结合HE和改进MSRCR的交通雾霾图像增强

【目的】受大气粒子散射的影响,雾霾天气下的交通监控图像严重降质,影响交通安全。【方法】针对雾霾图像存在对比度低、灰度分布狭窄和细节损失严重的问题,提出一种结合直方图均衡化(HE)和改进色彩恢复多尺度Retinex(MSRCR)的单幅交通图像去雾霾算法。该算法首先将图像分别进行HE和MSRCR增强,其中MSRCR增强时,使用具有平滑保边缘功能的引导滤波替换高斯函数来估计光照分量,然后对增强后的两幅图像进行加权融合。【结果】通过定性分析发现,该算法有效改善了图像的主观视觉效果;通过定量分析发现,该算法相对于HE、MSRCR、B-SSR和G-SSR算法,显著提高了图像的平均梯度和对比度,且灰度熵和彩色熵也有一定程度提高。【结论】实验结果表明,该算法能有效增强交通雾霾图像。     

基于Python的夜间图像增强方法研究

数字图像广泛应用于生活娱乐、医学、交通等领域,由于光照不均匀和光照强度不够等自然环境、拍摄技术和设备的限制,有些获取的夜间图像对比度低、色彩偏暗、细节缺失严重,且含有大量噪声,影响图像的辨识度和质量,极大的影响了视觉体验.针对该问题,本文分析了基于Retinex和去雾理论的夜间图像增强算法,提高夜间图像的亮度和对比度,提升图像的可视化效果;运用Python语言实现了MSRCR、MSRCP以及基于去雾理论的增强算法.研究结果表明,对夜间图像进行增强处理后,能极大地提高图像的可视化效果.     

雾霾天交通视频监控系统图像实时清晰化处理

针对交通视频监控系统在雾霾天气下图像像质退化的问题,从天气对系统成像影响入手分析造成系统图像降质和模糊的机理。基于全局暗原色先验和图像对比度增强方法,提出了一种有效、快速的雾霾天气下降质图像清晰化处理方法。结合实际应用,以现场可编程门阵列FPGA为核心处理单元,设计了一种高速图像采集、增强、去雾霾和传输系统平台,并基于该平台实际验证了文中提出的算法。最后,经过实际测试表明,该系统平台能实时、有效地提高交通视频监控系统图像的对比度和色彩清晰度,从而提高了其工作的可靠性、稳定性以及应对恶劣天气的能力。     

基于全局亮度自适应均衡化的海上图像带色彩恢复的多尺度Retinex算法

针对海上图像利用多尺度图像增强算法（MSRCR）不能有效地去除雾以及存在颜色纠偏过度问题,提出了一种基于全局亮度自适应均衡化的海上图像改进MSRCR算法。该算法首先计算海上雾天图像的取反图;其次对原图像和取反后图像进行MSRCR运算;然后利用全局亮度自适应直方图均衡化处理,并将处理后的亮度与经MSRCR处理后的反射分量进行低频信号线性叠加;最后计算叠加后图像的均值和标准差,并采用自适应拉伸图像灰度值,实现图像色彩对比度的提升。实验证明该算法处理后的图像,前景突出,细节清晰,色彩丰富,对于海上图像除雾,具有一定的意义。     

基于灰度DAG熵最大化量化分辨率医学图像增强

为提高医学图像增强的清晰度和对比度,并提高计算效率,提出一种基于灰度有向无环图(DAG)熵最大化量化分辨率医学图像色调增强算法.首先,采用简单的分段自回归(PAR)模型进行图像目标恢复,并考虑到模数转换的误差利用全最小二乘算法进行PAR模型参数估计,获得高分辨率图像恢复直方图模型;其次,针对可能存在的对比度过低问题,将上述获得的最小二乘算法约束优化问题,建模为DAG中的最大权重路径问题,构建了色调保持最大熵图像增强过程约束优化模型,并通过DAG图Monge定理特性实现计算复杂度的降低;通过上述两个步骤,实现了医学图像增强过程中图像细节和对比度的同步增强,仿真实验显示所提算法可提供更为有效的医学图像增强效果.     

基于粒子群优化的红外图像增强方法

为解决低照度条件下红外图像边缘模糊、对比度差等问题,提出了一种红外图像增强算法。用粒子群优化算法(particle swarm optimization,PSO)结合伽马校正方法,将灰度标准方差融入评价函数,熵、边缘内容、灰度标准方差被用作每个粒子的目标函数,来评估所获得的红外图像增强结果,通过寻找最优伽马值对图像进行全局增强,实现了对红外图像的细节增强。实验结果表明,与传统直方图均衡(histogram equalization,HE)算法、自适应直方图均衡(adaptive histogram equalization,AHE)算法、限制对比度的自适应直方图均衡算法(contrast limited adaptive histogram equalization,CLAHE)相比,该算法的峰值信噪比(peak signal-to-noise ratio,PSNR)、均方误差(mean-square error,MSE)、结构相似性(structural similarity index,SSIM)指标为所有对比算法中最优,PSNR、SSIM分别提升了约56. 97%和18. 01%,SSIM优化了约18. 01%。通过该改进算法来处理红外图像,可以显著提高图像对比度,使图像细节更丰富,视觉效果得到很大改善。     

多尺度Retinex算法与其它图像增强方法比较

图像获取过程中往往由于光照不足导致图像出现暗影和低对比度,这严重影响了后期图像各种形式的处理,如人脸检测、边缘提取、图像融合等。文章提出利用MSRCR算法与其它常用动态范围调整的图像增强算法相比,如SSR,MSR,MSRCR和直方图均衡化增强;进一步利用MSRCR增益/偏移校正、基于双边滤波器的单尺度Retinex图像增强和同态滤波器对两组图像对比实验,结果显示这些方法在图像增强中都表现出良好的性能,且MSRCR算法可以弥补传统小波变换在图像增强中的对比度不高和丢失部分信息的不足,提高了图像的亮度,对比度和清晰度;且其峰值信噪比和信息熵普遍高于其它增强方法,并对其运行的时效性进行对比。     

一种可见光图像增强算法的FPGA实现

该文介绍一种可见光图像增强算法的FPGA实现方法,该方法针对雾霾天气或低对比度天气等条件下图像灰度分布范围窄的问题,利用图像处理系统中FPGA组件实现图像增强。视频图像数据流通过专用的接口芯片转换后传输给FPGA,FPGA内部程序通过时钟控制、图像缓存完成灰度信息统计和图像灰度拉伸,同时,多模块并行处理数据完成图像数据采集和图像数据处理,实时实现图像的增强,达到雾霾天气条件下提升可见摄像机作用距离和目标识别能力的目的。     

基于暗原色先验与Retinex理论的去雾算法

为提高雾霾图像的清晰化程度,采用暗原色先验方法与多尺度Retinex(MSR)算法相结合的方式,提出基于暗原色先验与Retinex理论的去雾算法.首先,采用暗原色先验方法对协雾霾图像进行物理意义上的去雾,雾霾图像细节得到增强;其次,将处理后的雾霾图像作为MSR算法的原始输入图像,雾霾图像对比度与平均亮度增大.仿真实验表明,该算法处理的雾霾图像对比度得到增大,图像平均亮度适中,总体效果较好,可在一定程度上提高雾霾图像的清晰度.     

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。