基于不同色彩空间融合的快速图像增强算法_肖进胜
基于深度学习的图像增强与色彩校正技术研究
基于深度学习的图像增强与色彩校正技术研究深度学习技术的快速发展在图像处理领域产生了广泛的应用。
其中，基于深度学习的图像增强与色彩校正技术是一项重要的研究领域。
图像增强和色彩校正技术可以提高图像的质量和细节，并改善图像的感知效果。
本文将探讨基于深度学习的图像增强与色彩校正技术的研究进展和应用。
首先，我们将介绍图像增强技术的研究背景。
在图像处理中，图像增强是改进图像质量和增强图像细节的一种方法。
传统的图像增强方法通常是基于数学模型或图像处理算法的，但这些方法往往对复杂场景下的图像处理效果有限。
然而，基于深度学习的图像增强技术旨在通过训练大量的图像数据和深度神经网络模型，实现对图像进行自动学习和增强。
其次，我们将探讨基于深度学习的图像增强技术的研究方法和模型设计。
在深度学习中，卷积神经网络（CNN）是一种常用的图像处理模型，它具有强大的图像特征提取和表达能力。
基于CNN的图像增强技术通常包括图像去噪、图像超分辨率恢复、图像增强和图像修复等任务。
通过对训练数据进行输入和输出的匹配，深度学习模型可以学习到图像的低层特征和高层语义信息，并生成与原始图像相比更清晰、更细节、更自然的增强图像。
接着，我们将介绍基于深度学习的图像色彩校正技术的研究现状。
图像色彩校正是调整和校正图像的色彩分布和颜色平衡，使图像更加真实和自然。
传统的图像色彩校正方法通常是基于直方图均衡化、颜色空间变换和颜色校正曲线等手工设计的算法，但往往对图像色彩特征的分布和变化模式有一定的限制。
而基于深度学习的图像色彩校正技术可以通过训练模型自动学习图像的色彩特征，并实现对图像色彩的自适应调整和校正。
最后，我们将探讨基于深度学习的图像增强与色彩校正技术的应用和发展前景。
基于深度学习的图像增强与色彩校正技术在多个领域具有广泛的应用前景，包括数字摄影、医学影像、无人驾驶、智能监控和图像检索等。
这些应用场景对图像质量和色彩还原的要求非常高，而深度学习技术可以通过大规模训练数据和优化的神经网络模型来实现对图像的自动增强和色彩校正。
一种基于Retinex的雾霾图像增强改进算法
一种基于Retinex的雾霾图像增强改进算法石昊苏;方丽娟;台志强;韩丽娜【摘要】To enhance the improvement of haze image quality degradation and fuzzy details,the method of improved Retinex theory is used.Through the experiment of the haze image decomposition to get R and L component,and denoising R with bilateral filtering as well as transforming and Gamma linear correction L,then combining with processed R and L component,The results show that the improved algorithm can improve image visual effect with rich color and enhance image details to make for the follow-up image processing.%针对增强改进雾霾图像质量退化、细节不清的目的,采用改进Retinex理论的方法,,通过对雾霾图像分解得到R、L分量,对R进行双边滤波去噪,同时对L进行Gamma变换并做线性拉伸校正,合并处理后的R、L图像等实验,得出从主观视觉效果和客观性能指标两方面,改进算法能够丰富雾霾图像色彩,提高雾霾图像的视觉效果,增强图像的细节,有利于后续图像处理.【期刊名称】《电子设计工程》【年(卷),期】2018(026)004【总页数】4页(P180-183)【关键词】Retinex算法;图像增强;MSR算法;雾霾图像【作者】石昊苏;方丽娟;台志强;韩丽娜【作者单位】西北政法大学商学院,陕西西安710063;西北政法大学商学院,陕西西安710063;西北政法大学公安学院,陕西西安710063;咸阳师范学院图形图像研究所,陕西咸阳712000【正文语种】中文【中图分类】TN247“雾霾”是高密度人口的经济及社会活动相互作用排放的大量细颗粒物（PM2.5）持续积聚又恰逢静稳天气所形成的，现代化进程加剧了雾霾出现的频率、持续时间，雾霾条件下采集到的数字图像往往会出现画面不清晰、辨析程度低等缺陷，给机器后续的识别检测工作带来较大的困难[1]。
基于Retinex理论的图像增强算法研究
基于Retinex理论的图像增强算法研究作者：罗圣敏来源：《电脑知识与技术》2017年第29期摘要：在我国计算机技术不断发展的过程中，数字成像设备也在不断的优化，其被广泛应用到航空、工业、医学及军事等多种领域中，有效保障国民经济发展和国家安全。
目前，Retinex 理论图像增强算法已经成为现代数字图像增强技术的主要研究内容，该算法是将人类视觉系统的色彩恒常性作为基础，其主要对人眼对外的观察方式进行模拟，将场景入射光影响进行去除，得到反应物体本质的属性。
该算法具有有效提高对比度、颜色保真及色彩恒常的特点。
基于上述内容，该文就对基于Retinex理论的图像增强算法进行研究。
关键词：Retinex理论；图像增强；算法中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2017）29-0252-03传统色彩视觉理论表示，人眼在感受色彩过程中主要是根据光波长决定的，不同频率光都会为人们带来不同的色彩感觉，物体颜色也是通过物体反射光强度及频率决定的。
但是，美国物理学家在二十世纪五十年代表示，部分现象无法通过传统色彩理论进行解释。
在通过几十年的科学实验和分析过程中得到，在信息传导过程中，人的视觉系统能够处理这些信息，将物体本质信息有效地进行了保存，比如反射系数。
在这些将物体本质特征信息描述出现的特征传递到大脑皮层，之后通过复杂处理的过程就是人视觉。
在此认知的基础上，相关人员提出了Retinex色彩理论，其能够在灰度动态范围压缩和颜色恒定性及边缘增强实现平衡，所以就提高了不同图像的自适应性。
由于此理论的属性，Retinex被广泛应用到社会各行业中。
图像增强技术是图像使用过程中的基础技术手段，也是必要环节，在图像处理过程中具有重要的地位。
本文就以Retinex理论为基础，提出了基于Retinex的图像增强算法。
1 图像增强的方法1.1 线性变换线性变换也可以称为比例变换，也就是因变量和自变量之间的固定比例系数，此系数为常数。
基于不同色彩空间融合的快速图像增强算法
第40卷第4期自动化学报Vol.40,No.4 2014年4月ACTA AUTOMATICA SINICA April,2014基于不同色彩空间融合的快速图像增强算法肖进胜1,2单姗姗3段鹏飞4涂超平1易本顺1摘要针对现有Retinex算法中存在的色彩失真、噪声放大及光晕伪影现象等问题,本文提出了一种基于Retinex理论的改进算法.该算法首先在HSV空间对亮度分量V通道进行增强处理,同时在拉伸得到的对数域反射分量至一定的动态范围时(本文是0∼255),引入增强调整因子,调整不同亮度值的增强程度来避免噪声放大及色彩失真现象;然后在RGB空间,通过分析光晕产生的原因,提出一种改进的高斯滤波器来消除光晕现象,并在计算反射分量时,通过参数调整图像颜色的保真度.最后,对上述两种不同颜色空间的处理结果进行加权平均作为算法的最终输出.实验结果表明,针对不同光照条件下的图像, 1)该算法可以明显地改善光晕伪影现象;2)无色彩失真、噪声放大等问题;3)效果和效率优于带色彩恢复的多尺度Retinex 算法(Multi-scale retinex with color restoration,MSRCR)及其他对比算法.关键词Retinex理论,带色彩恢复的多尺度Retinex(MSRCR),光晕伪影,图像增强引用格式肖进胜,单姗姗,段鹏飞,涂超平,易本顺.基于不同色彩空间融合的快速图像增强算法.自动化学报,2014,40(4): 697−705DOI10.3724/SP.J.1004.2014.00697A Fast Image Enhancement Algorithm Based on Fusion of Different Color SpacesXIAO Jin-Sheng1,2SHAN Shan-Shan3DUAN Peng-Fei4TU Chao-Ping1YI Ben-Shun1Abstract A fast image enhancement algorithm based on fusion of different color spaces is proposed to overcome the problems of color distortion,noise amplification,and halo artifacts.Firstly,a single scale retinex is used in channel V of the HSV color space.An enhancement adjustment factor is introduced,when we stretch the calculated reflection in the logarithmic domain into a dynamic range,i.e.,0∼255.It is used to adjust the enhancement for different pixels.Thus noise amplification and color distortion can be effectively avoided.Then,the improved Gaussianfilter is given in the RGB color space by analyzing the cause of the halo effect.This step can eliminate the halo artifact.And a parameter is adopted to keep the color natural of the image when the reflection is calculated.Finally,the weighted average of the outputs of the above two color spaces is taken as thefinal output of our algorithm.The experiment results show that for images with different lighting conditions,1)the outputs of our algorithm is free from the halo artifacts;2)there are no color distortion and noise amplification problems;3)the quality and the efficiency of the algorithm are superior to the multi-scale retinex algorithm(MSRCR)and other comparison algorithms.Key words Retinex theory,multi-scale retinex with color restoration(MSRCR),halo artifact,image enhancement Citation Xiao Jin-Sheng,Shan Shan-Shan,Duan Peng-Fei,Tu Chao-Ping,Yi Ben-Shun.A fast image enhancement algorithm based on fusion of different color spaces.Acta Automatica Sinica,2014,40(4):697−705图像增强技术在医学、工业检测、地貌学及军事等多个领域都有着极为广泛的应用,利用图像增收稿日期2012-11-30录用日期2013-11-01Manuscript received November30,2012;accepted November1, 2013国家自然科学基金(91120002,61201442)资助Supported by National Natural Science Foundation of China (91120002,61201442)本文责任编委戴琼海Recommended by Associate Editor DAI Qiong-Hai1.武汉大学电子信息学院武汉4300722.武汉大学测绘遥感信息工程国家重点实验室武汉4300793.华为技术有限公司武汉研究所武汉4300734.江西省邮电规划设计院有限公司南昌3300001.School of Electronic Information,Wuhan University,Wuhan 4300722.State Key laboratory of Information Engineering in Surveying,Mapping and Remote Sensing,Wuhan University, Wuhan4300793.Huawei Technologies Co.,LTD.,Wuhan Re-search Institute,Wuhan4300734.Jiangxi Province Post and Telecommunications Planning and Design Institute Co.,LTD, Nanchang330000强技术,可以使图像获得更佳的视觉效果,提高人眼对信息的辨别能力.现有的图像增强技术根据其处理所在的空间不同,可以分为基于空域的方法和基于变换域的方法两类.为了提高图像的视觉效果,恰当的模拟人眼视觉系统成为研究的关键.Retinex 理论是一种基于空域的图像增强方法,该理论模拟人类大脑视觉皮层的成像原理,建立了简化的图像形成模型.20世纪70年代,Edwin Land系统地提出了Retinex模型,并将其应用到图像增强.90年代,Jobson、Rahman和Woodell等人在Land中心/环绕Retinex基础上提出了单尺度的Retinex 算法[1],采用高斯卷积函数来估算图像的照射分量,在一个尺度内用加权平均代替原有的像素值,色彩保真度和图像的局部细节很难同时保证.多尺度的698自动化学报40卷Retinex算法一定程度上缓解了单尺度Retinex算法的天生缺陷,既可以保持图像色彩的保真度,又能保证图像的细节不至于丢失.Jobson等人引入色彩恢复的概念,利用原图各波段的色彩比例因子对图像进行色彩恢复,提出了带色彩恢复的多尺度Retinex算法MSRCR[2],对彩色空间的选择没有太多的要求,使用起来更加灵活.但是该算法在明暗对比强烈的边缘处,会出现光晕伪影现象,并有部分色彩失真现象.近几年就如何解决光晕伪影及色彩失真现象,很多学者进行研究并提出解决方案.根据算法处理色彩空间的不同,大致可以分为基于RGB空间的算法和基于HSV空间的算法.基于RGB空间的算法,有通过改进环绕函数来实现的(例如,Meylan等人提出的结合PCA方法的自适应的非线性滤波器[3];迟健男等人提出的基于反对称双正交小波重构方法的滤波器[4];Choi等人提出的基于恰辨差异(Just noticeable difference,JND)的非线性滤波器[5];文献[6]使用基于低阶技术和重叠平均的图像滤波方法,对单幅灰度或彩色图像进行视觉增强),也有对算法整体进行改进的(例如,Bo Li等人提出通过反射分量来获取细节部分,利用像素及其周围像素的光照分量来保持场景的自然性[7];还有作者将一幅图像分成不同的照度区域,进行不同的处理[8];文献[9]结合参量自适应的非线性函数调整亮度,依据色调恒定的理论保持增强后图像的颜色);也有作者基于灰色调算法的灰度图像假设,利用有效像素的灰度级范围,消除灰化效应和光晕效应[10],Hanuman-tharaju等人提出了一种改进的色彩恢复算法,在算法的主观效果及算法效率上均有一定改善[11].基于HSV空间的改进算法主要有:Mukherjee等人提出了一种基于DCT的算法,在HSV空间不仅对亮度分量V做处理,还通过调节色度分量,来改善增强图像的饱和度等[12];Yu等人提出一种基于HSV 色彩空间的(HSV-integrated multi-scale retinex, HSV-IMSR)算法,通过增强后的亮度分量V来调整饱和度来消除色彩失真问题及光晕现象[13].在以上这些算法中,文献[3−6,8,10,13]均可以达到消除光晕的效果,但是这些算法未考虑算法的复杂度.本文受以上算法的启发,针对传统的MSRCR (Multi-scale Retinex with color restoration)算法易产生的光晕伪影问题,采用了改进的高斯模板,在保证处理效果的基础上,消除了MSRCR算法中的高斯模板引起的光晕伪影现象,同时提高了算法效率;同时本文在基于灰度世界(Gray world)假设理论的基础上,采用了基于HSV空间的色彩增强理论,在保持图像鲜艳度的同时,避免色彩失真现象;经典算法对于部分图像在亮度低或亮度高的部分,出现过增强现象,引入了大量噪声,本文通过引进增强调整因子,克服了此缺陷.实验分析表明,本文的改进算法可以高效解决光晕伪影现象及色彩失真、噪声放大等问题.1基于Retinex理论的图像增强算法1.1Retinex理论Retinex理论是由Edwin Land在20世纪70年代提出的一种颜色恒常知觉的色彩理论,是关于人类视觉系统怎样调节感知到物体颜色和亮度的理论.Retinex理论解释了同样的物体在不同的光源或光线底下颜色恒定(Color constancy)的机理.在Retinex模型中,图像I是由两部分组成的:一部分是物体的光亮亮度,对应于图像的低频部分,其决定了图像中像素能达到的动态范围,通常我们称之为亮度图像,用L表示;另一部分是物体的反射亮度,对应于图像的高频部分,决定一幅图像的内在性质,通常我们称之为反射图像,用R表示.则该模型表达式可以表示为:I=R·L.Retinex理论的目的就是为了从图像I中获得物体的反射性质R,即抛开入射光的性质来获得物体的本来面貌.对数形式接近人眼亮度感知能力,同时可以将复杂的乘积形式变成简单的加减运算.对该式两端取对数,可以得到式子:log(I)=log(R)+log(L).由于不能直接从图像中得到物体的反射部分,但可以通过先估计入射光部分log(L),从而得到反射部分log(R).1.2带色彩恢复的多尺度Retinex算法(MSRCR)基于Retinex理论的算法是通过估计入射光部分L得到的反射部分R[1],可用式(1)表示:R i(x,y)=log I i(x,y)−log[F(x,y,c)∗I i(x,y)](1)其中R i(x,y)表示第i个颜色分量的反射部分(对数域),I i(x,y)表示第i个颜色分量图像,∗表示卷积, F(x,y,c)=K e−(x2+y2)/c2为环绕函数,c是高斯函数的参数,K由归一化函数F(x,y,c)d x d y=1得到.多尺度即多个不同的高斯函数参数c,通过加权不同尺度所得到不同的反射亮度的总和得到多尺度Retinex算法输出,如式(2):R MSR,i=Nn=1w n R n,i(2)其中N是尺度数,一般N=3,R n,i表示第i通道第n个尺度的反射亮度,R MSR,i为第i通道多尺度4期肖进胜等:基于不同色彩空间融合的快速图像增强算法699加权所求得的反射亮度,w n 为第n 个尺度的权值,通常w n =1/N .带色彩恢复的多尺度Retinex 算法,就是将多尺度Retinex 求得的反射亮度R MSR,i 乘以色彩恢复因子C i ,来调节3个通道的颜色比例,具体实现如式(3)和式(4):R MSRCR,i =C i ·R MSR,i (3)C i =log [α·I i (x,y )]−log3 i =1I i (x,y )(4)对得到的R MSRCR,i 求得其均值µ和标准差σ,α为常系数(一般取0.5∼2.0之间),记max =µ+α·σ,min =µ−α·σ,将R MSRCR,i标准化为R ∗MSRCR,i ,如式(6):R ∗MSRCR,i =255·(R MSRCR,i −min)(max −min)(5)MSRCR 算法的物理意义是在对数空间将原图像减去高斯函数与原图像的卷积的值,实际上原图像被减去了平滑的部分.而高斯函数中c 越小,图像中低频成分减去的越多,剩下的图像中高频成分,从而突出了原图像中的细节.因此对于图像中存在严重暗的区域,通过MSRCR 算法增强后,突出了暗区域的细节.但是,增强后的图像对比度减弱,整体偏亮,颜色与原图偏移很大甚至失真[9].2基于改进的Retinex 理论图像增强算法带色彩恢复的多尺度Retinex 算法虽在动态范围压缩、颜色和亮度恒常性等方面能取得较好的结果,但处理后的图像仍存在颜色失真、原图噪声被放大以及光晕伪影的问题.该算法的另一缺陷是运算复杂度高,处理单帧图像耗时过长.为了得到一种快速的,无光晕及色彩失真的图像增强算法,本文提出一种基于Retinex 理论的图像增强改进算法,该算法包括两部分:1)基于HSV 空间的图像增强;2)在RGB 空间,结合改进高斯滤波器及调整参数因子的快速增强.最后将这两部分处理结果加权平均得到最终的处理效果.2.1基于HSV 空间的图像增强对于彩色图像RGB 三通道进行增强,由于不能保证增强幅度一致,易导致颜色失真.MSRCR 等彩色图像增强算法均基于灰度世界假设.该假设是指当一幅图像中有足够多的颜色变化时,RGB 各分量的平均值会趋于相等.但若被处理的图像某颜色成分较多时,则不满足此假设,处理结果则会趋于灰色[7].虽然MSRCR 考虑到颜色的相关性,但基于“灰度世界假设”的颜色复原函数的提出尚缺乏严格的神经生理学理论支持,并未保持色调恒定,存在颜色偏移甚至失真.在RGB 空间三维矢量[R,G,B ]不仅表示了颜色,也包含了亮度信息.如果两个像素点[R 1,G 1,B 1]、[R 2,G 2,B 2]在RGB 空间的值是成比例的,如下式:R 2R 1=G 2G 1=B 2B 1=K (6)那么这两点具有相同的颜色,只是亮度不同,且亮度增量为K .如果增强后的图像和原图满足上式,那么增强后图像的颜色信息保持不变,但整体亮度得到了增强,颜色较原图颜色更加鲜艳,不存在颜色失真问题,如图1所示.图1颜色恒定图(左:原图,右:三通道像素值均放大2倍图)Fig.1Color constant images (Left:original;Right:three-channel pixels with proportional amplifier two times)为了增强整幅图像,需要求得每个像素点的亮度增量,就要得到待增强图像的亮度增益曲线K (x,y ),故先从原图像中提取出亮度分量.HSV 颜色空间的V 分量即为亮度分量,对V 分量的处理可以等效为对RGB 三通道最大值的处理[14],故亮度分量提取如式(7):V (x,y )=max {R (x,y ),G (x,y ),B (x,y )}(7)根据Retinex 理论,亮度分量的反射分量如式(8):V enh =log[V (x,y )]−log[F (x,y,c )∗V (x,y )](8)其中F (x,y,c )为式(1)中的环绕函数,为了提高代码运算效率,高斯滤波采用近似的均值滤波,并采用窗口无关快速均值滤波(Fast mean filter,FMF)算法[15],我们发现,采用FMF 算法,在保证输出图像效果(如图2所示)不变差的基础上,滤波效率提高了约50%(详见表1).上述过程得到增强后的亮度分量在整体上较增强前的亮度分量有了较大的增强,无论是在原图亮度低的部分抑或是亮度高的部分.这样使得彩色图像暗区出现大量的噪声并使亮区由于增强而失去原有的细节.为了解决以上问题,我们提出了增强调整因子S (x,y ),其定义如式(9):S (x,y )=β·sin[π·V (x,y )/255](9)700自动化学报40卷图2采用高斯滤波和FMF算法效果对比Fig.2Visual comparisons of the results obtained by the Gaussianfilter and the FMF algorithm表1采用高斯滤波和采用快速均值滤波算法客观指标对比(图像大小:2000×1312) Table1Comparative evaluations between the Gaussianfilter and FMF algorithm(Images size:2000×1312)室内小孩冲浪均值清晰度熵处理时间(s)均值清晰度熵处理时间(s)均值清晰度熵处理时间(s)原图61.93 1.81 4.92—94.19 2.32 5.14—56.26 3.51 4.73—高斯滤波90.16 4.48 5.34 1.0102.19.23 5.27 1.098.2311.57 5.36 1.0快速均值88.67 6.34 5.350.5103.711.54 5.340.5197.5415.10 5.390.5×Inter(R)Core(TM)i3CPU530@2.93GHz,2.93GHz,4.00GB其中V(x,y)表示待增强亮度值,β表示增强调整因子对亮度的调节幅度,实验表明,选取0.5∼1效果较为理想.增强后的亮度分量乘上调整因子S(x,y),如式(10):V∗enh(x,y)=S(x,y)·V enh(x,y)(10)根据sin正弦曲线的特性,当原亮度图像V(x,y)趋于零或者趋于255时,调整因子S(x,y)趋于0,这样防止对原图暗区过增强而出现大量噪声,同时防止原图亮度比较高的区域增强后失去纹理细节.加入增强调整因子前后对比图如图3所示.在图中暗区,由于过增强出现了噪声现象,如图3(b)中圆圈区域内.通过对图像中不同亮度区域加入不同增强调整因子,消除了此现象(如图3(c)圆圈区域所示).对增强后的亮度分量线性拉伸至0∼255的范围,并求亮度增益曲线,如式(11):K(x,y)=V∗enh(x,y)V(x,y)(11)由式(9)和(10)可以看出当原图像素值越接近255时,所得增强后的像素值越接近0,这样会使得原图高亮区增强后趋于急剧变暗,故为了使图像的亮度增强后不下降,我们将增强后的亮度分量和原图亮度分量比较,取两者中的较大值,即如果K(x,y)<1则取K(x,y)=1.求得亮度增益曲线后,增强后的R,G,B值计算如下:R1(x,y)=R(x,y)·K(x,y)G1(x,y)=G(x,y)·K(x,y)B1(x,y)=B(x,y)·K(x,y)(12)其中R(x,y),G(x,y),B(x,y)为原图的R,G,B值,4期肖进胜等:基于不同色彩空间融合的快速图像增强算法701图3加入增强调整因子前后对比图Fig.3The compared results of the algorithm with and without adjustmentfactor图4光照估计图Fig.4The results of luminance estimationR 1(x,y ),G 1(x,y ),B 1(x,y )为增强后的R,G,B 值.通过基于HSV 空间的处理,在避免色彩失真的情况下,图像整体的色彩对比度及鲜艳度得到了明显的提升.接下来我们对单尺度Retinex 算法进行改进,通过改进环绕卷积函数,消除光晕现象,同时使图像的细节、纹理等信息更加突出.2.2细节增强MSRCR 中的F (x,y,c )为高斯滤波器,c 为其唯一参数,是MSRCR 的关键参数,称之为尺度参数.c 越小时,增强图像的动态压缩范围能力越强,图像中阴暗部分的细节得到较好的增强,但是输出图像颜色失真比较严重;反之c 越大时,输出图像的颜色保真度越好,但动态压缩能力减弱[16].MSRCR 在光照估计步骤中假设图像的光照变化是均匀的,实际情况并非如此.估计光照分量时,在明暗对比强烈的边缘区域,这两部分会相互影响,使得原图较亮处的光照分量可能变暗,同样原图较暗处的光照分量可能变亮,这样便在该区域造成光晕伪影,如图4所示.其中,图4(a)是原图,图4(b)和4(c)是高斯滤波后所得的光照估计,注意白塔和天空交界部分,由于白塔内部亮度比较高,像素值在200以上,而白塔周围的天空的像素值为90左右,这样在光照估计过程中白塔内部会影响到其周围的天空,使得光照估计后周围天空变亮,其像素值达到120左右,而这与没有受此影响的天空所得到的光照估计值相差很大,故在白塔周围有光晕现象.光晕伪影现象产生的根本原因在于通过低通滤波估计光照分量时,滤波窗口内的像素值和中心像素值相差很大,从而使得滤波后该像素与原图该像素的像素值改变过大.前文所提到的反对称双正交小波滤波[4]、最小可觉视差(Just noticeable difference,JND)滤波器[5]、Meylan 等人的自适应非线性滤波[3]以及双边滤波,正是考虑到该问题,均能消除光晕伪影现象,但这些算法计算量过大.为了消除光晕现象,同时保证算法速率和效果,采用9×9高斯滤波窗口来估计光照分量,用9×9高斯滤波窗口的光照估计如图4(c)所示.我们选取白塔和天空交界的某一处,比较其像素值变化情况:将图4中3幅图同一行像素值(x ∈[1240,1385],y =627,约为图4(a)中箭头的位置)的变化如图5所示.从图5中可以看出c =120的高斯模板在交界处天空的像素值要高于原图,而在塔身处又低于原图处的像素值,根据I =R ∗L 得到的反射分量在交界处的像素分布刚好相反,因此会产生光晕现象.经过实验,我们选取9×9的高斯模板,一方面可以消除光晕现象;另一方面,主观效果得到了保证.从图5中也可以看出,经过9×9的高斯模板得到的光照估计分量基本和原图是一致的,从侧面反映了消除光晕的实质.前面提到,采用小尺度的高斯模板,我们可以得到动态范围较好的增强图像,但是其色彩的保真度得不到保障,因此本算法在式(1)的原图部分,引入参数α,得到的反射分量如式(13)所示:R i (x,y )=αlog I i (x,y )−log[F (x,y )∗I i (x,y )](13)702自动化学报40卷其中R i (x,y )表示第i 个颜色分量的反射部分,I i (x,y )表示第i 个颜色分量原图像,α可取1.5∼2,F (x,y )表示通过9×9高斯滤波窗口.得到了反射分量后,按式(4)引入彩色恢复因子,最后按式(5)拉伸至0∼255得到该部分的结果.该部分增强后消除光晕的效果以及和NASA 对比如图6所示.图6(a)为原图,可以看到方框内的白塔与天空交界部分明暗对比强烈.图6(b)和图6(c)分别为采用高斯滤波增强的结果和NASA 增强结果中的白塔部分.图6(c)中可以看到白塔周围有较暗的光晕伪影,而图6(b)中的塔身与天空交界处颜色自然并未出现光晕现象.图5采用不同尺度滤波模板塔身周围像素变化Fig.5The pixels change around the tower using differentscale filtertemplates图6消除光晕对比Fig.6Comparison of eliminating halo artifacts2.3最终输出结果经过以上分析,本文首先在HSV 空间基于单尺度Retinex 理论,用均值滤波模板代替高斯滤波模板,得到了色彩增强图像;然后在RGB 空间,利用单尺度的Retinex,用9×9的高斯模板代替大尺度的高斯模板,同时引入原图像得到了无光晕的细节增强图像;最后将这两部分加权取平均值得到最终输出结果,如式(14)所示:R o (x,y )=b ·R 1(x,y )+(1−b )·R 2(x,y )G o (x,y )=b ·G 1(x,y )+(1−b )·G 2(x,y )B o (x,y )=b ·B 1(x,y )+(1−b )·B 2(x,y )(14)其中R 1(x,y ),G 1(x,y ),B 1(x,y )为色彩增强图像像素的R,G,B 值,R 2(x,y ),G 2(x,y ),B 2(x,y )为细节增强图像像素的R,G,B 值,R o (x,y ),G o (x,y ),B o (x,y )为最终输出图像像素的R,G,B 值,b 的取值范围为:0<b <1,一般取0.5.3实验结果及讨论测试所用计算机配置为:Inter(R)Core(TM)i5-2300********GHz, 2.79GHz, 4.00GB 内存.测试使用的软件环境为VS2005,操作系统为Windows XP.本算法测试图片来自/retinex/pao/news/,及一组相机拍摄的测试图片kodim01∼kodim24,于/graphics/kodak/index.html,及手机拍摄图片/iphone/gallery/和/thread-506641-1-1.html 共107幅.本文选取了其中的四幅图像:男孩这张图片在强光下拍摄,很难同时捕捉到亮处和阴影处的细节;白塔和房屋这两张图片均拍摄于强光下,其阴影处的细节及颜色均已丢失处理不当容易产生光晕,细节不易恢复;太空舱图片的舱内细节由于舱穹顶的反射而丢失,处理不当会无法恢复细节.下面给出本文提出方法的增强结果,并与MSRCR [2]、DCT (Discrete cosine trans-form)算法[12]、HSV-IMSR [13]和NASA 网站处理结果相比较.图7(b)∼(f)分别为采用MSRCR 、DCT 、HSV-IMSR 、NASA(具体的技术细节未公开)以及本文算法处理不同图像的实验效果对比图.从图7中可以看出,MSRCR 处理结果出现了过增强现象,增强后的图像均过饱和;而DCT 算法的处理结果会有一部分的颜色过增强问题,并且图像清晰度不高,由于采用8×8的DCT 变换,还会产生块状效应;而HSV-IMSR 的处理结果整体颜色偏淡,由于算法中有饱和度增强的部分,故易在暗区产生色斑噪声;NASA 的处理结果并未出现颜色失真问题,并且在动态范围压缩以及暗处的增强效果都比较好,但其缺点在于放大了图像的噪声,如图7(e)第一幅图的男孩身后的轮胎处出现了原图没有的噪声,且有光晕伪影的现象,再如图7(e)第二幅图中白色塔身周围出现了一圈光晕.本文所提出的算法的两个部分均采用了单尺度的算法,主观视觉效果上图像整体的饱和度略差于NASA 结果,但是本算法效率得到了极大的提高,算法效果不仅不存在色彩失真而且消除了光晕伪影现象.在暗区细节的显示上较NASA 的结果更加明显,另外消除了增4期肖进胜等:基于不同色彩空间融合的快速图像增强算法703图7各算法效果对比图Fig.7Comparison of different algorithms results 强所产生的噪声,并且在图像对比度上也不逊于NASA的处理结果.图像清晰度是对图像微小细节表现能力的一个反映,可采用平均梯度法来衡量:Λ=R−1i=1C−1j=1(Z i,j−Z i+1,j)2+(Z i,j−Z i,j+1)22(R−1)(C−1)(15)其中,Z i,j为第i行第j列的像素值;R和C为图像的行数和列数.图像的结构相似性评价指标(Structural simi-larity index measurement,SSIM)用来衡量两幅图像的相似度,用式(6)来计算:SSIM(x,y)=(2µxµy+C1)(2σxy+C2)(µ2x+µ2y+C1)(σ2x+σ2y+C2)(16)其中,µx,µy分别是两幅图像均值,σx,σy分别是两幅图像标准差,σxy是两幅图像的协方差,C1,C2是常量.接下来给出本文实验对比算法的客观指标(包括熵、清晰度、均值以及SSIM值)及各算法的效率统计,分别见表2∼4,其中表4是对107幅图片的统计结果平均值.由表2的测试结果可知,对于图7中的图片,本文算法得到的图像的熵、清晰度、均值等客观指标整体表现较好.对于部分原始图像极暗、主观效果很差的测试序列,本文算法对图像的整体增强以及细704自动化学报40卷表2不同色彩增强算法效果客观测试Table2Different color enhancement algorithms objective test results原图MSRCR DCT HSV-IMSR NASA本文算法熵 5.078 5.039 5.090 5.028 4.685 5.228男孩清晰度 2.980 6.599 5.381 4.579 5.7567.870均值75.243107.396114.53117.550115.049112.33SSIM—–0.0170.0150.0740.0880.031熵 4.584 5.001 4.914 5.009 4.970 5.042白塔清晰度 2.0737.818 5.593 5.3858.4228.594均值57.237105.92997.668104.138110.339111.17SSIM—–0.0580.0500.0860.0350.041熵 4.860 5.340 5.294 5.334 5.349 5.374房屋清晰度 4.27511.2579.9918.84712.05214.094均值57.956109.248107.252112.63893.190116.043SSIM—–0.0220.0470.0450.1450.048熵 4.911 5.324 5.242 5.342 5.157 5.381太空舱清晰度 1.6657.183 4.750 4.802 6.234 6.674均值68.244102.11107.39112.17114.15110.47SSIM—–0.0200.0030.0580.0100.028表3不同算法速度客观测试Table3The speed of different algorithms处理时间(ms)MSRCR DCT HSV-IMSR本文算法男孩14375656700300白塔14384750705296房屋14225360703299太空舱14234850702297表4所有测试图片的平均指标Table4The average index of all test images 平均指标熵清晰度均值SSIMMSRCR 5.023 6.970116.0310.087DCT 5.0758.263115.5200.044 HSV-IMSR 5.1378.345118.7390.298本文算法 5.10811.028121.8040.311节信息的增加要多于对比算法,会出现SSIM值低于对比算法的现象.由表3可知,本文算法的速度效率优于对比算法.从表4可以看出,本文算法总体上除了熵值略低于HSV-IMSR算法外,其他不论是图像的清晰度,均值和SSIM值均优于对比算法,达到了改善算法效果的目的.本文在MSRCR基础上,对其大高斯卷积模板进行了改进.MSRCR中有3个高斯模板,模板的标准差大小分别为:σ1<50,50<σ2<100,σ3> 100.如果采用高斯卷积的方法进行计算,运算量是巨大的.因此,本文在单尺度Retinex基础上用FMF算法代替高斯滤波,有效提高了算法效率.其次,在2.2节采用小尺度的改进高斯滤波模板和查表算法,有效降低了算法时间复杂度.从统计结果表2、表3中也可以看出,本文在Retinex理论的基础上进行了改进,不仅使效率和客观指标的有提高,而且也保证了主观质量的效果.4结论针对基于MSRCR常见的几种问题:色彩失真、噪声及光晕伪影现象,本文提出了相应的改进算法,实验结果表明本文算法基本解决了这几个问题.并且主观效果、客观指标和算法的效率也有较大的提高.References1Jobson D J,Rahman Z,Woodell G A.Properties and per-formance of a center/surround retinex.IEEE Transactions on Image Processing,1997,6(3):451−4622Jobson D J,Rahman Z,Woodell G A.A multiscale retinex for bridging the gap between color images and the human observation of scenes.IEEE Transactions on Image Process-ing,1997,6(7):965−9763Meylan L,Susstrunk S.High dynamic range image render-ing with a retinex-based adaptivefilter.IEEE Transactions on Image Processing,2006,15(9):2820−2830。
图像处理中的色彩增强算法研究
图像处理中的色彩增强算法研究随着数字相机的普及和图像处理技术的发展，图像处理已经成为人们日常生活中不可或缺的一部分。
色彩增强算法是图像处理中最重要的一种方法之一。
通过色彩增强，可以改善图像的视觉效果和图像的可视性，使图像更具观赏性和可读性。
本文将介绍一些常见的色彩增强算法的原理及其应用。
灰度拉伸算法灰度拉伸算法（GRE）是一种最基本的色彩增强技术。
该算法可以通过调整图像的灰度级范围来提高图像的对比度。
GRE算法可以通过下面的公式来描述：g(x,y) = (f(x,y) - f_min) * (L - 1) / (f_max - f_min)其中，g(x,y)表示增强后的像素值，f(x,y)是原图像的像素值，f_min和f_max分别是原图像中的最小灰度值和最大灰度值，L是输出图像的灰度级数。
该算法的优点是简单易懂，而且可以用于各种类型的图像。
但该算法也有一些缺点，例如当图像的对数比较集中时，拉伸后容易产生噪声。
直方图均衡化算法直方图均衡化算法（HE）是一种通过调整图像的直方图来增强图像的方法。
该算法可以将原始图像的灰度级归一化，产生更广泛的光谱分布。
直方图均衡化可以通过下面的公式来描述：h(v_i) = round((cdf(v_i) - cdf_min) / (M * N - cdf_min) * (L - 1))其中，h(v_i)是对灰度值为v_i的像素进行处理后的像素值，cdf是灰度值小于等于v_i的像素所占比例，cdf_min是所有像素所占比例，M * N是图像的像素总数。
该算法的优点是可以大大改善图像的对比度，适用于各种类型的图像。
但该算法也容易导致图像的一些细节信息的丢失。
自适应直方图均衡化算法自适应直方图均衡化算法（AHE）是一种能够有效克服直方图均衡化算法的缺点，同时保留图像细节的算法。
AHE算法将图像分成若干个块，并对每个块进行直方图均衡化处理。
由于每个块的大小不同，因此可以在保持较高对比度的同时保留图像细节。
基于色彩空间分解的低照度图像增强方法
基于色彩空间分解的低照度图像增强方法王鹏1，宋存利1，2，纪守用1（1.大连交通大学软件学院，辽宁大连116028；2.人工智能四川省重点实验室，四川自贡643000）收稿日期：2020-12-20基金项目：人工智能四川省重点实验室开放基金项目（2020RYJ04），辽宁省自然科学基金资助项目（20180551020），辽宁省教育厅资助项目（JDL2019011）。
通信作者：宋存利女，（1975-），副教授，博士。
主要研究方向：计算机视觉、生产调度、智能算法。
0引言经典的图像增强技术分为频率域法和空间域法，频率域法[1-3]主要用于去除或减弱噪声并有效增强细节，算法复杂度低、效率高；空间域法[4-6]主要是依据图像像素建立数学模型，算法通过对不同属性的像素操作进而实现图像增强。
1971年，Land 等人[7]提出Retinex 算法，指出物体的反射情况决定了视觉系统对物体色彩的感知结果。
2014年Li 等[8]提出了一种基于加权引导滤波的Retinex 算法，将权重设置为自适应因子，从而降低噪声，改善图像的清晰度和平滑程度。
但从效果来看，图像细节对比度不高，降噪效果也不明显。
2016年，为了更有效地在可变光照条件下进行人脸识别，杜明等人[9]提出根据频率原理，将图像信息分为高频和低频两部分，并结合单尺度Retinex 算法各自进行处理。
2017年，Guo 等人[10]为了有效改善低亮度图像的图像质量，使用加权L1范数正则化代替原有Retinex 算法中照度分量的估计，该方法对图像亮度有较大提升。
2018年Jie 等人[11]将引导滤波与Retinex 算法结合，采用迭代多尺度的方法对存在光照缺陷图像增强。
Hu Feng 等人[12]设计了一种基于模拟多曝光融合的微光图像增强方法，将Retinex 算法模型和形态学相结合，通过构建一种新的补偿函数，调整图像细节，解决图像光晕等现象，降低了图像的失真率。
一种带图像修补的运动补偿视频插帧方法
一种带图像修补的运动补偿视频插帧方法
贾茜;易本顺;肖进胜
【期刊名称】《四川大学学报（工程科学版）》
【年(卷),期】2015(047)003
【摘要】为了减小运动补偿插帧时的“块效应”,提出一种带图像修补的运动补偿插帧方法.该算法首先采用可变尺寸块的多级双向搜索,“由粗到细”逐级精确修正运动矢量;然后,对已搜索到合适运动矢量的块进行插值补偿,生成初始内插帧;对于仍没有合适运动估计结果的块并不生硬的内插,而是利用图像修补(image inpainting)技术进行填充,从而得到最终完整的内插帧.实验结果表明,该方法内插帧的主、客观质量较之对比算法均有所提高,且算法复杂度低,实用性强.
【总页数】6页(P77-82)
【作者】贾茜;易本顺;肖进胜
【作者单位】武汉大学电子信息学院,湖北武汉430072;武汉大学电子信息学院,湖北武汉430072;武汉大学电子信息学院,湖北武汉430072
【正文语种】中文
【中图分类】TN911.73
【相关文献】
1.一种适用于遮挡问题的运动补偿帧插值方法 [J], 赵建伟;王朋;刘重庆
2.一种压缩视频流的视频分段和关键帧提取方法 [J], 王凤领;
3.基于深度体素流的模糊视频插帧方法 [J], 林传健; 邓炜; 童同; 高钦泉
4.基于混沌序列的短视频图像帧间运动补偿方法 [J], 刘东亮;田鉴;刘哲军
5.基于混沌序列的短视频图像帧间运动补偿方法 [J], 刘东亮;田鉴;刘哲军
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Lab色彩空间和色调映射的彩色图像增强算法
基于Lab色彩空间和色调映射的彩色图像增强算法赵军辉;吴玉峰;胡坤融;蒲斌【期刊名称】《计算机科学》【年(卷),期】2018(045)002【摘要】针对低照度图像对比度增强处理中的细节保留和色彩恒常问题,提出一种新颖的基于Lab色彩空间和色调映射的Retinex图像对比增强算法.首先,在Lab色彩空间中将一个低对比度的输入图像分解成亮度和色度分量,并使用自适应双边滤波估计照明的强度,以便根据亮度和颜色值来考虑合适的相邻像素.然后利用基于抛物线的色调映射函数来提高估计光照图像的对比度.最后,将加强的亮度和原始的色度结合在一起以产生一个增强的彩色输出图像.实验结果表明,所提算法通过减弱图像伪影增强了图像的细节和边缘结构,同时通过避免色彩偏移较好地保留了图像的自然度.%According to the detail preserving and color constancy problems in the low illumination image enhancement processing,this paper proposed a novel Retinex enhancement algorithm based on Lab color space and color mapping image contrast.Firstly,the input image of Lab color space with a low contrast is decomposed into luminance and chrominance components,and adaptive bilateral filtering is used for estimation of illumination intensity,so that appropriate adjacent pixels can be considered according to the brightness and color values.Then the tone mapping function based on the parabola is used to improve the contrast of the estimation of illumination image.Finally,the enhanced brightness and the original chroma are combined together to produce an enhancedcolor output image Experimental results show that the proposed algorithm can enhance the image details and edge structure by reducing the image artifacts,and can preserve the image's nature by avoiding the color shift.【总页数】4页(P297-300)【作者】赵军辉;吴玉峰;胡坤融;蒲斌【作者单位】临沂大学(沂水校区)计算机系山东沂水276400;北京理工大学软件学院北京100081;西南林业大学计算机与信息学院昆明650224;西华师范大学计算机学院四川南充637009【正文语种】中文【中图分类】TP391【相关文献】1.基于HSI色彩空间的低照度图像增强算法 [J], 宋瑞霞;李达;王小春;2.基于HSI色彩空间的低照度图像增强算法 [J], 宋瑞霞;李达;王小春3.基于不同色彩空间融合的快速图像增强算法 [J], 肖进胜;单姗姗;段鹏飞;涂超平;易本顺b色彩空间的Retinex轮对踏面图像增强算法 [J], 王永胜;宋子彬;校美玲;马增强b色彩空间的Retinex轮对踏面图像增强算法 [J], 王永胜;宋子彬;校美玲;马增强;因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于视觉特性的彩色图像增强算法
一种基于视觉特性的彩色图像增强算法束代群;朱浩;盛惠兴;李庆武;周军【期刊名称】《计算机与现代化》【年(卷),期】2014(0)2【摘要】To enhance the dark areas of an image , a novel algorithm to enhance the color image based on global and local adapta -tion of the human visual regulation principles is proposed .The algorithm mainly consists of three parts:a preliminary global lumi-nance adjustment followed by local contrast enhancement and color restoration .The global luminance adjustment increases the lu-minance of darker pixels based on nonlinear adaptive histogram stretching .The local contrast enhancement adjusts the intensity of each pixel based on its relative magnitude , which is based on its correlation between relative magnitude and the output of its neighboring pixels .Then an adaptive nonlinear color restoration process is applied to convert the enhanced intensity image back to a color image.The contrast experimental results based on a large set of images indicate that , the proposed image enhancement al-gorithm is adaptive , effective and rapid .%为了增强图像暗区域部分，基于人类视觉系统的全局和局部自适应调节原理，提出一种彩色图像增强方法。
HSV色彩空间的Retinex结构光图像增强算法
HSV色彩空间的Retinex结构光图像增强算法秦绪佳;王慧玲;杜轶诚;郑红波;梁震华【期刊名称】《计算机辅助设计与图形学学报》【年(卷),期】2013(025)004【摘要】In structured light geometry reconstruction, as the projecting modes and lighting conditions are complex and changeful, detail information in dark areas are usually lost in the result images. An improved Retinex algorithm are proposed based on HSV color space with color restoration and color saturation correction strategy. According to the requirement of color retain, the algorithm includes following steps. Firstly, an input color image is converted from RGB color space into HSV color space. Then the traditional multi-scale Retinex algorithm is applied only to V-component through the analysis of HSV color space model. At the same time, the coefficient of correlation is used to adaptively adjust the S-component base in the enhancement of V-component. Finally by transforming HSI model into RGB model, the enhanced color image with color restoration is obtained. Experimental results show that, the algorithm used in structured light stripe image enhancement, the color of the structured light image is maintained and the detail information is enhanced very well, which is more favorable to follow-up stripe information extraction and automatic coding.%在结构光几何重建中,由于拍摄方式和场景照明情况的复杂多变,使得产生的图像可能会因为光线的亮暗不均造成图像细节的缺失.为此,提出一种基于HSV色彩空间变换的带颜色恢复Retinex算法和色彩饱和度校正策略.针对颜色保持的需要,首先将传统RGB空间上的多尺度Retinex算法转换到HSV颜色空间；然后通过分析HSV颜色空间模型来增强模型中的V分量,同时利用相关系数使S分量随着V分量的增强进行自适应调整；最后将HSV模型转换到RGB空间,使增强后的图像颜色得到保持.实验结果表明,该算法应用于结构光条纹图像的增强中将使结构光图像在颜色得到保持的同时细节信息也得到了增强,更利于后续条纹信息的提取及自动编码.【总页数】6页(P488-493)【作者】秦绪佳;王慧玲;杜轶诚;郑红波;梁震华【作者单位】浙江华震三维数字化工程有限公司嘉兴314100【正文语种】中文【中图分类】TP391【相关文献】1.方向场和频率场约束的结构光条纹图像增强算法 [J], 郑红波;徐玲玲;杜轶诚;秦绪佳;陈嵩辉2.HSV色彩空间下三边滤波的Retinex图像增强算法 [J], 李志龙3.HSV色彩空间下三边滤波的Retinex图像增强算法 [J], 李志龙4.基于分数阶改进Retinex低光图像增强的仪表检测算法 [J], 田继祥;王硕禾;张冰华;金格;牛江川5.肺炎X光图像增强分类识别技术:基于改进Retinex算法 [J], 刘海龙;马波因版权原因，仅展示原文概要，查看原文内容请购买。
基于各向异性热扩散方程的多聚焦图像融合算法
基于各向异性热扩散方程的多聚焦图像融合算法涂超平;肖进胜;杜康华;易本顺【期刊名称】《电子学报》【年(卷),期】2015(043)006【摘要】本文根据多聚焦图像的光学成像原理,利用各向异性热扩散方程来估计图像深度信息,并讨论一种基于深度信息提取的多聚焦图像的融合算法.算法首先对两幅多聚焦图像进行光学成像过程的模拟,分别建立正向区域的热扩散方程,通过对热扩散方程的迭代求解估计出图像场景的深度信息.然后对深度信息进行自适应的区域划分,分别得到每幅图像的清晰区域,模糊区域和中间过渡区域.最后通过提取清晰区域的像素点,融合过渡区域的像素点实现多聚焦图像的融合.理论推导和实验验证表明,本方法能够克服常用算法中出现的块效应和人工痕迹,是一种有效的图像融合算法.【总页数】8页(P1192-1199)【作者】涂超平;肖进胜;杜康华;易本顺【作者单位】武汉大学电子信息学院,湖北武汉430072;武汉大学电子信息学院,湖北武汉430072;武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079;武汉大学电子信息学院,湖北武汉430072;武汉大学电子信息学院,湖北武汉430072【正文语种】中文【中图分类】TP391Z.41【相关文献】1.规则化各向异性热扩散方程在SAR图像分割中的应用 [J], 王子路;李智勇;粟毅2.基于各向异性热扩散方程的SAR图像分割方法 [J], 高贵;计科峰;匡纲要;李德仁3.基于超分辨率的多聚焦图像融合算法研究 [J], 曹军; 陈鹤; 张佳薇4.基于超像素级卷积神经网络的多聚焦图像融合算法 [J], 聂茜茜;肖斌;毕秀丽;李伟生5.基于导向滤波的多聚焦图像多阶特征融合算法 [J], 蒋德勇;李俊;赵新胜;陈舒娅因版权原因，仅展示原文概要，查看原文内容请购买。
一种高精度遥感影像配准融合方法
一种高精度遥感影像配准融合方法
林卉;赵长胜;肖剑平
【期刊名称】《江南大学学报（自然科学版）》
【年(卷),期】2005(004)004
【摘要】介绍了一种实用的高精度遥感影像配准、纠正、融合方法. 该方法将数字摄影测量技术应用于遥感影像定量化处理,不仅解决了长期困惑遥感信息定量化处理的理论和实际应用问题,而且为大规模生产提供了实用的手段,使遥感信息定量化处理步入实际应用的新阶段.
【总页数】4页(P371-374)
【作者】林卉;赵长胜;肖剑平
【作者单位】徐州师范大学,国土信息与测绘工程系,江苏,徐州,221116;徐州师范大学,国土信息与测绘工程系,江苏,徐州,221116;武汉市勘测设计研究院,湖北,武汉,430022
【正文语种】中文
【中图分类】TP75
【相关文献】
1.G SSAC：一种用于遥感影像配准的误匹配点检测方法 [J], 单小军;唐娉;郑柯
2.一种高精度的干涉雷达复数影像配准方法 [J], 张登荣;俞乐
3.一种利用相位信息的异源遥感影像配准方法 [J], 舒建英;白兰东;李中华;叶沅鑫
4.一种利用点特征和互信息的多源遥感影像配准方法 [J], 周浩;叶沅鑫;王蕾
5.一种基于组合特征的异源遥感影像配准方法 [J], 李力;纪松;于英;张永生
因版权原因，仅展示原文概要，查看原文内容请购买。
HSV色彩空间的Retinex结构光图像增强算法
HSV色彩空间的Retinex结构光图像增强算法1. 绪论1.1 课题背景和研究意义1.2 相关研究综述1.3 研究内容和目标1.4 论文结构安排2. HSV色彩空间简介2.1 HSV色彩模型原理2.2 HSV色彩空间与RGB色彩空间的关系2.3 HSV色彩空间在图像增强中的应用3. Retinex算法基础3.1 Retinex算法的概念和原理3.2 常见的Retinex算法分类3.3 模型构建和实现过程4. 结构光图像增强算法4.1 结构光原理与方案4.2 基于Retinex的结构光图像增强算法设计4.3 算法流程和实现步骤5. 实验与结果分析5.1 数据集的构建和说明5.2 实验结果分析和评价5.3 与其他算法的比较分析6. 结论和展望6.1 研究工作总结6.2 论文贡献和创新点6.3 后续研究方向和发展趋势HSV色彩空间的Retinex结构光图像增强算法是一种被广泛应用于图像处理领域的算法。
本章节将从课题背景和研究意义、相关研究综述、研究内容和目标以及论文结构安排四个方面展开论述。
在现代计算机视觉和图像处理领域中，图像增强技术是一种十分重要的技术，可以通过提高图像的质量实现更准确、更可靠和更稳定的图像分析和图像识别任务。
在这个技术领域中，Retinex算法是一种常用的图像增强算法，它可以通过增强图像的色彩和亮度等特征来改善图像质量。
同时，基于结构光的图像增强技术也被广泛应用于图像领域，其中结构光可以通过光的投射和反射等方式来改变图像的色彩和亮度等特征。
因此，研究HSV色彩空间的Retinex结构光图像增强算法的意义和价值就在于实现更好的图像增强效果和更可靠、更精准的图像分析和识别任务。
在相关研究综述方面，研究者们已经提出了许多不同类型的图像增强算法和技术，包括Retinex算法、结构光图像增强技术和基于HSV色彩空间的图像增强技术等。
这些算法和技术已经得到了广泛的应用和探索，但仍存在许多问题和限制。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
肖进胜, 单姗姗, 段鹏飞, 涂超平, 易本顺. 基于不同色彩空间融合的快速图像增强算法. 自动化学报, 2014, 40(4):
10.3724/SP.J.1004.2014.00697
A Fast Image Enhancement Algorithm Based on Fusion of Different Color Spaces
698
自
动
化
学
报
40 卷
Байду номын сангаас
Retinex 算法一定程度上缓解了单尺度 Retinex 算 法的天生缺陷, 既可以保持图像色彩的保真度, 又 能保证图像的细节不至于丢失. Jobson 等人引入 色彩恢复的概念, 利用原图各波段的色彩比例因子 对图像进行色彩恢复, 提出了带色彩恢复的多尺度 Retinex 算法 MSRCR[2] , 对彩色空间的选择没有太 多的要求, 使用起来更加灵活. 但是该算法在明暗对 比强烈的边缘处, 会出现光晕伪影现象, 并有部分色 彩失真现象. 近几年就如何解决光晕伪影及色彩失真现象, 很多学者进行研究并提出解决方案. 根据算法处理 色彩空间的不同, 大致可以分为基于 RGB 空间的算 法和基于 HSV 空间的算法. 基于 RGB 空间的算法, 有通过改进环绕函数来实现的 (例如, Meylan 等人 提出的结合 PCA 方法的自适应的非线性滤波器[3] ; 迟健男等人提出的基于反对称双正交小波重构方法 的滤波器[4] ; Choi 等人提出的基于恰辨差异 (Just noticeable difference, JND) 的非线性滤波器[5] ; 文 献 [6] 使用基于低阶技术和重叠平均的图像滤波方 法, 对单幅灰度或彩色图像进行视觉增强), 也有对 算法整体进行改进的 (例如, Bo Li 等人提出通过反 射分量来获取细节部分, 利用像素及其周围像素的 光照分量来保持场景的自然性[7] ; 还有作者将一幅 图像分成不同的照度区域, 进行不同的处理[8] ; 文献 [9] 结合参量自适应的非线性函数调整亮度, 依据色 调恒定的理论保持增强后图像的颜色); 也有作者基 于灰色调算法的灰度图像假设, 利用有效像素的灰 度级范围, 消除灰化效应和光晕效应[10] , Hanumantharaju 等人提出了一种改进的色彩恢复算法, 在算 法的主观效果及算法效率上均有一定改善[11] . 基于 HSV 空间的改进算法主要有: Mukherjee 等人提出 了一种基于 DCT 的算法, 在 HSV 空间不仅对亮 度分量 V 做处理, 还通过调节色度分量, 来改善增 强图像的饱和度等[12] ; Yu 等人提出一种基于 HSV 色彩空间的 (HSV-integrated multi-scale retinex, HSV-IMSR) 算法, 通过增强后的亮度分量 V 来调 整饱和度来消除色彩失真问题及光晕现象[13] . 在以 上这些算法中, 文献 [3−6, 8, 10, 13] 均可以达到消 除光晕的效果, 但是这些算法未考虑算法的复杂度. 本文受以上算法的启发, 针对传统的 MSRCR (Multi-scale Retinex with color restoration) 算法 易产生的光晕伪影问题, 采用了改进的高斯模板, 在 保证处理效果的基础上, 消除了 MSRCR 算法中的 高斯模板引起的光晕伪影现象, 同时提高了算法效 率; 同时本文在基于灰度世界 (Gray world) 假设理 论的基础上, 采用了基于 HSV 空间的色彩增强理 论, 在保持图像鲜艳度的同时, 避免色彩失真现象; 经典算法对于部分图像在亮度低或亮度高的部分,
强技术, 可以使图像获得更佳的视觉效果, 提高人眼 对信息的辨别能力. 现有的图像增强技术根据其处 理所在的空间不同, 可以分为基于空域的方法和基 于变换域的方法两类. 为了提高图像的视觉效果, 恰当的模拟人眼视觉系统成为研究的关键. Retinex 理论是一种基于空域的图像增强方法, 该理论模拟 人类大脑视觉皮层的成像原理, 建立了简化的图像 形成模型. 20 世纪 70 年代, Edwin Land 系统地提 出了 Retinex 模型, 并将其应用到图像增强. 90 年 代, Jobson、Rahman 和 Woodell 等人在 Land 中 心/环绕 Retinex 基础上提出了单尺度的 Retinex 算法[1] , 采用高斯卷积函数来估算图像的照射分量, 在一个尺度内用加权平均代替原有的像素值, 色彩 保真度和图像的局部细节很难同时保证. 多尺度的
第 40 卷 第 4 期
2014 年 4 月
自 动 化 学 报
ACTA AUTOMATICA SINICA
Vol. 40, No. 4 April, 2014
基于不同色彩空间融合的快速图像增强算法
肖进胜 1, 2 单姗姗 3 段鹏飞 4 涂超平 1 易本顺 1
摘 要 针对现有 Retinex 算法中存在的色彩失真、噪声放大及光晕伪影现象等问题, 本文提出了一种基于 Retinex 理论的 改进算法. 该算法首先在 HSV 空间对亮度分量 V 通道进行增强处理, 同时在拉伸得到的对数域反射分量至一定的动态范围 时 (本文是 0 ∼ 255), 引入增强调整因子, 调整不同亮度值的增强程度来避免噪声放大及色彩失真现象; 然后在 RGB 空间, 通 过分析光晕产生的原因, 提出一种改进的高斯滤波器来消除光晕现象, 并在计算反射分量时, 通过参数调整图像颜色的保真度. 最后, 对上述两种不同颜色空间的处理结果进行加权平均作为算法的最终输出. 实验结果表明, 针对不同光照条件下的图像, 1) 该算法可以明显地改善光晕伪影现象; 2) 无色彩失真、噪声放大等问题; 3) 效果和效率优于带色彩恢复的多尺度 Retinex 算法 (Multi-scale retinex with color restoration, MSRCR) 及其他对比算法. 关键词 引用格式 697−705
XIAO Jin-Sheng1, 2 SHAN Shan-Shan3 DUAN Peng-Fei4 TU Chao-Ping1 YI Ben-Shun1 Abstract A fast image enhancement algorithm based on fusion of different color spaces is proposed to overcome the problems of color distortion, noise amplification, and halo artifacts. Firstly, a single scale retinex is used in channel V of the HSV color space. An enhancement adjustment factor is introduced, when we stretch the calculated reflection in the logarithmic domain into a dynamic range, i.e., 0 ∼ 255. It is used to adjust the enhancement for different pixels. Thus noise amplification and color distortion can be effectively avoided. Then, the improved Gaussian filter is given in the RGB color space by analyzing the cause of the halo effect. This step can eliminate the halo artifact. And a parameter is adopted to keep the color natural of the image when the reflection is calculated. Finally, the weighted average of the outputs of the above two color spaces is taken as the final output of our algorithm. The experiment results show that for images with different lighting conditions, 1) the outputs of our algorithm is free from the halo artifacts; 2) there are no color distortion and noise amplification problems; 3) the quality and the efficiency of the algorithm are superior to the multi-scale retinex algorithm (MSRCR) and other comparison algorithms. Key words Retinex theory, multi-scale retinex with color restoration (MSRCR), halo artifact, image enhancement Citation Xiao Jin-Sheng, Shan Shan-Shan, Duan Peng-Fei, Tu Chao-Ping, Yi Ben-Shun. A fast image enhancement algorithm based on fusion of different color spaces. Acta Automatica Sinica, 2014, 40(4): 697−705
Recommended by Associate Editor DAI Qiong-Hai 1. 武汉大学电子信息学院 武汉 430072 2. 武汉大学测绘遥感信息 工程国家重点实验室 武汉 430079 3. 华为技术有限公司武汉研究所 武汉 430073 4. 江西省邮电规划设计院有限公司 南昌 330000 1. School of Electronic Information, Wuhan University, Wuhan 430072 2. State Key laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079 3. Huawei Technologies Co., LTD., Wuhan Research Institute, Wuhan 430073 4. Jiangxi Province Post and Telecommunications Planning and Design Institute Co., LTD, Nanchang 330000