多图像融合Retinex用于弱光图像增强

为解决弱光图像增强过程中对比度增强和自然度保持问题,本文提出一种基于Retinex的多图像自适应加权最小二乘滤波算法。首先,在图像的每个像素的R,G,B三通道中找到最大亮度值作为该像素的初始照明估计,根据Retinex理论生成反射图像,并通过形态学闭合方式调整反射图;接着,在初始照明图基础上,通过Gamma变换和双对数变换方法分别生成全局对比度增强图和局部自然度保持照明图;随后,设计一种自适应加权最小二乘滤波融合策略将三幅照明图融合成最终照明估计图;最后合成上述的最终照明图和调整反射图以获得弱光增强后的图像。实验结果表明,本文所提出算法的亮度顺序差(LOE)及盲图像质量评价(NIQE)值更低,可同时降低到4.12和3.25,较其他方法表现出更好的增强效果。证明了本文算法能有效地增强弱光图像对比度,同时保持图像自然度。     

基于模拟多曝光融合的低照度全景图像增强

针对低照度全景图像存在的对比度低、视觉效果差等问题,提出了一种基于模拟多曝光融合的低照度全景图像增强算法。首先,将原图像从RGB颜色空间转换到HSV颜色空间,以图像信息熵作为度量估计最佳曝光率,采用亮度映射函数对V分量进行增强处理,再将其转回RGB颜色空间得到过曝光图像;接着,以低照度图像和过曝光图像为输入,采用曝光插值法合成中等曝光图像;然后,采用多尺度融合策略将低照度图像、中等曝光图像和过曝光图像进行融合,得到融合后的图像;最后,通过多尺度细节增强算法对融合后的图像进行细节增强,得到最终的增强图像。通过与NPE,LIME,SRIE,Li,Ying,RtinexNet算法相比,在不同场景的全景图像上,亮度顺序误差(LOE)最小为322,自然图像质量评估器(NIQE)最小为2.32,无参考空间域图像质量评估器最小为5.71,结构相似度(SSIM)最高达到0.82,综合性能优于其他对比算法。实验结果表明,本文算法能够有效地提升低照度全景图像的质量。     

改进Retinex的低光照图像增强

针对低光照条件下拍摄的图像受可见光低和噪声的影响,不仅降低图像在视觉上的美感而且会造成重要信息丢失的问题。本文提出结合平滑聚类和改进Retinex算法的估计照明图的低光照图像增强方法。使用平滑聚类将图像分离为细节层和基础层;利用max-RGB找到各通道最大值用于估计每个像素的照度,构建初始照明图,根据局部一致性和交替方向最小化技术优化照明图;自适应Gamma矫正对优化后的照明图进行非线性重标形成最终光照图;根据最终光照图增强输入图像,将增强后图像与细节层进行融合,获得清晰且细节更为丰富的图像;通过与LE,GC,HE,SSR,MSR,MSRCR,MSRCP算法相比,在图像HightB上,边缘强度最高达到1.00e+02,平均梯度最高达到10.520 6,空间频率最高达到52.050 8,图像清晰度最高达到14.656 2,在主观评价和客观评价均优于其他对比算法。实验结果表明,所提算法具有良好的清晰度,更好的保留边缘和细节纹理,使用本文算法增强后的图片质量更高,细节更加丰富。     

融合Retinex框架对电子内镜图像的增强

针对目前图像增强算法对于电子内镜图像光照不均匀、低照度区域边缘细节不明显以及高噪声等问题的局限性,设计了一种用于电子内镜图像的融合低噪声、均衡光照和细节增强的Retinex框架,并根据此框架设计了增强算法。算法首先利用基于位置信息与相邻频率的滤波器得到低噪光照值;为了有效区分噪声与细节信息,设计了一种基于最大后验概率估计(Maximum A Posteriori estimation,MAP)的反射率估计方法,引入光照因子控制概率权重,对于低照度区域反射率平滑项施加强约束,并通过最大化其后验概率以应对低照度区域的高噪声问题;为均衡光照、应对人体内黏膜和消化液的散射和吸收导致的图像退化,基于暗通道先验(Dark Channel Prior,DCP)算法设计了反向均衡化模型以得到均衡光照值;为应对低照度区域细节信息不明显问题,利用对比度限制自适应直方图均衡化得到细节增强结果。通过使用均衡光照值补偿增强后的反射率,实现噪声抑制、光照均衡、细节增强提高之间的有效融合。实验结果表明,本算法较于近期的同类算法NIEIE(Non-uniform Illumination Endoscopic Imaging Enhancement),能够在保持信息熵与峰值信噪比的基础上,增强度提升23.94%,对于电子内镜图像具有良好的适用性。     

马尔科夫随机场模型下的Retinex夜间彩色图像增强

由于Retinex算法在处理夜间彩色图像时容易出现光晕、颜色失真、细节丢失与噪声干扰等问题,本文基于马尔科夫随机场（MRF）提出了一种针对单幅图像的Retinex图像增强算法。该算法在HSV颜色空间下采用线性引导滤波估计图像照度分量;在MRF模型下求解仅包含物体本身特性的反射分量,并通过颜色恢复函数与增益补偿方法进行颜色恢复与校正,最终实现了夜间彩色图像的增强。实验结果表明,利用本文算法处理后图像的均值（整体亮度）可以提高2倍以上,标准差、熵、峰值信噪比（PSNR）等参数均有5%以上的提升。与其它基于Retinex原理的算法相比,本文提出的算法增强效果显著,具有消除“光晕伪影”现象、抑制噪声、颜色保真和有效地凸显边缘细节信息等能力。     

低比度钢板微小缺陷的图像增强和分割

针对低对比度、微小的钢板表面缺陷，提出了基于图像增强的图像分割算法来有效分割和识别缺陷目标。采用小波变换与同态滤波结合算法对图像进行增强处理，不仅消除照度不均的影响，还突出了缺陷细节的信息，达到图像增强的效果。最后，利用粒子群算法优化最大类间方差法参数（PSO-Otsu）确定增强后图像的最佳阈值，并结合Canny算子进行缺陷检测。对比其他算法，该算法在检测低对比度的微小缺陷上取得了良好的效果。     

低照度彩色图像的自适应亮度增强

为恢复低照度场景图像的原有色彩信息和细节信息,本研究提出自适应亮度调节的低照度彩色图像增强方法。该方法首先对低照度场景连续拍摄多帧图像,并对其进行自适应伽马亮度校正;然后将多帧亮度校正后图像转换到YUV色彩空间并行两种处理,一种是提取Y通道分量分组进行基于权值调整二阶盲辨识的盲源分离降噪,一种是进行帧平均后提取Y通道分量与多个盲源分离降噪的Y通道分量依次进行结构匹配,并选出匹配最佳Y通道分量;再将最佳Y通道分量进行基于皮尔生长曲线的亮度调整后与经帧平均处理的U、V通道分量重新组合;最后将重组图像转换回RGB空间,即可得到视觉效果显著提升的彩色图像。本文提出的图像增强方法满足实时处理要求,可将原彩色图像的极低亮度提高54.4倍、中等亮度提高3.5倍;并将图像信息熵提高1.3～2.9倍。与典型的图像增强算法相比,本文提出的方法对低照度彩色图像在降低噪声、均衡光照和恢复细节方面有较大改善。     

基于神经网络的飞行器空中侦查时低照度图像增强系统

飞行器航拍时,由于飞行环境和飞行姿态的影响,会导致图像出现细节丢失和颜色失真从而影响图片质量,对图像中的目标准确识别带来挑战。针对这一问题,提出了一种Ritinex理论和基于神经网络深度学习相结合的方法,利用低照度图像增强算法来提高图像质量,从而实现侦查目标的准确识别。在AlexNet神经网络构架中引入U-net结构,根据Retinex理论采用分组卷积和深层卷积块构建了用于低照度图像增强神经网络构架,并加入亮度调整因子对分解结果进行增强。实验表明,本研究提出的方法和其它常用算法相比,有较好的整体视觉效果。另外,基于该方法所开发的低照度图像增强系统在搭建的无人机航拍平台上的应用也显示了其可靠性和准确性。     

面向机柜表面缺陷检测的不均匀光照和低亮度图像增强方法

光照条件是大尺寸机柜表面缺陷检测的重要影响因素。当光照分布不均匀或光照强度不足时,采集得到的机柜表面图像质量低,造成缺陷检测误差。为此,提出一种融合卡通纹理分解和最优双曲正切曲线的图像增强方法。首先,采用导向滤波将机柜表面图像分解为卡通图和纹理图,利用高斯尺度空间理论建立光照模型,实现不均匀光照去除;其次,研究图像的双曲正切曲线性质,通过图像加权拉伸实现低亮度图像增强;最后,采用对比度、亮度和灰度方差乘积对图像增强效果进行评价,同时对增强前和增强后的图像进行缺陷检测,进行对比分析验证。实验结果表明,该方法能实现光照不均且低亮度的机柜表面图像增强,机柜表面缺陷检测的准确率显著提升,召回率提高了29%,F值提高了21%。     

全局参数估计的水下目标偏振复原方法

水体介质对光的吸收和散射是导致水下成像退化的两大主要影响因素。针对水下目标成像,本文提出了一种全局参数估计的水下目标偏振复原方法,利用构建的精简水下目标偏振重构模型,通过自动估计全局最优偏振信息重构参数,复原出水下目标图像,降低水体对图像质量的影响。在估计重构参数的过程中,首先,采用偏振中值滤波方法和基于亮原色原理的方法,分别估算水下背景光偏振度信息和无穷远处水下背景光强值;再利用基于最小互信息原则对估计的背景光偏振度信息进行优化;然后采用水下目标偏振图像增强算法将得到的水下目标重构图进行细节增强处理,最终获得复原后的水下目标辐射信息图。实验结果表明,在性能评价指标方面,相较于水下原图和其他水下复原方法处理图,利用本文方法处理后所得的图像增强测量值EME平均提高了120%,图像质量得到了明显的改善。该方法解决了人工取景估计参数不佳的问题,提高了复原目标图像的对比度,可以用于浑浊水下的目标探测与识别。     

基于RGB色彩平衡方法的沙尘降质图像增强

针对沙尘环境下室外图像存在的色差,低对比度以及低清晰度的问题,提出一种基于RGB色彩平衡方法的沙尘降质图像增强算法,该算法主要包括色彩校正、对比度提升两个任务。针对沙尘图像色彩分布的特殊性以及灰色世界算法的启示,提出了保持颜色分量均值的RGB色彩平衡方法（RGBCbm）,使得RGB三通道分量根据颜色分量的均值进行拉伸,有效去除了图像中沙尘造成的色幕问题,进一步采用带色彩恢复的多尺度视网膜增强算法提高色彩校正结果;利用相对全局直方图拉伸算法结合Lab颜色模型对图像的对比度、色彩以及明亮度进行最后的增强和校正。对实验数据进行测试,结果表明,该算法可以有效解决各类沙尘降质图像的色差问题,并在提高图像色彩丰富性和对比度的同时增强图像细节的清晰度。与其他先进算法相比,水下图像质量指数和图像对比度指数分别达到了0.602和0.994,分别提高了0.140和0.018。     

结合自适应雾气估计的快速单幅图像去雾

大气中水分子及微小颗粒对光的散射和吸收,使得在雾天条件下获取的图像严重降质,本文提出一种结合自适应雾气估计的快速单幅图像去雾算法。首先,该算法从大气散射模型出发,通过分析景深与亮度分量之间存在的相关关系,提出线性系数利用亮度分量来近似估计出景深,并通过最小滤波对明亮区域进行修正,得到粗略透射率;其次,观察到散射系数值与雾浓度呈正相关,从而结合雾浓度模型与指数函数提出自适应散射系数概念,估计出较准确的透射率;最后,根据大气散射模型复原出无雾图像。实验结果表明本文算法可以复原出清晰自然的无雾图像,明显提高了图像可见度,且具有较低的时间复杂度。     

结合改进Retinex及自适应分数阶微分的雾霾公路交通图像增强

为了提高雾霾天气条件下交通图像的对比度,清晰度和颜色保真度,减少图像退化所带来的负面影响,提出了一种采用快速引导滤波平滑约束的Retinex及自适应分数阶微分的雾霾天气交通图像增强算法。首先,该方法将原图像从RGB转换到YCbCr颜色空间,提取亮度分量构建初始图像;其次,构建变分模型,借助快速引导滤波构造目标函数的平滑约束项来准确估计初始照射分量;然后,使用Retinex模型获得初始反射分量,再采用自适应分数阶微分掩膜对初始反射分量进行增强得到亮度分量的增强结果,该方法在图像噪声抑制和细节增强方面性能良好;最后,将处理后的反射分量结合Cb,Cr色差信息从YCbCr转换到RGB颜色空间即得到最终增强图像。本文对不同的雾霾交通图像进行了对比实验,实验结果表明,新方法的标准差(STD)和平均梯度(AG)较原图至少提高1.12倍和4倍以上,信息熵(E)至少提高4.76%以上,综合性能优于其他的对比算法。新方法在图像增强和细节保持方面得到了很好地改进,有效地提高了雾霾天气条件下公路交通图像的颜色保真度、对比度和细节清晰度等,使得增强后的图像视觉效果和可视度明显改善,更加真实自然。     

复杂光照下的两步法颜色恒常性算法

根据视觉信息处理的分模块性原理,给出了一种新颖的两步法颜色恒常彩色图像增强算法。首先利用边缘附近像素估计原图像偏色信息,白平衡对偏色图像进行偏色纠正。然后根据RGB颜色空间三分量颜色相关性特点,通过获取亮度增益曲面对彩色图像的RGB三分量进行同比增强得到最终的彩色图像同时保持颜色不变。该算法克服了传统颜色恒常性的不适定问题,实验结果表明该算法对于存在偏色、低照度等复杂光照下的图像均能较好的保持颜色的恒常性,同时能有效提升图像的亮度信息。     

亮通道先验Retinex对低照度图像的光照补偿

针对光照不足导致图像质量退化的问题,提出了亮通道先验的Retinex算法用来补偿图像的光照强度。该算法假设局部恒常的光照可以初步满足光照均匀并与场景相似,以亮通道运算对光照分量进行粗估计;通常解决局部处理带来的分块效应问题是采用引导滤波方法,但这会使补偿后的图像纹理模糊甚至丢失细节,为此设计了基于图像结构相似性的融合策略。最后使用Retinex理论模型对光照进行补偿。实验结果表明:所提算法简单高效,能够对图像阴影或夜间图像的低照度区域进行快速地光照补偿,在峰值信噪比(PNSR)上较传统算法提高了5dB左右,在结构相似性(SSIM)上比传统算法提高了7%以上。算法在纯软件系统的PC机上处理640×360的彩色视频时能达到6~12ms/帧,处理320×256的红外视频时达到4~10ms/帧,可满足工程需要。     

基于Retinex理论的非均匀图像增强算法

实际场景中获取的图像存在光照不均的现象,光照不均图像的照度分量并非平缓变化。基于Retinex理论,提出了采用递归滤波器进行照度估计的方法来消除光照不均的影响,同时选择符合人眼视觉特性的颜色空间进行处理从而提高色彩保真度。     

复杂光照下的两步法颜色恒常性增强

根据视觉信息处理的分模块性原理,研究了复杂光照下的颜色恒常性,给出了一种两步法颜色恒常彩色图像增强算法.利用边缘附近像素估计原图像的偏色信息,采用白平衡的方法对偏色图像进行偏色纠正.然后,根据RGB颜色空间三分量的颜色相关性特点,获取亮度增益曲面并对彩色图像的RGB三分量进行同比增强得到最终的彩色图像.在SFU数据库进行了实验,结果表明该算法的对比度是原图的4倍以上,且亮度改变适中.该算法克服了传统颜色恒常性的不适定问题,对于存在偏色、低照度等复杂光照下的图像均能较好地保持颜色的恒常性,同时能有效提升图像的对比度和亮度.     

HSI色彩空间下的低照度遥感图像增强

为了提高低照度遥感图像的可视性,提出了利用改进的多尺度Retinex算法与局部对比度自适应调整相结合的方法来改善图像质量。首先,把原始图像变换到HSI色彩空间,有效分离H、S、I分量;然后,然后在保持色调分量H不变的前提下,对亮度分量I利用改进的多尺度Retinex算法进行处理,对整幅图像进行亮度和对比度的初步调整,通过使用Sigmoid函数替换多尺度Retinex算法中的对数函数来减少数据丢失;为了使局部细节信息得到更好的改善,在利用改进的多尺度Retinex算法处理后进行自适应局部对比度增强,提高图像局部对比度;对饱和度分量S采用分段线性增强的方法进行处理;最后,将处理后的图像变换回到RGB空间。实验结果表明:图像信息熵由5.79提高至6.65;图像感兴趣区域的局部对比度由0.695提高至0.701,图像质量以及利用价值得到了提升。     

基于改进的Faster R-CNN车厢编号识别方法

为了识别装煤列车车厢编号图像,提出一种基于改进的Faster R-CNN车厢编号识别方法.首先,引入Retinex图像增强算法对暗光条件下采集的低照度车厢编号图像进行增强,提高低照度车厢编号图像质量;通过分层多尺度区域推荐网络增强对多尺度、小目标车厢编号检测能力;使用基于GIoU的边框回归损失函数,提高车厢编号识别回归框准确率.在环境复杂的装车现场进行实验,车厢编号识别模型在平均精度和Fl值分别为92.93％和95.73％,在开发套件上的推理速度为1帧/s.提出的车厢编号识别方法具有准确率高、识别速度快、漏检率低的优点,为车厢编号识别智能化提出新思路.     

夜间环境下的道路图像增强及车道线检测

车道线的自动检测技术是车辆实现自动驾驶的关键,而夜晚条件下的复杂环境给车道线检测带来很大的困难,是目前该技术研究的难点。这里提出一种图像增强算法,将高斯高通滤波器与高帽滤波结合对道路图像做增强处理,用以解决夜晚条件下低照度非均匀光照道路图像带来的不良影响。高斯高通滤波器调整图像中的非均匀光照,高帽滤波增强车道线边缘并通过图像灰度变换提升车道线与背景的对比度;然后使用分块阈值分割算法对道路图像进行阈值分割,使用基于斜率约束的Hough变换检测图像中的直线,并进行筛选拟合出车道线。