隨著社會和硬件設備的發(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,但是數量眾多的圖像質量參差不齊,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的,使得相關人員不能提取圖像中有用的信息,需進行處理將其作為下一步工作的基礎,所以,對低照度視頻圖像進行增強具有很強的現實意義。本課題的工作概括為以下內容:首先本文詳細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的國內外研究現狀、發(fā)展趨勢及存在的問題。對部分學者提出的低照度視頻圖像方法進行了研究仿真,如基于直方圖的方法、Retinex方法和深度學習方法等,分別對他們的優(yōu)缺點進行了解與分析。然后在前文分析其他低照度視頻圖像增強方法的基礎上,針對其存在的不足,提出了兩種方法對低照度圖像進行增強:（1）針對傳統(tǒng)算法對低照度圖像增強后出現光暈偽影,細節(jié)丟失等情況,本文在Retinex算法的基礎上提出了一種改進算法,首先將低照度圖像從RGB圖像轉化為HSI顏色空間,只對亮度分量I進行處理,采用融合邊緣檢測算子的引導濾波對I分量進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引入進一步改... 

【文章來源】：蘭州交通大學甘肅省

【文章頁數】：65 頁

【學位級別】：碩士

【部分圖文】：

直方圖均衡化

蘭州交通大學工程碩士學位論文-11-真實模樣，也即我們所需求取的增強后圖像，照度圖像I相當于噪聲，在增強處理中需要去除，具體的數學表達式如下所示：S(x,y)=R(x,y)I(x,y)(2.9)其中，反射圖像R(x,y)儲存有圖像的細節(jié)信息，是圖像的高頻分量部分，照度圖像I(x,y)對應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。為了降低計算的復雜性，通常將運算關系進行轉換，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，許多學者在它的基礎上做了很多改進，產生了眾多算法，其中基于中心環(huán)繞算法是影響最大的Retinex算法，比較經典的有單尺度Retinex算法（SSR）、多尺度Retinex算法（MSR）、帶顏色恢復的Retinex算法（MSRCR），這三種算法都能夠很好的增強彩色圖像，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。

蘭州交通大學工程碩士學位論文-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)繞函數的個數，其值通常取3，這樣能夠結合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果圖相對于原圖亮度有一定程度提升，細節(jié)得到增強，但同時放大了噪聲，圖像整體泛白，亮度較高區(qū)域會產生光暈現象，存在顏色失真現象，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】：
期刊論文
[1]基于YCbCr顏色空間的Retinex低照度圖像增強方法研究[J]. 田會娟,蔡敏鵬,關濤,胡陽.  光子學報. 2020(02)
[2]最大差值圖決策的低照度圖像自適應增強算法[J]. 王瑞堯,岳雪亭,周志青,耿則勛.  計算機應用. 2020(04)
[3]基于彩色加權引導濾波-Retinex算法的導航圖像增強[J]. 許鳳麟,苗玉彬,張銘.  上海交通大學學報. 2019(08)
[4]基于多尺度梯度域引導濾波的低照度圖像增強算法[J]. 李紅,王瑞堯,耿則勛,胡海峰.  計算機應用. 2019(10)
[5]改進型自適應雙邊濾波算法[J]. 白曉東,舒勤,杜小燕,黃燕琴.  激光與光電子學進展. 2020(04)
[6]基于模擬多曝光融合的低照度圖像增強方法[J]. 司馬紫菱,胡峰.  計算機應用. 2019(06)
[7]基于卷積神經網絡的弱光照圖像增強算法[J]. 程宇,鄧德祥,顏佳,范賜恩.  計算機應用. 2019(04)
[8]基于方向性全變分Retinex的低照度圖像增強[J]. 張杰,周浦城,薛模根.  計算機輔助設計與圖形學學報. 2018(10)
[9]基于LIP模型和CLAHE的低照度圖像增強算法[J]. 馮清枝,王丹.  光電技術應用. 2018(05)
[10]基于深度卷積神經網絡的低照度圖像增強[J]. 馬紅強,馬時平,許悅雷,朱明明.  光學學報. 2019(02)

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



本文編號：3041433