基于Retinex图像增强算法的面部皮肤光泽度评价研究

研究基于Retinex图像增强算法的皮肤光泽度评价方法。通过对196名志愿者进行仿真实验,构建面部皮肤图库,利用单尺度Retinex算法将读入的人脸皮肤图像S(x,y)转换成反射图像R(x,y),计算出R(x,y)的像素均值和方差值,将其与使用光泽度测试仪测出的光泽度值分别归一化,并利用相对平方误差法进行误差分析。结果表明,R(x,y)像素均值法对面部皮肤光泽度评价效果理想,误差在0.13以内。

一种细节保持的Retinex图像增强算法

针对基于Retinex理论的Kimmel变分模型在图像增强中存在人工伪影等问题,对其模型进行了改进.改进的模型增加了保持细节信息的因子,并在模型求解过程中采用了基于金字塔的提升算法,计算复杂度明显降低,然后对求解得到的图像进行正态截取拉伸处理,取得了较好的图像增强效果.

基于三边滤波的HSV色彩空间Retinex图像增强算法

图像增强技术可以从对比度低、分辨率低等暗淡图中恢复原有图像信息并增强低动态范围图像的视觉效果,能从很大程度上改善图像清晰化程度.提出在HSV色彩空间下基于三边滤波的Retinex图像增强算法.该算法首先将传统的RGB空间上的处理转换到HSV空间.然后将三边滤波技术引入到亮度图像的提取阶段,可有效地降低图像高斯噪声、滤除脉冲噪声,同时又有效地保持图像边缘细节的特性.通过对三边滤波的滤波窗口进行角度倾斜,计算出像素"最佳"邻域范围且自动修改.引入了一个二值限制函数,进行"边缘限制性平滑"处理,从而进一步提高了图像边缘和特征的清晰度.将提取的亮度图像进行多尺度Retinex图像增强,使得图像信息更加准确恢复.最后将HSV空间转换到RGB空间,使得增强后的图像颜色得以保持.实验结果表明,该算法应用到图像增强处理中,处理后的图像在色彩得以保持的同时,细节信息也得到有效地突出,更有利于针对各种环境图像的更深入的理解和应用.

基于双边滤波的Retinex图像增强算法

针对Retinex图像增强技术在高对比度边缘区域存在"光晕伪影"这一缺点,提出了一种基于双边滤波的Retinex算法。该算法先使用带有边缘保存功能的双边滤波将原图像分解成照度图像和反射图像,再分别采用不同的策略压缩照度图像和增强反射图像,最后把两部分图像合成为新的图像。通过从主观视觉效果和客观质量评价两方面对该算法进行检验,实验结果表明它有较好的增强效果,解决了"光晕伪影"问题。

改进的多尺度Retinex图像增强算法

针对多尺度Retinex算法在图像增强的过程中,存在着算法运算量大的问题,提出了一种基于快速二维卷积和多尺度连续估计的算法。该算法充分利用二维图像高斯卷积的可分离性和多尺度照射光连续估计的可行性,降低了Retinex算法的复杂度。同时对于增强后图像色彩容易失真的现象,提出了一种去极值的直方图裁剪法,用于保持图像色彩信息和提高对比度。实验结果表明,这些改进可以有效提高算法运行速度和改善图像增强效果。

基于双边滤波的单尺度Retinex图像增强算法

提出了一种基于双边滤波的单尺度Retinex图像增强方法,在有效增强图像的同时,很好地保持了图像边缘及高亮部分的细节.采用双边高斯滤波来估计图像亮度,同时对原始图像进行局部对比度增强,有效地消除了光晕现象并增强了局部对比度.通过Weber定律在增强过程中对图像亮度进行控制,防止增强后的图像过亮,保持图像高亮部分的细节.实验结果表明:该方法增强效果明显,适用于灰度图像和彩色图像,并能防止颜色失真,使灰度和彩色图像达到较好的视觉效果.

一种改进的全局Retinex图像增强算法及其仿真研究

Retinex理论认为物体对光线的反射能力决定其颜色,故该算法就是从图像中获得物体的反射性质来得到物体本来面貌。为了消除传统Retinex算法假定两像素点入射光分量相同而导致图像颜色失真的缺陷,提出了一种改进的Retinex方法,该方法使用原像素灰度值与以它为中心高斯平滑后的灰度值间的差异来校正原像素点。仿真结果及两种评价标准表明,该方法更具准确性,增强效果优于传统Retinex算法。

基于CUDA的多尺度Retinex图像增强算法实现

多尺度Retinex图像增强是一种基于色彩恒定理论的图像增强算法,算法增强效果好,但随着图像分辨率的提高计算时间显著增加。分析并利用计算统一设备架构(CUDA)图形处理器(GPU)的并行处理特性,提出了一种基于CUDA的多尺度Retinex图像增强并行算法,将多尺度高斯滤波、对数空间差分和动态范围压缩等计算非常耗时的模块采用并行方式放在GPU中进行计算。实验结果表明所提算法能显著提高计算速度,随着图像分辨率的增加,最大加速比超过100倍。

野生动物监测光照自适应Retinex图像增强算法

针对野外白天不同光照对野生动物监测图像质量造成的影响,提出一种基于Retinex理论的光照自适应图像增强方法。该方法首先使用基于复合梯度的引导滤波估计图像照度分量,克服光照突变造成的伪光晕现象;然后提出一种基于Otus阈值的对比度自适应拉伸方法实现照度分量的校正,克服传统算法过度增强的问题;最后采用照度分量单通道图像计算反射分量图像,实现色彩的保真。该文采用50张保护区实地拍摄的野生动物监测图像为样本进行试验,结果表明,该文算法相比于MSRCR算法、双边滤波Retinex算法和引导滤波Retinex算法色调保真度平均提高81.00%、5.24%和3.58%,信息熵平均提高6.76%、6.23%和2.61%,峰值信噪比平均提高53.43%、5.36%和-2.85%,运算耗时减少-29.03%、78.51%和28.68%,证明该文算法可以有效克服传统Retinex理论算法的过增强、伪光晕现象和灰化效应,实现不同光照条件下野生动物监测图像的自适应增强。

基于亮度的自适应单尺度Retinex图像增强算法

针对基于Retinex理论的经典图像增强算法中存在的灰化现象、噪声扩大现象和光晕现象,提出一种基于亮度的自适应单尺度Retinex图像增强算法。算法中引入了基于边缘信息的高斯滤波器,主要使用同类性质的像素进行平滑处理用以改善光晕现象和抑制噪声;在提取的反射分量中加入像素的原始亮度以改善灰化现象和减小噪声。对比仿真实验结果显示,基于亮度的自适应单尺度Retinex图像增强算法可以有效增强细节、减小光晕和控制噪声,同时处理后的图像具有良好的色彩保真度。

一种基于全局和局部光照估计的Retinex图像增强算法

具有色彩还原特性的Retinex算法,可以实现图像对比度、亮度提高及色彩还原;但是增强后的图像色彩饱和度下降严重,色彩失真,其关键在于光照分量的估计失真。针对上述问题,提出了基于全局光照和局部光照细分的Retinex增强算法,实现了图像光照分量的精确计算;并通过实验证明增强后的图像在提高亮度突出细节的同时,最大程度保持了原来的真实色彩。

自适应双边滤波的Retinex图像增强算法

针对现有的Retinex算法不能自动调节参数,提出一种基于参数估计的双边滤波Retinex算法。该算法首先利用主成份分析和Canny边缘检测算法分别进行噪声估计和边缘强度估计;然后通过线性相关运算计算双边滤波的空间几何标准差参数和亮度标准差参数;再利用参数估计的双边滤波把图像分解出照度图像和反射图像;最后将照度图像和反射图像通过不同方法的压缩和增强并合成一幅新的图像。通过实验表明,它不仅能够自动设置参数,还能有效抑制光晕现象。

压扩多尺度Retinex图像增强算法研究

在低照度条件下对人脸图像进行光照补偿和利用带色彩恢复的Retinex算法是传统图像增强算法中较为有效的一种。针对传统的MSRCR算法在处理图像后仍会产生清晰度低、细节模糊和色彩不饱满等问题。因此本文提出带色彩恢复的压扩多尺度Retinex算法—CMSRCR,利用多彩色通道变曲变换函数及因子修正法,对低照度人脸图像进行图像增强和色彩恢复。结果表明,CMSRCR算法能够使低照度图像在清晰度、细节和颜色恢复等方面都有明显的改善。

Retinex图像增强算法的GPU实现

针对Retinex图像增强算法中的计算密集性问题,提出了基于图形处理器GPU平台的单尺度Retinex(SSR)算法的并行加速方案.首先,简要介绍了SSR算法的基本原理;其次,根据SSR算法的并行性,利用计算统一设备架构(CUDA)软硬件体系架构,实现了SSR算法向GPU上的移植;结果表明,经过并行优化的SSR算法可到达较高的执行效率,并随着图像分辨率的增大加速比显著提高,最大加速比达到近90倍,具有实际应用价值.

基于NLEMD的Retinex图像增强算法

为了将已有的受光照影响严重的图片恢复出细节信息更加丰富且光照平衡的图片,提出了基于NLEMD的Retinex图像增强算法。该算法采用多幅图像(其中包括一副待增强的图像和将待增强图像分别提高n1,n2,…,nm倍照射系数的多幅图像)协同NLEMD和Retinex算法来实现图像的增强。采用将待增强图像提高n倍照射系数来获得多幅图像的目的是为了获得更丰富的图像暗处或明处的细节信息,然后利用NLEMD充分提取这些已知图像的各个频率信息;选取其中一幅图像经过NLEMD分解后所得的剩余分量,用Retinex增强算法增强;最后叠加所有图像的高频信息和Retinex算法增强后的剩余分量,得到增强后的图像。实验结果表明,算法增强后的图像克服了传统Retinex算法增强后图像对比度低和引入了噪声的缺陷,且暗处细节信息更加丰富,获得了更舒适的视觉效果。

HSV色彩空间下三边滤波的Retinex图像增强算法

图像增强技术能够从低分辨率及对比度的图像中将原本图像中的信息进行恢复,为了能够提高低动态范围图像视觉效果,改善图像清晰化程度,所以本文就提出了基于HSV色彩空间的三遍滤波Retinex图像增强算法。首先对图像增强算法及Retinex图像增强算法的理论进行分析,然后对算法进行实验,实验结果表示,将此算法到图像增强处理中使用,处理之后的图像不仅能够保持色彩,还能够突出细节信息,从而促进对各种环境中图像的深入理解和使用。

基于PCA的可变框架模型Retinex图像增强算法

针对恶劣天气下拍摄图像的退化现象,提出了一种基于主成分分析(principal component analysis,PCA)的可变框架模型Retinex图像增强算法。PCA变换提供通道间良好的正交性,可避免由于亮度调整带来的色度失真。该算法通过PCA变换得到图像亮度分量、色度分量,对得到的亮度分量使用改进的可变框架模型Retinex进行处理,适当调整色度分量,最后对处理得到的RGB图像进行去相关拉伸。实验结果表明,该方法能有效改善恶劣天气造成的图像退化现象,提高图像的清晰度。

一种改进的具有色彩保护的多尺度Retinex图像增强算法

针对图像增强存在的光晕伪影、颜色失真等问题,在MSRCP(Multi-Scale Retinex with Chromaticity Preservation)的基础上提出一种改进的多尺度Retinex图像增强算法。该算法首先计算原图像的强度图像;然后采用引导滤波对强度图像进行平滑处理,估计出照度分量,进而根据Retinex原理估计出反射分量;最后在颜色恢复函数中引入S型曲线函数得到最终的增强图像。实验结果表明,该算法可以有效解决光晕伪影现象,提高细节信息,使增强图像的整体色彩与原图一致,改善了图像整体的视觉效果。

基于回转对称双边滤波的Retinex图像增强算法

针对单尺度Retinex算法存在光晕现象、噪声放大现象以及图像泛灰的不足,基于回转对称双边滤波,提出一种Retinex图像增强算法。采用回转对称双边滤波估计光照图像,并消除其对视觉效果的影响,得到反映图像本质属性的反射图像,有效去除光晕现象。运用Otsu阈值分割算法确定图像的阈值,并依此判断图像的亮、暗区域,采用双边滤波对这些区域进行不同程度的去噪处理,在去除噪声的同时能够较好地保留图像细节。采用分段线性变换增强低对比度区域的对比度,改善图像泛灰的不足。实验结果证明,与单尺度Retinex算法、基于双边滤波的Retinex算法相比,该算法能够有效去除光晕现象,明显改善噪声放大现象,获得更为丰富的图像信息,从而增强图像的对比度。

改进重构的自适应权重Retinex图像增强算法

为了消除低照度彩色图像处理中存在颜色失真、"光晕伪影"等现象,提出改进重构的自适应权重Retinex低照度彩色图像增强算法。在HSI颜色空间中,对饱和度采用线性拉伸处理,利用改进重构的自适应权重引导滤波多尺度Retinex算法获取反射分量,再对反射分量进行Gamma校正来得到最终的亮度分量,最后对图像进行颜色恢复实现最终的低照度彩色图像增强。实验结果表明,该算法具有增强效果好,实时性高,丰富的图像细节和避免颜色失真的优点。