论文部分内容阅读
随着专业数字成像设备的普及,数字图像处理被广泛应用于工业生产、视频监控、智能交通、遥感与监控等诸多领域且在其中发挥着重要的作用。但是,图像采集系统在图像采集过程中,由于各种不可控因素的影响,特别是在室内照明、夜间照明、阴天等不利条件下,图像采集系统获取的图像往往会出现对比度比较低,动态范围强度低,图像暗区和亮区的细节消失等各种缺陷。因此,如何在光照条件下获得清晰的静止或移动图像已成为一个需要解决的问题。为此,图像增强技术引起了工业界和学术界的广泛关注和重视,因为图像增强不仅满足了人们对视觉体验的需求,而且提高了户外视觉系统的可靠性和鲁棒性,使图像处理系统更容易对图像进行分析和处理。针对日常出现的低光照条件下图像难以辨识的问题,本文提出以下方法对暗光图像增强进行了研究:1.针对当前低光照图像增强算法出现的过度增强或不自然的效果,伪影等缺陷,本文结合色彩模型变换算法和卷积神经网络的特点,提出一种基于CNN的低光照图像增强方法。与传统方法不同的是,此方法引入了机器学习的方法,利用学习模型直接端到端生成增强图像。即使用色彩模型变换算法,在输入图像中单独提取亮度I分量,并利用CNN对亮度分量I进行增强获得新的照度分量?,从而得到增强后的图像。2.针对低光照图像存在着对比度过低,且常见的图像增强工具存在的速度慢、亮区域可能过度增强,细节丢失等问题。本文提出一种基于Sigmoid函数的低光照图像对比度增强方法,此方法在不影响输入图像颜色信息的情况下,在YCbCr颜色空间对低光照图像进行对比度增强,得到的图像具有较好的增强效果。3.针对经典Retinex算法对图像增强有时会出现图像偏色等缺陷,本文提出了结合CNN和Retinex算法对低照度图像进行增强的方法。以低光照图像为输入,利用CNN学习预测低光照图像与相应亮度图像之间的映射关系并输出其光照图,然后通过Gamma校正调整优化估计的光照图,最后利用得到的光照图结合经典的Retinex模型从而对低光照图像进行增强。经过实验验证和比较,本文提出的算法可以提高图像的整体亮度和对比度,同时减少不均匀照明的影响,提高图像质量和清晰度。