基于改进多尺度Retinex理论的海上图像去雾算法

针对传统去雾算法在海雾环境下处理得到的图像细节丢失、亮度偏暗及色彩失真等问题,提出了一种基于Retinex理论的海上图像去雾算法。首先,将图像转换到HSV空间,通过改进的多尺度Retinex增强算法对V通道单独处理获得照射分量。其次,将照射分量经过对数运算获得反射分量,与归一化处理后的H和S通道合并获得图像基础层。最后,通过引导滤波获得图像细节层,并与基础层合并进行自动白平衡处理,得到最终结果图像。试验证明,与暗通道先验算法及传统多尺度视网膜增强算法相比,提出的算法在标准差、平均梯度、峰值信噪比及结构相似性等评价指标方面均有所提升,海雾图像去雾质量得到有效增强,对提高海雾环境下船舶通航效率具有重要意义。

基于改进小波阈值函数和全尺度Retinex的红外图像融合增强算法

针对现有红外图像增强算法存在信噪比低、细节模糊、清晰度差等问题,本文提出基于改进小波阈值函数和全尺度Retinex的红外图像融合增强算法。首先,为克服尺度参数固定和光线散射导致红外图像退化的问题,利用大气透射率得到Retinex尺度参数的全尺度映射图,从而有效提高图像的清晰度,并将输入图像和使用全尺度Retinex处理后的输入图像作为算法的第一个输入和第二个输入。其次,为解决传统小波阈值函数在图像降噪过程中存在伪影、细节丢失等问题,设计改进小波阈值函数,通过引入尺度因子,在计算每层高频子图小波系数后,能根据该层数自适应调整尺度因子,并引入调节因子,结合指数函数,使该函数不仅能抑制高频子图噪声,还能极大程度保留细节信息。然后,使用小波图像融合的方式融合输入的高频子图和低频子图,进一步提高输出图像的纹理细节。主客观仿真结果表明,所提算法比其它对比算法具有更好的降噪和细节突出能力,并能提高红外图像的人眼视觉效果。最后,本文算法应用于红外成像模块采集的红外图像增强,效果良好,表明本文方法具有实用性。

基于Retinex的自适应水域图像去雾算法

针对利用Retinex理论对水域雾天图像去雾时出现去雾不彻底、色彩失真等问题,提出一种基于Retinex的自适应水域图像去雾算法,通过分析水域雾天图像特征,提出水域雾气浓度划分标准,实现自适应去雾。将水域雾天图像由RGB颜色空间转到HSI颜色空间,对亮度(Intensity,I)分量进行拉伸变换以调节亮度平衡,再用改进的单尺度Retinex(singal scale Retinex,SSR)算法对I分量进行增强处理,初步提高图像清晰度;将增强处理后的图像转换回RGB颜色空间进行自适应伽马变换增强,进一步提高图像的清晰度及对比度;利用HSI颜色空间进行图像饱和度补偿及其他操作实现对水域雾天图像的色彩恢复。实验结果表明,该算法能有效进行自适应水域雾天图像去雾,色彩恢复真实,可得到细节清晰的高质量去雾图像。

基于Retinex和HSV颜色空间的低照度图像增强算法

针对低照度图像存在的对比度低、颜色失真、细节信息损失、噪声干扰等问题,提出一种基于Retinex的改进算法。首先,将原始图像转换到HSV颜色空间,采用改进算法和Gamma校正对V分量进行亮度调节;其次,基于对比度拉伸算法调整S分量,增强图像饱和度和对比度;最后,将融合后的图像转换回RGB颜色空间,输出图像。在MATLAB平台上选取不同场景低照度图像进行增强处理,采用图像信息熵(IE)、峰值信噪比(PSNR)和结构相似性指数(SSIM)三个客观指标进行均值对比,实验结果表明,新算法计算结果均优于传统的直方图均衡化算法(HE)和多尺度Retinex算法(MSR),有效保持图像边缘信息,提升图像质量。

基于Retinex先验引导的低光照图像快速增强方法

低光照图像增强旨在提高在低光照环境下所采集图像的视觉质量.然而,现有的低光照图像增强方法难以在计算效率与增强性能之间达到很好的平衡,为此,提出一种基于Retinex先验引导的低光照图像快速增强方法,将Retinex模型与Gamma校正相结合,快速输出具有对比度高、视觉效果好和低噪声的图像.为获取具有良好光照的图像以引导确定与输入图像尺寸大小一致的Gamma校正图,提出基于Retinex模型的先验图像生成方法.针对所提先验图像生成方法在极低光照区域中存在颜色失真的问题,提出一种基于融合的Gamma校正图估计方法,采用反正切变换恢复极低光照区域的颜色和对比度,以提升Gamma校正图在极低光照区域的增强性能.为抑制输出图像的噪声,考虑到完全平滑的Gamma校正图不会平滑细节纹理的特点,提出基于域变换递归滤波的Gamma校正图优化方法,降低输出图像噪声的同时保持颜色和对比度.实验结果表明,所提方法不仅在主客观图像质量评价上优于现有大多数主流算法,而且在计算效率上具有十分显著的优势.

结合灰度世界和Retinex的低照度图像增强算法

针对图像增强处理中亮度偏低、细节模糊、色彩失真等问题,提出了一种基于Gabor滤波的多尺度Retinex与自适应补偿的灰度世界理论结合的图像增强算法.通过双伽马函数预处理图像暗区对比度并抑制亮区过增强;考虑Gabor滤波良好的方向选择性和纹理细节敏感度,将其作为多尺度Retinex算法的中心环绕函数在双曲正切域上进行卷积来突出细节,并添加增益偏移算子动态地调整反射分量的亮度;最后使用自适应补偿的灰度世界算法进行色彩保持和校正,得到最终的输出图像.实验结果表明该算法在结构相似性、标准差和平均梯度上比对比算法的平均值分别高出47%、38%和50.3%,处理后的图像在提高亮度、突出细节的同时保持了较高的色彩度.

基于Retinex-Net网络模型的渐晕图像校正

相机成像过程中会因为视角变化而产生渐晕效应,使图像出现中间亮、四周暗的现象。渐晕的存在使图像丢失部分边缘纹理信息,极大地影响机器视觉处理的性能。针对此问题,本文从校正图像清晰度和提高去噪性能两方面入手,对Retinex-Net网络模型进行改进。首先,在原模型基础上添加空洞卷积,以保持校正图像的高分辨率并扩大感受野。其次,将图像去噪改进为密集残差网络的方式,目的是密集提取渐晕图像的每一层特征,更多地保留图像的细节特性并抑制噪声。最后,构建了渐晕图像的数据集,并将本文提出的算法在测试集上进行校正性能验证。本文算法与改进前的原网络模型相比较,SSIM值提升了0.293,PSNR值提升了0.727,RMSE值降低了0.095。相较于最小化图像熵、自适应补偿Retinex、基于径向梯度对称性等校正算法,本文算法具有更好的校正性能,并且在视觉上更适合观察和理解。

基于Retinex里双分量改进的微光图像增强方法

近年来,微光图像增强技术备受关注,但仍存在一些问题。例如,有时暗区域没有完全改善,有时光源或光源附近的明亮区域曝光过度。针对以上问题,提出了一种基于Retinex模型里照度分量和反射分量双增强的图像增强方法。该方法首先将原始图像由RGB空间转换到HSV空间,并提取其中的V分量进行后续处理;然后对V分量进行引导滤波获得图像照度分量,根据Retinex理论通过分解得到图像的反射分量;接着对照度分量进行全局自适应亮度增强,对反射分量进行多尺度细节加强;再将增强后的照度分量和反射分量按照Retinex模型重构得到V分量重构图,并经过非线性变换处理和局部对比度增强处理;最终转换回RGB空间获得最终增强图。实验结果表明,该方法的峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似指数(structural similarity index measure,SSIM)评价值分别为17.741和0.765,具有更好的图像质量,较其他方法表现出更好的增强效果。

基于自适应Retinex算法的煤矿低光照图像增强研究

针对煤矿井下图像由于光照不均以及粉尘等因素影响,造成采集图像亮度、对比度不足等问题,提出了一种基于自适应Retinex算法的煤矿低光照图像增强算法。首先将图像分解为光照图和反射图,并采用Unet网络提取多尺度图像特征,引入控制因子抵消多尺度带来的影响,有效提高了图像质量。然后将图像梯度作为调节因子,自适应调整多尺度算子,并引入重构损失和去噪模块抑制图像增强过程中产生的噪声。试验结果表明:所提算法在峰值信噪比和结构相似性方面优于部分现有算法,充分证明了该方法的有效性。

基于改进Retinex和分数阶微分的矿井红外图像增强算法

矿井红外图像增强是提高井下工作环境安全性和可视化监控能力的关键技术之一。然而,由于井下光照复杂、红外图像质量较差等因素,现有算法在增强效果和细节保留方面存在不足。为此,提出了基于改进Retinex和分数阶微分的矿井红外图像增强算法。首先针对现有Retinex算法存在的局部对比度不足问题,引入颜色恢复模块,在进行反射传递函数估计时利用彩色空间信息增强图像的局部对比度。该模块通过计算多个彩色通道的统计特征,并结合颜色转换矩阵,实现了更准确的反射传递函数估计,从而提高了图像整体对比度。其次通过分析图像的局部灰度特征,根据分数阶微分算子的响应特性自动调整指数参数,以实现对不同纹理细节的合理增强。采用多组真实矿井红外图像对所提算法性能进行了试验验证,结果表明:该算法在图像增强效果和细节保留方面相对于Retinex等算法具有一定的优势,为提升矿井复杂光照条件下的红外图像对比度提供了支持。

基于Retinex增强的多尺度分解的红外与可见光图像融合算法

针对传统红外与可见光图像融合算法在低照度条件下融合结果对比度差、目标边际模糊、背景细节信息丢失等问题,提出一种基于Retinex增强的多尺度分解的红外与可见光图像融合算法。首先,利用Retinex对弱可见光图像进行单尺度Retinex(SSR)算法信息增强处理;其次,利用交叉双边滤波对源图像进行多尺度分解,先后得到图像的基层图像信息和细节层图像信息,对基础层图像采用绝对值取大策略和引导滤波相结合的融合方法,对细节层图像采用构建权重图和显著图的融合方法;最后,将处理后的基础层图像和细节层图像加权得到融合图像。从主观分析来看,本文方法可以有效提取和融合源图像中的重要信息,得到融合质量高、视觉效果自然清晰的图像。从客观评价来看,多组图像融合结果表明,本文所提方法的AG、SF、CE和FMI指标均较好。

基于残差融合的改进Retinex图像增强算法

针对低照度图像边缘纹理模糊、亮度和对比度偏低等问题,提出一种基于残差融合的改进Retinex图像增强算法。该算法采用自适应多尺度引导滤波AMGF(Adaptive Multi-scale Guided Filtering,AMGF)替代高斯核函数,根据Retinex理论获取反射图像;使用CLAHE拉伸反射图像的对比度;通过L 0范数提取输入图像残差进行融合;进行颜色恢复处理。实验结果表明,所提算法有效地提升了低照度图像的边缘细节表达能力,提高了图像质量和视觉效果。

改进Retinex-Net的露天矿低质图像增强算法

露天矿低质图像增强是无人驾驶宽体车感知系统的重要环节,单目相机获取的图像易受到矿区粉尘、雨雪雾、剧烈震动等多种因素影响。针对传统图像增强算法在处理露天矿图像时存在噪声大、图像颜色失真等问题,提出了改进Retinex-Net算法对露天煤矿图像进行增强。使用循环对抗生成网络和双通道残差网络来改进增强和去噪部分。循环对抗生成网络通过学习低光照图像和正常光照图像之间的映射关系,生成更自然和真实的增强结果。双通道残差网络通过同时处理亮度和色度信息,有效去除低光照图像中的噪声和伪影。试验结果表明:该方法在客观和主观评价指标上均优于现有方法。所提改进Retinex-Net算法为解决露天矿图像质量问题提供了一种有效方案。

基于Retinex理论的低光图像增强算法

为解决低光图像存在的质量不佳和退化的问题,提出一种新的基于Retinex理论的低光图像增强网络用于低光图像的增强。与传统的基于Retinex的低光图像增强网络的三阶段处理方法不同,提出的网络一共包括分解网络和融合网络2个子网络,分别用于对低光图像的Retinex分解和对分解的反射分量与光照分量的融合,最后得到增强后的低光图像。改进后的2个子网络解决了低光图像存在的图像严重退化的问题,并通过与其他算法的对比试验验证了改进后的网络对低光图像增强效果的优越性。本文提出的低光图像增强算法能够明显降低低光图像增强过程中的噪声和颜色失真。

基于Retinex和Gamma变换的低照度图像增强方法

为均衡增强低照度图像的同时,保留其更多的细节信息,提出一种改进Retinex低照度图像增强算法.该算法基于HSV(Hue,Saturation,Value)颜色空间,对分离出的明度分量和饱和度分量进行增强.首先,使用限制对比度自适应直方图均衡化(Contrast Limited Adap-tive Histogram Equalization,CLAHE)优化明度分量,使图像更接近均匀光照场景,并使用自适应Gamma对饱和度分量进行校正.然后,采用三维块匹配滤波(Block-matching and 3D Filter-ing,BM3D)算法对光照分量进行估计,并求得相应的反射分量,提出一种改进Gamma变换函数,依据光照分量信息对明度分量进行增强,同时,采用Gabor滤波器和Canny算法对原图进行细节提取,提出一种细节增强策略,对反射分量及其纹理细节进行增强.最后,将各分量进行加权融合,再将增强图像变换回RGB空间.实验结果表明,所提算法相较于自动色彩均衡、自适应局部色调映射、低光照图像增强、带色彩恢复多尺度视网膜增强算法有更好的增强效果和普适性,且原图经过增强后,信息熵、峰值信噪比、结构相似性指数、图像质量指数、平均梯度有显著提升,均方根误差显著下降.

基于色彩衰减补偿和改进的Retinex水下图像增强

针对水下图像通常受到色偏、噪声和细节模糊的影响,且难以适应于各类视觉任务的问题,本文提出一种基于色彩衰减补偿和改进的多尺度Retinex的水下图像增强方法。首先针对水下图像出现色偏的问题,将水下图像分离为强、中、弱3个通道,且分别对3个通道进行不同尺度的颜色补偿,其次通过改进的多尺度Retinex算法增加边缘细节和对比度,在估计图像的光照分量时,用引导滤波替换高斯滤波,最后结合自适应伽马函数对光照分量进行校正。实验结果表明,本文方法能够有效改善不同场景下水下图像出现的色偏问题,能够提高对比度的同时增加图像细节,让水下图像的质量得到明显提升。

基于照度分割的局部多尺度Retinex算法

针对现有多尺度Retinex图像增强算法采用线性加权的方法来综合各个单尺度Retinex增强效果,不能很好地体现出各个尺度在色彩保真和细节增强上的特点与优势,本文提出一种新的基于照度分割的局部多尺度Retinex图像增强算法.该算法首先通过引入带参数的LIP模型将图像分解成四个照度区域,然后对各区域根据照度的差异采用相应尺度的Retinex算法进行增强,最后通过基于面积的比例因子对各增强后子图进行照度融合,实现图像增强.实验结果表明,与现有多尺度Retinex算法相比,本文算法在图像亮度保持和细节增强上,处理效果较好,在色彩方面也有较好的效果.

基于改进Retinex算法的海底地貌图像增强方法

为获取更清晰的海底地貌图像,研究基于改进Retinex算法的海底地貌图像增强方法。使用高斯低通滤波器进行低频入射分量的卷积操作,计算图像带色彩恢复输出值;构造一般表现形式,得到像素区域内对数修正的输出值;基于多尺度Retinex算法对色彩对比度进行增强处理;计算亮度值以及图像的入射分量,对海底地貌图像进行光照补偿;改进Retinex算法,实现海底地貌图像增强。由对比处理图像结果可知,所提算法的增强图像亮度更均匀、色彩更饱满且细节纹理更清晰。在客观参数对比中,所提算法对比度、清晰度以及信息熵也高于其他图像,有效提高了图像清晰度。

基于人眼视觉特性的Retinex算法研究

根据感受野机制,人眼对场景中各点的感知程度是呈同心圆拮抗式的高斯分布。受此启发,本文提出一种基于人眼视觉特性的Retinex算法,即同心圆拮抗式Retinex算法。该算法在以待处理点为中心的同心圆区域使用高斯分布对像素点进行采样,计算样本中的最亮点,并将该点与处理点进行亮度比较,计算出物体的反射分量。该算法有效解决了基于路径Retinex算法中,对路径强烈依赖和无法获取尽可能多邻域信息等问题,避免了中心环绕Retinex算法中存在的全局性较差的问题。实验结果表明,本文算法在全局和局部上,都有很好的增强效果和色彩保真性,同时也避免了"光晕伪影"。

基于改进Retinex-Net的电力系统网络入侵检测方法研究

由分解网络、增强网络和图像重建构建而成的改进Retinex-Net神经网络模型,在电力系统网络入侵检测过程中,将图片从RGB空间域中转换至HSV空间域,利用V分量对其进行处理,之后在分解、强化、降噪的操作下,从RGB中输出增强后的图片,将其作为实现电力设备状态感知的重要条件,为后续的电力系统网络入侵检测奠定坚实的基础。以改进Retinex-Net为基础进行电力系统网络入侵检测方法研究,旨在通过利用Retinex-Net端到端的可训练低亮度图像,达到增强网络的目的,提高电力系统网络的故障检测能力,从而形成高效的电力系统网络入侵检测方法。