基于多尺度梯度域引导滤波的煤矿井下图像增强方法

煤矿井下图像存在较严重的光照不均匀和噪声干扰,现有基于Retinex的方法直接应用于煤矿井下图像增强易出现光晕伪影、边缘模糊、过增强和噪声放大等问题。针对上述问题,提出了一种基于多尺度梯度域引导滤波的煤矿井下图像增强方法。首先,将多尺度思想引入梯度域引导滤波中,实现对非均匀光照的准确估计,有效解决了增强图像时光晕伪影及边缘模糊的问题。然后,利用Retinex模型分离出光照分量和反射分量:对于光照分量,通过自适应伽马校正函数逐像素地修正光照信息,实现对图像暗区域增强的同时,抑制亮区域过增强,并使用限制对比度自适应直方图均衡化方法调整图像对比度;对于反射分量,将梯度域引导滤波与多尺度细节提升相结合,在准确去除噪声后提升纹理细节,避免了增强图像时噪声放大的问题。最后,将处理后的光照分量及反射分量融合,计算图像增益系数,并使用线性色彩恢复方法实现对原始RGB图像的逐像素增强,提升方法处理效率。实验结果表明,从主客观角度与现有方法相比,经所提方法处理后的图像在色彩保持、对比度、噪声抑制、细节保留等方面均取得了较好的增强效果,同时处理效率较高。

多尺度权重评估的MSRCR混合曝光成像算法

针对混合曝光成像算法过程中会出现低曝光处细节丢失且颜色失真饱和度不佳导致视觉观感下降的问题,提出一种多尺度权重评估的MSRCR(Multi-Scale Retinex with Color Restoration,MSRCR)混合曝光融合算法。基于Retinex模型将待融合图像分解为亮度分量与反射光分量,对亮度分量结合ACES函数构造光照补偿归一化函数进行处理,对反射光分量加入颜色恢复函数提升色彩细节;分别从曝光量、饱和度、对比度、色域四个尺度设计图像融合权重值,通过多尺度评估优化融合比例;利用Laplacian金字塔融合算法进行多尺度权重融合获得最终图像。实验结果表明,与传统的图像融合算法相比,该算法处理效果较好,有效降低了暗处失真率,提升了视觉信息保真度。

基于高斯引导滤波MSRCR的奶牛夜间低质量图像增强方法

为了解决奶牛夜间图像存在颜色失真、边缘细节丢失与噪声干扰等低质量问题,试验提出了一种基于高斯引导滤波的彩色恢复多尺度Retinex(multi-scale Retinex with color restoration, MSRCR)图像增强算法,即先利用多尺度高斯滤波函数处理原始夜间图像得到粗糙照度分量,再利用引导滤波(guided filtering, GF)函数处理获得精确照度分量,然后结合四方向Sobel边缘检测器进行反射分量自适应权值优化,最后通过对数加法将照度分量和反射分量合成增强图像。试验以3组(1组为均匀光照灰度图像、2组为均匀光照彩色图像、3组为非均匀光照彩色图像)夜间不同成像条件下的180幅图像为研究对象,以平均梯度(mean gradient, MG)、标准差(standard deviation, S)、信息熵(information entropy, IE)、边缘保持指数(edge preserving index, EPI)、结构相似性指数(structural similarity index, SSIM)、峰值信噪比(peak signal to noise ratio, PSNR)和运行时间为评价指标,比较分析本算法和直方图均衡(histogram equalization, HE)算法、基于GF的多尺度Retinex算法(即GF+MSR算法)、MSRCR算法和光照自适应Retinex (illuminated adaptation Retinex, IAR)算法的图像增强效果。结果表明:与原图像比,本算法增强后图像的MG值较HE、GF+MSR、MSRCR和IAR算法增强后图像分别提高了72.22%、150.00%、41.67%和31.67%,IE值分别提高了30.42%、56.90%、43.28%、8.65%;S值较GF+MSR、MSRCR和IAR算法增强后图像分别提高了68.61%、74.28%、54.62%,较HE算法增强后图像降低了55.54%。本算法增强后图像的EPI值较HE、GF+MSR、MSRCR和IAR算法分别提高了34.70%、23.72%、51.41%、12.11%,SSIM分别提高了14.47%、9.33%、5.09%、18.19%;PSNR值较经HE、GF+MSR、MSRCR算法增强后图像分别提高了30.12%、11.52%、20.05%,较IAR算法增强后图像降低了0.67%;同时本算法运行时间分别较HE、GF+MSR、IAR算法减少了67.55%、32.81%、10.14%,而较MSRCR算法增加了139.47%。说明本算法能够有效增强夜间图像的边缘信息并抑制噪声干扰,提高了夜间奶牛图像的质量。

基于不同色彩空间融合的快速图像增强算法

针对现有Retinex算法中存在的色彩失真、噪声放大及光晕伪影现象等问题,本文提出了一种基于Retinex理论的改进算法.该算法首先在HSV空间对亮度分量V通道进行增强处理,同时在拉伸得到的对数域反射分量至一定的动态范围时(本文是0～255),引入增强调整因子,调整不同亮度值的增强程度来避免噪声放大及色彩失真现象;然后在RGB空间,通过分析光晕产生的原因,提出一种改进的高斯滤波器来消除光晕现象,并在计算反射分量时,通过参数调整图像颜色的保真度.最后,对上述两种不同颜色空间的处理结果进行加权平均作为算法的最终输出.实验结果表明,针对不同光照条件下的图像,1)该算法可以明显地改善光晕伪影现象;2)无色彩失真、噪声放大等问题;3)效果和效率优于带色彩恢复的多尺度Retinex算法(Multi-scale retinex with color restoration,MSRCR)及其他对比算法.

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。

基于MSRCR理论的算法实现

色彩恢复多尺度Retinex算法(MSRCR)是在单尺度Retinex算法(SSR)和多尺度Retinex算法(MSR)的基础上进行的改进和增强,其能明显改进上述2种算法的图像偏色效果并扩大图像的动态范围,使图像的明、暗区域细节都能得到很好的体现。给出一种改进的基于MSRCR理论的算法实现,实验表明,该算法实用性强,在图像对比度和细节增强方面都有很好的效果。

基于改进的MSRCR-CLAHE融合的水下图像增强算法

针对海洋复杂成像环境导致的水下图像出现颜色衰退、对比度低等问题,提出一种改进的带色彩恢复的多尺度视网膜(Multi-Scale Retinex with Color Restore,MSRCR)与限制对比度自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization,CLAHE)多尺度融合的水下图像增强算法。首先,采用带有导向滤波的MSRCR算法解决水下图像颜色衰退的问题;其次,采用带有Gamma校正的CLAHE算法以提高水下图像的对比度;最后,对经过改进的MSRCR和CLAHE处理后的图像进行多尺度融合以获得细节增强后的水下图像。实验结果表明,和其他算法相比,文中算法的峰值信噪比(Peak Signal to Noise Ratio,PSNR)平均提高了9.3914、结构相似性(Structural Similarity Index Measure,SSIM)平均提高了0.3013、水下图像评价指标(Underwater Image Quality Evaluation,UIQE)平均提高了4.7047,能实现水下图像的有效增强。

基于Retinex理论的低照度下输电线路图像增强方法及应用

为提高低照度环境下输电线路图像视频在线监测设备分析的准确性,提出一种基于Retinex理论的低照度图像增强方法。首先采用改进型同态滤波算法增强低照度图像的RGB分量,然后将图像转换至HSV色彩空间中。对多尺度Retinex算法增强图像进行改进,采用双边滤波函数替代Gaussian函数作为Retinex算法的环绕函数,引入色彩恢复函数进行图像色彩恢复,入射分量采用幂律变换校正,反射分量采用Sigmoid函数处理。最后将图像再转换至RGB空间得到增强后的输电线路图像。对实拍低照度输电线路图片进行仿真处理,结果表明该方法可以有效提高低照度图像的对比度、清晰度和信息熵,并在覆冰预警和异物识别中实现较好的应用。

用于低照度图像增强的自适应颜色保持算法

视频监控、场景恢复等领域中低照度图像噪点多,亮度低,可视效果差,而现有的图像处理技术容易出现颜色失真、光晕色块严重。为解决这一问题,根据韦伯-费希纳定律,把图像的像素点转换到对数空间,自适应获得符合视觉系统特点的预增强图像;再根据多尺度视网膜算法,分别计算与增强图像的R通道在三个尺度上的平均高斯滤波结果,获得入射光估计,把对数域的自适应增强图像像素值与入射光估计的差值作为多尺度视网膜算法的结果图像。进一步处理结果图像,将其RGB通道按照预增强图像中的颜色比例关系映射到0~255的范围;最后融合三个通道获得最终图像输出。通过图像质量的评价对比,该算法对不同低照度场景图像的增强结果,在对比度、色度保持等方面优于MSR、MSRCR和MSRCP算法。实验证明该算法在低照度图像的恢复和色度保留等方面有较好的效果,在增强视频监控的有效性等方面有较好的应用价值。

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。

使用同态分解和小波变换增强真彩图像

在RGB空间中分别对真彩图像的三个通道进行增强能够很好地压缩图像动态范围,但往往会产生色彩偏离。因此,先将真彩图像由RGB空间变换到HSV空间,进行色度、饱和度和亮度分离;然后基于入射-反射模型,对亮度通道进行同态分解和小波变换的图像增强;再根据人类视觉系统光谱感觉特性,调整色饱和度分量的色彩纯度。实验证实,增强后的真彩图像色彩基本无偏差,图像动态范围压缩良好,能够很好地适应人类视觉。该方法对真彩图像的增强优于带色彩恢复的多尺度Retinex方法(msrcr)。

基于图像融合的水下图像清晰化方法

给出了推广的暗通道先验方法,由颜色的变化规律确定景深,利用景深信息提高背景光的估计精度。分别采用推广的暗通道先验、带有色彩恢复的多尺度Retinex以及对比度受限自适应直方图均衡3种方法对水下图像进行清晰化处理,将获得的3个图像作为图像融合的输入图像。综合考虑图像的可见度、饱和度、对比度和显著度等性能指标定义3个输入图像的权重图,以权重图作为融合权值对输入图像进行多尺度融合。实验结果表明:该方法能够显著提高水下图像的清晰度,并且能够有效校正色偏。

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。

交通卡口低照度监控图像增强算法研究

夜间光线不足,导致监控采集到的图像普遍存在亮度低、对比度低、颜色失真、细节缺失等问题。针对这些问题,文章提出了一种基于变换空间和引导滤波相结合的retinex算法,用来补偿图像的光照强度。该算法首先将图像从RGB颜色空间转化为HSI的颜色空间(H、S、I分别为色调、饱和度和亮度),用Retinex算法对I分量即对图像的亮度通道单独进行光照补偿,并保持H色调分量和S饱和度分量保持不变,将HS通道与处理后的I通道相结合成新的HSI’图像,对传统的颜色恢复函数进行了改进并使用了引导滤波,提高了计算效率,并且能达到抑制图像在增强过程中造成的暗区域过度增强的目的。

一种基于V通道细节增强的夜间去雾算法

针对夜间有雾图像降质场景暗淡、点光源分布不均、去雾效果差等缺陷,提出了一种基于V通道细节增强的夜间去雾算法,采用了包含高斯模糊、局部区域伸展直方图均衡化(Local Region Stretch Histogram Equalization,LRSHE)、自适应伽马变换以及带颜色恢复的多尺度Retinex(Multi-Scale Retinex with Color Restoration,MSRCR)等算法对夜间降质图像进行增强,并使用快速引导滤波对透射率分布进行纹理细化,结合大气散射模型得到夜间雾图的去雾图像。实验结果表明,去雾算法不仅能够去除夜晚雾气的影响,而且有效提升了图像的亮度和纹理细节,相较对比算法,在对比度、平均梯度以及信息熵上均有改善。