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.

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。

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。

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。

HSI色彩空间下的低照度遥感图像增强

为了提高低照度遥感图像的可视性,提出了利用改进的多尺度Retinex算法与局部对比度自适应调整相结合的方法来改善图像质量。首先,把原始图像变换到HSI色彩空间,有效分离H、S、I分量;然后,然后在保持色调分量H不变的前提下,对亮度分量I利用改进的多尺度Retinex算法进行处理,对整幅图像进行亮度和对比度的初步调整,通过使用Sigmoid函数替换多尺度Retinex算法中的对数函数来减少数据丢失;为了使局部细节信息得到更好的改善,在利用改进的多尺度Retinex算法处理后进行自适应局部对比度增强,提高图像局部对比度;对饱和度分量S采用分段线性增强的方法进行处理;最后,将处理后的图像变换回到RGB空间。实验结果表明:图像信息熵由5.79提高至6.65;图像感兴趣区域的局部对比度由0.695提高至0.701,图像质量以及利用价值得到了提升。

色彩恒常性在彩色图像增强中的应用

将Retinex算法应用于彩色图像增强中,在分析MSRCR算法构成的基础上,针对灰度假设(GW)带来的问题作出了改进.改进的算法基于图像自身的直方图,对参数进行自适应的选取.实验结果表明,改进后的算法使彩色图像在演色性(Rendering)方面有了较大的提高,更符合人眼视觉系统的感知特性.

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。

基于视觉传达的电子设备人机界面色彩设计

采用新型储能变流器的电子设备人机界面色彩设计方法,未增强界面图像的显示效果,导致界面的关注时长较短,文中提出基于视觉传达的电子设备人机界面色彩设计方法。基于视觉传达的视觉信息认知分为输入信息、信息认知加工、认知决策和行为反应,通过多次加工后的输入信息促使视觉元素具备意识和情绪状态,电子设备使用者根据人机界面视觉信息做出决策;在此基础上采用多分辨多尺度Retinex算法,增强人机界面图像的色彩显示效果,设计灯光信号色彩,分析不同电子设备人机界面光电信号色彩的搭配,使人机界面色彩符合使用需求,色彩编码过程通过分割错觉调整人机界面视觉比例,提升人机界面的视觉关注度。实验结果表明,所提方法设计电子设备人机登入界面和主程序界面的平均注视时长均为9.5 s,使用者的视觉专注度较高,是一种有效的电子设备人机界面色彩设计方法。

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。

基于Lab色彩空间改进的多尺度Retinex图像增强算法

为了提高低照度图像的质量,提出改进一种Lab色彩空间的图像增强算法。首先将待增强图像的色彩模式由RGB转换为Lab,仅对亮度分量L采用改善的多尺度Retinex增强处理,在Retinex增强算法中用引导滤波替代高斯滤波,使得亮度图像的边缘等细节信息有效地保留,再利用局部对比度自适应调整方法提高亮度图像的局部对比度,最后将Lab模式下的图像通过RGB色彩空间转换,使用颜色恢复函数对色彩进行复原处理,有效避免了色彩的失真。实验结果表明,该算法具有较好的图像增强效果、效率较高,同时具有颜色保真、抑制过度增强和能较好保留边缘细节信息等优点。

基于图像增强和注意力机制的作物杂草识别

为提高复杂环境下无人机获取的作物杂草图像识别的准确率,提出一种基于图像增强与注意力机制的作物杂草识别方法。在多尺度Retinex算法中加入颜色恢复函数调节3个通道颜色的占比以恢复其颜色特征,使图像更清晰;将残差网络模型中的激活函数换为Leaky ReLU,加入CBAM注意力机制模块,获取更多有用信息,抑制其它无用信息。实验结果表明,该方法可以提高复杂环境下无人机获取的作物杂草图像的识别准确率,其准确率达到95.3%,高于AlexNet、ResNet18、ResNet50及其它主流算法的识别结果。

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。

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。

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。