一种基于颜色恒常性的低照度图像增强方法

目的在彩色图像采集过程中,光源偏暗或曝光不足等因素常导致图像亮度和对比度偏低。提出一种基于颜色恒常性的低照度图像增强方法。方法利用HSV颜色空间消除颜色分量之间的相关性。保持色调分量不变,避免颜色失真;一方面使用改进后的MSR(多尺度Retinex)算法对亮度分量进行增强,提高图像的亮度和对比度;另一方面对饱和度分量进行自适应非线性拉伸以提高颜色的饱和度。结果提出的方法能够有效提高图像的对比度和信息熵,获得较好的视觉效果;将文中方法同传统MSR算法和MSRCR算法进行对比,文中方法各项客观评价指标均优于其他2种算法,并且具有更快的运行速度。结论文中方法能够快速有效地提高低照度图像的亮度和对比度,并且具有较强的颜色保真和细节再现能力,实验结果证明了文中方法的有效性。

基于典型相关分析的多视图学习方法综述

多视图学习是将不同来源的特征子集加以融合的策略。典型相关分析是多视图学习中的重要方法,旨在最大化不同视图之间的相关性。传统的典型相关分析仅能计算两个视图之间的线性相关性,无法应用于包含多个视图或包含非线性相关性的数据集。此外,如果将典型相关分析应用于有监督任务,其作为一种无监督方法将导致标签信息的浪费。针对上述问题,提出大量非线性的、针对多个视图的、有监督的基于典型相关分析的多视图学习方法。首先,概述经典的基于典型相关分析的多视图方法;然后介绍这些方法在模式识别、跨模态检索和分类,以及多视图嵌入中的典型应用;最后,对基于典型相关分析的多视图学习方法面临的挑战和未来研究方向进行了总结和展望。