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。

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。

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。

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。