导读:本文包含了低照度图像增强论文开题报告文献综述及选题提纲参考文献，主要关键词:矿井图像,低照度图像,图像增强,多尺度Retinex算法
低照度图像增强论文文献综述
王洪栋,郭伟东,朱美强,雷萌[1]（2019）在《一种煤矿井下低照度图像增强算法》一文中研究指出针对多尺度Retinex算法在处理煤矿井下低照度图像时存在细节增强不足和耗时等问题,提出了一种基于光照校正的快速多尺度Retinex算法对煤矿井下低照度图像进行增强。该算法通过计算高斯模糊后图像的每个像素点的亮度值,将图像划分为暗调区域和高光区域,并对不同区域进行光照校正,从而降低高光区域的亮度,保证不过分曝光,同时提升较暗区域的亮度,凸显更多细节信息;利用叁次快速均值滤波代替高斯滤波来估计光照强度,减少算法耗时。实验结果表明,该算法能有效提高图像的亮度和对比度,增强图像中暗调区域和高光区域的细节,具有较快的处理速度。(本文来源于《工矿自动化》期刊2019年11期）
刘健,郭潇,徐鑫龙,赵牛杰,赵腾[2]（2019）在《基于Retinex理论的低照度图像增强技术》一文中研究指出Retinex算法可以有效改善受环境照度影响的图像质量。针对Retinex算法中存在的光晕、暗区域过增强、亮区域细节丢失与参数较多的问题,提出了一种低照度图像增强算法。基于Retinex理论,在HSV色彩空间,对V分量采用引导滤波与高斯平滑结合的方式估计照度分量,用对数图像处理模型(LIP)运算代替原算法中的对数变换与传统运算,求取反射分量后经灰度变换并恢复为RGB彩色图像。仿真结果表明,该算法可以有效恢复阴影区域的细节,避免上述问题的出现。(本文来源于《火力与指挥控制》期刊2019年09期）
包正峰[3]（2019）在《基于卷积神经网络的室内低照度图像增强》一文中研究指出针对现有的低照度图像增强算法复杂度过高,文章基于卷积神经网络,对比已有的MSRCR算法,进行改进,从而弥补MSRCR算法的不足(如不具有自适应性,设计参数过多)。本文将图像转换到HSI空间,提取出其亮度分量I,将该分量输入到卷积神经网络中,获得增强后的亮度分量I,再将其转回到RGB空间。本文所使用的所有训练集均为室内无光照图片,图片具有亮度均匀、整体亮度偏暗的特点。在处理这一图片时,本文算法结果图像有更好的峰值信噪比和彩色图像信息熵,拥有更好的视觉效果。(本文来源于《信息通信》期刊2019年09期）
李红,王瑞尧,耿则勋,胡海峰[4]（2019）在《基于多尺度梯度域引导滤波的低照度图像增强算法》一文中研究指出针对低照度彩色图像整体亮度较低,增强图像中颜色易失真,部分图像细节淹没在较低灰度值像素中等问题,提出一种改进的低照度图像增强算法。首先,把待处理图像转换到色调、饱和度、亮度(HSI)颜色空间,对亮度分量进行非线性全局亮度校正;然后,提出多尺度梯度域引导滤波的亮度增强模型,利用该模型对校正后的亮度分量进行增强,接着对增强后的亮度分量进一步实施避免颜色失真的亮度校正;最后,将图像再转换回红绿蓝(RGB)颜色空间。实验结果表明,增强后的图像亮度平均提高90.0%以上,清晰度平均提高123.8%以上,这主要得益于多尺度梯度域引导滤波具有更好的亮度平滑和增强能力;同时由于减小了颜色失真,使增强图像的细节表现能力平均提高18.2%以上;由于采用了多尺度梯度域引导滤波的亮度增强模型与直方图自适应的亮度校正算法,使提出的低照度图像增强算法适宜应用于夜间等弱光源条件下的彩色图像增强。(本文来源于《计算机应用》期刊2019年10期）
潘卫琼,涂娟娟,干宗良,刘峰[5]（2019）在《Retinex自适应反射分量估计和对数图像处理减法后处理的低照度图像增强》一文中研究指出在夜间采集到的图像由于受强灯光的影响,对比度较大,白天采集到的背光图像也是如此。对比度增强算法是常用的获得良好对比度图像的方法,但是这往往会造成亮区域过度增强的现象。为了解决对比度较大的这部分图像过度增强的问题,提出了一种基于Retinex自适应反射分量估计和对数图像处理减法后处理的低照度图像增强算法,该算法分为两部分:反射分量估计,基于对数图像处理减法(LIPS)模型的对比度增强。首先,用自适应双边滤波器代替传统的高斯滤波器来获得更精准的照明层。然后,根据最小可觉差(JND)阈值得到一个自适应因子来为对数域的照明分量加权,从而估计出图像的反射分量。这种方法可以有效防止高亮度区域的过度增强。最后,将基于标准偏差最大化的LIPS方法作用在反射层以增强图像的对比度,其中LIPS的参数范围由反射图像的累积分布函数(CDF)来确定。实验结果表明,文中所提算法在主观评价以及客观评价方面都优于其他对比算法。(本文来源于《计算机科学》期刊2019年08期）
朱梅梅[6]（2019）在《基于单幅图像的夜间低照度图像增强方法研究》一文中研究指出夜间获得的图片经常存在整体亮度偏低、低对比度、大量细节不可见等问题。一方面不能满足人们视觉感官的需要,另一方面对于后续的图像处理例如图像识别、目标跟踪等都会造成较大影响。针对该问题,本文对夜间低照度图像增强方法进行了研究,具体工作及主要成果如下:(1)针对微光夜间低照度图像整体亮度偏低,大量细节不可见的问题,提出了一种摄影胶片显影启发的夜间低照图像增强方法。受摄影胶片显影启发,提出该方法思路:将夜间低照图像看作胶片图像,对输入图像求显影得到对应的显影,然后采用暗原色先验的方法对显影图像进行增强,最后再求反得到清晰的增强后的夜间图像。实验表明,该方法在很大程度上提高了图像质量、丰富了图像信息、提高了清晰度,能简单有效地对夜间图像进行增强。(2)带亮光源或者局部明暗差异大的夜间低照度图像,在图像增强过程中容易出现光晕问题,因此提出了另外一种基于双通道的夜间图像增强方法。该方法结合现有暗原色和亮原色先验对夜间图像进行清晰化处理。先利用亮通道先验获得初始传输估计,然后使用暗通道作为互补通道,以纠正从亮通道先验获得的潜在错误传输估计值,并提出了一种精细的传输过程,使用引导滤波来保留输入图像的边缘信息,从而避免增强过程中出现的光晕效应,最终得到清晰化后的夜间图像增强。大量低照度图像的实验表明,与其它最先进的方法相比,该方法产生了非常高质量的增强图像。(3)以上两种方法对夜间低照度图像暗区域细节的增强均存在改进空间,因此采用了一种基于CLAHE的夜间图像增强方法。该方法结合CLAHE和摄影胶片显影启发的夜间低照图像增强方法,并加入了去噪处理,得到增强后的图像。该方法不仅在暗区域细节增强上具有明显的优势,增强后图像色彩更生动,而且在一定程度上可以避免带明亮光源的夜间低照度图像在处理的过程中的过曝光现象。(本文来源于《西安理工大学》期刊2019-06-30）
王雪红[7]（2019）在《基于Retinex理论低照度图像增强方法的比较与策略选择》一文中研究指出图像采集过程中,由于周围环境光照、天气(阴雨天等)及拍照物体表面采光不均匀等问题,导致图像质量降低,严重干扰了图像有效信息的提取。Retinex理论是基于人类视觉系统所建立的一种图像增强理论方法,有效解决了图像色彩信息、光照不均匀等问题。基于此,分析了低照度图像造成的原因及不足,并针对低照度图像不足的问题,总结与分析基于随机路径的Retinex算法、分段线性路径选择的Retinex算法、中心环绕的Retinex算法等几种典型Retinex图像增强研究方法模型,为后续工作奠定基础。(本文来源于《信息与电脑(理论版)》期刊2019年12期）
黄勇[8]（2019）在《基于双边滤波和改进CLAHE算法的低照度图像增强研究》一文中研究指出在数字信息化高速发展的今天,大量的图像信息已经成为传递信息的媒介。然而由于光照不均匀以及光线昏暗等低照度条件下拍摄的原因,造成这种图像质量严重下降,因而导致降低了它的使用价值。传统的图像增强算法处理效果有些不尽人意。因此针对这种状况,本文对低照度图像增强理论和一些技术进行研究,同时对现有的算法进行改进,文章的主要工作如下:首先,分析课题背景、意义及现状,详细地分析了传统经典的低照度图像增强算法,比如单尺度Retinex算法、多尺度Retinex算法、带色彩恢复的多尺度Retinex算法、直方图均衡化算法、自适应直方图均衡化算法以及对比度受限自适应直方图均衡化算法。对这些算法的优缺点进行了详细的阐述。其次,针对Retinex增强算法在处理低照度图像增强,所出现对比度不高,颜色失真,亮度不高等问题,提出了一种颜色空间融合图像增强算法,先在RGB颜色空间下对图像的R、G、B 3个颜色通道分别进行自动对比度拉伸;并将原图像从RGB颜色空间转换到HSV颜色空间,采用改进的多尺度Retinex算法对亮度分量V增强处理,将得到的图像从HSV颜色空间转换回RGB颜色空间;然后对RGB颜色空间的两幅图像进行加权融合;最后将融合后的图像进行Gamma校正,实现颜色恢复与补偿。实验结果表明:该算法与其他算法相比提高了图像亮度和对比度,同时保留了更丰富的细节信息,能有效防止“伪晕”现象。再次,基于CLAHE图像增强模型,解决图像增强时所出现的噪声放大,清晰度不高等问题,提出一种改进的CLAHE增强算法,根据内容自适应地设置剪切点的图像增强。首先经过高斯滤波初步处理,在滤波的基础上,由小波变换分解成高频部分和低频部分,然后分别经过双边滤波和改进CLAHE处理对应的部分,最后由小波重构获得增强后的图像。实验结果表明:该算法有效地改善了图像质量、防止了噪声放大以及颜色失真等问题。最后,通过搭建视频监控系统平台,对本文所提出的方法在视频图像上进行验证。实验结果表明较大地改善视频图像质量,视频图像的细节信息更清晰,颜色比较逼真,亮度有较大提升,达到了较好的增强效果。(本文来源于《湘潭大学》期刊2019-06-03）
龙鑫[9]（2019）在《基于Retinex理论的低照度图像增强研究》一文中研究指出图像作为信息的载体,在通信、交通、监测、遥感、机器人等领域广泛应用,海量的图像中,因为拍摄环境因素造成的低照度图像占了很大的比例。低照度图像一般具有亮度比较低、细节不清晰、颜色失真严重、噪声大等缺点,其应用价值大打折扣,因此研究低照度图像增强具有重要的实践意义。Retinex算法是基于人眼视觉系统感知物体亮度和颜色的模型,具有恒常性,并且可以做到亮度提升、细节增强和颜色保真的统一,对低照度提升比较全面。针对部分图像在光照不均匀和过暗下出现的对比度低、细节不可见等问题,基于Retinex理论,提出了两种算法。一种是多层融合和细节恢复图像增强方法。将输入图像转换至HSV空间,将V通道等价复制为叁层:Retinex增强层、亮度增强层、细节突出层。在Retinex增强层中,利用加权引导滤波和形态学结合来消除光晕现象,并引入整体亮度和局部细节调节因子改进单尺度Retinex模型达到提高图像整体亮度、突出细节的效果;在亮度增强层,利用反叁角函数性质,提出新的归一化函数进一步增强了图像的亮度;在细节突出层,采用人工蜂群算法优化改进了一种局部线性模型来突出图像细节。根据Gamma校正特性和邻域像素关系,提出细节恢复方案避免了叁层融合后造成的部分细节模糊。仿真实验结果表明该算法无论主观还是客观上都能够有效地提高图像对比度和突出细节。另一种是改进的多尺度Retinex算法图像增强算法。将输入图像转换至HSV空间,将V通道等价复制为两层,记为Retinex增强层和细节恢复层。在Retinex增强层中,对V通道进行叁层不同尺度的高斯滤波,将滤波输出结果的均值作为亮度估计,并用整体亮度调节因子和局部细节调节因子改进单尺度Retinex模型达到突出细节、提高亮度的效果。在细节恢复层中,对V通道采用叁层不同尺度的高斯模糊,达到细节恢复增强的效果。将两层结果按照多尺度方式融合,最后进行实验仿真。结果表明该算法能有效地提高图像对比度,且具有最小的亮度失真率。(本文来源于《重庆邮电大学》期刊2019-06-02）
张雨帅[10]（2019）在《基于多帧融合的低照度图像增强》一文中研究指出在低照度条件下获得的图像通常存在噪声多、对比度低和颜色失真等问题。为改善低照度图像的视觉效果,本文深入研究了基于多帧融合的低照度图像增强算法,以多曝光融合技术为核心,分别对多曝光图像的配准和融合算法进行研究,最终形成了一套完整的低照度图像处理流程,并在Android平台上进行了实现。论文的主要工作如下:1.为解决低照度场景下多曝光图像的配准问题,本文提出一种基于局部模板匹配的图像配准算法。该算法首先在选定的参考图像中提取出鲁棒性较强的特征点,然后利用相似度准则,在待配准图像中搜索特征点对应的位置。为了提高匹配的范围与效率,对图像进行高斯金字塔分解,在每一层都执行上述的匹配操作。实验结果表明,该算法得到的匹配点对数目较多且分布均匀。2.针对现有多曝光融合算法不能有效还原图像细节和色彩信息的问题,本文提出一种基于Retinex理论的多曝光融合算法,并验证了该算法在低照度增强中的应用效果。首先通过高效的光照估计方法将多曝光图像序列分成光照图像序列和反射率图像序列,然后对两组图像序列进行不同的融合处理,分别得到重构后的光照图像和反射率图像,最后将这两者相乘得到最终的融合图像。3.本文所提的多曝光融合算法可以应用在低照度图像增强中,但仍有一些问题需要解决。本文从两个方面对其进行了改进:一方面,由于低照度场景下拍摄到的图像受噪声影响严重,本文将图像增强与图像降噪进行结合,改进了光照图像和反射率图像的处理,增强了算法的抗噪性;另一方面,在现实场景下,多曝光图像的采集会受到诸多因素的影响,比如拍摄设备抖动、拍摄场景中存在运动物体等,为此本文提出一种基于单帧图像的多曝光融合算法。4.本文将所提算法进行整合,形成了两种基于多帧融合的低照度图像增强方案,并成功在Android平台上实现,开发出了一款可以实现低照度图像增强的相机应用程序。测试结果表明,该应用程序达到了预期的效果,并且性能良好。(本文来源于《重庆邮电大学》期刊2019-06-02）
低照度图像增强论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
Retinex算法可以有效改善受环境照度影响的图像质量。针对Retinex算法中存在的光晕、暗区域过增强、亮区域细节丢失与参数较多的问题,提出了一种低照度图像增强算法。基于Retinex理论,在HSV色彩空间,对V分量采用引导滤波与高斯平滑结合的方式估计照度分量,用对数图像处理模型(LIP)运算代替原算法中的对数变换与传统运算,求取反射分量后经灰度变换并恢复为RGB彩色图像。仿真结果表明,该算法可以有效恢复阴影区域的细节,避免上述问题的出现。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
低照度图像增强论文参考文献
[1].王洪栋,郭伟东,朱美强,雷萌.一种煤矿井下低照度图像增强算法[J].工矿自动化.2019
[2].刘健,郭潇,徐鑫龙,赵牛杰,赵腾.基于Retinex理论的低照度图像增强技术[J].火力与指挥控制.2019
[3].包正峰.基于卷积神经网络的室内低照度图像增强[J].信息通信.2019
[4].李红,王瑞尧,耿则勋,胡海峰.基于多尺度梯度域引导滤波的低照度图像增强算法[J].计算机应用.2019
[5].潘卫琼,涂娟娟,干宗良,刘峰.Retinex自适应反射分量估计和对数图像处理减法后处理的低照度图像增强[J].计算机科学.2019
[6].朱梅梅.基于单幅图像的夜间低照度图像增强方法研究[D].西安理工大学.2019
[7].王雪红.基于Retinex理论低照度图像增强方法的比较与策略选择[J].信息与电脑(理论版).2019
[8].黄勇.基于双边滤波和改进CLAHE算法的低照度图像增强研究[D].湘潭大学.2019
[9].龙鑫.基于Retinex理论的低照度图像增强研究[D].重庆邮电大学.2019
[10].张雨帅.基于多帧融合的低照度图像增强[D].重庆邮电大学.2019
标签：矿井图像; 低照度图像; 图像增强; 多尺度Retinex算法;