基于优势特征图像融合的水下光学图像增强

针对水下光学图像颜色失真、非均匀光照、对比度低的问题,提出基于优势特征图像融合的水下光学图像增强算法.首先,提出改进的暗通道先验算法去除退化图像中的不均匀浑浊并均衡色彩;其次,对颜色校正图像分别使用基于加权分布的自适应伽玛校正算法和限制对比度自适应直方图均衡-同态滤波算法,增强颜色校正图像对比度并使其亮度均衡;最后,定义三幅融合图像即颜色校正图像、亮度均衡图像、对比度增强图像的关联权重图,通过多尺度融合算法获得融合图像.与单一预处理算法只能解决对应的退化现象相比,该算法对单幅退化图像进行多算法处理,得到三幅优势特征图像,通过不同权重的组合最大程度地将各优势特征相结合,得到的综合效果远超各单一算法优化效果,不再局限于解决颜色失真等单一问题.将本文算法与现有算法在主观评价和客观评价两方面进行实验对比,结果表明,该算法可以有效平衡水下图像的色度、饱和度及清晰度,视觉效果接近自然场景下的图像.     

基于亮通道色彩补偿与融合的水下图像增强

光在水中传播时受水的吸收作用和水中微粒的散射作用而发生衰减;因水的浊度变化,且水下拍摄时景深不一,导致水下获取的图像雾化程度和色彩偏差不同。传统的去雾算法用于处理这些模糊程度和色差多变的图像时效果欠佳。针对该问题,提出基于亮通道色彩补偿与融合的水下图像增强算法。首先,基于亮通道对原图像进行色彩补偿,获得色彩补偿的图像;再对色彩补偿的图像进行自适应对比度拉伸获得对比度高的清晰图像;最后采用多尺度融合策略对色彩补偿后的图像及对比度拉伸后的图像进行融合。结果表明,本文算法可广泛应用于多种水下降质图像,且在无任何先验信息的条件下,能有效提高水下图像对比度和平衡图像色彩。     

基于主动光照的深海图像增强算法

为了改善主动光在水下传播过程中由散射与吸收效应导致的深海图像对比度低下以及颜色失真问题,提出一种水下图像增强算法.不同于传统方法利用最亮点的强度值作为背景光,提出基于物体与背景光非相关性的背景光估计方法,有效避免了前景处的亮像素或白色物体像素对背景光的误判,同时确保了去散射的精确性,提高水下图像的对比度;针对人造光源的颜色增益和光路衰减导致的图像色偏等问题,在去散射图像上选取离光源最近的灰色像素,利用其对光源的敏感性,将光照强度分离出来.最终,通过估计并去除光源本身的颜色增益,同时补偿光在传播过程中的损失,实现图像的颜色校正.实验结果表明,所提算法可以有效去除水下图像的散射效应,较好地恢复图像色彩,进而获得较优的增强图像.相比于其他算法,增强后的图像信息熵和水下图像质量评价指标值较高,说明该算法能显著提升水下图像的质量,同时保留图像有用信息.     

基于多曝光图像融合的沙尘图像增强

针对沙尘图像存在细节模糊、对比度低和颜色偏移等问题,提出了基于多曝光图像融合的沙尘图像增强算法。首先对蓝通道进行补偿,以弥补沙尘图像的蓝光损失;其次对图像的RGB三通道分别进行标准化,以减小通道直方图之间的偏离,从而去除偏色。为了提高图像中不同区域的细节,采用线性参数控制的方法生成多幅曝光图像。通过用对比度、饱和度和良好曝光度的质量度量计算权重图,以选择出曝光图像中的最佳像素;然后分别构建权重图和曝光图像的高斯金字塔和拉普拉斯金字塔。最后将图像金字塔融合,并重建出结果图像。主观和客观实验表明:与其他算法相比,本文算法能够有效去除偏色以及提高图像的对比度和清晰度,结果图像视觉效果良好。     

基于改进暗原色先验和颜色校正的水下图像增强

水下图像成像过程与雾天图像类似,但传统的去雾方法用于水下图像处理效果欠佳。针对水下捕获图像存在颜色衰减严重和蓝(绿)色基调的问题,提出了一种基于改进暗原色先验和颜色校正的水下图像增强方法。结合光在水下的传播特性,对空气中的暗原色先验去雾算法进行改进,在求取水下暗原色通道和图像背景光时考虑红色通道的逆通道;提出先采用改进的水下暗原色先验法去除后向散射光,再通过白平衡算法对增强后的水下图像进行颜色校正的方法。实验结果表明,相比于传统算法,本文的方法在处理后向散射严重的水下图像时,可以获得更高的清晰度和对比度。     

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。     

基于迭代直方图均衡化的常规光源下水下成像增强算法

为了增强常规光源下水下图像的视觉对比度,提高水下图像的图像质量,提出一种基于迭代直方图均衡化水下图像增强算法.首先通过Retinex模型将水下图像分解为细节层和光照层图像.然后推导出一个图像增强模型,该模型能够在保证韦伯对比度的前提下完成图像增强工作.接着提出一种基于迭代直方图的直方图均衡化算法对光照层图像进行对比度增强,并通过S形状函数对细节层图像进行对比度拉伸.最后,合并拉伸后的细节层图像和增强后的光照层图像,进而获得较佳的图像增强效果.实验结果表明,该算法能够有效地提升水下图像的视觉对比度,图像信息熵值及均值结构相似度高于其他算法,图像的视觉效果得到显著提高.     

融合遗传算法的多域值分块低照度图像增强算法

针对低照度图像对比度低、细节模糊等问题,提出了融合遗传算法的多域值分块低照度图像增强算法.通过遗传算法寻找输入图像亮度通道的最优分割阈值,根据得到的阈值,将亮度通道划分为多个不同曝光级的子图.通过多阈值分块增强算法对所有子图进行评估,根据评估结果调整每个子图的亮度.最后使用多尺度融合方法将输入图像细节信息融合到亮度增强...     

一种全局参数估计的水下主动偏振去雾算法

为改善水下主动光照明条件下后向散射光对成像的影响,通过分析水下主动偏振成像模型,提出一种基于拟合函数的全局参数估计的水下主动偏振去雾算法。该算法结合图像增强作为图像预处理,再设定二元多项式函数,利用最小二乘法进行后向散射光偏振度变量的拟合求解,得到对比度更高、信息更丰富的水下复原图像。实验结果表明:该算法可有效改善主动光照明条件下的水下图像质量,提高图像对比度,复原被淹没的细节信息,复原图像的图像增强测量值较以往算法相比提升70%,且能适用于不同浓度介质的情况。     

基于深度卷积神经网络的低照度图像增强

针对低照度条件下图像降质严重的问题,提出了一种基于深度卷积神经网络(DCNN)的低照度图像增强算法。该算法根据Retinex模型合成训练样本,将原始低照度图像从RGB (Red Green Blue)空间转换到HSI (Hue Saturation Intensity)颜色空间,保持色度分量和饱和度分量不变,利用DCNN对亮度分量进行增强,最后将HSI颜色空间转换到RGB空间,得到最终的增强图像。实验结果表明,与现有主流的图像增强算法相比,所提算法不仅能够有效提升亮度和对比度,改善过增强现象,而且能够避免色彩失真,主观视觉和客观评价指标均得到了进一步提高。     

一种基于深度卷积神经网络的水下光电图像质量优化方法

由于水体对光的吸收和散射,水下光电图像具有低信噪比、低对比度等特点,导致目标难以识别,限制了水下光电成像装备的实际应用和发展。为提高目标的探测精度和识别率,提出包含一维并行卷积和子像素卷积的深度卷积神经网络,利用其从水下光电图像训练集中学习优化图像质量的参数,实现了去噪和对比度增强。实验结果表明,相比于经典去噪方法和对比度增强方法联合处理的结果,本文方法得到的峰值信噪比和均方根对比度分别平均提高了2.93 dB和14.41,能够有效地权衡去噪、对比度增强和亮度提升等,获得适合人眼视觉感受的图像,且处理单幅图像的平均速度是经典方法的9.46倍。利用测试集对网络进行测试,其在一定范围内较好地优化了图像质量,具有一定的泛化特性。     

基于神经网络的低照度彩色图像增强算法

由于低照度彩色图像存在整体亮度低、对比度低、颜色偏暗和信噪比低等特点,所以经典图像增强算法对其增强效果非常有限。提出了一种利用BP神经网络进行彩色图像增强的算法,并将RGB图像转换成HSI图像,以保证增强处理不引起图像的色彩失真。实验证明:该方法显著地改善了低照度彩色图像的视觉效果,提高了图像整体亮度和图像的信噪比,可调节图像的动态范围,能增强图像的对比度和细节,可增加图像信息熵。     

基于局部自适应拉升窗的复合图像增强算法

针对含有低亮度低对比度区域的图像,提出基于局部自适应拉升窗(LASW)的复合图像增强算法.通过研究目前一系列基于局部操作的空域图像增强算法,提出全局和局部操作结合的总体思路;首先使用高提升拉普拉斯(Laplacian)反锐化掩模(UM)增强以获得较多的隐藏细节和边缘信息,然后构造局部自适应拉升窗大幅增强低对比度图像细节,同时使用自适应滤波器进行掩模平滑操作;最后根据局部增强结果进行全局修正.仿真实验表明,在绝对误差、图像熵等评价指标下,该算法使低对比度图像尤其当含有低亮度微弱局部信息时,获得了较好的增强效果.     

基于四叉树分级搜索和透射率优化的水下图像复原

针对不同场景下获得的水下图像存在色偏、细节模糊和对比度低等问题,提出一种基于四叉树分级搜索和透射率优化的水下图像复原方法。首先,建立双透射率水下成像模型,将透射率定义为直接分量透射率和后向散射分量透射率;然后,利用红通道补偿算法对原图像进行预处理,并利用四叉树分级搜索、改进暗通道先验和无退化像素点方法分别估计背景光强度、后向散射分量透射率和直接分量透射率;最后,通过逆求解成像模型,并采用满足瑞利分布的直方图拉伸获得复原图像。实验结果表明,与其他水下图像复原方法相比,所提方法对在强干扰环境下采集的水下图像有着更强的颜色失真校正以及模糊信息增强的能力。     

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.     

基于光照-反射成像模型和形态学操作的多谱段图像增强算法

为解决多谱段降质图像增强问题,提出了一种基于光照-反射成像模型和形态学操作的多谱段图像增强算法.首先对图像饱和度使用自适应非线性拉伸函数进行拉伸,使增强后的图像色彩更加饱和、自然;接下来利用引导滤波算法提取出图像的光照分量,提出了一种基于细节特征的加权融合策略,利用光照分布特性构造了一种自适应Gamma校正函数对光照分量进行处理,并将其与利用对比度受限的自适应直方图均衡化方法处理后的光照分量以及原始光照分量进行融合;然后在反射分量校正时,构造了一种形态学操作函数来校正反射信息;最后合并光照分量和反射分量,并与处理后的饱和度分量和色调分量一起得到增强图像.采用主客观评价指标对可见光低照度图像、水下图像、高动态范围图像、沙尘暴图像、雾天图像和热红外图像6种降质多谱段图像实验结果进行分析比较,结果表明本文算法能够有效地抑制图像噪声、增强图像细节信息、改善图像视觉效果,可应用于多种图像增强领域.     

基于低通滤波和多特征联合优化的夜间图像去雾

夜间有雾图像光照不均、对比度较低且色偏严重。现有的去雾算法主要是针对白天图像,并不适用于夜间场景,夜间图像去雾难度较大。该文通过深入分析夜间有雾图像的成像特点,提出了基于低通滤波和多特征联合优化的夜间图像去雾算法。针对夜间图像环境光照不均匀问题,提出先对图像进行低通滤波,然后对其低频分量三通道利用最小-最大值滤波估计局部环境光;针对目前白天去雾算法先验不适用于夜间图像,提出结合图像对比度、饱和度和信息熵特征,构建多特征联合优化函数估计透射率;针对夜间图像存在非一致色偏问题,提出非重叠块局部Shade of Gray算法进行颜色校正。实验结果表明:所提算法去雾图像的主观视觉效果较好,且对比度和色偏程度两方面客观评价指标整体优于其他对比算法。该算法能够有效去除夜间图像雾气,提高图像的对比度,恢复更多的细节信息,且颜色自然,视觉效果理想。     

分级多尺度变换的水下偏振图像融合法

提出了一种分级多尺度融合的水下偏振图像处理方法.首先,利用非负矩阵分解对偏振参量图像进行融合增强,得到所含局部特征信息完整且冗余度低的偏振参量融合图像;在此基础上,基于二维经验模式分解分别将偏振参量融合图像与偏振强度图像进行多尺度变换,对得到的高低频子图像分别进行加权平均融合,融合权重是采用穷举搜索法计算得到;最后,将高低频融合结果反变换得到最终融合图像.实验仿真结果表明该融合方法在增强图像细节信息及提高水下偏振图像对比度方面具有显著效果.     

基于多尺度残差注意力网络的水下图像增强

针对水下图像由水的散射、吸收引起的色偏、色弱、信息丢失问题,提出了一种基于多尺度残差注意力网络的水下图像增强算法。该网络引入了改进的UNet3+-Avg结构与注意力机制,设计出多尺度密集特征提取模块与残差注意力恢复模块,以及由Charbonnier损失和边缘损失相结合的联合损失函数,使该网络得以学习到多个尺度的丰富特征,在改善图像色彩的同时又可保留大量的物体边缘信息。增强后图像的平均峰值信噪比(PSNR)达到23.63 dB、结构相似度(SSIM)达到0.93。与其他水下图像增强网络的对比实验结果表明,由该网络所增强的图像在主观感受与客观评价上都取得了显著的效果。     

基于改进CLAHE的SF_6红外图像增强

针对六氟化硫(SF_6)红外图像对比度低、纹理细节模糊而难以增强泄漏区域的问题,提出了基于改进限制对比度的自适应直方图均衡化(CLAHE)的SF_6红外图像增强算法。采用双边滤波将原始图像分为基础图像和细节图像;采用CLAHE算法来处理基础图像,提高泄漏区域的对比度;对细节图像进行分段线性变换和拉普拉斯变换图像,以突出图像的边缘;将两幅图像进行线性叠加以获取最终的红外图像,实现图像增强。实验结果表明,算法对SF_6红外图像泄漏区域的增强效果优于常见的几种红外图像增强算法,不仅有效地抑制了噪声和提高泄漏区域的对比度,而且突出泄漏区域的边缘,丰富了细节信息。