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。     

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。     

基于Retinex和视觉适应性的图像增强

根据人眼视网膜上的锥细胞和柱细胞的视觉特性,提出了用于彩色图像增强的视觉适应性模型。基于Retinex和视觉适应性模型提出了一种新的图像增强算法,先将图像进行简单去光照分量处理,得到反射分量的近似解,再根据视觉适应性模型对反射图像的近似解进行全局对比度和亮度的调整,使之适应于人的视觉。实验中使用的算法和经典Retinex算法处理相同的RGB退化图像,对处理结果进行了定性和定量比较,结果表明提出的算法在增强图像细节,提高全局对比度方面优于已有的Retinex算法。     

一种矿井低照度图像增强算法

针对小波变换在图像边缘保持和细节处理方面无法保持平衡及多尺度Retinex算法易造成图像出现光晕伪影和噪声污染严重等问题,将小波变换与基于多尺度引导滤波的多尺度Retinex算法相结合,提出了一种矿井低照度图像增强算法。该算法首先将低照度图像进行小波分解得到高频分量和低频分量;然后对图像高频分量采用三段式阈值函数进行小波去噪,对图像低频分量采用非线性全局亮度校正以增强图像亮度,同时采用多尺度引导滤波函数代替传统多尺度Retinex算法的高斯滤波函数来估计照射分量,进而求取反射分量,并运用主成分分析法对反射分量与非线性全局亮度校正的图像进行融合,有效提升图像边缘细节保持效果;最后对图像高频分量和低频分量进行小波重构,并对小波重构后的图像进行非线性变换,解决图像泛灰问题。实验结果表明,该算法具有很强的噪声抑制能力,可有效提升图像亮度和对比度,使图像边缘保持性能和细节信息丰富度得到有效平衡,避免了图像出现光晕伪影、颜色失真等现象。     

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。     

基于不同色彩空间融合的快速图像增强算法

针对现有Retinex算法中存在的色彩失真、噪声放大及光晕伪影现象等问题,本文提出了一种基于Retinex理论的改进算法. 该算法首先在HSV空间对亮度分量V通道进行增强处理,同时在拉伸得到的对数域反射分量至一定的动态范围时（本文是0～255）,引入增强调整因子,调整不同亮度值的增强程度来避免噪声放大及色彩失真现象;然后在RGB空间,通过分析光晕产生的原因,提出一种改进的高斯滤波器来消除光晕现象,并在计算反射分量时,通过参数调整图像颜色的保真度. 最后,对上述两种不同颜色空间的处理结果进行加权平均作为算法的最终输出. 实验结果表明,针对不同光照条件下的图像,1）该算法可以明显地改善光晕伪影现象;2）无色彩失真、噪声放大等问题;3）效果和效率优于带色彩恢复的多尺度Retinex算法（Multi-scale retinex with color restoration,MSRCR）及其他对比算法.     

基于PCA的可变框架模型Retinex图像增强算法*

针对恶劣天气下拍摄图像的退化现象,提出了一种基于主成分分析（principal component analysis,PCA）的可变框架模型Retinex图像增强算法。PCA变换提供通道间良好的正交性,可避免由于亮度调整带来的色度失真。该算法通过PCA变换得到图像亮度分量、色度分量,对得到的亮度分量使用改进的可变框架模型Retinex进行处理,适当调整色度分量,最后对处理得到的RGB图像进行去相关拉伸。实验结果表明,该方法能有效改善恶劣天气造成的图像退化现象,提高图像的清晰度。     

基于融合策略的改进Retinex低照度图像增强算法

针对Retinex算法处理低照度彩色图像出现色彩失真,边缘保持性差等问题,提出一种基于融合策略的改进Retinex低照度图像增强算法;该算法首先在YIQ颜色空间提取亮度分量Y,对其进行MSR算法增强;然后采用高斯-拉普拉斯算子对彩色图像的RGB三个分量进行边缘检测,将其叠加合成后转换成灰度图;最后使用小波变换将两幅图像融合得到新的亮度分量,将其与I、Q分量融合后转回RGB颜色空间,从而获得色彩保真度高、细节清晰的图像;实验结果表明,该方法有效提高了图像边缘细节信息,避免了色彩失真,具有很好的视觉效果。     

基于残差融合的改进Retinex图像增强算法

针对低照度图像边缘纹理模糊、亮度和对比度偏低等问题,提出一种基于残差融合的改进Retinex图像增强算法。该算法采用自适应多尺度引导滤波AMGF(Adaptive Multi-scale Guided Filtering, AMGF)替代高斯核函数,根据Retinex理论获取反射图像;使用CLAHE拉伸反射图像的对比度;通过L₀范数提取输入图像残差进行融合;进行颜色恢复处理。实验结果表明,所提算法有效地提升了低照度图像的边缘细节表达能力,提高了图像质量和视觉效果。     

基于Retinex的自适应非均匀低照度图像增强算法

非均匀低照度图像会影响目标识别跟踪的效果,为了增强非均匀低照度图像,提出一种基于Retinex理论的自适应亮度层图像增强算法。首先将图像HSI模型中I层图像分离出来;然后通过Retinex理论和多尺度引导滤波器获得I层的入射分量,根据输入图像的均值自动获取调整参数k,对入射分量的亮度进行自适应调整;最后通过主成分分析法(PCA)提取两个图像中的细节特征并进行融合。对比实验表明,该算法能有效提升非均匀低照度图像的整体亮度和细节信息,同时减少非均匀照度的影响。