基于HSI空间的Retinex低照度图像增强算法
基于Retinex理论的图像增强算法研究
虽然传统的色彩理论能够很好地解释很多与色彩有关地现象，并在实际生活中有 着非常广泛地应用。然而美国物理学家Ｅｄｗｉｎ Ｌａｎｄ在２０世纪５０年代发现有些现象 是传统的色彩理论无法解释的，经过近２０多年的科学实验和分析，Ｌａｎｄ认为在视觉 信息的传导过程中人类的视觉系统对信息进行了某种处理，去除了光源强度和照射不 均匀等一系列不确定的因素，而只保留了反映物体本质特征的信息，如反射系数等【２】。 当这些描述物体本质特征的相关信息传递到大脑皮层后，经过更为复杂的信息处理， 才最终形成人的视觉。基于这样的认识，１９７７年Ｅｄｗｉｎ Ｌａｎｄ首次提出了一种被称为 Ｒｅｔｉｎｅｘ的色彩理论，Ｒｅｔｉｎｅｘ这个词本身就是由视网膜Ｒｅｔｉｎａ和大脑皮层Ｃｏｒｔｅｘ 两个词组合构成的。Ｒｅｔｉｎｅｘ理论主要包含了两个方面的内容：物体的颜色是由物体 对长波、中波和短波光线的反射能力决定的，而不是由反射光强度的绝对值决定的； 物体的色彩不受光照非均性的影响，具有一致性【２】。
硕士论文
基于Ｒｅｔｉｎｅｘ理论的图像增强算法研究
才重新认识到它的科学性和合理性，并开始应用于数字图像处理领域冈。
１．２研究现状及问题
．
最早的Ｒｅｔｉｎｅｘ算法是１９７１年Ｌａｎｄ和ＭｃＣａｎｎ提出的任意路径算法（ｒａｎｄｏｍ
ｗａｌｋ），这是tinex理论能够很好地解释某些视觉现象并已经被大量地科学实验所证实但由于种种原因他的理论一直没有得到广泛的传播和接受直到20世纪80年代初期美国宇航局下属的一个研究机构nasaslangleyresearchcenter将retinex理论用于处理航空器拍摄的外太空图片且获得了非常好的处理效果后人们硕士论文基于retinex理论的图像增强算法研究才重新认识到它的科学性和合理性并开始应用于数字图像处理领域冈
基于改进Retinex算法的低照度图像增强方法
ＺＨＡＮＧ Ｙｉｍｉｎｇ １ꎬ２ ꎬＨＵＡＮＧ Ｆｅｎｇ １ꎬ２ ꎬＸＵ Ｚｈｉ ３
(１ Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ ＥｎｇｉｎｅｅｒｉｎｇꎬＨｕｎａｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ ＴｅｃｈｎｏｌｏｇｙꎬＹｕｅｙａｎｇ ４１４００６ꎬＣｈｉｎａꎻ ２ Ｍａｃｈｉｎｅ Ｖｉｓｉｏｎ ＆
Ａｂｓｔｒａｃｔ: Ｉｎ ｏｒｄｅｒ ｔｏ ｓｏｌｖｅ ｔｈｅ ｈａｌｏ ｅｄｇｅ ｐｒｏｂｌｅｍ ａｎｄ ｎｏｉｓｅ ｉｎｔｅｒｆｅｒｅｎｃｅ ｉｎ ｌｏｗ￣ｌｉｇｈｔ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇꎬ ａｎ ｉｍｐｒｏｖｅｄ Ｒｅｔｉｎｅｘ
ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｉｎｔｅｇｒａｔｅｄ ｆｉｌｔｅｒｉｎｇ ａｎｄ ａｄａｐｔｉｖｅ ｎｏｉｓｅ ｃａｎｃｅｌｌａｔｉｏｎ ｗａｓ ｐｒｏｐｏｓｅｄ Ｔｈｅ ａｌｇｏｒｉｔｈｍ ｕｓｅｄ ｔｈｅ ｃｏｍｂｉｎｅｄ ｆｉｌｔｅｒｉｎｇ ｗｉｔｈ
制噪声的干扰ꎬ达到增强低照度图像的目的ꎮ
关键词: 图像增强ꎻＲｅｔｉｎｅｘꎻ低照度ꎻ组合滤波
中图分类号: ＴＰ３９１ 文献标志码: Ａ 文章编号: ２０９５－５３８３(２０２０)０１－００２０－０６
Ｒｅｓｅａｒｃｈ ｏｎ Ｉｍｐｒｏｖｅｄ Ｒｅｔｉｎｅｘ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｌｏｗ￣ｌｉｇｈｔ Ｉｍａｇｅ Ｅｎｈａｎｃｅｍｅｎｔ
ｔｈａｔ ｔｈｅ ｄｅｔａｉｌｅｄ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ｔｈｅ ｉｍａｇｅ ｃａｎ ｂｅ ｍａｉｎｔａｉｎｅｄ ｗｈｉｌｅ ｓｕｐｐｒｅｓｓｉｎｇ ｎｏｉｓｅ Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｄｅｍｏｎｓｔｒａｔｅ ｔｈａｔ ｔｈｅ
HSV色彩空间的Retinex结构光图像增强算法
HSV色彩空间的Retinex结构光图像增强算法秦绪佳;王慧玲;杜轶诚;郑红波;梁震华【期刊名称】《计算机辅助设计与图形学学报》【年(卷),期】2013(025)004【摘要】In structured light geometry reconstruction, as the projecting modes and lighting conditions are complex and changeful, detail information in dark areas are usually lost in the result images. An improved Retinex algorithm are proposed based on HSV color space with color restoration and color saturation correction strategy. According to the requirement of color retain, the algorithm includes following steps. Firstly, an input color image is converted from RGB color space into HSV color space. Then the traditional multi-scale Retinex algorithm is applied only to V-component through the analysis of HSV color space model. At the same time, the coefficient of correlation is used to adaptively adjust the S-component base in the enhancement of V-component. Finally by transforming HSI model into RGB model, the enhanced color image with color restoration is obtained. Experimental results show that, the algorithm used in structured light stripe image enhancement, the color of the structured light image is maintained and the detail information is enhanced very well, which is more favorable to follow-up stripe information extraction and automatic coding.%在结构光几何重建中,由于拍摄方式和场景照明情况的复杂多变,使得产生的图像可能会因为光线的亮暗不均造成图像细节的缺失.为此,提出一种基于HSV色彩空间变换的带颜色恢复Retinex算法和色彩饱和度校正策略.针对颜色保持的需要,首先将传统RGB空间上的多尺度Retinex算法转换到HSV颜色空间；然后通过分析HSV颜色空间模型来增强模型中的V分量,同时利用相关系数使S分量随着V分量的增强进行自适应调整；最后将HSV模型转换到RGB空间,使增强后的图像颜色得到保持.实验结果表明,该算法应用于结构光条纹图像的增强中将使结构光图像在颜色得到保持的同时细节信息也得到了增强,更利于后续条纹信息的提取及自动编码.【总页数】6页(P488-493)【作者】秦绪佳;王慧玲;杜轶诚;郑红波;梁震华【作者单位】浙江华震三维数字化工程有限公司嘉兴314100【正文语种】中文【中图分类】TP391【相关文献】1.方向场和频率场约束的结构光条纹图像增强算法 [J], 郑红波;徐玲玲;杜轶诚;秦绪佳;陈嵩辉2.HSV色彩空间下三边滤波的Retinex图像增强算法 [J], 李志龙3.HSV色彩空间下三边滤波的Retinex图像增强算法 [J], 李志龙4.基于分数阶改进Retinex低光图像增强的仪表检测算法 [J], 田继祥;王硕禾;张冰华;金格;牛江川5.肺炎X光图像增强分类识别技术:基于改进Retinex算法 [J], 刘海龙;马波因版权原因，仅展示原文概要，查看原文内容请购买。
基于Retinex理论低照度图像增强方法的比较与策略选择
基金项目：贺州学院面向对象思维引导过程中的问题研究（项目编号：hzxyjg201514）；贺州学院社交网络环境下大学生 创新思维与动手能力的研究（项目编号：hzxyjg201515）。 作者简介：王雪红 (1983—)，女，河南濮阳人，硕士研究生，讲师。研究方向：图像增强处理。
— ４０ —
2019 年第 12 期
L
(
x
)
=
1,1− L≤x≤1+
x,
x
1− L, x
1+
L L
（2）
这种方法可以校正图像的亮度和对比度。但是，这种算
算法语言ห้องสมุดไป่ตู้
信息与电脑 China Computer & Communication
2019 年第 12 期
基于 Retinex 理论低照度图像增强方法的比较与 策略选择
王雪红 （贺州学院 数学与计算机学院，广西 贺州 542899）
摘 要：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。
关键词：图像增强；低照度；Retinex 理论 中图分类号：TP391.41 文献标识码：A 文章编号：1003-9767（2019）12-040-02
低照度图像增强算法
０ 引 言
目前 ， 视频监控 系统在 国内外应用越来越广泛 ，
下的 图像 ， 处理后 图像 的峰值 性噪比 以及对 比度 高于其他算 法 ， 并且处理速度也快 于 ＭＳ Ｒ算法。
关键词 ： Ｒ ｅ ｔ ｉ ｎ ｅ ｘ ； 峰值 信噪 比； 噪 声抑制 ； 彩 色空间
中图 分 类 号 ： Ｔ Ｐ ３ ９ １ ． ９ 文 献标 识码 ： Ａ ｄ ｏ ｉ ：１ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ６ － ２ ４ ７ ５ ． ２ ０ １ ４ ． ０ １ ． ０ ０ ７
计 算
２ ０ １ ４年第 １期
总第 ２ ２ １ 期
Ｊ Ｉ Ｓ Ｕ Ａ Ｎ Ｊ Ｉ Ｙ Ｕ Ｘ Ｉ Ａ Ｎ Ｄ Ａ Ｉ Ｈ Ｕ Ａ
文章编号 ： １ ０ ０ ６ － ２ ４ ７ ５ （ ２ ０ １ ４ ） ０ １ － ０ ０ ２ ７ － ０ ５
低 照度 图像 增 强算 法
ｉ ｎ ｅ ｘ 理论 ， 根 据照射分量和反射分量的特性 ， 对二 者分别采用不 同的非线性 函数进行 调整来提 高 图像 的对 比度 和增 强图
像细 节， 并在低 亮度 区域进行 噪声抑制的方 法。 实验结果表 明， 在Ｈ Ｓ Ｖ和 Ｒ Ｇ Ｂ彩 色空 间， 运 用本 算法处理在低 照度 情况
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎ ｇ ｔ ｏ ｔ ｈ ｅ ｍ ｕ ｌ ｔ ｉ — ｓ ｃ ａ ｌ ｅ Ｒ ｅ ｔ ｉ ｎ ｅ ｘ ｌｇ ａ ｏ ｒ ｉ ｔ ｈ ｍ（ Ｍ Ｓ Ｒ）ｄ ｅ ｆ ｅ ｃ ｔ ｉ ｍ ａ ｇ ｅ ｓ ｐ ｅ ａ ｋ ａ ｔ ｌ ｏ ｗ Ｓ Ｎ Ｒ，ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｐ ｕ ｔ ｓ ｆ ｏ ｒ ｗ ａ ｒ ｄ ａ
HSV色彩空间的Retinex结构光图像增强算法
HSV色彩空间的Retinex结构光图像增强算法1. 绪论1.1 课题背景和研究意义1.2 相关研究综述1.3 研究内容和目标1.4 论文结构安排2. HSV色彩空间简介2.1 HSV色彩模型原理2.2 HSV色彩空间与RGB色彩空间的关系2.3 HSV色彩空间在图像增强中的应用3. Retinex算法基础3.1 Retinex算法的概念和原理3.2 常见的Retinex算法分类3.3 模型构建和实现过程4. 结构光图像增强算法4.1 结构光原理与方案4.2 基于Retinex的结构光图像增强算法设计4.3 算法流程和实现步骤5. 实验与结果分析5.1 数据集的构建和说明5.2 实验结果分析和评价5.3 与其他算法的比较分析6. 结论和展望6.1 研究工作总结6.2 论文贡献和创新点6.3 后续研究方向和发展趋势HSV色彩空间的Retinex结构光图像增强算法是一种被广泛应用于图像处理领域的算法。
本章节将从课题背景和研究意义、相关研究综述、研究内容和目标以及论文结构安排四个方面展开论述。
在现代计算机视觉和图像处理领域中，图像增强技术是一种十分重要的技术，可以通过提高图像的质量实现更准确、更可靠和更稳定的图像分析和图像识别任务。
在这个技术领域中，Retinex算法是一种常用的图像增强算法，它可以通过增强图像的色彩和亮度等特征来改善图像质量。
同时，基于结构光的图像增强技术也被广泛应用于图像领域，其中结构光可以通过光的投射和反射等方式来改变图像的色彩和亮度等特征。
因此，研究HSV色彩空间的Retinex结构光图像增强算法的意义和价值就在于实现更好的图像增强效果和更可靠、更精准的图像分析和识别任务。
在相关研究综述方面，研究者们已经提出了许多不同类型的图像增强算法和技术，包括Retinex算法、结构光图像增强技术和基于HSV色彩空间的图像增强技术等。
这些算法和技术已经得到了广泛的应用和探索，但仍存在许多问题和限制。
基于Retinex的自适应非均匀低照度图像增强算法
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
基于Retinex-UNet算法的低照度图像增强
2020，56（22）1引言部分图像增强在计算机断层成像、工业产品质量检验、交通监控及卫星图像处理中有着广泛的应用。
其中低照度图像是一种常见的图像种类，它的主要特点是微光、暗色区域占图像主要部分。
造成图像低照度的原因有很多，例如光线不足，摄影设备性能有限以及设备配置不正确等，这类图像可见性偏低，不便于观察与分析，且会对相关应用产生负面影响，尤其是在图像的匹配、融合、分析、检测以及分割方面，给数字图像处理带来极大挑战。
当前国内外对于低照度图像增强技术的相关研究还在不断探索中，虽然取得了一定的成果，但还远未达到成熟，该领域仍具有很大的研究价值和发展空间。
经研究，针对低照度图像增强的研究方法大致可分为传统方法与深度学习两类。
传统方法中，基于Retinex 理论[1-4]主要在频域中增强图像，基于直方图均衡化等算法[5-6]则集中于增强图像对比度，但黑暗区域的细节没有得到适当的增强[7]。
基于Retinex-UNet 算法的低照度图像增强刘佳敏，何宁，尹晓杰北京联合大学智慧城市学院，北京100101摘要：针对Retinex 应用于多种场景时，其约束和参数会受到模型容量限制的问题，提出了一种基于深度学习的低照度图像增强算法，并构建了新的网络架构Retinex-UNet （RUNet ）。
该架构包含图像分解网络与图像增强网络两部分，利用Retinex-Net 网络思想，通过卷积神经网络（Convolutional Neural Network ，CNN ）学习并分解图像，将其结果作为增强网络的输入，对输入图像进行端对端训练。
在增强网络中构建了基于U-Net 的网络架构，其可对任意大小的图像进行增强。
通过在公开数据集（LOL ，SID ）上验证表明，RUNet 方法在效果上有所改进，尤其是整体视觉效果。
关键词：Retinex-Net ；低照度图像；卷积神经网络；U-Net ；RUNet文献标志码：A 中图分类号：TP 391doi ：10.3778/j.issn.1002-8331.1910-0239刘佳敏，何宁，尹晓杰.基于Retinex-UNet 算法的低照度图像增强.计算机工程与应用，2020，56（22）：211-216.LIU Jiamin,HE Ning,YIN Xiaojie.Low illumination image enhancement based on Retinex-UNet puter Engineering and Applications,2020,56（22）：211-216.Low Illumination Image Enhancement Based on Retinex-UNet AlgorithmLIU Jiamin,HE Ning,YIN XiaojieSmart City College,Beijing Union University,Beijing 100101,ChinaAbstract ：When Retinex is applied to many scenarios,its constraints and parameters are limited by the model capacity.A low illumination image enhancement algorithm based on deep learning is proposed,and a new network architecture Retinex-UNet （RUNet ）is constructed.The architecture includes image decomposition network and image enhancement network.Firstly,the Retinex-Net idea is adopted.The Convolutional Neural Network （CNN ）is used to learn and decompose the image,and then the result is used as an input to the enhanced network to perform end-to-end training on the input image.The enhanced network builds a U-Net-based network architecture that enhances images of any size.Validation on public data sets （LOL,SID ）shows that the RUNet method has improved in performance,especially the overall visual effect.Key words ：Retinex-Net;low illumination image;convolutional neural network;U-Net;RUNet基金项目：国家自然科学基金（No.61572077，No.61872042）；北京市自然科学基金委和北京市教委联合重点项目（No.KZ201911417048）；北京市教委科技计划项目（No.KM201811417004）。