形态学和空间聚类融合的非均匀光照图像增强

在光照条件和周围环境双重作用影响下,智能视频监控系统采集图像清晰度不足,图中部分信息缺失,为此提出了形态学和空间聚类融合的非均匀光照图像增强方法。均衡调节非均匀光照图像的亮度。利用形态学中开、闭运算构建滤波器实现图像去噪。通过空间聚类融合方法先对图像灰度值聚类,建立目标和背景两个聚类空间,采用两种不同方法实施图像增强并将增强后的结果融合到一起,完成图像整体对比度增强。结果表明:所研究方法增强后,图像的峰值信噪比达40 dB以上、信息熵达80 bit以上,对比度达0.7以上,有效提升图像清晰度。

融合特征注意力机制的非均匀光照图像增强算法

在非均匀光照环境下用户获取到的图像往往呈现亮度分布不均、细节丢失等特点。针对现有图像增强算法在处理非均匀光照图像时容易造成局部过度增强或增强不足等问题,提出一种融合特征注意力机制的非均匀光照图像增强算法(ULIEN)。通过学习非线性Gamma函数将非均匀光照图像映射为增强图像,引入亮度注意力图和通道注意力机制分别为图像不同的亮度区域和特征通道分配不同的学习权值,实现不同区域的图像增强。在训练过程中,ULIEN增强网络无需任何参考图像,通过一组无参考损失函数的设计驱动增强网络训练。实验结果表明,经所提算法增强后的图像在主观视觉方面能有效避免细节丢失、伪影、局部过增强或增强不足等问题,在BTMQI、ENIQA、TMQI、UNIQUE客观评价指标上分别可达3.727 0、1.109 6、0.903 0、0.755 7,相较于对照增强算法具有明显优势。

非均匀光照图像双分量增强Retinex算法

图像增强是“数字图像处理”课程的一项重要教学内容。针对图像增强方法的实践训练,给出一个综合实验-非均匀光照图像双分量增强Retinex算法,该实验整合了灰度变换、直方图均衡、图像平滑、去锐化掩模、高频增强等图像增强方法,并引入用于图像质量评价的量化指标等内容,图像增强效果好,对于图像增强的实践教学具有较好的参考价值。

区域自适应的非均匀光照图像增强

传统的图像增强方法对非均匀光照图像进行增强时,通常只考虑了亮度和对比度的提升,忽视了增强过程产生的噪声放大和图像不自然等问题。而当前基于深度学习的方法仍然存在局部退化的现象,且训练模型需要庞大的数据集,运算量大,对硬件要求也更高。针对上述问题,提出了一种基于Retinex的区域自适应增强算法。首先,检测图像边缘并利用双边滤波器得到保留边缘信息的照明图。然后,引入光照调整因子,将部分光照调整到反射分量上以获得细节图像。这种方法可以改善细节并提高图像自然性。最后,通过结合改进的对比度受限自适应直方图均衡与伽马校正来增强图像对比度。实验结果表明,该算法对非均匀图像增强具有较好的普适性和鲁棒性,在保持图像自然性的同时,未出现明显过增强、光晕伪影、细节丢失和色彩失真等退化现象,在主观评价及客观评价方面均优于其他对比算法。

保持自然度的非均匀光照图像增强的Retinex算法

常规的非均匀照明图像增强方法在增强低光照区域细节时,容易对图像过度增强而导致结果失真。本文从一种新的角度提出了Retinex模型的一种扩展形式,并用于非均匀照明图像的增强。该算法将中心环绕Retinex模型输出作为感知反射率,将图像分解为感知光照图像和感知反射率图像,通过调整感知光照图像,再重新组合感知光照和感知反射率图像,得到增强结果。与近几年来多种图像增强算法的主客观评估对比实验结果表明,该算法对非均匀光照图像具有良好的增强效果,能够有效增强图像亮度和细节,提高图像质量。