基于Retinex理论的低照度图像增强算法研究与实现

摘要

图像作为信息的一种载体，在通信领域与计算机领域得到了广泛的应用。海量的图像当中，因为拍摄环境因素造成的低照度图像占了很大比例。低照度图像一般包含较明显的噪声，亮度比较低，细节不明显，颜色失真严重，上述缺点降低了低照度图像的应用价值。低照度图像增强处理是图像增强领域比较重要的分支，传统的增强算法只能改善低照度图像的部分缺点，增强效果不理想。Retinex算法基于人眼视觉系统感知物体亮度和颜色模型，具有色彩恒常性，并且可以做到亮度提升、细节增强和颜色保真的统一，对低照度图像质量的提升比较全面。 本文针对整体亮度比较低的图像提出了自适应权值的多尺度Retinex算法。低照度图像包含较多的零像素点，为此引入了幅度补偿机制，解决了Retinex算法中对数变换导致图像数据截断的问题；将图像进行分块，在每一个子块内部，根据图像的平坦特性计算子块的最佳尺度参数，利用最佳尺度参数和经典尺度参数间的关系进行自适应权值计算，解决了多尺度Retinex算法使用全局滤波器效果不佳的问题；本文利用颜色通道之间的关系定义了图像的归一化亮度，然后利用归一化亮度对低照度原图和增强结果进行线性匹配，避免了图像正常亮度区域的过度增强问题。实验结果表明，自适应权值的多尺度Retinex算法在图像细节增强、亮度保持以及色彩保真方面效果较好。 针对部分区域较亮的低照度图像，本文提出了基于PLIP(Parameterized Logarithmic Image Processing)模型的Retinex低照度图像增强算法。该算法将PLIP模型的运算规则和图像卷积操作结合起来，形成了PLIP模型下的高斯滤波器，并在HSV空间下对图像亮度分量进行增强处理，有效的降低了反射分量计算过程中的超值区间问题；利用图像的背景亮度和人眼视觉的关系对增强后的亮度分量进行非线性调整，改善了图像的视觉效果；按照饱和度和亮度之间的相关关系对饱和度进行修正，改善了图像的视觉效果。实验结果表明，基于PLIP模型的Retinex增强算法在增强低照度区域的同时对高亮区域进行了饱和度修正，使高亮区域的增强结果更加符合人眼视觉效果，避免出现过度增强现象。

目录

第一个书签之前

摘要

ABSTRACT

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1 研究背景

1.2 国内外研究现状

1.3 本文的研究内容

1.4 本文的结构安排

第二章 低照度图像增强的基本理论与基本方法

2.1 低照度图像的形成、特点及分类

2.2 空域增强算法

2.2.1 灰度变换法

2.2.2 直方图处理

2.2.3 图像平滑滤波

2.2.4 图像锐化滤波

2.3 变换域增强

2.3.1 低通滤波

2.3.2 高通滤波

2.3.3 同态滤波

2.4 本章小结

第三章 自适应权值的Retinex图像增强算法

3.1 Retinex理论依据

3.1.1 视网膜皮层理论

3.1.2 色彩恒常性

3.2 传统的Retinex增强算法

3.2.1 单尺度Retinex算法

3.2.2 多尺度Retinex算法

3.2.3 带色彩恢复的Retinex算法

3.3 自适应权值的多尺度Retinex算法

3.3.1 对数函数的修正

3.3.2 图像的区域平坦特性和平坦指数

3.3.3 图像子块的最佳尺度参数

3.3.4 多尺度间的自适应权值计算

3.3.5 正常亮度区域的亮度保持

3.3.6 噪声抑制

3.4 低照度图像增强结果与分析

3.5 本章小结

第四章 基于PLIP模型的低照度图像增强算法

4.1 对数图像处理模型

4.1.1 LIP模型

4.1.2 PLIP模型

4.1.3 LIP模型和PLIP模型的比较

4.2 基于PLIP模型的Retinex增强算法

4.2.1 基于PLIP模型的图像卷积操作

4.2.2 基于PLIP模型的反射分量估计

4.2.3 图像亮度修正

4.2.4 饱和度修正

4.3 增强结果分析

4.4 本章小结

第五章 总结与展望

5.1 本文工作总结

5.2 下一步工作展望

参考文献

致谢

作者简介

1. 基本情况

2. 教育背景

3. 攻读硕士学位期间的研究成果

3.1 发表学术论文

3.2 申请（授权）专利

3.3 参与科研项目及获奖