基于全变分Retinex及梯度域的雾天图像增强算法

为提高雾天图像增强的对比度并保持颜色恒常性,提出了基于全变分Retinex及梯度域的雾天图像增强算法。首先,采用高斯—赛德尔GS(Gauss-Seidel)迭代算法对基于Retinex的全变分能量泛函数进行求解,从而有效地保持颜色恒常性;其次,采用相对梯度与绝对梯度相结合的方式拉伸雾天图像较亮处的梯度,在全变分Retinex理论下重建增强后的雾天图像,并将该增强算法应用到彩色图像;最后,加权融合基于全变分Retinex增强算法与梯度域增强算法的增强结果,使得增强结果既能提高对比度又能保持色彩恒常性。实验结果表明,本算法提高了雾天图像增强后的对比度和清晰度,具有颜色恒常性、颜色保真高等特性。

基于全变分Retinex及梯度域的雾天图像增强算法

雾天交通能见度低,对于道路交通和行车安全而言十分不利,容易引发交通事故,因此需要利用技术手段使图像在雾天可以增强。本文将通过目前研究领域常见的全变分Retinex和梯度域两种算法对雾天图像进行增强,并对增强结果进行分析,为雾天图像增强和像素取值技术提供参考和支持。

基于方向性全变分Retinex的低照度图像增强

为了提高低照度图像的视觉质量,提出一种基于方向性全变分Retinex的低照度图像增强方法.首先利用基于灰像素的色彩恒常方法恢复低照度图像的真实场景颜色;然后构造方向性相对全变分约束,据此估计照度图像;接着在计算反射图像时,利用方向性梯度残余最小约束来遏制增强过程中放大的噪声和伪影;最后根据当前像素亮度与其邻域平均亮度的关系拉伸局部亮度,得到最终的增强结果.采用从互联网上搜集的多幅低照度图像进行实验,结果表明,与一些当前国际先进水平的方法相比,文中方法得到的图像质量更佳、视觉效果更好.

基于全变分展开的低剂量CT重建网络

针对CT迭代展开重建网络仅对数据保真项进行神经网络展开降低了重建网络计算性能的问题,通过对基于全变分的CT迭代重建算法进行神经网络展开,提出一种对数据保真项和全变分正则项全部进行神经网络展开的重建网络,从而改善了CT重建图像的视觉质量。首先,采用原始–对偶算法求解基于全变分的CT重建问题,得到易于神经网络展开的迭代重建算法。然后,对该迭代重建算法进行神经网络展开,尤其是对正则项部分的算法进行神经网络展开,得到迭代展开CT重建网络。在模拟的低剂量CT数据集上验证了该算法的有效性。实验结果表明,与6种低剂量CT重建算法相比,该算法在抑制低剂量CT图像噪声的同时,很好地保留了图像中的结构和细节纹理。重建图像的定量评价分析显示,该算法取得了良好的峰值信噪比和归一化均方误差指标值,验证了提出的低剂量CT重建算法具有较好的噪声抑制能力和较强的鲁棒性。

一种改进的全变分降噪算法在低剂量工业CT重建图像中的应用

针对低剂量CT重建中的噪声抑制问题,文章将全变分降噪模型应用到CT重建的图像投影域,并介绍了ROF模型及能量泛函的建立,以及在低剂量CT图像处理中的应用。提出一种改进的ROF模型的实现方法。首先,利用梯度下降算法对投影图进行迭低降噪处理。其次,使用滤波反投影算法对工业CT图像进行重建。最后,通过CUDA并行运算实现了整个改进算法的过程,提高了算法的运行时间。通过模拟噪声和锂电池快速在线工业CT设备图像处理结果证明:所提出的方法能有效降低重建图像的噪声,提高图像峰值信噪比。

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.

基于四方向交叠组合稀疏全变分的图像复原

传统全变分具有保存图像特征(边缘、纹理等)优点,但同时也伴随产生阶梯效应。针对此问题,论文提出一种四方向交叠组合稀疏全变分的新模型。首先将每个像素点在四个方向上的梯度信息加以组合,形成组合梯度,充分挖掘图像上四个方向的梯度信息,进一步抑制阶梯效应,全面消除噪声,提高复原后图像的质量,然后利用交替方向乘子算法(AD-MM)将复杂的优化问题分裂为较容易求解的子问题,并使用二维快速傅里叶变换(FFT)和优化最小化算法(MM)交替迭代求解子问题,提高了图像复原的运算速度。

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。

基于全变分加权差正则的高光谱图像去噪算法

针对现有全变分模型在高光谱图像中出现的伪影、边缘结构消失等问题,文章提出一种增强型三维全变分加权差正则模型。首先,该模型并非直接将稀疏性强加于梯度映射本身,而是对梯度映射的基矩阵添加稀疏性约束。此外,与一般稀疏约束方法不同的是,为避免由l_(1)范数自身局限性带来的去噪不良影响,利用l_(1)范数与l_(2)范数的全变分加权差(简记为l_(1-2))分别对高光谱图像的空间域与光谱域施加稀疏约束。实验结果表明,该文提出的算法有效避免了伪影的产生以及图像细节丢失的问题,具有更优的去噪效果。

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。

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。

张量分解和自适应图全变分的高光谱图像去噪

高光谱图像在采集过程中受到观测条件、成像仪材料属性、传输条件等客观因素的影响,不可避免地会引入各种噪声。这严重降低了高光谱图像的质量以及限制了后续处理的精度。因此,高光谱图像去噪是一个极其重要的预处理步骤。针对高光谱图像去噪问题,提出了低秩张量分解和自适应图全变分的高光谱图像去噪算法。首先,利用低秩张量分解来描述高光谱图像的全局空间和光谱相关性,并使用自适应权重图全变分来刻画高光谱图像空间维度上的分段平滑特性和保留高光谱图像的边缘信息;此外,采用l1-范数、Frobenius-范数分别刻画包括条纹噪声、脉冲噪声、死线噪声在内的稀疏噪声和高斯噪声。由此高光谱图像去噪问题归结为一个包含低秩张量分解和自适应图全变分的约束优化问题。利用增广拉格朗日乘子法对该优化问题进行交替求解。实验结果表明,所提出的高光谱图像去噪算法与现有的算法相比,能够充分刻画高光谱图像数据的内在结构特性,具有更好的去噪性能。

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。