基于双边滤波的Retinex图像增强算法

针对Retinex图像增强技术在高对比度边缘区域存在“光晕伪影”这一缺点,提出了一种基于双边滤波的Retinex算法。该算法先使用带有边缘保存功能的双边滤波将原图像分解成照度图像和反射图像,再分别采用不同的策略压缩照度图像和增强反射图像,最后把两部分图像合成为新的图像。通过从主观视觉效果和客观质量评价两方面对该算法进行检验,实验结果表明它有较好的增强效果,解决了“光晕伪影”问题。     

基于Retinex算法的亮度分层图像增强算法

在处理低照度的图像时，传统的Retinex算法虽然可以提高图像的辨识度，但是存在“光晕伪影”和图像细节表现不明显等问题，因此本文采用了引导滤波图像分层处理与多尺度Retinex算法相结合的图像增强算法。首先在HSI色彩空间中对原始图像使用引导滤波算法，将图像分成细节图像和基本图像。然后对分离出来的两个图像层构造增益系数，分别进行增强处理后再进行重构，得到一个新的亮度图像。最后，在RGB色彩空间内对新的亮度图像进行色彩恢复从而输出最终的亮度较高、还原度较好的图像。实验结果表明，本文算法使图像的边缘和细节更加突出，而且能够消除“光晕伪影”现象，客观评价指标也有较大幅度的提升。     

一种新的NSCT域图像增强算法

针对实际应用中所采集的部分图像对比度低、边缘细节模糊的问题,提出一种基于非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)的多尺度Retinex与非线性增益函数相结合的图像增强算法。使用改进的多尺度Retinex算法对低频子带系数进行处理,以提升图像的灰度动态范围并改善图像的亮度均匀性;采用非线性增益函数和贝叶斯萎缩阈值相结合的方法对各个高频子带系数进行处理,在提升图像纹理细节的同时抑制噪声。实验结果表明:该算法能够有效提升图像对比度和清晰度,增强图像细节信息,有效改善视觉效果。     

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。     

基于图像分解和相对全变分的图像平滑

图像平滑旨在去除图像中纹理细节信息的同时保留重要的结构边缘,因此如何正确区分二者成了 图像平滑的关键。梯度作为计算图像变化速度的重要指标是区分结构边缘和纹理细节的有效度量,但不同图像 以及同一图像不同区域中的纹理和边缘的梯度差异并非固定不变的。为了能够有效识别结构边缘和纹理细节, 提出了基于图像分解和相对全变分的图像平滑方法。为了扩大结构边缘和纹理细节之间的差异,实现在尽可能 不改变结构边缘的前提下降低纹理细节的梯度,以多方向的梯度为约束对图像进行分解,提取图像的平滑成分。 在特定尺度下,基于图像的区域结构差异,采用相对全变分方法,在保留结构边缘的同时去除该尺度下的纹理 细节。通过迭代优化,不断调整图像区域尺度,实现对不同尺度纹理细节的逐步去除。与现有算法相比,新方 法在有效地去除纹理细节和完整地保留结构边缘方面都具有较好的视觉效果。     

空间转换与自适应灰度校正的低照度图像增强

在低照度场景下采集的图像存在整体亮度偏低、对比度较差、细节信息丢失等问题,影响其在图像增强应用领域中的性能。为提高低照度成像质量,并使图像结构完整且纹理细节自然清晰,提出一种空间转换与自适应灰度校正的低照度图像增强算法。采用带有灰度校正的自适应压缩多尺度Retinex算法对原始图像进行处理,得到均衡化图像,避免在传统Retinex算法对图像进行全局处理时产生图像过亮或过暗的现象,通过空间转换方法处理获得的均衡化图像,分别得到频率域平滑图像和空间域锐化图像,以提高图像的整体亮度和对比度,从而保留图像中物体边缘的细节信息。在此基础上,采用多聚焦融合算法将原始图像、频率域平滑图像和空间域锐化图像进行融合,得到最终图像。实验结果表明,相比SSR、CLAHE、MBYC等算法,该算法的均值、方差、信息熵和平均梯度分别平均提升1.63%、0.89%、0.17%和1.91%,能有效提升低照度图像的亮度、清晰度和对比度,增强图像边缘信息和纹理细节信息。     

结合肤色分割与平滑的人脸图像快速美化

目的 针对目前人脸图像美化算法存在的对于细节丰富的眼睛和头发等区域处理过度平滑,美化后的图像整体美化效果较差等问题,提出一种基于肤色分割与平滑人脸图像的美化方法。方法 首先对脸部瑕疵特性,用双指数边缘保护滤波器平滑人脸图像的瑕疵,与此同时很好保持图像边缘信息;再通过利用色度直方图自适应快速检测、修正、分割肤色区域;然后利用拟合高斯羽化皮肤区域生成蒙版,融合平滑图像和原图像,保留图像头发背景等细节信息;最后基于人像美感标准,对皮肤亮度通过拟合log曲线实现快速自适应调整人脸图像亮度,增强眼睛等细节,从而快速实现人脸图像美化方法。结果 通过与其他人像美化算法相比较,在保留边缘方面,该算法更有效地对皮肤边缘上的瑕疵进行平滑,达到更好地美化人脸图像;而在时间复杂度方面,相对于前人的算法,计算速度快12倍,实现快速美化人脸图像。结论 该算法适应能力较强,对大部分人脸图像的脸部瑕疵完美去除的同时达到背景信息不变,肤色美白自然,使整体美化效果显著;尤其是细节丰富的边缘区域平滑适度,具有一定的实用性。     

一种矿井低照度图像增强算法

针对小波变换在图像边缘保持和细节处理方面无法保持平衡及多尺度Retinex算法易造成图像出现光晕伪影和噪声污染严重等问题,将小波变换与基于多尺度引导滤波的多尺度Retinex算法相结合,提出了一种矿井低照度图像增强算法。该算法首先将低照度图像进行小波分解得到高频分量和低频分量;然后对图像高频分量采用三段式阈值函数进行小波去噪,对图像低频分量采用非线性全局亮度校正以增强图像亮度,同时采用多尺度引导滤波函数代替传统多尺度Retinex算法的高斯滤波函数来估计照射分量,进而求取反射分量,并运用主成分分析法对反射分量与非线性全局亮度校正的图像进行融合,有效提升图像边缘细节保持效果;最后对图像高频分量和低频分量进行小波重构,并对小波重构后的图像进行非线性变换,解决图像泛灰问题。实验结果表明,该算法具有很强的噪声抑制能力,可有效提升图像亮度和对比度,使图像边缘保持性能和细节信息丰富度得到有效平衡,避免了图像出现光晕伪影、颜色失真等现象。     

结合细节信息的自适应Retinex算法水下图像增强

针对Retinex算法应用于水下图像增强中,常出现颜色失真与图像细节增强相矛盾的现象,提出了结合细节信息的自适应多尺度Retinex水下图像增强算法。分析包含不同细节信息的水下图像对Retinex算法增强中卷积函数尺度大小的选择要求;采用图像梯度作为调节因子,自适应调整多尺度Retinex算子的权重,用于适应包含不同细节信息的水下图像对对比度增强的要求,有效地缓和了水下图像增强在颜色失真和细节对比度提升之间的矛盾。多组实验验证了该算法在去除水下图像的蓝绿背景、避免颜色失真、消除非均匀光照和图像细节增强等方面均优于传统多尺度和颜色保真的多尺度Retinex算法。     

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。     

基于多尺度Retinex的雾天降质图象增强算法

雾天图象受到严重退化,大大降低了图象的使用价值。利用Retinex理论的颜色恒常性,通过提取照度分量来去除雾天对图象的退化作用。指出MSR算法处理雾天图象的不足,提出将MSR算法处理结果与原图象结合的改进方法:引入原图象对数分量和颜色信息,以保留原图象亮度的全局对比度和恢复平坦区域的颜色;提出进一步增强雾天图象细节信息的方法:将MSR处理结果与边缘增强的原始图象相结合,然后对输出图象各颜色分量先进行正态截取,再统一拉伸到显示设备的动态范围。实验结果表明,该方法能取得较好的图象去雾效果。     

结合修剪均值与高斯加权中值滤波的图像去噪算法

为快速准确地滤除图像中的脉冲噪声并较好地保持图像的纹理细节和边缘结构,提出一种基于修剪均值与高斯加权中值滤波的图像去噪算法。根据脉冲噪声的灰度特征与统计特征,以局部统计方式进行噪声检测,将灰度取最小值或最大值且与邻域像素相关性较小的像素识别为噪声像素。对于图像平滑区域和细节区域中的噪声像素,使用自适应修剪均值和高斯加权中值滤波算法进行去噪处理。实验结果表明,该算法在视觉效果、峰值信噪比、结构相似性及计算速度上均优于对比算法,并且能够在彻底滤除噪声的同时,较好地保持图像的纹理细节和边缘结构。     

一种图像去薄雾方法

雾是常见的一种自然现象，它将使所拍摄到的图像模糊不清。将雾对景物的退化作用等效成照度变化的结果，根据Retinex理论及有雾图像直方图的特点，分析了MSR算法，采用正态截取拉伸对其输出图像进行处理，取得了较好的图像去薄雾效果。     

改进的单尺度Retinex和LBP结合的人脸识别

为了提高复杂光照条件下人脸识别准确率,提出一种基于改进单尺度Retinex并结合局部二值模式（LBP）的人脸识别算法。首先,利用双边滤波代替Retinex的高斯滤波处理人脸图像,同时使用高斯-拉普拉斯（LoG）及归一化处理提取人脸图像的边缘细节特征,采用标准差的加权方法将两幅处理后的图像进行特征融合,然后使用LBP对融合后的图像进行特征提取,最后通过稀疏表示（SRC）算法对数据样本进行判别归类。在AR和Yale B+人脸库上的实验测试表明,提高了复杂光照下人脸识别的光照鲁棒性,在训练样本较少、光照复杂环境下能取得较好的识别效果。     

雾天条件下的多尺度Retinex图像增强算法

在雾天条件下拍摄图像时,由于受到大气散射作用的影响,图像的颜色和对比度会出现退化现象。为了提高雾天图像的质量,提出一种改进的多尺度Retine雾天图像增强算法。首先采用幂次变换压缩图像动态范围;然后采用非线性变换对图像的高光区域进行抑制;最后采用反锐化掩模滤波消除图像模糊,增强雾天图像细节信息,并采用多幅雾天图像对算法性能进行仿真测试。仿真结果表明,改进多尺度Rctinc的雾天图像增强算法较好地解决了传统Retine算法存在的不足,加快了雾天图像增强的运行速度,使得雾天图像更加清晰化,获得了更优的视觉效果。     

结合低秩和结构化稀疏的大雾图像小目标检测

针对传统的低秩稀疏分解模型不能直接应用到单幅图像进行目标检测,且忽略了目标像素的空间结构性导致检测精度不高等问题,提出一种基于低秩和结构化稀疏的单幅大雾图像小目标检测算法。首先,对原始大雾图像进行预处理得到由局部子图像构成的大雾补片图像,将小目标检测问题转化为低秩和稀疏分解问题。然后,考虑到目标像素间的空间结构关系,在对大雾补片图像进行矩阵分解时,引入结构化稀疏诱导范数对目标进行约束。最后,将矩阵分解得到的补片图像进行后处理得到背景图像和目标图像。通过对单幅大雾图像实验仿真表明,所提算法确保了小目标检测的完整性并且提高了检测精度。     

基于颜色衰减先验的自适应Retinex去雾算法

当前的图像去雾算法中对自适应的要求越来越高,而传统的Retinex算法无法根据雾天图像的实际雾化情况进行去雾,导致处理后的图像仍然存在细节不突出以及色彩失真等问题。针对上述问题,提出了一种基于颜色衰减先验的自适应Retinex去雾算法。利用颜色衰减先验理论求得有雾图像的景深信息,通过建立的景深和高斯尺度参数的线性模型实现对亮度分量的自适应Retinex去雾处理;其次采用饱和度自适应线性拉伸算法优化饱和度分量,最终实现雾天图像的自适应处理。实验结果表明,上述算法在突出图像细节的同时,能够更好地修复图像本来的色彩,改善了雾气浓度不均对图像的影响,为图像去雾的自适应处理提供了有益参考。     

面向惯性约束聚变实验靶图像的快速椭圆检测

目的：针对惯性约束核聚变实验中靶图像轮廓模糊、亮度不均匀等问题,并从提高图像处理实时性角度出发,提出了一种高可靠性和高精度的快速椭圆检测方法。方法：首先利用椭圆边缘点在它与圆心相连方向上具有较大灰度变化率这一特点,以预估中心点为极点建立极坐标系,通过从极点出发的射线上灰度变化率极值点搜索实现椭圆边缘点检测,极值点搜索在图像局部范围进行保证边缘点检测的有效性和实时性;其次利用基于RANSAC的自适应椭圆参数提取算法得到最终椭圆参数,该方法利用椭圆参数空间聚类分析选取最优椭圆参数,从而实现了一致样本集的自适应选择,保证了椭圆参数拟合精度的同时提高了算法的适应性和鲁棒性。结果：采用本文算法检测一幅图像的平均时间约为110ms,与常用椭圆检测方法相比检测速度有显著提高。结论：对比实验表明,本文提出的椭圆检测方法与其他方法相比具有更高的精度、更快的实时性和更强的鲁棒性。     

基于自适应权重的立体匹配优化算法

为解决现有立体匹配算法对低纹理以及视差不连续区域匹配效果较差的问题,提出一种改进的立体匹配优化算法。在传统自适应权重算法匹配代价的基础上,融合高斯差分图像差分信息,即左右图像高斯差分图的差分,重新定义其初始匹配代价,增加算法在视差不连续区域的鲁棒性,并加入边缘约束和视差边缘约束迭代聚类以及基于高斯差分图的自适应窗口算法,保证改进算法在低纹理区域的匹配性能,消除坏点与视差空洞。将该算法与传统自适应权重匹配算法分别在Middlebury数据集上进行匹配实验,结果表明,该算法平均性能提升了15.05%,明显优于传统自适应权重匹配算法。