室内照明智能控制技术研究与仿真

研究室内照明亮度调节优化问题,由于室内照明系统中,根据需要亮度各有不同。针对实际照度需求,为了能自动调整亮度,达到提高工作效率和节能的目的,提出建立遗传算法的室内灯具亮度调节精确模型。构建了以最小化照度误差和能量消耗的适应度函数,优化使亮度需求达到照度值。将灯具亮度调节分为场景切换和特定场景下灯具亮度微调两种模式,用不同场景灯具,对特定场景下需求亮度的调节进行了仿真,结果证明改进方法可以按不同照度需求时获得优化亮度。     

基于视觉特性的手机屏幕亮度自适应调节算法

人工智能技术的发展促使人们通过智能手机进行交互,因此设置适宜的手机屏幕亮度对于保护人眼健康至关重要。针对该问题,文中结合人眼视觉特性对手机屏幕自适应亮度调节算法进行了优化。首先,设计了两款测量工具来采集和分析相关的数据。然后,采用主观评价的方法对室内外不同环境照度条件下的手机亮度值进行了研究。实验结果显示,用户理想的手机屏幕亮度远远低于现有自动亮度调节下的手机屏幕亮度。最后,根据用户的体验和人体视觉的特性设计了相应的算法,并对算法进行了评估。     

低光照度下人机界面背景色眼动分析评价研究

为研究在低光照度情景下不同明度背景色人机界面的视觉工效,从而为此情景下的人机界面设计提供一定的参考,针对1.0~3.5 lux光照条件下的低光照度情景,对两个不同明度背景色的汽车中控人机界面设计方案进行视觉目标捕捉的眼动测试与主观感受评测,筛选出视觉工效较好的设计方案。在此过程中,对设计方案进行眼动测试,并收集用户主观评分,最后通过评价指标数据与权重进行计算,并依据两个设计方案的加权得分对其进行比较。结果表明,在1.0~3.5 lux的光照条件下,低明度背景色人机界面的视觉工效优于高明度背景色人机界面。     

基于相似场景的低照度监控图像增强

为了使低照度监控图像增强后的效果近似于自然光照下的图像,更有利于辨识,对基于相似场景的低照度监控图像增强方法进行研究。首先获取良好光照下,与低照度监控图像场景相似的图像,并建立图像库,从中选择最合适的图像作为参考图像;然后通过直方图匹配的方法,以参考图像为标准,对低照度图像进行增强,并用迭代增强的方法不断提高图像的清晰度;最终得到增强后的低照度监控图像。实验结果表明,该方法改善了图像的视觉效果,提高了图像的亮度和对比度。     

在Foxbase环境下任意转换屏幕颜色

运行下面这个小程序时,在屏幕上打开一个窗口,由用户按任意键实现不同前景色与背景色的任意组合,然后按Enter键选下自己喜欢的色彩组合,此后屏幕即处于所选择的色彩环境中。也可将此程序进     

基于多尺度梯度域引导滤波的低照度图像增强算法

针对低照度彩色图像整体亮度较低，增强图像中颜色易失真，部分图像细节淹没在较低灰度值像素中等问题，提出一种改进的低照度图像增强算法。首先，把待处理图像转换到色调、饱和度、亮度（HSI）颜色空间，对亮度分量进行非线性全局亮度校正；然后，提出多尺度梯度域引导滤波的亮度增强模型，利用该模型对校正后的亮度分量进行增强，接着对增强后的亮度分量进一步实施避免颜色失真的亮度校正；最后，将图像再转换回红绿蓝（RGB）颜色空间。实验结果表明，增强后的图像亮度平均提高90.0%以上，清晰度平均提高123.8%以上，这主要得益于多尺度梯度域引导滤波具有更好的亮度平滑和增强能力；同时由于减小了颜色失真，使增强图像的细节表现能力平均提高18.2%以上；由于采用了多尺度梯度域引导滤波的亮度增强模型与直方图自适应的亮度校正算法，使提出的低照度图像增强算法适宜应用于夜间等弱光源条件下的彩色图像增强。     

多级分解的Retinex低照度图像增强算法

针对现有算法对图像边缘细节增强不足及无法有效控制各尺度信息增强程度的问题,提出了多级分解的Retinex低照度图像增强算法。该算法在Retinex分解模型和双边滤波的基础上,通过设置不同的滤波参数,获取表征图像不同尺度信息的反射分量和照度分量;通过使用指数函数对分解得到的各级反射分量进行增强,能够有效提升图像边缘细节的表达能力;通过使用S型函数对最终的照度分量进行处理,能够在提升低照度图像整体亮度的同时抑制高亮度区域;通过颜色恢复函数对增强图像进行后处理,进一步避免色彩偏差和失真的问题。实验结果表明,新算法能够改善低照度图像的视觉质量,在清晰度、信息熵、对比度等指标方面都有所提升。     

任意波形的彩色反走样算法研究与实现

由于智能仪器的不断发展,使用反走样技术来提高显示效果已成为一种趋势,针对现有反走样算法处理的图形种类比较单一的局限,设计了一种基于彩色图形的任意波形反走样方法。根据任意波数据的特征,对wu直线反走样算法进行了改进,使用连线的方式实现了任意波形的反走样。采用RGB颜色空间,根据亮度大小分别对前景色和背景色的3个分量值做处理,达到了任意背景色显示的要求。实验结果表明,该方法灵活高效、通用性强,能有效消除图形锯齿,且没有色彩失真。     

基于局部生成对抗网络的水上低照度图像增强

针对低照度条件下获取的水上图像亮度和对比度低以及质量差的问题,提出一种基于局部生成对抗网络的图像增强方法.以残差网络作为基本框架设计生成器,通过加入金字塔扩张卷积模块提取与学习图像深层特征和多尺度空间特征,从而减少结构信息丢失.设计一个自编码器作为注意力网络,估计图像中的光照分布并指导图像不同亮度区域的自适应增强.构建...     

亮度补偿变换矩阵的颜色恒常性算法

颜色恒常性是计算机视觉的重要研究方向,旨在准确识别目标的真实颜色而不受场景光源变化的影响。目前提出的多种颜色恒常性算法,使用传统的Von Kries 对角变换矩阵对图像的估计照明进行校正,对低照度和强光照射条件下采集到的图像处理效果比较差。根据图像形成的数学模型和光学原理提出了亮度补偿对角变换矩阵的颜色恒常计算方法,该方法对图像颜色校正的同时根据图像像素亮度变化对图像的亮度进行补偿。通过采用多种颜色恒常性算法进行实验验证,该方法能够有效地校正低照度和强光照射图像的颜色、对比度和亮度,从而增强了图像的视见度。     

内窥镜照度智能调节算法研究

针对内窥镜CCD内置自动增益实现照度补偿的技术缺陷,提出一种智能化、自动化的内窥镜照度调节算法。该算法通过建立人体器官经典彩色图像及其色彩特征数据库,对实时采集的图像进行偏色和亮度校正,求取亮度校正后的图像三基色均值等步骤,能够根据内窥镜探测到的临床病人体内器官的表面形态对光照度的反射情况,自动地实现辅助光源出射强度的优化调节,使内窥镜临床成像清晰度得到有效提高,同时还使得检测效率显著提升。     

HE染色病理切片最优二值化算法研究

基于阈值的图像区域分割难点在于阈值的选择。目的:为HE染色病理切片区域分割提供通用稳定的算法,对感兴趣区域进行二值化。方法:选择前景色和背景色作为种子点,求取种子点的RGB值欧氏距离作为阈值,对图像二值化分割,与颜色深度的最大类间方差法、颜色深度迭代法等多种自适应获取的阈值二值化图像分割效果进行比较。结果:基于背景色和前景色种子点选择的颜色欧氏距离对图像二值化分割稳定性和准确性最好。结论:在区域划分合理的情况下,以种子点颜色深度的欧氏距离阈值进行二值化,可以提取到感兴趣区域。     

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。     

条件生成对抗网络的低照度图像增强方法

目的 在日常的图像采集工作中,由于场景光照条件差或设备的补光能力不足,容易产生低照度图像。为了解决低照度图像视觉感受差、信噪比低和使用价值低（难以分辨图像内容）等问题,本文提出一种基于条件生成对抗网络的低照度图像增强方法。方法 本文设计一个具备编解码功能的卷积神经网络（CNN）模型作为生成模型,同时加入具备二分类功能的CNN作为判别模型,组成生成对抗网络。在模型训练的过程中,以真实的亮图像为条件,依靠判别模型监督生成模型以及结合判别模型与生成模型间的相互博弈,使得本文网络模型具备更好的低照度图像增强能力。在本文方法使用过程中,无需人工调节参数,图像输入模型后端到端处理并输出结果。结果 将本文方法与现有方法进行比较,利用本文方法增强的图像在亮度、清晰度以及颜色还原度等方面有了较大的提升。在峰值信噪比、直方图相似度和结构相似性等图像质量评价指标方面,本文方法比其他方法的最优值分别提高了0.7 dB、3.9%和8.2%。在处理时间上,本文方法处理图像的速度远远超过现有的传统方法,可达到实时增强的要求。结论 通过实验比较了本文方法与现有方法对于低照度图像的处理效果,表明本文方法具有更优的处理效果,同时具有更快的处理速度。     

基于HSV色彩空间的低照度图像增强

为解决低照度图像色彩偏暗、整体亮度较低、光照不均等问题,提出一种低照度图像增强算法.在HSV色彩空间将V分量按照灰度等级的高低进行分层处理,利用引入权重值的巴特沃斯滤波器对低灰度等级的V分量进行灰度级拉伸,利用提出的亮度控制方法对过度增强区域进行灰度级新映射,合并所有V分量并平滑,基于权重值和映射函数,提出S分量的自适应增强函数对图像色彩进行调整.实验结果表明,该算法是一种有效的低照度图像增强算法.     

基于色彩空间分解的低照度图像增强方法

针对低照度图像增强问题,提出一种基于色彩空间分解的图像增强算法.为了实现图像亮度和色彩的解耦合,将图像进行空间转换;利用中值滤波算法与Retinex算法融合以及基于OTSU处理的自适应局部直方图均衡化,分别实现了亮度分量的增强和饱和度分量的校正.分层图像合成、图像降噪处理和色彩空间的转换,确保增强图像色彩的均匀和清晰度的提高.实验结果与其他几种经典算法相比较,算法获得的增强图像细节方面更为丰富,图像的清晰度更高.     

一种基于MDARNet的低照度图像增强方法

由于低照度环境下所采集的图像存在亮度低、对比度差、出现噪声和色彩失衡等低质问题,严重影响其在图像处理应用中的性能.为了提升低照度图像质量,以获得具有完整结构和细节且自然清晰的图像,结合Retinex理论与卷积神经网络,提出了一种基于MDARNet的低照度图像增强方法,并引入Attention机制模块和密集卷积模块以提升性能.首先,MDARNet利用同时包含二维和一维的3个不同尺度卷积核对图像进行初步特征提取,并用像素注意模块对多尺度特征图进行针对性学习;其次,设计跳跃连接结构对图像进行特征提取,使图像特征被最大限度地利用;最后,用通道注意模块和像素注意模块同时对提取到的特征图进行权重学习和照度估计.实验结果表明：MDARNet能够有效提升低照度图像的亮度、对比度、色彩等;且相较于一些经典算法,该方法在视觉效果及客观评价指标（PSNR,SSIM,MS-SSIM,MSE）能够得到更好的效果.     

基于自适应特性二维经验模式分解的Retinex彩色图像增强

提出一种彩色图像自适应增强方法：将图像从RGB色彩空间转化到HSV色彩空间并保持H分量不变,对亮度分量V通过自适应特性二维经验模式分解（ABEMD）估算其照度分量,再根据中心/环绕Retinex算法计算出反射分量,对照度和反射分量分别应用Gamma校正和Weber定律,并进行加权运算,基于全局特性自适应地调整S分量,并将图像从HSV色彩空间转化回RGB色彩空间。最后利用主观和客观的方法对实验结果进行了评价,实验表明了该算法在均值、方差、信息熵和清晰度方面均优于MSR算法和Meylan的算法。     

自适应的低照度图像增强变分模型

针对低照度图像具有低对比度、强噪声等问题，提出了一种自适应的低照度图像增强变分模型。根据亮度分量初步估计低照度图像取反之后图像的透射率，并利用Retinex算法进行细化，以丰富图像的细节。为了抑制噪声的放大且保持边缘信息，根据亮通道先验原理和局部方差构建权重，自适应地调节正则化参数。采用交替迭代最优化方法求解包含透射率和恢复图像的能量泛函得到最优解。实验结果表明，该模型可有效地增强低照度图像，且能保留更多的图像细节、抑制噪声放大，相比于[l1]范数正则化方法，图像尺寸越大，该模型计算效率越高，计算时间优势越明显。     

融合视频亮度优化的目标相关滤波跟踪方法

针对相关滤波器在目标跟踪过程中因亮度变化导致输出失效的问题,提出了一种基于视频亮度优化的相关滤波跟踪方法。该方法采用变异及种群多样化策略,提升了粒子群算法的全局寻优能力。通过建立视频序列平均亮度与相关滤波器输出结果方差之间的映射关系,获得不同亮度条件下相关滤波器输出方差的最佳表达;同时,通过计算相邻搜索框之间的相似度来确定相关滤波器模板的更新速度,减少了跟踪失效的概率和计算量。实验证明,优化后的跟踪框架在不同亮度和背景条件下具有更强的目标适应性和鲁棒性。