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YUV色彩空间的Retinex夜间图像增强算法

通常夜间拍摄图像容易出现细节分辨不清的情况。为了改善夜间拍摄图像的质量,提出一种基于YUV色彩空间的Retinex图像增强算法和色度自适应校正方法。首先将图像从RGB色彩空间转换到YUV色彩空间;其次对明亮度分量Y采用多尺度Retinex算法增强,并利用增强后的Y分量对色度分量U、V进行自适应校正;最后将图像转换到RGB色彩空间输出,使图像在细节信息得到增强的同时颜色得到较好的保持。通过与其他Retinex算法比较,实验结果表明该算法在颜色保持和细节增强方面能够达到很好的效果。     

基于子带加权融合的多尺度Retinex图像增强算法

Retinex模型是人类视觉对亮度和色彩的感知模型,多尺度Retinex算法具有动态范围压缩大、色彩恒常性、色彩保真度高等特点,被广泛运用于低光照图像的增强。提出一种新的图像增强算法,首先用混合灰度变换函数替代传统的灰度变换函数,对图像做不同尺度的Retinex变换,并分解重复的频带信息,对各个独立的频带分别进行增强。然后引入图像融合的思想,将不同尺度Retinex图像的每个像素点都赋予不同的权重。最后得到输出图像。实验结果证明,本算法可有效增强图像的对比度,得到的图像清晰度高,色彩恢复好。     

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。     

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。     

基于改进Retinex的图像增强算法

为了改善图像的增强效果,在多尺度Retinex(Multi-scale Retinex,MSR)算法的基础上,提出一种改进Retinex的图像增强算法。该算法首先采用MSR算法对原始图像进行分解,得到光照分量图像和反射分量图像,然后伽马变换对光照分量图像增强处理,并采用线性拉伸方式对增强结果进行修正,同时采用双边滤波算法对反射分量图像进行处理去除噪声,最后对处理后的光照分量图像和反射分量图像进行合并得到增强后的图像,采用仿真对比实验对算法性能进行测试。实验结果表明,该文算法改善了图像视觉质量,保留了更丰富的细节信息,有效防止了光晕伪影,更加有利于后续的图像处理。     

基于亮度划分MSR的视觉图像增强

针对复杂天气条件下多尺度Retinex(MSR)方法不能很好地体现图像的局部特征和细节,引入了基于亮度划分的预处理,实现了一种新的MSR方法.首先将彩色图像转换为更适合人类视觉系统的HSI颜色空间,提取亮度分量Ⅰ;然后用对数图像处理(LIP)模型将图像按亮度划分为不同的区域,对各亮度区域采用相应尺度的Retinex算法...     

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.      

基于改进多尺度Retinex的单幅彩色图像增强算法

针对传统基于多尺度Retinex的单幅彩色图像增强算法, 进行图像增强时未考虑亮度分量和局部对比度, 导致图像增强未达到最佳尺度值, 获取的增强图像存在失真、 带有雾膜的问题, 提出一种基于改进多尺度Retinex的单幅彩色图像增强算法. 首先采用高斯环境函数 对3种灰度图像实施卷积并进行灰度纠正, 将3种纠正灰度后的图像合并, 获取初步单幅彩色图像增强结果; 然后改进多尺度Retinex的单幅彩色图像增强算法, 增强单幅彩色图像像素的平均亮度; 最后通过非线性函数对亮度增强后的彩色图像实施局部对比度增强处理, 用线性调整方法恢复局部对比度增强后的图像颜色, 以获取最佳单幅彩色图像的图像增强结果. 实验结果表明, 该算法可获得亮度和对比度均较好的单幅彩色图像增强结果.     

一种改进的Retinex矿井图像增强算法

为了改善矿井图像的成像质量,提升观测效果,针对传统Retinex算法处理矿井图像时存在的色彩失真、光晕模糊和过增强等问题,提出了一种改进的Retinex矿井图像增强算法：首先将待处理图像从RGB空间转为HSV空间;基于Retinex理论,对V分量采用改进的自适应快速引导滤波进行照度估计,进而获得反射分量;提出了一种“S型”函数对照度分量进行照度均衡;对反射分量进行非线性拉伸,实现细节增强;最后将处理后的照度分量和反射分量融合,并转回RGB空间得到最终的增强图像。将本文算法应用于矿井下非均匀照度环境,并选择具有代表性的三个算法进行对比,实验结果表明本文算法增强结果在主观和客观评价方面优于其他算法。可见该算法在色彩、细节和边缘保持方面均较优,且能够避免过增强现象,实现矿井图像的有效增强。     

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。     

Retinex理论下基于融合思想的低照度彩色图像增强算法

针对Retinex算法处理后的图像边缘保持性差,易产生光晕和过增强的缺点,以及双边滤波易造成图像细节丢失的现象,提出了一种Retinex理论下基于融合思想的图像增强算法。该算法首先在YCb Cr颜色空间提取亮度Y分量,对亮度分量进行大、中、小不同尺度的MSR增强,获得细节信息保留较好的亮度图像,同时在RGB颜色空间对图像进行基于双边滤波的单尺度Retinex增强,获得边缘信息较好的增强图像;然后对增强后的两幅图像加权融合;最后对融合的图像进行颜色恢复处理得到最终的增强图像。通过本文算法与经典SSR、MSR和MSRCR算法处理后的图像进行比较,实验结果表明,本文算法处理后的图像在细节、颜色和边缘保持方面都优于其他算法,并且避免了光晕和过增强现象的发生。     

具有细节补偿和色彩恢复的多尺度Retinex色调映射算法

针对带色彩恢复的多尺度Retinex色调映射算法(MSRCR)在分离图像光照信息时未保留部分细节信息,导致结果图像出现细节模糊和颜色失真的问题,提出了一种具有细节补偿和色彩恢复的多尺度Retinex色调映射算法(MSRCD).该算法利用Retinex理论的基本原理将高动态范围图像分为反射层和光照层,先使用双边滤波从图像光照层中提取出细节信息进行补偿,然后从图像的反射层中分离出基本层信息并进行自适应调整,压缩其动态范围,最后通过色彩校正还原图像颜色.实验结果表明,与MSRCR算法及基于双边滤波的算法相比,MSRCD算法的处理结果保留了更丰富的细节信息,色彩逼近于真实场景且避免了光晕的产生.