结合深度残差神经网络与Retinex理论的低照度图像增强

由于低照度图像不易于分辨其中的具体细节,难以对图像进行进一步的利用.为了提高低照度图像的可视性,解决传统U-net对图像特征提取不足的问题,利用深度残差网络的特征提取能力强的优点,提出了一种基于Retinex理论结合残差网络的增强算法.首先,使用一系列卷积和上采样来改进U型网络将图像分解为反射部分和光照部分;然后,为了更好地保留细节特征,一方面将分解得到的反射部分和光照部分通过一系列卷积块提取特征后送入构建好的残差网络中进行重建,从而得到初步重建的图像,另一方面将光照部分通过四层卷积层进行增强,得到调整后的光照分量;最后,将重建的图像和调整后的光照分量进行融合,得到最终的低光照图像增强图像.实验结果表明,改进算法有效地提高了图像暗光部分的可视性,同时增强了色彩深度和对比度,且相比于其他方法,在主观以及客观评价上均有较好的效果.     

基于噪声估计的钢材表面图像增强与缺陷检测

低光照低对比度的钢材表面图像(low-light and low-contrast steel surface images, LCSI)往往被大量噪声污染，给检测和识别带来很大的困难，导致缺陷的识别率很低。为了解决这一问题，本文提出一种基于噪声水平估计(noise level estimation, NLE)的钢材表面图像分解增强算法。根据快速的噪声水平估计确定总变分（total variation, TV）正则化的平衡因子，将低光照低对比度的钢材表面图像分解成基础层和细节层，利用视网膜大脑皮层理论（retina+cortex,Retinex）模型将基础层分解为光照分量和反射分量并分别增强使光照均衡化。对于包含更多图像细节（缺陷）和噪声的细节层，使用高斯滤波抑制噪声后，再对细节进行增强并与增强后的基础层重构得到高质量的输出图像。最后利用最新的基于Canny边缘检测和基于大津算法（nobuyuki Otsu method, Otsu）对增强的钢材表面图像进行缺陷检测。实验结果表明：增强后的缺陷识别率比最新的方法提升至少15%以上。     

基于小波和分块同态滤波的变光照图像增强方法

为提高变光照情境下图像质量,针对部分图像存在亮度不均、对比度低的问题,提出了基于小波与分块同态滤波的图像特征增强算法.首先将图像从原始色彩空间转换为H SV空间,以图像亮度分量V作为增强对象;然后利用小波变换代替分块同态滤波中的传统傅里叶变换对亮度分量分解,并对小波分解的子图像进行分块后进行高通滤波处理,对滤波后的图像...     

采用亮通道先验的低照度图像增强算法

针对低照度彩色图像亮度偏低、对比度差等问题,提出基于亮通道先验的低照度图像增强算法.首先,分析Retinex算法所存在的缺陷,提出了亮通道先验.然后,将原RGB彩色图像转换到HSV彩色空间,对亮度分量V使用亮通道先验和引导滤波估计光照分量和反射分量,并且采用自适应对数校正对光照分量进行提升.最后,将增强后的图像转换到RGB彩色空间.实验结果表明:该算法快速有效,能够很好地提升图像整体亮度和对比度,图像细节得到增强,克服了颜色失真和光晕等问题,增强后的彩色图像更为明亮、自然.     

基于人眼视觉特性的Curvelet域低照度图像增强

针对低照度下图像降质严重的问题,提出了一种基于人眼视觉特性和Curvelet变换的低照度图像增强算法。首先将低照度图像转换至"色调-饱和度-亮度"(HSI)颜色空间,在Curvelet域中分解亮度参量得到不同尺度、不同方向的子带分量,以此构建人眼视觉模型;然后利用模型的亮度遮蔽特性和亮度-对比度遮蔽特性对高频分量进行非线性增强,同时对低频分量进行非线性拉伸;最后通过Curvelet逆变换重构亮度参量,结合原始图像的色度和饱和度分量将图像转换至原色彩空间,得到增强后的低照度图像。实验结果表明,该算法可以有效提升低照度图像的对比度和亮度,保持图像的细节信息,抑制图像噪声。     

基于变分结构引导滤波的低照度图像增强算法

针对低光照条件下获取的图像存在亮度低、可见性差等缺陷,提出了基于变分结构引导滤波的低照度图像增强算法。首先在输入图像的每个像素点处计算R、G、B三通道的最大值,并使用最大值滤波获取亮通道图。其次,创新性地构建基于变分模型的引导滤波器对亮通道图进行精炼从而估计出照射分量,并根据Retinex理论,去除照射分量得到反射分量。最后,采用同态滤波和线性拉伸进一步提高反射分量的对比度以输出清晰的图像。综合实验表明,该算法能快速有效地增强低照度图像的亮度和对比度,且能较好地保持图像细节。     

基于小波变换的低光照对比度或强噪声背景下图像增强与目标提取方法

提出了一种基于小波变换的低光照对比度或强噪声背景下图像增强与目标提取方法.低光照对比度情况下成像获得的图像进行处理分析、目标定位识别与跟踪都有一定困难,必须对其进行增强处理.根据图像的纹理统计特性,设计了专用于保护纹理特征的巴特沃思滤波器,对低光照对比度图像或强噪声背景下图像进行增强,可有效地克服低光照对比度图像或强噪声背景条件下进行处理分析、目标定位识别与跟踪造成的影响.实验结果表明:应用小波变换的多尺度分析方法和专门设计的巴特沃思滤波器,可较好地消除低光照对比度或强噪声背景下图像的干扰.     

多尺度自适应Gamma矫正的低照图像增强

为了在提高低照图像的亮度和对比度的同时,保持图像的色彩自然度,提出了多尺度自适应Gamma矫正的低照图像增强方法.鉴于HSI颜色空间的明度分量Ⅰ决定着图像的明暗程度,以及明度分量的多尺度特性,首先,将图像转换到HSI颜色空间,对明度分量Ⅰ进行多尺度Retinex分解;然后,对分解得到的多尺度光照图像分别进行自适应的Gamma矫正,其中Gamma指数自适应于暗区像素的占比,鲁棒地改善光照图像的光照分布,经Retinex反变换得到增强的多尺度明度分量;最后,将增强的多尺度明度分量的线性融合作为增强的明度分量Ⅰ’,与色相分量H和饱和度分量S重组,得到最后的增强图像.实验结果表明,相对于部分最新提出的现有方法,新方法的PSNR和SSIM值分别高出1.19 dB和1.8%以上,具有更好的增强效果和鲁棒性,增强图像的视觉效果更适宜,对比度更高.     

基于CLAHE和图像分解的去雾方法

针对雾天条件下拍摄到的图像对比度低、细节模糊以及颜色暗淡的现象,提出一种基于CLAHE和图像分解的去雾方法。首先,采用限制对比度直方图均衡化(limited contrast histogram equalization,CLAHE)对有雾图像进行增强,有效地提升图像的对比度;然后,在照明—反射模型的基础上,根据照射分量与反射分量的不同特征对增强后的图像进行梯度滤波,将图像进行分解,获得最终包含图像所有细节的反射图像;最后,对反射图像进行Gamma变换,提升图像的亮度,获得最终的去雾图像。利用信息熵、空间频率、平均梯度和运算时间等客观评价标准,与带色彩恢复多尺度Retinex算法(MSRCR算法)和基于暗通道先验去雾算法(He算法)进行对比。实验结果的主观评价和客观评价表明,在雾天图像细节增强和色彩保持方面,本文方法比MSRCR算法和He算法具有更好的效果。     

基于卷积神经网络的逆光图像增强研究

现有的大部分算法只能针对特定照度的逆光图像有出色的增强效果,不能高效率地解决各类照度的逆光图像.因此,本文提出一种基于卷积神经网络的图像增强算法,并构建一种集分解、恢复、调节为一体的新型网络架构.利用Retinex理论设计一个分解网络,将逆光图像与其对应的高光图像都分解为反射图和光照图.采用高光图反射分量作为去噪参考,...     

基于Retinex理论的电子内镜图像增强算法

为解决电子内镜图像亮度较暗、光照不均匀和对比度较低的实际问题,提出一种基于Retinex理论的电子内镜血管图像增强算法.算法基于图像差分L₁、L₂范数的特性和对光照进行纹理抑制的实际需求,建立Retinex理论的优化表达式;使用变分法进行求解以获取图像的光照分量与反射分量,分别进行光照矫正和细节拉伸;使用改进的对数直方图均衡调整图像颜色通道比例,提高血管图像的对比度.Matlab测试实验表明,该算法能较好增强电子内镜图像,与同类型算法相比,各评价参数有不同程度提高,具有一定的实际应用价值.      

基于颜色注意机制的弱光图像增强算法

针对当前弱光图像增强算法在恢复过程中存在颜色与细节丢失的问题,提出一种基于颜色注意机制的增强算法.该算法首先将弱光图像从RGB色彩空间转换至CIE LAB色彩空间,将弱光图像分解为亮度和颜色两个分量.其次,利用两个卷积神经网络(CNN)模型对亮度和颜色分量分别独立增强.然后对增强后的颜色分量使用监督注意力机制,在弱光图像中搜索任何有用的颜色关键点,引导和扩展网络注意力对图像的颜色进行增强.最后将增强后的亮度和颜色分量进行融合,并转换回RGB空间,获得清晰艳丽的复原图像.实验结果表明:与其他增强算法相比,本文提出的方法具有明显优势,在保持明暗度顺序的同时有效地增强了弱光图像,完整地恢复了原始图像的颜色.     

改进的直方图均衡化和NSCT变换的红外图像增强

针对红外图像对比度低、噪声大等特点,提出一种基于改进的直方图均衡化和NSCT变换(nonsub sampled contourlet transform)相结合的的红外图像增强方法。首先对红外图像进行NSCT变换,得到多尺度多方向的高频子带系数和一个低频子带系数。高频子带首先采用自适应降噪函数降低高频系数的噪声同时很好地保护边缘信息,然后采用非线性增益函数调整高频分量;在低频分量上采用改进的直方图均衡化方法进行增强。最后经NSCT逆变换得到增强图像。实验结果表明,提出的算法可以有效地提高红外图像的对比度,抑制图像的噪声,增强图像对比度,突出图像的边缘轮廓信息。     

钢板表面缺陷图像非均匀光照校正及分割算法

针对钢板表面缺陷图像光照不均匀的问题,首先根据图像的亮度与光照分量和反射分量的相关性,采用多尺度高斯函数方法提取图像的光照分量并分离出反射分量.然后根据光照分量的分布情况调整二维(2D)伽玛函数的参数,实现光照分量分布不均的自适应校正,再将校正后的光照分量与原有的反射分量融合得到光照均匀的新图像.最后采用遗传算法选择最大熵阈值进行缺陷分割.结果表明:钢板表面缺陷图像的非均匀光照得到了有效改善,缺陷细节得到了较好保持;图像阈值分割缩短了寻找阈值的时间,能够有效检测出钢板表面的多种缺陷.     

基于分数阶改进Retinex低光图像增强的仪表检测算法

为了解决雾霾、阴雨天气中变电站巡检机器人采集的低光照仪表图像参数难辨识问题,提出一种基于分数阶改进法的Retinex增强与快速最近邻逼近搜索函数库定位的低光图像仪表检测算法;用分数阶微分替代Retinex理论中的整数阶微分,获得与先验匹配更精确的光照图和反射图;采用相机响应函数调整亮度,在增强低光照仪表图像的同时减少颜色和亮度失真;采用加速稳健特征与快速最近邻逼近搜索函数库算法配准定位目标仪表,并利用累积概率霍夫变换检测指针并读取仪表示数。结果表明,该算法能较好地增强低光仪表图像细节,在兼顾较快速度的同时,识别准确率明显提升。     

多尺度空洞卷积金字塔网络建筑物提取

为改善现有深度学习方法获取图像特征尺度单一、提取精度较低等问题,提出多尺度空洞卷积金字塔网络建筑物提取方法。多尺度空洞卷积金字塔网络以U-Net为基础模型,编码-解码阶段采用空洞卷积替换普通卷积扩大感受野,使得每个卷积层输出包含比普通卷积更大范围的特征信息,以利于获取遥感影像中建筑物特征的全局信息,金字塔池化模块结合U-Net跳跃连接结构整合多尺度的特征,以获取高分辨率全局整体信息及低分辨率局部细节信息。在WHU数据集上进行提取实验,交并比达到了91.876%,相比其他语义分割网络交并比提升4.547%～10.826%,在Inria数据集上进行泛化实验,泛化精度高于其他网络。结果表明所提出的空洞卷积金字塔网络提取精度高,泛化能力强,且在不同尺度建筑物提取上具有良好的适应性。     

基于改进CycleGAN的煤矿井下低照度图像增强方法

针对井下监控装置采集的图像普遍存在照度低、颜色失真及细节特征损失严重等缺陷,提出一种基于改进CycleGAN网络的煤矿井下低照度图像增强算法．首先针对井下成对图像数据获取困难的问题,基于循环生成对抗网络搭建循环图像增强主体框架实现模型的无监督训练;然后基于CSDNet的全局图像分解架构,设计了一种融合空间-通道注意力模块CBAM的双分支估计网络以并行估计图像的光照分量和反射分量,并在两分支网络之间建立多尺度特征分解机制,从而在大幅提升亮度的同时避免颜色失真现象,保留大量细节信息;使用全局-局部判别器调节图像局部区域的亮度,改善亮度不均,避免过曝及阴影现象．实验结果表明：相较于对比算法RetinexNet,LLNet,MBLLEN,EnlightenGAN和CSDNet,本算法在客观质量指标PSNR(峰值信噪比)、SSIM(结构相似性)、IFC(信息保真度)和VIF(视觉信息保真度)上的表现分别提高了11.787%,8.256%,9.658%和8.654%,并在人类视觉主观分析上优于对比算法,证明本文算法能够有效改善井下低照度图像视觉效果．     

基于同态滤波及多尺度Retinex的低照度图像增强算法

针对在彩色图像采集过程中,光源偏暗或曝光不足等因素,常导致图像亮度和对比度偏低问题,提出了一种改进的低照度图像增强算法。首先用改进的同态滤波增强低照度图像的RGB各分量;然后将RGB图像转换到HSV彩色空间,对饱和度分量进行自适应非线性拉伸;同时用改进的多尺度Retinex算法对亮度进行增强处理,对照射分量用伽马变换进行校正,对反射分量用Sigmoid函数进行处理,最后将图像再转换至RGB空间。用MATLAB对图像进行仿真处理。实验表明该算法提高了低照度图像的信息熵、峰值信噪比和对比度,提升了低照度图像的视觉效果。     

一种基于全局和局部光照估计的Retinex图像增强算法

具有色彩还原特性的Retinex算法,可以实现图像对比度、亮度提高及色彩还原;但是增强后的图像色彩饱和度下降严重,色彩失真,其关键在于光照分量的估计失真。针对上述问题,提出了基于全局光照和局部光照细分的Retinex增强算法,实现了图像光照分量的精确计算;并通过实验证明增强后的图像在提高亮度突出细节的同时,最大程度保持了原来的真实色彩。     

基于Sigmoid曲线拟合的亮度可控土壤图像增强

图像在相同条件下表征土壤特征会提高土壤图像识别土种的精度。对自然环境下机器视觉采集的土壤图像亮度可控增强,将不同光照条件采集的土壤图像转换为近似于该土壤在某些特定光照条件下采集的具有一定亮度的真实土壤图像,能消除或减弱光照对后续土壤图像土种识别的影响。因此,应用Sigmoid曲线对土壤图像亮度(Y)分量的累积概率密度(cumulative distribution function, cdf)曲线拟合;然后,构建目标亮度逼近优化模型,迁移拟合的Sigmoid曲线逼近目标亮度;再依据像素的邻域信息对相同亮度的像素排序、迁移,实现土壤图像的亮度可控增强;最后,利用高斯卷积核提取色调(U)、饱和度(V)分量的低频分量,并基于色比不变性原理与原始土壤图像的邻域信息对增强土壤图像的U、V分量高低频分别增强,完成颜色校正,并融合增强亮度分量,获得增强的彩色土壤图像。实验结果表明,提出算法对完全重合的亮度不同成对真实土壤图像做有目标增强实验,增强后的土壤图像与真实目标土壤图像对应像素Y、U、V分量差的标准差均值分别为14.313 7、1.323 2、2.110 5,峰值信噪比均值为29.820 9;...