CN107527332A - 基于改进Retinex的低照度图像色彩保持增强方法 - Google Patents
基于改进Retinex的低照度图像色彩保持增强方法 Download PDFInfo
- Publication number
- CN107527332A CN107527332A CN201710944257.6A CN201710944257A CN107527332A CN 107527332 A CN107527332 A CN 107527332A CN 201710944257 A CN201710944257 A CN 201710944257A CN 107527332 A CN107527332 A CN 107527332A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- component
- enhanced
- enhancement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000001914 filtration Methods 0.000 claims abstract description 42
- 230000002708 enhancing effect Effects 0.000 claims abstract description 14
- 238000005286 illumination Methods 0.000 claims description 66
- 238000005070 sampling Methods 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000005728 strengthening Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 19
- 230000002146 bilateral effect Effects 0.000 description 16
- 125000001475 halogen functional group Chemical group 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004321 preservation Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于改进Retinex的低照度图像色彩保持增强方法，具体按照以下步骤进行：将低照度的滤波输入图I从RGB色彩空间转换到YUV色彩空间，滤波输入图I采用灰度图；利用改进的Retinex方法得到增强图像的反射分量R的Y分量RY,FGF,i；计算增强图像的UV分量；将增强图像从YUV色彩空间转换到RGB色彩空间，对越界像素点进行反馈型增强色彩分量，得到增强的低照度彩色图。将快速引导滤波器、单尺度Retinex和多通道色彩保持增强相融合，增强后图像色彩丰富、亮度及细节增强明显，解决了现有技术中时间成本大，易出现光晕、细节模糊、色彩失真的问题。
Description
技术领域
本发明属于图像处理技术领域，涉及一种基于改进Retinex的低照度图像色彩保持增强方法。
背景技术
视频监控、智能交通和全天候作战等领域中，不可避免的会获取到成像质量差的低照度图像。由于光照分布不均匀或者缺乏光源，导致图像在亮度、对比度和细节表现方面的退化现象非常严重。这些退化图像不仅使得人们很难从中获取足够的有效信息，影响视觉效果，而且间接影响着一些基于低照度图像增强方法的效率和准确性。因此，关于夜间低照度图像的增强处理一直是图像处理领域的一个重点。
目前，针对夜间低照度图像的多方面的退化，已经出现了不少的增强方法，比如基于小波变换的影像增强方法、基于人工神经网络的影像增强方法、自适应直方图均衡化算法和基于Retinex的增强方法。
基于小波变换的影像增强方法需要对图像先进行小波分解，在低频估计照射光照，高频增强细节和去除噪声，最后再重构，但是这种方法虽然有不错的效果，但是小波分解计算量大。
基于人工神经网络的影像增强方法首先需要设计好训练模型，然后提供夜间图像和相应的增强图像或者白天光照充足条件下的图像进行大量的训练，一般类似于训练集的夜间图像都能得到较好的增强，但是若夜间图像与训练集的图像差别太大，效果就很不理想了，而且模型的前期训练很耗时。
自适应直方图均衡化算法不同于传统的直方图均衡化算法，它是通过图像局部直方图的数据对亮度进行再分配，处理后的图像在对比度和细节方面表现突出，但是这种增强方法会削弱图像的层次感，容易造成过增强。
Retinex理论是Edwin Land在大量科学实验基础上做出的科学假设，此理论仿照的是物体在人眼中的成像原理，多年的发展，已经陆续出现单尺度Retinex(SSR)、多尺度Retinex(MSR)、带色彩恢复的多尺度Retinex(MSRCR)和双边滤波核改进的Retinex等多种改进方法。
小尺度SSR能获得很好的图像细节，但是图像清晰度不好，而大尺度SSR虽然整体效果好，但是细节不足。MSR则融合了大中小多种尺度各自的优点，但是色彩易失真，且光照突变处光晕明显。MSRCR虽然在色彩保持和光晕处理上比SSR和MSR好，但是依然表现不够理想，并且容易造成过增强现象。而双边滤波核改进的Retinex虽然能获得更好的边缘细节，但是时间复杂度太高，且噪声增强明显。
通过上述分析，发现以往增强算法增强后的图像容易出现光晕、细节模糊、色彩失真现象，有些算法虽然效果好，但是复杂度太高。针对这些问题，亟需一种时间成本小，亮度、细节得到有效增强，色彩无失真现象的低照度图像色彩保持增强方法。
发明内容
为实现上述目的，本发明提供一种基于改进Retinex的低照度图像色彩保持增强方法，将快速引导滤波器、单尺度Retinex和多通道色彩保持增强相融合，增强后图像色彩丰富、亮度及细节增强明显，解决了现有技术中时间成本大，易出现光晕、细节模糊、色彩失真的问题。
本发明所采用的技术方案是，一种基于改进Retinex的低照度图像色彩保持增强方法，具体按照以下步骤进行：
步骤1，将低照度的滤波输入图I从RGB色彩空间转换到YUV色彩空间，滤波输入图I采用灰度图；
步骤2，利用改进的Retinex方法得到增强图像的反射分量R的Y分量RY,FGF,i；
步骤3，计算增强图像的UV分量；
步骤4，将增强图像从YUV色彩空间转换到RGB色彩空间，对越界像素点进行反馈型增强色彩分量，得到增强的低照度彩色图。
本发明的特征还在于，进一步的，所述步骤2中，利用改进的Retinex方法得到增强图像的反射分量R的Y分量RY,FGF,i，具体按照以下步骤进行：
步骤A，将滤波输入图I作为引导图p，即滤波输入图像Ii与引导量pi相等，对滤波输入图像Ii和滤波半径r进行下采样：
I′d＝fdownsample(Ii,s) (9)
r′＝fdownsample(r,s) (10)
I′d为下采样后的输入图像，d为下采样后图像像素，r′为下采样后的滤波半径，s为采样倍数，采样倍数s取4或8；下采样优化的线性系数a′k和b′k的计算公式：
b′k＝m(I′d,r′)-a′km(I′d,r′) (12)
其中，m(I′d，r′)表示以像素k为中心的半径为r′的窗口内所有像素d的均值，ε是正则化参数，ωk(r′)为以像素k为中心的半径为r′的窗口；|ω|为窗口ωk(r′)内的像素个数；
因为下采样后图像像素点变少，为保证滤波输入图像Ii所有像素点均有对应的均值参数m(a′k,r′)和m(b′k,r′)，对均值参数m(a′k,r′)和m(b′k,r′)进行一次双线性插值上采样恢复：
式中，s为采样倍数，i为上采样后图像像素，和均为上采样恢复的线性系数，这是原始图像和滤波图像之间的两个关键参数；
根据式(15)得到滤波输出图像qi，即增强图像；
步骤B，将滤波输入图I的Y分量IY代入式(15)得增强图像的背景光照L的Y分量LY,FGF,i：
步骤C，采用式经典Retinex关系式，求取增强图像的反射分量R的Y分量RY,FGF,i：
RY,FGF,i＝log(IY,i)-log(LY,FGF,i) (17)。
进一步的，所述步骤3中，计算增强图像的UV分量，具体为：
在YUV色彩空间中，计算增强图像的反射分量R的Y分量RY,FGF,i的增强比例：
propi＝RY,FGF,i/IY,i (18)
式中，propi为像素i的Y分量增强比例，IY,i为像素i的滤波输入图I的Y分量；
对滤波输入图I的UV分量乘以新增强比例prop′得到增强图像的UV分量，其中，
式中，为滤波输入图I的Y分量的均值。
进一步的，所述步骤4中，将增强图像从YUV色彩空间转换到RGB色彩空间，对越界像素点进行反馈型增强色彩分量，具体为：
利用色彩空间转换公式(20)将增强图像从YUV到RGB色彩空间转换：
式中，的i为像素，IY,i,IU,i,IV,i为滤波输入图I的YUV三分量，R′i,G′i,B′i为进行亮度和色彩增强后的RGB图；
RGB图的三分量中任意一分量的值不在正常区域[0,255]的像素称为越界像素，越界像素对应的UV分量新的增强比例prop″为：
prop″＝0.3-0.03prop′ (21)
将prop″代入公式(20)中prop′的位置，得到有反馈的增强的低照度彩色图。
本发明的有益效果是，本发明在传统Retinex的基础上，提出一种基于改进Retinex的低照度图像色彩保持增强方法，由于人眼对于边缘细节的敏感性，对于背景光照的估计，采用快速引导滤波，克服了传统方法在光照突变处易出现的光晕现象。此外，针对彩色图像增强易出现的色彩失真问题，本发明在YUV色彩空间将亮度用改进的Retinex方法增强后，计算增强后UV分量，再进行YUV到RGB的色彩空间转换、UV色彩分量的反馈型增强；增强色彩的同时防止过增强。多组对比试验表明，本发明的方法具有良好的鲁棒性，与其它低照度增强方法相比，本发明得到的增强的低照度彩色图的图像色彩丰富、亮度及细节增强明显，图像无光晕、无泛白、无失真现象，同时算法复杂度低，适用于实时夜间视频增强领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的流程图。
图2a是原图亮度分量。
图2b是灰度图引导的引导滤波。
图2c是彩色图引导的引导滤波。
图2d是高斯滤波。
图3a是室内低照度原图。
图3b是室内低照度原图不增强色彩获得的图。
图3c是室内低照度原图经过色彩空间转换公式增强色彩后获得的图。
图3d是室内低照度原图经过反馈型增强色彩后获得的图。
图3e是室内低照度原图经过MSRCR算法获得的图。
图3f是室内低照度原图经过彩色双边滤波器的Retinex算法获得的图。
图3g是室内低照度原图经过本发明的色彩增强方法获得的图。
图4a是小区夜间原图。
图4b是小区夜间原图经过MSRCR算法获得的图。
图4c是小区夜间原图经过彩色双边滤波器的Retinex算法获得的图。
图4d是小区夜间原图经过本发明的色彩增强方法获得的图。
图5a是学教夜间原图。
图5b是学教夜间原图经过MSRCR算法获得的图。
图5c是学教夜间原图经过彩色双边滤波器的Retinex算法获得的图。
图5d是学教夜间原图经过本发明的色彩增强方法获得的图。
具体实施方式
以下结合附图和具体实施例，对本发明作进一步详细阐述。应当理解，所述实施例仅用于说明本发明，而不用于限制本发明的保护范围。此外应理解，在阅读了本发明描述的内容以后，本领域技术人员可以对本发明做各种改动或修改，这些等价形式同样落于本申请所限定的保护范围。
本发明的设计思路：低照度彩色图像通常具有低亮度、低对比度、细节模糊和高椒盐噪声的特性，这大大影响了后期的图像识别和信息提取。因此，针对夜间图像的退化现象，提出了传统Retinex的改进型方法。具体是：将原始RGB低照度图转换到YUV色彩空间(Y表示亮度，UV表示色度)后，对Y分量，利用采样加速的引导滤波估计出背景光照，通过经典Retinex公式计算出反射分量并得到亮度前后增强比，再进行YUV到RGB的色彩空间转换、UV色彩分量的反馈型增强。与其它低照度增强方法相比，本发明增强后的图像亮度得到显著提升，同时解决了色彩失真及光晕现象，而且细节清晰，计算复杂度低。
本发明基于改进Retinex的低照度图像色彩保持增强方法，如图1所示，具体按照以下步骤进行：
步骤1，将低照度的滤波输入图I从RGB色彩空间转换到YUV色彩空间，滤波输入图I采用灰度图；
步骤2，利用改进的Retinex方法得到增强图像的反射分量R的Y分量RY,FGF,i；
步骤3，计算增强图像的UV分量；
步骤4，将增强图像从YUV色彩空间转换到RGB色彩空间，对越界像素点进行反馈型增强色彩分量，得到增强的低照度彩色图。
1经典Retinex理论
Retinex理论的基本思想是人眼获取的图像为背景光照与物体反射信息相互作用的结果，经典Retinex关系式如式(1)所示：
R(x,y)＝log(I(x,y))-log(L(x,y)) (1)
其中，R(x,y)为与光照无关的携带图像细节信息的反射分量，I(x,y)为人眼观察到的图像，L(x,y)为环境背景光。
可见，Retinex方法的关键在于如何准确的估计出背景光。在经典的Retinex理论中，此背景光照是通过将原始图像通过一个高斯滤波器估计得到的。实际操作中，这个高斯滤波器可以用一个固定窗口半径的高斯滤波核代替。距离高斯滤波核函数窗口中心越近，相应像素灰度值分配的权值也就越大。
利用核函数估计背景光照的数学表达式如式(2)所示：
h(i,j)＝exp(-((i-r)2+(j-r)2)/(2*σ2)) (4)
式中，h(i,j)为窗口内未归一化的高斯权值，k(i,j)为归一化的窗口内对应像素的权值，r为窗口半径，r(x,y)为以像素(x,y)为中心的半径为r的窗口内的所有像素点，σ为高斯函数标准差，越大表示图像越平滑。
对于一定半径的高斯模板，标准差取值较大(如r＝5时，σ>10)时，窗口内各个像素所分配的权值基本一致，最终滤波效果相当于同等半径的均值模糊。需要注意的是，模板越大，要使最终模糊效果接近于均值滤波器，所需要的标准差也要越大。
上面讨论的都是SSR，而MSR相当于多个SSR的加权和，数学表示形式如式(5)所示：
式中，N为不同尺度半径的个数，ωj为不同尺度对应的加权系数。一般为取得良好的增强效果，N＝3即足够，对应于大中小三个不同的尺度。大尺度突出整体清晰度和亮度的增强，小尺度突出局部细节和轮廓。实际应用中，常有加权系数ωj＝1/3，这样能保证最终增强的图像兼顾大中小三种尺度的优势。
2改进的单尺度Retinex方法
由于SSR、MSR和MSRCR在光照突变处很容易产生光晕现象，且增强图像存在一定的色彩失真，本发明提出快速引导滤波器、单尺度Retinex和多通道色彩保持增强融合的方法。
2.1引导滤波器的快速优化
传统Retinex使用的是高斯核，没有边缘保持能力，导致增强图像容易出现光晕现象。而引导滤波器是一种优秀的边缘保持算子，与同样具有边缘保持特性的双边滤波器相比，具有更好的边缘保持能力，且处理速度大大优于双边滤波器。引导滤波器是边缘保持较快的方法之一。
引导滤波器(guided filter,简称GF)通过一幅引导图像的信息来计算滤波器的输出，引导量pi和滤波输出量qi之间的局部线性模型为：
qi＝m(ai,r)pi+m(bi,r) (6)
其中，i表示像素点，r为引导滤波的窗口半径(即滤波半径)， m(ai,r)为窗口ωi(r)内所有线性系数ak的均值，m(bi,r)为ωi(r)内所有线性系数bk的均值，ωi(r)为以像素点i为中心的半径为r(即引导滤波的窗口半径r)的窗口；|ω|为窗口ωi(r)内像素个数；
线性系数ak的构造式见式(7)，线性系数bk的构造式见式(8)，其中j∈ωk(r)；
bk＝m(Ij,r)-akm(pj,r) (8)
式中，和m(pj,r)分别表示滤波输入图I和引导图p中以像素k为中心、半径为r的窗口内所有像素j的均值，ε是正则化参数，I为滤波输入图，p是引导图，m(pj 2,r)-m2(pj,r)表示引导图p在ωi(r)窗口内的方差；
由式(6)、(7)、(8)可知，引导滤波器的主要计算量在于求窗口内的均值函数m，而这种求均值操作是依靠盒子滤波器来实现的。式(6)中滤波输出量qi的边缘和结构主要取决于引导图p，但是主要计算量却集中在m(ai,r)和m(bi,r)，这两个量的求取并不一定需要全分辨率的图像，所以采样优化效率就有可能了。
当I＝p时，对于高方差区域，即引导图p在ωi(r)窗口内的方差远大于正则化参数ε，此时ak≈1,bk≈0，意味着此区域像素原样输出，不做处理；对于平滑区域，即此时ak≈0,bk≈mean(Ij,r)，意味着此区域像素被均值平滑。
根据上面的原理分析可知，为使引导滤波器发挥边缘保持滤波器的功能，可使用滤波输入图I作为引导图p。为提高计算效率，使用最近邻下采样，滤波输入图像Ii和滤波半径r进行下采样，见式(9)、式(10)：
I′d＝fdownsample(Ii,s) (9)
r′＝fdownsample(r,s) (10)
I′d为下采样后的输入图像，d为下采样后的像素的索引，r′为下采样后的半径，s为采样倍数，下采样优化的线性系数a′k和b′k的计算公式见式(11)和式(12)：
b′k＝m(I′d,r′)-a′km(I′d,r′) (12)
其中，d∈ωk(r′)；因为下采样后图像像素点变少，为保证原始图像所有像素点均有对应的均值参数m(a′k,r′)和m(b′k,r′)，需对均值参数m(a′k,r′)和m(b′k,r′)进行一次双线性插值上采样恢复：
式中，s为采样倍数，i为上采样后图像像素，和均为上采样恢复的线性系数；上采样后图像像素i和下采样后的像素d的对应关系由采样倍数s决定；根据式(15)由滤波输入图像Ii得到滤波输出图像qi，滤波输出图像qi即增强图像；
在实际应用中，采样倍数s通常取4或8，这样既能保证滤波后的图像在视觉上不会变差，又能保证至少有2倍的加速效果。
2.2结合快速引导滤波器的Retinex
进行Retinex增强前，首先要进行色彩空间的转换，将低照度的滤波输入图I从RGB色彩空间转换到YUV色彩空间，对滤波输入图I的Y分量IY采用快速引导滤波器(fastguidedfilter,公式中用FGF表示此方法的结果)估计背景光照，将IY代入式(15)可得增强图像的背景光照L的Y分量LY,FGF,i：
估计出边缘细节丰富的背景光照图后，采用式(1)经典Retinex关系式，利用式(17)求取增强图像的反射分量R的Y分量RY,FGF,i，反射分量R的Y分量RY,FGF,i与光照无关且含丰富细节信息；
RY,FGF,i＝log(IY,i)-log(LY,FGF,i) (17)
需要注意的是，使用快速引导滤波器估计背景光照时，对于引导图的选择的有两种：使用彩色图引导和灰度图引导。图2a为原图，图2b-2d，分别比较了使用灰度图引导、彩色图引导和高斯核估计Retinex背景光照的效果图。其中参数设置为：r＝4,ε＝0.005，s＝4，σ＝20(高斯核标准差)。可以看出，在相同的窗口半径r、正则化参数ε和采样倍数s的情况下，估计背景光照时，图2c中彩色图引导的引导滤波效果最优，模糊了图像小细节的同时保持了图像的大细节部分；图2b中灰度图引导的引导滤波器效果比图2c稍差，路灯大细节没有被模糊；而图2d中高斯滤波则对图像无差别模糊，效果最差，不利于准确估计背景光照。在屋顶处使用彩色图引导比使用灰度图引导边缘保持效果更好，其余部分的边缘保持特性基本一致，这是因为原彩色图像天空为蓝色，房屋为灰白，彩色图引导使用的是RGB三通道的均值和方差，灰度图引导则只使用亮度分量的均值和方差，利用的信息明显相对较少。
可见，用彩色图引导的背景光照图具有最好的边缘保持，灰度图引导的次之，而经典高斯核则完全是无差别的模糊了图像，这也是经典Retinex增强后的图像在光照突变处产生强烈光晕现象的根本原因。
用不同方法估计背景光照的运行时间如表1所示。容易看出，灰度图引导和高斯核估计背景光照的运行时间均比彩色图引导快约6.6倍，而灰度图引导在处理时间一样的情况下，估计背景光照的效果比原始高斯图引导好。所以，综合考虑运行时间和有无光晕的增强效果，在公式(17)中，我们选用灰度图引导很适合改进型无光晕Retinex增强。
表1 运行时间对比(单位：s)
| 灰度图引导的引导滤波器 | 彩色图引导的引导滤波器 | 原始高斯滤波器 | |
| 图2b-2d | 0.075 | 0.497 | 0.077 |
2.3将增强图像从YUV色彩空间转换到RGB色彩空间及色彩增强
传统Retinex方法(如SSR、MSR和MSRCR)由于直接对RGB三通道单独进行Retinex增强，而不考虑三通道之间的关联性，最终会导致严重的色彩失真。
既要增强图像的亮度，又要保持图像色彩不失真，可以直接对YUV色彩空间中的Y分量(即亮度)进行Retinex增强。但是如果直接使用原图的UV分量，由于亮度的增强，转换后的RGB图色彩将会很弱。
室内低照度原图，如3a所示，室内低照度原图使用本发明中快速引导滤波器，只增强亮度而不增强色彩和饱和度，得到的效果如图3b所示。
可以从图3b看出，虽然色彩没有失真，但是整体色彩感差，所以很有必要对色彩也进行增强。
色彩增强具体按照以下步骤进行：
1)计算亮度增强比例
在使用快速引导滤波Retinex增强后，在YUV色彩空间中，计算增强图像的反射分量R的Y分量RY,FGF,i的增强比例，作为色彩增强的参考。YUV色彩空间中Y分量的增强比例如式(18)所示：
propi＝RY,FGF,i/IY,i (18)
式中propi为像素i的增强比例，RY,FGF,i为增强图像的反射分量R的Y分量，IY,i为像素i的滤波输入图I的Y分量。
2)对滤波输入图I的UV分量进行增强
对UV色彩和饱和度分量同乘以一个比例。经过实验发现，为使增强色彩的同时噪声不会过度增强，整体效果好，UV分量增强比例prop′为：
其中，为滤波输入图I的Y分量的均值，即输入图的平均亮度。利用色彩空间转换公式(20)将增强图像从YUV到RGB色彩空间转换：
式中，的i为像素，IY,i,IU,i,IV,i为滤波输入图I的YUV三分量，R′i,G′i,B′i为进行亮度和色彩增强后的RGB图；增强后的图如图3c所示：
可以发现，原图高亮度或颜色鲜艳区域被过度增强了，导致溢出。故有必要对对其进行限制。
3)对增强后越界的色彩分量进行限定
在正常情况下，YUV色彩空间中UV分量也有正负值，大小不好限制，考虑使用反馈的方式，对任意像素点，进行如下步骤处理：
A：先计算增强后的YUV分量值；
B：再用公式(20)转换到RGB色彩空间；
C：RGB三分量中任意一分量的值不在正常区域(指[0,255]区间)的像素，实验发现，在保证亮度和色彩增强的基础上，越界像素UV分量新的增强比例prop″为：
prop″＝0.3-0.03prop′ (21)
将prop″代入公式(20)中prop′的位置进行修正，得到有反馈的增强的低照度彩色图，见图3d。
从图3c、3d可以看出，UV分量采用有反馈的增强图与UV分量无限制增强图相比，在色彩溢出方面控制更优秀，原色彩鲜艳处的细节，如电线，在增强图中也更为清晰。故本发明采用公式(21)的方式来增强色彩。
3实验结果与分析
为验证本发明的效果，在Matlab平台上进行了实验，实验选取了一组具有高动态范围的夜间彩色图，运用不同的方法增强后，从主观和客观两个方面分别进行评价。与本发明方法进行比较的方法分别是：经典的具有色彩保持功能的MSRCR和肖泉提出的基于彩色双边滤波器的Retinex彩色增强方法。各种方法的参数设置分别如下：
1)本发明(采样优化的快速引导滤波器参数)：r＝4，s＝4，ε＝0.005；
2)MSRCR算法：三个尺度半径r分别选取5、40、120，对比度控制因子为2；
3)彩色双边滤波器Retinex算法：r＝22，σ1＝15，σ2＝0.3，σ3＝0.04。
为保证色彩增强方法的鲁棒性，实验选取的3组不同的图进行实验，图片分辨率均为640×480。
小区夜间原图，见图4a，图中有高亮的路灯，其余部分均较暗，以观察亮度增强效果以及是否容易产生光晕；可以看出，MSRCR增强算法获得的图4b，使图像最亮，但是图像亮度增强失调，路灯和开灯的窗户这种光照突变处有很强的光晕现象，且天空色彩失真。而基于彩色双边滤波器的Retinex彩色增强算法获得的图4c，由于采用RGB三通道同比增强，无色彩失真现象，但是亮度增强最差，路灯有光晕现象，房屋边缘细节丢失，同时噪声严重。本发明获得的图4d在路灯处并没有光晕现象，去噪水平低，且增强后图像没有色彩失真，树枝和房屋边缘细节清晰。
学校夜间原图，见图5a，该图整体比图4a暗，且包含远景建筑物；可以看出，MSRCR增强算法获得的图5b，过白现象依然很明显，且窗户光照突变处有严重的光晕现象；基于彩色双边滤波器的Retinex彩色增强算法获得的图5c，教学楼显现出比MSRCR更多的细节，但是原本高亮的窗户，这次反而退化了，说明该算法存在一定的过增强现象；本发明获得的图5d在教学楼下色彩保持最好，原图高亮区的灯光也没有被过增强，远处高楼的楼层细节清晰可见在三种方法中表现最为优秀，说明本发明快速引导滤波Retinex增强方法的有效性和可靠性。
室内低照度原图，见图3a，照度极低，主要是为了验证在此种极低照度条件下，各种方法增强效果的有效性。可以看出，MSRCR增强算法获得的图，见图3e；基于彩色双边滤波器的Retinex彩色增强算法获得的图，见图3f；本发明获得的图3g在色彩保持、亮度增强和去噪方面表现优秀。同时也发现不足之处，图片对比度没有MSRCR强，在原低照度图色彩鲜艳处，增强后容易造成过饱和现象，有待继续改进。
以上从主观上对比了各种方法增强的视觉效果。关于定性比较，首先考虑比较的是各种方法的处理时间，对比结果如表2所示。
表2 三种夜间增强方法的时间对比(单位：s)
| MSRCR算法 | 彩色双边滤波器Retinex算法 | 本发明增强方法 | |
| 图4a | 0.61 | 55.43 | 0.14 |
| 图5a | 0.59 | 50.76 | 0.16 |
| 图3a | 0.99 | 57.86 | 0.25 |
从表2中可以看出，MSRCR算法运行时间比较短，因为其只是在原始Retinex算法上加了一个利用均值和方差恢复色彩的功能；彩色双边滤波Retinex算法运行时间最长，因为将原本的高斯核换成了彩色双边滤波核，导致计算量特别大；而本发明由于使用采样改进的引导滤波器，在处理时间上最短，说明本发明在时间复杂度上最优，可以满足视频图像实时处理的要求。
定性评价将从亮度均值和特征相似度(FSIM)两个方面分析增强后图像质量。亮度均值能体现低照度图像亮度整体增强程度，而FSIM作为一种图像全参考评价算法，考虑的是两幅图像的结构相似性，图像失真越小，FSIM的值就越大(取值范围为[0，1])。表3的FSIM计算都是基于原始图像的，这样能更好的评价增强图像在与图像亮度无关的结构上的相似性。
表3 增强效果客观性能对比
从表3可以看出，三种方法中，MSRCR算法增强后图像均值虽然最大，但是这主要是图像泛白现象的影响，而且FSIM较差，表示失真严重；彩色双边滤波Retinex算法的均值最低，总体亮度增强不足，同时由于噪声和算法的缺陷，增强图失真严重；
而本发明增强方法，亮度增强良好，同时FSIM表现最为优秀，说明图像质量最好，失真最小，与主观感受一致。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (4)
1.一种基于改进Retinex的低照度图像色彩保持增强方法，其特征在于，具体按照以下步骤进行：
步骤1，将低照度的滤波输入图I从RGB色彩空间转换到YUV色彩空间，滤波输入图I采用灰度图；
步骤2，利用改进的Retinex方法得到增强图像的反射分量R的Y分量RY，FGF，i；
步骤3，计算增强图像的UV分量；
步骤4，将增强图像从YUV色彩空间转换到RGB色彩空间，对越界像素点进行反馈型增强色彩分量，得到增强的低照度彩色图。
2.根据权利要求1所述的一种基于改进Retinex的低照度图像色彩保持增强方法，其特征在于，所述步骤2中，利用改进的Retinex方法得到增强图像的反射分量R的Y分量RY，FGF，i，具体按照以下步骤进行：
步骤A，将滤波输入图I作为引导图p，即滤波输入图像Ii与引导量pi相等，对滤波输入图像Ii和滤波半径r进行下采样：
I′d＝fdownsample(Ii，s) (9)
r′＝fdownsample(r，s) (10)
I′d为下采样后的输入图像，d为下采样后图像像素，r′为下采样后的滤波半径，s为采样倍数，采样倍数s取4或8；下采样优化的线性系数a′k和b′k的计算公式：
<mrow>
<msubsup>
<mi>a</mi>
<mi>k</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>I</mi>
<mi>d</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msubsup>
<mo>,</mo>
<msup>
<mi>r</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>m</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>I</mi>
<mi>d</mi>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msup>
<mi>r</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msup>
<msubsup>
<mi>I</mi>
<mi>d</mi>
<mo>&prime;</mo>
</msubsup>
<mn>2</mn>
</msup>
<mo>,</mo>
<msup>
<mi>r</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>m</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>I</mi>
<mi>d</mi>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msup>
<mi>r</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
b′k＝m(I′d，r′)-a′km(I′d，r′) (12)
其中，m(I′d，r′)表示以像素k为中心的半径为r′的窗口内所有像素d的均值，ε是正则化参数，ωk(r′)为以像素k为中心的半径为r′的窗口；|ω|为窗口ωk(r′)内的像素个数；
因为下采样后图像像素点变少，为保证滤波输入图像Ii所有像素点均有对应的均值参数m(a′k，r′)和m(b′k，r′)，对均值参数m(a′k，r′)和m(b′k，r′)进行一次双线性插值上采样恢复：
式中，s为采样倍数，i为上采样后图像像素，和均为上采样恢复的线性系数，这是原始图像和滤波图像之间的两个关键参数；
根据式(15)得到滤波输出图像qi，即增强图像；
步骤B，将滤波输入图I的Y分量IY代入式(15)得增强图像的背景光照L的Y分量LY,FGF,i：
步骤C，采用式经典Retinex关系式，求取增强图像的反射分量R的Y分量RY,FGF,i：
RY,FGF,i＝log(IY,i)-log(LY,FGF,i) (17)。
3.根据权利要求1所述的一种基于改进Retinex的低照度图像色彩保持增强方法，其特征在于，所述步骤3中，计算增强图像的UV分量，具体为：
在YUV色彩空间中，计算增强图像的反射分量R的Y分量RY,FGF,i的增强比例：
propi＝RY,FGF,i/IY,i (18)
式中，propi为像素i的Y分量增强比例，IY,i为像素i的滤波输入图I的Y分量；
对滤波输入图I的UV分量乘以新增强比例prop′得到增强图像的UV分量，其中，
<mrow>
<msubsup>
<mi>prop</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mn>3</mn>
<mo>-</mo>
<mn>0.015</mn>
<mo>*</mo>
<msub>
<mover>
<mi>I</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>Y</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>prop</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mover>
<mi>I</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>Y</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo><</mo>
<mn>100</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>100</mn>
<mo><</mo>
<mo>=</mo>
<msub>
<mover>
<mi>I</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>Y</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo><</mo>
<mn>256</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>19</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，为滤波输入图I的Y分量的均值。
4.根据权利要求1所述的一种基于改进Retinex的低照度图像色彩保持增强方法，其特征在于，所述步骤4中，将增强图像从YUV色彩空间转换到RGB色彩空间，对越界像素点进行反馈型增强色彩分量，具体为：
利用色彩空间转换公式(20)将增强图像从YUV到RGB色彩空间转换：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>R</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>Y</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<mn>1.14</mn>
<mo>*</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>V</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>*</mo>
<msubsup>
<mi>prop</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>G</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>Y</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>0.39</mn>
<mo>*</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>U</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mn>0.58</mn>
<mo>*</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>V</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msubsup>
<mi>prop</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>B</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>Y</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<mn>2.03</mn>
<mo>*</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>U</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>*</mo>
<msubsup>
<mi>prop</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>20</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，的i为像素，IY,i,IU,i,IV,i为滤波输入图I的YUV三分量，R′i,G′i,B′i为进行亮度和色彩增强后的RGB图；
RGB图的三分量中任意一分量的值不在正常区域[0,255]的像素称为越界像素，越界像素对应的UV分量新的增强比例prop″为：
prop″＝0.3-0.03prop′ (21)
将prop″代入公式(20)中prop′的位置，得到有反馈的增强的低照度彩色图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710944257.6A CN107527332B (zh) | 2017-10-12 | 2017-10-12 | 基于改进Retinex的低照度图像色彩保持增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710944257.6A CN107527332B (zh) | 2017-10-12 | 2017-10-12 | 基于改进Retinex的低照度图像色彩保持增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107527332A true CN107527332A (zh) | 2017-12-29 |
| CN107527332B CN107527332B (zh) | 2020-07-31 |
Family
ID=60684709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710944257.6A Active CN107527332B (zh) | 2017-10-12 | 2017-10-12 | 基于改进Retinex的低照度图像色彩保持增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107527332B (zh) |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364270A (zh) * | 2018-05-22 | 2018-08-03 | 北京理工大学 | 偏色图像颜色还原方法及装置 |
| CN109886906A (zh) * | 2019-01-25 | 2019-06-14 | 武汉大学 | 一种细节敏感的实时弱光视频增强方法和*** |
| CN109978789A (zh) * | 2019-03-26 | 2019-07-05 | 电子科技大学 | 一种基于Retinex算法与引导滤波的图像增强方法 |
| CN110009551A (zh) * | 2019-04-09 | 2019-07-12 | 浙江大学 | 一种cpugpu协同处理的实时血管增强方法 |
| CN110211080A (zh) * | 2019-05-24 | 2019-09-06 | 南昌航空大学 | 一种解剖与功能医学图像融合方法 |
| CN110211070A (zh) * | 2019-06-05 | 2019-09-06 | 电子科技大学 | 一种基于局部极值的低照度彩色图像增强方法 |
| CN110232661A (zh) * | 2019-05-03 | 2019-09-13 | 天津大学 | 基于Retinex和卷积神经网络的低光照彩色图像增强方法 |
| CN110298792A (zh) * | 2018-03-23 | 2019-10-01 | 北京大学 | 低光照图像增强与去噪方法、***及计算机设备 |
| CN110473152A (zh) * | 2019-07-30 | 2019-11-19 | 南京理工大学 | 基于改进Retinex算法的图像增强方法 |
| CN110570381A (zh) * | 2019-09-17 | 2019-12-13 | 合肥工业大学 | 一种基于高斯总变差的半解耦图像分解暗光图像增强方法 |
| CN110675351A (zh) * | 2019-09-30 | 2020-01-10 | 集美大学 | 一种基于全局亮度自适应均衡化的海上图像处理方法 |
| CN111612700A (zh) * | 2019-02-26 | 2020-09-01 | 杭州海康威视数字技术股份有限公司 | 图像增强方法 |
| CN111918095A (zh) * | 2020-08-05 | 2020-11-10 | 广州市百果园信息技术有限公司 | 一种暗光增强方法、装置、移动终端和存储介质 |
| CN111986120A (zh) * | 2020-09-15 | 2020-11-24 | 天津师范大学 | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 |
| CN112132749A (zh) * | 2020-09-24 | 2020-12-25 | 合肥学院 | 应用参数化Thiele连分式插值的图像处理方法及装置 |
| CN112184588A (zh) * | 2020-09-29 | 2021-01-05 | 哈尔滨市科佳通用机电股份有限公司 | 一种针对故障检测的图像增强***及方法 |
| CN112288652A (zh) * | 2020-10-30 | 2021-01-29 | 西安科技大学 | 一种基于PSO寻优的引导滤波-Retinex低照度图像增强方法 |
| CN112308803A (zh) * | 2020-11-25 | 2021-02-02 | 哈尔滨工业大学 | 一种基于深度学习的自监督低照度图像增强及去噪方法 |
| CN112712470A (zh) * | 2019-10-25 | 2021-04-27 | 华为技术有限公司 | 一种图像增强方法及装置 |
| CN113096033A (zh) * | 2021-03-22 | 2021-07-09 | 北京工业大学 | 基于Retinex模型自适应结构的低光照图像增强方法 |
| CN113256533A (zh) * | 2021-06-15 | 2021-08-13 | 北方民族大学 | 基于msrcr的自适应低照度图像增强方法及*** |
| WO2021218364A1 (zh) * | 2020-04-27 | 2021-11-04 | 华为技术有限公司 | 一种图像增强方法及电子设备 |
| CN113947535A (zh) * | 2020-07-17 | 2022-01-18 | 四川大学 | 一种基于光照分量优化的低照度图像增强方法 |
| CN114757854A (zh) * | 2022-06-15 | 2022-07-15 | 深圳市安星数字***有限公司 | 基于多光谱分析的夜视图像质量提升方法、装置、设备 |
| CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
| CN116012378A (zh) * | 2023-03-24 | 2023-04-25 | 湖南东方钪业股份有限公司 | 一种用于增材制造的合金丝材的质量检测方法 |
| CN116132652A (zh) * | 2023-01-31 | 2023-05-16 | 格兰菲智能科技有限公司 | 文本图像的处理方法、装置、设备和存储介质 |
| CN118172285A (zh) * | 2024-05-14 | 2024-06-11 | 浙江芯劢微电子股份有限公司 | 一种画质优化方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101459782B1 (ko) * | 2008-09-08 | 2014-11-10 | 현대자동차주식회사 | 차량용 카메라의 야간 영상 개선 시스템 |
| CN104796682A (zh) * | 2015-04-22 | 2015-07-22 | 福州瑞芯微电子有限公司 | 图像信号中的色彩增强方法和装置 |
| CN106897981A (zh) * | 2017-04-12 | 2017-06-27 | 湖南源信光电科技股份有限公司 | 一种基于引导滤波的低照度图像增强方法 |
-
2017
- 2017-10-12 CN CN201710944257.6A patent/CN107527332B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101459782B1 (ko) * | 2008-09-08 | 2014-11-10 | 현대자동차주식회사 | 차량용 카메라의 야간 영상 개선 시스템 |
| CN104796682A (zh) * | 2015-04-22 | 2015-07-22 | 福州瑞芯微电子有限公司 | 图像信号中的色彩增强方法和装置 |
| CN106897981A (zh) * | 2017-04-12 | 2017-06-27 | 湖南源信光电科技股份有限公司 | 一种基于引导滤波的低照度图像增强方法 |
Non-Patent Citations (1)
| Title |
|---|
| KAIMING HE: "Fast Guided Filter", 《COMPUTER SCIENCE》 * |
Cited By (40)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298792B (zh) * | 2018-03-23 | 2021-08-17 | 北京大学 | 低光照图像增强与去噪方法、***及计算机设备 |
| CN110298792A (zh) * | 2018-03-23 | 2019-10-01 | 北京大学 | 低光照图像增强与去噪方法、***及计算机设备 |
| CN108364270B (zh) * | 2018-05-22 | 2020-11-06 | 北京理工大学 | 偏色图像颜色还原方法及装置 |
| CN108364270A (zh) * | 2018-05-22 | 2018-08-03 | 北京理工大学 | 偏色图像颜色还原方法及装置 |
| CN109886906B (zh) * | 2019-01-25 | 2020-09-08 | 武汉大学 | 一种细节敏感的实时弱光视频增强方法和*** |
| CN109886906A (zh) * | 2019-01-25 | 2019-06-14 | 武汉大学 | 一种细节敏感的实时弱光视频增强方法和*** |
| CN111612700B (zh) * | 2019-02-26 | 2023-05-26 | 杭州海康威视数字技术股份有限公司 | 图像增强方法 |
| CN111612700A (zh) * | 2019-02-26 | 2020-09-01 | 杭州海康威视数字技术股份有限公司 | 图像增强方法 |
| CN109978789A (zh) * | 2019-03-26 | 2019-07-05 | 电子科技大学 | 一种基于Retinex算法与引导滤波的图像增强方法 |
| CN110009551A (zh) * | 2019-04-09 | 2019-07-12 | 浙江大学 | 一种cpugpu协同处理的实时血管增强方法 |
| CN110232661B (zh) * | 2019-05-03 | 2023-01-06 | 天津大学 | 基于Retinex和卷积神经网络的低光照彩色图像增强方法 |
| CN110232661A (zh) * | 2019-05-03 | 2019-09-13 | 天津大学 | 基于Retinex和卷积神经网络的低光照彩色图像增强方法 |
| CN110211080A (zh) * | 2019-05-24 | 2019-09-06 | 南昌航空大学 | 一种解剖与功能医学图像融合方法 |
| CN110211080B (zh) * | 2019-05-24 | 2023-07-07 | 南昌航空大学 | 一种解剖与功能医学图像融合方法 |
| CN110211070B (zh) * | 2019-06-05 | 2023-04-14 | 电子科技大学 | 一种基于局部极值的低照度彩色图像增强方法 |
| CN110211070A (zh) * | 2019-06-05 | 2019-09-06 | 电子科技大学 | 一种基于局部极值的低照度彩色图像增强方法 |
| CN110473152A (zh) * | 2019-07-30 | 2019-11-19 | 南京理工大学 | 基于改进Retinex算法的图像增强方法 |
| CN110570381A (zh) * | 2019-09-17 | 2019-12-13 | 合肥工业大学 | 一种基于高斯总变差的半解耦图像分解暗光图像增强方法 |
| CN110570381B (zh) * | 2019-09-17 | 2022-04-29 | 合肥工业大学 | 一种基于高斯总变差的半解耦图像分解暗光图像增强方法 |
| CN110675351A (zh) * | 2019-09-30 | 2020-01-10 | 集美大学 | 一种基于全局亮度自适应均衡化的海上图像处理方法 |
| CN110675351B (zh) * | 2019-09-30 | 2022-03-11 | 集美大学 | 一种基于全局亮度自适应均衡化的海上图像处理方法 |
| CN112712470A (zh) * | 2019-10-25 | 2021-04-27 | 华为技术有限公司 | 一种图像增强方法及装置 |
| WO2021218364A1 (zh) * | 2020-04-27 | 2021-11-04 | 华为技术有限公司 | 一种图像增强方法及电子设备 |
| CN113947535B (zh) * | 2020-07-17 | 2023-10-13 | 四川大学 | 一种基于光照分量优化的低照度图像增强方法 |
| CN113947535A (zh) * | 2020-07-17 | 2022-01-18 | 四川大学 | 一种基于光照分量优化的低照度图像增强方法 |
| CN111918095A (zh) * | 2020-08-05 | 2020-11-10 | 广州市百果园信息技术有限公司 | 一种暗光增强方法、装置、移动终端和存储介质 |
| CN111986120A (zh) * | 2020-09-15 | 2020-11-24 | 天津师范大学 | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 |
| CN112132749A (zh) * | 2020-09-24 | 2020-12-25 | 合肥学院 | 应用参数化Thiele连分式插值的图像处理方法及装置 |
| CN112184588A (zh) * | 2020-09-29 | 2021-01-05 | 哈尔滨市科佳通用机电股份有限公司 | 一种针对故障检测的图像增强***及方法 |
| CN112288652A (zh) * | 2020-10-30 | 2021-01-29 | 西安科技大学 | 一种基于PSO寻优的引导滤波-Retinex低照度图像增强方法 |
| CN112308803A (zh) * | 2020-11-25 | 2021-02-02 | 哈尔滨工业大学 | 一种基于深度学习的自监督低照度图像增强及去噪方法 |
| CN113096033B (zh) * | 2021-03-22 | 2024-05-28 | 北京工业大学 | 基于Retinex模型自适应结构的低光照图像增强方法 |
| CN113096033A (zh) * | 2021-03-22 | 2021-07-09 | 北京工业大学 | 基于Retinex模型自适应结构的低光照图像增强方法 |
| CN113256533A (zh) * | 2021-06-15 | 2021-08-13 | 北方民族大学 | 基于msrcr的自适应低照度图像增强方法及*** |
| CN114757854B (zh) * | 2022-06-15 | 2022-09-02 | 深圳市安星数字***有限公司 | 基于多光谱分析的夜视图像质量提升方法、装置、设备 |
| CN114757854A (zh) * | 2022-06-15 | 2022-07-15 | 深圳市安星数字***有限公司 | 基于多光谱分析的夜视图像质量提升方法、装置、设备 |
| CN116132652A (zh) * | 2023-01-31 | 2023-05-16 | 格兰菲智能科技有限公司 | 文本图像的处理方法、装置、设备和存储介质 |
| CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
| CN116012378A (zh) * | 2023-03-24 | 2023-04-25 | 湖南东方钪业股份有限公司 | 一种用于增材制造的合金丝材的质量检测方法 |
| CN118172285A (zh) * | 2024-05-14 | 2024-06-11 | 浙江芯劢微电子股份有限公司 | 一种画质优化方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107527332B (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107527332B (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
| CN109064426B (zh) | 一种用于抑制低照度图像中眩光并增强图像的方法及装置 | |
| CN100568279C (zh) | 一种基于Retinex理论的快速彩色图像增强方法 | |
| CN111986120A (zh) | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 | |
| Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
| CN104253930B (zh) | 一种实时视频去雾方法 | |
| Ma et al. | An effective fusion defogging approach for single sea fog image | |
| CN106683080B (zh) | 一种视网膜眼底图像预处理方法 | |
| Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
| CN114331873B (zh) | 一种基于区域划分的非均匀光照彩色图像校正方法 | |
| CN108765336A (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
| CN105976330A (zh) | 一种嵌入式雾天实时视频稳像方法 | |
| CN110298792B (zh) | 低光照图像增强与去噪方法、***及计算机设备 | |
| CN104318529A (zh) | 处理在恶劣环境中所拍摄低照度图像的方法 | |
| CN109919859A (zh) | 一种户外场景图像去雾增强方法、计算设备及其存储介质 | |
| CN112991222A (zh) | 图像雾霾去除处理方法、***、计算机设备、终端及应用 | |
| Gao et al. | Sandstorm image enhancement based on YUV space | |
| CN108648160B (zh) | 一种水下海参图像去雾增强方法及*** | |
| Xue et al. | Video image dehazing algorithm based on multi-scale retinex with color restoration | |
| CN111127377B (zh) | 一种基于多图像融合Retinex的弱光增强方法 | |
| CN115456905A (zh) | 一种基于明暗区域分割的单幅图像去雾方法 | |
| Wen et al. | Autonomous robot navigation using Retinex algorithm for multiscale image adaptability in low-light environment | |
| CN115587945A (zh) | 高动态红外图像细节增强方法、***及计算机存储介质 | |
| Xu et al. | A novel variational model for detail-preserving low-illumination image enhancement | |
| CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |