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。     

改进的多尺度Retinex算法及其应用

在经典的多尺度Retinex算法中对Retinex输出采用一个常数增益,使图像在平滑区域和高对比度边缘出现过增强,导致噪声放大和边缘晕环。针对该问题,提出改进MSR算法,对Retinex输出采用自适应空间变化增益,平滑区域和高对比度边缘增益小,细节区域增益大,并且小尺度Retinex输出不同区域增益差大,而大尺度Retinex输出不同区域增益差小,从而使图像细节更清晰,同时场景轮廓和颜色呈现更自然。将该算法用于受到严重退化的雾天图像,能取得较好的图像去雾效果。     

雾天图像增强计算模型及算法

针对雾天图像退化程度与景深呈非线性关系的特点,提出一种自适应Retinex雾天图像增强算法,根据图像像素点所处的人类视觉区域反映出的雾的厚薄程度自动调整算法的参数取值。在此基础上,构建一种新的图像增强计算模型,将自适应Retinex增强算法与CLAHE增强算法的增强结果自适应地加权融合,使得增强结果能够同时保持色彩恒常性和亮度恒常性,实现对雾天图像的清晰化。主观观测和客观评价表明,本文方法比HE和MSR算法在雾天图像细节增强及色彩保持方面具有更好的效果。     

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.     

AMSR与SVM相结合的人脸识别方法

为解决在复杂光照条件下的人脸识别问题,提出一种自适应多尺度Retinex(AMSR)和支持向量机(SVM)相结合的人脸识别算法;首先,针对多尺度Retinex(MSR)只能处理光照均匀图像的缺点,提出了AMSR算法,该算法在MSR基础上增加了全局非线性对比度增强方法,使图像的灰度能够根据人脸图像的明暗度进行全局自适应调整,实现了各种光照条件下的人脸图像预处理;然后利用SVM多分类算法对人脸图像进行分类;在人脸库的实验结果证明了AMSR+SVM人脸识别算法的有效性。     

基于MSR理论的一种有效的图像增强算法

针对受光照影响造成图像低对比度不清晰的特点,本文根据多尺度Retinex理论的原理,构造了一个有效的平滑传导函数,并结合MSR的优点,提出一个多维多尺度的图像处理算法。仿真结果表明,该算法处理图像的效果要明显优于经典的直方图均衡、同态滤波和MSR等方法。并且该算法对不同特点的图像有着广泛的适应性。     

低照度图像增强算法

针对多尺度Retinex算法(MSR)以及其它图像增强算法处理后的图像峰值信噪比较低的缺陷,本文提出结合Retinex理论,根据照射分量和反射分量的特性,对二者分别采用不同的非线性函数进行调整来提高图像的对比度和增强图像细节,并在低亮度区域进行噪声抑制的方法。实验结果表明,在HSV和RGB彩色空间,运用本算法处理在低照度情况下的图像,处理后图像的峰值性噪比以及对比度高于其他算法,并且处理速度也快于MSR算法。     

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。     

单幅图像自动去雾新算法

针对雾天拍摄图像的退化现象,提出一种针对单幅图像的自动去雾新算法。该算法先将有雾图像从RGB转换到YCbCr颜色空间后,再在亮度分量上进行多尺度Retinex处理,所得的亮度图在图像清晰度评价指标的调控下经过反色变换和中值滤波即可求得传播图,并进一步得到清晰化后的复原图像。实验结果表明,该算法能有效地改善雾天图像的退化现象,提高图像的清晰度。     

雾霾图像清晰化算法综述

雾霾图像不仅影响视觉效果,而且模糊不清晰的图像容易为后续识别、理解等高层次任务带来困难。雾霾图像清晰化问题是一个典型的不适定问题,其成像过程难以精确建模,消除图像中的雾霾面临巨大的挑战。近年来,研究者提出大量的图像去雾算法克服雾霾引起的图像降质退化,为全面认识和理解图像清晰化算法,论文对其进行梳理和综述。首先,对雾霾图像清晰化算法进行整理,根据雾霾退化过程是否有模型支持,将清晰化算法分为基于Retinex模型、大气散射模型去雾算法和无模型图像去雾算法。大气散射模型是有模型算法中主流模型,本文详细剖析了模型成像机理,并根据其成像机制揭示大气散射模型容易受大气浓度均匀分布假设的限制,较难处理非均匀雾霾图像问题。基于深度学习的无模型图像去雾算法则不仅可以应对非均匀雾霾图像,而且去雾性能获得了极大地提升。其次,本文汇总了近年来常用去雾数据集,从数据集适应范围、规模、可扩展性等多个维度进行总结。并根据雾霾图像形成方式,对人工合成雾霾数据集和真实拍摄数据集分别从定性和定量的角度探讨了数据集对图像去雾算法的影响。