目的針對(duì)傳統(tǒng)Retinex算法存在的泛灰、光暈、邊界突出以及高曝光區(qū)域細(xì)節(jié)增強(qiáng)不明顯的現(xiàn)象,將Retinex和多聚焦融合的思想融合在一起,提出一種基于Retinex的改進(jìn)雙邊濾波的多聚焦融合算法。方法首先根據(jù)圖像情況在像素級(jí)層次將反射圖像分解為最優(yōu)亮暗區(qū)域兩部分,然后利用線性積分變換和鄰近像素最優(yōu)推薦算法,將原始圖像與最優(yōu)亮區(qū)域多聚焦融合得到圖像T,再將圖像T與最優(yōu)暗區(qū)域重復(fù)以上步驟得到圖像S,最后利用引導(dǎo)濾波進(jìn)行邊界修復(fù)得到最終圖像。結(jié)果選擇兩組圖像girl和boat進(jìn)行實(shí)驗(yàn),與SSR（single scale Retinex）、BSSR（Retinex algorithm based on bilateral filtering）、BIFT（Retinex image enhancement algorithm based on image fusion technology）和RVRG（Retinex variational model based on relative gradient regularization and its application） 4種方法進(jìn)行對(duì)比,... 

【文章來源】：中國(guó)圖象圖形學(xué)報(bào). 2020,25(03)北大核心CSCD

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

本文算法流程圖

利用改進(jìn)的雙邊濾波估計(jì)出光照?qǐng)D像后，根據(jù)圖像像素亮暗分布情況，將結(jié)果圖像分成亮、暗區(qū)域兩部分，根據(jù)圖像信息熵選取最優(yōu)亮暗區(qū)域參數(shù)，最終得到最優(yōu)亮暗區(qū)域，分別對(duì)亮暗區(qū)域進(jìn)行分步融合，可根據(jù)算法獲取亮暗區(qū)域處理效果好的像素區(qū)域。如圖2所示，最優(yōu)暗區(qū)域?qū)Ψ壳昂诎档牟糠痔幚硇Ч黠@，最優(yōu)亮區(qū)域?qū)Ψ课莸闹鲏Ρ诩?xì)節(jié)保留完整。原圖中的天空云彩部分的層次感是最優(yōu)亮暗區(qū)域無法保留的，所以本文算法選擇將原圖、最優(yōu)亮區(qū)域和最優(yōu)暗區(qū)域一起融合，最大程度增強(qiáng)圖像。2.3 多聚焦融合

為了更好說明本文算法的優(yōu)越性，將本文算法與BIFT算法(Retinex image enhancement algorithm based on image fusion technology)對(duì)room圖像的增強(qiáng)結(jié)果進(jìn)行比較(常戩等，2018)，結(jié)果如圖3所示。BIFT算法中，房前位置亮度較低且存在泛灰問題，本文算法房子前的位置對(duì)比度明顯提高，紋理更為清晰，邊緣保留效果好，對(duì)細(xì)節(jié)的增強(qiáng)更為突出。本文算法中，天空云彩位置的層次更為突出，本文算法對(duì)邊緣梯度保持效果大大提升。表1是BIFT算法與本文算法對(duì)room圖像增強(qiáng)的參數(shù)對(duì)比。從表1可以看出，BIFT算法平均梯度高于本文算法，在均值和方差基本持平的情況下，本文算法的信息熵提高了0.33。信息熵表示圖像信息的豐富度，是一個(gè)衡量圖像融合的重要指標(biāo)。綜合以上分析，本文算法求得局部最優(yōu)解，將原始圖像分解為最優(yōu)亮、暗區(qū)域，利用多聚焦融合思想分別融合原始圖像、最優(yōu)亮區(qū)域圖像和最優(yōu)暗區(qū)域圖像的局部最優(yōu)區(qū)域，極大增強(qiáng)了圖像的對(duì)比度和細(xì)節(jié)信息，比BIFT算法得到了更好的視覺效果。本文算法將原始圖像運(yùn)用Otus閾值分割算法計(jì)算分割閾值，根據(jù)該閾值得到最優(yōu)亮、暗區(qū)域兩部分;利用線性積分變換和鄰近像素最優(yōu)推薦算法分別提取圖像中的最優(yōu)區(qū)域，根據(jù)引導(dǎo)圖像加權(quán)融合，最后利用引導(dǎo)濾波修復(fù)邊界得到結(jié)果圖像。本文算法極大限度地將信息豐富度高的區(qū)域融合，達(dá)到提高結(jié)果圖像的增強(qiáng)效果。

【參考文獻(xiàn)】：
期刊論文
[1]混合先驗(yàn)與加權(quán)引導(dǎo)濾波的圖像去霧算法[J]. 李喆,李建增,胡永江,張巖.  中國(guó)圖象圖形學(xué)報(bào). 2019(02)
[2]基于Retinex的圖像增強(qiáng)方法綜述[J]. 謝鳳英,湯萌,張蕊.  數(shù)據(jù)采集與處理. 2019(01)
[3]基于圖像融合技術(shù)的Retinex圖像增強(qiáng)算法[J]. 常戩,劉旺,白佳弘.  計(jì)算機(jī)工程與科學(xué). 2018(09)
[4]基于隨機(jī)游走的自動(dòng)圖像分割算法[J]. 茅正沖,韓毅.  傳感器與微系統(tǒng). 2018(06)
[5]基于相對(duì)梯度正則化的Retinex變分模型及其應(yīng)用[J]. 智寧,毛善君,李梅.  通信學(xué)報(bào). 2017(11)
[6]基于多尺度稀疏字典的多聚焦圖像超分辨融合[J]. 彭真明,景亮,何艷敏,張萍.  光學(xué)精密工程. 2014(01)
[7]一種改進(jìn)的隨機(jī)游走圖像分割算法[J]. 王梅,李玉鑑.  計(jì)算機(jī)與現(xiàn)代化. 2013(08)
[8]圖像引導(dǎo)濾波的局部多尺度Retinex算法[J]. 方帥,楊靜榮,曹洋,武鵬飛,饒瑞中.  中國(guó)圖象圖形學(xué)報(bào). 2012(07)
[9]圖象閾值選取方法的構(gòu)造[J]. 付忠良.  中國(guó)圖象圖形學(xué)報(bào). 2000(06)

博士論文
[1]基于生物視覺感知機(jī)制的圖像增強(qiáng)及質(zhì)量評(píng)價(jià)的研究[D]. 劉玉紅.電子科技大學(xué) 2018

碩士論文
[1]基于濾波的多聚焦圖像融合算法研究[D]. 袁婭婷.西北大學(xué) 2018



本文編號(hào)：3259588