基于多尺度卷积MSRCR的蒙古族家具纹样增强研究

针对蒙古族家具纹样采集过程中,受到环境、设备、人为干扰以及纹样自身风化等因素影响,产生对比度低、亮度异常、纹样模糊、色彩失真退化等情况,本文提出一种基于多尺度卷积MSRCR增强的算法。通过二次导向滤波、多通道多尺度卷积、线性加权融合、白平衡等步骤,对MSRCR算法进行改进。结果表明:该方法能有效提升纹样图像质量,改善纹样图像的对比度、亮度,在相关评价指标中也更优。

改进MSRCR的透明物体逆光图像增强算法

针对透明物体逆光图像对比度低、可视质量差、部分区域过度曝光、边缘信息模糊等问题,提出了一种改进MSRCR(Multi-Scale Retinex with Color Restoration)的透明物体逆光图像增强算法。首先,在MSRCR算法的基础上添加最小可觉差的倒数作为光照分量的调节因子,解决图像的色偏问题,得到准确清晰的透明物体边缘信息;然后,利用自适应对比度增强算法对原图像进行处理,得到亮度适中,对比度高的图像;最后,将两幅图像按亮度均值比例进行拉普拉斯金字塔融合,并进行线性拉伸。将该算法应用于安瓿瓶视觉尺寸测量,结果表明:改进MSRCR的透明物体逆光图像增强算法,能有效解决MSRCR算法的色偏问题,突显透明物体边缘细节信息,并保留亮度增强效果,将安瓿瓶的尺寸误差由0.35 mm降低到0.1mm,提高了透明物体尺寸测量精度。

基于边缘检测的数字媒体深度交互式图像分割算法

针对数字媒体深度交互式图像受噪声干扰,导致其边缘检测效果较差,影响其分割精度的问题,提出基于边缘检测的数字媒体深度交互式图像分割算法。首先,利用小波变换方法对数字媒体中的图像进行去噪处理,提高图像分割精度;其次,使用高斯函数与低通滤波增强去噪后的图像,提高图像的清晰度,为图像分割提供便利;最后,依据自适应阈值算法对数字媒体的图像进行边缘检测,像素合集中存在上下阈值。根据其上下阈值的计算求出像素合集中的高低两个阈值,并对其实施边缘连接,实现数字媒体图像分割。实验结果表明,所提方法对分割数字媒体图像去噪效果好,分割精度和效率高。

基于MSRCRYOLOv4tiny的田间玉米杂草检测模型

为实现田间环境下对玉米苗和杂草的高精度实时检测,本文提出一种融合带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法的改进YOLOv4tiny模型。首先,针对田间环境的图像特点采用MSRCR算法进行图像特征增强预处理,提高图像的对比度和细节质量;然后使用Mosaic在线数据增强方式,丰富目标检测背景,提高训练效率和小目标的检测精度;最后对YOLOv4tiny模型使用K-means++聚类算法进行先验框聚类分析和通道剪枝处理。改进和简化后的模型总参数量降低了45.3%,模型占用内存减少了45.8%,平均精度均值(Mean average precision,mAP)提高了2.5个百分点,在Jetson Nano嵌入式平台上平均检测帧耗时减少了22.4%。本文提出的PruneYOLOv4tiny模型与Faster RCNN、YOLOv3tiny、YOLOv43种常用的目标检测模型进行比较,结果表明:PruneYOLOv4tiny的mAP为96.6%,分别比Faster RCNN和YOLOv3tiny高22.1个百分点和3.6个百分点,比YOLOv4低1.2个百分点;模型占用内存为12.2 MB,是Faster RCNN的3.4%,YOLOv3tiny的36.9%,YOLOv4的5%;在Jetson Nano嵌入式平台上平均检测帧耗时为131 ms,分别是YOLOv3tiny和YOLOv4模型的32.1%和7.6%。可知本文提出的优化方法在模型占用内存、检测耗时和检测精度等方面优于其他常用目标检测算法,能够为硬件资源有限的田间精准除草的系统提供可行的实时杂草识别方法。

雾霾天气下交通信号灯的识别

针对雾霾天气下交通信号灯定位准确率较低、图像增强时出现图像亮度不均匀的问题,该文提出一种基于改进的带色彩恢复的多尺度视网膜增强(Multi-Scale Retinex with Color Restoration,MSRCR)的雾霾天气下信号灯识别算法。首先利用改进的MSRCR算法对有雾图像进行预处理,校正图像亮度并丰富图像细节;再利用最大稳定极值区域(Maximally Stable Extremal Regions,MSER)算法以及信号灯的背板信息确定信号灯的位置;最后将定位区域转换至HSV空间进行信号灯识别。结果表明,该方法能够在雾霾条件下有效地定位及识别交通信号灯。

基于图像增强的球团粒度检测方法

为解决球团生产过程中无法准确、即时获取球团粒度信息的问题,针对现有检测球团粒度检测方法的研究存在的不足,本文提出了一种基于图像增强的球团粒度检测方法。该方法使用工业相机获得实时球团图像后,结合Log变换的改进带色彩恢复的多尺度视网膜增强算法(MSRCR)进行图像增强,通过引导滤波在保留球团边缘信息的同时去除噪声,使用引入阈值分割的霍夫变换,快速检测出图像中球团的个数,计算并统计每个球团的粒度。结果表明:该方法对球团个数检测的准确度达到92.03%,对合格球个数的检测准确度达到91.25%,能够满足球团工艺生产的要求。研究结果对减轻工人劳动强度、提高球团生产效率以及合格率具有积极作用。

轮廓波变换与改进MSRCR的图像增强

针对数字图像中存在噪声信息多、图像清晰度差的问题,提出一种基于引导滤波的带色彩恢复的多尺度Retinex(MSRCR)的图像增强算法。利用轮廓波(Contourlet)变换将图像分解成低频和高频分量;用引导滤波代替MSRCR中的高斯滤波对低频分量进行局部线性增强,减少光照的影响;对各方向、各尺度上高频的系数进行阈值去噪;将重构后的图像进行模糊增强,提高图像的视觉效果。实验结果表明,与传统MSRCR算法相比,该算法有效提高了图像清晰度,抑制了噪声。

基于MSRCR与注意力机制的群体蚕茧智能识别算法

针对目前人工选茧误选率高、效率低的问题,本文以上车茧、黄斑茧、烂茧为研究对象,提出一种基于多尺度色彩恢复算法与注意力机制的群体蚕茧智能识别算法。首先,将原始图像进行低通滤波,并乘以色彩恢复因子,在多尺度内恢复蚕茧色彩与表面细节信息,得到多尺度高频细节图像。其次,通过修改YOLOv3算法主干特征提取网络中的残差层引入注意力机制,对卷积后特征图中的分支特征重新标定,增大有效特征的权重。最后,在非极大值抑制算法基础上增加一项得分与相邻框重合度计算过程,筛除YOLOv3后期无效预测框,实现群体蚕茧种类识别。实验结果表明,本文算法的均值平均精度达到85.52%,相较于YOLOv3增加4.85%。

基于MSRCR的自适应低照度图像增强

针对多尺度Retinex处理低照度图像出现的“光晕伪影”和色彩泛白现象,文中提出一种基于自适应权重带色彩恢复因子的多尺度Retinex图像增强算法。在HSV颜色空间中先将亮度通道图像分解为Retinex增强层和细节恢复层。在Retinex增强层中,不同尺度参数具有不同的增强效果,根据像素的概率分布,计算明暗不同区域的概率分布函数,获得自适应权重。所提算法有效地克服了尺度参数对亮度信息恢复造成的过增强现象。在细节恢复层中,导向滤波具有更优越的保边去噪特性,故采用导向滤波将图像分解成平滑层和边缘层图像,并利用增益系数增强边缘层信息。最后将自适应权重后Retinex亮度增强层、平滑层和边缘层图像融合重构为增强后的亮度通道图像,并在伽马校正算法中融入自适应调节因子来恢复图像在融合过程中丢失的部分细节和色彩信息。实验数据表明所提算法较其他对比算法具有更明显的优越性。

基于MSRCR的水下图像增强算法研究

针对水下彩色图像存在的颜色失真、对比度低问题,提出一种基于MSRCR的水下图像增强方法。首先,用MSRCR算法预处理初始图像削弱原图失真程度;然后,采用直方图拉伸拓宽预处理图像灰度级分布提高图像对比度;再通过伽马变换,突显图像细节的同时对图像颜色进行还原;最后进行引导滤波去噪平滑图像、保持图像边界。实验结果表明,经所提算法处理后的图像对比度明显提高,水下色彩失真问题得以解决。相比其他算法,该算法具有更好的稳健性。

结合自适应Gamma变换和MSRCR算法的低光照图像增强方法

针对低光照图像整体对比度低、细节显示不够清晰的问题,提出一种结合自适应伽马(Gamma)变换和带颜色恢复的多尺度Retinex(multi-scale Retinex with color restoration,MSRCR)算法的低光照图像增强方法。首先,为了动态地拉伸图像灰度值范围和提高图像对比度,进行RGB到HSV的颜色空间转换,采用多尺度融合方法提取图像的光照分量,并结合Gamma校正曲线实现图像自适应Gamma变换,提升图像的对比度;其次,针对自适应Gamma增强后的图像亮度较低的问题,采用MSRCR算法进一步提升图像亮度,并结合小波重构方法融合自适应Gamma变换后的图像和MSRCR增强后的图像;最后,由于小波重构后的图像局部存在过曝、过饱和的缺陷,结合基于模拟退火的自适应融合方法,将自适应Gamma变换后的图像和小波重构后的图像进行融合,得到最终的增强图像。所提方法既提高了低光照图像的对比度,使图像更有质感,又提升了图像的整体亮度,使暗部区域细节更加清晰;同时,弥补了MSRCR算法易出现色偏、颜色失真的缺陷。将所提方法应用于LOL低光照图像数据集,并与经典的图像增强算法进行对比。实验结果表明,所提方法使图像质量平均提高70%,图像结构相似性(structural similarity,SSIM)指数平均提高30%,图像信息熵平均提高20%,不仅提升了图像的对比度和亮度,而且避免了过曝、色偏、颜色失真等问题的出现。

基于图像增强的瓷质绝缘子灰密程度检测方法

由于雾天、光线较暗等恶劣现场条件下采集到的绝缘子图像清晰度与可读性较低,绝缘子目标及盘面区域色彩特征的提取较难,导致现有的可见光图像污秽检测方法不具备通用性,为此提出了一种基于图像增强的瓷质绝缘子灰密程度检测方法。先用改进的带颜色恢复的多尺度Retinex(MSRCR)算法对采集到的绝缘子图像进行增强,提高图像的清晰度和对比度;然后,采用二维最小误差法结合形态学滤波分割提取出绝缘子盘面区域,分别提取6个通道的均值、最大值、最小值等7个特征量并用Fisher准则函数筛选出分类能力较强的特征Smean,Smax,Svar作为灰密程度判别特征;最后,用思维进化算法(MEA)优化反向传播(BP)神经网络进行仿真预测。实验结果表明,概率神经网络和粒子群优化算法优化BP神经网络的判别准确率分别为88.00%和93.00%,而所提方法的准确率可达95.00%,可以准确判别恶劣条件下的绝缘子灰密程度。

模糊多尺度Retinex彩色图像增强

由于中心环绕Retinex算法中假设场景中光照是平缓变化的,所以在图像明暗对比强烈处易出现光晕现象。针对Retinex传统算法的固有缺陷,结合MSRCR算法在色彩恢复上的优势,提出了一种模糊多尺度Retinex彩色图像增强方法(FMSRCR)。FMSRCR使中心环绕空间对比运算仅在光照强度相近的区域中进行,克服了光照不均的影响。同时采用自适应高斯模,减少了卷积运算量。通过实验证明该方法是有效的。

基于Faster R-CNN和图像增强的水下鱼类目标检测方法

为了克服水下鱼类图像样本量不足及实现对水下低清晰度图像中鱼类的快速检测,提出了一种基于Faster R-CNN二次迁移学习和带色彩恢复的多尺度视网膜增强算法(MSRCR)的方法,首先通过ImageNet预训练模型对Open Images高清鱼类数据集进行一次迁移学习初步训练网络,然后固定检测模型低3层的卷积网络参数,再用水下拍摄的小规模鱼类数据集进行二次迁移学习微调网络,最后通过MSRCR算法对水下拍摄图像进行处理以增强其与高清鱼类图像的相似性,解决水下图像降质问题,让二次迁移学习高效进行。结果表明,该方法利用小规模水下拍摄鱼类数据集训练出的网络查准率可达到98.12%,网络检测能力及后续提升能力优于传统机器学习方法,并能够实现鱼类目标的快速检测,本研究结果可为深海探测作业与海底鱼类等生物资源的监测、保护和可持续开发等工程应用提供一定的参考。

基于YOLOv3的复杂天气条件下人车识别方法的研究

针对雨雪天气条件下路面行人和机动车的检测精度低、速度慢、易引起交通事故等问题,提出了改进的YOLOv3算法,并且将MSRCR图像增强处理与改进的YOLOv3算法相结合,进行人车目标检测。在进行目标检测时,首先将原始图像经过MSRCR图像增强处理,并且将处理后的图像作为目标检测的输入图像;然后运用K-means++聚类算法确定先验边框数及其具体参数,并设计合理的损失函数;最后利用改进的YOLOv3算法进行行人与车辆的检测。实验结果表明:利用MSRCR图像增强处理与改进的YOLOv3算法相结合可以有效地提高雨雪天气条件下行人与车辆的检测精度和检测速度,其中检测精度平均增加了1.78%,检测时间平均缩短了0.041 s,检测的准确性和实时性都得到了一定的提高,对于相关人车安全检测系统的开发与改进有一定的参考价值。

An adaptive segmentation method combining MSRCR and mean shift algorithm with K-means correction of green apples in natural environment

During the recognition and localization process of green apple targets,problems such as uneven illumination,occlusion of branches and leaves need to be solved.In this study,the multi-scale Retinex with color restoration(MSRCR)algorithm was applied to enhance the original green apple images captured in an orchard environment,aiming to minimize the impacts of varying light conditions.The enhanced images were then explicitly segmented using the mean shift algorithm,leading to a consistent gray value of the internal pixels in an independent fruit.After that,the fuzzy attention based on information maximization algorithm(FAIM)was developed to detect the incomplete growth position and realize threshold segmentation.Finally,the poorly segmented images were corrected using the K-means algorithm according to the shape,color and texture features.The users intuitively acquire the minimum enclosing rectangle localization results on a PC.A total of 500 green apple images were tested in this study.Compared with the manifold ranking algorithm,the K-means clustering algorithm and the traditional mean shift algorithm,the segmentation accuracy of the proposed method was 86.67%,which was 13.32%,19.82%and 9.23%higher than that of the other three algorithms,respectively.Additionally,the false positive and false negative errors were 0.58%and 11.64%,respectively,which were all lower than the other three compared algorithms.The proposed method accurately recognized the green apples under complex illumination conditions and growth environments.Additionally,it provided effective references for intelligent growth monitoring and yield estimation of fruits.

双选像素点的局部自适应ACE算法

针对自动色彩均衡(ACE)算法不能很好地保持图像原始色彩信息,并且算法复杂度高较难满足实时性应用的缺点,提出双选像素点的局部自适应ACE算法。将获得的图像变换到YCbCr色彩空间中,有利于保持图像的原始色彩信息,利用亮度图像的梯度信息与图像局部的均值方差信息进行双层像素点选择,降低算法的运算复杂度,采用局部自适应滤波调整ACE算法中的亮度控制函数,增强图像的局部对比度。实验结果表明,与传统的ACE算法相比,色彩恢复多尺度Retinex算法MSRCR的视觉效果更好,运行速度提高约150倍,计算复杂度得到了明显改进。

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

针对海上图像利用带色彩恢复的多尺度Retinex算法(multi-scale Retinex with color restoration,MSRCR)不能有效去除雾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。

一种火灾图像自适应强光抑制算法

在火灾图像的研究过程中,光照强弱常常会影响火灾图像的判别结果。当光照强烈时,图像受到强光干扰,甚至过曝光,会对后续的图像处理产生较大的影响。本文提出一种火灾图像自适应强光抑制算法,对HSV色彩空间中的V进行处理,通过中值滤波提取入射光分量,而后对其进行伽马自适应亮度校正,调整图像的亮度和对比度;MSRCR算法可对图像中受干扰区域进行颜色恢复,减少因过度曝光造成的图像颜色失真,使图像有更好的视觉效果。实验结果表明,本文算法可以有效提高受到强光干扰的图像的质量。

基于改进YOLO v4光线模糊场景下交通标志检测

近些年,自动驾驶开始进入人们的视线。对于自动驾驶而言,模糊光线场景下的交通标志检测是其中极其重要的一部分。目前YOLO v4算法广泛用于目标检测,虽然它的检测精度相比于其他YOLO版本有着较大的提高,但是还没有达到预期的精度。为了进一步提高检测交通标志的精度,本文在原有YOLO v4的基础上作一定的改进并与MSRCR图像增强处理相结合。首先将作为训练的图片通过MSRCR算法达到图像增强的目的,并将其作为目标检测的训练集图像。使用Darknet-53的YOLO v4网络,通过labelImg标注BelgiumTS交通信号数据集,使用改进的K-means++聚类算法确定先验框和具体参数并且改进路径聚合网络(PANet)结构和损失函数,将数据集进行训练。实验结果表明,改进后的算法与原本的YOLO v4算法相比较,平均精度提高了1.86个百分点。