基于Retinex增强的单幅LDR图像生成HDR图像方法

合集下载

基于Retinex模型的低光照图像增强算法研究

基于Retinex模型的低光照图像增强算法研究基于Retinex模型的低光照图像增强算法研究摘要：随着数字图像的广泛应用，低光照图像增强成为一个重要的研究领域。

本文通过分析Retinex模型原理，针对低光照图像的特点和问题，研究了基于Retinex模型的低光照图像增强算法。

该算法以Retinex模型为基础，通过对图像进行多尺度分解和组合，对低光照图像的亮度和对比度进行调整，从而提高图像的质量。

实验结果表明，该算法能有效地改善低光照图像的视觉效果，提高图像的清晰度和细节。

1. 引言低光照图像一直是数字图像处理领域的一个重要问题。

在低光照条件下，图像的亮度和对比度较低，色彩饱和度不高，导致图像的细节无法清晰显示，影响图像的观感和质量。

因此，低光照图像增强一直是一个研究的热点。

2. Retinex模型原理Retinex是一种用于图像增强的经典算法，主要基于人眼视觉系统的特性。

该模型认为人眼在看到同一个场景时，会根据不同的亮度来调整自身的适应性。

Retinex模型通过模拟人眼的适应过程，对图像进行亮度和对比度的调整，从而增强图像的质量。

Retinex模型主要包括两个部分：多尺度分解和组合。

3. 基于Retinex模型的低光照图像增强算法基于Retinex模型的低光照图像增强算法主要包括以下几个步骤：（1）图像预处理：首先，对低光照图像进行预处理，包括降噪、去除阴影等操作，以提高图像的质量。

（2）多尺度分解：将图像分解为不同尺度的图像，通过对图像进行高斯滤波和下采样，得到不同尺度的图像。

（3）亮度调整：对每个尺度的图像进行亮度调整，提取图像中的亮度信息，去除图像中的噪点和阴影。

（4）对比度调整：对调整后的图像进行对比度增强，使图像的细节更加明显。

（5）多尺度图像的组合：将调整后的图像进行多尺度重建，得到增强后的图像。

4. 实验结果与分析我们使用了一组低光照图像进行实验，比较了基于Retinex模型的低光照图像增强算法与其他经典算法的效果。

基于 Retinex 理论的图像增强算法

第2 期
李学明 : 基于 Retinex 理论的图像增强算法
・ 235・
基于 Retinex 理论的图像增强算法 *
李学明
( 北京邮电大学信息工程学院 , 北京 100876 ) 摘要 : 这种增强算法首先依据像素的 R, G, B 分量将输入的彩色图像被分解成为三幅图像 , 代表场景中波长
计算机应用研究
2005 年
较暗的图像 , 可以消除光源非均匀性的影响 , 提高图像的对比度, 大幅度改善图像的主观质量。此外 , 这种方法还可以纠正由于光源的偏色而导致的图像色彩失真问题。依据 Retinex 的色彩理论 , 我们提出了一种实现图像增强的方法 , 这种方法主要包括以下几个步骤 : ( 1) 数据准备。如果输入图像为彩色图像 , 则将其划分为 R, G, B 三个波段 ; 将每个像素的值由整数转换为浮点数。 ( 2) 计算每个波段内相对明暗感觉。 ( 3) 数据显示。将每个波段内像素间的相对明暗关系确定的色彩值转换为 RGB 值以便能在现有的设备中显示和使用。 1. 1 图像数据准备数据准备部分主要完成输入数据的格式变换。 Retinex 理论认为人眼对输入的信息是按照长波、中波和短波三个波段单独处理的。如果输入图像是彩色图像 , 那么我们也需要将一幅输入图像分解为长波、中波和短波三个波段 , 这刚好与图像的 R, G, B 三个分量相对应。数据准备的任务就是将输入图像分解为 R, G, B 三幅图像。具体方法是 : 所有像素的 R 分量构成第一幅图像 , G 分量构成第二幅图像 , 而 B 分量则构成第三幅图像。它们分别表示三个波段内的反射光的强度。接下来我们要对每个波段内的数据分别进行处理。由于后续的处理需要计算像素间的相对明暗关系, 这会涉及到浮点运算。为保证运算精度 , 在数据准备阶段, 我们需要将整数格式的像素值转换为浮点数。 1. 2 计算机每个波段内的相对明暗关系这个步骤是整个算法的核心。假定从图像的 ( x1 , y1 ) 位置到( x2 , y2 ) 位置的有一条路径。该路径上共有 N 个像素, 它们的值分别为 ( d1 , d2 , … , dn ) 。那么起点 S( x1 , y1 ) 和终点 D( x2 , y2 ) 的相对明暗关系可以用连续相乘法来计算 [ 1] , 即表示为

基于Retinex理论的低照度图像自适应增强算法

基于Retinex理论的低照度图像自适应增强算法目录1. 内容概览 (3)1.1 研究背景 (3)1.2 研究意义 (5)1.3 文献综述 (6)1.4 本文结构 (7)2. Retinex理论概述 (8)2.1 Retinex理论起源 (8)2.2 Retinex理论核心 (9)2.3 Retinex与其他图像增强算法的区别 (10)3. 低照度图像增强问题分析 (12)3.1 低照度图像的特点 (13)3.2 图像增强的目的与挑战 (13)3.3 现有方法存在的问题 (14)4. 基于Retinex的理论低照度图像自适应增强算法 (15)4.1 算法原理 (16)4.1.1 Retinex与自适应增强的理论联系 (18)4.1.2 算法自适应性的实现手段 (19)4.2 算法关键步骤 (20)4.2.1 光照映射的获取 (21)4.2.2 局部对比度的计算 (22)4.2.3 光照校正和对比度增强 (23)4.3 算法实现细节 (24)4.3.1 光照映射的精确计算 (25)4.3.2 对比度增强的策略 (27)4.3.3 自适应参数的确定 (28)4.4 算法有效性验证 (29)4.4.1 算法精度分析 (30)4.4.2 算法性能测试 (31)5. 实验验证与结果分析 (32)5.1 数据集与实验设置 (34)5.2 对比算法与方法 (35)5.3 实验结果与分析 (36)5.3.1 增强效果 (37)5.3.2 对比算法的比较 (39)5.4 算法存在的问题与改进建议 (40)6. 结论与展望 (42)6.1 研究总结 (43)6.2 未来工作方向 (44)1. 内容概览本文档详细介绍了一种基于Retinex理论的低照度图像自适应增强算法。

该算法旨在解决低照度条件下图像对比度低、细节不清晰等问题，通过自适应地增强图像的亮度和对比度，提高图像的视觉效果。

介绍了Retinex理论的基本原理，该理论认为图像是由光照和反射率两个部分组成的，通过分别处理这两个部分可以实现图像的增强。

基于Retinex理论的低光图像增强算法

第40卷第6期Vol.40㊀No.6重庆工商大学学报(自然科学版)J Chongqing Technol &Business Univ(Nat Sci Ed)2023年12月Dec.2023基于Retinex 理论的低光图像增强算法史宇飞,赵佰亭安徽理工大学电气与信息工程学院,安徽淮南232001摘㊀要:为了解决低光照图像存在的对比度低㊁噪声大等问题,提出一种基于Retinex 理论的卷积神经网络增强模型(Retinex-RANet )㊂它包括分解网络㊁降噪网络和亮度调整网络3部分:在分解网络中融入残差模块(RB )和跳跃连接,通过跳跃连接将第一个卷积层提取的特征与每一个RB 提取的特征融合,以确保图像特征的完整提取,从而得到更准确的反射分量和光照分量;降噪网络以U-Net 网络为基础,同时加入了空洞卷积和注意力机制,空洞卷积能提取更多的图像相关信息,注意力机制可以更好地去除反射分量中噪声,还原细节;亮度调整网络由卷积层和Sigmoid 层组成,用来提高光照分量的对比度;最后将降噪网络去噪后的反射分量和亮度调整网络增强后的光照分量融合,得到最终的增强结果㊂实验结果显示:Retinex-RANet 在主观视觉上不仅提高了低光图像的亮度,还提高了色彩深度和对比度,在客观评价指标上,相较于R2RNet ,PSNR 值上升了4.4%,SSIM 值上升了6.1%㊂结果表明:Retinex-RANet 具有更好的低光图像增强效果㊂关键词:低光增强;残差模块;注意力机制;Retinex 理论中图分类号:TP391㊀㊀文献标识码:A ㊀㊀doi:10.16055/j.issn.1672-058X.2023.0006.008㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2022-06-09㊀修回日期:2022-07-20㊀文章编号:1672-058X(2023)06-0061-07基金项目:国家自然科学基金面上项目(52174141);安徽省重点研究与开发计划资助项目(202004A07020043);安徽省自然科学基金面上项目(2108085ME158);安徽高校协同创新项目(GXXT -2020-54).作者简介:史宇飞(1997 ),男,安徽安庆人,硕士研究生,从事图像处理研究.通讯作者:赵佰亭(1981 ),男,山东枣庄人,教授,博士,从事图像处理㊁智能控制研究.Email:btzhao@.引用格式:史宇飞,赵佰亭.基于Retinex 理论的低光图像增强算法[J].重庆工商大学学报(自然科学版),2023,40(6):61 67.SHI Yufei ZHAO Baiting.Low-light Image enhancement algorithm based on Retinex theory J .Journal of Chongqing Technology and Business University Natural Science Edition 2023 40 6 61 67.Low-light Image Enhancement Algorithm Based on Retinex Theory SHI Yufei ZHAO BaitingSchool of Electrical and Information Engineering Anhui University of Science and Technology Anhui Huainan 232001 ChinaAbstract In order to solve the problems of low contrast and high noise of low-light images a convolutional neural network enhancement model based on Retinex theory Retinex-RANet is proposed.It includes three parts the decomposition network the noise reduction network and the brightness adjustment network.The residual module RB and the jump connection were incorporated into the decomposition network and the features extracted by the first convolutional layer were fused with each RB extracted feature through the jump connection to ensure the complete extraction of the image features resulting in more accurate reflection and illumination components.The noise reduction network was based on the U-Net network and the cavity convolution and attention mechanism were added at the same time so as to extract more image-related information.The attention mechanism can better remove the noise in the reflected component and restore the details.The brightness adjustment network consists of a convolutional layer and a Sigmoid layer which is used to increase the contrast of the light components.Finally the reflection component after denoising by the noise reduction network and the light component after the brightness adjustment network were fused to obtain the final enhancement result.Experimental results show that Retinex-RANet not only improves the brightness of low-light images in subjective vision but also improves the color depth and contrast.In terms of objective evaluation indicators compared with R2RNet the PSNR value increased by 4.4% and the SSIM value increased by 6.1%.The results show that Retinex-RANet has better重庆工商大学学报(自然科学版)第40卷low-light image enhancement.Keywords low light enhancement residuals module attention mechanism Retinex theory1㊀引㊀言在光照不足㊁不均或者有阴影遮挡等条件下,采集的图像一般都存在噪声过多和对比度弱等问题,而这些问题不但会对图像的品质产生负面影响,还会妨碍一些机器视觉任务的进行㊂对低光照图像进行增强,有助于提高高级视觉性能,如图像识别㊁语义分割㊁目标检测等;也可以在一些实际应用中提高智能系统的性能,如视觉导航㊁自动驾驶等㊂因此,对低光图像增强进行研究是十分必要的㊂低光图像增强方法可分为以下4类:基于直方图均衡化的方法[1],其核心是通过改变图像部分区域的直方图来达到整体对比度提高的效果㊂此类方法可以起到提高图像对比度的作用,但是大多数不够灵活,部分区域仍会出现曝光不足和放大噪音等不好的视觉效果㊂基于去雾的方法[2-3],如一些研究人员[4]利用有雾图像和低光图像之间的相似性,通过已有的去雾算法来增强低光照图像㊂尽管此类方法得到了较好结果,但此类模型的物理解释不够充分,同时对增强后的图像进行去噪可能会导致图像细节模糊㊂基于Retinex理论[5]的方法,其将低光图像分解为光照和反射率两部分,在保持反射率一致性的前提下,增加光照的亮度,从而增强图像㊂此类方法不仅提高了图像的对比度,还降低了噪声带来的的影响,不足之处是要根据经验来人工设置算法的相关参数,并且不能对不同类型图像自适应增强㊂基于深度学习的方法,Lore等[6]提出的LLNet通过类深度神经网络来识别低光图像中的信号特征并对其自适应增强;Wei等[7]提出的Retinex-Net结合Retinex理论和神经网络进行图像增强;Wang等[8]提出的GLADNet先通过编解码网络对低光图像生成全局照明先验知识,然后结合全局照明先验知识和输入图像,采用卷积神经网络来增强图像的细节㊂此类基于深度学习的方法均取得了不错的效果,但是大多数方法在增强过程中并没有对噪声进行有效抑制,从而使得增强后的图像出现噪声大㊁颜色失真等问题㊂为解决这些问题,提出了Retinex-RANet(Retinex-Residuals Attention Net)方法㊂Retinex-RANet首先在分解阶段采用残差模块与跳跃连接,通过跳跃连接将第一个卷积层提取的特征与每一个RB提取的特征融合,从而得到更准确的反分量和光照分量㊂另外,还在降噪网络中加入通道注意力模块和空洞卷积,注意力机制可以更好地去除反射分量中的噪声,还原细节;而空洞卷积能获取更多的上下文信息特征㊂实验结果表明:Retinex-RANet具有更好的低光图像增强效果㊂2㊀模㊀型Retinex-RANet模型框图如图1所示㊂由图1可以看到:整个网络模型由3个子网络组成,即分解网络㊁降噪网络以及调整网络,分别用于分解图像㊁降低噪声和调整亮度㊂具体地说,首先该算法通过分解网络将低光照图像S l和正常光图像S h分解为反射分量(R l㊁R h)和光照分量(I l㊁I h),然后降噪网络将分解的反射分量R l作为输入,并使用光照分量I l作为约束来抑制反射分量中的噪声,同时将光照分量I l送入调整网络,来提高光照分量的对比度,最后融合Rᶄ和Iᶄ得到增强后的图像㊂输入Sh分解网络反射分量Rh光照分量Ih反射分量Rl光照分量Il分解网络输入Sl降噪网络调整网络输出R′I′Conv+ReluConv+ReluConv+ReluConvSigmoid图1㊀Retinex-RANet模型结构图Fig.1㊀Retinex-RANet model structure diagram2.1㊀分解网络基于Retinex理论方法的关键是在分解阶段如何得到高质量的光照分量和反射分量,而分解后的结果对后续的增强和降噪操作都会产生影响,因此,设计一个有效的网络对低光图像进行分解是很有必要的㊂分解网络结构如图2所示㊂输入Sl33Conv+Relu3?3Conv+Relu3?3Conv+Relu3?3Conv+Relu3?3Conv+Relu3?3Conv3?3Conv+Relu3?3Conv+Relu3?3Conv+Relu1?1Conv+Relu1?1Conv+Relu跳跃连接S C反射分量Rl光照分量IlS i g m o i d R BR B R B R B图2㊀分解网络Fig.2㊀Decomposition network在分解网络结构中,为了使深度神经网络在训练26第6期史宇飞,等:基于Retinex 理论的低光图像增强算法阶段更容易优化,使用3个残差块(RB)来获得更好的分解结果㊂首先使用3ˑ3卷积提取输入低光图像S l 的特征;然后再经过3个RB 模块提取更多的纹理㊁细节等特征,同时为了减少底层颜色㊁边缘线条等特征的丢失,引入了跳跃连接,即将第一个卷积层的输出连接到每一个RB 的输出,保证特征的充分提取;最后通过3ˑ3ˑ4的卷积层和sigmoid 函数激活,从而得到3通道的反射分量和1通道的光照分量㊂2.2㊀降噪网络在对低光图像进行增强的过程中,大多数基于Retinex 理论的方法在得到分解结果后都忽略了噪声的影响,这会导致最终的增强结果受到反射分量中噪声的干扰,出现模糊㊁失真等问题㊂为了解决这类问题,设计了如图3所示的降噪网络㊂输入R l 、I lS ES ES ES E S E (D i l a t e dC o n v +R e l u )2m a x p o o l i n g(C o n v +R e l u )?2m a x p o o l i n g(C o n v +R e l u )?2m a x p o o l i n g(C o n v +R e l u )?2m a x p o o l i n g(C o n v +R e l u )?2m a x p o o l i n g(C o n v +R e l u )?2m a x p o o l i n g(C o n v +R e l u )?2m a x p o o l i n g(C o n v +R e l u )?2m a x p o o l i n g(C o n v +R e l u )?2C o n vG l o b a lA v g .p o o lF CF CR e l uS i g m o i dS c a l eW ?H ?CW ?H ?C S i g m o i d输出R ′11C图3㊀降噪网络Fig.3㊀Denoising network㊀㊀在低光增强领域,U-Net 网络由于其优秀的结构设计,被大量网络作为其主要架构和部分架构,因此Retinex-RANet 也采用U-Net 作为降噪网络的基础网络部分㊂降噪网络包含编码和解码两个部分㊂在编码阶段,先融合输入的反射分量和光照分量,然后经过一组由两个3ˑ3的空洞卷积㊁RELU 函数激活和最大池化层组成的编码块,3组均由两个卷积核为3ˑ3的卷积激活层和一个最大池化层组成的编码块来提取特征,从而得到编码阶段的特征图,最后将其送入解码阶段㊂编码过程中,每次通过一个编码块,图像的通道数会翻倍,但是其尺寸会降低一半㊂在解码阶段,由4个相同的解码块组成,结构为3ˑ3的卷积层 RELU 函数激活 2ˑ2的反卷积层㊂受到图像识别中的SENet [9]的启发,将通道注意力模块嵌入到跳跃连接中,以便更好地降低噪声,恢复细节㊂如图3所示:首先将编码阶段采集到的图像特征进行全局平均池化操作,然后经过两个全连接层和两个激活函数,最后和解码阶段的特征图逐通道相乘,此过程可将更多的权重分配给有用的特征,如颜色㊁细节和纹理特征等,同时为噪声㊁阴影快和伪影等特征分配较少的权重;然后融合跳跃连接得到的特征图与反卷积后的特征,之后再进行卷积计算,解码过程中,每次通过一个解码块,图像的通道数会降低一半,但是其尺寸会翻倍;最后使用3ˑ3卷积得到一个3通道特征图,并对其进行sigmoid 函数激活,从而得到降噪后的反射分量㊂2.3㊀调整网络在得到分解后的光照分量后,需要提高其对比度,因此设计了图1中的调整网络㊂此调整网络是一个轻量级网络,包含3个卷积激活层㊁1个卷积层和1个Sigmoid 层,同时为了避免底层信息的损失,通过跳跃连接将输入连接到最后一个卷积层的输出㊂2.4㊀损失函数训练时,3个子网络均单独训练,因此,整个Retinex-RANet 的损失由分解损失L dc ㊁降噪损失L r 和调整损失L i 组成㊂2.4.1㊀分解损失为了更好地从低光图像中分解出反射分量和光照分量,设计了3个损失函数,即重建损失L rec ㊁反射分量36重庆工商大学学报(自然科学版)第40卷一致性损失L rs ㊁光照分量平滑损失L is ,如下所示:L dc =L rec +λ1L rs +λ2L isL rec = S l -R l I l 1+ S h -R h I h 1L rs = R l -R h 22L is =∇I lmax ∇S l ,ε()1+∇I hmax ∇S h ,ε()1其中,λ1和λ2分别为L rs 和L is 的权重系数,S l 和S h 为低光条件和正常光条件下的输入图像,R l ㊁R h 和I l ㊁I h 分别是低光和正常光图像分解后的反射分量和光照分量, 表示逐像素相乘操作, 1表示使用的是L 1范数约束损失, 2表示使用的是L 2范数约束损失,∇表示梯度,为水平梯度与垂直梯度之和,ɛ为一个小的正常数,取0.01㊂2.4.2㊀降噪损失为了保证经过降噪处理后的反射分量和正常光图像的反射分量在结构㊁纹理信息等方面能够保持一致,同时衡量降噪处理后图像与正常光图像之间的颜色差异,降噪网络的损失函数L r 如下所示:L r = R ᶄ-R h 22-SSIM R ᶄ,R h ()+ ∇R ᶄ-∇R h 22+L cR ᶄ为经过降噪处理后的反射率,SSIM ()为结构相似性度量,L c 为色彩损失函数,表达式如下:L c = ΓR ᶄ()-ΓS h () 22其具体含义为先对降噪后的图像R ᶄ和正常光图像S h 进行高斯模糊Γ(),再计算模糊后图像的均方误差㊂2.4.3㊀调整损失为了使调整过后的光照分量与正常光图像的光照分量尽可能相似,调整网络的损失函数L i 如下所示:L i = I ᶄ-I h 22+ ∇I ᶄ-∇I h 22其中,I ᶄ为I l 增强后的图像㊂3㊀实验结果和分析3.1㊀训练数据集实验中的训练集为LOL 数据集[7],该数据集包含500对图像:其中,训练集含485对图像,验证集为剩余15对图像㊂在训练过程中,分解模块和增强模块的批量化大小为16,块大小为48ˑ48,训练次数为2000次,分解网络损失函数的权重系数λ1=0.01,λ2=0.2㊂降噪模块的批量化大小为4,块大小为384ˑ384,训练次数为1000次㊂模型优化方法为随机梯度下降法㊂整个网络模型在CPU 型号为Intel (R )Core (TM )i7-10700K㊁GPU 型号为Nvidia GeForce RTX 2080Ti 的电脑上运行,同时训练框架为Tensorflow1.15,GPU 使用Nvidia CUDA10.0和CuDNN7.6.5加速㊂为了评估Retinex-RANet 的性能,将其与几种传统方法如BIMEF [10]㊁Dong [11]㊁LIME [12]㊁MF [13]㊁MSR [14]和SIRE [15]等,以及深度学习方法,如R2RNet [16]㊁Retinex-Net [7]㊁KinD [17]㊁Zero-Dce [18]等进行比较,并同时在多个数据集上评估了该算法,包括LOL㊁LIME㊁NPE [19]和MEF [20]数据集㊂在实验过程中,均采用原文献所提供的源代码对图像进行训练和测试㊂在评估过程中,采用峰值信噪比(R PSNR [21])㊁结构相似性(R SSIM [22])和自然图像质量评估(R NIQE [23])这3个指标来进行定量比较㊂R PSNR 和R SSIM 值越高,R NIQE 值越低,则增强后图像的质量越好㊂3.2㊀消融实验为了确定Retinex-RANet 的有效性,在KinD 网络的基础上进行消融实验㊂该实验使用LOL 数据集进行验证,同时采用R PSNR ㊁R SSIM 指标来评估增强后图像的质量㊂结果如表1所示,表中RB 表示残差模块,SC 表示跳跃连接,SE 表示注意力模块㊂表1㊀各改进模块的消融实验结果Table 1㊀Ablation experimental results of each improved module序号算法R PSNRR SSIM1KinD16.12450.71132KinD +RB 17.27750.76633KinD +RB +SC17.76050.77934KinD +RB +SC +SE19.01960.78395Ours19.77610.7922表1中序号2给出的是在KinD 网络基础上,使用残差模块作为分解网络时的结果㊂相比于KinD 网络,R PSNR 和R SSIM 均有显著的提升㊂在此基础上加入跳跃连接,见序号3,相较于序号2的结果又有了小幅提升㊂说明在使用残差模块和跳跃连接作为分解网络的情况下,得到了质量更高的分解结果,从而验证了残差模块和跳跃连接的有效性㊂由于3个子网络是单独进行训练的,确定改进的分解网络有用后,在此基础上确定在降噪网络中加入空洞卷积和注意力机制的有用性㊂从序号4的结果可以看出,在加入注意力机制后,图像指标明显上升,这是因为注意力模块能集中学习有用特征,如颜色㊁细节等,从而降低图像中的噪声,阴影等㊂为了获取更多的上下文信息,同时在降噪网络中加入空洞卷积(序号5),相较于序号4的结果有了小幅提升㊂从而确定了Retinex-RANet 的模型即为序号5的模型㊂3.3㊀实验评估各算法在不同数据集上的视觉对比如图4㊁图5所示㊂46第6期史宇飞,等:基于Retinex 理论的低光图像增强算法I n p u t D o n g R e t i n e x N e t Z e r o D ceM S R L I M E S I R E R 2R N etM F K i n DO u r sG r o u n d T r u th图4㊀LOL 数据集上各算法的视觉效果Fig.4㊀Visual effects of each algorithm on the LOL datasetI n p u t D o n g R e t i n e x N e t Z e r o D ceM S R L I M E S I R E R 2R N etM FB I M E F K i n DO u rs图5㊀其他数据集上各算法的视觉效果Fig.5㊀Visual effects of each algorithm on other datasets㊀㊀图4的输入来自LOL 数据集,是非常低亮度的真实世界图像㊂可以看出:Dong㊁Retinex-Net㊁Zero-Dce㊁MSR㊁LIME 的增强结果中存在明显的噪声㊁色差等问题,特别是对Retinex-Net 来说,看起来不像真实世界的56重庆工商大学学报(自然科学版)第40卷图像;SIRE㊁MF和KinD对图像的增量程度有限,增强结果偏暗;R2RNet的增强结果在整体上偏白,存在饱和度过低等问题;相比之下,Retinex-RANet增强后的图片更接近于真实世界图像,有效抑制了噪声,同时能很好地还原图像原有的色彩㊂此外,还在其他数据集上对本模型进行了测试,如图5所示㊂从左上角的细节图像中可以看到:虽然大多数方法都能在一定程度上改变输入图像的亮度,但仍然存在着一些严重的视觉缺陷,比如Dong和Retinex-Net存在噪声和颜色失真问题;Zero-Dce㊁R2RNet和MSR增强后的图像整体偏白,无法看清左上角图像的背景;SIRE和KinD增强后的图像总体偏暗,无法观察脸部细节;Retinex-RANet㊁LIME㊁MF和BIMEF 能相对清晰地观察到脸部细节,但比较左下角图的可知,Retinex-RANet相较于其他算法,增强的亮度适中,轮廓细节更加清晰,色彩更为真实㊂表2显示了在LOL数据集上各算法的评估对比,其中,加黑数字为最优数值㊂LOL数据集中的图像为成对的低光/正常光图像,因此可使用R PSNR和R SSIM 来衡量算法的优越性,同时还引用了R NIQE指标㊂从表中可以看出:在R PSNR和R SSIM指标上,Retinex-RANet相较于其他算法都取得了最高的值,而在R NIQE 指标上,所取得的值略高于KIND和R2RNet算法得到的值㊂因为LIME㊁NPE和MEF数据集只包含低光图像,无对应的正常光图像,所以只使用R NIQE指标来比较各算法之间的差异㊂从表3可以看出:在LIME和NPE数据集上,Retinex-RANet取得了最优值,而在MEF数据集上,所取得的值略高于SRIE算法得到的值㊂表2㊀LOL数据集上各算法的结果对比Table2㊀Comparison of the results of each algorithm on the LOL dataset指标SRIE MSR LIME Dong MF Zero-Dce Retinex-Net KinD R2RNet Ours R PSNR13.348612.097914.758315.263915.667616.361516.731716.124518.934219.7761R SSIM0.39760.36370.33610.34470.36890.52470.43090.71130.75250.7982 R NIQE7.28698.11368.37768.31578.77717.93138.8788 4.6724 3.7657 4.7465表3㊀不同数据集上的R NIQE对比Table3㊀Comparison of R NIQE on different datasets算法LIME-data NPE-data MEF-data SRIE 3.8596 4.1803 3.4456MSR 3.7642 4.0614 3.5654 LIME 3.7862 4.4466 3.7962 Dong 4.0516 4.6952 4.2759MF 4.0673 4.3506 3.5995 Zero-Dce 4.3421 4.6511 3.5532 Retinex-Net 4.8077 4.5712 5.1747 KinD 4.1441 3.933 4.7805 R2RNet 5.2291 4.0191 5.1082Ours 3.4064 3.4984 3.4621综上所述,虽然Retinex-RANet并没有在上述数据集上都取得最好的结果,但仍有一定优势㊂同时,在客观评判指标R SSIM和R PSNR上均取得了最高值㊂因此, Retinex-RANet相较于其他算法,对低光照图像增强后的效果更优㊂4㊀结束语针对低光图像在视觉效果上存在亮度低㊁噪声大以及对比度弱等问题,设计了Retinex-RANet网络模型㊂此模型在分解网络中结合残差模块(RB)和跳跃连接,充分提取图像特征和细节信息;在降噪网络中嵌入空洞卷积和注意力机制,可以获取更多的上下文信息,降低图像中的噪声㊁阴影等;最后将降噪网络去噪后的反射分量和亮度调整网络增强后的光照分量融合,得到最终的增强结果㊂实验表明:与LIME㊁Zero-Dce和R2RNet相比,Retinex-RANet在客观指标R PSNR 和R SSIM上均取得了最高的数值,Retinex-RANet在增强图像的视觉对比上,不仅提高了图像的对比度㊁抑制了噪声,而且明显消除了退化问题,达到了更好的视觉效果㊂66第6期史宇飞,等:基于Retinex理论的低光图像增强算法参考文献References1 ㊀SUBRAMANI B VELUCHAMY M.Fuzzy gray level differencehistogram equalization for medical image enhancement J .Journal of Medical Systems 2020 44 6 103 110.2 ㊀张驰谭南林李响等.基于改进型Retinex算法的雾天图像增强技术J .北京航空航天大学学报2019 452309 316.ZHANG Chi TAN Nan-lin LI Xiang et al.Foggy sky image enhancement technology based on the improved Retinex algorithm J .Journal of Beijing University of Aeronautics and Astronautics 2019 45 2 309 316.3 ㊀DONG X WANG G PANG Y et al.Fast efficient algorithmfor enhancement of low lighting video C .Barcelona ICME 2011 1 6.4 ㊀LI L WANG R WANG W et al.A low-light image enhancementmethod for both denoising and contrast enlarging C .QC Canda ICIP 2015 3730 3734.5 ㊀PARK S YU S KIM M et al.Dual autoencoder network forRetinex based low light image enhancement J .IEEE Access 2018 6 22084 22093.6 ㊀LORE K G AKINTAYO A SARKAR S.LLNet A deepautoencoder approach to natural low-light image enhancement J .Pattern Recognition 2017 61 650 662.7 ㊀CHEN W WANG W J YANG W H et al.Deep Retinexdecomposition for low-light enhancement C//Proceedings of British Machine Vision Conference BMVC .2018 155 158.8 ㊀WANG W J CHEN W YANG W H et al.GLADNet Low-light enhancement network with global awareness C .Xi anChina FG 2018 751 755.9 ㊀HU J SHEN L SUN G.Squeeze-and-excitation networks C .Salt Lake City UT USA CVPR 2018 7132 7141.10 YING Z GE L GAO W.A bio-inspired multi-exposurefusion framework for low-light image enhancement EB/OL .https ///abs/1711.0059/.2017.11 DONG J PANG Y WEN J.Fast efficient algorithm forenhancement of low lighting video C .Barcelona ICME 2011 1 6.12 GUO X LI Y LING H.Lime Low-light image enhancement via illumination map estimation J .IEEE Trans Image Process 2017 26 2 982 993.13 FU X ZENG D YUE H et al.A fusion-based enhancing method for weakly illuminated images J .Signal Processing 2016 129 82 96.14 JOBSON D J RAHMAN Z WOODELL G A.A multiscale Retinex for bridging the gap between color images and the human observation of scenes J .IEEE Transactions on Image processing 1997 6 7 965 976.15 FU X ZENG D HUANG Y et al.A weighted variational model for simultaneous reflectance and illumination estimation C .Las Vegas NV USA CVPR 2016 2782 2790.16 HAI J XUAN Z YANG R et al.R2RNet Low-light image enhancement via real-low to real-normal network EB/OL . https //arxivorg/ahs/2016.14501.2021.17 ZHANG Y ZHANG J GUO X.Kindling the darkness A practical low-light image enhancer C //27th ACM Multimedia. France Nice 2019 1632 1640.18 GUO C LI C GUO J et al.Zero-reference deep curve estimation for low-light image enhancement C .Seattle WA USA CVPR 2020 1780 1789.19 WANG S ZHENG J HU H M et al.Naturalness preserved enhancement algorithm for non-uniform illumination images J . IEEE Transactions on Image Processing 2013 229 3538 3548.20 MA J ZENG K WANG Z.Perceptual quality assessment for multi-exposure image fusion J .IEEE Transactions on Image Processing 2015 24 11 3345 3356.21 HUYNH-THU Q GHANBARI M.Scope of validity of PSNR in image/video quality assessment J .Electronics Letters 2008 44 13 800 801.22 WANG Z BOVIK A C SHEIKH H R et al.Image quality assessment From error visibility to structural similarity J .IEEE Transactions on Image Processing 2004 13 4 600 612.23 MITTAL A SOUNDARARAJAN R BOVIK A C.Making a completely blind image quality analyzer J .IEEE Signal Processing Letters 2012 20 3 209 212.责任编辑:李翠薇76。

单幅图像的高动态范围图像生成方法

单幅图像的高动态范围图像生成方法朱恩弘;张红英;吴亚东;霍永青【期刊名称】《计算机辅助设计与图形学学报》【年(卷),期】2016(028)010【摘要】In order to convert the existing low dynamic range (LDR) image into the high dynamic range (HDR) image, a method of generating HDR image from a single LDR image is proposed in this paper. Firstly, the input LDR image is decomposed into luminance component and chrominance component based on human visual sys-tem, then, constructing the inverse tone mapping operators of this luminance and obtaining its inverse tone mapped image by pixel-wise mapping. Secondly, defining a threshold to sample on the high light areas of the lu-minance to get a light-source sampled image, and extending the obtained light-source sampled image by Gaussian filter and erosion which can simulate the light attenuation. Thirdly, merging the inverse tone mapped image with the extended high-light-area image by constructing the piece-wise function to get the final luminance. Finally, combining this luminance with the chrominance to generate the HDR image. A plenty of experiments show that the proposed method can get HDR image from a single LDR image with good robustness, which performs better and faster than previous methods.%为了将现有低动态范围(LDR)图像转换为高动态范围(HDR)图像，提出一种将单幅 LDR 图像转换成对应HDR 图像的方法。

基于Retinex理论的图像增强算法研究

研究［Ｊ］．物流科技，２０１３
［３］贡祥林．大数据时代的物流信息处理与 “ 云物流 ”［Ｊ］．中
国物流与采购，２０１３
ቤተ መጻሕፍቲ ባይዱ成本，提高工作效率，创造更高的经济价值和社会价值。
［４］（英）迈尔一舍恩伯格，（英）库克耶．大数据时代［Ｍ］．浙
于］￣ｅｔｉｎｅｘ理论的图像增强算法有所借鉴。
关键字：］￣ｅｔｉｎｅｘ图像增强．全局特征
局部特征
算法分析
Ｒｅｔｉｎｅｘ是一个构建在科学实验与分之上的图像增强算法，和其他的图像增强方法比较而言，Ｒｅｔｉｎｅｘ算法有着锐化效果好、动态范围压缩大、颜色具恒常性、色彩保真度高等优点，在图
Ｇ、Ｂ３幅灰度图像，如此一来，就可以把一幅彩色图像转化为三幅灰度图像，然后依次对它们予以数据准备就行。数据显示的步骤与前述的过程恰好相反，把线性拉伸后的３图像按Ｒ、Ｇ、Ｂ
ｄ３４４ｄ５
ｄ５
ｄｄ８
Ａ
顺序分别写进一个２４位的彩色图像内进行输出，获得的就是增
强之后的彩色图像。
Ｂ
２．２算法流程
ｍ ×１２
第一步：分析输入图像（ｆ，），如果是灰度图像，就把图像内像素点灰度值的数据类型转化为ｄｏｕｂｌｅ型；如果是彩色图像，
就把它分解成Ｓ（ｆ，）、。（ｆ，）、Ｓ（ｆ，）３个灰度图像，然后把这３个图像内像素点灰度值的类型转化成ｄｏｕｂｌｅ型；

基于RETINEX理论的视频图像增强系统研究

基于RETINEX理论的视频图像增强系统研究基于RETINEX理论的视频图像增强系统研究摘要：随着数字技术的快速发展，视频图像的使用广泛应用于各个领域，如监控、医学影像等。

然而，由于摄像环境的限制以及传感器本身的局限性，往往造成视频图像的质量不尽如人意。

因此，本文针对这一问题，基于RETINEX理论，对视频图像增强系统进行了深入研究。

第一章引言1.1 研究背景随着人们对视频图像质量要求的提高，传统的视频图像增强方法已经无法满足需求。

而RETINEX理论是一种基于生物视觉系统的图像增强方法，具有较好的亮度恢复效果，因此成为近年来研究的热点之一。

1.2 研究目的本文旨在利用RETINEX理论，设计并实现一个基于RETINEX理论的视频图像增强系统，实现对视频图像质量的提升，从而满足各个领域对高质量视频图像的需求。

第二章 RETINEX理论的原理与方法2.1 RETINEX理论概述RETINEX理论源于对人眼感光体的研究，它认为人眼并不单纯地感知光的强弱，而是通过对光照强度的不同谱分布进行感知和分析。

该理论通过对图像的亮度恢复进行图像增强，使图像在视觉上更加真实。

2.2 RETINEX理论的关键技术亮度适应、颜色恢复和细节增强是RETINEX理论的三个关键技术。

在视频图像增强系统中，这三个技术需要相互结合，以达到更好的效果。

第三章基于RETINEX理论的视频图像增强系统设计3.1 系统框架基于RETINEX理论，本文设计了一个视频图像增强系统的整体框架。

该系统由输入模块、预处理模块、亮度适应模块、颜色恢复模块、细节增强模块和输出模块组成。

3.2 系统算法在系统的每个模块中，本文采用了一系列合适的算法来实现图像增强功能。

其中，亮度适应模块使用了多尺度RETINEX算法，颜色恢复模块采用了彩色恢复算法，细节增强模块使用了增强细节算法。

第四章系统实现与实验4.1 系统实现本文基于MATLAB平台，利用图像处理工具箱和视频处理工具箱实现了所设计的视频图像增强系统。

基于Retinex原理的图像增强算法

基于Retinex原理的图像增强算法作者：刘钉来源：《电脑知识与技术》2018年第11期摘要：通常Retinex算法直接对彩色通道处理，容易造成色彩失真，同时对数变换压缩了高亮区域的动态范围，而本文直接对灰度图处理，避免色彩损失；将灰度图反转图进行Retinex处理，并于灰度图处理结果融合，最后再进行Gammar矫正进一步扩展高光区域细节。

关键词：Retinex；灰度反转图；融合中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2018）11-0185-021 引言图像增强技术在社会的各个方面存在着广泛应用，比如医学诊断、工业化检测、航空航天等领域。

近些年图像质量的要求越来越高使得图像增强技术成为研究的热点。

Retinex算法[1]是图像增强技术的一种，起初Retinex算法并未引起研究者的关注，但是随着NASA在航空航天上的应用才使得研究者们逐渐意识到Retinex的魅力所在，基于Retinex的算法大致可分为：基于路径的Retinex算法[2]和基于中心/环绕的Retinex算法[3，4，5]。

这些算法都是对入射图像的估算，只是所用的方法不同。

2 Retinex算法原理Retinex理论[1]的基本思想是人感知到的颜色和亮度并不取决于进入人眼的绝对亮度，而和场景的相对亮度关系分为紧密。

其基本内容是物体的颜色是由物体对光线的反射能力决定的；物体的色彩不受光照非均匀性的影响（颜色恒常性）。

图像[S（x，y）]来自于两部分：入射图像（亮度图像）L和反射图像R。

Retinex理论的基本假设是：[ Sx，y=Lx，y×Rx，y （1）]入射图像L中包含了光照信息，而反射图像R包含了物体的固有属性，在处理前，通常将图像转至对数域：[logS=logL+logR （2）]本文主要研究基于中心/环绕Retinex算法，所以对基于路径的Retinex算法不做详述。

SSR算法是中心/环绕Retinex算法[6]的一种单尺度算法，即，[Fx，y=Cexp-x2+y22σ2 （3）][Fx，ydxdy=1 （4）]（4）是归一化高斯函数，通常取[σ=80][3]。

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。

一种基于单尺度Retinex的图像增强算法

２０１４年／第１１期物联网技术２９
Copyright©博看网 . All Rights Reserved.
全面感知 Comprehensive Perception
入射光
观察者
反射物体
图 1 Retinex 原理模型
S（x，y）=R（x，y）· L（x，y）
设备重现所记录的场景，使用户从重现场景获得的信息与身临强图像，使增强后的图像和真实场景有更接近的效果。
其境所获得的无差异。一般的显示设备只能表示 24 b/ 像素，R、 2 Retinex 理论模型及 SSR 改进算法
G、B 各占 8 位，而真实场景和通过光电器件获得的 HDR 图
Retinex 理论是一种建立在科学实验和科学分析基础上
动态范围图像的动态范围，使其能够在低动态范围显示器上非均性的影响，具有一致性，即 Retinex 理论是以色感一致性（颜
显示。目前色调映射的方法已经比较成熟，不同的色调映射色恒常性）为基础的。照度引起的颜色变化通常表现为平滑的
算法产生的效果不同，但最终的目的都是在压缩亮度范围的同照明梯度，而表面变化引起的颜色变化则常表现为突变的形式。
的色彩、细腻的细节。然而，在光比非常大的场景，比如在太行叠合；另外一种就是利用数码相机的 RAW 文件，以不同
阳出来时逆光拍摄。如果用数码相机拍摄获得的图像，不是看的曝光补偿输出，然后进行叠合。第一种方法比较常见，通
到白晃晃的天空就是看到背光处黑洞洞的阴影，这是因为数码过 HDR 合成后，亮的地方可以非常亮，暗的地方可以非常暗，
的内在性质。Retinex 算法分为三大类，它们分别为：基于路
径的 Retinex 算法、Retinex 迭代算法和基于环绕的 Retinex

基于Retinex理论的图像增强算法研究

Ｒｅｔｉｎｅｘ图像增强算法是一种建立在科学实验和科学分析基础上的图像增强理论，其实质就是从图像Ｓ中抛开照射光工的影响来获得物体的反射性质足，即获得物体本来的面貌。与其它图像增强方法相比，Ｒｅｔｉｎｅｘ算法具有锐化、颜色恒常性、动态范围压缩大、色彩保真度高等特点。
虽然传统的色彩理论能够很好地解释很多与色彩有关地现象，并在实际生活中有着非常广泛地应用。然而美国物理学家ＥｄｗｉｎＬａｎｄ在２０世纪５０年代发现有些现象是传统的色彩理论无法解释的，经过近２０多年的科学实验和分析，Ｌａｎｄ认为在视觉信息的传导过程中人类的视觉系统对信息进行了某种处理，去除了光源强度和照射不均匀等一系列不确定的因素，而只保留了反映物体本质特征的信息，如反射系数等【２】。当这些描述物体本质特征的相关信息传递到大脑皮层后，经过更为复杂的信息处理，才最终形成人的视觉。基于这样的认识，１９７７年ＥｄｗｉｎＬａｎｄ首次提出了一种被称为Ｒｅｔｉｎｅｘ的色彩理论，Ｒｅｔｉｎｅｘ这个词本身就是由视网膜Ｒｅｔｉｎａ和大脑皮层Ｃｏｒｔｅｘ两个词组合构成的。Ｒｅｔｉｎｅｘ理论主要包含了两个方面的内容：物体的颜色是由物体对长波、中波和短波光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均性的影响，具有一致性【２】。
硕士论文
基于Ｒｅｔｉｎｅｘ理论的图像增强算法研究
才重新认识到它的科学性和合理性，并开始应用于数字图像处理领域冈。
１．２研究现状及问题
．
最早的Ｒｅｔｉｎｅｘ算法是１９７１年Ｌａｎｄ和ＭｃＣａｎｎ提出的任意路径算法（ｒａｎｄｏｍ
ｗａｌｋ），这是tinex理论能够很好地解释某些视觉现象并已经被大量地科学实验所证实但由于种种原因他的理论一直没有得到广泛的传播和接受直到20世纪80年代初期美国宇航局下属的一个研究机构nasaslangleyresearchcenter将retinex理论用于处理航空器拍摄的外太空图片且获得了非常好的处理效果后人们硕士论文基于retinex理论的图像增强算法研究才重新认识到它的科学性和合理性并开始应用于数字图像处理领域冈

基于Retinex增强的单幅LDR图像生成HDR图像方法

基于Retinex增强的单幅LDR图像生成HDR图像方法张淑芳;刘孟娅;韩泽欣;郭志鹏【期刊名称】《计算机辅助设计与图形学学报》【年(卷),期】2018(030)006【摘要】针对目前生成高动态范围(HDR)图像的方法对采集设备要求高且不适用于动态场景的问题, 提出一种基于Retinex增强的单幅低动态范围(LDR)图像生成HDR图像方法. 首先基于Retinex方法将单幅LDR图像映射生成多幅不同曝光的图像, 然后结合图像的对比度、饱和度等4个测量因子计算各幅图像的权重, 最后利用金字塔分解来融合生成HDR图像. 在多幅图像上的实验结果表明, 该方法生成的HDR图像纹理更清晰, 更符合人眼视觉效果.%According to problems that current high dynamic range(HDR) image generation methods require high acquisition equipment and don't apply to the acquisition of dynamic scenes, a generation method of HDR image from a single LDR image based on Retinex enhancement is proposed. Firstly, a single LDR image is mapped to generate multiple different exposure images based on Retinex algorithm. Secondly, the weight of each image is computed by combining four measurement factors, such as contrast and saturation of the image. Finally, HDR image is generated by using the pyramid decomposition. Experimental results on multiple images show that the HDR image generated by the proposed method has a clearer texture and a better human visual effects.【总页数】8页(P1015-1022)【作者】张淑芳;刘孟娅;韩泽欣;郭志鹏【作者单位】天津大学电气自动化与信息工程学院天津 300072;天津大学电气自动化与信息工程学院天津 300072;天津大学电气自动化与信息工程学院天津300072;天津大学电气自动化与信息工程学院天津 300072【正文语种】中文【中图分类】TP391.41【相关文献】1.基于WLS的Retinex单幅夜间彩色图像增强方法 [J], 赵宏宇;肖创柏;禹晶;戴岩2.基于暗通道先验和Retinex理论的快速单幅图像去雾方法 [J], 李泓颖3.基于改进多尺度Retinex的单幅彩色图像增强算法 [J], 罗浩;仲佳嘉;李祥4.基于对抗生成网络的单幅图像生成点云方法 [J], 王俊锴;谭台哲;杨天宇5.基于卷积神经网络的LDR图像重建HDR图像的方法研究 [J], 陈文;王强因版权原因，仅展示原文概要，查看原文内容请购买。

基于Retinex理论的图像增强算法

基于Retinex理论的图像增强算法
李学明
【期刊名称】《计算机应用研究》
【年(卷),期】2005(022)002
【摘要】这种增强算法首先依据像素的R,G,B分量将输入的彩色图像被分解成为
三幅图像,代表场景中波长不同(长波、中波和短波)的反射光的强度;分别计算长波、中波和短波波段内像素间的相对明暗关系,进而确定每个像素的色彩.最后,将Retinex色度空间内的色彩线性映射到RGB空间,获得经过增强的图像.通过这种方法所获得的图像具有色彩逼真度、动态范围大的特点.计算机仿真结果表明运用这
种方法进行图像处理可以获得非常好的处理效果.
【总页数】3页(P235-237)
【作者】李学明
【作者单位】北京邮电大学,信息工程学院,北京,100876
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于Retinex理论的眼底彩色图像增强算法 [J], 刘玉红;颜红梅
2.基于稳态遗传算法和Retinex理论的彩色图像增强算法 [J], 胡敬文;聂承静;刘世明
3.Retinex理论下基于融合思想的低照度彩色图像增强算法 [J], 卢玮;高涛;王翠翠;陈本豪;张赛
4.基于Retinex理论改进的低照度图像增强算法 [J], 闫保中;韩旭东;何伟
5.基于Retinex理论的雾天图像增强算法 [J], 郝才成;李萍;吴宣儒
因版权原因，仅展示原文概要，查看原文内容请购买。