图像增强算法

本文回顾了Retinex图像增强算法,该算法基于颜色恒常性原理,通过分离反射和光照分量来增强图像。然而,经典Retinex存在光晕现象、边缘锐化不足等问题。作者提出改进算法中照度图像估计部分,如采用双边滤波,以减少光晕效应,并计划进行实验验证。最终,通过非线性灰度变换提升图像细节。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这周在继续学习新内容(基于opencv的图像编程和Python的深入学习)的同时有回顾了之前关于图像增强方面的知识。因为一直看的都是关于图像复原的内容,增强这方面有所遗忘,所以回顾一下看有没有新的心得!

1、关于retinex算法的内容和特点:

Retinex是一种常用的建立在科学实验和科学分析基础上的图像增强方法,Retinex理论的基础理论是物体的颜色是由物体对长波(红色)、中波(绿色)、短波(蓝色)光线的反射能力来决定的,而不是由反射光强度的绝对值来决定的,物体的色彩不受光照非均匀性的影响,具有一致性,即retinex是以色感一致性(颜色恒常性)为基础的。不同于传统的线性、非线性的只能增强图像某一类特征的方法,Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡,因此可以对各种不同类型的图像进行自适应的增强。

原理:一幅给定的图像S(x,y)可以分解为两个不同的图像:反射图像R(x,y)和亮度图像(也有人称之为入射图像)L(x,y),L又称为光照分量,R又称为反射分量。Retinex的基本思想是,在S中,降低L的影响,从而尽量保留物体本质的反射属性,即R。Retinex只是一个框架,采用不同的亮度图像估计算法,其具体形式也不同。一般直接通过空间平滑得到照射图像估计,常用的是高斯核的低通滤波。具体步骤如下:

其中,F(x,y)一般指的是高斯低通滤波函数;

2、对retinex算

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值