基于双边滤波的Retinex图像增强算法

针对Retinex图像增强技术在高对比度边缘区域存在“光晕伪影”这一缺点,提出了一种基于双边滤波的Retinex算法。该算法先使用带有边缘保存功能的双边滤波将原图像分解成照度图像和反射图像,再分别采用不同的策略压缩照度图像和增强反射图像,最后把两部分图像合成为新的图像。通过从主观视觉效果和客观质量评价两方面对该算法进行检验,实验结果表明它有较好的增强效果,解决了“光晕伪影”问题。     

改进单尺度Retinex算法在图像增强中的应用

为了提高光照条件变化下的图像增强效果,提出一种改进单尺度Retinex(SSR)算法的图像增强方法。利用双边滤波代替SSR算法的高斯滤波对光照估计,克服SSR算法不能解决的"光晕"问题。结果表明,相对传统图像增强算法,改进SSR算法不仅加快了图像增强处理的效率,且获得了更好的图像增强处理效果,是一种适应性较强的、可用于光照变化比较强烈下的图像增强算法。     

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。     

改进Retinex算法对特殊环境下的车牌图像增强研究

针对特殊环境(雾天、傍晚)下车牌图像由于光线暗淡而使得识别效果明显下降的问题,提出一种使用改进的Retinex算法(五尺度Retinex算法)与幂函数和双边滤波相结合对特殊环境下的车牌图像进行增强的算法。首先用幂函数对雾天、傍晚环境下的车牌图像进行处理,再采用双边滤波处理,最后经过五尺度Retinex算法处理。与传统Retinex算法相比,所提出的算法取得了较好的对特殊环境下的车牌图像增强的效果,改善了车牌图像的视觉效果,并且处理时间较短,对现实生活具有可观的实际意义。     

基于Retinex算法的亮度分层图像增强算法

在处理低照度的图像时，传统的Retinex算法虽然可以提高图像的辨识度，但是存在“光晕伪影”和图像细节表现不明显等问题，因此本文采用了引导滤波图像分层处理与多尺度Retinex算法相结合的图像增强算法。首先在HSI色彩空间中对原始图像使用引导滤波算法，将图像分成细节图像和基本图像。然后对分离出来的两个图像层构造增益系数，分别进行增强处理后再进行重构，得到一个新的亮度图像。最后，在RGB色彩空间内对新的亮度图像进行色彩恢复从而输出最终的亮度较高、还原度较好的图像。实验结果表明，本文算法使图像的边缘和细节更加突出，而且能够消除“光晕伪影”现象，客观评价指标也有较大幅度的提升。     

图像引导滤波的局部多尺度Retinex算法

Retinex算法是一种用于消除由光照变化给图像所带来的负面影响的图像增强算法。该算法的求解通常需要基于入射分量分段光滑的假设,利用正则化的方法迭代求解,计算效率低。文中基于一项最近提出的研究——"图像引导滤波",提出一种非迭代的Retinex算法框架。基于反射分量也满足分段光滑的假设,采用两次图像引导滤波克服了图像噪声所带来的影响。然后在基于小波变换域图像融合策略的基础上,提出基于图像引导滤波的多尺度Retinex算法,实现图像细节增强与颜色保真之间的平衡。实验结果表明,与各种算法相比,该算法在克服噪声、细节增强和颜色保真方面能够取得更好的效果。     

基于Retinex理论的图像增强算法研究

Retinex理论的图像增强算法,就是在一个图像中,忽略透射光的影响,同时来获得物体的反射的基本特性,并通过这种方式来获得物体原本的图像形态。本文在探讨了Retinex基本理论,对建立在该理论基础上的图像增强算法的实现做了理论与实践的研究。     

Retinex算法及其在雾天图像增强中的应用研究

通过从像素比较路径选择的角度出发,分析了Retinex算法一些常用的计算策略,包括基于随机路径的Retinex算法、基于迭代计算的McCann’s Retinex算法、基于中心环绕的Retinex算法,并将其应用于雾天图像增强。     

改进的多尺度Retinex红外图像增强算法

针对传统多尺度Retinex增强算法处理后的红外图像对比度较低、视觉效果不够理想的缺点,提出了一种改进的多尺度Retinex红外图像增强算法.将传统Retinex增强算法中的指数还原用灰度线性拉伸代替,对拉伸后的图像进行自适应对比度增强处理,从而提高了图像的对比度,改善了图像的视觉效果,同时,根据图像处理的需要,可以调整图像对比度的大小.通过与几种典型的图像增强算法实验结果进行比较,该算法图像增强的效果更好,图像视觉效果更佳.     

基于改进型Retinex算法的彩色图像增强技术

由于单尺度Retinex算法在处理过程中会产生光照强度问题导致图像细节表达不细致,提出一种改进的基于单尺度Retinex(SSR)算法的 真彩图像增强算法。首先,使用加权最小二乘法对原始彩色图像进行细节增强,然后对原始图像进行优化。对处理后的图像层和细节图像层构造增益系数,并进行重构输出一幅新的合并图像。实验结果表明,所提算法能够有效减少图像中的噪声,并使图像细节和对比度更加突出,亮度增强。相比于其它传统的算法,改进型Retinex算法处理后的图像客观评价指标有大幅度提升,图像增强能力有大幅改善。     

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L0范数的Retinex图像增强算法

图像在采集过程中会因为机械设备、天气状况等原因产生曝光不均等问题,使得图像的拍摄效果不佳,无法满足实际应用的需求。而传统的Retinex算法应用于图像增强时会导致图像边缘模糊与泛灰等问题。因此,针对传统的Retinex算法现存的问题,提出一种新颖的图像增强算法——基于L0范数的Retinex算法RIEALN。首先通过全局L0梯度最小化方法提取图像的轮廓成分,然后进行Retinex算法处理,再将提取的轮廓成分融合到原始图像,实现原始图像的增强。实现过程中还通过增加不同的L0梯度最小化因子确保不同尺度轮廓成分的均匀增强。实验结果表明,该算法不仅可以增强图像的对比度,而且还能够较好地保留边缘信息。     

基于多尺度Retinex的自适应图像增强方法

介绍了一种基于MSR的自适应图像增强的方法,能够较好地自动处理由于云雾、雨天等天气原因和光照不足导致的景物不清、视觉质量差和对比度低的图像,提升多种类型的图像视觉质量.通过对实验的结果以及算法的普适性进行比较和分析,证明了该方法是有效的.     

基于Zernike矩的新型Retinex图像增强方法研究

针对传统的Retinex算法对雾天和彩色图像增强时,会出现色彩恢复不协调,光照分布不均匀这类缺点,提出了一种新的基于Zernike矩模型的Retinex图像增强方法。通过在HSV空间中求解图像V分量和S分量的Zernike矩来提取图像的背景灰度和阶跃高度,然后调节邻接像素内灰度变化差异和区域饱和度的相关性,进而增强图像的亮度,恢复图像的色彩。实验结果表明,该方法有效地解决了图像色彩恢复和光照恢复不足这一问题,而且对不同特点的图像都有良好的适应能力。     

基于Retinex理论的多曝光图像融合算法

多曝光图像融合技术是将一组场景相同但曝光程度不同的图像序列直接融合成为一幅含有更多场景细节信息的高质量图像。针对现有算法局部对比度差和色彩失真的问题，结合Retinex理论模型提出了一种新的多曝光图像融合算法。首先，基于Retinex理论模型，利用光照估计算法将曝光序列图像分为入射光分量序列和反射光分量序列，然后分别采用不同的融合方法对这两组序列进行处理。对于入射光分量，要保证场景的全局亮度的变化特性并且削弱过曝光和欠曝光区域的影响；而对于反射光分量，要采用适度曝光的评价参数来更好地保留场景的色彩及细节信息。分别从主观和客观两方面对所提算法进行了分析。实验结果表明，同传统基于图像域合成的算法相比，该算法在结构相似度（SSIM）上平均提升了1.7%，另外在图像色彩和局部细节上的处理效果更好。     

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。     

改进双边滤波Retinex的多聚焦图像融合

目的 针对传统Retinex算法存在的泛灰、光晕、边界突出以及高曝光区域细节增强不明显的现象,将Retinex和多聚焦融合的思想融合在一起,提出一种基于Retinex的改进双边滤波的多聚焦融合算法。方法 首先根据图像情况在像素级层次将反射图像分解为最优亮暗区域两部分,然后利用线性积分变换和邻近像素最优推荐算法,将原始图像与最优亮区域多聚焦融合得到图像T,再将图像T与最优暗区域重复以上步骤得到图像S,最后利用引导滤波进行边界修复得到最终图像。结果 选择两组图像girl和boat进行实验,与SSR（single scale Retinex）、BSSR（Retinex algorithm based on bilateral filtering）、BIFT（Retinex image enhancement algorithm based on image fusion technology）和RVRG（Retinex variational model based on relative gradient regularization and its application）4种方法进行对比,本文方法在方差和信息熵两方面表现出明显优势。在均值方面,比BIFT和RVRG分别平均提高16.37和20.90;在方差方面,比BIFT和RVRG分别平均提高1.25和4.42;在信息熵方面,比BIFT和RVRG分别平均提高0.1和0.17;在平均梯度方面,比BIFT和RVRG分别平均提高1.21和0.42。对比BIFT和RVRG的实验数据,证明了本文方法的有效性。结论 实验结果表明,相比较其他图像增强算法,本文算法能更有效抑制图像的泛灰、光晕和边界突出现象,图像细节增强效果特别显著。