基于小波变换的真彩图像降噪与增强

适用于带噪声彩色图像增强的方法少,而应用灰度图像的增强方法,不仅增强噪声,而且会产生色彩偏离。基于此,提出在HSV色彩空间上的降噪与增强方法。根据人眼视觉系统对亮度的变换敏感性大于色度和饱和度的变换敏感性,以及图像噪声只对亮度和饱和度产生影响,将真彩图像由RGB空间变换到HSV空间,保持色度通道不变,对亮度通道进行小波变换,直接对J尺度下的低频信息进行动态范围的压缩,对各尺度下的高频信息进行基于贝叶斯估计阈值的降噪处理。对饱和度通道,利用得到的降噪公式进行降噪处理,将图像变换到RGB 空间。仿真实验证实,增强后的真彩图像包含噪声少,色彩基本无偏差,图像动态范围压缩良好。     

使用同态分解和小波变换增强真彩图像

在RGB空间中分别对真彩图像的三个通道进行增强能够很好地压缩图像动态范围,但往往会产生色彩偏离。因此,先将真彩图像由RGB空间变换到HSV空间,进行色度、饱和度和亮度分离;然后基于入射-反射模型,对亮度通道进行同态分解和小波变换的图像增强;再根据人类视觉系统光谱感觉特性,调整色饱和度分量的色彩纯度。实验证实,增强后的真彩图像色彩基本无偏差,图像动态范围压缩良好,能够很好地适应人类视觉。该方法对真彩图像的增强优于带色彩恢复的多尺度Retinex方法（msrcr）。     

语义分割和HSV色彩空间引导的低光照图像增强

目的 低光照图像增强是图像处理中的基本任务之一。虽然已经提出了各种方法,但它们往往无法在视觉上产生吸引人的结果,这些图像存在细节不清晰、对比度不高和色彩失真等问题,同时也对后续目标检测、语义分割等任务有不利影响。针对上述问题,提出一种语义分割和HSV（hue,saturation and value）色彩空间引导的低光照图像增强方法。方法 首先提出一个迭代图像增强网络,逐步学习低光照图像与增强图像之间像素级的最佳映射,同时为了在增强过程中保留语义信息,引入一个无监督的语义分割网络并计算语义损失,该网络不需要昂贵的分割注释。为了进一步解决色彩失真问题,在训练时利用HSV色彩空间设计HSV损失;为了解决低光照图像增强中出现细节不清晰的问题,设计了空间一致性损失,使增强图像与对应的低光照图像尽可能细节一致。最终,本文的总损失函数由5个损失函数组成。结果 将本文方法与LIME（low-light image enhancement）、RetinexNet（deep retinex decomposition）、EnlightenGAN（deep light enhancement using generative adversarial networks）、Zero-DCE（zero-reference deep curve estimation）和SGZ（semantic-guided zero-shot learning）5种方法进行了比较。在峰值信噪比（peak signal-to noise ratio,PSNR）上,本文方法平均比Zero-DCE（zero-reference deep curve estimation）提高了0.32dB;在自然图像质量评价（natural image quality evaluation,NIQE）方面,本文方法比EnlightenGAN提高了6%。从主观上看,本文方法具有更好的视觉效果。结论 本文所提出的低光照图像增强方法能有效解决细节不清晰、色彩失真等问题,具有一定的应用价值。     

光照变化环境下的SIFT改进算法

为了解决SIFT算法在光照不均环境下匹配效果差的问题,提出了一种融合差分同态滤波算法的SIFT匹配算法（MSHFHS+SIFT算法）。该方法对同态滤波算法进行扩展,推广到多尺度空间,以构建同态滤波金字塔,与SIFT进行融合,利用SIFT算法的特征点提取、描述子生成方法,根据distance-radio准则进行匹配。在各种光照变化环境下的实验证明,该算法较之传统的方法具有更好的鲁棒性。