改进双边滤波Retinex的多聚焦图像融合
发布时间：2021-07-01 17:47
目的针对传统Retinex算法存在的泛灰、光晕、边界突出以及高曝光区域细节增强不明显的现象,将Retinex和多聚焦融合的思想融合在一起,提出一种基于Retinex的改进双边滤波的多聚焦融合算法。方法首先根据图像情况在像素级层次将反射图像分解为最优亮暗区域两部分,然后利用线性积分变换和邻近像素最优推荐算法,将原始图像与最优亮区域多聚焦融合得到图像T,再将图像T与最优暗区域重复以上步骤得到图像S,最后利用引导滤波进行边界修复得到最终图像。结果选择两组图像girl和boat进行实验,与SSR（single scale Retinex）、BSSR（Retinex algorithm based on bilateral filtering）、BIFT（Retinex image enhancement algorithm based on image fusion technology）和RVRG（Retinex variational model based on relative gradient regularization and its application） 4种方法进行对比,...
【文章来源】：中国图象图形学报. 2020,25(03)北大核心CSCD
【文章页数】：10 页
【部分图文】：
本文算法流程图
利用改进的双边滤波估计出光照图像后，根据图像像素亮暗分布情况，将结果图像分成亮、暗区域两部分，根据图像信息熵选取最优亮暗区域参数，最终得到最优亮暗区域，分别对亮暗区域进行分步融合，可根据算法获取亮暗区域处理效果好的像素区域。如图2所示，最优暗区域对房前黑暗的部分处理效果明显，最优亮区域对房屋的主墙壁细节保留完整。原图中的天空云彩部分的层次感是最优亮暗区域无法保留的，所以本文算法选择将原图、最优亮区域和最优暗区域一起融合，最大程度增强图像。2.3 多聚焦融合
为了更好说明本文算法的优越性，将本文算法与BIFT算法(Retinex image enhancement algorithm based on image fusion technology)对room图像的增强结果进行比较(常戬等，2018)，结果如图3所示。BIFT算法中，房前位置亮度较低且存在泛灰问题，本文算法房子前的位置对比度明显提高，纹理更为清晰，边缘保留效果好，对细节的增强更为突出。本文算法中，天空云彩位置的层次更为突出，本文算法对边缘梯度保持效果大大提升。表1是BIFT算法与本文算法对room图像增强的参数对比。从表1可以看出，BIFT算法平均梯度高于本文算法，在均值和方差基本持平的情况下，本文算法的信息熵提高了0.33。信息熵表示图像信息的丰富度，是一个衡量图像融合的重要指标。综合以上分析，本文算法求得局部最优解，将原始图像分解为最优亮、暗区域，利用多聚焦融合思想分别融合原始图像、最优亮区域图像和最优暗区域图像的局部最优区域，极大增强了图像的对比度和细节信息，比BIFT算法得到了更好的视觉效果。本文算法将原始图像运用Otus阈值分割算法计算分割阈值，根据该阈值得到最优亮、暗区域两部分;利用线性积分变换和邻近像素最优推荐算法分别提取图像中的最优区域，根据引导图像加权融合，最后利用引导滤波修复边界得到结果图像。本文算法极大限度地将信息丰富度高的区域融合，达到提高结果图像的增强效果。
【参考文献】：
期刊论文
[1]混合先验与加权引导滤波的图像去雾算法[J]. 李喆,李建增,胡永江,张岩. 中国图象图形学报. 2019(02)
[2]基于Retinex的图像增强方法综述[J]. 谢凤英,汤萌,张蕊. 数据采集与处理. 2019(01)
[3]基于图像融合技术的Retinex图像增强算法[J]. 常戬,刘旺,白佳弘. 计算机工程与科学. 2018(09)
[4]基于随机游走的自动图像分割算法[J]. 茅正冲,韩毅. 传感器与微系统. 2018(06)
[5]基于相对梯度正则化的Retinex变分模型及其应用[J]. 智宁,毛善君,李梅. 通信学报. 2017(11)
[6]基于多尺度稀疏字典的多聚焦图像超分辨融合[J]. 彭真明,景亮,何艳敏,张萍. 光学精密工程. 2014(01)
[7]一种改进的随机游走图像分割算法[J]. 王梅,李玉鑑. 计算机与现代化. 2013(08)
[8]图像引导滤波的局部多尺度Retinex算法[J]. 方帅,杨静荣,曹洋,武鹏飞,饶瑞中. 中国图象图形学报. 2012(07)
[9]图象阈值选取方法的构造[J]. 付忠良. 中国图象图形学报. 2000(06)
博士论文
[1]基于生物视觉感知机制的图像增强及质量评价的研究[D]. 刘玉红.电子科技大学 2018
硕士论文
[1]基于滤波的多聚焦图像融合算法研究[D]. 袁娅婷.西北大学 2018
本文编号：3259588
【文章来源】：中国图象图形学报. 2020,25(03)北大核心CSCD
【文章页数】：10 页
【部分图文】：
本文算法流程图
利用改进的双边滤波估计出光照图像后，根据图像像素亮暗分布情况，将结果图像分成亮、暗区域两部分，根据图像信息熵选取最优亮暗区域参数，最终得到最优亮暗区域，分别对亮暗区域进行分步融合，可根据算法获取亮暗区域处理效果好的像素区域。如图2所示，最优暗区域对房前黑暗的部分处理效果明显，最优亮区域对房屋的主墙壁细节保留完整。原图中的天空云彩部分的层次感是最优亮暗区域无法保留的，所以本文算法选择将原图、最优亮区域和最优暗区域一起融合，最大程度增强图像。2.3 多聚焦融合
为了更好说明本文算法的优越性，将本文算法与BIFT算法(Retinex image enhancement algorithm based on image fusion technology)对room图像的增强结果进行比较(常戬等，2018)，结果如图3所示。BIFT算法中，房前位置亮度较低且存在泛灰问题，本文算法房子前的位置对比度明显提高，纹理更为清晰，边缘保留效果好，对细节的增强更为突出。本文算法中，天空云彩位置的层次更为突出，本文算法对边缘梯度保持效果大大提升。表1是BIFT算法与本文算法对room图像增强的参数对比。从表1可以看出，BIFT算法平均梯度高于本文算法，在均值和方差基本持平的情况下，本文算法的信息熵提高了0.33。信息熵表示图像信息的丰富度，是一个衡量图像融合的重要指标。综合以上分析，本文算法求得局部最优解，将原始图像分解为最优亮、暗区域，利用多聚焦融合思想分别融合原始图像、最优亮区域图像和最优暗区域图像的局部最优区域，极大增强了图像的对比度和细节信息，比BIFT算法得到了更好的视觉效果。本文算法将原始图像运用Otus阈值分割算法计算分割阈值，根据该阈值得到最优亮、暗区域两部分;利用线性积分变换和邻近像素最优推荐算法分别提取图像中的最优区域，根据引导图像加权融合，最后利用引导滤波修复边界得到结果图像。本文算法极大限度地将信息丰富度高的区域融合，达到提高结果图像的增强效果。
【参考文献】：
期刊论文
[1]混合先验与加权引导滤波的图像去雾算法[J]. 李喆,李建增,胡永江,张岩. 中国图象图形学报. 2019(02)
[2]基于Retinex的图像增强方法综述[J]. 谢凤英,汤萌,张蕊. 数据采集与处理. 2019(01)
[3]基于图像融合技术的Retinex图像增强算法[J]. 常戬,刘旺,白佳弘. 计算机工程与科学. 2018(09)
[4]基于随机游走的自动图像分割算法[J]. 茅正冲,韩毅. 传感器与微系统. 2018(06)
[5]基于相对梯度正则化的Retinex变分模型及其应用[J]. 智宁,毛善君,李梅. 通信学报. 2017(11)
[6]基于多尺度稀疏字典的多聚焦图像超分辨融合[J]. 彭真明,景亮,何艳敏,张萍. 光学精密工程. 2014(01)
[7]一种改进的随机游走图像分割算法[J]. 王梅,李玉鑑. 计算机与现代化. 2013(08)
[8]图像引导滤波的局部多尺度Retinex算法[J]. 方帅,杨静荣,曹洋,武鹏飞,饶瑞中. 中国图象图形学报. 2012(07)
[9]图象阈值选取方法的构造[J]. 付忠良. 中国图象图形学报. 2000(06)
博士论文
[1]基于生物视觉感知机制的图像增强及质量评价的研究[D]. 刘玉红.电子科技大学 2018
硕士论文
[1]基于滤波的多聚焦图像融合算法研究[D]. 袁娅婷.西北大学 2018
本文编号：3259588
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3259588.html
