改进的多尺度Retinex红外图像增强算法

针对传统多尺度Retinex增强算法处理后的红外图像对比度较低、视觉效果不够理想的缺点,提出了一种改进的多尺度Retinex红外图像增强算法.将传统Retinex增强算法中的指数还原用灰度线性拉伸代替,对拉伸后的图像进行自适应对比度增强处理,从而提高了图像的对比度,改善了图像的视觉效果,同时,根据图像处理的需要,可以调整图像对比度的大小.通过与几种典型的图像增强算法实验结果进行比较,该算法图像增强的效果更好,图像视觉效果更佳.     

基于USM的改进Retinex算法安检图像增强

为了提高安检图像质量,提出用Retinex算法对其进行增强处理,并对Retinex算法做了改进.改进算法首先结合反锐化掩模(Unsharp Masking,USM)算法中提高高频成分的思想,增强了安检图像的轮廓部分;然后用限制对比度自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization,CLAHE)算法增强图像对比度.实验结果和数据表明,相比传统Retinex算法增强后的安检图像,论文算法能在有效增强安检图像的同时保留图像局部信息.     

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。     

改进双边滤波和阈值函数的图像增强算法

针对基于单尺度Retinex算法产生的图像泛灰现象和光晕现象、基于双边滤波Retinex算法的泛灰现象及噪声放大现象。提出基于小波变换的改进双边滤波的Retinex图像增强算法和改进阈值函数去噪算法。该方法对图像进行小波分解,获得图像的低频和高频系数;采用改进双边滤波的Retinex算法对图像低频系数进行处理,采用改进阈值函数对高频系数进行处理;采用离散小波反变换得到增强后的重构图像;对重构图像进行分段性线性变换,增强图像对比度。实验结果表明,该方法避免了图像泛灰和光晕现象,并有效去除了噪声,细节丰富,对比度强,为图像后续处理奠定基础。     

基于DSP的夜晚图像增强技术

本文基于色调不变性的Retinex算法,建设性地提出在Retinex处理之前增加全局色调映射的方法,由此增强了夜晚图像对比度并保持了图像的色度,最后通过DSP实现实时夜晚视频处理,实验结果表明该算法具有一定的实用性。     

基于Multi-Scale Retinex模型的肝脏超声图像增强算法

基于多尺度Retinex (Multi-scale Retinex,MSR)模型的图像增强方法是一种基于人眼视觉原理的图像增强方法,能同时有效实现图像的动态范围压缩和颜色保真.本文融合Retinex理论,采用3个尺度的Retinex算法对肝脏超声图像进行增强处理,提取经MSR算法增强处理后的正常肝脏和脂肪肝图像的灰度均值、对比度和信息熵参数,并与直方图均衡化算法、同态滤波算法进行对比.实验结果表明:肝脏超声图像经MSR算法增强处理后,提高了图像特征参数(对比度、信息熵)的区分度,增强了图像暗区的对比度和清晰度,改善了图像视觉质量,能有效辅助临床诊断.     

小波域红外图像增强算法研究

由于红外图像成像机理及红外成像系统自身的原因,红外图像大多对比度低、细节信息不明显,视觉效果差,需要经过增强处理改善图像质量。提出一种基于小波的多分辨分析方法和Retinex图像增强算法相结合的红外图像增强方法。利用小波把红外图像分解成近似子图像和细节子图像,对近似子图像进行改进的Retinex增强算法处理,对细节子图像采用多策略小波阈值增强,最后小波重构得到增强的红外图像。实验结果表明,该算法对红外图像具有较好的增强效果。     

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。     

一种新的基于MSRCR光照补偿算法

对质量较差的人脸图像进行光照补偿,多尺度Retinex算法是传统的算法中比较有效的一种,但是Retinex算法处理的人脸图像会产生"泛白、颜色失真、对比度低"现象,为了提高人脸识别率,为此提出了一种新的带色彩恢复的多尺度Retinex算法(MSRCR)对彩色图像进行光照补偿.在对MSRCR理论进行研究的基础上,对原有算法进行改进,使用了快速傅里叶变换,运行速度快于已有传统方法.经过实验证明,改进算法使图像的对比度,亮度,隐藏的细节等方面都有很大的增强.论述了该算法的原理和实现方法,同时通过实验将其与直方图均衡,Gamma变换等方法进行比较.实验结果表明:该算法对彩色图像光照补偿有很好的效果.     

生成对抗网络下的低剂量CT图像增强

为去除低剂量计算机断层扫描（LDCT）图像中的噪声,增强去噪后图像的显示效果,提出一种生成对抗网络（GAN）下的LDCT图像增强算法。首先,将GAN与感知损失、结构损失相结合对LDCT图像进行去噪;然后,对去噪后的图像分别进行动态灰度增强和边缘轮廓增强;最后,利用非下采样轮廓波变换（NSCT）将增强后的图像在频域上分解为具有多方向性的系数子图,并将配对的高低频子图使用卷积神经网络（CNN）进行自适应融合,以重构得到增强后的计算机断层扫描（CT）图像。使用AAPM比赛公开的真实临床数据作为实验数据集,进行图像去噪、增强、融合实验,所提方法在峰值信噪比（PSNR）、结构相似度（SSIM）和均方根误差（RMSE）上的结果分别为33.015 5 dB、0.918 5和5.99。实验结果表明,所提算法在去除噪声的同时能保留CT图像的细节信息,提高图像的亮度和对比度,有助于医生更加准确地分析病情。     

基于卷积神经网络的弱光照图像增强算法

针对现有的弱光照图像增强算法强烈依赖于Retinex理论、需人工调整参数等问题，提出一种基于卷积神经网络（CNN）的弱光照图像增强算法。首先，利用四种图像增强手段处理弱光照图像得到四张派生图，分别为：限制对比度自适应直方图均衡派生图、伽马变换派生图、对数变换派生图、亮通道增强派生图；然后，将弱光照图像及其四张派生图输入到CNN中；最后经过CNN的激活，输出增强图像。所提算法直接端到端地实现弱光照图像到正常光照图像的映射，不需要按照Retinex模型先估计光照图像或反射率图像，也无需调整任何参数。所提算法与NPEA（Naturalness Preserved Enhancement Algorithm for non-uniform illumination images）、LIME（Low-light image enhancement via Illumination Map Estimation）、LNET（LightenNet）等算法进行了对比。在合成弱光照图像的实验中，所提算法的均方误差（MSE）、峰值信噪比（PSNR）、结构相似度（SSIM）指标均优于对比算法。在真实弱光照图像实验中，所提算法的平均自然图像质量评价度量（NIQE）、熵指标为所有对比方法中最优，平均对比度增益指标在所有方法中排名第二。实验结果表明：相对于对比算法，所提算法的鲁棒性较好；经所提算法增强后，图像的细节更丰富，对比度更高，拥有更好的视觉效果和图像质量。     

改进的多尺度Retinex医学X射线图像增强算法

医学X射线图像通常存在亮度低,对比度差,造成难以识别的问题。为了增强此类图像,在Land提出的单尺度Retinex理论之上,论述基于此原理的多尺度Retinex（MSR）图像增强方法。利用均值模板代替高斯卷积模板对图像进行滤波,并且改进了将图像映射到设备显示器上的canonical gain/offset修正方法。实验将改进的修正方法用于多尺度的Retinex之上并与直方图均衡化和伽马校正方法进行对比。实验结果表明图像亮度的增强和对比度提高优于上述其他两种方法,新提出的方法较原有方法有效地提高了图像的信息熵,满足医学图像的诊断需求。     

基于Retinex-UNet算法的低照度图像增强

针对Retinex应用于多种场景时,其约束和参数会受到模型容量限制的问题,提出了一种基于深度学习的低照度图像增强算法,并构建了新的网络架构Retinex-UNet（RUNet）。该架构包含图像分解网络与图像增强网络两部分,利用Retinex-Net网络思想,通过卷积神经网络（Convolutional Neural Network,CNN）学习并分解图像,将其结果作为增强网络的输入,对输入图像进行端对端训练。在增强网络中构建了基于U-Net的网络架构,其可对任意大小的图像进行增强。通过在公开数据集（LOL,SID）上验证表明,RUNet方法在效果上有所改进,尤其是整体视觉效果。     

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。     

一种多分辨多尺度的Retinex彩色图像增强算法

针对Retinex算法的缺点与不足,提出了一种改进的中心/环绕函数,以及图像增强分辨度概念。利用Retinex算法中图像增强分辨度与尺度之间对图像增强效果的互补特性,提出了多分辨多尺度的Retinex（Multi-Resolution and Multi-Scale Retinex,MRMSR）彩色图像增强算法。实验过程中,采用图像质量主观评价法和图像质量客观评价法相结合的方式,对多幅彩色图像进行了算法验证,并与MSR、MSRCR等算法进行比较。实验表明,MRMSR算法具有较好的图像增强效果,其图像增强效果明显优于其他算法,并能够有效地降低尺度对图像增强的影响。     

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。     

复杂光照下的自适应人脸图像增强

提出了一种自适应的快速图像增强算法用于改善复杂光照下的人脸检测。算法对人脸图像的增强分为两步:动态范围压缩和细节增强。算法首先利用对数变换和非线性变换,增强图像阴暗区域的信息,同时对高光区域进行有效地抑制,然后利用反锐化掩模滤波对图像的细节进行增强。将各种增强算法应用于图像的预处理,结合Adaboost人脸检测算法,在Yale B人脸数据库上进行对比实验。实验结果表明,自适应快速图像增强算法能有效提高人脸检测率和降低误检率,具有比直方图均衡算法、单尺度Retinex算法和多尺度Retinex算法更好的性能。