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.     

结合分数阶微分和暗原色先验及Retinex的去雾算法

为提高雾霾天气图像的清晰度,提出了一种结合分数阶微分、暗原色先验及Retinex的去雾算法.首先将纹理丰富的雾霾天气下的图像进行分数阶微分,然后将分数阶微分后的图像作暗原色先验处理,并根据暗原色景深图信息计算其在图像中的Retinex尺度,最后对分数阶微分后的图像进行Retinex变换得到结果图像.对一系列雾霾天气下图像的测试结果表明:文中算法能够有效提高雾霾天气中模糊图像的清晰度,减少Retinex的光晕现象;与现有的多尺度Retinex及暗原色先验算法相比,对于纹理丰富及场景深度差异较大的雾霾天气下的图像,文中算法既能保持良好的增强效果,又可以加快运行速度.     

多尺度Retinex在图像去雾算法中的应用研究

针对单尺度Retinex(SSR)图像去雾的算法效果不佳,探讨在图像去雾处理中多尺度Retinex(MSR)算法去除浓雾、厚雾的问题,并在MSR基础上进一步对图像进行带颜色复原的MSR(MSRCR)的处理。首先采用二维傅立叶变换得到高斯滤波函数,同时由逆傅立叶变换、卷积积分计算出图像的入射分量,再通过算法计算出图像的反射分量,最后通过低通滤波器得到图像的高频分量后还原图像。实验结果显示:与SSR和MSR算法相比,MSRCR算法能更好地去除图片中的浓雾、厚雾的影响,提高带雾图片处理后的清晰度且效果明显。     

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。     

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.     

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.     

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.     

基于多尺度Retinex算法结合PCA特征加权的人脸识别方法

结合多尺度Retinex算法和PCA算法的特点,并引入权重系数,提出了一种新的人脸识别方法.首先,在人脸图像的预处理阶段,利用多尺度Retinex算法提取人脸图像光照不变分量,然后用PCA算法提取人脸光照不变量的主特征;为进一步减少光照变化对人脸识别率的影响,对提取到的主特征的前两个向量加小于1的权重系数;接着利用k近邻分类器进行人脸分类识别;最后基于CAS_PEAL_R1光照子集人脸库,在Matlab环境下进行仿真实验,实验结果表明该方法提高了人脸识别率.     

一种基于GPU的二维离散多分辨率小波变换加速方法

针对传统CPU平台下小波变换算法难满足当前高分辨率、 大数据规模下的实时性要求, 提出一种基于GPU的并行小波变换算法, 并通过改善Local Memory访存数据的局部性和增加Global Memory访存带宽的优化技术, 利用多Kernel并行提高多种分辨率下小波变换的性能. 实验结果表明, 与CPU串并行版本相比, GPU并行优化算
法在高分辨率变换情况下, 加速比最高可达30~60倍, 可满足对变换实时性的要求.     

二维钱方法的改进及其在图像去噪中的应用

针对目前二维钱方法运行时间缓慢的问题，提出了二维钱方法的快速优化方案，并将其首次应用于图像去噪:将二维钱方法的内积计算进行优化，通过2个一维积分来计算其二维积分，然后将内积的计算过程放置到GPU的计算单元中，使用CPU和GPU并行计算的方法，明显提高了运行速度；对于因使用钱方法对图像分解重构后图像产生条形波纹的现象，使用了扩展图像边界的方法来消除波纹，改善了图像的质量；将二维钱方法应用于图像去噪中． 研究结果表明，文中提出的二维钱方法的改进方案运行速度明显提升，尤其是在步长为0.5时可以达到实时运用，使得广泛应用二维钱方法理论来解决实际问题成为可能；该去噪算法步骤简单且能够获得良好的视觉效果，在滤除噪声和保留图像细节上进行均衡，去噪效果理想．     

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。     

基于异构平台的并行最大最小蚁群算法

最大最小蚂蚁系统(Max-min Ant System,MMAS)是一种性能优良的启发式算法,常用于解决组合优化问题.当解决的目标问题规模较大、迭代轮次较多时,最大最小蚁群算法存在运行时间长的缺点.试验以开源串行包ACOTSP为基准,利用GPU多线程并发的优势,采用并行蚂蚁策略将MMAS在CPU-GPU协同异构计算平台上并发实现.算法在GPU上运行时的影响因素,如数据传输、内存层次、库函数调用等,也得到有效分析,并作出针对性优化.试验最终取得了高达13倍的加速,表明并行MMAS策略具有高效性和实用性.     

基于CUDA的卫星影像快速Mask匀光方法研究

针对大数据量的卫星遥感影像进行匀光处理的过程计算量大,效率低的情况,本文提出了一种基于CUDA平台的卫星影像快速匀光并行处理方法,根据现有算法结构上的特点,将处理过程中的主要运算部分交由GPU完成。实验通过对资源三号卫星所得影像做匀光处理,对比了GPU与多核CPU运行速度和效果,分析了该方案的加速性能和实用性。实验表明,在保持原处理质量的同时,该方法构建的并行处理模型有效地提高了原有匀光算法的处理速度。     

基于CPU_MIC_GPU异构架构的Roberts算法优化探究

在高分辨率图像日益普及的情况下,Roberts边缘检测的处理速度急需进一步提高。在CPU表现不尽如人意的情况下,基于CPU/GPU和CPU/MIC的高度并行运算的研究愈加深入。在分析Roberts算法特点的基础上,将能并行的部分移植到GPU和MIC上进行。完成基于CPU/GPU和CPU/MIC的异构架构上的Roberts算法实现,并针对CPU/MIC上将程序进行向量化优化。实验结果表明,在相同单精度浮点运算能力下,GPU处理低分辨率图像的速度更快、加速比更高,但处理高分辨率图像时MIC的加速比最高为23.52,高于GPU的21.43。     

面向CPU+GPU异构计算的SIFT

依据图形处理器(GPU)计算特点和任务划分的特点,提出主从模型的CPU+GPU异构计算的处理模式.通过分析和定义问题中的并行化数据结构,描述计算任务到统一计算设备架构(CUDA)的映射机制,把问题或算法划分成多个子任务,并对划分的子任务给出合理的调度算法.结果表明,在GeForce GTX 285上实现的尺度不变特征变换(SIFT)并行算法相比CPU上的串行算法速度提升了近30倍.     

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。