人眼视觉感知驱动的梯度域低照度图像对比度增强

针对传统的对比度增强方法在对低照度图像进行处理时不能同时顾及压缩动态范围、调整亮度以及增强或保持细节等问题,提出一种基于人眼视觉感知特性的、从全局亮度映射到局部细节补偿的低照度图像对比度增强方法.首先通过非线性全局亮度映射模型压缩图像的动态范围,提高图像的整体亮度水平;然后结合人眼视觉系统的亮度掩蔽特性和超阈值对比度感知特性,非线性地调整图像的局部梯度场增强和恢复图像的局部细节;最后在目标梯度场上通过快速求解泊松方程获取增强后的图像.实验结果表明,该方法能够有效地增强低照度图像的全局和局部对比度,提升了低照度图像的视见度.     

基于暗原色先验的低照度视频增强算法

在低照度条件下,视频质量总是不容乐观.对比度低,边缘细节不清晰,亮度低等情况会给视频后续处理带来很多不必要的麻烦.针对这种情况,本文提出了一种改进的基于暗原色先验的低照度视频增强算法.首先将输入的低照度图像取反,再对该图像进行去雾操作.大气光值由输入图像的暗通道最大值估计,同时,利用快速导向滤波计算并优化透射率,实现了保边降噪.最后,通过再次取反图像得到增强后的图像.透过实验结果证实,该算法能有效增强低照度图像的对比度,突出图像边缘的细节,提高图像的亮度,有效增强低照度图像.     

一种煤矿井下图像增强算法

针对煤矿井下监控图像对比度低、视觉效果差等问题,采用一种基于引导滤波的单尺度Retinex算法进行煤矿井下图像增强。该算法采用具有保边平滑功能的引导滤波进行照度估计,并与原图像进行卷积运算,获得反映自身属性的反射分量,然后针对经反对数变换的反射分量,采用改进的局部对比度增强方法提高图像暗区的对比度,最后得到增强图像。实验结果表明,该算法在对比度提升、细节增强、消噪方面取得了较好的效果。     

基于模糊理论的低照度彩色图像增强算法

低照度彩色图像存在整体亮度低、对比度差、颜色偏暗和信噪比低等特点,传统图像增强算法对其增强效果非常有限。提出了一种基于模糊理论的低照度彩色图像增强算法,将三原色(red,green,blue,RGB)图像转换成色相饱和度(HSV)图像,以保证增强处理不引起图像的色彩失真。对亮度图像进行非线性变化,实现动态范围展宽;采用修正后的隶属度函数将图像映射到模糊平面,实现对比度增强。实验结果表明:该算法显著地提高了图像整体亮度和对比度,改善了低照度彩色图像的视觉效果。     

基于同态高低通滤波与多尺度Retinex的低照度彩色图像增强

针对低照度条件下彩色图像的细节丢失与视觉效果不佳等问题,提出一种改进的低照度彩色图像增强算法。对三个颜色分量图像分别进行同态高低通滤波处理,在提取高频成分的同时,保留部分低频成分。对其中高频图像进行多尺度Retinex算法、指数变换及量化等处理,加强图像细节;对低频图像进行量化和线性伸缩变换处理,避免图像过度增强。MATLAB仿真结果表明,该算法不仅改善了低照度图像的视觉效果,而且在信息熵、峰值信噪比和对比度等性能指标上也有较大提升。     

基于光照图估计的Retinex低照度图像增强算法

针对低照度环境下采集的图像存在对比度较低、细节丢失、噪声干扰等问题,提出一种基于Retinex的光照图估计改进算法,以实现低照度图像增强.计算R、G、B 3个颜色通道中的最大值,并用L2范数对光照进行近似,运用基于相对总变差形式的改进模型对亮通道进行平滑细化及自适应Gamma校正,并利用Retinex模型进行图像增强.在MATLAB仿真平台上对不同的低照度图像进行增强处理,实验结果表明,与Retinex-Net、SRIE等典型算法相比,该算法能有效提高图像对比度与清晰度,增强图像细节信息,使图像颜色更加鲜艳自然,视觉质量更好.     

基于光照图估计的Retinex低照度图像增强算法

针对低照度环境下采集的图像存在对比度较低、细节丢失、噪声干扰等问题,提出一种基于Retinex的光照图估计改进算法,以实现低照度图像增强.计算R、G、B 3个颜色通道中的最大值,并用L2范数对光照进行近似,运用基于相对总变差形式的改进模型对亮通道进行平滑细化及自适应Gamma校正,并利用Retinex模型进行图像增强.在MATLAB仿真平台上对不同的低照度图像进行增强处理,实验结果表明,与Retinex-Net、SRIE等典型算法相比,该算法能有效提高图像对比度与清晰度,增强图像细节信息,使图像颜色更加鲜艳自然,视觉质量更好.     

基于亮度传播图的低照度图像增强算法

由于低照度图像的整体亮度比较暗、动态范围低、噪声大等特点,提出一种基于亮度传播图的低照度图像增强算法。考虑到低照度图像增强的同时也会放大噪声,因此在增强图像之前对图像进行去噪处理。使用BM3D在YCb Cr空间对图像进行去噪之后,在HSI空间对图像进行增强,利用亮度分量估计亮度传播图,利用物理模型还原低照度图像。实验表明该方法能够快速有效地提高低照度图像的整体亮度和对比度,增强图像的细节并减少噪声,得到视觉效果良好的图像。     

自适应的低照度图像增强变分模型

针对低照度图像具有低对比度、强噪声等问题，提出了一种自适应的低照度图像增强变分模型。根据亮度分量初步估计低照度图像取反之后图像的透射率，并利用Retinex算法进行细化，以丰富图像的细节。为了抑制噪声的放大且保持边缘信息，根据亮通道先验原理和局部方差构建权重，自适应地调节正则化参数。采用交替迭代最优化方法求解包含透射率和恢复图像的能量泛函得到最优解。实验结果表明，该模型可有效地增强低照度图像，且能保留更多的图像细节、抑制噪声放大，相比于[l1]范数正则化方法，图像尺寸越大，该模型计算效率越高，计算时间优势越明显。     

基于人眼视觉感知驱动的井下图像增强算法

为解决传统的对比度增强方法在对井下图像进行处理时不能兼顾压缩动态范围、调整亮度以及增强图像对比度等问题,提出一种基于人眼视觉感知特性的井下图像对比度增强算法。首先根据人眼亮度掩蔽特性对图像进行区域划分,然后基于非线性亮度映射模型,对图像的不同区域进行不同尺度的非线性调整,最后再将亮度调整后的不同区域组合成新的图像。实验结果表明,该方法能有效增强井下低照度图像的对比度,提升图像的视觉效果。     

适应彩色空间的图像对比度增强算法

介绍了模拟人眼视觉系统的Retinex图像对比度增强方法.引入了非线性变换函数修正彩色图像的照射分量和反射分量.全局对比度增强函数拉伸图像照射分量.改善了全局视觉效果.非线性局部增强函数对较大和较小的反射分量值改变较小,对中间值的改变较大,从而改善了图像局部对比度.在RGB彩色空间和许多分离色度亮度的彩色空间的处理速度都很快,彩色空间适应性较好,处理图像也没有出现彩色失真现象.     

基于域滤波的自适应Retinex图像增强

为了提高低照度图像的亮度和对比度,提出了一种新的基于Retinex理论的彩色图像增强方法。首先,基于Retinex理论,提出对HSV空间V分量进行域滤波估计图像光照分量,然后将V分量与光照分量相除得到反射分量的方法。之后,采用自适应Gamma校正对光照分量进行亮度提升,然后采用CLAHE对其进行对比度增强。最后,将亮度校正光照分量与反射分量相乘得到增强后的V分量,并将增强后的图像转化为RGB空间图像,达到彩色图像增强的目的。本算法可以获得更自然的增强效果,能抑制亮度较大像素点的增强,很好地突出图像中的细节信息,克服了图像增强中增强图像对比度低、颜色失真、过增强及光照突变处出现光晕现象等缺点。本算法对多种图像有效,例如高动态(HDR)图像、非均匀光照图像及低曝光图像。通过验证,本算法得到的结果相比于传统方法视觉效果更佳。     

基于端到端双网络的低照度图像增强方法

由于环境的不确定性,捕获的图像存在亮度低、对比度低和信息丢失严重等问题,且利用现存算法增强后的图像存在曝光过度问题,不能满足计算机视觉任务的输入要求。针对此问题,提出了基于端到端双网络的低照度图像增强方法,该网络由Inception网络模块与URes-Net模块组成。首先利用Retinex理论合成低照度图像样本;然后运用双网络模型进行特征提取、特征融合与重建,根据测试集的损失不断调整参数以优化模型,最终使双网络模型具有较高的低照度图像增强能力。实验结果表明,所提方法的PSNR和SSIM的均值分别为28.659 8 dB和0.896 6,亮度、对比度显著提高,获得的图像更加符合人类视觉,优于其他先进的低照度图像增强方法。     

最大差值图决策的低照度图像自适应增强算法

应用于光照分布不均的低照度图像,传统的图像增强算法会出现色彩失真、亮区过度增强等问题,因此提出一种最大差值图决策的低照度图像自适应增强算法。首先,提出最大差值图的概念,通过最大差值图粗略估计出初始光照分量;然后,提出交替引导滤波的算法,利用交替引导滤波对初始光照分量进行校正,实现光照分量的准确估计;最后,设计了图像亮度自适应的伽马变换,能够根据获取的光照分量自适应调整伽马变换参数,从而在增强图像的同时消除光照不均带来的影响。实验结果表明,增强后的图像有效消除了光照分布不均带来的影响,图像亮度、对比度、细节表现能力和色彩保真度都得到了明显提升,平均梯度提升了1倍以上,信息熵提升了14%以上。由于提出的算法对光照分量估计准确,自适应伽马变换针对低照度图像进行了优化,因此,对于夜间等弱光源条件下的彩色图像具有十分有效的增强效果。     

一种新的低照度彩色图像增强算法*

为了增强彩色图像而不引起色彩失真,在HSV颜色空间中保持色相不变,提出了采用分段对数变换增强饱和度结合在多尺度Retinex算法的基础上,采用边缘保持增强色调的低照度彩色图像增强算法。实验结果表明,该方法在保持图像色相和图像边缘的情况下,显著改善了图像的视觉效果,提高了图像的亮度和对比度。25幅低照度图像的平均亮度、标准偏差和对比度分别提高了94.95%、20.93%和29.88%,相对于带色彩恢复的多尺度Retinex算法的熵和对比度增量分别提高了7.34%和151.51%,效果优于Retinex算法。     

Human visual system-based image enhancement and logarithmic contrast measure.

Varying scene illumination poses many challenging problems for machine vision systems. One such issue is developing global enhancement methods that work effectively across the varying illumination. In this paper, we introduce two novel image enhancement algorithms: edge-preserving contrast enhancement, which is able to better preserve edge details while enhancing contrast in images with varying illumination, and a novel multihistogram equalization method which utilizes the human visual system (HVS) to segment the image, allowing a fast and efficient correction of nonuniform illumination. We then extend this HVS-based multihistogram equalization approach to create a general enhancement method that can utilize any combination of enhancement algorithms for an improved performance. Additionally, we propose new quantitative measures of image enhancement, called the logarithmic Michelson contrast measure (AME) and the logarithmic AME by entropy. Many image enhancement methods require selection of operating parameters, which are typically chosen using subjective methods, but these new measures allow for automated selection. We present experimental results for these methods and make a comparison against other leading algorithms.     

基于照度与场景纹理注意力图的低光图像增强

目的 现有的低照度图像增强算法常存在局部区域欠增强、过增强及色彩偏差等情况,且对于极低照度图像增强,伴随着噪声放大及细节信息丢失等问题。对此,提出了一种基于照度与场景纹理注意力图的低光图像增强算法。方法 首先,为了降低色彩偏差对注意力图估计模块的影响,对低光照图像进行了色彩均衡处理;其次,试图利用低照度图像最小通道约束图对正常曝光图像的照度和纹理进行注意力图估计,为后续增强模块提供信息引导;然后,设计全局与局部相结合的增强模块,用获取的照度和场景纹理注意力估计图引导图像亮度提升和噪声抑制,并将得到的全局增强结果划分成图像块进行局部优化,提升增强性能,有效避免了局部欠增强和过增强的问题。结果 将本文算法与2种传统方法和4种深度学习算法比较,主观视觉和客观指标均表明本文增强结果在亮度、对比度以及噪声抑制等方面取得了优异的性能。在VV（Vasileios Vonikakis）数据集上,本文方法的BTMQI（blind tone-mapped quality index）和NIQMC（no-reference image quality metric for contrast distortion）指标均达到最优值;在178幅普通低照度图像上本文算法的BTMQI和NIQMC均取得次优值,但纹理突出和噪声抑制优势显著。结论 大量定性及定量的实验结果表明,本文方法能有效提升图像亮度和对比度,且在突出暗区纹理时,能有效抑制噪声。本文方法用于极低照度图像时,在色彩还原、细节纹理恢复和噪声抑制方面均具有明显优势。代码已共享在Github上：https://github.com/shuanglidu/LLIE_CEIST.git。     

改进零参考深度曲线低照度图像增强算法

在低照度条件下拍摄的图像具有对比度低,亮度低,细节缺失等质量缺陷,给图像处理带来困难。提出一种改进零参考深度曲线低照度图像增强算法,通过在空间一致性损失函数中引入与卷积核大小相关参数,统一了不同尺寸图像的增强效果;将颜色不变损失、照明平滑损失函数与输入图像类型关联,使其增强效果的峰值信噪比提高17.75%,对比度提高26.75%;通过使用对称式卷积结构,解决原算法计算量大的问题;通过使用MobileNetV2轻量化网络对零参考深度网络(Zero-DCE)进行了优化,减少网络模型计算复杂度的同时保证模型较好的增强效果。