多尺度Retinex灰度图像增强算法

为提高图像识别在分类时的质量,必须在图像的预处理阶段对噪声进行滤除,对图像中的目标对象加以增强.从研究图像增强的空域法入手,利用多尺度Retinex灰度图像增强算法完成图像的增强.做到改善图像颜色恒常性,压缩图像动态范围,提高对比度,有效显示淹没在阴影、光照等区域中的细节. 在仿真实验中,对图像进行高斯滤波,确定了高斯滤波系数.仿真结果证明该方法可行,在完成图像增强的同时,对噪声有较好的抑制作用.     

基于GPU的多尺度Retinex图像增强算法实现

为提高多尺度Retinex算法的实时性,本文提出了基于GPU的多尺度Retinex图像增强算法,通过对算法进行数据分析和并行性挖掘,将高斯滤波、卷积和对数差分等计算量非常耗时的模块放到GPU中,利用大规模并行线程处理来提高效率。在GeForce GTX 480和CUDA 5.5中进行实验,结果表明该算法能显著提高计算速度,且随着图像分辨率的增加,最大加速比达160倍。     

基于改进多尺度Retinex的单幅彩色图像增强算法

针对传统基于多尺度Retinex的单幅彩色图像增强算法, 进行图像增强时未考虑亮度分量和局部对比度, 导致图像增强未达到最佳尺度值, 获取的增强图像存在失真、 带有雾膜的问题, 提出一种基于改进多尺度Retinex的单幅彩色图像增强算法. 首先采用高斯环境函数 对3种灰度图像实施卷积并进行灰度纠正, 将3种纠正灰度后的图像合并, 获取初步单幅彩色图像增强结果; 然后改进多尺度Retinex的单幅彩色图像增强算法, 增强单幅彩色图像像素的平均亮度; 最后通过非线性函数对亮度增强后的彩色图像实施局部对比度增强处理, 用线性调整方法恢复局部对比度增强后的图像颜色, 以获取最佳单幅彩色图像的图像增强结果. 实验结果表明, 该算法可获得亮度和对比度均较好的单幅彩色图像增强结果.     

基于同态滤波及多尺度Retinex的低照度图像增强算法

针对在彩色图像采集过程中,光源偏暗或曝光不足等因素,常导致图像亮度和对比度偏低问题,提出了一种改进的低照度图像增强算法。首先用改进的同态滤波增强低照度图像的RGB各分量;然后将RGB图像转换到HSV彩色空间,对饱和度分量进行自适应非线性拉伸;同时用改进的多尺度Retinex算法对亮度进行增强处理,对照射分量用伽马变换进行校正,对反射分量用Sigmoid函数进行处理,最后将图像再转换至RGB空间。用MATLAB对图像进行仿真处理。实验表明该算法提高了低照度图像的信息熵、峰值信噪比和对比度,提升了低照度图像的视觉效果。     

基于单尺度Retinex算法的非线性图像增强算法

提出一种改进的Retinex算法——基于单尺度Retinex的非线性图像增强算法.不同于经典的Retinex算法用复杂的运算估计亮度图像,该算法首先对亮度图像进行粗估计,然后通过非线性运算在反射图像中对粗估计的亮度图像进行补偿.实验结果表明,所提出的算法同经典的Retinex算法相比,无论在增强效果还是在处理时间上都具有更大的优越性.     

尺度优化的Retinex增强算法与微视觉图像增强

光照不均匀、光学显微镜的放大作用、光学衍射等使微视觉图像存在动态范围大、整体像素灰度值偏低、微细结构与背景对比度低、信噪比低等不足.为增强图像质量,文中利用对比度设计高斯平滑卷积核的尺度优化准则以合理估计光照分量,提出了尺度优化的Retinex增强算法,并用该算法对模拟图像和实拍的同轴光光强变化的微视觉图像进行增强.结果表明,该增强算法在压缩动态范围内既能提高对比度,又能较好地保留图像细节信息,增强效果优于同态滤波算法.     

基于多尺度Retinex理论的彩色图像增强算法

提出一种基于Retinex理论的图像增强算法,Retinex理论的实质就是从图像I中获得物体的反射性质R,即抛开入射光的性质获得物体的本来面貌,对多尺度的Retinex理论算法进行改进,即将直方图均衡化算法用于多尺度的Retinex算法中.通过该方法得到的图像具有色彩逼真、动态范围大等特点.实验表明该算法确实对彩色图像起到增强的效果.     

基于改进的Retinex算法对路面裂缝的图像增强处理研究

为了解决传统的图像增强算法中道路路面破损裂缝之间的显示度不高,致使道路裂缝自动检测处理装置不能有效地自动提取裂缝的问题,基于图像增强处理的特点,分析了Retinex算法不足之处,提出了一种改进的Retinex算法和模糊算法相结合图像增强算法。在Matlab上进行仿真,结果表明可以达到很好的增强处理效果。     

基于Retinex理论的电子内镜图像增强算法

为解决电子内镜图像亮度较暗、光照不均匀和对比度较低的实际问题,提出一种基于Retinex理论的电子内镜血管图像增强算法.算法基于图像差分L₁、L₂范数的特性和对光照进行纹理抑制的实际需求,建立Retinex理论的优化表达式;使用变分法进行求解以获取图像的光照分量与反射分量,分别进行光照矫正和细节拉伸;使用改进的对数直方图均衡调整图像颜色通道比例,提高血管图像的对比度.Matlab测试实验表明,该算法能较好增强电子内镜图像,与同类型算法相比,各评价参数有不同程度提高,具有一定的实际应用价值.      

基于小波分析和Retinex算法的图像增强算法

为了改善图像增强效果, 提高图像质量, 提出一种基于小波分析和Retinex算法的图像增强算法(WA Retinex). 先采用小波分析对图像进行多尺度分解, 去除图像中的噪声; 再采用Retinex算法对图像细节信息进行增强, 并引入更符合人眼视觉特性的拟合函数拓宽图像灰度范围; 最后通过仿真实验对其有效性和优越性进行分析. 实验结果表明, 该算法明显改善了图像的整体视觉效果, 能更好地刻画图像细节信息,  性能优于现有的一些经典Retinex算法.     

基于Retinex理论的图像增强算法的车辆主动安全技术

车辆主动安全技术监测系统中在遇到复杂道路、夜间环境及弱光照的情况下图像很容易受到驾驶员个体、光照变化等要素的影响,使算法精确性大大降低,为提升图像处理算法的精确性,通过分析Retinex理论的图像增强技术能够对图像低频部分进行提取,并借助多尺度Retinex(MSR)算法补偿图像光照,融合梯度图像即可得到全新图像,实验结果表明,基于Retinex理论的图像增强算法可以更好的呈现道路和驾驶员面部特征,使弯道线检测的鲁棒性大大改善,便于开展图像处理工作.     

基于YUV色彩空间的Retinex夜间图像增强算法

通常夜间拍摄图像容易出现细节分辨不清的情况。为了改善夜间拍摄图像的质量,提出一种基于YUV色彩空间的Retinex图像增强算法和色度自适应校正方法。首先将图像从RGB色彩空间转换到YUV色彩空间;其次对明亮度分量Y采用多尺度Retinex算法增强,并利用增强后的Y分量对色度分量U、V进行自适应校正;最后将图像转换到RGB色彩空间输出,使图像在细节信息得到增强的同时颜色得到较好的保持。通过与其他Retinex算法比较,实验结果表明该算法在颜色保持和细节增强方面能够达到很好的效果。     

多尺度自适应Gamma矫正的低照图像增强

为了在提高低照图像的亮度和对比度的同时,保持图像的色彩自然度,提出了多尺度自适应Gamma矫正的低照图像增强方法.鉴于HSI颜色空间的明度分量Ⅰ决定着图像的明暗程度,以及明度分量的多尺度特性,首先,将图像转换到HSI颜色空间,对明度分量Ⅰ进行多尺度Retinex分解;然后,对分解得到的多尺度光照图像分别进行自适应的Gamma矫正,其中Gamma指数自适应于暗区像素的占比,鲁棒地改善光照图像的光照分布,经Retinex反变换得到增强的多尺度明度分量;最后,将增强的多尺度明度分量的线性融合作为增强的明度分量Ⅰ’,与色相分量H和饱和度分量S重组,得到最后的增强图像.实验结果表明,相对于部分最新提出的现有方法,新方法的PSNR和SSIM值分别高出1.19 dB和1.8%以上,具有更好的增强效果和鲁棒性,增强图像的视觉效果更适宜,对比度更高.     

多尺度小波梯度图像增强方法

传统的图像增强算法在对图像增强的同时,也增强了图像的噪声信号,不利于图像的后期处理.在小波变换增强算法的基础上,提出了多尺度小波梯度图像增强方法.实验证明,该方法在提高图像对比度的同时,有效的解决了噪声也被增强问题,使增强后的图像便于图像分析和后期处理.     

基于改进CycleGAN的煤矿井下低照度图像增强方法

针对井下监控装置采集的图像普遍存在照度低、颜色失真及细节特征损失严重等缺陷,提出一种基于改进CycleGAN网络的煤矿井下低照度图像增强算法．首先针对井下成对图像数据获取困难的问题,基于循环生成对抗网络搭建循环图像增强主体框架实现模型的无监督训练;然后基于CSDNet的全局图像分解架构,设计了一种融合空间-通道注意力模块CBAM的双分支估计网络以并行估计图像的光照分量和反射分量,并在两分支网络之间建立多尺度特征分解机制,从而在大幅提升亮度的同时避免颜色失真现象,保留大量细节信息;使用全局-局部判别器调节图像局部区域的亮度,改善亮度不均,避免过曝及阴影现象．实验结果表明：相较于对比算法RetinexNet,LLNet,MBLLEN,EnlightenGAN和CSDNet,本算法在客观质量指标PSNR(峰值信噪比)、SSIM(结构相似性)、IFC(信息保真度)和VIF(视觉信息保真度)上的表现分别提高了11.787%,8.256%,9.658%和8.654%,并在人类视觉主观分析上优于对比算法,证明本文算法能够有效改善井下低照度图像视觉效果．     

基于子带加权融合的多尺度Retinex图像增强算法

Retinex模型是人类视觉对亮度和色彩的感知模型,多尺度Retinex算法具有动态范围压缩大、色彩恒常性、色彩保真度高等特点,被广泛运用于低光照图像的增强。提出一种新的图像增强算法,首先用混合灰度变换函数替代传统的灰度变换函数,对图像做不同尺度的Retinex变换,并分解重复的频带信息,对各个独立的频带分别进行增强。然后引入图像融合的思想,将不同尺度Retinex图像的每个像素点都赋予不同的权重。最后得到输出图像。实验结果证明,本算法可有效增强图像的对比度,得到的图像清晰度高,色彩恢复好。     

基于多尺度积的磁共振图像增强算法

结合磁共振图像（ MRI）特点，分析了噪声对小波变换的影响，对小波系数间的相关性进行分析和归类，根据图像类型的不同，选取不同的函数进行MRI增强。本文提出了一个新的分段函数对未定点进行增强，实验表明，此函数在对图像中的未定点进行增强的过程中，能较好地抑制其中的噪声点，有效地增强像素点。     

一种改进的McCann图像增强算法

提出了一种改进型的基于Retinex理论的McCann图像增强算法。简单介绍了Retinex理论,论述了基于Retinex理论的图像增强方法的基本步骤,详细阐述了McCann算法的改进方法,改善图像增强效果。     

一种基于Retinex的矿井非均匀照度图像增强算法

煤矿井下的安全高效生产离不开清晰流畅的监控图像,由于矿井下粉尘多、照度低或点光源照射而形成特殊的非均匀照度环境,使得矿井监控图像整体偏暗,对比度低,带有很强的背景噪声,视觉效果差。针对这一问题,基于Retinex算法,提出了一种在高斯滤波后用迭代矢量法继续分离亮度图像的方法。实验结果表明该方法能有效的增加图像对比度,降低背景噪声,改善图像的整体视觉效果。     

基于多尺度Retinex和小波变换的彩色图像融合方法

提出了一种基于多尺度Retinex算法和小波变换的彩色图像融合方法.用MSR算法对彩色图像进行增强,可以显著提高暗区内的细节,但色彩却存在失真现象.将源图像与增强后的图像采用小波变换进行融合,可以将源图像的色彩及增强图像内的阴影细节都能很好地集中于融合图像中,使融合后的图像阴影内的细节清晰,并且色彩自然.用信息熵和基于人类视觉系统（HVS）的质量度量规则来对图像进行客观评价,实验表明,融合图像的熵值最大也最符合人类视觉系统.