视频图像增强技术的教程.pptVIP

基于Retinex的夜间视频图像增强技术 基于计算的先进信息技术 杨晓影 1410400807 课题背景和概要 在低照度环境下，夜间视频质量较差，暗色区域占据图像画面的主要部分，存在很大安全隐患。 希望通过一种方法既能够看清整个画面又能够突出细节，因此，针对夜间视频图像的特点，本文主要围绕夜间视频的增强算法展开，并通过Matlab软件仿真来验证算法的实现效果。 传统图像增强方法具体分类 传统的图像增强方法 传统的图像增强方法主要分为空域法和频域法 空域法：将图像中的像素在空间区域上进行变换 频域法：将原始图片进行傅里叶，拉氏，对数，指数等变换后再频率区域进行变换处理 目前，常用传统图像增强方法主要是基于空域法的点运算方法， 分别是 均值滤波 中值滤波 直方图均衡化 直方图均衡化 优势：图像能效果显著增强，够使得处理后的图像的概率密度函数服从均值分布，其结果扩张了像素值的范围 不足：不能抑制噪声 算法原理：将原始图片中的像素值进行直方图的统计，通过均衡化的方法将像素值进行均匀分布和平衡灰度。 均值滤波 不足：若选取区域越大，滤除噪声效果越好，图像信息质量越差。 算法原理： 均值滤波的属于线性滤波。具体内容就是将图像取一个单像素点，以它为中心，再其周围的像素点作为一个区域，这块区域作为模板。对此相加求和均值计算。 中值滤波 优势：有效去除椒盐噪音 不足：其他噪音不行 算法原理：是非线性滤波，由点线问题发展到平面问题 Retinex理论概述 retina(视网膜)+cortex(皮层)→ Retinex 颜色恒常性 人类普遍具有一种不因外界条件的变化而改变对某一特定对象颜色判断的心理趋向，这种心理趋向称为颜色恒常性。 指某一个物体，由于外界环境的变化特别是光照环境的变化，该物体表面呈现的反射谱会有所不同。人眼视觉系统可以识别出反射谱的变化同时能够判别出这种变化是由光照环境变化产生的，当外界光照环境在一定范围内变化时，人眼识别系统认为物体表面的色彩并未发生变化。 简单地说就是不同光照条件下人对同一物体的颜色判断保持一致 Land的Retinex模型 L入射光图像，图像的亮度特征， 景物的性质无关 R反射光图像，它反映了景物的反射能力以及包含了景物的大量细节且与光照无关。 理论的核心思想是抛开光照的影响可以从原始图像中获取图像的R反射特性，从而获得物体的本来面貌. Retinex特点 Retinex颜色恒常、高保真度、图像锐化,它可以在保持颜色恒常的同时实现边缘增强、压缩动态范围。 如何获取反射分量S Retinex理论核心思想是去除光照的影响以恢复图像的本来面貌，因此，需要有效地估计图像的照度分量s,通过对数域的加减关系获取反射分量，并将反射分量取反对数，表达式为： 中心环绕Retinex算法 单尺度Retinex(SSR,Single Scale Retinex) 多尺度Retinex (MSR，Multi．scale Retinex) 具有色彩恢复的Retinex(MSRCR，Multi．scale Retinex the Color Restoration) 本文介绍的Retinnex 基于Retinex理论的夜间视频图像增强算法 针对夜间视频图像，压缩图像的动态范围，突出夜间图像的细节、恢复图像的色彩。提出了一种基于Retinex理论的夜间视频图像增强算法，主要分三方面内容： 1.全局亮度调整。自适应调亮算法根据亮度将图像分成暗区和亮区两部分，对暗区和亮区分别进行处理，从而兼顾了 图像的暗区和亮区的细节，压缩了中间的灰度级。 2.局部细节增强。局部细节增强是整个算法的核心，首先，提取亮度图像的照度分量，通过对照度分量的压缩可获取反射分量，反射分量反映了图像的本质， 由于反射分量包含大量的细节信息，为了获取更好的视觉效果，本文对反射分量进行增强处理，可以突出图像细节，物体边缘轮廓更为清晰。 对于照度图像的估计，一般采用双边滤波方法，而用此法会导致局部光源边界出现“光晕效应”，边界附近的细节被淹没， 因此，本文采用三边滤波方法，在估计的照度分量中能够保留边缘信息并提高图像的局部对比度，同时避免了光晕现象，性能优于双边滤波方法；对于反射分量的增强，本文结合Sigmoid非线性拉伸函数的反射分量增强方法，可大大改善图像的视觉效果，突出局部细节和边界信息。 3.饱和度增强。为了避免图像的色彩失真，本文将图像由RGB颜色空间转换到 HSV颜色空间进行处理，在对亮度图像进行局部细节增强时，色调和饱和度分量保持 不变；当对亮度分量增强后，图像的饱和度出现偏低的现象，为了达到较好的视觉效 果，本文采用饱和度增强算子对饱和度分量进行处理。