隨著社會和硬件設(shè)備的發(fā)展,人們采集了越來越多的視頻圖像,形形色色的圖像豐富了人民的生活,但是數(shù)量眾多的圖像質(zhì)量參差不齊,尤其在黃昏、夜間等曝光不足的環(huán)境下獲取的圖像往往為低質(zhì)的,使得相關(guān)人員不能提取圖像中有用的信息,需進(jìn)行處理將其作為下一步工作的基礎(chǔ),所以,對低照度視頻圖像進(jìn)行增強(qiáng)具有很強(qiáng)的現(xiàn)實意義。本課題的工作概括為以下內(nèi)容:首先本文詳細(xì)闡述了本課題的研究背景及意義,分析了低照度視頻圖像增強(qiáng)的國內(nèi)外研究現(xiàn)狀、發(fā)展趨勢及存在的問題。對部分學(xué)者提出的低照度視頻圖像方法進(jìn)行了研究仿真,如基于直方圖的方法、Retinex方法和深度學(xué)習(xí)方法等,分別對他們的優(yōu)缺點進(jìn)行了解與分析。然后在前文分析其他低照度視頻圖像增強(qiáng)方法的基礎(chǔ)上,針對其存在的不足,提出了兩種方法對低照度圖像進(jìn)行增強(qiáng):（1）針對傳統(tǒng)算法對低照度圖像增強(qiáng)后出現(xiàn)光暈偽影,細(xì)節(jié)丟失等情況,本文在Retinex算法的基礎(chǔ)上提出了一種改進(jìn)算法,首先將低照度圖像從RGB圖像轉(zhuǎn)化為HSI顏色空間,只對亮度分量I進(jìn)行處理,采用融合邊緣檢測算子的引導(dǎo)濾波對I分量進(jìn)行卷積求得照度圖像,將照度圖像去除后得到反射圖像,將低秩分解和局部對比度增強(qiáng)引入進(jìn)一步改... 

【文章來源】：蘭州交通大學(xué)甘肅省

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

直方圖均衡化

蘭州交通大學(xué)工程碩士學(xué)位論文-11-真實模樣，也即我們所需求取的增強(qiáng)后圖像，照度圖像I相當(dāng)于噪聲，在增強(qiáng)處理中需要去除，具體的數(shù)學(xué)表達(dá)式如下所示：S(x,y)=R(x,y)I(x,y)(2.9)其中，反射圖像R(x,y)儲存有圖像的細(xì)節(jié)信息，是圖像的高頻分量部分，照度圖像I(x,y)對應(yīng)圖像的低頻分量部分，比如大致概貌和輪廓，決定圖像像素的動態(tài)范圍。Retinex模型如圖2.3所示。圖2.3Retinex模型原理圖精確估算出光照圖像I為Retinex重點，得到I后就可以算出反射圖像R。為了降低計算的復(fù)雜性，通常將運算關(guān)系進(jìn)行轉(zhuǎn)換，即：r(x,y)=s(x,y)i(x,y)(2.10)其中，s=logS，r=logR，i=logI。由于Retinex算法具有許多優(yōu)點，許多學(xué)者在它的基礎(chǔ)上做了很多改進(jìn)，產(chǎn)生了眾多算法，其中基于中心環(huán)繞算法是影響最大的Retinex算法，比較經(jīng)典的有單尺度Retinex算法（SSR）、多尺度Retinex算法（MSR）、帶顏色恢復(fù)的Retinex算法（MSRCR），這三種算法都能夠很好的增強(qiáng)彩色圖像，去霧效果也是比較優(yōu)異。本章將重點分析這三種算法的優(yōu)點與缺點。圖2.4展示了Retinex算法的處理流程。

蘭州交通大學(xué)工程碩士學(xué)位論文-13-a.原圖b.SSR效果圖圖2.5單尺度Retinex實驗效果圖1(,){(,)(,)(,)}DdddrxyWsxysxyGxy==(2.14)其中，D為高斯環(huán)繞函數(shù)的個數(shù)，其值通常取3，這樣能夠結(jié)合SSR三尺度優(yōu)點。如果D=1，MSR等同于SSR，dW為每個尺度SSR權(quán)重，其和為1，一般情況下，取12313w=w=w=，對于三個尺度的選擇，選取了15，80和250。MSR算法的實驗效果如圖2.6所示。a.原圖b.MSR效果圖圖2.6多尺度Retinex實驗效果圖從圖2.6實驗效果圖可以看出實驗結(jié)果圖相對于原圖亮度有一定程度提升，細(xì)節(jié)得到增強(qiáng)，但同時放大了噪聲，圖像整體泛白，亮度較高區(qū)域會產(chǎn)生光暈現(xiàn)象，存在顏色失真現(xiàn)象，并且由于需要運行三個尺度的SSR算法，所以算法運行效率不高。

【參考文獻(xiàn)】：
期刊論文
[1]基于YCbCr顏色空間的Retinex低照度圖像增強(qiáng)方法研究[J]. 田會娟,蔡敏鵬,關(guān)濤,胡陽.  光子學(xué)報. 2020(02)
[2]最大差值圖決策的低照度圖像自適應(yīng)增強(qiáng)算法[J]. 王瑞堯,岳雪亭,周志青,耿則勛.  計算機(jī)應(yīng)用. 2020(04)
[3]基于彩色加權(quán)引導(dǎo)濾波-Retinex算法的導(dǎo)航圖像增強(qiáng)[J]. 許鳳麟,苗玉彬,張銘.  上海交通大學(xué)學(xué)報. 2019(08)
[4]基于多尺度梯度域引導(dǎo)濾波的低照度圖像增強(qiáng)算法[J]. 李紅,王瑞堯,耿則勛,胡海峰.  計算機(jī)應(yīng)用. 2019(10)
[5]改進(jìn)型自適應(yīng)雙邊濾波算法[J]. 白曉東,舒勤,杜小燕,黃燕琴.  激光與光電子學(xué)進(jìn)展. 2020(04)
[6]基于模擬多曝光融合的低照度圖像增強(qiáng)方法[J]. 司馬紫菱,胡峰.  計算機(jī)應(yīng)用. 2019(06)
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的弱光照圖像增強(qiáng)算法[J]. 程宇,鄧德祥,顏佳,范賜恩.  計算機(jī)應(yīng)用. 2019(04)
[8]基于方向性全變分Retinex的低照度圖像增強(qiáng)[J]. 張杰,周浦城,薛模根.  計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2018(10)
[9]基于LIP模型和CLAHE的低照度圖像增強(qiáng)算法[J]. 馮清枝,王丹.  光電技術(shù)應(yīng)用. 2018(05)
[10]基于深度卷積神經(jīng)網(wǎng)絡(luò)的低照度圖像增強(qiáng)[J]. 馬紅強(qiáng),馬時平,許悅雷,朱明明.  光學(xué)學(xué)報. 2019(02)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測算法研究[D]. 徐婷婷.南京郵電大學(xué) 2019
[2]基于兩層遷移卷積神經(jīng)網(wǎng)絡(luò)的抽象圖像情感識別[D]. 楊子文.南京郵電大學(xué) 2019
[3]低照度圖像的增強(qiáng)算法研究[D]. 徐博.哈爾濱理工大學(xué) 2019
[4]低照度圖像增強(qiáng)方法的研究與應(yīng)用[D]. 韓海峰.南京郵電大學(xué) 2018
[5]低照度條件下圖像增強(qiáng)研究[D]. 宋曹春洋.天津大學(xué) 2017
[6]基于Retinex的圖像增強(qiáng)算法研究與實現(xiàn)[D]. 肖曉.四川師范大學(xué) 2016



本文編號：3041433