基于纹理先验和颜色聚类的图像增强算法

针对传统带彩色恢复的多尺度Retinex算法（multi-scale Retinex with color restoration,MSRCR）存在的纹理信息被弱化，部分信息丢失，增强效果不佳等问题，提出一种基于纹理先验和颜色聚类的图像增强算法。首先，在图像增强之前，进行纹理先验信息提取，以便后续进一步处理。其次，针对于光照分布不均匀的情况，提出利用颜色聚类算法进行图像的分块增强。再者，在对数域映射中，在分块处理的基础上提出了基于均方值和均方差的映射方案。最后，在增强算法的评价部分，提出使用图像的信息熵以及自然统计特性来对增强图像做进一步的有效性评估。实验结果证明，所提方法的平均信息熵达到了7.4934，平均自然统计特性达到4.0903。算法有效地增强了图像的细节部分，图像更为自然，质量得到了进一步提升。     

基于路径的Retinex算法在红外图像增强中的应用

为了方便红外目标的检测、识别等后续处理,针对传统红外图像增强算法存在的图像细节增强能力差,视觉效果模糊的问题,提出一种基于Retinex理论的红外图像增强算法.该算法利用固定路径获取反射分量的方法,对整体偏暗的红外图像目标进行增强处理.仿真结果表明,该方法比单尺度Retinex和多尺度Retinex算法更能增强红外图像的细节信息,有效改善虹外图像的视觉效果.     

基于改进的MSRCR-CLAHE融合的水下图像增强算法

针对海洋复杂成像环境导致的水下图像出现颜色衰退、对比度低等问题,提出一种改进的带色彩恢复的多尺度视网膜（Multi-Scale Retinex with Color Restore,MSRCR）与限制对比度自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization,CLAHE）多尺度融合的水下图像增强算法。首先,采用带有导向滤波的MSRCR算法解决水下图像颜色衰退的问题;其次,采用带有Gamma校正的CLAHE算法以提高水下图像的对比度;最后,对经过改进的MSRCR和CLAHE处理后的图像进行多尺度融合以获得细节增强后的水下图像。实验结果表明,和其他算法相比,文中算法的峰值信噪比（Peak Signal to Noise Ratio,PSNR）平均提高了9.3914、结构相似性（Structural Similarity Index Measure,SSIM）平均提高了0.3013、水下图像评价指标（Underwater Image Quality Evaluation,UIQE）平均提高了4.7047,能实现水下图像的有效增强...     

基于暗原色先验模型的水下彩色图像增强算法

针对在水下环境中,光的散射和衰减导致水下光学成像质量严重下降,图像对比度低、颜色失真的问题,提出了一种暗原色先验和基于通道直方图量化的颜色校正算法相结合的图像增强新方法。对于待增强的水下彩色图像,首先建立水下光学图像成像模型,并利用优化与改进的暗原色先验算法对图像进行去模糊,然后通过分析R、G、B三通道的累积直方图,对去模糊后的彩色图像各通道灰度值进行量化,实现图像的颜色校正。实验结果表明,提出的方法可以有效地消除了由于光的散射造成图像的模糊,有效提高了水下图像的视觉效果,恢复水下图像的颜色平衡。     

多输入融合对抗网络的水下图像增强

针对水下图像出现对比度低、颜色偏差和细节模糊等问题,提出了多输入融合对抗网络进行水下图像增强。该方法主要特点是生成网络采用编码解码结构,通过卷积层滤除噪声,利用反卷积层恢复丢失的细节并逐像素进行细化图像。首先,对原始图像进行预处理,得到颜色校正和对比度增强两种类型图像。其次,利用生成网络学习两种增强图像与原始图像之间差异的置信度图。然后,为减少在生成网络学习过程中两种增强算法引入的伪影和细节模糊,添加了纹理提取单元对两种增强图像进行纹理特征提取,并将提取的纹理特征与对应的置信度图进行融合。最后,通过构建多个损失函数,反复训练对抗网络,得到增强的水下图像。实验结果表明,增强的水下图像色彩鲜明并且对比度提升,评价指标UCIQE均值为0.639 9,NIQE均值为3.727 3。相比于其他算法有显著优势,证明了该算法的良好效果。     

基于改进YOLOv5的荧光图像细胞智能检测研究

为解决人工对荧光原位杂交(Fluorescence In Situ Hybridization, FISH)荧光图像进行结果判读存在的效率低、劳动强度大等问题,针对FISH荧光图像细胞智能检测提出一种融合空域图像增强的改进YOLOv5算法。算法在原始YOLOv5神经网络模型基础上,加入了空域图像增强模块,并选择了模块最佳增强系数,扩大了模型对荧光图像的对比度适应范围,提高了模型的特征提取能力和细胞检测准确率。实验结果显示,改进YOLOv5模型的平均精度均值(Mean Average Precision, mAP)为0.983,达到了比原始模型更优的训练效果和收敛速度,并且,改进YOLOv5模型的细胞识别率达到91.65%,比原始YOLOv5模型提升了9.19%。将细胞智能检测算法嵌入自主开发的荧光图像智能检测软件,结合荧光点检测算法,可给出有效判读结果。     

基于暗通道和伽马变换的水下图像增强

光在水下传播存在吸收和散射现象,导致水下图像颜色失真、对比度低.为此,提出了一种基于暗通道先验和伽马变换的水下图像增强算法.首先,在RGB空间利用暗通道先验估计水下图像透射率和大气光照值,加权处理后得到自适应补偿参数,进而对图像颜色校正.在此基础上,将增强后的RGB图像转化到HSV颜色空间,对V通道进行自适应伽马变换,提高图像的对比度.最后,在公用水下图像增强数据集(RUIE)上进行实验,并与现有增强算法进行比较.实验结果表明,所提算法显著提高了水下图像的视觉质量,优于其他相关算法.     

基于生成对抗网络的轻量级全局-局部水下图像增强算法

为解决光在水下传播过程中由吸收与散射效应导致的水下图像产生色偏、对比度低、细节缺失和噪音等问题，设计了一种融入注意力机制的轻量级全局-局部生成对抗网络水下图像增强算法。算法通过改进GAN网络以及设计新的损失函数，提高图像增强效果。实验结果表明，所提出的方法在校正色偏、提高对比度、增强细节和消除噪音等方面较现有流行的水下图像增强算法均取得了很大的进步，同时也进行了时间测试以及应用测试，实验结果表明，提出的水下图像增强方法能够快速有效地提高水下图像的质量。     

基于自动色阶和多尺度Retinex彩色图像增强算法

为了解决多尺度Retinex算法(MSR)在增强光照不均的单彩色图像时出现的细节模糊、颜色失真的问题,提出一种基于自动色阶和多尺度Retinex算法(Auto-colorMSR)。对图像进行双边滤波去噪,利用添加光照参数调节的MSR算法对去噪图像进行增强,并通过自动色阶进行色彩恢复得到增强图像。实验结果表明,提出的算法优于传统算法,图像增强后具有更好颜色保真和边缘细节保留特性。     

基于改进的同态滤波和Retinex的水下图像增强的算法研究

光在水下传播受到微粒和水吸收作用的影响,导致水下图像对比度低,含有噪声且存在颜色偏差.针对传统的同态滤波算法增强后的图像还存在雾状模糊且颜色偏暗的问题,提出改进的同态滤波与Retinex多尺度融合的水下图像增强算法.该算法首先用基于双边滤波的单尺度Retinex算法对原始图像进行颜色校正;然后对修正后的图像构造相应的Butterworth陷波滤波器进行滤波;最后对颜色修正后的图像和同态滤波增强后的图像进行多尺度融合.通过实验可得,该方法能够有效地改善色偏,提高图像的清晰度.