基于Retinex的图像增强方法综述

Retinex作为一种源自人类视觉系统研究的颜色恒常性模型,在解决光照不均、色偏等方面都有非常广泛的应用。本文首先介绍了Retinex理论的来源与后续的发展。然后根据当前研究现状将Retinex模型分为路径模型、PDE（Partial differential equations）模型、变分模型和中央周边（Center-Surround）模型4种类型,并对每一种类型进行综述。最后介绍了Retinex在图像增强方面的典型应用,并总结4种Retinex模型的优劣,展望了Retinex的未来发展方向。     

基于鲁棒估计的动态传感数据校正方法

为实现IEEE1451网络化智能传感器输出数据与输入信号随时间的变化曲线保持一致,解决智能传感中的非线性问题,根据数据校正与数据回归的相似性,引入并改进在数据回归中应用较好鲁棒估计方法,结合非线性动态数据校正的DAEs模型,为传感器的校正引擎构建了相应的鲁棒估计目标函数。应用实例可得,校正后的结果与模型值的均方差MSE＆lt;0.003,表明在数据校正方法中引入鲁棒估计方法,可以使目标函数对偏离理想条件的数据不敏感,能显著减小异常数据点对传感数据校正的不利影响,实现高效的数据自校正。     

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。     

一种改进的基于鲁棒估计的动态数据校正方法

针对目前动态数据校正方法存在的缺陷,本文基于鲁棒估计的原理,提出一种新型的鲁棒估计函数,该函数物理概念清晰,参数调节灵活。基于此函数构造的动态数据校正方法(IRDR),在校正随机误差的同时,可以同步对异常点过失误差进行侦破和识别。CSTR仿真实例表明,该方法可以准确识别出系统所含的多个过失误差,校正结果偏差小,曲线平滑,具有较强优越性。     

一种基于鲁棒估计的极限学习机方法

极限学习机(ELM)是一种单隐层前馈神经网络(single-hidden layer feedforward neural networks,SLFNs),它相较于传统神经网络算法来说结构简单,具有较快的学习速度和良好的泛化性能等优点。ELM的输出权值是由最小二乘法(least square,LE)计算得出,然而经典的LS估计的抗差能力较差,容易夸大离群点和噪声的影响,从而造成训练出的参数模型不准确甚至得到完全错误的结果。为了解决此问题,提出一种基于M估计的采用加权最小二乘方法来取代最小二乘法计算输出权值的鲁棒极限学习机算法(RBELM),通过对多个数据集进行回归和分类分析实验,结果表明,该方法能够有效降低异常值的影响,具有良好的抗差能力。     

基于广义未知输入观测器的鲁棒故障估计方法

当干扰存在时,有效地估计故障且放松故障的限制条件需要进一步的研究,为此针对含未知干扰的非线性连续系统的鲁棒故障估计问题提出一种广义未知输入观测器方法。首先,将执行器故障向量和传感器故障向量与原系统状态向量组成广义系统,放松对故障类型的限制,对此广义系统设计未知输入观测器解耦干扰,保证鲁棒性的同时估计出状态变量、执行器故障及其一阶微分和传感器故障。然后通过解线性矩阵不等式（LMI）给出估计误差渐近收敛的条件。最后,在MATLAB 的simulink平台上用三叶片水平轴风力模型仿真验证本文观测器的故障估计有效性鲁棒性。     

测量误差协方差矩阵的鲁棒估计

由于经典的误差协方差阵间接估计方法对于过失误差存在非常敏感,本文提出了一种基于Hampel三截尾估计的间接估计方法,在无过失误差和存在过失误差的情况下都能给出测量误差协方差矩阵可靠的估计,两个仿真实例表明了算法的鲁棒性。     

一种新的基于椭圆模型的鲁棒估计方法

提出一种在数字图像中估计椭圆模型参数的鲁棒方法.该方法采用自下而上的思路,结合RANSAC(Random sample consensus)算法,先将图像中的样本分割成具有类内结构相似性的子类群,再依据类间拟合相似性将子类合并,最后在完成聚合的类中估计出模型参数.该方法的优势在于无约束性,不需要先验条件,可以在模型的数量、尺度等信息未知的情况下进行参数估计,并有效抑制离群数据影响.实验结果表明,该方法估计精度较高,鲁棒性能良好.     

基于鲁棒估计的动态数据校正方法

针对目前动态数据校正方法存在的缺陷，本文在以前的工作基础上把基于鲁棒估计原理构造的鲁棒估计函数用于含异常点类型的过失误差的数据校正，Monte Carlo模拟结果及对TE问题的校正计算结果表明，这种基于鲁棒估计的过换误差侦破和数据协调同步方法可以在得到协调数据的同时很准确的侦破和识别出测量数据中所含的过失误差，具有较强的优越性。     

基于特征点的单应矩阵鲁棒估计

提出了一种基于特征点的单应矩阵鲁棒估计算法.在图像的尺度空间中提取特征点,并对特征点进行亚像素定位.同时赋予主方向.根据邻域信息计算得到特征向量后,利用最近邻特征点距离与次近邻特征点距离之比得到初始匹配点对.用RANSAC(Random Sample Consensus)算法匹配特征点对,同时计算得到两幅图像之间的单应...     

基于Retinex的JPEG图像增强新方法

针对现有JPEG图像压缩与增强的过程分离,且图像增强后容易产生块状效应的局限性,提出一种新的JPEG图像增强算法,该算法嵌入JPEG图像压缩框架之中,在量化步骤之前增强图像以充分利用图像原始信息。增强过程以Retinex理论为基础,将DCT系数分为照度分量(DC系数)和反射分量(AC系数),对DC系数进行动态范围调整,并利用DC系数的增强因子对AC系数做细节增强。最后,对调整后的DCT系数做平滑处理来抑制块效应。实验结果表明,与传统的其他算法相比,该算法能更好的增强细节信息和保持色彩信息,并能保持与标准JPEG同等的图像压缩比。     

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nl,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,l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.     

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。     

基于多尺度Retinex的自适应图像增强方法

介绍了一种基于MSR的自适应图像增强的方法,能够较好地自动处理由于云雾、雨天等天气原因和光照不足导致的景物不清、视觉质量差和对比度低的图像,提升多种类型的图像视觉质量.通过对实验的结果以及算法的普适性进行比较和分析,证明了该方法是有效的.     

基于Retinex理论的多曝光图像融合算法

多曝光图像融合技术是将一组场景相同但曝光程度不同的图像序列直接融合成为一幅含有更多场景细节信息的高质量图像。针对现有算法局部对比度差和色彩失真的问题，结合Retinex理论模型提出了一种新的多曝光图像融合算法。首先，基于Retinex理论模型，利用光照估计算法将曝光序列图像分为入射光分量序列和反射光分量序列，然后分别采用不同的融合方法对这两组序列进行处理。对于入射光分量，要保证场景的全局亮度的变化特性并且削弱过曝光和欠曝光区域的影响；而对于反射光分量，要采用适度曝光的评价参数来更好地保留场景的色彩及细节信息。分别从主观和客观两方面对所提算法进行了分析。实验结果表明，同传统基于图像域合成的算法相比，该算法在结构相似度（SSIM）上平均提升了1.7%，另外在图像色彩和局部细节上的处理效果更好。     

基于改进型Retinex算法的彩色图像增强技术

由于单尺度Retinex算法在处理过程中会产生光照强度问题导致图像细节表达不细致,提出一种改进的基于单尺度Retinex(SSR)算法的 真彩图像增强算法。首先,使用加权最小二乘法对原始彩色图像进行细节增强,然后对原始图像进行优化。对处理后的图像层和细节图像层构造增益系数,并进行重构输出一幅新的合并图像。实验结果表明,所提算法能够有效减少图像中的噪声,并使图像细节和对比度更加突出,亮度增强。相比于其它传统的算法,改进型Retinex算法处理后的图像客观评价指标有大幅度提升,图像增强能力有大幅改善。     

基于图像融合技术的Retinex图像增强算法

针对单尺度Retinex图像增强算法存在的光晕现象和图像泛灰问题,提出一种基于图像融合技术的Retinex图像增强算法。针对光晕现象,使用高斯加权双边滤波代替单尺度Retinex算法中的高斯核函数估计光照图像,能够有效去除光晕现象。针对图像泛灰问题,引入图像融合的思想。首先,采用非线性变换拉伸反射图像,并通过Otsu阈值分割算法确定图像的亮、暗区域;然后,以信息熵为标准,通过调整非线性变换的参数来获得亮区域最优图像和暗区域最优图像,并将原始图像、亮区域最优图像和暗区域最优图像采用分块融合的方法进行融合;最后,为克服图像分块融合算法的块效应,在融合过程中加入一致性校验。实验结果表明,新算法能够充分获得图像的细节信息,同时有效去除光晕现象、改善图像泛灰的不足。相比于单尺度Retinex算法、基于双边滤波的Retinex算法、直方图均衡算法以及反锐化掩膜算法,新算法的图像增强能力具有显著的提升。     

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。     

基于融合策略的改进Retinex低照度图像增强算法

针对Retinex算法处理低照度彩色图像出现色彩失真,边缘保持性差等问题,提出一种基于融合策略的改进Retinex低照度图像增强算法;该算法首先在YIQ颜色空间提取亮度分量Y,对其进行MSR算法增强;然后采用高斯-拉普拉斯算子对彩色图像的RGB三个分量进行边缘检测,将其叠加合成后转换成灰度图;最后使用小波变换将两幅图像融合得到新的亮度分量,将其与I、Q分量融合后转回RGB颜色空间,从而获得色彩保真度高、细节清晰的图像;实验结果表明,该方法有效提高了图像边缘细节信息,避免了色彩失真,具有很好的视觉效果。