基于Retinex理论的压缩域图像增强方法研究

针对现有压缩域图像增强算法在提高图像对比度时,存在不能很好地增强图像细节及保持色彩信息的局限性,提出一种新的基于Retinex理论的DCT压缩域图像增强算法.该算法以Retinex理论为基础,将DCT系数分为入射分量(DC系数)和反射分量(AC系数),通过对DC系数进行动态范围调整,对AC系数进行细节增强调整,并使用阈...     

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。     

基于小波域信息融合的MSR改进算法

针对MSR(multi-scale Retinex)算法对雾天彩色图像增强时,不能同时有效地保持细节增强与色彩保真的问题,通过将基于小波变换域的信息融合策略取代MSR算法中线性加权策略,提出一种新的MSR改进算法。融合的基本思路是：首先将待融合图像经四层小波分解,然后将高频分量取绝对值最大值来突出图像的细节,低频分量采用基于局部方差的技术调节色彩,实现保真的效果。通过主观观测和客观评价表明：在对雾天图像进行增强时,MSR改进算法比传统的MSR算法在细节增强和颜色保真方面具有更好的效果。     

小波域红外图像增强算法研究

由于红外图像成像机理及红外成像系统自身的原因,红外图像大多对比度低、细节信息不明显,视觉效果差,需要经过增强处理改善图像质量。提出一种基于小波的多分辨分析方法和Retinex图像增强算法相结合的红外图像增强方法。利用小波把红外图像分解成近似子图像和细节子图像,对近似子图像进行改进的Retinex增强算法处理,对细节子图像采用多策略小波阈值增强,最后小波重构得到增强的红外图像。实验结果表明,该算法对红外图像具有较好的增强效果。     

一种改进的具有色彩保护的多尺度Retinex图像增强算法

针对图像增强存在的光晕伪影、颜色失真等问题,在MSRCP(Multi-Scale Retinex with Chromaticity Preservation)的基础上提出一种改进的多尺度Retinex图像增强算法。该算法首先计算原图像的强度图像;然后采用引导滤波对强度图像进行平滑处理,估计出照度分量,进而根据Retinex原理估计出反射分量;最后在颜色恢复函数中引入S型曲线函数得到最终的增强图像。实验结果表明,该算法可以有效解决光晕伪影现象,提高细节信息,使增强图像的整体色彩与原图一致,改善了图像整体的视觉效果。     

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。     

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。     

雾天图像增强计算模型及算法

针对雾天图像退化程度与景深呈非线性关系的特点,提出一种自适应Retinex雾天图像增强算法,根据图像像素点所处的人类视觉区域反映出的雾的厚薄程度自动调整算法的参数取值。在此基础上,构建一种新的图像增强计算模型,将自适应Retinex增强算法与CLAHE增强算法的增强结果自适应地加权融合,使得增强结果能够同时保持色彩恒常性和亮度恒常性,实现对雾天图像的清晰化。主观观测和客观评价表明,本文方法比HE和MSR算法在雾天图像细节增强及色彩保持方面具有更好的效果。     

离散余弦变换域内的Retinex图像增强模型研究

针对现有离散余弦变换( DCT)域图像增强算法大多统一处理DCT系数,且不能有效抑制块状效应的问题,将Retinex思想引入DCT域,提出一种新增强算法:将DCT系数分为入射分量和反射分量,构造一种带强光抑制的函数,将入射分量映射到理想的动态范围；定义一种频带限制的对比度,实现反射分量的局部细节增强；使用子块分解方法抑...     

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。     

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。     

改进单尺度Retinex的光照人脸识别

经典Retinex算法假设场景中光照是平缓变化的,当光照变化比较强烈时,易产生“光晕”现象,为了提高光照条件变化下的人脸识别率,提出一种改进单尺度Retinex的光照人脸识别方法。采用双曲正切函数代替Retinex的对数函数对人脸图像进行亮度和对比度非线性增强;利用双边滤波代替Retinex的高斯滤波消除“光晕”,采用Retinex消除光照不利影响,采用K近邻算法建立人脸分类器。结果表明,改进Retinex降低了时间复杂度,图像增强效果优于同类算法,提高了人脸识别率,很好地解决了“光晕”问题,具有光照鲁棒性,可适用于光照变化较强条件下的人脸识别。     

基于Retinex理论的新型遥感图像增强算法

针对遥感图像视觉存在对比度差\,分辨率低的缺点,以及传统的Retinex算法在对图像增强时往往会出现色彩恢复不协调,呈现泛白发灰现象,提出了一种多尺度Retinex算法与直方图均衡化相结合的新型遥感图像增强算法。首先对多尺度Retinex算法进行非线性全局改进,用于增强HSV色彩空间中的V分量,然后用直方图均衡化方法对RGB空间中三分量做同步增强处理。实验结果表明:与多尺度Retinex算法相比,算法增强后图像的均值可达到127,信息熵可提高29.5%,而且算法有效地解决了图像色彩恢复不协调和泛白发灰现象。     

基于Retinex的图像增强方法综述

Retinex作为一种源自人类视觉系统研究的颜色恒常性模型,在解决光照不均、色偏等方面都有非常广泛的应用。本文首先介绍了Retinex理论的来源与后续的发展。然后根据当前研究现状将Retinex模型分为路径模型、PDE（Partial differential equations）模型、变分模型和中央周边（Center-Surround）模型4种类型,并对每一种类型进行综述。最后介绍了Retinex在图像增强方面的典型应用,并总结4种Retinex模型的优劣,展望了Retinex的未来发展方向。     

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Retinex和稀疏表示的光照人脸识别

为了提高光照变化条件下的人脸识别率,针对当前人脸识别方法存在的缺陷,提出了一种改进Retinex算法和稀疏表示相融合的光照人脸识别方法。首先对Retinex算法的不足进行改进,并应用于人脸图像预处理中,消除光照对人脸识别的干扰,然后采用稀疏表示提取人脸特征向量,并采用投票方式实现人脸识别,最后通过3个标准人脸数据库对方法的性能进行测试。结果表明,该方法不仅提高了人脸识别率,而且缩短了人脸识别时间,对光照具有较好的鲁棒性。     

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。     

改进的单尺度Retinex及其在人脸识别中的应用*

为了提高在光照条件变化下的人脸识别率,提出一种改进的单尺度Retinex算法并用于人脸识别的光照预处理中.该算法通过非线性全局对比度增强对原图像增强,并利用Mean-Shift平滑滤波代替传统单尺度Retinex中的高斯滤波对光照估计,能够明显地消除单尺度Retinex算法中不能解决的光晕现象.在人脸库的实验表明,该算法不仅比直方图均衡化、Gamma校正、单尺度Retinex、多尺度Retinex算法具有更好的光照预处理效果,而且能够有效提高人脸识别率.