检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于retinex理论图像增强研究

基于Retinex理论图像增强研究

作者：胥培重庆邮电大学

学位级别：硕士

随着计算视觉和人工智能的快速崛起,图像逐渐成为人类获得外界信息最重要的媒介之一,同时作为当今的研究重点被各个研究领域进行了深入的研究,例如智能驾驶、无人机拍摄、医学临床检测和遥感监测等领域,推动着相关领域的技术发展。然而... 详细信息

随着计算视觉和人工智能的快速崛起,图像逐渐成为人类获得外界信息最重要的媒介之一,同时作为当今的研究重点被各个研究领域进行了深入的研究,例如智能驾驶、无人机拍摄、医学临床检测和遥感监测等领域,推动着相关领域的技术发展。然而在图像的实际拍摄过程中,可能会因为拍摄环境和拍摄光照等不可抗拒因素导致图像质量严重下降,从而很难从图像中获取到有价值的信息。因而采用增强的技术对质量已退化的图像进行相关处理,可以改善其细节信息和提高图像质量,甚至促进其相关领域的发展,具有较强的工业应用价值。本文在retinex理论的基础上提出了两种图像增强算法。为了使处理后的图像符合人眼视觉感知,并解决单尺度retinex算法中增强结果不自然,细节增强与整体视觉之间的不平衡等问题,本文在单尺度retinex框架的基础上,提出了一种基于光照补偿和细节调整的自适应retinex增强算法。首先基于加权引导滤波和形态学的结合,提出一种新的图像光照分量估计方法,能够有效地消除增强结果中的光晕和增强细节信息,并在单尺度retinex模型上加入亮度调节因子和细节调节模型,解决其增强结果不自然的问题;引入蜂群算法并结合熵值实现参数自适应,使增强结果达到参数最优;同时为了使增强结果在视觉上达到最优效果,在原图的基础上结合三角函数和改进的细节调整模型对增强结果进行光照补偿和细节调整,在补偿和调整结果融合中可能出现部分细节丢失和模糊,基于像素之间的调整提出了细节恢复方案,从而得到增强结果。实验仿真结果发现,本文的提出的算法无论在在客观评价和主观分析上都能取得好的增强结果。上述增强算法是在对数域中进行计算的,采用估计的方法去解决图像反射分量,给算法本身增加了不确定性。为了解决这个问题,在变分框架的基础上,提出了基于光照补偿和细节调整的变分retinex增强算法。首先构造一种新的目标函数并结合交替求解的策略求解图像的光照分量和反射分量;并直接在变分增强结果进行光照补偿和细节调整,其中光照补偿通过估算图像之间的暗度并结合三角函数原理实现,细节通过函数归一化实现;特别地,为了能够将调整和补偿后的信息有效地与变分增强结果融合在一起,本文分别从亮度,色调和曝光率设计了加权值;最后通过多尺度融合的方式得到最终的增强结果。在公开的低照度数据上的测试表明,本文提出的算法在客观和主观分析上都要优异与对比的算法。

关键词：图像增强 retinex理论光照补偿细节调整变分框架

基于retinex理论和深度学习的低照度图像增强算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Retinex理论和深度学习的低照度图像增强算法研究

作者：常若望华中科技大学

学位级别：硕士

图像作为一种重要的信息载体,在人类生产生活中发挥着重要的作用。受夜间光照条件不足、成像设备性能等因素影响,在低照度环境下拍摄的图片整体灰度值偏小,细节信息弱化。这样的低质量图片一方面视觉效果差,另一方面会严重影响后续计算... 详细信息

图像作为一种重要的信息载体,在人类生产生活中发挥着重要的作用。受夜间光照条件不足、成像设备性能等因素影响,在低照度环境下拍摄的图片整体灰度值偏小,细节信息弱化。这样的低质量图片一方面视觉效果差,另一方面会严重影响后续计算机视觉系统的性能。为了提高低照度图像的质量,本文以retinex模型以及深度学习理论为基础,从有监督和无监督两个角度分别研究了低照度图像增强算法。研究内容如下:低照度图像中耦合的其他图像退化问题使得增强任务变得复杂,现有的监督学习类增强方法大都忽略了低照度图像的亮度和噪声分布的相关性,使得处理结果要么噪声抑制不理想,要么过于平滑。针对此问题本文提出了一种基于亮度分级的低照度图像增强算法。首先基于retinex理论构建分解模块,对图像进行分解得到反射率分量、光照分量,针对目前的光照分解算法中存在的对黑色区域过度增强的问题,本文提出了区域加权损失来抑制容易被过度增强的区域。然后基于retinex原理构建自适应变换模块对反射率图变换,得到低、中、高亮度等级的图像,从低到高进行迭代式的残差重建,获得了更精细的重建效果。与主流的监督学习类方法相比,所提算法在经典数据集上测试的多个全参考指标均有显著提升。基于监督学习类的方法训练需要成对的训练数据,训练数据规模小,训练的网络泛化性较差。在上述工作基础上,本文又提出了一种基于无监督学习的两阶段图像增强网络。一阶段进行图像亮度提升,通过提出的亮度通道扩展模块和亮度损失函数,在不需要成对图像的情况下简单高效地完成图像亮度提升。二阶段进行重建,针对目前基于生成对抗式网络的无监督方法通常会有不均匀增强的问题,提出了基于retinex的重建损失和对抗损失联合训练的方法,提高了稳定性。最后通过主观和客观实验证明了所提算法的有效性。

关键词：低照度图像增强 retinex理论生成式对抗网络图像质量评价全监督和无监督学习

基于retinex理论和深度学习的低照度图像增强研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Retinex理论和深度学习的低照度图像增强研究

作者：吴鹏飞南京邮电大学

学位级别：硕士

由于环境因素和相机设备的限制,尤其是在夜晚,拍摄的图像会出现低亮度、低对比度、高噪声和颜色失真等现象,这影响了人类对图像的主观视觉感受。此外,在高级计算机视觉处理任务中,低照度图像中大量图像特征信息不明显,给后续图像识别、... 详细信息

由于环境因素和相机设备的限制,尤其是在夜晚,拍摄的图像会出现低亮度、低对比度、高噪声和颜色失真等现象,这影响了人类对图像的主观视觉感受。此外,在高级计算机视觉处理任务中,低照度图像中大量图像特征信息不明显,给后续图像识别、目标检测、目标跟踪等任务造成困难。为了提升低照度图像的整体质量,在增强亮度、色彩、对比度的同时保持图像的细节,本文提出了以下创新点:(1)为了解决传统基于retinex理论的方法中采用高斯滤波或设置特定先验约束估计图像照度分量,导致照度估计不准确,结果存在光晕伪影和颜色失真的问题,本文将低照度图像转换至HSV空间,采用迭代多尺度引导滤波算法精准估计V分量重的照度分量,然后结合二维自适应gamma校正与分层CLAHE算法对照度分量进行校正。由于低照度图像往往包含噪声,本文采用联合高斯滤波和引导滤波的方法抑制反射分量中的噪声。最后将照度分量和反射分量逐元素相乘得到增强后的V分量,并将增强结果图像转换回RGB空间得到最终增强结果。(2)为解决基于retinex理论的深度学习方法中存在的图像颜色失真、亮度不足以及噪声放大等问题,本文提出了一种基于retinex理论和注意力机制的低照度图像增强网络。该网络由分解网络、反射去噪网络以及光照调整网络三部分组成。分解网络采用双分支网络结构,并且采用通道拼接使上下采样层之间实现跳跃连接,以提高图像分辨率和弥补下采样过程中丢失的细节,精准地从输入图像中提取照度分量和反射分量;对于反射去噪网络,引入卷积模块注意力机制,提高网络对图像噪声信息的敏感性,抑制图像中的噪声;对于光照调整网络,引入全局注意力机制提升照度分量亮度和对比度,并且采用通道拼接关联上下采样的特征,弥补照度分量的细节信息,提高增强图像的全局光照一致性。

关键词：低照度图像增强 retinex理论引导滤波注意力机制深度学习

基于retinex理论的非均匀光照图像增强算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Retinex理论的非均匀光照图像增强算法研究

作者：吴佳丽南京邮电大学

学位级别：硕士

由于照明强度以及数字设备动态范围的约束,拍摄的照片通常会出现能见度低、对比度不高和噪声放大等退化现象,这种低质量图像不仅视觉效果不佳,而且难以支持后期高级的计算机视觉任务。针对以上问题,本文在传统方向,基于retinex模型的局... 详细信息

由于照明强度以及数字设备动态范围的约束,拍摄的照片通常会出现能见度低、对比度不高和噪声放大等退化现象,这种低质量图像不仅视觉效果不佳,而且难以支持后期高级的计算机视觉任务。针对以上问题,本文在传统方向,基于retinex模型的局限之处,提出了基于retinex的纹理结构感知的非均匀光照图像增强算法;在深度学习方向,基于retinex-Net网络模型存在的色彩保真度低以及放大噪声等缺点,提出了改进retinex-Net的非均匀光照图像增强网络。本文的相关工作与创新点如下:（1）针对传统retinex算法难以同时估计出精确的光照图和反射图,以及增强图像自然度低、对比度不高等问题,本文提出了基于retinex的纹理结构感知的非均匀光照图像增强算法。该算法主要包含三大步骤,即纹理结构感知的retinex分解,基于限制对比度的自适应直方图均衡、直方图修正的对比度增强以及基于查找表的光照调整。观测图像首先通过指数局部平均变分滤波器,并利用加权的方法实现retinex分解,该分解方法是纹理、结构感知的,可以同时估算出较为精确的光照分量和反射分量,然后利用直方图修正的方法对反射图像的子块进行基于内容的自适应对比度拉伸,最后通过学习查找表调整亮度。实验结果表明,本文算法性能稳定且适用性较好,在保持图像整体自然性的情况下,未造成模糊、伪影、增强过度以及颜色保真度低等不良效果。（2）受retinex-Net网络模型的启发,针对其存在的色彩失真以及放大噪声等问题,本文提出了一个改进retinex-Net的非均匀光照图像增强网络,该网络由三种模块构成,分别是分解模块、反射分量去噪模块和光照调整模块。对于分解模块,采用双分支以及残差连接来保持更多的图像细节信息,同时添加光照一致性损失函数以进一步抑制图像弱边缘信息,保留更多的强边缘结构信息;对于反射分量去噪模块,采用双残差结构保留更多细节纹理,引入通道特征注意力模块,学习图像中的关键内容,降低对噪声等无关特征的响应;对于光照调整模块,为了缓解光照分量存在的局部区域过暗或过亮的问题,利用上采样来重建光照强度,同时,针对retinex-Net网络存在增强图像色彩失真这一问题,在光照调整模块中设计注意力模块并添加色彩损失函数。实验结果表明,本文算法在提升图像对比度和饱和区域细节方面取得更好效果,且没有出现明显的颜色失真以及大面积的伪影,因此图像的自然度较高,同时和其他对比算法相比,本文算法的PSNR和SSIM指标值最大。

关键词：非均匀光照图像 retinex理论纹理结构感知深度学习注意力模块

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于retinex理论的低照度图像增强

基于Retinex理论的低照度图像增强

作者：李俊钢云南大学

学位级别：硕士

图像处理技术的应用随处可见,它在军事和民用的各个领域都展示了不容小觑的实力。图像处理可以划分为多种技术:图像修复、降噪以及增强等,其中的图像增强技术,可以将原来模糊或辨识度低的图像变得清晰。在实际生活中,有很多图像因照度... 详细信息

图像处理技术的应用随处可见,它在军事和民用的各个领域都展示了不容小觑的实力。图像处理可以划分为多种技术:图像修复、降噪以及增强等,其中的图像增强技术,可以将原来模糊或辨识度低的图像变得清晰。在实际生活中,有很多图像因照度不够等不同原因效果不尽人意,尤其是低照度图像,这类图像整体较暗,微光、暗色区域占图像主要部分,看不清其中的细节,这会给后续的图像处理带来严重挑战,我们可以借助相应的图像增强方法来进行处理,retinex算法就是处理低照度图像的典型代表方法之一。本文具体研究内容如下:（1）说明低照度图像的成像环境以及成像特点,阐述增强低照度图像常用的retinex模型并分析基于retinex理论的常见算法。（2）针对传统retinex算法细节不突出、色彩不真实、会出现“光晕”现象等问题,提出了一种HSV空间的基于巴特沃斯低通滤波BLPF（Butterworth Low-pass Filter,BLPF）的改进单尺度retinex算法。改进算法将低照度图像转换到HSV色彩空间,针对低照度图像亮度低、呈现信息偏少的问题,对亮度分量V进行基于BLPF的改进单尺度retinex增强;为了保持图像原有色彩,对饱和度分量S进行自适应拉伸;最后将图像转回RGB色彩空间。经测试,改进算法能有效地减弱噪声干扰,提升图像暗区亮度,抑制局部高亮区的“光晕”,同时还能凸显图像的细节,还原图像原有的色彩。（3）针对传统retinex算法需要人工进行参数的调试以及能适应的低照度场景有限的问题,提出了一种基于卷积神经网络的低照度图像增强算法retinex-Dn CNet。retinex-Dn CNet是以数据驱动的方式来学习低照度图像分解和增强的网络,它通过端到端的网络训练来进行模型参数的学习,网络分为两部分:分解网络和增强网络。分解网络将低照度图像分解为反射分量R和光照分量I,针对反射分量R噪声多,细节不够突出的问题,增强网络先对去噪卷积神经网络Dn CNN（Denoising Convolutional Neural Network,Dn CNN）模型进行改进,再用改进后的模型New Dn CNN对反射分量R进行去噪处理,针对光照分量I亮度低,细节不够突出的问题,引入卷积块注意力模型CBAM（Convolutional Block Attention Model,CBAM）进行细节增强并指导网络进行光照分量的修正,最后将处理后的反射分量和光照分量逐元素相乘进行图像重建。经测试,增强后的低照度图像亮度提升,细节突出,信息丰富,图像失真小且真实自然。

关键词：低照度图像增强 retinex理论改进的retinex算法卷积神经网络改进的DnCNN 卷积块注意力模型

基于retinex理论的光照不均图像增强算法研究与应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Retinex理论的光照不均图像增强算法研究与应用

作者：冯红波宁夏大学

学位级别：硕士

图像增强是指通过某种方式提高图像的亮度、对比度、目标清晰度等特性达到获取更多的信息的目的。由于受到周围环境光的影响,导致采集到的图像明暗不均,目标物体细节隐藏于暗中或明光中,这种光照不均使得人们对于图像的视觉体验变差,且... 详细信息

图像增强是指通过某种方式提高图像的亮度、对比度、目标清晰度等特性达到获取更多的信息的目的。由于受到周围环境光的影响,导致采集到的图像明暗不均,目标物体细节隐藏于暗中或明光中,这种光照不均使得人们对于图像的视觉体验变差,且不利于进行后续的图像分析。retinex理论是图像增强领域的经典理论,但是在用其处理光照不均图像时出现局部色彩失真严重的问题,本文深入研究了基于retinex理论的图像增强算法,对其进行改进提出一种色彩保持良好的光照不均图像增强算法,并将其应用到目标检测领域中。本文的主要研究内容如下:(1)改进了多尺度retinex算法,并结合小波变换方法,提出基于自适应权重的多尺度retinex和小波变换的彩色图像增强算法(AMSR-WT)。算法的主要步骤包括:首先将图像从RGB空间转换到HSI空间,将亮度Ⅰ分量分为低频图像和高频图像,然后对低频图像使用改进的自适应权重的MSR算法进行增强,同时对高频图像进行小波去噪增强,最后将图像通过线性色彩恢复转回RGB空间得到最后的增强图像。通过与其他测试算法对比,本算法在增强图像可视化的同时能够保证色彩保真度。(2)提出一种基于AMSR-WT预处理增强的SSD(Single Shot MultiBox Detector)目标检测方法,该方法主要改善暗光环境对图像目标检测精度的影响,图像通过AMSR-WT算法进行增强预处理后,再通过SSD目标检测算法进行检测。该方法在测试过程中得到了很好的验证,减少了暗光环境中的目标漏检情况,提高了目标的检测精度。(3)利用Python强大的GUI工具库PyQt5实现了本文算法的图像可视化系统。该系统实现了本文提出的两种算法以及一些经典的图像增强算法,此外通过图像评价模块可以辅助用户对图像增强方法进行选择。

关键词： retinex理论图像增强自适应权重 SSD算法

基于retinex理论的图像增强算法的车辆主动安全技术

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

聊城大学学报（自然科学版） 2016年第4期29卷 99-104,110页

作者：王苹黄风华阳光学院计算机工程系福建福州350001

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... 详细信息

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.

关键词： retinex理论图像增强算法车辆主动安全技术

基于retinex理论的低照度图像增强技术研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

现代计算机 2020年第29期26卷 48-54页

作者：杨微姚冰莹朱晓凤广州大学华软软件学院软件工程系广州510990

低照度图像增强是计算机视觉研究的一个重要领域,被广泛应用于计算机视觉任务的预处理中。近年来基于Ret⁃inex理论的低照度增强表现出旺盛的生命力,取得显著的进展。首先对研究问题定义,对基于retinex模型低照度图像增强的不同技术分支... 详细信息

低照度图像增强是计算机视觉研究的一个重要领域,被广泛应用于计算机视觉任务的预处理中。近年来基于Ret⁃inex理论的低照度增强表现出旺盛的生命力,取得显著的进展。首先对研究问题定义,对基于retinex模型低照度图像增强的不同技术分支进行分析研究,包括基于传统数学运算、基于卷积神经网络、基于图像融合等不同技术分支,最后给出对不同技术分支未来的研究方向的观点。

关键词：低照度成像图像增强 retinex理论变分模型中心环绕算法卷积神经网络

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于retinex理论的低光图像增强算法

重庆工商大学学报（自然科学版） 2023年第6期40卷 61-67页

作者：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

为了解决低光照图像存在的对比度低、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)。它包括分解网络、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... 详细信息

为了解决低光照图像存在的对比度低、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)。它包括分解网络、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。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%。结果表明:retinex-RANet具有更好的低光图像增强效果。

关键词：低光增强残差模块注意力机制 retinex理论