一种色彩改进型Retinex彩色图像增强方法

提出了一种色彩改进型Retinex彩色图像增强方法.对于曝光量不足的彩色图像,采用多尺度Retinex算法增强后,在亮度平均值附近以1倍标准差进行截取,拉伸后的图像亮度与对比度的乘积较大,再采用Brovey彩色变换方法,以原图像各像素中红绿蓝所占的成份比例进行运算.由色彩改进型Retinex彩色图像增强方法增强后得到的图像信息熵是直接使用Retinex算法的1.019±0.002倍.     

高斯混合模型自适应微光图像增强

为了改善微光情况下可见光图像传感器输出图像的质量,提出了一种基于高斯混合模型的自适应微光图像增强算法。对图像的直方图进行混合高斯建模,应用改进的期望最大化算法对直方图拟合,从而获取高斯混合模型的最优参数,然后根据各个聚类的交点将直方图分区,最后确定输出图像所属聚类的映射关系,同时应用保持最大熵方法逼近人类视觉特性映射函数得到最终的增强图像。实验结果表明,此图像增强模型能自适应确定最佳聚类个数,提高直方图拟合的运算速度,一帧图像平均处理时间为0.37s,在相关信息熵和纹理信息等的客观评价中,增强结果明显优于传统方法,有效地提高了微光图像的对比度,同时保持了图像的细节。     

A low light natural image statistical model for joint contrast enhancement and denoising

We study the problem of joint low light image contrast enhancement and denoising using a statistical approach. The low light natural image in the band pass domain is modeled by statistically relating a Gaussian scale mixture model for the pristine image, to the low light image, through a detail loss coefficient and Gaussian noise. The detail loss coefficient is statistically described using a posterior distribution with respect to its estimate based on a prior contrast enhancement algorithm. We then design our low light enhancement and denoising (LLEAD) method by computing the minimum mean squared error estimate of the pristine image band pass coefficients. We create the Indian Institute of Science low light image dataset of well-lit and low light image pairs to learn the model parameters and evaluate our enhancement method. We show through extensive experiments on multiple datasets that our method helps better enhance the contrast while simultaneously controlling the noise when compared to other state of the art joint contrast enhancement and denoising methods.     

引导滤波与像素重分布的低照图像增强

针对现有的图像增强方法存在欠增强、过增强以及对比度低等缺陷,提出了一种引导滤波与像素重分布的低照图像增强算法。方法充分利用引导滤波的边缘保持特性,用引导滤波对光照图像进行估计,然后对光照图像的像素进行相对均匀重分布,全面提升光照图像的亮度与对比度。最后将像素重分布增强处理后的光照图像和反射图像作反Retinex变换,得到最后的增强图像。实验结果证明,相对现有的图像增强方法,本文方法具有更优的图像增强效果,图像对比度与纹理结构更清晰。     

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.     

基于人眼视觉的红外图像增强算法研究

红外图像具有低对比度、噪声大、动态范围大以及视觉效果差等特点。传统的图像增强算法具有各自的局限性,处理后的视觉效果并不理想。为了改善红外图像的视觉效果,增强图像中目标的识别力,研究了基于人眼视觉特性的Retinex算法,结合红外图像的成像机制,将适用于可见光图像的Retinex增强算法应用于红外图像,取得了良好的视觉效果。在此基础上,对算法进行自适应改进,提出了AMSR算法。采用几种传统的图像增强算法和基于Retinex的算法对具有典型特性的红外图像进行增强处理,并计算客观评价指标。通过对实验结果的主观评价和客观指标分析,验证了AMSR增强算法对红外图像具有适用性和优越性。本文的研究工作对红外目标探测和识别具有重要的意义。     

外界因素对微光图像的影响

计算机模拟生成微光图像的技术已用于夜视光电系统的性能测试，目标识别等方面，具有重要的军事价值。讨论了夜视系统通过低层大气时的光学成像问题，及成像器件对图像的影响，对计算机模拟生成的微光图像的比较，直观地反映了各种外界因素对激光图像的影响。     

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MSR和融合理论的X射线安检图像增强算法

针对X射线安检图像噪声大、对比度低和边缘不清晰等问题,提出一种结合多尺度Retinex算法(Multi-Scale Ret-inex,MSR)算法和图像灰度最大值融合的双重能量X射线图像增强算法.首先,应用MSR算法对高能和低能X射线图像进行处理得到初步增强结果,然后采用空域灰度值最大融合算法融合经过MSR算法初步增强后的高能和低能X射线图像从而得到最终增强X射线图像.实验结果表明该算法能更有效地提高双重能量X射线图像的对比度,显著改善图像质量.     

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。     

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.     

基于全变分Retinex及梯度域雾天图像增强算法

为提高雾天图像增强的对比度并保持颜色恒常性,提出了基于全变分Retinex及梯度域雾天图像增强算法。首先,采用高斯—赛德尔GS（Gauss-Seidel）迭代算法对基于Retinex的全变分能量泛函数进行求解,从而有效地保持颜色恒常性;其次,采用相对梯度与绝对梯度相结合的方式拉伸雾天图像较亮处的梯度, 在全变分Retinex理论下重建增强后的雾天图像,并将该增强算法应用到彩色图像;最后,加权融合基于全变分Retinex增强算法与梯度域增强算法的增强结果,使得增强结果既能提高对比度又能保持色彩恒常性。实验结果表明,本算法提高了雾天图像增强后的对比度和清晰度,具有颜色恒常性、颜色保真高等特性。     

驾驶员疲劳检测中的彩色图像增强算法

为解决因驾驶室光照不均引起的图像质量下降问题,提出一种新的基于Retinex的驾驶员视频图像增强算法。首先将图像从RGB空间转换到YCbCr空间,保持Cb和Cr分量不变,对Y分量进行高、低频分解,低频分量部分包含图像全部光照信息;利用多尺度Retinex(MSR)算法对低频部分进行光照补偿,然后对Y分量进行拉普拉斯锐化和高斯平滑滤波,增强图像细节和消除噪声干扰;最后将处理后的Y分量与原来的Cb、Cr分量进行逆变换生成新图像。实验表明,与传统算法相比,本文算法能对驾驶员视频图像起到增强效果,同时也能很好地增强图像细节信息,有利于系统对驾驶员状态进行疲劳检测。     

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。     

基于改进直方图均衡化和SSR算法的灰度图像增强研究

为了提高偏亮和偏暗图像的增强效果,提出了一种改进的直方图均衡化和SSR算法相结合的灰度图像增强方法.对原始图像进行改进直方图均衡化增强,提取低频分量进行直方图均衡化,与高频分量融合;对原始图像进行SSR算法增强;将得到的2个图像进行加权融合.结果表明:新方法得到的图像比原始图像细节特征突出,视觉效果明显改善;对比度和信息熵得到提高、亮度得到调整.在医学X射线图像上验证了其可行性,与其他增强算法相比,新方法更有利于图像的准确分析.     

基于深度学习的低照度图像增强方法

在低照度环境下采集的图像往往亮度不足,导致在后续视觉任务中难以有效利用.针对这一问题,过去的低照度图像增强方法大多在极度低光场景中表现失败,甚至放大了图像中的底层噪声.为了解决这一难题,本文提出了 一种新的基于深度学习的端到端神经网络,该网络主要通过空间和通道双重注意力机制来抑制色差和噪声,其中空间注意力模块利用图像的...     

基于HSV颜色空间的改进的多尺度Retinex算法

针对带颜色恢复的多尺度Retinex算法在最后输出的图像上存有重叠的问题,提出了一种改进的子频带分解的Retinex算法,该算法不仅能增强亮点中的细节,也能增强在阴影中的细节.由于RGB这三种颜色之间有很强的关系,而HSV这三者之间没有很大的关联,能够较好的反映人对色彩的感知.实验结果表明,与基于RGB空间的多尺度Retinex算法相比,改进的基于HSV的算法更有效的增强图像在亮点和阴影中的细节,颜色更接近于原图.     

基于偏振成像的可见光图像增强

为了改善可见光图像质量,提高对隐藏在自然背景中人造目标的探测率,采用了基于偏振成像的可见光图像增强方法,很好地凸显出人造目标,提供更多的细节与纹理信息。利用偏振成像方式获取偏振度、偏振角和椭率角图像,对多维偏振图像中的像素点在邦加球内进行聚类得到偏振特征图像,运用双树复小波对光强图像和偏振特征图像进行分解,低频子带采用主成分分析法,高频子带选用区域方差特征匹配的融合策略,得到增强图像。进行了户外实验,并理论分析得到了各个图像的性能指标数据。结果表明,增强后的图像较原图像具有更加丰富的图像细节与偏振目标信息,该方法有效可行,对目标识别与探测具有一定意义。     

图像通信中一种低照度彩色图像增强算法

针对低照度彩色图像细节模糊、亮度不高等问题,提出一种新的彩色图像增强算法。首先引入新传递函数改进传统同态滤波,然后,在RGB色彩空间上,分别对R、G、B分量用改进的同态滤波和对比度受限自适应直方图均衡（CLAHE）进行增强。接着,转换到HSV色彩空间,用非线性函数对亮度进行光照补偿,对饱和度进行1.5倍拉伸。最后恢复图像色彩信息。实验结果表明,新算法在保持图像细节的同时能够增强图像对比度,使图像清晰度更高。     

Blind image quality assessment with channel attention based deep residual network and extended LargeVis dimensionality reduction

Image Quality Assessment (IQA) is one of the fundamental problems in the fields of image processing, image/video coding and transmission, and so on. In this paper, a Blind Image Quality Assessment (BIQA) approach with channel attention based deep Residual Network (ResNet)and extended LargeVis dimensionality reduction is proposed. Firstly, ResNet50 with channel attention mechanism is used as the backbone network to extract the deep features from the image. In order to reduce the dimensionality of the deep features, LargeVis, which is originally designed for the visualization of large scale high-dimensional data, is extended by using Support Vector Regression (SVR) to perform on a single feature vector data. The extended LargeVis can remove the redundant information of the deep features so as to obtain a low-dimensional and discriminative feature representation. Finally, the quality prediction model is established by using SVR as the fitting method. The low-dimensional feature representation and quality score of the image form the pair-wise data samples to train the fitting model. Experimental results on authentic distortions datasets and synthetic distortions datasets show that our proposed method can achieve superior performance compared with the state-of-the-art methods.