低照度视频图像增强技术研究
发布时间：2021-02-19 17:15
随着社会和硬件设备的发展,人们采集了越来越多的视频图像,形形色色的图像丰富了人民的生活,但是数量众多的图像质量参差不齐,尤其在黄昏、夜间等曝光不足的环境下获取的图像往往为低质的,使得相关人员不能提取图像中有用的信息,需进行处理将其作为下一步工作的基础,所以,对低照度视频图像进行增强具有很强的现实意义。本课题的工作概括为以下内容:首先本文详细阐述了本课题的研究背景及意义,分析了低照度视频图像增强的国内外研究现状、发展趋势及存在的问题。对部分学者提出的低照度视频图像方法进行了研究仿真,如基于直方图的方法、Retinex方法和深度学习方法等,分别对他们的优缺点进行了解与分析。然后在前文分析其他低照度视频图像增强方法的基础上,针对其存在的不足,提出了两种方法对低照度图像进行增强:（1）针对传统算法对低照度图像增强后出现光晕伪影,细节丢失等情况,本文在Retinex算法的基础上提出了一种改进算法,首先将低照度图像从RGB图像转化为HSI颜色空间,只对亮度分量I进行处理,采用融合边缘检测算子的引导滤波对I分量进行卷积求得照度图像,将照度图像去除后得到反射图像,将低秩分解和局部对比度增强引入进一步改...
【文章来源】：兰州交通大学甘肃省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
直方图均衡化
兰州交通大学工程硕士学位论文-11-真实模样，也即我们所需求取的增强后图像，照度图像I相当于噪声，在增强处理中需要去除，具体的数学表达式如下所示：S(x,y)=R(x,y)I(x,y)(2.9)其中，反射图像R(x,y)储存有图像的细节信息，是图像的高频分量部分，照度图像I(x,y)对应图像的低频分量部分，比如大致概貌和轮廓，决定图像像素的动态范围。Retinex模型如图2.3所示。图2.3Retinex模型原理图精确估算出光照图像I为Retinex重点，得到I后就可以算出反射图像R。为了降低计算的复杂性，通常将运算关系进行转换，即：r(x,y)=s(x,y)i(x,y)(2.10)其中，s=logS，r=logR，i=logI。由于Retinex算法具有许多优点，许多学者在它的基础上做了很多改进，产生了众多算法，其中基于中心环绕算法是影响最大的Retinex算法，比较经典的有单尺度Retinex算法（SSR）、多尺度Retinex算法（MSR）、带颜色恢复的Retinex算法（MSRCR），这三种算法都能够很好的增强彩色图像，去雾效果也是比较优异。本章将重点分析这三种算法的优点与缺点。图2.4展示了Retinex算法的处理流程。
兰州交通大学工程硕士学位论文-13-a.原图b.SSR效果图图2.5单尺度Retinex实验效果图1(,){(,)(,)(,)}DdddrxyWsxysxyGxy==(2.14)其中，D为高斯环绕函数的个数，其值通常取3，这样能够结合SSR三尺度优点。如果D=1，MSR等同于SSR，dW为每个尺度SSR权重，其和为1，一般情况下，取12313w=w=w=，对于三个尺度的选择，选取了15，80和250。MSR算法的实验效果如图2.6所示。a.原图b.MSR效果图图2.6多尺度Retinex实验效果图从图2.6实验效果图可以看出实验结果图相对于原图亮度有一定程度提升，细节得到增强，但同时放大了噪声，图像整体泛白，亮度较高区域会产生光晕现象，存在颜色失真现象，并且由于需要运行三个尺度的SSR算法，所以算法运行效率不高。
【参考文献】：
期刊论文
[1]基于YCbCr颜色空间的Retinex低照度图像增强方法研究[J]. 田会娟,蔡敏鹏,关涛,胡阳. 光子学报. 2020(02)
[2]最大差值图决策的低照度图像自适应增强算法[J]. 王瑞尧,岳雪亭,周志青,耿则勋. 计算机应用. 2020(04)
[3]基于彩色加权引导滤波-Retinex算法的导航图像增强[J]. 许凤麟,苗玉彬,张铭. 上海交通大学学报. 2019(08)
[4]基于多尺度梯度域引导滤波的低照度图像增强算法[J]. 李红,王瑞尧,耿则勋,胡海峰. 计算机应用. 2019(10)
[5]改进型自适应双边滤波算法[J]. 白晓东,舒勤,杜小燕,黄燕琴. 激光与光电子学进展. 2020(04)
[6]基于模拟多曝光融合的低照度图像增强方法[J]. 司马紫菱,胡峰. 计算机应用. 2019(06)
[7]基于卷积神经网络的弱光照图像增强算法[J]. 程宇,邓德祥,颜佳,范赐恩. 计算机应用. 2019(04)
[8]基于方向性全变分Retinex的低照度图像增强[J]. 张杰,周浦城,薛模根. 计算机辅助设计与图形学学报. 2018(10)
[9]基于LIP模型和CLAHE的低照度图像增强算法[J]. 冯清枝,王丹. 光电技术应用. 2018(05)
[10]基于深度卷积神经网络的低照度图像增强[J]. 马红强,马时平,许悦雷,朱明明. 光学学报. 2019(02)
硕士论文
[1]基于卷积神经网络的人脸检测算法研究[D]. 徐婷婷.南京邮电大学 2019
[2]基于两层迁移卷积神经网络的抽象图像情感识别[D]. 杨子文.南京邮电大学 2019
[3]低照度图像的增强算法研究[D]. 徐博.哈尔滨理工大学 2019
[4]低照度图像增强方法的研究与应用[D]. 韩海峰.南京邮电大学 2018
[5]低照度条件下图像增强研究[D]. 宋曹春洋.天津大学 2017
[6]基于Retinex的图像增强算法研究与实现[D]. 肖晓.四川师范大学 2016
本文编号：3041433
【文章来源】：兰州交通大学甘肃省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
直方图均衡化
兰州交通大学工程硕士学位论文-11-真实模样，也即我们所需求取的增强后图像，照度图像I相当于噪声，在增强处理中需要去除，具体的数学表达式如下所示：S(x,y)=R(x,y)I(x,y)(2.9)其中，反射图像R(x,y)储存有图像的细节信息，是图像的高频分量部分，照度图像I(x,y)对应图像的低频分量部分，比如大致概貌和轮廓，决定图像像素的动态范围。Retinex模型如图2.3所示。图2.3Retinex模型原理图精确估算出光照图像I为Retinex重点，得到I后就可以算出反射图像R。为了降低计算的复杂性，通常将运算关系进行转换，即：r(x,y)=s(x,y)i(x,y)(2.10)其中，s=logS，r=logR，i=logI。由于Retinex算法具有许多优点，许多学者在它的基础上做了很多改进，产生了众多算法，其中基于中心环绕算法是影响最大的Retinex算法，比较经典的有单尺度Retinex算法（SSR）、多尺度Retinex算法（MSR）、带颜色恢复的Retinex算法（MSRCR），这三种算法都能够很好的增强彩色图像，去雾效果也是比较优异。本章将重点分析这三种算法的优点与缺点。图2.4展示了Retinex算法的处理流程。
兰州交通大学工程硕士学位论文-13-a.原图b.SSR效果图图2.5单尺度Retinex实验效果图1(,){(,)(,)(,)}DdddrxyWsxysxyGxy==(2.14)其中，D为高斯环绕函数的个数，其值通常取3，这样能够结合SSR三尺度优点。如果D=1，MSR等同于SSR，dW为每个尺度SSR权重，其和为1，一般情况下，取12313w=w=w=，对于三个尺度的选择，选取了15，80和250。MSR算法的实验效果如图2.6所示。a.原图b.MSR效果图图2.6多尺度Retinex实验效果图从图2.6实验效果图可以看出实验结果图相对于原图亮度有一定程度提升，细节得到增强，但同时放大了噪声，图像整体泛白，亮度较高区域会产生光晕现象，存在颜色失真现象，并且由于需要运行三个尺度的SSR算法，所以算法运行效率不高。
【参考文献】：
期刊论文
[1]基于YCbCr颜色空间的Retinex低照度图像增强方法研究[J]. 田会娟,蔡敏鹏,关涛,胡阳. 光子学报. 2020(02)
[2]最大差值图决策的低照度图像自适应增强算法[J]. 王瑞尧,岳雪亭,周志青,耿则勋. 计算机应用. 2020(04)
[3]基于彩色加权引导滤波-Retinex算法的导航图像增强[J]. 许凤麟,苗玉彬,张铭. 上海交通大学学报. 2019(08)
[4]基于多尺度梯度域引导滤波的低照度图像增强算法[J]. 李红,王瑞尧,耿则勋,胡海峰. 计算机应用. 2019(10)
[5]改进型自适应双边滤波算法[J]. 白晓东,舒勤,杜小燕,黄燕琴. 激光与光电子学进展. 2020(04)
[6]基于模拟多曝光融合的低照度图像增强方法[J]. 司马紫菱,胡峰. 计算机应用. 2019(06)
[7]基于卷积神经网络的弱光照图像增强算法[J]. 程宇,邓德祥,颜佳,范赐恩. 计算机应用. 2019(04)
[8]基于方向性全变分Retinex的低照度图像增强[J]. 张杰,周浦城,薛模根. 计算机辅助设计与图形学学报. 2018(10)
[9]基于LIP模型和CLAHE的低照度图像增强算法[J]. 冯清枝,王丹. 光电技术应用. 2018(05)
[10]基于深度卷积神经网络的低照度图像增强[J]. 马红强,马时平,许悦雷,朱明明. 光学学报. 2019(02)
硕士论文
[1]基于卷积神经网络的人脸检测算法研究[D]. 徐婷婷.南京邮电大学 2019
[2]基于两层迁移卷积神经网络的抽象图像情感识别[D]. 杨子文.南京邮电大学 2019
[3]低照度图像的增强算法研究[D]. 徐博.哈尔滨理工大学 2019
[4]低照度图像增强方法的研究与应用[D]. 韩海峰.南京邮电大学 2018
[5]低照度条件下图像增强研究[D]. 宋曹春洋.天津大学 2017
[6]基于Retinex的图像增强算法研究与实现[D]. 肖晓.四川师范大学 2016
本文编号：3041433
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3041433.html
最近更新
教材专著
