基于Retinex模型的低照度图像增强算法研究
这是一篇关于低照度图像增强,Retinex理论,交替方向乘子法,卷积神经网络的论文, 主要内容为由于低光照环境下光子不足、信噪比低,采集到的图像信号存在亮度与对比度低、颜色偏差、噪声干扰等严重的质量问题,影响到视觉主观感受,同时使得图像中的信息难以被有效提取。因此,低照度图像增强成为计算机视觉和多媒体应用中一个关键且具有挑战性的课题。针对以上问题,本文以低照度图像为研究对象,从基于Retinex分解出发,探索Retinex模型中光照分量及反射分量对于图像增强的影响,提出了三种低照度图像增强算法,以解决现有算法面临的问题。本文主要研究内容如下:1.低照度图像的亮度与对比度低,导致图像的结构和纹理信息不明显。针对此问题,提出了一种基于结构与纹理感知的Retinex变分模型。充分考虑光照分量和反射分量在梯度场上的分布差异,利用该分布差异构建局部相关差异化的结构感知约束和纹理感知约束,提高光照分量的空间分段平滑特性和反射分量的分段连续性,提升了模型对于结构和纹理信息的感知能力。2.低照度图像在拍摄时受到场景光线微弱和电子传感器性能局限性等影响,从而图像难以避免地会受到噪声干扰。针对该问题,提出了一种基于低秩逼近约束的Retinex变分模型。通过在变分模型中引入核范数约束项,并利用核范数最小化方法解决图像矩阵低秩逼近问题,从而降低图像的噪声影响。同时引入交替方向乘子法,将光照分量与反射分量的估计问题分离为单独问题求解,避免两者在迭代过程中造成的噪声放大问题。3.基于深度学习的低照度图像增强方法往往依赖于具有正常光照的训练集,但是训练数据集的收集限制了深度神经网络模型的性能。针对该问题,提出基于Retinex模型的无监督深度学习网络架构。该网络有两个U-Net分支,分别用于估计反射分量与光照分量。由于反射分量相较于光照分量包含更多图像信息,在反射分量估计分支中采取更深的网络结构,并引入压缩激励模块以增强图像的细节,弱化背景噪声,使最后输出的特征图包含更多有用的语义信息。
基于深度学习的低照度图像增强算法研究与应用
这是一篇关于低照度图像,图像增强,Retinex理论,卷积神经网络,低照度图像增强系统的论文, 主要内容为图像因为直观、信息量丰富的特点,在现实生活中得到广泛应用。但在现实场景中,经常会出现弱光、逆光和不均匀光照的情况,在这种场景下获得的图像有低亮度、低对比度、狭窄的灰度范围特点,同时伴有噪声和失真的现象,也被称为低照度图像。这类图像不容易直观地获取信息,也对后续高级计算机任务精准完成产生一定阻碍。针对低照度图像增强任务,研究学者提出了众多算法,增强后图像质量在不断提高;但就如何改善低照度图像亮度和对比度、平衡图像细节增强与噪声去除仍然存在较大研究空间。因此,针对上述两点进行如下研究:1.针对如何改善低照度图像亮度和对比度的问题,受MSR算法启发,在Retinex-Net网络模型之上,改进了照度图增强网络,改进网络为三分支五层卷积核的结构。通过不同尺寸卷积核,可以获得不同感受野;通过多分支求均值的方式,可以避免单分支可能出现的增强不足或者增强过度的现象。经过实验对比,改进网络得到的增强图像在亮度和对比度上有了较大改善,同时在客观评价指标上也表现更好。2.针对如何平衡图像细节增强与噪声去除的问题,在上述改进基础之上,设计了一个反射图去噪网络,该网络采用残差块加类U-Net结构。通过残差块,可以解决网络层数变深带来的梯度消失问题,使网络快速收敛到最优值。通过类U-Net网络可以很好地融合深、浅层次特征,保留图像中的细节;同时还可以很好地估计出反射图中的噪声图,从而实现细节增强与噪声去除。经过实验验证,设计的去噪网络可以在去除噪声的同时也能很好地增强图像细节,增强后图像更符合人眼视觉效果,同时在客观评价指标上也表现更好。3.基于上述研究算法,通过HTML、CSS、JavaScript以及Flask框架实现了一个简单的低照度图像增强系统。该系统操作简单,可以直观地感受到图像增强效果,同时还可以将增强图像下载到本地,方便后续使用增强图像的需求。
基于Retinex模型的低照度图像增强算法研究
这是一篇关于低照度图像增强,Retinex理论,交替方向乘子法,卷积神经网络的论文, 主要内容为由于低光照环境下光子不足、信噪比低,采集到的图像信号存在亮度与对比度低、颜色偏差、噪声干扰等严重的质量问题,影响到视觉主观感受,同时使得图像中的信息难以被有效提取。因此,低照度图像增强成为计算机视觉和多媒体应用中一个关键且具有挑战性的课题。针对以上问题,本文以低照度图像为研究对象,从基于Retinex分解出发,探索Retinex模型中光照分量及反射分量对于图像增强的影响,提出了三种低照度图像增强算法,以解决现有算法面临的问题。本文主要研究内容如下:1.低照度图像的亮度与对比度低,导致图像的结构和纹理信息不明显。针对此问题,提出了一种基于结构与纹理感知的Retinex变分模型。充分考虑光照分量和反射分量在梯度场上的分布差异,利用该分布差异构建局部相关差异化的结构感知约束和纹理感知约束,提高光照分量的空间分段平滑特性和反射分量的分段连续性,提升了模型对于结构和纹理信息的感知能力。2.低照度图像在拍摄时受到场景光线微弱和电子传感器性能局限性等影响,从而图像难以避免地会受到噪声干扰。针对该问题,提出了一种基于低秩逼近约束的Retinex变分模型。通过在变分模型中引入核范数约束项,并利用核范数最小化方法解决图像矩阵低秩逼近问题,从而降低图像的噪声影响。同时引入交替方向乘子法,将光照分量与反射分量的估计问题分离为单独问题求解,避免两者在迭代过程中造成的噪声放大问题。3.基于深度学习的低照度图像增强方法往往依赖于具有正常光照的训练集,但是训练数据集的收集限制了深度神经网络模型的性能。针对该问题,提出基于Retinex模型的无监督深度学习网络架构。该网络有两个U-Net分支,分别用于估计反射分量与光照分量。由于反射分量相较于光照分量包含更多图像信息,在反射分量估计分支中采取更深的网络结构,并引入压缩激励模块以增强图像的细节,弱化背景噪声,使最后输出的特征图包含更多有用的语义信息。
基于多特征融合的水下图像增强方法研究
这是一篇关于水下图像,图像融合,色彩校正,Retinex理论的论文, 主要内容为陆地环境资源已经难以满足人类日常需求,当前人们已经逐渐将目光转移到资源丰富的海洋中。而水下图像作为承载各类海洋资源信息的载体被广泛应用于各类海洋资源开发活动中,通过分析水下图像,可以得到大量关键海洋资源信息。在水下环境中,不同波长的光线传播能力不同,导致相机拍摄的水下图像普遍存在蓝绿偏色、对比度较低以及曝光度不足等问题。上述问题为水下资源的勘探带来了较大的阻碍。水下图像增强方法能够解决因退化造成的各种问题,已经成为当前水下资源探索领域中重要研究方向之一。本论文针对退化的水下图像,分析水下图像增强面临的各种挑战问题,研究基于多特征融合的水下图像增强方法,主要研究内容如下:1.针对单一无模型的水下图像增强方法对暗区域增强效果不佳的问题,研究基于色彩校正与多尺度融合的水下图像增强方法。提出基于红通道补偿的色彩校正方法,根据光线衰减补偿红通道,去除色偏。设计基于引导滤波的多尺度锐化方法,增强边缘纹理细节。提出基于引导滤波的对比度增强方法,在对数域中将图像分解为基础层与细节层,分层增强。设计自适应伽马校正方法,依据图像灰度值选择校正参数,避免过度增强,增强暗区域曝光。提取代表不同输入图像各个不同特征的权重图,使用多尺度金字塔融合方法融合上述特征信息,实现各个特征之间的优势互补,增强视觉效果。实验结果表明该方法可以有效整合不同增强方法的优点,UCIQE,UIQM以及EG客观指标均好于其他相关对比方法。2.针对传统Retinex理论方法难以在视觉效果、细节保持以及色彩校正等方面保持平衡的问题,研究基于Retinex理论与梯度域图像融合的水下图像增强方法,自适应选择不同尺度高斯函数的权重,提取精确反射分量。设计视觉伽马校正,对反射分量进行光照补偿,保持图像的自然属性。基于高斯金字塔获得细节增强图像。为保持饱和度平衡,使用相关系数调整图像饱和度,并校正色彩。设计梯度域融合方法,融合细节增强图像与色彩校正图像。与相关水下图像增强方法进行对比,在开源数据集上进行实验,UCIQE,AG以及IE客观指标均有较大提升,增强结果具有较好的视觉效果。本论文重点研究水下图像存在的退化问题。利用图像融合方法整合不同增强方法的特征,生成高质量的清晰图像,推动海洋资源的勘探与开发,具有一定的理论意义与应用价值。
基于神经网络的低光工业图像增强研究
这是一篇关于卷积神经网络,深度学习,工业图像增强,迁移学习,注意力机制,Retinex理论的论文, 主要内容为随着物联网技术的发展,当今工厂普遍开始使用摄像头代替人工对设备运行状况进行监控,但工厂环境往往具有光照不均、空气中浮游杂质较多、设备晃动等较多特点,导致最终获得的图像存在细节模糊、质量过低的情况。此外,在夜间等低照度环境的情景下,获取的图像会存在动态范围较窄、细节信息缺失、伴有全局大量的噪声等问题。这类图像不仅会影响人类的视觉感知能力,而且会给计算机进一步处理图像带来困难。因此,本文针对工业现场图像低质量、低亮度的问题,采用红外特征融合,迁移学习和注意力机制思想对工业图像增强方法进行研究。本文的主要研究工作介绍如下:(1)为了提升本文自制数据集中低光照图像的图像质量,提出了一种红外特征融合的工业低光图像增强算法,基于图像融合技术对低照度下可见光图像与红外图像进行融合,提升图像质量。首先提取红外图像的显著性图,通过提出的SUSIFT算法进行配准,再使用双数复小波变换对红外图像和可见光图像进行频域分解与融合,实现了工业现场低质量图像的图像增强。(2)为了确保在数据集规模较小的情况下仍然能够达到较好的工业低光照图像质量提升效果,基于迁移学习理论对Retinex-Net网络模型进行改进,提出了Retinex-NetTL网络。并实现了Retinex-Net-TL网络从LOL数据集到本文自制数据集的迁移学习。对主要的网络框架、图像分解模块以及反射和照度分量模块进行了阐述,最后对算法效果进行了主客观测试,测试结果表明了该算法的有效性。(3)为了进一步提高算法在小规模数据集的表现,通过引入注意力机制模块对基于迁移学习的改进Retinex-Net工业低光图像增强算法进行改进。将CBAM注意力机制分别引入照度分量增强模块与反射分量去噪模块中,设计出Retinex-Net-AM网络的整体框架模型。通过对比实验,结果表明模型的PSNR指标平均提升7.21%,SSIM指标平均提升18.15%,验证了改进模型的有效性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设工厂 ，原文地址：https://m.bishedaima.com/lunwen/54223.html
