基于双边滤波和Retinex算法的矿井图像增强方法

针对常用的双边滤波算法易造成图像细节丢失及Retinex算法在光照变化剧烈时易出现光晕伪影现象等缺点,提出了一种基于双边滤波和多尺度Retinex算法的图像增强方法。该方法首先对图像进行小波分解,获得图像高频和低频系数;然后采用多尺度Retinex算法和双边滤波结合的方案对图像低频系数进行处理,采用软阈值滤波算法对图像高频系数进行处理;最后通过离散小波反变换得到增强后的空域图像,并对其局部对比度进行自适应增强处理。实验结果表明,该方法可以有效改善图像颜色失真情况,细节丰富,对比度强,为图像后续的特征提取奠定了基础。     

基于实时Retinex与双边滤波的图像增强算法

提出一种新的基于Retinex理论的图像增强算法。这个新算法将双边滤波作为一个去噪环节加入传统的Retinex算法,在实验中有效地抑制了传统Retinex算法中没有解决的噪声问题,从而大大改善了图像增强的处理效果。具体来说,双边滤波器实现简单,并且它的非迭代性和保边性能够在迅速有效去噪的同时保持图像的边界不被模糊减弱。一般被用来去噪的平滑滤波器都容易使物体的边界模糊,与它们相比,用双边滤波器进行去噪不仅较好地平衡了平滑去噪与避免过度模糊的关系,也在处理时间和处理效果上找到了平衡点。同时,实验证实传统Retinex处理后放大的噪声主要来自原图的较暗区域,这使得我们可以在仅处理较暗区域的情况下得到满意的结果。另一方面,通过传统Retinex对原图中光照成分的估计,也使较暗区域能够比较方便地被识别出来。只对较暗区域进行局部处理的做法不仅可以避免在噪声较低的区域造成过度平滑,也能够节省大量的处理时间从而提高处理速度。     

自适应双边滤波的Retinex图像增强算法

针对现有的Retinex算法不能自动调节参数,提出一种基于参数估计的双边滤波Retinex算法。该算法首先利用主成份分析和Canny边缘检测算法分别进行噪声估计和边缘强度估计;然后通过线性相关运算计算双边滤波的空间几何标准差参数和亮度标准差参数;再利用参数估计的双边滤波把图像分解出照度图像和反射图像;最后将照度图像和反射图像通过不同方法的压缩和增强并合成一幅新的图像。通过实验表明,它不仅能够自动设置参数,还能有效抑制光晕现象。     

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。     

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。     

基于联合双边滤波的深度图像增强算法

主动光设备是目前获取深度图的主要方法,被广泛应用于导航、人机交互、增强现实等领域。但主动光设备存在分辨率低、空洞、边缘不匹配等问题。为此,提出一种基于联合双边滤波的深度图像增强算法。采用基于深度的前景分割方法,找出深度图与彩色图边缘不匹配像素集合,利用基于联合双边滤波的插值算法对空洞进行填充。为更好保持边缘细节,增加引导深度相似项与梯度域项的方法进行插值。实验结果表明,该算法比已有方法的最小均方误差平均减少约13%,具有更好的保持边缘效果。     

基于图像融合技术的Retinex图像增强算法

针对单尺度Retinex图像增强算法存在的光晕现象和图像泛灰问题,提出一种基于图像融合技术的Retinex图像增强算法。针对光晕现象,使用高斯加权双边滤波代替单尺度Retinex算法中的高斯核函数估计光照图像,能够有效去除光晕现象。针对图像泛灰问题,引入图像融合的思想。首先,采用非线性变换拉伸反射图像,并通过Otsu阈值分割算法确定图像的亮、暗区域;然后,以信息熵为标准,通过调整非线性变换的参数来获得亮区域最优图像和暗区域最优图像,并将原始图像、亮区域最优图像和暗区域最优图像采用分块融合的方法进行融合;最后,为克服图像分块融合算法的块效应,在融合过程中加入一致性校验。实验结果表明,新算法能够充分获得图像的细节信息,同时有效去除光晕现象、改善图像泛灰的不足。相比于单尺度Retinex算法、基于双边滤波的Retinex算法、直方图均衡算法以及反锐化掩膜算法,新算法的图像增强能力具有显著的提升。     

基于快速亮通双边滤波器的Retinex图像增强算法

为了改善图像增强后出现的细节丢失和亮度增强不合理等问题,提出了一种基于快速亮通双边滤波的Retinex图像增强算法.本文通过3种不同大小尺度的快速亮通双边滤波获取图像的光照分量以及根据Retinex理论获得包含图像细节的3个反射分量,使用多层亮度先验映射方法对光照分量进行光照增强,再对3个反射分量用多尺度细节增强方法进...     

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。     

一种基于模糊MSR的医学X光图像增强算法

由于医学X光图像中存在信噪比低、清晰度差、对比度低等缺点,而普通的图像增强算法很难在增强图像细节特征的同时对图像的背景噪声进行抑制。针对上述问题,将模糊多尺度Retinex算法引入医学图像处理的增强算法中：先计算图像中每个像素点的模糊度,再结合模糊度采用多尺度Retinex算法对图像进行增强。实验表明该算法比直方图均衡、同态滤波以及普通的多尺度Retinex算法增强图像的效果更明显,并能在增强图像的同时,有效抑制图像的背景噪声。     

结合细节信息的自适应Retinex算法水下图像增强

针对Retinex算法应用于水下图像增强中,常出现颜色失真与图像细节增强相矛盾的现象,提出了结合细节信息的自适应多尺度Retinex水下图像增强算法。分析包含不同细节信息的水下图像对Retinex算法增强中卷积函数尺度大小的选择要求;采用图像梯度作为调节因子,自适应调整多尺度Retinex算子的权重,用于适应包含不同细节信息的水下图像对对比度增强的要求,有效地缓和了水下图像增强在颜色失真和细节对比度提升之间的矛盾。多组实验验证了该算法在去除水下图像的蓝绿背景、避免颜色失真、消除非均匀光照和图像细节增强等方面均优于传统多尺度和颜色保真的多尺度Retinex算法。     

基于改进MSR滤波算法的X光图像增强

工业中用于无损检测的X光图像存在信噪比低、清晰度差、对比度低等缺点。为改善X光图像质量,提出一种改进的多尺度 Retinex滤波(MSR)算法。将原始图像进行小波分解,在低频子带上进行MSR滤波,在高频子带上进行阈值滤波,实现图像重构。实验结果表明,改进MSR算法能同时达到图像增强和去噪的效果。     

改进双边滤波和阈值函数的图像增强算法

针对基于单尺度Retinex算法产生的图像泛灰现象和光晕现象、基于双边滤波Retinex算法的泛灰现象及噪声放大现象。提出基于小波变换的改进双边滤波的Retinex图像增强算法和改进阈值函数去噪算法。该方法对图像进行小波分解,获得图像的低频和高频系数;采用改进双边滤波的Retinex算法对图像低频系数进行处理,采用改进阈值函数对高频系数进行处理;采用离散小波反变换得到增强后的重构图像;对重构图像进行分段性线性变换,增强图像对比度。实验结果表明,该方法避免了图像泛灰和光晕现象,并有效去除了噪声,细节丰富,对比度强,为图像后续处理奠定基础。     

滤波器可变的Retinex雾天图像增强算法

针对现有中心环绕Retinex图像增强算法滤波器固定,不能对雾天图像有效地同时增强细节与色彩保真的问题,提出一种滤波器可变的Retinex图像增强算法.首先根据雾天图像雾化程度的分布特征得到滤波参数的阈值;然后将原图中每一子块的局部信息与阈值信息作差运算得到相应的滤波器,由此计算出该子块的入射分量,并通过部分重叠策略平移子块完成对整幅图像的入射分量估计;最后将原图减去整幅图像的入射分量得到反射分量,实现对图像的增强.通过主观观测和客观评价的结果表明:该算法比现有的中心环绕Retinex算法在细节增强和颜色保真方面具有更好的效果.     

模糊域内基于Retinex的雾霾图像增强算法

现有Retinex图像增强算法在使用过程中往往会产生轻微的光晕现象,在图像清晰度、细节、保真性、适用范围等方面存在诸多不足,在模糊域内,提出的基于Retinex的雾霾图像增强算法可有效克服此类不足。首先利用自适应多阈值算法对图像进行分块,并确定分块区域的最佳渡越点;然后采用线性隶属度函数将图像像素值变换为模糊域,通过渡越点计算提出的模糊双曲正切函数的关联参数,对图像的各个分块区域应用Retinex算法进行非线性图像增强,同时对增强结果进行模糊双曲正切调整;最后采用线性加权和线性逆变换的方法恢复原图像。通过对大量图像的对比实验发现:传统处理方法产生的光晕现象得到了抑制,图像清晰度、细节、保真性以及对比度等处理效果改善明显,算法适用范围更广。     

基于Retinex理论的图像增强算法*

这种增强算法首先依据像素的R,G,B分量将输入的彩色图像被分解成为三幅图像,代表场景中波长不同（长波、中波和短波）的反射光的强度;分别计算长波、中波和短波波段内像素间的相对明暗关系,进而确定每个像素的色彩。最后,将Retinex色度空间内的色彩线性映射到RGB空间,获得经过增强的图像。通过这种方法所获得的图像具有色彩逼真度、动态范围大的特点。计算机仿真结果表明运用这种方法进行图像处理可以获得非常好的处理效果。     

基于Retinex的彩色图像增强方法综述

Retinex算法是彩色图像增强领域中的重要方法, Retinex算法具有丰富的内涵.针对传统Retinex算法易在增强结果中产生色彩失真、光晕现象等局限性,本文讨论并分析了现有的基于颜色空间转变、色彩校正和估计照度分量设计方法的一系列相关的改进方法.最后指出了Retinex算法可进一步研究的方向.