多级分解Retinex算法:低照度图像增强新方法

需积分: 50 8 下载量 81 浏览量 更新于2024-08-13 2 收藏 1.38MB PDF 举报
"多级分解的Retinex低照度图像增强算法是针对现有图像增强技术的局限性提出的一种新方法。它结合了Retinex分解模型和双边滤波技术,通过多级分解来增强图像的边缘细节和控制不同尺度信息的增强程度。算法首先通过设置不同的滤波参数,获取图像的反射分量和照度分量,这些分量分别代表图像的不同尺度信息。接着,使用指数函数对反射分量进行增强,以提高图像边缘和细节的表现力。同时,通过S型函数处理照度分量,可以提升低照度图像的整体亮度,并有效地抑制高亮度区域,防止过曝。最后,应用颜色恢复函数进行后处理,以减少色彩偏差和失真,确保增强后的图像保持良好的色彩还原。实验结果显示,该算法在提升低照度图像的清晰度、信息熵和对比度等方面表现出色,提高了视觉效果。" 本文介绍了一种基于多级分解的Retinex低照度图像增强算法,旨在解决传统图像增强算法在边缘细节增强和尺度信息控制方面的不足。Retinex理论是图像处理中的一个重要概念,它假设图像可以分解为反射分量(物体本身的色彩)和照度分量(光照条件)。在此基础上,文章提出通过双边滤波来进一步细化这种分解,使得每个分解层能捕获到不同尺度的图像特征。 双边滤波是一种保边滤波器,它结合了像素的空间邻近性和灰度相似性,能有效地保留图像边缘信息。在多级分解的过程中,每级反射分量都使用指数函数进行增强,指数函数的特性使得图像的微小差异被放大,从而显著提升图像的细节表现。同时,通过S型函数调整照度分量,可以线性地改变图像的亮度分布,使得低照度区域得到增强,而高亮区域得到适当抑制,避免了图像过曝的问题。 颜色恢复函数在后处理阶段起到了关键作用,它能够校正由于图像增强过程可能导致的色彩失真,保证增强后的图像色彩更加真实。这种方法不仅提升了低照度图像的视觉质量,还在一系列量化指标上(如清晰度、信息熵、对比度)得到了改善,为低光照环境下的图像处理提供了新的解决方案。 该研究由王萍和孙振明共同完成,他们分别来自北京电子科技职业学院经济管理学院和中国矿业大学(北京)资源与安全工程学院,他们的工作在低照度图像处理领域具有重要的理论价值和实践意义。文章的发表展示了他们在视觉营销和图像处理领域的研究成果,为后续的研究提供了新的思路和方法。