一种新的低照度彩色图像增强算法(精)
低光照增强算法
低光照增强算法一、低光照增强算法简介低光照增强算法是一种图像处理技术，旨在改善低光照环境下拍摄的图像质量。
这类算法通过调整图像的亮度、对比度和色彩平衡等参数，提高图像的视觉舒适度，使其在低光照条件下更易于观察和分析。
随着计算机视觉、数字图像处理等技术的发展，低光照增强算法在各个领域得到了广泛应用，如安防监控、自动驾驶、医疗影像等。
二、常见低光照增强算法概述1.基于直方图均衡化的方法直方图均衡化是一种常用的图像增强方法，其主要思想是调整图像的像素级分布，使得图像的直方图更加均匀。
这种方法可以有效提高图像的对比度，但可能会导致过度增强和细节丢失。
2.基于Retinex的方法Retinex算法是一种基于局部滤波的图像增强方法，其核心思想是利用图像的局部信息对低光照区域进行亮度提升。
Retinex算法在一定程度上可以保留图像的细节信息，但计算复杂度较高，且容易受到噪声的影响。
3.基于深度学习的方法随着深度学习技术的快速发展，基于深度学习的低光照增强算法逐渐成为研究热点。
这类算法通过训练大量带有标签的图像数据，学习图像增强的映射关系，从而实现对低光照图像的增强。
目前主流的基于深度学习的低光照增强算法有自编码器、生成对抗网络（GAN）等。
三、各类算法优缺点分析1.基于直方图均衡化的方法：优点是计算简便、实时性好；缺点是容易出现过增强和细节丢失现象。
2.基于Retinex的方法：优点是能较好地保留图像细节；缺点是计算复杂度高、容易受噪声影响。
3.基于深度学习的方法：优点是增强效果较好，具有很强的学习能力；缺点是训练过程耗时较长，对硬件设备要求较高。
四、我国在低光照增强领域的研究进展近年来，我国在低光照增强领域的研究取得了显著成果。
研究人员在传统算法改进、深度学习方法应用等方面进行了深入探讨，不断优化和改进现有算法，提高低光照增强算法的性能和实用性。
同时，我国还积极参与国际学术交流，与世界各国的研究人员进行合作与交流，共同推动低光照增强技术的发展。
一种基于Retinex理论的彩色图像增强算法
一种基于Retinex理论的彩色图像增强算法尹红然;俞浩;秦清锋【期刊名称】《电子科技》【年(卷),期】2012(025)003【摘要】在分析Retinex理论及其经典算法的基础上,提出一种新的彩色图像增强算法。
该方法在保持增强图像高频成分的同时,很好地保留了图像的部分低频成分,并根据Gray World理论,引入动态参数,提高了图像的动态范围。
实验结果表明,用所提算法能有效增强彩色图像。
%A new enhancement algorithm for color images is proposed after an analysis of Retinex theory and its classic algorithm.This image retains some of the low frequency components of the image while enhancing the high-frequency components.Besides,the dynamic parameters,acquired according to the Gray World theory,are introduced to extend the dynamic range.The experimental results demonstrate that the proposed algorithm is efficient in color image enhancement.【总页数】4页(P21-24)【作者】尹红然;俞浩;秦清锋【作者单位】天津天狮学院基础教学部,天津301700;天津大学理学院,天津300072;天津大学理学院,天津300072【正文语种】中文【中图分类】TN911.73;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2.一种基于Retinex理论的图像增强算法 [J], 史延新3.基于多尺度Retinex理论的彩色图像增强算法 [J], 房少梅;郭昌洪;吴沛;雷建平4.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5.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;张赛因版权原因，仅展示原文概要，查看原文内容请购买。
低光照图像增强技术的最新发展
低光照图像增强技术的最新发展低光照图像增强技术的最新发展低光照图像增强技术是一种用于改善在光线不足条件下拍摄的图像质量的技术。
随着计算机视觉和图像处理技术的不断发展，越来越多的方法和算法被提出来提高低光照图像的视觉效果。
接下来，我们将按照步骤来讨论最新的低光照图像增强技术。
第一步：图像增强前的预处理在进行图像增强之前，通常需要对低光照图像进行一些预处理。
这些预处理包括噪声去除、白平衡校正和曝光校正等。
噪声去除可以通过使用滤波器来减少图像中的噪声，白平衡校正可以通过调整图像的色温和色彩平衡来消除由于光线条件不足引起的颜色偏差，曝光校正可以提高图像的亮度和对比度。
第二步：图像增强的算法选择在图像增强的过程中，有多种算法可供选择。
最常用的算法之一是直方图均衡化。
直方图均衡化通过重新分配图像的像素值来增强图像的对比度。
然而，直方图均衡化可能会导致图像过度增强和细节丢失的问题。
为了解决这个问题，一些改进的直方图均衡化算法被提出来，如自适应直方图均衡化和限制对比度自适应直方图均衡化。
第三步：深度学习方法的应用近年来，深度学习方法在图像增强领域取得了巨大的突破。
深度学习模型可以通过学习大量的图像数据来自动学习图像的特征，并生成高质量的增强图像。
其中，对抗生成网络（GAN）是一种常用的深度学习模型，它由生成器和判别器组成。
生成器负责生成增强图像，而判别器则负责判断生成的图像是否真实。
通过迭代训练生成器和判别器，可以得到更好的低光照图像增强效果。
第四步：多图像融合技术除了单一图像的增强方法，多图像融合也是一种常用的低光照图像增强技术。
该技术利用多个在不同曝光条件下拍摄的图像，通过融合这些图像来提高图像的质量。
常见的多图像融合技术包括平均融合和权重融合。
平均融合方法将多个低光照图像的像素值进行平均，以增加图像的亮度和对比度；权重融合方法根据不同图像的质量和亮度信息，为每个像素分配一个权重值，然后将权重值应用于融合过程。
低照度图像增强算法
０ 引 言
目前 ， 视频监控 系统在 国内外应用越来越广泛 ，
下的 图像 ， 处理后 图像 的峰值 性噪比 以及对 比度 高于其他算 法 ， 并且处理速度也快 于 ＭＳ Ｒ算法。
关键词 ： Ｒ ｅ ｔ ｉ ｎ ｅ ｘ ； 峰值 信噪 比； 噪 声抑制 ； 彩 色空间
中图 分 类 号 ： Ｔ Ｐ ３ ９ １ ． ９ 文 献标 识码 ： Ａ ｄ ｏ ｉ ：１ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ６ － ２ ４ ７ ５ ． ２ ０ １ ４ ． ０ １ ． ０ ０ ７
计 算
２ ０ １ ４年第 １期
总第 ２ ２ １ 期
Ｊ Ｉ Ｓ Ｕ Ａ Ｎ Ｊ Ｉ Ｙ Ｕ Ｘ Ｉ Ａ Ｎ Ｄ Ａ Ｉ Ｈ Ｕ Ａ
文章编号 ： １ ０ ０ ６ － ２ ４ ７ ５ （ ２ ０ １ ４ ） ０ １ － ０ ０ ２ ７ － ０ ５
低 照度 图像 增 强算 法
ｉ ｎ ｅ ｘ 理论 ， 根 据照射分量和反射分量的特性 ， 对二 者分别采用不 同的非线性 函数进行 调整来提 高 图像 的对 比度 和增 强图
像细 节， 并在低 亮度 区域进行 噪声抑制的方 法。 实验结果表 明， 在Ｈ Ｓ Ｖ和 Ｒ Ｇ Ｂ彩 色空 间， 运 用本 算法处理在低 照度 情况
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎ ｇ ｔ ｏ ｔ ｈ ｅ ｍ ｕ ｌ ｔ ｉ — ｓ ｃ ａ ｌ ｅ Ｒ ｅ ｔ ｉ ｎ ｅ ｘ ｌｇ ａ ｏ ｒ ｉ ｔ ｈ ｍ（ Ｍ Ｓ Ｒ）ｄ ｅ ｆ ｅ ｃ ｔ ｉ ｍ ａ ｇ ｅ ｓ ｐ ｅ ａ ｋ ａ ｔ ｌ ｏ ｗ Ｓ Ｎ Ｒ，ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｐ ｕ ｔ ｓ ｆ ｏ ｒ ｗ ａ ｒ ｄ ａ
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。
低照度彩色图像的自适应权重Retinex图像增强算法
科 教 论 坛
Ｄ Ｏ Ｉ ： １ ０ ． １ ９ ３ ９ ２ ／ ｊ ． ｃ ｎ ｋ ｉ ． １ ６ ７ １ － ７ ３ ４ １ ． ２ ０ １ ８ ０ ４ ０ ２ ３
低 照 度 彩色 图像 的 自适 应权 重 Ｒ ｅ ｔ ｉ ｎ ｅ ｘ图像 增 强 算 法
１ ． １彩 色 空 间模 型 转 换
（ ， ， ， ）＝ ： ｆ × Ｒ
由于 ＭＳ Ｒ算法是 在 Ｒ Ｇ Ｂ彩 色空 间模 型 上对 图 像进 行处 最后再将增强后 的 １ 分量 与 Ｈ、 ｓ分 量结 合 ， 将 图像从 Ｈ Ｓ Ｉ 理， 在图像 亮度提升的同时图像也产生 了颜色失 真现象 。本 文 模型转换到 Ｒ Ｇ Ｂ模型 ， 从 而得 到增 强后 的图像 。从 Ｈ Ｓ Ｉ 空间转 拟采用 Ｈ Ｓ Ｉ 彩色空间替换 Ｒ Ｇ Ｂ彩色空间 ， Ｈ Ｓ Ｉ 彩 色空 间能够将 换到 Ｒ Ｇ Ｂ空间的转换式为 ： 图像 的信息分为 Ｈ （ 色调 ） 、 ｓ （ 饱和度 ） 和Ｉ （ 亮度 ） 三方 面信 息 ， （ １ ） 当 Ｈ在 ［ Ｏ 。 一 １ ２ ０ 。 ］ 之间时 ： 将１ 分 量单 独提取出来进行处理 ， 避 免了色彩 失真 的问题 。由 Ｂ ＝Ｉ （ １一 ｓ ） Ｒ ＝， ［ １＋ — — — ］ Ｇ＝３ １ （ 十 ） Ｒ Ｇ Ｂ模 型转换 到 ＨＳ Ｉ 模 型计 算如下 ： ＣＯＳ Ｏ Ｕ ｔ ／
Ｇ ＝， （ １一． ｓ ） Ｂ ＝Ｉ Ｅ １＋
、
］ ＝３ １一（ Ｇ＋
１ ． ２权 重选 取
般 情况下 ， 多尺 度 Ｒ ｅ ｔ ｉ ｎ ｅ ｘ算 法每 个尺 度 的权重 是 相 同 的， 但是 由于不 同图像包 含 内部 信息 的区别 ， 这种方 式不 一定 能获得满意的结果 。本 文提 出 了一 种基 于亮度 信息 的 自适应 权重选取 的 ＭＳ Ｒ增强算法 ， 根据 图像 的亮度信 息对 ＭＳ Ｒ算法 的权 重进行选 取。 首先将待处理 图像划分 为三个 区域 ， 分别计算其 亮度分量 的平 均值 ， 确定 其亮 度范围（ 低亮度 、 中亮 度、 高亮度 ） 。 当ｔ ｘ＜８ ５时 ， 在原始 图像 中像 素值较小 的点 占大多数 ， 因 此原始 图像属 于低 亮度 图像 ， 此时选 取小尺度 的权重作 为参考 权重 ， 用Ｗ ， 表示 ； 当８ ５＜ ＜１ ７ ０时 ， 在原 始图像 中像素值适 中的点 占大多 数， 则原始 图像属于 中亮度 图像 ， 此 时选取 中尺 度 的权 重作 为 参考权 重 ， 用 表 示 ； 当１ ７ ０＜／ ． ｔ＜２ ５ ５时 ， 在原始图像 中像 素值较 高 的点 占大 多数 ， 则原始 图像属 于高 亮度 图像 ， 此时选 取 大尺度 的权 重作 为参 考权 重 ， 用１ ／ ３ 表示 ； 首先 ， 我们要确定 参考权 重 的取值 ， 再 根据 每个 尺度处 理 后图像的亮度信息选取 另外 两个尺度 的权重 。设 Ｒ 、 Ｒ ｚ 、 分别为大 、 中、 小三个尺 度 的 Ｓ Ｓ Ｒ对 原图像 处理 后的 图像 。则
低光照图像增强算法综述
低光照图像增强算法综述一、本文概述随着计算机视觉技术的快速发展，图像增强技术成为了研究的重要领域之一。
其中，低光照图像增强算法是处理低质量、低亮度图像的关键技术，对于提高图像质量、增强图像细节、提升图像识别精度等方面具有重要的应用价值。
本文旨在对低光照图像增强算法进行全面的综述，介绍其研究背景、发展历程、主要算法及其优缺点，并探讨未来的发展趋势。
本文将对低光照图像增强的研究背景进行介绍，阐述低光照图像增强技术在视频监控、医学影像分析、军事侦察、航空航天等领域的应用需求。
本文将回顾低光照图像增强技术的发展历程，分析不同算法在不同历史阶段的发展特点和主要贡献。
接着，本文将重点介绍当前主流的低光照图像增强算法，包括基于直方图均衡化的算法、基于Retinex理论的算法、基于深度学习的算法等，并详细阐述其原理、实现方法、优缺点等。
本文将展望低光照图像增强技术的未来发展趋势，探讨新技术、新算法在提升图像质量、提高识别精度等方面的潜在应用。
通过本文的综述，读者可以全面了解低光照图像增强算法的研究现状和发展趋势，为相关领域的研究和实践提供有益的参考和借鉴。
二、低光照图像增强的基本原理低光照图像增强算法的核心目标是在保持图像细节和色彩信息的提高图像的亮度和对比度，从而改善图像的视觉效果。
这通常涉及到对图像像素值的调整，以及对图像局部或全局特性的分析和优化。
基本的低光照图像增强算法可以分为两类：直方图均衡化和伽马校正。
直方图均衡化是一种通过拉伸像素强度分布来增强图像对比度的方法。
这种方法假设图像的可用数据跨度大，即图像包含从暗到亮的所有像素值。
然而，对于低光照图像，由于大部分像素值集中在较低的亮度范围内，直方图均衡化可能会过度增强噪声，导致图像质量下降。
伽马校正则是一种更为柔和的增强方法，它通过调整图像的伽马曲线来改变图像的亮度。
伽马曲线描述了输入像素值与输出像素值之间的关系，通过调整这个关系，可以改变图像的亮度分布。
低照度增强算法
低照度增强算法下载温馨提示：该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。
文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by the editor. I hope that after you download them, they can help yousolve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!In addition, our shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts,other materials and so on, want to know different data formats and writing methods, please pay attention!在现代社会中，低照度条件下的图像增强一直是一个备受关注的研究领域。
低照度 增强算法
低照度增强算法摘要：一、引言二、低照度图像的挑战三、常用的低照度增强算法1.直方图均衡化2.图像滤波3.基于小波变换的增强方法4.基于人工神经网络的增强方法四、各类算法的优缺点分析五、结论正文：一、引言随着数字图像技术的不断发展，低照度图像的获取和处理成为了一个热门研究领域。
低照度图像普遍存在着亮度低、对比度差、噪声多等问题，给人们的生活和工作带来了诸多不便。
因此，研究低照度图像的增强算法具有重要的实际意义。
二、低照度图像的挑战低照度图像的主要挑战在于：亮度低，导致图像中有效信息难以提取；对比度差，使得图像的层次感不强；噪声多，影响图像的观感质量。
三、常用的低照度增强算法1.直方图均衡化直方图均衡化是一种常用的图像增强方法，通过调整图像的直方图分布，增强图像的对比度。
此方法简单易实现，但可能会导致过度增强，造成图像失真。
2.图像滤波图像滤波是利用滤波器对图像进行处理，以降低噪声、提高图像质量。
常见滤波方法有：高斯滤波、中值滤波、双边滤波等。
滤波方法在降低噪声的同时，可能会损失图像的边缘信息。
3.基于小波变换的增强方法小波变换是一种多尺度分析方法，可以将图像分解为不同尺度、方向和频率的子带。
通过调整子带参数，可以实现低照度图像的增强。
此方法具有较好的图像细节保持能力，但计算复杂度较高。
4.基于人工神经网络的增强方法人工神经网络具有强大的非线性拟合能力，可以学习图像的复杂特征。
基于神经网络的低照度增强方法，通过训练大量带标签图像数据，自动学习到适合低照度图像的增强策略。
此方法具有较好的性能，但需要大量的训练数据和计算资源。
四、各类算法的优缺点分析各类低照度增强算法各有优缺点。
直方图均衡化简单易实现，但可能会过度增强；图像滤波能有效降低噪声，但可能会损失边缘信息；基于小波变换的增强方法细节保持能力强，但计算复杂度较高；基于人工神经网络的增强方法性能优越，但需要大量训练数据和计算资源。
五、结论低照度图像增强算法是数字图像处理领域的重要研究方向。
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。
一种煤矿井下低照度图像增强算法
一种煤矿井下低照度图像增强算法王洪栋; 郭伟东; 朱美强; 雷萌【期刊名称】《《工矿自动化》》【年(卷),期】2019(045)011【总页数】5页(P81-85)【关键词】矿井图像; 低照度图像; 图像增强; 多尺度Retinex算法; 光照校正; 快速均值滤波【作者】王洪栋; 郭伟东; 朱美强; 雷萌【作者单位】中国矿业大学信息与控制工程学院江苏徐州 221116【正文语种】中文【中图分类】TD670 引言煤矿井下视频监控是了解井下人员分布和设备运行状况的有效工具，是煤矿安全高效生产的重要组成部分。
然而受煤矿井下粉尘和光源等因素的影响，视频监控系统采集的图像呈低照度特点，导致图像质量降低。
图像质量的好坏直接影响后续的图像分析与决策，因此研究适合煤矿井下的低照度图像增强算法具有十分重要的实际意义[1-2]。
目前，常用的低照度图像增强算法包括直方图均衡化算法和同态滤波算法等。
何畏[3]采用改进的全局直方图均衡化算法，有效提高了低照度图像的对比度和清晰度。
Zuo Chao等[4]提出了双直方图算法，在保持亮度的同时图像细节也有所增强。
但以上算法存在增强后的图像细节信息缺失和过增强的问题。
韩丽娜等[5]提出了基于HSV(Hue，Saturation，Value，色调，饱和度，明度)空间的双通道同态滤波图像增强算法，能够保持增强前后图像色彩的一致性，但没有考虑图像的空间局部信息，容易导致局部对比度增强效果不佳。
近年来，基于颜色恒常性理论的Retinex算法被广泛应用于低照度图像增强。
Retinex算法只关注物体表面反射特性，不受周围光照条件的影响，因而具有更高的色彩保真度，视觉效果更符合人眼视觉感受。
王星等[6]、程德强等[7]提出了基于引导滤波的单尺度Retinex(Single Scale Retinex，SSR)矿井图像增强算法，利用引导滤波进行照度估计，能有效凸显边缘信息，获得了较好的视觉效果。
基于神经网络的低照度真彩色图像增强
摄 像 机 分 别 采 集 理 想 光 照 环 境 下 和 低 照度 环 境 下 的 图像 ，送 入 神 经 网络 进 行 误 差 反 传 ，修 改 权 值 并 完 成 非 线 性 映射 ，测 试
过程 采用 主观 和客观 的评价 方 法。与 直方 图均衡 化方 法相 比 ， 于神 经 网络 的低 照度 真彩 色图像增 强方 法有 效且 能得到 了 基
较好 的增 强效 果。
关键 词：低 照度 ；Ｂ Ｐ神 经 网络； 彩 色图像增 强 ；直 方 图均衡化 ；峰 值信 噪 比（ｓ ） Ｐ ＮＲ
中 图法分类 号 ： Ｐ ９ Ｔ３１
文献标 识码 ： Ａ
文 章编号 ： ００７２ （０ ０ １．８ ５０ １０ —０ ４ ２ １） ２２ ３ —３
Ｔｒ ｅｃ ｏ ａ ｎ ｎ ｅ ｅ ｔｂ ｓ ｄ ｏ ｅ ｒ ｌｎ ｔ ｒ ｄ ｒｌ ｗ ｌ ｕ ｏｌｒｉ ｇｅｅ ｈａ ｃ ｍ ｎ ａ ｅ ｎ ｎ ｕ ａ ｅｗｏ ｋｕｎ ｅ ｏ ｉｌ ｉ ｎ ｅ ｍ ｕｍ ｎａ ｃ
ｎ ｖ ｌ ｔ ｏ ｒ ｓ ｎ ｅ ｅ ｌ ｔ ｈ ｓ ｒ ｂ ｅ ． Ｕｓｎ ｏ ｅ ｈ ｄｉ ｐ ｅ ｅ ｔ ｄ ｔ ｄ ａ ｈ ｔ ｏ ｅｐ ｏ ｌ ｍｓ ｍｅ ｓ ｏ ｗｉ ｉ ｇ ＣＣＤ ａ ｒ ， ｔ ｅｉ ｇ ｓ ｎ ｅ ａｕ ａ ｌ ｍｉ ａ ｉ ｎ ａ ｄｌ ｗ ｕ ｎ ｎ ｅ ｃ ｍｅ ａ ｈ ｍａ ｅ ｄ ｒ ｔ ｒ ｌ ｌ ｕ ｎ ｉ ｕ ｎ ｔ ｎ ｏ ｏ ｌ ｍｉ ａ ｃ ｅ ｖ ｒ ｎ ｎ ｒ ａ ｔ ｒ ｄ ｒ ｓ ｅ ｔ ｅｙ ａ ｄ ａ ｌ ｈ ａ ｐ ｅ ｕ ｄ ｂ ｅ ｔ ｏ ｎ ｕ ａ ｅ ｏ ｋ Ｔｈ ｒ ， ｂ ｆ ｒ ｅｎ ｔ ｒ ｅ ｅ ａｉ ｅ ， ｎ ｉ ｍｅ ｔａ ｅｃ ｐ ｕ ｅ ｅ ｐ ｃ ｉ ｌ， ｎ ｌ ｔ ｅ ｓｍ ｌｓｗｏ ｌ ｅ ｓ ｎ ｅ ｒ ｌ ｔ ｒ ． ｏ ｖ ｔ ｎ ｗ ｅｅ ｅ ｏ ｅ ｔ ｅｗｏ ｋ ｇ ｎ ｒ ｌ ｄ ｈ ｚ ｗｏ ｌ ａ ｓｔ ｒ ｅｓｅ ｓｅ ｒ ｒ ｒ ｐ ｇ ｔ ｎ ｍｏ ｉ ｉ ｇ ｔ ｅｗｅｇ ｔ ｎ ｃ ｉ ｖｎ ｅｎ ｎ ｉ ｅ ｐ ｉ ｇ Ｔｈ ｉ ｌｔ ｎ ｔ ｓｉ ｇｍｅ ｈ ｄ ｕ ｄｐ ｓ ｅ ｔｐ — ｒｏ ｏ ａ ａ ｉ ， ｈ ｐ ｏ ｄ ｆ ｎ ｉｈ ｓ ｄ ａ ｈ ｅ ｉ ｇ ｔ ｏ ｌ ａ ｍａ ｐ ｎ ． ｙ ｈ ａ ｈ ｎｒ ｅｓｍｕ ａｉ ｔ ｔ ｏ ｓ ｏ ｅ ｎ
基于小波变换的低照度图像增强新算法
基于小波变换的低照度图像增强新算法作者：杨晓东,郭晓婷,袁仁坤,范振粤来源：《软件导刊》2013年第12期摘要：针对低照度图像暗、对比度低，同时存在大量黑暗连通区的特点，提出了一种基于小波系数融合的低照度图像增强算法，该算法对图像的低频和高频信息分别用空域法和频域法进行处理。
实验表明，该方法在处理低照度图像的过程中，在调节图像动态范围和增强图像细节的同时，也达到了对高频信息降噪的目的。
通过该算法处理，能有效减少拍摄图像所需的曝光时间。
关键词：低照度；图像增强；暗区分割；小波变换中图分类号：TP312文献标识码：A文章编号文章编号：1672-7800（2013）012-0074-03作者简介：杨晓东（1984-），男，硕士，东莞市南星电子有限公司工程师，研究方向为通信与信息系统。
0引言低照度图像灰度值较低，且细节灰度差别小，通常在几十级以内，因此，希望能通过一种图像增强算法处理后，既能突出局部细节，又能使整幅图像得到亮度的提升，从而便于人眼分辨，但是目前传统的图像增强算法很难将二者兼顾。
〖JP+2〗图像经过小波分解后，影响视觉感受的灰度信息大多存在于低频部分，而噪声和细节则分布于高频部分。
本文提出了一种基于小波系数融合的低照度图像增强方法。
该方法将小波的低频和高频信号分别在空域和频域进行处理。
实验证明，该方法在对低照度图像进行增强处理时，能达到整体增强和图像细节的兼顾。
1对暗区分割算法的改进低照度图像中存在大量的黑暗连通区域，Ardely提出可将这些黑暗的区域提取出来，做忽略处理，对剩余的部分再做直方图均衡化的增强处理。
黄华等人认为[2]，A rdelyly的算法中只是以设置的灰度上限值为阈值的分割算法，仍存在局限，因为在低照度图像中，有些较暗的细节夹杂在明亮区域内，因此，提出了有效连通区的搜索算法，认为只有连通区域的面积达到一定比例才能被去除，且黑暗像素阈值的确定设为一个动态可调的参数。
使用直方图均衡化的方法对剩余部分做图像增强时，其增强效果不易控制，存在如下问题：①输出图像的实际灰度变化范围与所允许的最大灰度变化范围之间存在差距；②输出图像的平均亮度总处于灰度范围的中间值，从而丢失了原始图像的亮度信息；③输出图像的低频灰度级被过多地合并，从而造成了图像细节的丢失。
低光照增强lime算法
低光照增强lime算法
低光照增强是指对于光线较暗的图像进行处理，提高图像的亮度和清晰度。
LIME（Low Light Image Enhancement）算法是
一种常见的低光照增强算法之一。
LIME算法的基本原理是通过对图像进行自适应直方图均衡和
双边滤波来增强图像的亮度和对比度。
具体步骤如下：
1. 自适应直方图均衡化：首先对图像的亮度进行增强，通过调整图像的像素值分布来拉伸图像的动态范围。
这样可以使图像中的细节更加明显。
2. 双边滤波：直方图均衡化会增强图像的噪声，为了减少噪声的影响并保持图像的细节，使用双边滤波来平滑图像。
双边滤波在保持图像边缘的同时，对图像进行平滑。
3. 融合图像：将原始图像与经过直方图均衡化和双边滤波处理后的图像进行融合，以保持图像的细节和结构，并增强图像的亮度和对比度。
LIME算法可以有效地增强低光照图像，并提高图像的可视性。
但是在处理过程中，可能会产生一些副作用，如图像的噪点和伪影。
因此，在实际应用中，需要根据具体情况进行参数调整和后期处理，以达到最佳效果。
低光环境下图像增强的自适应伽玛校正法
低光环境下图像增强的自适应伽玛校正法在现代图像处理领域，低光环境下的图像增强是一个重要的研究课题。
由于光照不足，低光图像往往呈现出噪声多、对比度低、细节模糊等问题，这给图像的分析和理解带来了很大的挑战。
为了改善低光图像的质量，研究者们提出了多种图像增强技术，其中自适应伽玛校正法因其简单有效而受到广泛关注。
一、低光环境下图像增强的必要性在低光环境下，由于环境光照强度低，摄像头捕获到的图像往往亮度不足，导致图像中的许多细节信息丢失，影响了图像的可读性和可用性。
例如，在夜间监控、天文观测、医学成像等领域，低光图像的增强对于获取清晰、可识别的图像至关重要。
因此，开发有效的低光图像增强技术，以提高图像的亮度、对比度和细节，是图像处理领域的一个重要研究方向。
二、自适应伽玛校正法的原理伽玛校正是一种广泛使用的图像亮度调整技术，它通过非线性变换来调整图像的亮度和对比度。
在伽玛校正中，图像的每个像素值都会乘以一个伽玛值，然后进行幂次变换。
自适应伽玛校正法是伽玛校正的一种改进，它根据图像的局部特征动态调整伽玛值，以实现更精细的亮度和对比度调整。
自适应伽玛校正法的核心思想是，图像的不同区域可能需要不同的伽玛值来达到最佳的视觉效果。
例如，图像的暗部可能需要更高的伽玛值来提升亮度，而亮部则需要较低的伽玛值来避免过曝。
通过分析图像的局部特征，如直方图、梯度等，可以确定每个区域的最佳伽玛值。
三、自适应伽玛校正法的实现步骤1. 图像预处理：在进行自适应伽玛校正之前，通常需要对图像进行预处理，以减少噪声和增强图像的边缘信息。
预处理步骤可能包括去噪、锐化等操作。
2. 局部特征提取：对预处理后的图像进行局部特征提取，这可能包括计算图像的局部直方图、梯度图等。
这些特征将用于后续的伽玛值计算。
3. 伽玛值计算：根据提取的局部特征，为图像的每个区域计算合适的伽玛值。
这一步骤通常涉及到一个优化过程，目标是最大化图像的对比度和细节。
4. 伽玛校正：使用计算得到的伽玛值对图像进行伽玛校正。
一种新的低照度彩色图像降噪算法
【 ｂｔａｔ ｉ ｉｇａ ｔ ｅ ｏｓｎ ｉ ， ｃｏｄｎ ｉ ａ ｐｙｈｌ ｙａ ｄｐｒｅ ｔａ ｃａａｔ ｓ ｃ， Ｓ ｏ ｒｓａｅｉ ｃｏｅ， ｎ Ａ ｓ ｃ】Ａ ｍｎ ｔ ｈ ｓｒ ｕ ｏ ｅ ａｃｒｉｇｔ ｖ ｕｌ ｓｃｏｏ ｎ ｅｃｐｕｌ ｈ ｒｃ ｒ ｔ ｓ Ｈ Ｖ ｃｌ ｐ ｃ ｓ ｈｓｎ ａｄ ｒ ｅ ｉ ｓ ｏ ｓ ｇ ｅ ｉ ｉ ｏ
１ 引 言
在 图像 的采 集过程 中 。总会伴 随着 随机 的噪声 干 扰， 使得图像质量变差 。在低 照度 的环境下 ， 监控设备采 集 的图像 噪声 随着 光照 的变弱 ， 噪声 也会变大 。为 了对
图像 进 行 识 别 或其 他 更 高 层 次 的处 理 和 应 用 ， 善 图 像 改 质 量 。 图像 的 预处 理 阶 段 对 低 照度 图 像 进 行 降 噪就 变 在
换成 的 ， 因此 比较 符 合 人 的 视 觉感 受 。 由于 Ｈ Ｖ颜 色 空 Ｓ
间的 ３个分量相关 性很小 ，改变任一分量对其余分量影
响很 小 ， 因此 可 以对 Ｈ， ， 各 个 分 量 采 用 独 立 的方 法 进 Ｓ 行 处 理 。本 文在 保 持 色调 分 量 Ｈ 不 变 的前 提 下 ， 出 了 提 对 饱 和 度 分 量 Ｓ和 亮 度 分 量 采 用 中 值 滤 波 和 基 于 边
ａ ｎ ｗ ｍｅｈ ｄ ｏ ｅ ｏｓｎ ｌｏ ｉ ｍ ｏ ｏ ｉ ｕ ｎ ｔ ｎ ｃ ｌｒ ｉ ｇ ｆ ｍｏ ｉ ｒｎ ｙ ｔｍ ｓ ｐ ｏ ｏ ｅ ． Ｋｅ ｐ ｎ ｕ ｎ ｈ ｎ ｅ ， ｅ ｔｏ ｆ ｄ ｎ ｉｉｇ ａｇ ｒ ｈ ｆ ｒ ｌｗ ｌ ｍｉ ａｉ ｏ ｏ ｍａ ｅ ｏ ｎ ｔ ｉｇ ｓ ｓｅ ｉ ｒ ｐ ｓ ｄ ｔ ｌ ｏ ｏ ｅ ｉｇ ｈ ｅ ｕ ｃ ａ ｇ ｄ
基于颜色恒常性的低照度图像视见度增强_禹晶
Agarwal 等[6] 对颜色恒常性算法的相关文献进 行了综述. 根据所要达到的目的, 可将颜色恒常性算 法分为两类: 彩色增强和白平衡 (White balance). 前者模拟 HVS 特性对彩色图像进行增强, 使增强图 像符合人眼直接观察场景的视觉感知; 后者对不同 颜色光照造成的图像偏色进行校正, 使校正图像的 颜色符合场景的真实颜色. 1.1 彩色增强 Retinex 算法是一类重要的颜色恒常性方法, 也 是重要的局部对比度增强方法, 近年来成为倍受关 注的研究热点. Retinex 是由视网膜 (Retina) 和大 脑皮层 (Cortex) 两个词组合而成. 早在 1964 年, Land 从人眼对颜色的感知特性出发, 提出了基于颜 色恒常性的 Retinex 理论[7] . Retinex 算法的目的 是从图像中去除场景照度分量的影响, 获得实际反 射分量. 迄今, 已经提出了多个版本的 Retinex 算法 及其改进算法. Land 于 1986 年 提 出 了 最 早 的 中 心/邻 域 Retinex 算法, 也称为基于邻域 (Surround-based) 的 Retinex 算法[8] . 在此基础上, NASA Langley 研 究中心的 Jobson, Rahman 和 Woodell 提出了单尺 度 Retinex (Single-scale Retinex, SSR) 算法[9] , 并 将其扩展到多尺度, 提出了多尺度 Retinex (Multiscale Retinex, MSR) 算法[10] . 基于邻域的版本存 在严重的颜色失真问题. 由于其本质是基于灰度假 设, 当图像整体或局部区域的颜色违背灰度假设时, 处理后的颜色将变为灰色调, 称之为灰化效应. 为 此, Jobson, Rahman 和 Woodell 提出了颜色复原 的多尺度 Retinex (Multi-scale Retinex with color restoration, MSRCR) 算法[11−12] . 但是, MSRCR 算法的颜色复原过程实际上是通过非线性函数引入 原图像的色度, 来补偿 MSR 算法处理过程中损失 的颜色信息, 并不是恢复场景的真实颜色[13] . 因此, MSRCR 算法的颜色补偿实质上违背了颜色恒常性 的原理. Meylan 等[14] 提出了一种基于中心/邻域 Retinex 模型的自适应滤波算法, 根据图像的边缘方 向自适应调整滤波器的形状, 但仍不可避免地在图 像边缘处产生 Halo 效应. Rizzi 等[15−16] 基于 HVS 的侧抑制机理, 提出 了自动颜色均衡化 (Automatic color equalization, ACE) 算法. ACE 算法实现了图像的全局和局部 对比度增强, 并且综合了 (White patch, WP) 和 (Gray world, GW) 的颜色校正机制. 但是, ACE 算 法的主要问题是时间复杂度过高, 并且在低对比度 区域也会产生局部灰化效应. 1.2 白平衡
多层次特征融合低照度图像增强算法
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３－３１０６．２０２３．０４．０２５引用格式：梁礼明，朱晨锟，何安军．多层次特征融合低照度图像增强算法［Ｊ］．无线电工程，２０２３，５３（４）：９４６－９５６．［ＬＩＡＮＧＬｉｍｉｎｇ，ＺＨＵＣｈｅｎｋｕｎ，ＨＥＡｎｊｕｎ．Ｍｕｌｔｉ ｌｅｖｅｌＦｅａｔｕｒｅＦｕｓｉｏｎＡｌｇｏｒｉｔｈｍｆｏｒＬｏｗＩｌｌｕｍｉｎａｔｉｏｎＩｍａｇｅＥｎｈａｎｃｅｍｅｎｔ［Ｊ］．ＲａｄｉｏＥｎｇｉｎｅｅｒｉｎｇ，２０２３，５３（４）：９４６－９５６．］多层次特征融合低照度图像增强算法梁礼明，朱晨锟，何安军（江西理工大学电气工程与自动化学院，江西赣州３４１４１１）摘 要：针对成像设备在夜间等低照度环境下采集的图像存在细节丢失、动态范围较窄和大量噪声等特点，导致采集图像清晰度低、可用性不高和识别性较差等问题，提出了一种多层次特征融合（Ｍｕｌｔｉ ｌｅｖｅｌＦｅａｔｕｒｅＦｕｓｉｏｎ，ＭＦＦ Ｎｅｔ）算法。
该算法利用多尺度采样构建Ｕ型网络，并引入多种注意力机制多线程处理图像流，各支路特征向量跨通道交互，协同渐进式抑制冗余信息。
高效运用特征融合模块强化对低尺度纹理细节和多层次特征的感知。
设计了由峰值信噪比（ＰｅａｋＳｉｇｎａｌｔｏＮｏｉｓｅＲａｔｉｏ，ＰＳＮＲ）和结构相似性（ＳｔｒｕｃｔｕｒａｌＳｉｍｉｌａｒｉｔｙ，ＳＳＩＭ）指标构成的损失函数，有目的地引导网络由浅到深地学习图像之间的映射关系，从而加快模型收敛速度，助力提高模型性能和图像增强。
所提算法在ＬＯＬ数据集Ｌｏｗ ＬｉｇｈｔＤａｔａｓｅｔ上进行了相关实验和测试。
其ＰＳＮＲ、ＳＳＩＭ和学习感知图像块相似度（ＬｅａｒｎｅｄＰｅｒｃｅｐｔｕａｌＩｍａｇｅＰａｔｃｈＳｉｍｉｌａｒｉｔｙ，ＬＰＩＰＳ）等６种客观评价指标上整体优于大部分先进算法。
实验结果表明，所构建的模型能有效抑制图像失真、噪声问题并显著提高图像质量和照度。
关键词：多尺度特征融合；低照度图像；Ｕ型网络；注意力机制；图像增强中图分类号：ＴＰ３９１．４１文献标志码：Ａ开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１００３－３１０６（２０２３）０４－９４６－１１Ｍｕｌｔｉ ｌｅｖｅｌＦｅａｔｕｒｅＦｕｓｉｏｎＡｌｇｏｒｉｔｈｍｆｏｒＬｏｗＩｌｌｕｍｉｎａｔｉｏｎＩｍａｇｅＥｎｈａｎｃｅｍｅｎｔＬＩＡＮＧＬｉｍｉｎｇ，ＺＨＵＣｈｅｎｋｕｎ，ＨＥＡｎｊｕｎ（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｕｔｏｍａｔｉｏｎ，ＪｉａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｇａｎｚｈｏｕ３４１４１１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｓｏｆｌｏｗｒｅｓｏｌｕｔｉｏｎ，ｌｏｗａｖａｉｌａｂｉｌｉｔｙａｎｄｐｏｏｒｒｅｃｏｇｎｉｔｉｏｎｃａｕｓｅｄｂｙｔｈｅｌｏｓｓｏｆｄｅｔａｉｌ，ｎａｒｒｏｗｄｙｎａｍｉｃｒａｎｇｅａｎｄｌａｒｇｅａｍｏｕｎｔｏｆｎｏｉｓｅｉｎｔｈｅｉｍａｇｅｓｃｏｌｌｅｃｔｅｄｂｙｉｍａｇｉｎｇｅｑｕｉｐｍｅｎｔｉｎｌｏｗｉｌｌｕｍｉｎａｔｉｏｎｅｎｖｉｒｏｎｍｅｎｔｓｕｃｈａｓｎｉｇｈｔ，ａＭｕｌｔｉ ｌｅｖｅｌＦｅａｔｕｒｅＦｕｓｉｏｎ（ＭＦＦ Ｎｅｔ）ａｌｇｏｒｉｔｈｍｉｓｐｒｏｐｏｓｅｄ．Ｉｎｔｈｉｓａｌｇｏｒｉｔｈｍ，ｍｕｌｔｉ ｓｃａｌｅｓａｍｐｌｉｎｇｉｓｆｉｒｓｔｌｙｕｓｅｄｔｏｃｏｎｓｔｒｕｃｔａＵ ｓｈａｐｅｄｎｅｔｗｏｒｋ，ａｎｄｍｕｌｔｉｐｌｅａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｓａｒｅｉｎｔｒｏｄｕｃｅｄｔｏｐｒｏｃｅｓｓｔｈｅｉｍａｇｅｓｔｒｅａｍｉｎｍｕｌｔｉｐｌｅｔｈｒｅａｄｓ．Ｆｅａｔｕｒｅｖｅｃｔｏｒｓｏｆｅａｃｈｂｒａｎｃｈｉｎｔｅｒａｃｔｗｉｔｈｅａｃｈｏｔｈｅｒａｃｒｏｓｓｃｈａｎｎｅｌｓ，ａｎｄｃｏｏｐｅｒａｔｅｔｏｓｕｐｐｒｅｓｓｒｅｄｕｎｄａｎｔｉｎｆｏｒｍａｔｉｏｎｐｒｏｇｒｅｓｓｉｖｅｌｙ．Ｓｅｃｏｎｄｌｙ，ｆｅａｔｕｒｅｆｕｓｉｏｎｍｏｄｕｌｅｓａｒｅｅｆｆｉｃｉｅｎｔｌｙｕｓｅｄｔｏｅｎｈａｎｃｅｔｈｅｐｅｒｃｅｐｔｉｏｎｏｆｌｏｗ ｓｃａｌｅｔｅｘｔｕｒｅｄｅｔａｉｌｓａｎｄｍｕｌｔｉ ｌｅｖｅｌｆｅａｔｕｒｅｓ．Ｆｉｎａｌｌｙ，ａｌｏｓｓｆｕｎｃｔｉｏｎｃｏｍｐｏｓｅｄｏｆＰｅａｋＳｉｇｎａｌｔｏＮｏｉｓｅＲａｔｉｏ（ＰＳＮＲ）ａｎｄＳｔｒｕｃｔｕｒａｌＳｉｍｉｌａｒｉｔｙ（ＳＳＩＭ）ｉｎｄｅｘｉｓｄｅｓｉｇｎｅｄｔｏｐｕｒｐｏｓｅｆｕｌｌｙｇｕｉｄｅｔｈｅｎｅｔｗｏｒｋｔｏｌｅａｒｎｔｈｅｍａｐｐｉｎｇｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｉｍａｇｅｓｆｒｏｍｓｈａｌｌｏｗｔｏｄｅｅｐ，ｓｏａｓｔｏａｃｃｅｌｅｒａｔｅｔｈｅｍｏｄｅｌｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄａｎｄｈｅｌｐｍｏｄｅｌｐｅｒｆｏｒｍａｎｃｅｉｍｐｒｏｖｅｍｅｎｔａｎｄｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ．ＴｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｉｓｔｅｓｔｅｄｏｎＬＯＬ（Ｌｏｗ Ｌｉｇｈｔ）ｄａｔａｓｅｔ．ＴｈｅｓｉｘｏｂｊｅｃｔｉｖｅｅｖａｌｕａｔｉｏｎｉｎｄｅｘｅｓｏｆＰＳＮＲ，ＳＳＩＭａｎｄＬｅａｒｎｅｄＰｅｒｃｅｐｔｕａｌＩｍａｇｅＰａｔｃｈＳｉｍｉｌａｒｉｔｙ（ＬＰＩＰＳ）ａｒｅｂｅｔｔｅｒｔｈａｎｔｈｏｓｅｏｆｍｏｓｔａｄｖａｎｃｅｄａｌｇｏｒｉｔｈｍｓ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｏｄｅｌｃａｎｅｆｆｅｃｔｉｖｅｌｙｓｕｐｐｒｅｓｓｉｍａｇｅｄｉｓｔｏｒｔｉｏｎａｎｄｎｏｉｓｅ，ａｎｄｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｉｍａｇｅｑｕａｌｉｔｙａｎｄｉｌｌｕｍｉｎａｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｍｕｌｔｉ ｓｃａｌｅｆｅａｔｕｒｅｆｕｓｉｏｎ；ｌｏｗ ｉｌｌｕｍｉｎａｔｉｏｎｉｍａｇｅ；Ｕｎｅｔ；ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ；ｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ收稿日期：２０２２－１１－０２基金项目：国家自然科学基金（５１３６５０１７，６１４６３０１８）；江西省自然科学基金面上项目（２０１９２ＢＡＢ２０５０８４）；江西省教育厅科学技术研究重点项目（ＧＪＪ１７０４９１）ＦｏｕｎｄａｔｉｏｎＩｔｅｍ：ＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（５１３６５０１７，６１４６３０１８）；ＧｅｎｅｒａｌＰｒｏｇｒａｍｏｆＪｉａｎｇｘｉＰｒｏｖｉｎｃｉａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（２０１９２ＢＡＢ２０５０８４）；ＫｅｙＰｒｏｊｅｃｔｏｆＪｉａｎｇｘｉＰｒｏｖｉｎｃｉａｌＤｅｐａｒｔｍｅｎｔｏｆＥｄｕｃａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＲｅｓｅａｒｃｈ（ＧＪＪ１７０４９１）工程与应用０ 引言在雨天、夜晚等恶劣照明环境下采集的图像称为低照度图像，此类图像难以辨别、缺乏可用性，同时也会对语义分割、图像识别和目标检测等高层任务带来困难。
- 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)。
第28卷第9期2011年9月计算机应用研究Application Research of Computers Vol．28No．9Sep．2011一种新的低照度彩色图像增强算法李小霞，李铖果，邹建华，韩雪梅（西南科技大学信息工程学院，四川绵阳621010）摘*要：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。
实验结果强饱和度结合在多尺度Retinex 算法的基础上，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、20．93%和29．88%，标准偏差和对比度分别提高了94．95%、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。
关键词：低照度；彩色图像增强；分段对数变换；边缘保持；饱和度；色调；Retinex 算法中图分类号：TP391文献标志码：A文章编号：1001-3695（2011）09-3554-02doi ：10．3969/j．issn．1001-3695．2011．09．100New low illumination color image enhancement algorithmLI Xiao-xia ，LI Cheng-guo ，ZOU Jian-hua ，HAN Xue-mei（School of Information Engineering ，Southwest University of Science ＆Technology ，Mianyang Sichuan 621010，China ）Abstract ：In order to avoid the color distortion during the image enhancement ，this paper proposed a new low illumination color image enhancement method combining the saturation enhancement with segment logarithmic transformation and value en-hancement with edge retaining （S_log-V_edge）based on the multi-scale Retinex （MSR ）algorithm without changing the huein the HSV color space．Results show that this method can improve the low illumination images ’visual effect and enhance the image brightness and contrast while retaining the image hue and edge．The 25low illumination images average value ，standard20．93%and 29．88%individually ，the entropy and con-deviation and contrast incremental value are increased by 94．95%，showing trast incremental value are 7．34%and 151．51%more than the multi-scale Retinex with color restoration （MSRCR ），the effects are better than Retinex methods．Key words ：low illumination ；color image enhancement ；segment logarithmic transformation ；edge retainment ；saturation ；value ；Retinex algorithm0引言在图像采集或视频监控的应用中，经常会有夜视或背光等V_edge）对低照基于边缘保持的色调分量增强的方法（S_log-度彩色图像进行增强。
采集到的图像信噪比和对比度都较低，需要进低照度的情况，行图像增强处理后才能进行特定的应用。
图像增强就是扩大图像的灰度范围和提高图像的整体亮度，改善图像的主观质量，使得无法辨识的图像细节能够被人眼或机器识别。
常用的［1］［2］图像增强算法有直方图变换法、灰度变换法、神经网络、Retinex 算法［3 5］和基于HSV （色相、饱和度和色调）颜色空间1图像增强算法低照度彩色图像增强过程可以主要分为三个步骤：a ）将低照度图像由RGB 颜色空间转换到HSV 颜色空间；b ）保持色相H 分量不变，分别对饱和度分量S 和色调分量V 进行增强；c ）将图像由HSV 颜色空间转换回RGB 空间。
具体算法如图1所示。
1. 1饱和度分量增强饱和度增强算法是对饱和度归一化后，根据饱和度的大小0．25＜S ＜0．5、0．5＜S ＜0．75、将图像分为四个区域：S ＜0．25、0．75＜S 。
将高饱和度的区域进行保持或降低，适当提高低饱可达到更好的视觉效果。
常用于饱和度分量增强的和度区域，方法有分段线性变换和基于饱和度区域像素统计。
针对低照度图像增强，本文对分段线性变换增强方法作了改进，提出了一种分段对数变换饱和度分量增强方法，将图像转换到对数域来进行处理，如下：的增强算法［6］等。
直方图变换法最常见的为直方图均衡化，能自适应地提高图像灰度动态范围，在图像增强中被广泛使用，其缺点是变换后图像的灰度级减少，某些细节消失。
灰度在灰度动态范围宽的低照变换法中最常见的就是对比度拉伸，度图像中对图像对比度拉伸效果非常有限。
带色彩恢复的多尺度Retinex 算法主观增强效果很好，但会降低图像对比度，边缘细节保持不理想。
HSV 颜色空间是直接面向用户的色彩空CYMK 模型更符合人的视觉心理感受。
间，较RBG 、本文在HSV 色彩空间，根据图像饱和度分量和色调分量的不同性质，提出了基于分段对数变换的饱和度分量增强结合收稿日期：2011-01-27；修回日期：2011-02-25基金项目：单目高精度大型物体彩色三维数字化测量原理研究（60808020）作者简介：李小霞（1976-），女，四川安岳人，副教授，博士，主要研究方向为模式识别、图像处理（lixiaoxia@swust．edu．cn ）；李铖果（1987-），女，硕士研究生，主要研究方向为模式识别与图像处理；邹建华（1984-），女，硕士，主要研究方向为图像处理；韩雪梅（1979-），女，硕士，主要研究方向为信号处理．第9期李小霞，等：一种新的低照度彩色图像增强算法·3555·S enh （x ，y ）={log （1+S （x ，y ））a ˑ log （1+S （x ，y ））b ˑ log （1+S （x ，y ））log （1+S （x ，y ））S （x ，y ）≤0．250．25＜S （x ，y ）≤0．50．5＜S （x ，y ）≤0．75S（x ，y ）＞0．75（1）其中：P i 表示第i 个灰度级的概率。
对比度增量是用来度量增强后图像的对比度与原图对比反映了图像变换前后对比度的变化程度，如果对比度的关系，度增量大于1，表明图像的对比度在原图的基础上有所增强，更有利于人眼观察，如下：K =C processed /C original（8）该方法对饱和度过低和过高的区域只取对数运算，对较低a 和b 和较高区域进行对数变换后，再进行一定程度的拉伸，为拉伸系数。
若整幅图像饱和度过低，则a 和b 选择较大的值；反之选择较小的值。
1. 2色调分量增强色调分量包含了原图大部分的边缘细节信息，保持或者增强边缘对提高低照度图像的可见性和可分辨性具有重要意义。
SSR 、色调分量增强的方法有全局线性变换、分段线性变换、MSR 和基于饱和度反馈的自适应色调增强方法。
考虑到图像本文在MSR 算法的基础上进行了改进，改进边缘信息的保持，算法如图2所示。
其中：C 是用3ˑ 3大小的滑动窗口按照（max －min ）/（max +min ）来计算局部对比度的平均值。
3实验结果及分析本文分别采用带色彩恢复的多尺度MSR （MSRCR ）、分段V_MSR）、线性变换饱和度增强与MSR 色调增强（S_linear-分V _段线性变换饱和度增强与边缘保持色调增强（S _linear-V_edge ）、分段对数变换饱和度增强与MSR 色调增强（S_log-MSR ）和分段对数变换饱和度增强与边缘保持色调增强（S_log-V_edge）五种算法对图3（a ）进行增强，分段对数变换的参b =0．8，数a =1．2，结果如图3所示。
首先对图像的色调分量进行多尺度Retinex 变换，如下：r （x ，y ）=∑w i ˑ ｛log ［L （x ，y ）］－log ［L （x ，y ）ˑ G i （x ，y ）］｝i =1N（2）y ）是原始图像；N 表示尺度的个数，其中：L （x ，通常采用三个尺度；w i 是加权系数，通常假定各个尺度的权重是相等的，即w 1=w 2=w 3=1/3。
高斯函数G i （x ，y ）为G i （x ，y ）=λˑ e －（x 2+y 2）c i（3）从图3中可以看出主观上这五种算法都提高了图像亮度，能够看清楚原图中的暗区域，且都能够在一定程度上恢复原图（c ）和的颜色。
图3（b ）MSRCR 算法存在明显的过饱和现象，（e ）增强的边缘不如（d ）和（f ）明显，（f ）比如建筑物的边缘，（d ）的层次更加清晰，色彩更加真实。
采用本文提出的算法对25幅图像（http ：//dragon．larc．nasa．gov/retinex/pao/news/）进行增强实验，通过亮度、熵、标准偏差和对比度增量这四个客观指标对增强效果进行评估，如表1所示。
表1增强方法原图MSRCR S_linear-V_MSRS_log-V_MSR S_linear-V_edgeS_log-V_edgec i 取不同的值则称为多尺度；λ是使得高其中：c i 是尺度常量，斯函数归一化的常量矩阵。
y ）d x d y =1∫∫G （x ，（4）然后进行锐化处理，为了防止单纯的边缘锐化而带来的边缘扭曲和噪声放大，对提取的边缘进行高斯平滑，以滤除部分噪声。