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。     

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。     

基于奇异值分解和引导滤波的低照度图像增强算法

针对现有低照度图像增强算法在处理图像后容易出现色彩失真、细节丢失、过度增强等问题,提出一种基于奇异值分解和引导滤波的低照度图像增强算法.首先通过Max-RGB模型获得初始光照分量,使用奇异值分解和引导滤波对初始光照分量进行优化,得到最终光照分量.利用Retinex模型,将原低照度图与光照分量图逐点相除,得到增强图像,并使用原始图像的绿色分量图作为引导图像,使用引导滤波对增强图像进行去噪处理.实验结果表明,提出的算法能够得到色彩更加真实、视觉效果更好的图像,同时能够避免过度增强、出现光晕等问题.     

基于Retinex理论的图像增强算法的车辆主动安全技术

车辆主动安全技术监测系统中在遇到复杂道路、夜间环境及弱光照的情况下图像很容易受到驾驶员个体、光照变化等要素的影响,使算法精确性大大降低,为提升图像处理算法的精确性,通过分析Retinex理论的图像增强技术能够对图像低频部分进行提取,并借助多尺度Retinex(MSR)算法补偿图像光照,融合梯度图像即可得到全新图像,实验结果表明,基于Retinex理论的图像增强算法可以更好的呈现道路和驾驶员面部特征,使弯道线检测的鲁棒性大大改善,便于开展图像处理工作.     

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。     

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.     

非均匀光照条件下的水下图像增强算法

自然水域非均匀光照环境中,针对图像存在模糊、对比度低、颜色失真等退化现象,提出一种视觉显著性分割和Retinex算法相结合的水下图像增强方法。首先,依据图像的亮度、色度和方向特征得到图像显著图,进而分割出前景区域和背景区域;然后,基于Retinex算法分别对两区域增强处理,并对背景区域进行二次增强;最后,采用泊松融合算法得到两区域增强后的合成图像。实验结果表明,提出的算法提高了水下非均匀光照条件下的图像清晰度,与其他算法相比,具有更好的性能。     

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.