹理细节,最后小波重构出清晰图像.实验结果表明,该算法有效消除了估计大气参数受制于天空区域的局限性,抑制噪声的影响,复原的目标更加清晰,细节方面更为丰富,算法运行效率方面有较大提高.     

基于Retinex理论与概率非局部均值的红外图像增强方法

针对传统红外图像增强算法中细节模糊及过度增强的问题,提出了一种基于Retinex理论与概率非局部均值相结合的红外图像增强方法.首先通过单尺度Retinex方法调整图像中过暗与过亮部分的灰度级;然后利用概率非局部均值对图像进行分解处理得到基本层与细节层,对基本层采用直方图均衡化拉伸对比度,对细节层采用非线性函数进行增强;最后,将不同层次的结果融合得到对比度与细节增强的红外图像.用该方法对多组不同场景的红外图像进行仿真实验,并将其与多种增强方法进行主、客观对比分析,结果表明所提方法在红外图像的细节及对比度增强方面都获得了更好的效果.     

多尺度Retinex截断区间对图像质量影响的分析

研究了多尺度Retinex算法对曝光量不足的彩色图像增强处理的结果。改进型多尺度Retinex算法是使用多尺度Retinex增强后在亮度平均值附近以k倍标准差进行截取、拉伸。采用亮度与对比度乘积、图像信息熵等2个判据,实验结果表明在亮度平均值附近k=1倍标准差进行截取后再拉伸得到的图像其2个判据的值都较大,图像最佳。     

基于主特征提取的Retinex多谱段图像增强

根据Retinex视觉模型中照射分量和反射分量的统计特性,融合多尺度主特征提取法、平台直方图算法、非局部均值滤波及局部细节增强算法可对多谱段图像进行有效增强.首先利用多尺度主特征提取法估计照射分量,对照射分量进行平台直方图操作,增强全局对比度及图像主结构边缘细节;然后将原图与照射分量相除获取反射分量,对反射分量进行非局部均值滤波抑制噪声,再进行基于局部方差的局部细节增强;最后将增强后的照射分量与反射分量相乘,即为增强图像.从主观和客观两方面,对X光图像、紫外图像、可见光图像、低照度可见光图像和红外图像实验结果的分析表明,本文算法能够有效地抑制图像噪声、增强图像对比度及细节、改善图像视觉效果,是一种通用有效的多谱段图像增强算法.     

基于全卷积神经网络的图像去雾算法

针对雾天环境下采集的图像对比度降低，饱和度下降以及色彩偏移问题，提出了一种基于全卷积神经网络的图像去雾算法。首先，提出的三个尺度的全卷积神经网络用来学习雾天图像与介质传输图之间的映射关系，逐步生成精细的介质传输图；其次，通过雾天图像引导滤波优化预测的介质传输图，使得图像边缘信息更加平滑；最后，根据暗原色先验理论估计大气光的值，通过大气散射模型恢复出无雾图像。该方法获得的无雾图像不但未造成图像中有用信息的损失，并且恢复的图像色彩自然。实验结果表明，该去雾算法在自然雾天图像和利用Middlebury Stereo Datasets合成的雾天图像上均优于其他对比算法，恢复的图像具有更好的对比度与清晰度。     

Retinex彩色图像增强理论的物理思考及其截断区间对图像质量的影响

指出了Retinex彩色图像增强理论的物理意义,在对数空间中,将原图像减去高斯函数与原图像的卷积,其物理本质是除去了原图像中的平滑的部分,突出了原图像中的快速变化的部分,而且高斯函数越尖锐,越是突出图像中的细节,高斯函数越平坦,图像色调保持得越好,多尺度Retinex综合了不同高斯函数与原图像进行卷积的优点。研究了多尺度Retinex标准差截断法,结果是,以多尺度Retinex处理后的图像强度在其平均值附近1倍标准差截断后再拉伸得到的图像,普遍好于以2倍、3倍标准差截断后再拉伸得到的图像。     

基于非下采样轮廓小波变换增强的从粗到精的显著性检测

随着机器视觉和人工智能的快速发展,视觉注意机制作为机器视觉的重要组成部分,受到越来越多的关注。提出一种建立在非下采样轮廓小波变换(NSCT)基础上的从粗到精的显著性检测方法,该方法作为一种基于频域分析的显著性检测算法,能够充分利用图像的低频和高频信息,并能抑制光照对检测造成的影响。模型首先对输入图像进行非下采样轮廓小波分解,对低频分量进行Retinex增强以改善图像亮度的均匀性,从而抑制光照对显著性检测带来的影响,随后对其进行粗糙显著性检测;对高频分量进行非线性增强以抑制噪声并增强细节,重构得到高频特征图,在低频粗糙显著图的范围内对高频特征图进行全局和局部的显著性分析;最后经过融合得到精细显著图。在三个数据集上进行对比实验,验证了所提算法的可行性和有效性。     

一种自适应线性透射率估计去雾算法

为了有效复原雾霾天气下退化的图像, 文章提出了一种自适应线性透射率估计去雾算法。建立有雾图像与无雾图像最小值通道之间的线性变换模型; 利用有雾图像的混合通道得到自适应参数, 结合自适应参数和线性变换模型估计出透射率, 通过有雾图像的最小值通道构造高斯函数来补偿估计明亮区域透射率, 提升该区域透射率的准确度, 再使用交叉双边滤波器消除纹理效应得到优化透射率; 最后, 结合大气散射模型复原出无雾图像。实验结果表明, 该方法有效降低了时间复杂度, 且复原的图像细节明显, 明亮度适宜。     

基于多尺度Retinex的非下采样Contourlet域图像增强

针对部分遥感图像和高光谱图像中存在的对比度不足、整体偏暗等问题,提出了一种基于多尺度Retinex(MSR)和混沌小生境粒子群优化(NCPSO)的非下采样Contourlet变换(NSCT)域图像增强方法,用于改善图像质量。对图像进行NSCT分解,得到一个低频分量和多个不同方向的高频分量;在低频分量上进行混合灰度函数的多尺度Retinex增强;同时利用非线性增益函数调整高频分量系数,将兼顾对比度和信息熵的定量综合评价函数作为NCPSO的适应度,寻找非线性增益函数所涉及的最优参数。大量实验结果表明,与双向直方图均衡方法、NSCT方法、多尺度Retinex方法、平稳小波变换和Retinex方法等4种增强方法相比,提出的方法能更有效地提高图像的对比度和信息熵,增强图像的整体视觉效果。