改进单尺度Retinex的复杂光照人脸识别算法

在光照复杂条件下人脸识别性能明显下降。针对单尺度Retinex算法易产生"光晕"现象,提出一种改进单尺度Retinex算法的复杂光照人脸识别方法(ISSR)。首先利用拉普拉斯梯度算子增强光照人脸图像的边缘信息,然后在单尺度Retinex算法的基础引入符合人眼视觉特性的中心自适应调节拟合函数,以增强图像各个颜色分量,提高人脸图像对比度,最后采用Yale B和CMU-PIE人脸库进行仿真测试。结果表明,ISSR算法增强了人脸图像的对比度,改善了人脸图像的视觉效果,有助于提高人脸图像识别率和识别速度,能满足复杂光照条件下的人脸识别要求。     

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。     

基于边缘检测的Retinex图像增强算法

针对消除背景光照对图像的影响时出现的细节弱化、色彩失真的问题,提出了一种基于边缘检测的Retinex彩色图像增强算法。根据人类视觉特性从图像中提取亮度分量并检测边缘信息,在平滑点和边缘点处采用不同的模板估计背景光照,以避免强边缘处的光晕现象;通过调整图像中的背景光照比例提升局部对比度,并根据反射图像直方图自适应调整全局对比度;利用R、G、B通道及亮度分量的等价变换进行色彩恢复,以保证增强前后图像色调一致。实验结果表明,增强后的图像标准差提升了19.34%,信息熵增大了13.18%。     

基于域滤波的自适应Retinex图像增强

为了提高低照度图像的亮度和对比度,提出了一种新的基于Retinex理论的彩色图像增强方法。首先,基于Retinex理论,提出对HSV空间V分量进行域滤波估计图像光照分量,然后将V分量与光照分量相除得到反射分量的方法。之后,采用自适应Gamma校正对光照分量进行亮度提升,然后采用CLAHE对其进行对比度增强。最后,将亮度校正光照分量与反射分量相乘得到增强后的V分量,并将增强后的图像转化为RGB空间图像,达到彩色图像增强的目的。本算法可以获得更自然的增强效果,能抑制亮度较大像素点的增强,很好地突出图像中的细节信息,克服了图像增强中增强图像对比度低、颜色失真、过增强及光照突变处出现光晕现象等缺点。本算法对多种图像有效,例如高动态(HDR)图像、非均匀光照图像及低曝光图像。通过验证,本算法得到的结果相比于传统方法视觉效果更佳。     

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。     

基于多层融合和细节恢复的图像增强方法

针对部分图像在光照不均匀、过亮或过暗下出现的对比度低、细节不可见等问题,提出了一种基于多层融合和细节恢复的图像增强方法。首先在HSV图像空间中将V通道等价复制为Retinex增强层、亮度增强层、细节突出层三层。在Retinex增强层中,利用加权引导滤波和形态学结合来消除光晕现象,并通过改进Retinex增强图像亮度和细节;在亮度增强层中,通过自适应归一化进一步增强亮度;在细节突出层中,人工蜂群算法优化改进局部线性增强模型来突出图像细节。最后根据Gamma校正特性和邻域像素关系,提出细节恢复方案避免融合后造成的部分细节模糊。实验数据表明,该算法能更有效地突出图像细节和提高对比度,并与现有算法在客观量化方面进行对比,综合性能更为优越,尤其在清晰度指标上远高于其他算法。     

基于Retinex和视觉适应性的图像增强

根据人眼视网膜上的锥细胞和柱细胞的视觉特性,提出了用于彩色图像增强的视觉适应性模型。基于Retinex和视觉适应性模型提出了一种新的图像增强算法,先将图像进行简单去光照分量处理,得到反射分量的近似解,再根据视觉适应性模型对反射图像的近似解进行全局对比度和亮度的调整,使之适应于人的视觉。实验中使用的算法和经典Retinex算法处理相同的RGB退化图像,对处理结果进行了定性和定量比较,结果表明提出的算法在增强图像细节,提高全局对比度方面优于已有的Retinex算法。     

一种基于改进Mean Shift滤波的Retinex彩色图像增强算法

传统的中心/环绕Retinex图像增强方法在处理低对比度彩色图像时,易产生光晕现象和色彩失真。提出一种基于改进Mean Shift滤波的Retinex方法,首先采用主元分析法(PCA)将低对比度图像分解为亮度和色彩两部分,通过改进现有Mean Shift滤波方法实现光照分量的自适应增强,并对色彩通道进行恢复,最后在全局分析基础上进行图像补偿。实验结果证明,该方法能有效抑制光晕现象,并保持色彩一致性,运行速度也优于同类自适应方法。     

一种新的基于MSRCR光照补偿算法

对质量较差的人脸图像进行光照补偿,多尺度Retinex算法是传统的算法中比较有效的一种,但是Retinex算法处理的人脸图像会产生"泛白、颜色失真、对比度低"现象,为了提高人脸识别率,为此提出了一种新的带色彩恢复的多尺度Retinex算法(MSRCR)对彩色图像进行光照补偿.在对MSRCR理论进行研究的基础上,对原有算法进行改进,使用了快速傅里叶变换,运行速度快于已有传统方法.经过实验证明,改进算法使图像的对比度,亮度,隐藏的细节等方面都有很大的增强.论述了该算法的原理和实现方法,同时通过实验将其与直方图均衡,Gamma变换等方法进行比较.实验结果表明:该算法对彩色图像光照补偿有很好的效果.     

基于加权直方图均衡化彩色图像增强仿真

针对传统直方图均衡化(HE)算法在处理低质量图像时出现的细节信息丢失、部分灰阶合并的不足,提出一种彩色图像在HSV空间的加权HE图像增强算法.通过增加权重参数实现自适应调节图像像素信息的目的,算法构造了一种新的自适应映射函数.图像灰度级经过两次不同的映射有效地克服灰阶合并和细节丢失现象.对于输入图像进行颜色幅度拉伸和饱和度信息拉伸至最大化,完成对图像颜色信息的恢复.仿真结果证明,算法弥补了其它算法处理结果中出现的对比度低下和颜色信息丢失等不足,算法有效地改善了图像的质量.