复杂光照下的自适应人脸图像增强

提出了一种自适应的快速图像增强算法用于改善复杂光照下的人脸检测。算法对人脸图像的增强分为两步:动态范围压缩和细节增强。算法首先利用对数变换和非线性变换,增强图像阴暗区域的信息,同时对高光区域进行有效地抑制,然后利用反锐化掩模滤波对图像的细节进行增强。将各种增强算法应用于图像的预处理,结合Adaboost人脸检测算法,在Yale B人脸数据库上进行对比实验。实验结果表明,自适应快速图像增强算法能有效提高人脸检测率和降低误检率,具有比直方图均衡算法、单尺度Retinex算法和多尺度Retinex算法更好的性能。     

保持自然度的非均匀光照图像增强的Retinex算法

常规的非均匀照明图像增强方法在增强低光照区域细节时,容易对图像过度增强而导致结果失真.本文从一种新的角度提出了Retinex模型的一种扩展形式,并用于非均匀照明图像的增强.该算法将中心环绕Retinex模型输出作为感知反射率,将图像分解为感知光照图像和感知反射率图像,通过调整感知光照图像,再重新组合感知光照和感知反射率...     

低光照图像增强算法综述

低光照图像增强旨在提高光照不足场景下捕获数据的视觉感知质量以获取更多信息,逐渐成为图像处理领域中的研究热点,在自动驾驶、安防等人工智能相关行业中具有十分广阔的应用前景。传统的低光照图像增强技术往往需要高深的数学技巧以及严格的数学推导,且导出的迭代过程普遍流程复杂,不利于实际应用。随着大规模数据集的相继诞生,基于深度学习的低光照图像增强已经成为当前的主流技术,然而此类技术受限于数据分布,存在性能不稳定、应用场景单一等问题。此外,在低光照环境下的高层视觉任务(如目标检测)对于低光照图像增强技术的发展带来了新的机遇与挑战。本文从3个方面系统地综述了低光照图像增强技术的研究现状。介绍了现有低光照图像数据集,详述了低光照图像增强技术的发展脉络,通过对比低光照图像增强质量与夜间人脸检测精度,进一步对现有低光照增强技术进行了全面评估与分析。基于对上述现状的探讨,结合实际应用,本文指出当前技术的局限性,并对其发展趋势进行预测。     

结合图像增强和肤色分割的人脸检测新方法

彩色图像中通常存在噪音、模糊、背景等问题,直接影响到人脸检测的结果。提出一种AdaBoost算法结合图像增强和肤色分割的人脸检测新方法。对输入图像进行平滑、锐化图像增强操作,较好地消除噪声干扰和增强图像的边缘信息;利用肤色分割,将肤色区域和背景有效地区分开;在候选区域用AdaBoost算法精确地定位出人脸位置。实验结果证明,该方法对“漏检”和“错检”问题均有较好的改善。     

基于彩色人脸模板的人脸检测算法

针对目前基于色彩的人脸检测只能用于人脸区域的粗检这一不足,提出一种利用人脸的五官位置及色彩信息建立彩色人脸模板的算法。采用光照补偿对图像进行预处理,利用YCbCr空间中的肤色模型进行粗检,确定出人脸候选区域,利用建构好的模板进行搜索比对定位出人脸。实验结果表明该方法对不同光照环境和复杂背景的图片均有较好的适应性,检测精度也得到了提高。     

复杂光照下的人脸肤色检测方法

复杂光照对人脸肤色检测具有重要影响。在YCbCr颜色空间建立复杂光照条件下的人脸肤色模型,然后利用该模型检测人脸图像的肤色区域,并对检测结果利用4-连通区域的几何特征消除非人脸区域,最后利用连通元复原误检的人脸肤色区域。实验结果表明,该方法可以实现复杂光照下人脸肤色区域的准确检测。     

较强光照下肤色结合发色检测人脸的方法研究

研究了基于不同颜色空间的人脸检测算法,并在此基础上针对较强光照条件下或肤色与背景色比较接近时检测算法可能会将人脸检测为背景的情况,提出了一种新的基于肤色和发色的人脸检测自适应算法。实验结果表明,即使在较强光照条件下或肤色与背景比较接近时,该算法一样能准确地检测到正面或略有倾斜的人脸。     

复杂背景不同光照条件下彩色图像中人脸检测

提出一种有效的在复杂背景和不同光照条件下从彩色图像中检测出人脸的方法.该方法由两个阶段组成:第一阶段利用彩色信息和基于等腰三角形分割的方法找到可能的人脸区域.第二阶段利用二维相关系数作为对称相似性测度进行人脸认证.提出的方法能够处理各种尺寸、不同光照条件、不同的姿态及表情变化的人脸,在复杂背景的彩色图像中提高了人脸的检测速度.实验结果显示该方法获得良好的效果.     

一种可变光照条件下的肤色检测算法

肤色是人体表面最为显著的特征之一,可应用于人脸检测与跟踪、手势识别等,肤色检测算法在其中居于关键地位。该文提出了一种可变光照条件下的肤色检测算法,首先在YCbCr颜色空间从大量肤色样本中统计出肤色模型,考虑了在高亮度区和低亮度区肤色色度(Cb,Cr分量)与亮度(Y分量)非线性相关;其次,使用一种彩色均衡技术消除由光照引起的色彩偏移。该算法可适用于较广范围的光照条件,可应用于复杂环境下的人脸检测、手势识别等。     

视频中基于肤色模型的人脸检测

采用图像差分法先检测出运动区域,消除了背景对人脸检测的影响,缩小了搜索的范围。利用肤色在YCrCb空间的聚类特性来检测人脸,同时为了去除亮度对肤色的影响,增强检测的可靠性,采用了亮度补偿。最后选取眼部特征作为条件确定人脸区域。实验表明,算法能准确地检测出人脸,并具有一定的实时性。     

光照不均图像增强方法综述*

针对图像采集过程中因环境光照不佳或物体表面采光不均等原因造成的图像光照不均问题,分析了几类常用的增强方法,包括以直方图均衡化方法为代表的灰度变换法、基于照明—反射的同态滤波法、Retinex增强方法以及梯度域增强方法,对比了这几种方法的处理效果,指出了这些方法各自的适用范围。最后给出了光照不均问题解决方法的改进方向。     

一种颜色保持的彩色图像增强新算法

分析了Retinex理论及其典型彩色图像增强算法,在此基础上提出一种颜色保持的彩色图像增强新算法。利用非线性sigmoid传输函数多尺度增强亮度分量,并进行局部对比度增强后获得亮度增益曲面,最后利用亮度增益曲面对原彩色图像RGB三颜色分量同比增强,保证了色调恒定不失真。几种算法实验结果的比较和分析。表明,这种算法是有效的。     

一种新的低照度彩色图像增强算法*

为了增强彩色图像而不引起色彩失真,在HSV颜色空间中保持色相不变,提出了采用分段对数变换增强饱和度结合在多尺度Retinex算法的基础上,采用边缘保持增强色调的低照度彩色图像增强算法。实验结果表明,该方法在保持图像色相和图像边缘的情况下,显著改善了图像的视觉效果,提高了图像的亮度和对比度。25幅低照度图像的平均亮度、标准偏差和对比度分别提高了94.95%、20.93%和29.88%,相对于带色彩恢复的多尺度Retinex算法的熵和对比度增量分别提高了7.34%和151.51%,效果优于Retinex算法。     

一种多分辨多尺度的Retinex彩色图像增强算法

针对Retinex算法的缺点与不足,提出了一种改进的中心/环绕函数,以及图像增强分辨度概念。利用Retinex算法中图像增强分辨度与尺度之间对图像增强效果的互补特性,提出了多分辨多尺度的Retinex（Multi-Resolution and Multi-Scale Retinex,MRMSR）彩色图像增强算法。实验过程中,采用图像质量主观评价法和图像质量客观评价法相结合的方式,对多幅彩色图像进行了算法验证,并与MSR、MSRCR等算法进行比较。实验表明,MRMSR算法具有较好的图像增强效果,其图像增强效果明显优于其他算法,并能够有效地降低尺度对图像增强的影响。     

一种适用于人脸检测的自适应光照补偿方法

为了解决复杂光照条件下的人脸检测问题,提出一种人脸光照补偿新方法。该方法先使用高通滤波增强边缘信息,同时利用对数变换和指数变换调节全局亮度,最后利用非线性变化削弱局部高光和阴影的影响,改善图像光照不均衡的情况,最终实现光照补偿。在YaleB人脸库、Orl人脸库以及自建人脸库上分别对光照不均匀人脸图像和均匀光照下的人脸图像进行了实验,证明该方法能有效地进行光照补偿,提高人脸检测率。     

基于模拟多曝光融合的低照度图像增强方法

针对部分低照度图像整体亮度偏暗、对比度差和视觉信息偏弱等问题，提出一种基于模拟多曝光融合的低照度图像增强方法。首先，利用改进的变分Retinex模型和形态学的结合产生基准图来保证曝光图像集中的主体信息；其次，结合Sigmoid函数和伽马矫正构造新的光照补偿归一化函数，同时提出了一种基于高斯引导滤波的反锐化掩模算法，用于调整基准图的细节；最后，分别从亮度、色调和曝光率设计曝光图集的加权值，通过多尺度融合得到最终增强结果，有效地避免了增强结果中的光晕和颜色失真。在不同的公开数据集上的实验结果表明，与传统的低照度图像增强方法进行相比，所提方法降低了亮度失真率，提升了视觉信息保真度。该方法能够有效地保留视觉信息，有利于实现低照度图像增强的实时性应用。     

快速Retinex彩色图像增强

提出了一种快速Retinex彩色图像增强方法,模拟了人类视觉系统全局和局部自适应性。首先对图像的亮度范围做全局调整;然后在光照估计步骤中对亮度进行Mean Shift滤波,用于其后光照影响的消除;最后对增强结果进行颜色恢复并进行了后处理。实验结果表明,方法能够有效压缩图像的动态范围,克服光照不均的影响,有效去除了光晕现象,且方法的颜色保持性较同类方法更好。使用了Mean Shift加速算法,方法运行速度快于此前提出的方法。