融合非物理模型的改进AM-RetinexNet图像增强算法

针对地下空间低照度图像色彩偏暗、亮度低且分布不均、增强后图像色偏和噪声高等问题,研究提出了融合非物理模型的改进AM-RetinexNet图像增强算法。该算法将RGB图像转换成HSV分量,利用HSV空间相互独立性实现图像亮度增强和色彩增强处理,其中S分量利用V分量提取的相关信息进行自适应调整,V分量采用融合直方均衡化与注意力机制优化的RetinexNet进行照度分量增强处理;将处理后HSV分量转化成RGB图像,并对图像进行自适应色彩恢复,得到照度增强图像。对比实验表明,在图像的细节处理、亮度整体增强处理、图像降噪和色彩视觉修正等方面该方法表现较好,测试指标中平均互信息(MI)、标准差(STD)、结构相似性(SSIM)、平均梯度(AG)、空间频率(SF)和峰值信噪比(PSNR)最佳,均值分别可达到6.18,70.62,0.56,13.29,36.53,39.22。

基于RetinexNet红外图像增强算法的优化

针对红外图像信噪比低,对比度不足的问题,本文旨在红外图像增强,在对已有的比较流行的图像增强技术的研究的基础上,提出了引入无参数的注意力机制模块(SimAM)和使用加入循环残差结构(RRB)的U-Net代替的原始RetinexNet增强网络的图像增强算法。首先,通过在分解网络部分引入注意力机制提高空间特征提取能力,得到图像的光照分量和反射分量。其次,将光照分量和反射分量送入加入循环残差结构的U-Net增强网络,得到增强后的光照分量。最后,将增强后的光照分量和去噪后的反射分量相乘输出增强的红外图像。实验结果表明,与传统Retinex算法和原始RetinexNet算法相比,该算法能够有效提高对比度,丰富图像细节纹理,提高了红外图像的质量。

低光照下基于FPGA+ARM的无线视频监控系统设计

视频监控系统视频处理实时性不高,有线视频监控系统迁移扩展性差、布线繁琐,低光照下视频图像获取质量和处理效果较差,针对以上问题,设计了一种低光照环境下基于FPGA+ARM的无线视频监控系统。首先在FPGA端初始化OV5640摄像头,使其输出RGB888格式的图像数据,图像数据经过格式转换缓存到DDR3中。然后提出基于边缘增强模块的改进RetinexNet图像增强算法,在HSV格式中利用高层次综合(High-level Synthesis,HLS)工具对亮度分量V进行硬件加速,在ARM端对亮度分量S进行线性拉伸,并完成低光照图像增强任务。在此基础上,通过5G WiFi模块发送图像数据,上位机显示器通过5G网络接收图像数据并实现HDMI接口输出。实验结果表明,系统针对昏暗图像改善图像细节,具有良好的显示效果,而且处理一帧图像耗时为136.08 ms,相比ARM和PC机,具有处理速度快、便携性高等优点。

HSV空间的RetinexNet低照度图像增强算法

针对RetinexNet低照度图像增强算法中出现的颜色失真、边缘模糊等问题,提出了一种改进的RetinexNet算法。首先,利用HSV(Hue,Saturation,Value)颜色空间模型中各通道相对独立的特性,增强亮度分量;然后,利用相关系数使饱和度分量随亮度分量的变化自适应调整,避免图像色感发生变化;最后,针对增强图像的边缘模糊问题,采用Laplace算法对反射率图像进行锐化处理,增强图像的细节表达能力。实验结果表明,本算法可以有效增强图像的细节,保持图像的整体色彩和原始图像一致,提高图像的视觉效果。

基于深度学习的变电设备红外热像识别

在变电设备状态监测与故障诊断中,可自动识别变电设备的红外热像识别技术是关键技术之一。为解决目前在变电设备的红外热像识别中存在的背景温度过度集中、对比度低、缺乏智能方法等问题,提出了一种使用RetinexNet算法对图像进行增强的方法,为红外热像的精准识别创造条件;使用YOLOX-Darknet53算法对增强后的图像进行目标检测。在试验中,使用该方法对红外热像进行识别,不仅每张图像的识别时长可以达到6.88 ms,且8种变电设备识别的平均精确率可以达到96.51%。实验数据验证了,所提方法的高效性和精准度,可以满足监测变电设备状态的需求。

基于深度学习的低照度图像增强

该文以深度学习为基础,以增强低照度图像为背景,对图像处理技术展开了研究。在对已有的比较流行的增强技术的研究基础上,对一些步骤进行改善,提出了改进的RetinexNet算法。传统的Retinex算法在处理单张图像时比较好用,但是运算速度比较慢,没办法批量快速处理图像。在对RetinexNet改进之后,该算法能对低照度图像进行较为快速的优化,在增强图像质量的同时改善了图像细节和色彩失真,控制了图像的噪声。