颜色对比度增强的红外与可见光图像融合方法

针对红外与可见光彩色融合图像中目标与背景间的低对比度的问题,提出一种基于HSI空间颜色对比度增强的红外和可见光图像融合方法.首先对输入的可见光与红外图像进行直方图均衡和中值滤波加强处理,然后对加强的红外图像模糊阈值分割得到红外目标,最后把分割的红外目标图像和加强的可见光和红外图像在HSI空间的三通道线性融合和色彩传递,为了增强目标与背景间的颜色对比度,在色彩传递阶段, H通道的色彩传递方程中引入一个比例因子.实验结果表明:与其他算法相比,该方法得到的彩色融合图像热目标和低温物体与背景间的颜色对比度明显加强,同时背景的细节信息呈现白天类似的自然彩色,更加符合人眼视觉感知.     

融合深度学习与多尺度Retinex的水下图像增强方法

针对水下图像纹理模糊和色偏严重等问题,提出了一种融合深度学习与多尺度导向滤波Retinex的水下图像增强方法。首先,将陆上图像采用纹理和直方图匹配法进行退化,构建退化水下图像失真的数据集并训练端到端卷积神经网络(convolutional neural network,CNN) 模型,利用该模型对原始水下图像进行颜色校正,得到色彩复原后的水下图像;然后,对色彩复原图像的亮度通道,采用多尺度Retinex(multi-scale Retinex,MSR) 方法得到纹理增强图像;最后,融合色彩复原图像中的颜色分量和纹理增强图像得到最终水下增强图像。本文利用仿真水下图像数据集和真实水下图像对提出方法进行性能测试。实验结果表明,所提方法的均方根误差、峰值信噪比、CIEDE2000和水下图像质量评价指标分别为0.302 0、17.239 2 dB、16.878 4和4.960 0,优于5种对比方法,增强后的水下图像更加真实自然。本文方法在校正水下图像颜色失真的同时,能有效提升纹理清晰度和对比度。     

改进的伽马校正与多尺度融合的水下图像增强

由于光在水下传播会发生吸收和散射,导致采集 的水下图像出现模糊、对比度低、色偏、光照不 均匀等问题。针对以上问题,提出了一种改进的伽马校正与多尺度融合的水下图像增强算法 。首先基于G 通道对R和B通道进行补偿,并对RGB 三通道进行直方图拉伸后使用灰度世界(Gray World) 算法得到颜 色校正图像;然后使用改进的伽马函数改善颜色校正后图像光照不均匀问题,得到光照均匀 图像,并进 行归一化处理;再对光照均匀图像使用限制对比度的自适应直方图均衡化(contrast limite d adaptive histogram equalization,CLAHE)算法得到对比度提升图像;最后采用多尺度融 合算法对以上得出的3幅图 片进行融合,得出增强图像。实验结果表明,提出的算法对不同水下环境的图像均有较好的处理 效果,图像质量评价指标得到明显提高。     

基于暗原色先验模型的水下彩色图像增强算法

针对在水下环境中,光的散射和衰减导致水下光学成像质量严重下降,图像对比度低、颜色失真的问题,提出了一种暗原色先验和基于通道直方图量化的颜色校正算法相结合的图像增强新方法。对于待增强的水下彩色图像,首先建立水下光学图像成像模型,并利用优化与改进的暗原色先验算法对图像进行去模糊,然后通过分析R、G、B三通道的累积直方图,对去模糊后的彩色图像各通道灰度值进行量化,实现图像的颜色校正。实验结果表明,提出的方法可以有效地消除了由于光的散射造成图像的模糊,有效提高了水下图像的视觉效果,恢复水下图像的颜色平衡。     

Underwater image enhancement with image colorfulness measure

Due to the absorption and scattering effects of the water, underwater images tend to suffer from many severe problems, such as low contrast, grayed out colors and blurring content. To improve the visual quality of underwater images, we proposed a novel enhancement model, which is a trainable end-to-end neural model. Two parts constitute the overall model. The first one is a non-parameter layer for the preliminary color correction, then the second part is consisted of parametric layers for a self-adaptive refinement, namely the channel-wise linear shift. For better details, contrast and colorfulness, this enhancement network is jointly optimized by the pixel-level and characteristic-level training criteria. Through extensive experiments on natural underwater scenes, we show that the proposed method can get high quality enhancement results.     

多输入融合对抗网络的水下图像增强

针对水下图像出现对比度低、颜色偏差和细节模糊等问题,提出了多输入融合对抗网络进行水下图像增强。该方法主要特点是生成网络采用编码解码结构,通过卷积层滤除噪声,利用反卷积层恢复丢失的细节并逐像素进行细化图像。首先,对原始图像进行预处理,得到颜色校正和对比度增强两种类型图像。其次,利用生成网络学习两种增强图像与原始图像之间差异的置信度图。然后,为减少在生成网络学习过程中两种增强算法引入的伪影和细节模糊,添加了纹理提取单元对两种增强图像进行纹理特征提取,并将提取的纹理特征与对应的置信度图进行融合。最后,通过构建多个损失函数,反复训练对抗网络,得到增强的水下图像。实验结果表明,增强的水下图像色彩鲜明并且对比度提升,评价指标UCIQE均值为0.639 9,NIQE均值为3.727 3。相比于其他算法有显著优势,证明了该算法的良好效果。     

基于小波变换与像元对目标的短波红外图像增强算法

弱光夜视是短波红外成像的重要应用领域之一。针对短波红外弱光图像对比度低,增强后噪声也被放大的特点,提出了一种基于小波变换与像元对目标的短波红外图像增强算法。首先通过小波变换获得不同频率成分的子带图像;然后对低频子带图像进行基于像元对目标的灰度变换处理,对高频子带图像进行可变阈值降噪处理;最后通过小波反变换将处理后的子带重构得到增强结果。将该算法与基于直方图的增强算法,全局优化线性窗口色调映射算法和自然保持增强算法进行比较,采用图像的信息熵和基于Michelson法则的对比度增强度量作为客观评价指标,结果表明本文算法更为有效地提高了短波红外弱光图像的对比度,抑制了噪声的增强,提升了图像的视觉效果。     

基于改进的MSRCR-CLAHE融合的水下图像增强算法

针对海洋复杂成像环境导致的水下图像出现颜色衰退、对比度低等问题,提出一种改进的带色彩恢复的多尺度视网膜（Multi-Scale Retinex with Color Restore,MSRCR）与限制对比度自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization,CLAHE）多尺度融合的水下图像增强算法。首先,采用带有导向滤波的MSRCR算法解决水下图像颜色衰退的问题;其次,采用带有Gamma校正的CLAHE算法以提高水下图像的对比度;最后,对经过改进的MSRCR和CLAHE处理后的图像进行多尺度融合以获得细节增强后的水下图像。实验结果表明,和其他算法相比,文中算法的峰值信噪比（Peak Signal to Noise Ratio,PSNR）平均提高了9.3914、结构相似性（Structural Similarity Index Measure,SSIM）平均提高了0.3013、水下图像评价指标（Underwater Image Quality Evaluation,UIQE）平均提高了4.7047,能实现水下图像的有效增强...     

Color correction and restoration based on multi-scale recursive network for underwater optical image

Underwater image processing has played an important role in various fields such as submarine terrain scanning, submarine communication cable laying, underwater vehicles, underwater search and rescue. However, there are many difficulties in the process of acquiring underwater images. Specifically, the water body will selectively absorb part of the light when light travels through the water, resulting in color degradation of underwater images. At the same time, due to the influence of floating substances in the water, the light has a certain degree of scattering, which will bring serious problems such as blurred details and low contrast to underwater images. Therefore, using image processing technology to restore the real appearance of underwater images has a high practical value. In order to solve the above problems, we combine the color correction method with the deblurring network to improve the quality of underwater images in this paper. Firstly, aiming at the problem of insufficient number and diversity of underwater image samples, a network combined with depth image reconstruction and underwater image generation is proposed to simulate underwater images based on the style transfer method. Secondly, for the problem of color distortion, we propose a dynamic threshold color correction method based on image global information combined with the loss law of light propagation in water. Finally, in order to solve the problem of image blurring caused by scattering and further improve the overall image clarity, the color-corrected image is reconstructed by a multi-scale recursive convolutional neural network. Experiment results show that we can obtain images closer to underwater style with shorter training time. Compared with several latest underwater image processing methods, the proposed method has obvious advantages in multiple underwater scenes. Simultaneously, we can restore the color information, remove blurring and boost detail for underwater images.     

Underwater image enhancement based on conditional generative adversarial network

Underwater images play an essential role in acquiring and understanding underwater information. High-quality underwater images can guarantee the reliability of underwater intelligent systems. Unfortunately, underwater images are characterized by low contrast, color casts, blurring, low light, and uneven illumination, which severely affects the perception and processing of underwater information. To improve the quality of acquired underwater images, numerous methods have been proposed, particularly with the emergence of deep learning technologies. However, the performance of underwater image enhancement methods is still unsatisfactory due to lacking sufficient training data and effective network structures. In this paper, we solve this problem based on a conditional generative adversarial network (cGAN), where the clear underwater image is achieved by a multi-scale generator. Besides, we employ a dual discriminator to grab local and global semantic information, which enforces the generated results by the multi-scale generator realistic and natural. Experiments on real-world and synthetic underwater images demonstrate that the proposed method performs favorable against the state-of-the-art underwater image enhancement methods.     

基于多尺度加权引导滤波的红外图像增强方法

现有的红外图像存在细节模糊、边缘和纹理不清晰的问题。针对上述问题,本文提出一种基于加权引导滤波的红外图像增强方法。首先,将图像通过带转向核的多尺度加权引导滤波进行分层处理,得到多幅含有细节信息的细节层图像和基础层图像;接着,对细节层采用基于Markov-Possion的最大后验概率算法和Gamma校正算法对细节层进行增强;然后,对基础层采用限制对比度的自适应直方图均衡算法进行对比度拉伸,最后,进行线性融合得到增强后的图像。综合主、客观实验结果,得出本文方法具有良好的细节增强效果,处理后的图像边缘和纹理信息比较突出,且算法在信息熵（IE）,熵增强（EME）和平均梯度（AG）3个指标都有较优的计算结果。基本满足红外图像细节得到增强,边缘纹理清晰的需求。     

自适应HSV空间Retinex煤矿监控图像增强算法

针对煤矿井下的监控图像由于粉尘、煤尘、低照度或点光源等光照的影响,而整体阴暗模糊,对比度低,背景噪声强,视觉效果不理想的问题,提出一种改进的HSV(Hue,Saturation,Value)空间的颜色可恢复的多尺度Retinex(Muhi-Scale Ret-inex,MSR)的图像增强算法.该算法先将图像从RGB空间转换到HSV空间,以确保后续图像增强处理不会影响图像的色彩效果;然后利用提出的自适应的高斯核函数分离亮度分量V的照度分量和反射分量,再利用自适应的增益系数对反射分量进行增强处理,获得不受光照影响的、增强的反射图像;最后将反射图像逆变换回RGB空间,再利用优化的颜色恢复函数对增强的图像进行颜色修正,从而改善图像的全局视觉效果和局部对比度.实验表明该方法能有效提高煤矿井下监控图像的对比度和亮度,抑制背景噪声,从而大大改善煤矿井下监控图像的视觉效果,且很好地实现了参数自适应,减少了人为因素对结果的影响.     

基于亮度校正与多空间转换的水下图像增强北大核心CSCD

由于水体环境中光的吸收与散射,导致采集的水下图像存在颜色失真、亮度不均、对比度低等缺点。针对以上缺点,提出了基于亮度校正与多空间转换的水下图像增强方法。首先采用色彩平衡算法对退化图像进行颜色校正;然后将色彩校正的图像从红-绿-蓝(red-green-blue,RGB)空间转换为色调-饱和度-亮度(hue-saturation-value,HSV)空间,用构造出新的二维伽马函数处理V通道,再转回RGB空间;最后对颜色校正图像和亮度校正图像进行加权融合,并将融合图像从RGB空间转换为LAB空间,用限制对比度自适应直方图均衡化算法处理L通道,再转回RGB空间,便得到最终的增强图像。为验证本文算法的有效性,采用主观视觉效果和3种客观指标进行验证。结果表明,本文算法能够有效地校正图像亮度,提高图像清晰度。     

提高夜视融合目标可探测性的颜色对比度增强方法

根据人眼视觉系统特性,分析了场景理解和目标探测对彩色融合的要求,并据此提出了一种通过颜色对比度增强来提高目标可探测性的夜视融合方法.该方法使热目标呈红色,冷目标呈蓝绿色;根据红外图像特征,引入了一种和红外图像各像素亮度与图像平均亮度的偏离相关的颜色对比度增强因子,利用该因子可增强目标与背景的颜色对比度,弥补颜色传递彩色融合方法在颜色对比度上的不足,能有效提高目标可探测性.实验表明该方法既能突出红外目标,又能保持丰富的背景细节,在增强场景理解的同时提高了目标可探测性.     

基于PUCS与DTCWT的红外与弱可见光图像融合

针对红外与弱可见光图像传统融合算法在结果图像中目标不突出、整体对比度降低、边缘及纹理细节不清晰、缺失等问题,本文提出一种基于感知一致性空间（Perception Unified Color Space,PUCS）和双树复小波变换（Dual Tree Complex Wavelet Transform,DTCWT）的融合算法。首先,将红外与弱可见光图像的亮度分量由RGB空间分别转至感知一致性空间得到新的亮度分量以备后续变换处理;接着,将源图像利用DTCWT进行多尺度分解,分别获取各自的低频分量与高频分量;然后,根据不同频带系数特点,提出一种基于区域能量自适应加权的规则对低频子带分量进行融合,采用一种基于拉普拉斯能量和与梯度值向量的规则对不同尺度、方向下高频子带分量进行融合;最后,对融合后的高、低频子带分量进行DTCWT逆变换重构图像,再将其转回至RGB空间以得到最终结果。在不同场景下将本文算法与3种高效融合算法进行对比评价,实验结果表明,本文算法不但在主观视觉上具有显著的目标特征、清晰的背景纹理及边缘细节、整体对比度适宜,而且在8项客观评价指标上也取得了较好的效果。     

基于分数阶Retinex的低照度图像增强方法

低照度彩色图像增强在生活中起着重要作用,传统的低照度彩色图像增强算法往往会引起图像的不同程度失真。为了增强低照度彩色图像而又不引起图像失真,本文提出了一种新的低照度图像自适应对比度增强算法。将分数阶微积分、传统Retinex变分法与分段对数变换饱和度增强法相结合,构造一种新的分数阶Retinex图像增强算法。实验结果表明,该方法具有增强图像对比度的同时又能保持边缘和纹理细节的能力。与传统低照度图像增强算法相比,能突出图像的细节纹理信息,同时图像色度和亮度也有明显改善。     

Image enhancement using divide-and-conquer strategy

Existing enhancement methods tend to overlook the difference between image components of low-frequency and high-frequency. However, image low-frequency portions contain smooth areas occupied the majority of the image, while high-frequency components are sparser in the image. Meanwhile, the different importance of image low-frequency and high-frequency components cannot be precisely and effectively for image enhancement. Therefore, it is reasonable to deal with these components separately when designing enhancement algorithms with image subspaces. In this paper, we propose a novel divide-and-conquer strategy to decompose the observed image into four subspaces and enhance the images corresponding to each subspace individually. We employ the existing technique of gradient distribution specification for these enhancements, which has displayed promising results for image naturalization. We then reconstruct the full image using the weighted fusion of these four subspace images. Experimental results demonstrate the effectiveness of the proposed strategy in both image naturalization and details promotion.     

基于双域分解的图像增强算法

为解决图像增强中对比度提高与噪声抑制的矛盾,本文提出了一种基于双域分解的图像增强算法,同步实现图像对比度提高与噪声抑制.文中详述了空域分解、分层图像空域增强与变换域降噪、分层图像合成三个主要环节的原理、方法.首先,高斯滤波器将图像分解为基础层和细节层,实现对比度提高与噪声抑制的解耦合;其次,带校正功能的单尺度Retinex和硬阈值收缩的非下采样剪切波降噪算法同步实现基础层的增强和细节层的降噪;最后,分层图像合成、灰度数值延展和微分算子强化,实现合成图像的灰度延展与细节加强,确保增强图像的颜色均匀、细节突出.实验表明,本文算法提高图像对比度和抑制噪声的性能优于其他九种算法.     

一种基于Retinex理论的彩色图像增强算法

在分析Retinex理论及其经典算法的基础上,提出一种新的彩色图像增强算法。该方法在保持增强图像高频成分的同时,很好地保留了图像的部分低频成分,并根据Gray World理论,引入动态参数,提高了图像的动态范围。实验结果表明,用所提算法能有效增强彩色图像。     

结合改进显著性检测与NSST的红外与可见光图像融合方法

针对当前基于显著性检测的红外与可见光图像融合方法存在目标不够突出、对比度低等问题,本文提出了一种结合改进显著性检测与非下采样剪切波变换（non-subsampled shearlet transform, NSST）的融合方法。首先,使用改进最大对称环绕（maximum symmetric surround, MSS）算法提取出红外图像的显著性图,并进一步通过改进伽马校正进行增强,同时应用同态滤波增强可见光图像。然后,对红外图像与增强的可见光图像进行NSST分解,利用显著性图指导低频部分进行融合;同时设定区域能量取大规则指导高频部分融合。最后,通过NSST逆变换重构融合图像。实验结果表明,本文方法在平均梯度、信息熵、空间频率和标准差上远优于其他7种融合方法,可以有效突出红外目标,提高融合图像的对比度和清晰度,并保留可见光图像的丰富背景信息。