改进直方图均衡和Retinex算法在灰度图像增强中的应用

为了提高光照条件变化下的图像增强效果,提出一种改进直方图均衡和Retinex算法的图像增强方法。对于待增强灰度图像,通过理想低通滤波获得图像低频分量,采用改进直方图均衡进行动态范围优化,利用引导图像滤波代替Retinex算法的高斯滤波对图像的高频分量进行估计,并对估计的结果进行线性放大处理。实验结果表明,相对单尺度和多尺度Retinex算法以及改进的直方图均衡化算法,本文方法从主观和客观评价方面都获得了更好的图像增强效果,有效提高了图像的视觉效果和可懂度,并具有较强的鲁棒性。     

基于路径的Retinex算法在红外图像增强中的应用

为了方便红外目标的检测、识别等后续处理,针对传统红外图像增强算法存在的图像细节增强能力差,视觉效果模糊的问题,提出一种基于Retinex理论的红外图像增强算法.该算法利用固定路径获取反射分量的方法,对整体偏暗的红外图像目标进行增强处理.仿真结果表明,该方法比单尺度Retinex和多尺度Retinex算法更能增强红外图像的细节信息,有效改善虹外图像的视觉效果.     

基于灰度补偿与多尺度Retinex算法的彩色图像增强方法研究

对彩色图像进行增强可以改善图像的质量并获得更多的图像细节,以利于后续的图像分析。针对彩色图像增强的颜色保持特性,本文使用灰度补偿和多尺度Retinex算法相结合的方法,对待增强的彩色图像首先进行Retinex算法处理,然后对图像的红、绿、蓝三种颜色分量分别进行直方图均衡化,并进行对比度调节,这样来获得经过增强之后的图像。实验结果说明,这种方法可以使得图像的局部细节更好地显示出来,具有较好的颜色保持性能。     

基于Retinex的低照度图像增强

Retinex理论是颜色恒常知觉的计算理论,可以用于图像清晰度严重失真状况下的图像增强.在研究Retinex算法的基础上,对低照度彩色图像失真中色彩恢复存在的问题进行研究,构建了一个恢复效果较好的色彩恢复函数——余弦色彩恢复函数.给出了处理后图像的自动补偿/增益方法以及补偿/增益中参数实际选取的经验值.对处理后的图像进行了质量评价分析,表明该恢复函数在处理低照度图像时具有较明显的改善效果.     

多尺度Retinex图像增强应用中的彩色空间选择

研究了基于Retinex理论的图像增强算法,介绍了图像和视频处理中常用的RGB、HSV、YIQ、YCbCr和 Lab 5种颜色空间,给出了均方误差(MSE)、峰值信噪比(PSNR)、信息熵、彩色增强因子(CEF)和结构相似度(SSIM)5个图像质量评价指标的计算公式,并用这5个指标评价了CLAHE算法在5种颜色空间上的增强效果.实验结果表明,相比于其它4种颜色空间,多尺度Retinex算法在HSV颜色空间上取得了最好的增强效果.     

尺度变化的Retinex红外图像增强

经典Retinex模型增强算法采用固定尺度高斯核平滑滤波,导致单一尺度Retinex无法进行全局有效增强,而多尺度Retinex权重系数选取困难,二者均不能满足视觉要求。针对以上问题,基于人眼视觉掩盖效应提出一种尺度变化高斯核平滑滤波的Retinex算法。首先利用人眼视觉掩盖效应的屏蔽函数检测像素邻域空间细节,依据像素区域细节信息丰富程度设计出尺度变化的高斯平滑滤波器,实现照度估计,最后对尺度变化高斯平滑滤波器实现提出实用方法。实验证明本文算法有效提高红外图像对比度,增强细节信息,在主观视觉效果和客观评价指标上整体优于修正对比度限制直方图均衡算法、单尺度Retinex、多尺度Retinex及平稳小波和Retinex增强算法。     

Retinex理论下的自适应红外图像增强

本文对Retinex的图像对比度增强方法进行修正,引入了非线性变换函数修正红外图像的照射分量和反射分量以及全局对比度增强函数拉伸图像照射分量,改善了全局图像视觉效果.同时使用非线性自适应S型函数进行局部灰度拉伸,从而更好地改善了图像对比度.提出的算法在增强红外图像细节,提高图像对比度方面优于已有的Retinex算法.该算法处理后的图像能够更有效地增强图像的对比度,突出图像的边缘与细节信息.     

改进Retinex的夜间图像增强算法

针对夜间拍摄的图像容易受到光线不足的影响而出现动态范围窄、噪声明显和细节信息丢失的缺陷,提出了一种改进Retinex的图像增强算法.首先分析Retinex算法的理论模型,利用双边滤波器估计模型中的照度部分,获得准确可靠的反射部分,从而恢复图像的真实色彩和细节.仿真实验表明,改进算法可行有效,能使图像的视觉效果得到进一步...     

多尺度Retinex的光学相干层析图像增强研究

针对光衰减导致光学相干层析图像局部图像对比度下降的问题,提出了基于多尺度Retinex的光学相干层析图像增强方法。采用图像光照补偿的方法完成光学相干层析图像增强,选取多尺度Retinex算法在三个尺度条件下确定高斯滤波系数;利用高斯滤波系数对光学相干层析图像实施卷积处理,对灰度值结果实施加权平均处理,并采用分段线性平移与压缩方法对加权后灰度值实施映射,实验结果显示该方法可显著提升图像的颜色与对比度质量,有效解决了后向散射的问题,获取较好的光学相干层析增强效果。     

基于Retinex理论的雾天图像增强算法

针对雾天图像对比度低、细节模糊和色调偏灰等问题,提出了一种基于Retinex理论的雾天图像增强算法。将雾天图像转换到HSI空间,对S分量进行线性拉伸,用改进的SSR算法对I分量进行增强处理,转换回RGB空间,用sigmoid函数进行颜色恢复得到增强图像。实验结果表明,提出的算法能有效地提高雾天图像质量,恢复雾天图像色彩,增强效果优于传统算法。     

宽动态红外图像增强算法综述

红外成像系统设计中,一般采用宽动态的采集电路以获得丰富的细节信息,当前大部分的显示设备都只有8位,所以将宽动态图像压缩成低动态图像同时保持尽可能多的信息成为重点。研究了当前主流的宽动态红外图像处理算法,分析了映射、图像分层和梯度域3类算法的优缺点,实现了3类算法中的经典算法,并用同一张红外图片进行对比分析,提出了各类算法的改进意见。图像分层算法要在抑制光晕和梯度反转的情况下降低时间复杂度;梯度域算法需在进一步提高细节信息的情况下抑制背景噪声。     

利用导向滤波的宽动态范围图像增强技术

随着现代CCD和CMOS相机阵列尺寸的增大,越来越多的像素被集成到焦平面阵列上。基于该项技术可以获取更高分辨率和更宽动态范围的图像,该图像包含了更多真实的细节信息。然而,在处理这种图像的时候,尽管图像具有宽动态范围,但是却无法显示图像的所有有用信息。一些技术已经被用于先进的相机以解决上述问题,但它们还是存在或多或少的缺点。因此,提出了一种新的宽动态范围图像增强算法。该算法使用导向图像滤波器对图像进行分割,然后同时处理被分割的基频层以及细节层。通过增强高频信号来突出细节层中图像的细节,同时使用策略处理基频层以控制灰度对比度。颜色饱和度可以通过两个层一起控制。通过细节层和基频层来增强原始宽动态范围图像,提高数字细节、灰度自适应以及颜色对比度。对算法进行了详细的分析。图像仿真示例显示该算法性能可靠。     

Recovering high dynamic range by Multi-Exposure Retinex

The matter of generating high dynamic range (HDR) image from a number of differently exposed pictures arises to satisfy the needs of high-quality imaging and industrial applications. A number of HDR image generation algorithms have been proposed in the past. However, the HDR radiance map recovered by these classical methods cannot completely exclude the noisy pixels in the input images and thus are unable to produce the optimal result with highest possible SNR. In this paper we are going to introduce a new HDR generation algorithm based on the Multi-Exposure Retinex model deduced in this paper for HDR image composition. The luminance component L and the reflectance R are synthesized independently before being combined together. A novel R image composition method is introduced to help the composed result image reach the highest possible SNR. The method is tested on grey-level images in this paper, but it can be easily extended to the color-image version.     

An investigation of Retinex algorithms for image enhancement

This letter introduces color constancy and Retinex theory for image enhancement.It clas- sifies Retinex algorithms into four categories and provides their principles and implementations in general.The experimental results of Frankle-McCann,MSR (Multi-Scale Retinex) and PNSD (Pro- jected Normalized Steepest Descent) Retinex algorithms are presented and compared.Moreover, variance and average gradient are proposed to evaluate the performance of the different algorithms.     

基于FPGA的短波红外图像灰度级拉伸算法实现

为了增强短波红外成像仪的成像对比度,提高目标的识别率,介绍了一种基于现场可编程门阵列(FPGA)的灰度拉伸算法的实现方法。利用视频数据两帧之间灰度分布近似的特性,通过统计上一帧图像的灰度分布,计算图像拉伸所需要的参数,处理当前帧的图像,达到实时处理的效果。在灰度统计模块中,利用FPGA的片上块随机存储器(Block RAM)资源,采用非倍频的流水线数字逻辑设计,避免了跨时钟域的操作,降低了系统状态机的复杂度,提高了系统的工作频率。采用国产320×256元InGaAs面阵探测器,搭载了Xilinx Artix-7系列芯片的实验平台进行实验,仿真结果表明,该方法能有效提高短波红外图像的对比度,具有占用资源少、运算速度快、成本低、可移植性高等优点,满足短波红外成像仪实时灰度拉伸处理的设计要求。     

改进的单尺度Retinex雾天图像增强算法

在恶劣天气(如雾、霾)条件下,室外计算机视觉系统会采集到严重降质的图像,为生产、生活带来了严重的影响.本文基于色彩恒常理论提出了一种快速有效的雾天图像增强新算法,首先利用拉普拉斯梯度算子增强了雾天降质图像的各个颜色分量的边缘信息,然后在单尺度Retinex算法的基础上创新性提出了一种符合人眼视觉特性的中心自适应调节的拟合函数增强图像各个颜色分量,提高对比度,保持色彩信息.同时结合对比度、信息熵和运算时间等客观评价标准,与直方图均衡化和多尺度Retinex算法进行对比,验证了本算法优越性,并能满足实时处理的需求.实验仿真结果表明,该算法去雾效果显著,具有良好的视觉欣赏效果.     

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。     

基于Retinex理论的微观驱替图像增强算法

针对微观驱替实验图像存在光照不均的现象,提出一种基于快速引导滤波的Retinex图像增强算法.快速引导滤波具有较好的保边性和较低的时间复杂度,可避免照度估计时边缘丢失和运行时间长的问题.该算法通过快速引导滤波得到图像的照度分量,后使用Retinex算法处理得到光照均衡的微观驱替实验图像.实验结果表明,本文算法与MSR算...     

Low-light image enhancement via deep Retinex decomposition and bilateral learning

Low-light images enhancement is a challenging task because enhancing image brightness and reducing image degradation should be considered simultaneously. Although existing deep learning-based methods improve the visibility of low-light images, many of them tend to lose details or sacrifice naturalness. To address these issues, we present a multi-stage network for low-light image enhancement, which consists of three sub-networks. More specifically, inspired by the Retinex theory and the bilateral grid technique, we first design a reflectance and illumination decomposition network to decompose an image into reflectance and illumination maps efficiently. To increase the brightness while preserving edge information, we then devise an attention-guided illumination adjustment network. The reflectance and the adjusted illumination maps are fused and refined by adversarial learning to reduce image degradation and improve image naturalness. Experiments are conducted on our rebuilt SICE low-light image dataset, which consists of 1380 real paired images and a public dataset LOL, which has 500 real paired images and 1000 synthetic paired images. Experimental results show that the proposed method outperforms state-of-the-art methods quantitatively and qualitatively.