颜色恒常理论及模型探索

颜色恒常是指外界环境变化时对客观物体颜色知觉保持不变的心理倾向。本文就VonKries色系数定律、色域映射理论、谱锐化理论、视网膜皮层理论、双线性模型和神经网络模型等现有代表性的颜色恒常理论作了简单的概括与评价。针对目前该类研究的缺陷 ,尝试性地提出了发展完备的颜色恒常理论 (或模型 )

基于雾气遮罩理论的图像去雾算法

针对场景中雾气分布可能不均匀的问题,本文提出了一种基于雾气遮罩减除的图像去雾算法。首先对降质图像平滑滤波以估计其亮度分量,对亮度分量求均值得到均匀分布的雾气遮罩,并结合退化图像获取与场景深度信息相关的雾气遮罩。在对数域中从降质图像中减除获得的雾气遮罩,即可得到场景的反射图像。对反射图像进行自适应的对比度拉伸,可以得到最终的去雾结果。所提算法能较容易地扩展至视频去雾应用,真实场景的图片与视频实验验证了所提算法的有效性。

一种图像去薄雾方法

雾是常见的一种自然现象,它将使所拍摄到的图像模糊不清。将雾对景物的退化作用等效成照度变化的结果,根据Retinex理论及有雾图像直方图的特点,分析了MSR算法,采用正态截取拉伸对其输出图像进行处理,取得了较好的图像去薄雾效果。

分层色彩校正算法研究

提出了一种基于视网膜皮层理论和颜色视觉理论分层色彩校正算法:引入颜色视觉理论中的三色学说进行全局分类,使用广义高斯混合模型计算全局系数;简化分层色彩校正模型减少计算量;引用retinex理论对三通道分别进行处理,进行高光区域提取;使用对立学说进行色差计算,根据色度距离和空间距离设置系数权重,并根据系数校正像素;采用分层色彩校正模型整合图像。所提算法融合了颜色视觉理论和视网膜皮层理论,对现有的分层色彩校正进行了进一步的改进。实验验证该算法在模拟人类视觉系统色彩恒常性方面具有很好的合理性和实用性,实验表明该算法对非均匀多光源色偏图像有很好的校正效果。

基于塔型对偶树方向滤波器组的弱小目标背景抑制方法

复杂背景抑制是红外监视告警系统探测远距离目标的一个难题,提出了一种将塔型对偶树方向滤波器组与改进的视网膜皮层理论相结合的弱小目标背景抑制方法。首先,采用塔型对偶树方向滤波器组对图像进行多尺度、多方向分解,提取图像的多尺度和方向细节特征;然后,根据目标和背景杂波信号的差异,通过应用改进的视网膜皮层理论公式调整分解后的各子带系数,从而将红外图像中弱小目标信号和背景杂波分离,达到抑制背景的目的。与二维最小均方误差和最大中值滤波方法相比较,实验结果显示该方法能有效地检测出信杂比在1.6以上的目标。

小波域红外图像增强算法研究

由于红外图像成像机理及红外成像系统自身的原因,红外图像大多对比度低、细节信息不明显,视觉效果差,需要经过增强处理改善图像质量。提出一种基于小波的多分辨分析方法和Retinex图像增强算法相结合的红外图像增强方法。利用小波把红外图像分解成近似子图像和细节子图像,对近似子图像进行改进的Retinex增强算法处理,对细节子图像采用多策略小波阈值增强,最后小波重构得到增强的红外图像。实验结果表明,该算法对红外图像具有较好的增强效果。

基于Retinex和BM3D的图像增强

为克服传统Retinex算法没有解决的噪声问题,提出了一种基于Retinex和BM3D的图像增强算法。该方法将BM3D去噪环节加入到传统Retinex算法中。首先,计算出图像各像素之间的相对明暗关系,进而对待处理图像中的每个像素点灰度值进行校正;然后,通过在相邻图像块中搜索相似块,组成一个三维矩阵,并在三维空间进行滤波处理,得到块预估计值;最后,对图像中每个点进行加权得到最终的处理结果。实验结果表明,该算法既能显示阴影、光照区域中的细节,又能有效消除图像中含有的噪声,克服了传统Retinex图像增强算法的不足。

基于改进Retinex算法的雾霾天气车道线识别

在雾霾天气下,针对常规车道线识别方法提取车道线准确性差以及多尺度Retinex算法去雾图像质量较低的缺点,提出了一种基于改进视网膜大脑皮层理论(Retinex)的雾霾天气车道线识别算法.首先,利用改进的暗通道优先算法对雾天图像进行去雾,将去雾图像作为多尺度Retinex算法的输入图像做进一步增强;然后将多尺度Retinex算法增强的图像进行亮度修正,从而获取理想去雾图像;再利用Scharr滤波器和大津法得到包含清晰道路边缘的二值化图像;最后利用Hough变换对车道线精确提取.实验表明,该算法不但能够在雾霾天气下对车道线进行准确的识别,与常规算法相比,能够有效地提高图像质量,并且具有良好的实时性,对于提高车辆主动安全性具有重大意义.

低照度图像增强算法研究及改进

低照度图像增强一直是图像处理的研究热点之一,主要算法包括直方图均衡、多尺度、LIME等,以及一些深度学习模型如RetinexNet、GladNet等。分析这些算法和模型,并结合近年使用比较广泛的卷积注意力模块(Convolutional Block Attention Module,CBAM)和UNet网络结构提出一种新的神经网络模型。使用上述算法和模型在LOL低照度数据集上测试,比较MSE、PSNR、SSIM等指标。实验证明,提出的网络模型在视觉效果和指标数据上均取得了更好的结果,提升了增强性能。