一种基于变分Retinex的遥感影像不均匀性校正方法

提出一种基于变分Retinex的遥感影像灰度不均匀性校正方法。该方法在Retinex框架上,利用变分最优化技术和投影归一化最速下降法求解成像瞬间的照度分布,并以此为基础对遥感影像的灰度不均匀性进行校正。为提高运算效率,引入多尺度数值求解的策略。利用模拟影像和真实影像进行试验,并与传统方法进行对比分析,结果表明,本文方法能够在消除影像灰度不均匀现象的同时,有效保持影像本身的色彩和细节信息,同时还具有较高的运算效率。

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。

消除阶梯效应与增强细节的变分Retinex红外图像增强算法

提出一种消除阶梯效应与增强细节的变分Retinex红外图像增强新算法。将高斯曲率正则项应用到变分Retinex模型的构建中,采用一阶微分对模型添加细节增强约束项,实现细节信息的自适应增强。结合邻域差分,引入曲率滤波方法对变分模型求取最优解。实验结果表明,与采用其他变分Retinex方法相比,采用新算法处理后的图像在定量评价指标上优于对比算法。新算法能消除阶梯效应,增强图像的细节和视觉效果。

基于变分Retinex模型的雾天图像增强方法

为了提高对光照及雾气浓度不均匀的雾天图像的增强效果,提出了一种基于变分Retinex模型的雾天图像增强方法.基于变分Retinex模型将雾天图像分解为对应的光照子图和反射子图,并在各子图中进行独立的模型参数估计,有效提高了参数估计的准确性;以一种基于图像块的模型参数估计策略取代传统的逐点估计方法,补偿了由模型复杂度增加所带来的计算效率下降问题;综合利用多种图像先验知识构建了一个基于图像块的透射率估计多目标优化函数,进一步提升了所增强图像的可视性.对比实验结果证明了所提方法的有效性和鲁棒性.

基于相对梯度正则化的Retinex变分模型及其应用

针对全变分Retinex模型使用反射分量的全变分作为正则项存在的不足,引入相对梯度并构建扩展的全变分正则项,提出一种新的Retinex变分模型。相比于变分Retinex模型、全变分Retinex模型,该模型获取的照度分量更加光滑,同时反射分量能够分辨更多结构信息和细节要素。进而,提出一种综合考虑照度分量和反射分量的图像增强模型。通过调整模型参数,可有效应用于高动态范围图像色调映射、非均匀照度增强等图像处理领域。与其他算法的对比显示,该图像增强模型能够有效处理上述问题并取得较好的效果。

结合PCNN分割和模糊集理论的红外图像增强

为了克服天空背景对红外图像增强处理的干扰、更好地凸显图像中的目标,提出了一种结合脉冲耦合神经网络(PCNN)分割和模糊集理论的红外图像增强方法。利用PCNN将图像分割成天空背景区域和目标区域,之后对目标区域利用变分Retinex处理以获得反射图像,并对该反射图像进行基于岭型分布的自适应模糊增强,将自适应增强后的反射图像与照射图像进行融合,将融合后的目标区域的局部均值赋值给天空背景区域,重构得到增强后的图像。实验结果证明,该方法解决了已有算法中出现的天空区域噪声放大问题,增强后的图像具有更高的对比度和更好的视觉效果。