结合人眼视觉特性的图像增强算法研究

摘要

研究图像增强以提高图像的可辨识度，对于人眼或机器从低质量图像中顺利获取信息有重要意义。目前图像增强算法大多基于图像特征作调整，较少考虑与人眼视觉特性相结合。将人眼视觉系统的一些特性应用到图像增强中，可以更有效地控制增强程度或者提升增强品质。
　　针对传统灰度变换算法不能充分利用灰度资源，容易造成增强后图像部分视觉信息丢失的缺点，本文提出了一种灰度合并拉伸算法，算法结合人眼的亮度阈值特性合并低亮度与高亮度区域灰度后进行拉伸，处理后图像中间灰度区域对比度提升的同时可以保留低亮度与高亮度区域的可见信息。
　　传统非线性变换算法增强低照度图像低亮度区域的同时往往抑制较亮区域，本文提出了一种非线性变换增强算法，算法通过合理拉伸与压缩不同亮度区域灰度，增强低亮度区域的同时很大程度保持高亮度区域对比度。为提高图像的局部对比度，以邻接像素为处理单位，合并不可见像素，调整可见像素灰度差值，并进一步拉伸处理，处理后图像对比度大幅提高的同时信息熵接近原图。
　　本文还提出了结合小波变换的改进的Retinex算法，算法利用小波变换的低频分量进行照度估计，对原始图像和增强图像的高频系数进行融合，和经典的Retinex算法相比，亮度及对比度更高、信息熵接近、运行时间更短。此外，还使用本文提出的邻接像素合并拉伸算法对其中的反射分量进行了调整，使图像的对比度更高。

目录

声明

1 绪论

1.1 图像增强研究背景

1.2 图像增强算法研究现状

1.2.1 基于直方图的图像增强算法

1.2.2 基于小波理论的图像增强算法

1.2.3 基于视觉效果的图像增强算法

1.3 本文研究意义及组织结构

2 图像增强算法理论基础

2.1 基于空间域的图像增强算法

2.1.1 灰度变换

2.1.2 直方图处理

2.1.3 空间域滤波

2.2 基于频率域的图像增强算法

2.2.1 低通滤波与高通滤波

2.2.2 小波理论与小波图像增强

2.3 Retinex理论与算法

2.3.1人眼的色彩恒常性与亮度恒常性

2.3.2 Retinex理论

2.3.3 单尺度Retinex算法

2.3.4 多尺度Retinex算法

2.3.5 带颜色恢复的多尺度Retinex算法

2.4 颜色模型

2.4.1 RGB颜色模型

2.4.2 HSV颜色模型

2.4.3 RGB模型与HSV模型之间的转换

3 结合亮度阈值特性的图像增强算法的设计

3.1 灰度合并映射拉伸

3.1.1人眼亮度阈值特性与临界可见偏差曲线

3.1.2 灰度合并映射拉伸算法

3.2 非线性变换拉伸

3.3 邻接像素合并拉伸

4 基于Retinex理论的图像增强算法的改进

4.1 经典Retinex算法的分析

4.2 结合小波变换的retinex算法

4.2.1小波基的选择

4.2.2 小波阈值去噪

4.2.3 小波系数融合

4.2.4 色彩恢复

4.2.5 算法步骤

4.2.6 仿真结果与分析

4.3 结合邻接像素合并拉伸的Retinex算法

5 总结与展望

5.1 论文工作总结

5.2 下一步工作展望

致谢

参考文献