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.

基于含噪Retinex模型的煤矿低光照图像增强方法

低光照图像会导致许多计算机视觉任务达不到预期效果,影响后续图像分析与智能决策。针对现有煤矿井下低光照图像增强方法未考虑图像现实噪声的问题,提出一种基于含噪Retinex模型的煤矿低光照图像增强方法。建立了含噪Retienx模型,利用噪声估计模块(NEM)估计现实噪声,将原图像和估计噪声作为光照分量估计模块(IEM)和反射分量估计模块(REM)的输入,生成光照分量与反射分量并对二者进行耦合,同时对光照分量进行伽马校正等调整,对耦合后的图像及调整后的光照分量进行除法运算,得到最终的增强图像。NEM通过3层CNN对含噪图像进行拜耳采样,然后重构生成与原图像大小一致的三通道特征图。IEM与REM均以ResNet-34作为图像特征提取网络,引入多尺度非对称卷积与注意力模块(MACAM),以增强网络的细节过滤能力及重要特征筛选能力。定性和定量评估结果表明,该方法能够平衡光源与黑暗环境之间的关系,降低现实噪声的影响,在图像自然度、真实度、对比度、结构等方面均具有良好性能,图像增强效果优于Retinex-Net,Zero-DCE,DRBN,DSLR,TBEFN,RUAS等模型。通过消融实验验证了NEM与MACAM的有效性。

基于Retinex模型和GTV的铁路货车铸件DR图像增强

铁路运输已成为我国最重要的运输方式之一,铁路货车部件(摇枕、侧架等)的铸造缺陷(气孔、裂纹等)可能造成交通事故。由于铁路铸件自身的不均匀性会导致原始DR图像灰度不均,不易捕捉缺陷细节,因此需要对原始DR图像进行图像增强等操作检测缺陷。基于Retinex模型,同时考虑目标的光照强度和材质信息,将图像分解为光照图和反射图。基于高斯全变分(GTV)的保护图像边缘滤波器可以平滑光照图像,并且可以移除光照图的纹理细节,因此缺陷等细节就暴露在反射图中。对于铁路货车铸件的缺陷识别问题,结合Retinex和GTV方法,提出一种改进的Retinex增强模型,利用GTV和基于纹理感知的加权项对Retinex分解过程中的光照图和反射图进行正则化。此外,用交替优化算法求解该模型。最后,将能够反映图像缺陷细节的反射图作为最终增强图像。此方法得到的图像不仅保留了图像的结构信息,还明显暴露了图像的缺陷细节。实验结果表明,与其他已有的模型相比,该模型增强缺陷效果显著,此外,该模型提高了DR图像的信息熵、平均梯度等量化指标。与原图相比,增强后图像的信息熵提高了8%以上,平均梯度至少提高为原来的6倍。此方法提高了DR图像检测缺陷的能力,可以应用于铁路货车铸件等无损检测领域。

结合多尺度深度学习网络和Retinex理论的低光照图像增强算法

针对低光照增强任务缺乏参考图像及现有算法存在的色彩失真、纹理丢失、细节模糊、真值图像获取难等问题,本文提出了一种基于Retinex理论与注意力机制的多尺度加权特征低光照图像增强算法。该算法通过基于Unet架构的特征提取模块对低光照图像进行多尺度的特征提取,生成高维度的多尺度特征图;建立注意力机制模块凸显对增强图像有利的不同尺度的特征信息,得到加权的高维特征图;最后反射估计模块中利用Retinex理论建立网络模型,通过高维特征图生成最终的增强图像。设计了一个端到端的网络架构并利用一组自正则损失函数对网络模型进行约束,摆脱了参考图像的约束,实现了无监督学习。最终实验结果表明本文算法在增强图像的对比度与清晰度的同时维持了较高的图像细节与纹理,具有良好的视觉效果,能够有效增强低光照图像,视觉质量得到较大改善;并与其他多种增强算法相比,客观指标PSNR和SSIM得到了提高。

改进Retinex算法的带雾航片去雾与三维建模研究

针对航测作业过程中遇到云雾等恶劣气候条件时,会产生影像色彩失真、饱和度低、背景模糊不清等问题,本文进行了影像去雾与影像增强算法的研究,提出了一种改进Retinex算法,并以重庆某山区为例,与两种传统经典算法进行比较分析。结果表明,本文算法可对带雾影像进行有效处理,获得更真实准确的细节、更清晰真实的光感色彩;使用去雾与增强后的影像进行三维建模,从而生成高分辨率三维网格。分别从主观和客观开展对影像效果的评价,所得到的优化影像与三维模型都有良好的效果。

基于Retinex和图像翻译的弱光图像增强网络

弱光图像的增强可以提高图像的质量和视觉效果,因此针对弱光图像的增强是很有必要的,在此目标上提出了基于Retinex理论和图像翻译模型的弱光图像增强网络。为了保证不同光照强度下的图像都能很好地增强,该方法先用一个分解模块将图像分解为照度分量和固有的反射分量,然后将反射分量输入到图像翻译模型中进行增强并恢复其正常的亮度。最后为了防止颜色失真,该方法在图像翻译模型中增加了一个颜色损失函数,使图像的颜色得到校正。

基于结构纹理分解的矿井图像增强方法

矿井下存在低照度、多灰尘现象,导致监控视频采集的图像具有光照不均、模糊及细节丢失的问题,影响后续智能图像识别,现有矿井图像增强方法普遍存在图像纹理细节不清晰、视觉效果差的问题。提出了一种基于结构纹理分解的图像增强方法。首先,利用maxRGB算法对原始图像提取初始光照分量,接着构建优化目标函数,依次优化求解初始光照分量中的结构分量、纹理分量及噪声分量:先对初始光照分量进行加权引导滤波,作为先验约束,迭代获得边缘清晰的结构分量;再结合最大邻域差方法和加权平均局部变分构建局部变化偏差函数,作为约束权重,迭代得到细节丰富的纹理分量。然后,将原始图像转换到HSV颜色空间,提取出原始图像的亮度分量,并结合结构分量、纹理分量及噪声分量,利用Retinex理论进行重构,得到增强后的初始亮度分量。为避免亮度过增强,引入带有截断因子的自适应伽马校正(AGCWD)处理图像初始亮度信息,以获得最终的亮度分量。最后,将图像转换到RGB颜色空间,得到增强图像。实验结果表明:①基于结构纹理分解的图像增强算法能保证图像边缘纹理细节更加清晰,减少了图像增强过程中的光晕伪影,且增强后的图像灰度直方图更均衡。②与结构纹理感知Retinex(STAR)算法、联合内外先验(JieP)算法、加权变分模型(WVM)、半解耦分解(SDD)算法、带色彩恢复的多尺度Retinex(MSRCR)算法等5种图像增强算法相比,基于结构纹理分解的图像增强算法的自然图像质量评价指标(NIQE)分别降低了8.69%,29.05%,11.2%,29.53%,33.54%,视觉质量保真度(VIF)分别提高了91.17%,117.86%,59.38%,48.78%,183.12%,信息熵指标(Entropy)分别提高了3.20%,8.02%,4.07%,3.49%,22.68%。③基于结构纹理分解的图像增强算法运行时间仅长于MSRCR算法,但增强效果更好,能够满足矿井下图像增强的需求。

基于Retinex模型的彩色图像全局增强算法

介绍了基于颜色恒常性理论的亮度感知Retinex模型,通过对HSV空间亮度图像的快速高斯滤波和全局γ变换,估计场景的光照信息,获得仅包含物体本身特性的反射信息图像,进而实现图像增强.主观视觉观察以及客观定量计算结果均表明,对于受光照等因素影响的可视性较差的图像,基于Retinex模型的彩色图像全局增强算法效果十分显著.

基于曲波变换和Retinex人脸光照处理算法

针对光照对人脸识别影响问题,提出了一种基于曲波变换和Retinex人脸光照处理的算法。该算法对光照变化人脸对数变化后的图片进行曲波变换(Curvelet);利用Kimmel变分模型作为平滑滤波算子对低频图像进行平滑滤波,对高频系数进行阈值去噪。通过曲波逆变换得到光照亮度成分图像;利用Retinex模型提取光照不变成分。通过Yale B与CMU PIE人脸库的实验结果表明:该算法能有效地消除光照变化对人脸识别的影响并提高人脸识别率。

Retinex模型下基于融合策略的雾霾图像增强

针对现有Retinex算法处理后的图像达不到色彩与细节同时增强的效果,且细节增强的同时易产生光晕,出现噪声放大、色彩失真等情况,提出了一种Retinex模型下基于融合策略的雾霾图像增强算法。该算法首先在HSV空间实现色彩增强,根据亮度分量,获取无色彩失真的反射分量,再通过修正照度分量,得到改进的Retinex模型;然后在RGB空间,采用快速双边滤波器来保留图像细节,在获得反射分量的基础上,引入原图部分和色彩恢复因子,实现细节增强;最后,在RGB色彩空间对处理后的图像加权融合,得到增强后的去雾图像。通过本文算法和现有算法对雾天图像进行去雾处理,得到不同的去雾结果。本文算法得到的去雾图像增加了细节信息,没有出现明显的颜色失真和光晕现象,处理后图像的信息熵提高。本文算法具有更短的运算时间,具有良好的可操作性。根据实验结果以及评价标准,本文算法能够在减少色彩失真的基础上,达到细节增强的良好效果。

基于强度反转和变分Retinex模型的图像去雾方法

提出一种基于强度反转变分Retinex模型的雾天图像增强方法。首先,通过反转操作将雾天图像转化为虚拟暗图像,并基于变分Retinex模型快速估计出虚拟暗图像所对应的入射分量图。然后,对雾天图像中的天空区域进行识别,并在此基础上对入射分量图进行修正,进而获取对应的反射分量图。最后,通过对反射分量图进行反转操作来获得消除雾气后的清晰图像,并引入一种图像亮度调整算法进一步提高清晰图像的视觉效果。实验结果证实了所提方法的有效性。

多尺度Retinex模型的肝脏超声图像增强算法

基于多尺度Retinex(Multi-scale Retinex,MSR)模型的图像增强方法是一种基于人眼视觉原理的图像增强方法,能同时有效实现图像的动态范围压缩和颜色保真。本文融合Retinex理论,采用3个尺度的Retinex算法对肝脏超声图像进行增强处理,提取经MSR算法增强处理后的正常肝脏和脂肪肝图像的灰度均值、对比度和信息熵参数,并与直方图均衡化算法、同态滤波算法进行对比。实验结果表明:肝脏超声图像经MSR算法增强处理后,提高了图像特征参数(对比度、信息熵)的区分度,增强了图像暗区的对比度和清晰度,改善了图像视觉质量,能有效辅助临床诊断。

基于非凸约束和噪声抑制的图像增强算法

在暗视觉条件下,图像采集设备捕获的图像具有较低的能见度。Retinex模型增强方法通过操纵估计的照度,可以映射出相应的反射图像,但由于没有考虑噪声项,极易放大增强结果的噪声。针对该问题,提出了一种基于非凸约束和噪声抑制的图像增强算法。首先,定义了一个新的带有噪声项的Retinex模型;然后,基于梯度最小化的平滑滤波器构造了一种0正则约束下目标函数,以此获取照度图像;接着,在上述基础上建立了一种1正则约束下目标函数,用来从反射图像中分离噪声;最后,经过图像重构,获得最终的增强结果。实验结果表明,所提算法不仅能够提升图像的视觉效果,而且在保留图像较多信息的情况下,具备更强的噪声抑制能力。

结构和纹理感知的Retinex融合红外与可见光图像

为了提高红外与可见光图像的融合质量,本文提出一种新颖的基于结构和纹理感知的Retinex模型的红外与可见光图像融合方法。该方法首先通过结构和纹理感知的Retinex模型将源图像分解为反射分量和光照分量,不但能够有效地将源图像的纹理和结构信息进行分离,而且也能很好地提取可见光图像中低亮度下的细节特征信息;然后通过构造源图像的二阶梯度为基础的权值映射和伽马函数对反射分量和光照分量进行融合;最后对融合的反射分量和光照分量进行重建得到最终融合图像。通过对38组广泛使用的TNO红外/可见光图像数据库中的图像进行测试表明,本文方法得到的融合图像不但具有较高的可视化质量,而且与近年来提出的5种高水平方法相比,本文方法在互信息、非线性相关信息熵、图像相位一致性度量上取得了更好的客观评价结果,能够较好地解决红外与可见光图像融合中出现的细节特征缺失和对比度较低的问题。

基于LP滤波和Retinex的光照补偿

针对彩色图像进行光照补偿后难以保持色彩恒常性的问题,提出一种基于Retinex和低通(LP)滤波的彩色图像光照补偿方法。将图像从RGB空间转换到HSV空间,保持H和S分量不变,对V分量使用LP滤波器V分量的高频成分H和低频成分VL,对VL采用Retinex算法进行光照补偿,利用VH和经光照补偿的VL及双重框架运算的LP重构算法进行重建得到V分量,将图像反变换至RGB空间得到最终的增强结果。实验结果表明,该光照补偿方法能对图像进行有效的光照补偿,保持较好的颜色恒常性。

焦点引导的带颜色恢复的多尺度Retinex算法

针对低照度下高动态范围图像在应用多尺度Retinex算法进行图像增强时,易出现光晕现象和颜色失真等问题,提出了一种可以由焦点引导的带颜色恢复的多尺度Retinex(FgMSRCR)算法。通过自底向上视觉注意模型对低照度下高动态范围图像进行焦点提取,保留于相异焦点集中,对整幅图像应用带色彩恢复的多尺度Retinex算法(MSRCR)进行图像增强,再对焦点区域进行保持亮度和颜色比例的增强,利用高斯平滑滤波器完成图像增强任务。实验结果表明,与常见的图像增强算法和其他Retinex算法相比,该算法能够在保持颜色恒常的前提下有效地克服光晕现象。

一种改进的Retinex彩色图像增强方法

传统Retinex算法在对彩色图像进行增强时,容易产生光晕以及处理后图像整体对比度较低等问题.为此提出了一种改进Retinex的图像增强方法,该方法采用三高斯模型和高斯滤波相结合的双边滤波对照度分量进行估计;然后在提取反射分量时,引入原始图像亮度影响因子实现区域自适应增强;最后进行归一化调整和彩色图像恢复,实现图像增强.实验结果表明,该方法能够在增强图像的同时,有效抑制光晕,提高图像的整体对比度.

基于暗原色先验模型的Retinex算法

现有雾天图像增强的Retinex算法采用固定滤波器,无法适应多种景深和雾化程度的情况.对此,本文提出一种基于暗原色先验模型的Retinex算法.暗原色先验模型反映了雾天图像中雾的分布与景深信息.受此启发,根据局部区域暗原色值设计一种尺度可变滤波器,针对不同景深和雾化区域采用不同尺度的滤波器估算雾天图像的照度分量,实现对雾天图像的增强.分别使用主观观察和客观数据分析方法,将本文算法与HE算法、固定尺度MSR算法进行对比,本文算法在细节增强以及图像整体效果上均优于HE算法和固定尺度MSR算法.

一种基于多尺度Retinex算法的图像去雾方法

在有雾天气条件下拍摄的图像,由于大气的散射作用,导致图像的内容模糊不清,对比度下降,给交通系统及户外视觉系统的应用带来严重的影响。通过改进大气物理退化模型,在多尺度Retinex算法MSR(Multi-Scale Retinex)的基础上,提出一种新的去雾方法。该方法根据雾天成像机理对图像建立模型,再根据MSR算法对建模后的图像进行处理。实验表明,该方法能有效去除雾化效果,实现彩色退化图像的复原。