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。     

改进的多尺度Retinex井下图像增强算法

为解决煤矿井下图像质量差、图像清晰度差、可分辨率低、模糊等问题,针对多尺度Retinex增强算法存在的不足,提出一种改进的基于S曲线函数的多尺度Retinex图像增强算法,该S曲线函数不同于基本的sig函数,函数图像具有S形状,为不对称函数.研究结果表明:应用改进后的算法,处理后的图像在有效增强目标图像的同时也抑制了背景噪声,图像的对比度与质量得到提高,能够获得目标区域的最佳视觉效果.     

基于多尺度Retinex理论的彩色图像增强算法

提出一种基于Retinex理论的图像增强算法,Retinex理论的实质就是从图像I中获得物体的反射性质R,即抛开入射光的性质获得物体的本来面貌,对多尺度的Retinex理论算法进行改进,即将直方图均衡化算法用于多尺度的Retinex算法中.通过该方法得到的图像具有色彩逼真、动态范围大等特点.实验表明该算法确实对彩色图像起到增强的效果.     

基于改进Retinex算法的含雾图像清晰化处理技术

雾天条件下获取的图像由于空气中颗粒的影响导致其图像对比度低、内容模糊不清,同时有整体偏向灰白色的趋势。含雾图像清晰化就是为了能够提高图像的对比度,恢复它的真实色彩。该文在深入分析单尺度Retinex算法和多尺度Retinex算法的同时,提出了基于直方图均衡化调整的改进Retinex算法实现含雾图像的清晰化算法,并通过对同一含雾图像基于不同算法进行试验,验证了该文所改进算法的有效性。     

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.     

双透射率成像模型与Retinex 融合的水下图像清晰化

针对水下图像出现的颜色失真、对比度低、雾化现象等问题,提出双透射率成像模型与Retinex融合的水下图像清晰化方法.首先,采用基于改进双透射率成像模型的复原算法,用以解决图像雾化以及亮度失衡;其次,在带色彩恢复的多尺度Retinex增强算法中引入引导滤波,解决图像色偏问题;此外,引用自动色彩增强算法,有效提升对比度;最后,将三个输入图像与结合对比度、显著性、饱和性得到的对应权重图采用多尺度融合框架得到清晰化水下图像.实验结果表明,与现有新颖算法相比,所提方法可以最大程度地将多种单一算法的优势有效结合起来,水下彩色图像质量评价指标(underwater color image quality evaluation,UCIQE)均值高于各比较算法6.03％且加速鲁棒特征(speeded up robust features,SURF)特征匹配点明显提升,算法能在保留图像细节的同时有效校正色偏现象、提升图像对比度及清晰度,更符合人眼的视觉效果.     

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。     

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。     

基于小波分析和Retinex算法的图像增强算法

为了改善图像增强效果, 提高图像质量, 提出一种基于小波分析和Retinex算法的图像增强算法(WA Retinex). 先采用小波分析对图像进行多尺度分解, 去除图像中的噪声; 再采用Retinex算法对图像细节信息进行增强, 并引入更符合人眼视觉特性的拟合函数拓宽图像灰度范围; 最后通过仿真实验对其有效性和优越性进行分析. 实验结果表明, 该算法明显改善了图像的整体视觉效果, 能更好地刻画图像细节信息,  性能优于现有的一些经典Retinex算法.     

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。     

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.     

基于饱和度的多尺度雾天降质图像质量增强算法研究

传统图像质量增强算法只适于薄雾状态下的降质图像,对浓雾状态下图像质量的增强效果较差。为此,提出一种新的基于饱和度的多尺度雾天降质图像质量增强算法,通过混合灰度转换函数子带分解多尺度Retinex算法挑选高、中、低三个尺度,结合雾天降质图像整体阴影区域和高光部分的细节,依次完成对雾天降质图像各个频段的质量增强,获取各个频段的质量增强结果。把获取结果与原图像共同视为一个图像集合,通过图像融合技术完成对所有图像的权重图分配操作,提高增强后图像质量。实验结果表明,所提算法能够有效增强雾天降质图像质量,主观客观评价结果均较优。     

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。     

基于单尺度Retinex算法的非线性图像增强算法

提出一种改进的Retinex算法——基于单尺度Retinex的非线性图像增强算法.不同于经典的Retinex算法用复杂的运算估计亮度图像,该算法首先对亮度图像进行粗估计,然后通过非线性运算在反射图像中对粗估计的亮度图像进行补偿.实验结果表明,所提出的算法同经典的Retinex算法相比,无论在增强效果还是在处理时间上都具有更大的优越性.