梯度稀疏和最小平方约束下的低照度图像分解及细节增强

sugarbabysu

* t* A8 F5 O9 Q8 j摘要:低照度图像存在细节模糊、对比度低等问题.针对这些问题,本文提出一种低照度彩色图像增强算法.首先建立梯度稀疏和最小平方约束模型,将图像分解为结构层和细节层;然后采用提出的多尺度边缘保护细节增强算法强化图像的细节信息并滤波;最后把细节增强的图像经改进的Retinex算法映射,最终得到细节增强、亮度适宜、对比度较强的修复图像.实验结果表明,主观上:图像细节增强,亮度适宜;客观上:结构层图像的一维像素线性图显示其平滑特性效果较好,细节增强图的NIQE(5.5202)、BRISQE(31.1893)和PSNR(25.3625)特征较好,修复图像的嫡值(7.4421),边缘强度(128.3231)和平均亮度(121.1827)较好.本文算法实现了对低照度图像的有效分解及细节增强，并提高了图像综合质量.
2 x  e, k6 ?) k, z1 x% L! b3 I
* N* ]1 e" `, ]' B& O& b* Z3 g关键词:低照度图像;梯度稀疏约束;细节增强;改进的Retinex
0 @$ J' F) [7 j* ?# Q) n  \
+ k: X. d( v1 X$ _  [       低照度图像增强一直是图像处理研究领域的热点.传统的图像增强方法可分为两类:时域增强和频域增强.时域增强操作简便、运算快速,可增强低照度图像的对比度,然而同时存在过增强、模糊和颜色退化等问题;频域增强在去噪方面表现优异,能有效去除多种噪声提高图像质量,然而其直观性差、运行时间较长、存在光晕且不能有效拉伸图像对比度。
: f: O* n( L! H
* Y5 r% d- H% @& a

游客，如果您要查看本帖隐藏内容请回复

+ v' R3 h3 s3 b) Z) ~5 h

qq666888qqw

传统的图像增强方法可分为两类:时域增强和频域增强