Retinex mine image enhancement algorithm based on TopHat weighted guided filtering
-
摘要: 煤矿井下光源分布不均、整体光线弱导致图像亮度低、不清晰，传统Retinex算法在处理矿井低照度图像时存在细节丢失、边缘模糊和光晕等问题。针对上述问题，提出了一种基于TopHat加权引导滤波的Retinex算法（THWGIF−Retinex）对矿井图像进行增强。首先将图像从RGB空间转换到HSV空间，并将其分离成色调、饱和度、亮度3个通道分量。其次，利用TopHat变换改进加权引导滤波的权重因子，进而从亮度分量中提取出图像的光照分量，实现光照分量的边缘增强。然后，采用自适应Gamma校正函数校正光照分量和饱和度分量，并通过Retinex算法从光照分量中获取反射分量，进一步提升图像光源处的细节和色彩效果；最后，合并色调分量、校正后的饱和度分量、反射分量并转换到RGB空间，得到增强的矿井图像。从主观评价和客观评价2个方面对THWGIF−Retinex算法、多尺度Retinex（MSR）算法、加权引导滤波的Retinex（WGIF−Retinex）算法进行对比验证。主观评价结果表明：对于无强光直射的矿井低照度原始图像，经THWGIF−Retinex算法增强后的图像色彩还原度较高，且图像边缘更清晰，视觉效果明显增强。对于有强光直射的矿井低照度原始图像，THWGIF−Retinex算法对光晕有很好的改善效果，且在还原暗区域的细节信息和清晰度上优于WGIF−Retinex算法。客观评价结果表明：对于无强光直射的矿井低照度图像，经THWGIF−Retinex算法增强后的图像信息熵提高了12.50%，平均梯度提高了109.07%，标准差提高了52.44%，无参考结构清晰度（NRSS）提高了45.46%。对于有强光直射的矿井低照度图像，与MSR算法相比，经THWGIF−Retinex算法增强后的图像信息熵提高了1.24%，平均梯度提高了81.44%，标准差提高了18.23%，NRSS提高了36.67%；与WGIF−Retinex算法相比，THWGIF−Retinex算法在信息熵方面有所降低，但在平均梯度和NRSS方面有较大改善，分别提高了72.34%和23.87%。
-
关键词:
- 矿井图像增强 /
- 矿井低照度图像 /
- TopHat加权引导滤波 /
- Retinex /
- 自适应Gamma校正
Abstract: The uneven distribution of light sources and weak light in coal mines lead to low brightness and unclear image. The traditional Retinex algorithm has the problems of detail loss, edge blur and halo when processing low illumination images of coal mines. In order to solve the above problems, a new algorithm named THWGIF-Retinex based on TopHat weighted guided filtering is proposed to enhance the mine image. Firstly, the image is transformed from RGB space to HSV space. Then the image is separated into three channel components of hue, saturation and brightness. Secondly, the TopHat transform is used to improve the weight factor of the weighted guided filtering. The illumination component of the image is extracted from the brightness component. The edge enhancement of the brightness component is realized. Thirdly, the illumination component and the saturation component are corrected by adopting a self-adaptive gamma correction function. The reflection component is obtained from the illumination component by the Retinex algorithm. The details and color effect of the image light source are further improved. Finally, the hue component, the corrected saturation component and the reflection component are combined and converted to RGB space to obtain an enhanced mine image. The THWGIF-Retinex algorithm, multi-scale Retinex (MSR) algorithm and weighted guided filtering Retinex (WGIF-Retinex) algorithm are compared and verified from subjective evaluation and objective evaluation. The subjective evaluation results show that the original image of low illumination without strong light is enhanced by the THWGIF-Retinex algorithm. The color reproduction degree of the image is higher, the image edge is clearer, and the visual effect is obviously enhanced. The THWGIF-Retinex algorithm has a good effect on halo reduction for the mine low-illumination original image with strong light. The THWGIF-Retinex algorithm is better than the WGIF-Retinex algorithm in restoring the details and clarity of dark areas. The objective evaluation results show that the information entropy, the average gradient, the standard deviation and the no-reference structural sharpness (NRSS) of the image enhanced by the THWGIF-Retinex algorithm are increased by 12.50%, 109.07%, 52.44% and 45.46% respectively for the low illumination images without strong light. Compared with the MSR algorithm, the information entropy, average gradient, standard deviation and NRSS of the image enhanced by the THWGIF-Retinex algorithm are increased by 1.24%, 81.44%, 18.23% and 36.67% respectively for the mine low illumination image with strong light. Compared with the WGIF-Retinex algorithm, the THWGIF-Retinex algorithm has lower information entropy. However, the average gradient and NRSS are improved by 72.34% and 23.87% respectively. -
0. 引言
随着智慧矿山的发展，利用图像对矿井安全进行监控得到了广泛应用[1]。然而受煤矿井下光源分布不均、整体光线弱等影响，监控图像呈亮度低、不清晰等特点，给后续的图像分析带来较大困难[2]。因此，增强矿井图像的亮度和清晰度对煤矿安全具有重要意义。
目前，针对矿井低照度图像增强大多采用Retinex算法，其中多尺度Retinex（Multi-Scale Retinex，MSR）算法对矿井图像亮度增强有较好的效果，但容易造成图像产生光晕和色彩失真等问题。张立亚等[3]提出了一种融合双边滤波和MSR算法的井下图像增强方法，能有效减少光晕模糊的现象，但图像边缘不够清晰。Hu Haokun等[4]提出了基于形态学Retinex算子的低照度图像增强算法，能有效提高图像清晰度，但算法较为复杂，需设置参数多。智宁等[5]采用引导滤波提取光照分量来对Retinex算法进行改进，但对光晕处理效果不佳。李晓宇等[6]通过引入快速引导滤波改进Retinex算法，实现了矿井图像的亮度增强，但对图像暗部细节增强不明显。Mu Qi等[7]在引导滤波的基础上提出了一种加权引导滤波（Weighted Guided Filtering，WGIF）算法，通过引入权重因子改进引导滤波的权重，降低了光晕的影响，然而WGIF算法中基于图像局部方差的权重估计[8]对于低照度图像的边缘增强效果并不明显。
针对上述算法存在的不足，本文提出了一种基于TopHat加权引导滤波（TopHat Weighted Guided Filtering，THWGIF）的Retinex算法（以下简称THWGIF−Retinex算法），并用于矿井图像增强。该算法通过引入TopHat变换改进WGIF的权重因子，实现光照分量提取，可提升图像边缘的清晰度，避免产生光晕现象；采用自适应Gamma校正函数对图像的光照分量和饱和度分量进行增强，可改善图像细节信息和色彩失真情况，有效提高矿井图像质量。
1. THWGIF−Retinex算法
采用THWGIF−Retinex算法对矿井图像进行增强，流程如图1所示，具体步骤如下：
![]()
图 1 基于THWGIF−Retinex算法的矿井图像增强流程Figure 1. Mine image enhancement process based on THWGIF-Retinex algorithm（1） 将输入图像从RGB空间转换到HSV空间[9]，并将其分离成色调（H）、饱和度（S）、亮度（V）3个通道分量。
（2） 通过THWGIF算法对亮度分量进行光照分量提取；分别对光照分量和饱和度分量进行自适应Gamma校正，得到校正后的光照分量和饱和度分量。
（3） 根据步骤（2）得到的校正后光照分量，采用Retinex算法求得反射分量。
（4） 将色调分量、校正后饱和度分量、反射分量进行通道合并后转回RGB空间，输出增强图像。
1.1 光照分量提取
引导滤波是一种能保持图像边缘的滤波技术[10]，将其应用到矿井图像增强中可保留图像细节。假设引导图像与输出图像存在局部线性关系：
$$ {q}_{i}{{ = a}}_{{k}}{I}_{i}{{+ b}}_{{k}}\;\; \forall i\in {\omega }_{{k}} $$ (1) 式中：
$ {q_i} $ 为输出图像中第$ i $ 个像素点的值；$ {{{a}}_{{k}}} $ ，$ {{{b}}_{{k}}} $ 为以像素$ {{k}} $ 为中心的滤波窗口$ {\omega _{{k}}} $ 的线性系数；$ {I_i} $ 为引导图像中第$ i $ 个像素点的值。采用最小二乘法对
$ {{{a}}_{{k}}} $ 和$ {{{b}}_{{k}}} $ 进行求解，代价函数为$$ { E}\left({{a}}_{{k}}，{{b}}_{{k}}\right)={\displaystyle \sum\limits_{i{ }\in { }{\omega }_{{k}}}\left[{\left({{a}}_{{k}}{I}_{i}{{+ b}}_{{k}}-{p}_{i}\right)}^{2}+\varepsilon {{a}}_{{k}}{}^{2}\right]} $$ (2) 式中：
$ {p_i} $ 为输入图像中第$ i $ 个像素点的值；$ \varepsilon $ 为正则化参数，其对滤波效果有较大影响。由于引导滤波对所有窗口均选取相同的
$ \varepsilon $ ，未考虑窗口的像素差异，导致图像边缘不清晰。WGIF选取窗口内的方差作为边缘权重因子，用于调节$ \varepsilon $ ，使有明显纹理区域的图像方差更大，对应的权值也更高，从而更好地保留图像边缘信息[11-12]。但方差大不代表图像的边缘信息强，对于井下低照度图像，仅通过计算方差很难得到合适的边缘权重因子。TopHat变换是图像处理中一种形态学变换方式，能够完成较暗背景图像中局部较亮区域的提取[13]。当光照较强时图像边缘有所模糊，通过TopHat变换处理后，光亮区域的边缘效果会有所提升[14]。
为进一步提高边缘检测的准确性，本文将TopHat变换融合到边缘权重因子计算中：
$$ {\varphi _n}{\text{ = }}\frac{1}{N}\sum\limits_{n = 1}^N {\frac{{T\left( m \right) + \alpha }}{{T\left( n \right) + \alpha }}} $$ (3) 式中：
$ {\varphi _n} $ 为边缘权重因子；N为引导图像的像素点个数；$ T\left( m \right) $ 为经过TopHat变换后的图像以像素点$ m $ 为窗口中心的均值；$ T\left( n \right) $ 为引导图像以像素点$ n $ 为窗口中心的均值；$ \alpha $ 为常数，取值$ 1 \times {10^{ - 4}} $ 。对于图像亮度较高的区域，边缘权重因子较大，则对应的
$ \varepsilon $ 较小，能更好地保留亮度较高区域的图像边缘信息。对于图像亮度较低的区域，边缘权重因子较小，则对应的$ \varepsilon $ 较大，对低照度区域有更好的平滑效果。THWGIF对应的代价函数为
$$ { E}\left( {{{{a}}_{{k}}}{{,}}{{{b}}_{{k}}}} \right){{ = }}\sum\limits_{i{{ }} \in {{ }}{\omega _{{k}}}} {\left[ {{{\left( {{{{a}}_{{k}}}{{{I}}_i}{{ + }}{{{b}}_{{k}}}} \right)}^2} + \frac{\varepsilon }{{{\varphi _n}}}{{{a}}_{{k}}}^2} \right]} $$ (4) THWGIF在保持WGIF优势的基础上，能有效减少图像光晕，具有更好的图像边缘保持效果。本文采用THWGIF对光照分量进行提取：
$$ {F}\left( {x,y} \right) = G\left( {I,{r_i},\varepsilon ,s} \right) $$ (5) 式中：
$ {F}\left( {x,y} \right) $ 为根据引导图像 I估计出的光照分量；$ G\left( \bullet \right) $ 为作用于引导图像I的THWGIF运算；$ {r_i} $ 为引导滤波窗口大小；$ s $ 为下采样倍数。WGIF和THWGIF算法对同一幅矿井图像的滤波效果对比如图2所示。可看出在平滑效果相近的前提下，THWGIF算法能更好地保留图像边缘信息。
1.2 光照分量及饱和度分量校正
煤矿大多采用矿灯对矿井进行照明，光源集中在某几处地方，使得图像部分区域过亮，难以观测到暗区域的信息，影响视觉效果。为解决该问题，本文采用自适应Gamma校正函数对光照分量进行增强，使图像不仅在亮度上有所提高，并保证亮度分布更加均匀[15-16]。
$$ Z\left( {x,y} \right) = 255{\left( {\frac{{F\left( {x,y} \right)}}{{255}}} \right)^\gamma } $$ (6) 式中：
$ Z\left( {x,y} \right) $ 为经过校正后的光照分量；$ \gamma $ 为自适应Gamma校正系数。$ \gamma $ 是影响图像亮度的关键。选取不同$ \gamma $ 时的图像增强效果如图3所示。当$ \gamma $ =0.2时，图像出现亮度过饱和的现象；当$ \gamma $ =0.5时，图像暗区域的亮度有明显增强效果，且图像亮区域没有出现过度增强的现象；当$ \gamma $ =0.8时，图像整体亮度增强不明显。因此本文采用的光照分量校正系数为0.5。在HSV空间模型中，当亮度增加，饱和度就会有所降低。为保证图像的饱和度细节不丢失，在对光照分量进行增强后，图像的饱和度分量也要进行相应的增强。本文采用自适应Gamma校正函数对饱和度分量进行增强，经实验可得，当饱和度校正系数为1.1时，图像增强效果最佳。
1.3 反射分量获取
Retinex算法是一种以颜色恒常性为基础的图像增强方法。该算法认为物体的颜色不是由反射光的绝对值决定的，而是由物体的反射能力决定的。
$$ L(x,y) = R(x,y) * F(x,y) $$ (7) 式中：
$ L(x,y) $ 为原始图像；$ R(x,y) $ 为反射分量，通常具有大量的高频信息。为求解反射分量，一般先将式（7）转换到对数域，再移项使原始图像与光照分量相减：
$$ \ln R(x,y) = \ln L(x,y) - \ln F(x,y) $$ (8) 对
$ \ln R(x,y) $ 进行指数运算，得到最终的反射分量。2. 实验分析
选取煤矿井下低照度图像，从主观评价和客观评价2个方面对MSR算法、WGIF−Retinex算法及本文THWGIF−Retinex算法对图像增强效果进行对比。
2.1 主观评价
不同算法下无强光直射的矿井图像增强效果及灰度直方图分别如图4和图5所示，不同算法下有强光直射的矿井图像增强效果及灰度直方图分别如图6和图7所示。
![]()
图 4 不同算法下矿井图像1增强效果对比Figure 4. Comparison of enhancement effects of mine image 1 under different algorithms![]()
图 5 不同算法下矿井图像1灰度直方图对比Figure 5. Comparison of gray histogram of mine image 1 under different algorithms从图4可看出，对于无强光直射的矿井低照度原始图像1，经MSR算法增强后的图像亮度有所增强，但图像细节丢失，整体色彩偏浅；经WGIF−Retinex算法增强后的图像整体亮度较为均匀，在饱和度方面有较好的改善，但图像边缘较为模糊；经THWGIF−Retinex算法增强后的图像与经WGIF−Retinex算法增强后的图像相比，色彩还原度较高，且图像边缘更清晰，视觉效果明显增强。从图6可看出，对于有强光直射的矿井低照度原始图像2，经MSR算法增强后的图像在光源处存在光晕现象；经WGIF−Retinex算法和THWGIF−Retinex算法增强后的图像对光晕有很好的改善效果，且经THWGIF−Retinex算法增强后的图像在还原暗区域的细节信息和清晰度上优于WGIF−Retinex算法增强后的图像。
![]()
图 6 不同算法下矿井图像2增强效果对比Figure 6. Comparison of enhancement effects of mine image 2 under different algorithms从图5可看出，原始图像1的灰度级主要分布在0～100之间，经MSR算法增强后的图像直方图灰度级分布在100～250之间，经WGIF−Retinex算法和THWGIF−Retinex算法增强后的图像直方图灰度级分布在0～255之间，灰度级分布范围越广，表明图像对比度越高。从图7可看出，原始图像2的灰度级大多分布在在0～50之间；经MSR算法增强后的图像直方图灰度级分布在100～255之间，表明增强后图像亮度过强；经WGIF−Retinex和THWGIF−Retinex算法增强后的图像直方图灰度级在0～250范围内均匀分布，表明增强后图像的对比度较高；经THWGIF−Retinex算法增强后图像在100～200灰度级范围内的像素点个数大于经WGIF−Retinex算法增强后的图像，表明THWGIF−Retinex算法对图像整体亮度增强效果优于WGIF−Retinex算法。
![]()
图 7 不同算法下矿井图像2灰度直方图对比Figure 7. Comparison of gray histogram of mine image 2 under different algorithms2.2 客观评价
采用信息熵[17]、平均梯度[18]、标准差[19]、无参考结构清晰度（No-Reference Structural Sharpness，NRSS）[20]作为图像质量客观评价指标。信息熵反映图像的信息量；平均梯度反映图像的清晰度；标准差反映图像的对比度；NRSS是衡量图像质量优劣的重要指标。上述指标的值越大，表明图像质量越好。
表 1 矿井图像1客观评价结果Table 1. Objective evaluation results of mine image 1图像 信息熵 平均梯度 标准差 NRSS 原始图像 6.427 9 3.599 5 26.060 7 0.428 2 MSR算法增强后图像 6.839 3 3.887 1 32.778 3 0.422 7 WGIF−Retinex算法增强后图像 7.311 7 5.347 2 40.859 0 0.551 2 THWGIF−Retinex算法增强后图像 7.231 6 7.525 6 39.728 8 0.622 9 表 2 矿井图像2客观评价结果Table 2. Objective evaluation results of mine image 2图像 信息熵 平均梯度 标准差 NRSS 原始图像 6.511 8 4.855 3 33.418 9 0.399 5 MSR算法增强后图像 7.263 5 4.984 2 36.312 5 0.442 0 WGIF−Retinex算法增强后图像 7.455 9 5.247 3 46.694 2 0.487 7 THWGIF−Retinex算法增强后图像 7.355 0 9.043 4 42.932 8 0.604 1 从表1可看出，对于无强光直射的矿井低照度图像，经MSR算法增强后的图像在NRSS方面略低于原始图像，而经WGIF−Retinex算法和THWGIF−Retinex算法增强后的图像在各指标上均有明显提高；与原始图像相比，经THWGIF−Retinex算法增强后的图像信息熵提高了12.50%，平均梯度提高了109.07%，标准差提高了52.44%，NRSS提高了45.46%；与经WGIF−Retinex算法增强后的图像相比，经THWGIF−Retinex算法增强后的图像在平均梯度和NRSS上分别提高了40.73%和13.00%，但在信息熵和标准差方面略小。从表2可看出，对于有强光直射的矿井低照度图像，3种算法增强后的图像在各指标上均有不同程度的改善；与经MSR算法增强后的图像相比，经THWGIF−Retinex算法增强后的图像信息熵提高了1.24%，平均梯度提高了81.44%，标准差提高了18.23%，NRSS提高了36.67%；与WGIF−Retinex算法相比，THWGIF−Retinex算法在信息熵方面有所降低，但在平均梯度和NRSS方面有较大改善，分别提高了72.34%和23.87%。
3. 结语
针对矿井低照度图像增强，提出了一种THWGIF−Retinex算法。首先，通过THWGIF算法提取图像光照分量，增强光照分量的边缘保持效果；其次，通过自适应Gamma校正函数增强图像光照分量和饱和度分量；然后，利用Retinex算法从增强后的光照分量中获取图像反射分量；最后，将色调分量、反射分量、校正后的饱和度分量合并，得到增强图像。实验结果表明：该算法能有效提高图像的亮度、清晰度和对比度，抑制亮度过饱和、光晕等现象，对抗色彩失真、边缘保持具有明显的作用；经该算法增强后的矿井图像在信息熵、平均梯度、标准差、NRSS方面均有明显提高，矿井图像增强效果好。
-
![]()
图 1 基于THWGIF−Retinex算法的矿井图像增强流程
Figure 1. Mine image enhancement process based on THWGIF-Retinex algorithm
![]()
图 4 不同算法下矿井图像1增强效果对比
Figure 4. Comparison of enhancement effects of mine image 1 under different algorithms
![]()
图 5 不同算法下矿井图像1灰度直方图对比
Figure 5. Comparison of gray histogram of mine image 1 under different algorithms
![]()
图 6 不同算法下矿井图像2增强效果对比
Figure 6. Comparison of enhancement effects of mine image 2 under different algorithms
![]()
图 7 不同算法下矿井图像2灰度直方图对比
Figure 7. Comparison of gray histogram of mine image 2 under different algorithms
表 1 矿井图像1客观评价结果
Table 1 Objective evaluation results of mine image 1
图像 信息熵 平均梯度 标准差 NRSS 原始图像 6.427 9 3.599 5 26.060 7 0.428 2 MSR算法增强后图像 6.839 3 3.887 1 32.778 3 0.422 7 WGIF−Retinex算法增强后图像 7.311 7 5.347 2 40.859 0 0.551 2 THWGIF−Retinex算法增强后图像 7.231 6 7.525 6 39.728 8 0.622 9 
下载: 导出CSV
表 2 矿井图像2客观评价结果
Table 2 Objective evaluation results of mine image 2
图像 信息熵 平均梯度 标准差 NRSS 原始图像 6.511 8 4.855 3 33.418 9 0.399 5 MSR算法增强后图像 7.263 5 4.984 2 36.312 5 0.442 0 WGIF−Retinex算法增强后图像 7.455 9 5.247 3 46.694 2 0.487 7 THWGIF−Retinex算法增强后图像 7.355 0 9.043 4 42.932 8 0.604 1
下载: 导出CSV
-
[1] 尹小英. 浅析智慧矿山综合监控系统设计[J]. 内蒙古煤炭经济,2020(20):127-128. DOI: 10.3969/j.issn.1008-0155.2020.20.063 YIN Xiaoying. Brief analysis on the design of intelligent mine comprehensive monitoring system[J]. Inner Mongolia Coal Economy,2020(20):127-128. DOI: 10.3969/j.issn.1008-0155.2020.20.063
[2] 刘晓阳,乔通,乔智. 基于双边滤波和Retinex算法的矿井图像增强方法[J]. 工矿自动化,2017,43(2):49-54. LIU Xiaoyang,QIAO Tong,QIAO Zhi. Image enhancement method of mine based on bilateral filtering and Retinex algorithm[J]. Industry and Mine Automation,2017,43(2):49-54.
[3] 张立亚,郝博南,孟庆勇,等. 基于HSV空间改进融合Retinex算法的井下图像增强方法[J]. 煤炭学报,2020,45(增刊1):532-540. DOI: 10.13225/j.cnki.jccs.2020.0514 ZHANG Liya,HAO Bonan,MENG Qingyong,et al. Method of image enhancement in coal mine based on improved Retinex fusion algorithm in HSV space[J]. Journal of China Coal Society,2020,45(S1):532-540. DOI: 10.13225/j.cnki.jccs.2020.0514
[4] HU Haokun, CAO Wei, YUAN Jieyu, et al. A low-illumination image enhancement algorithm based on morphological-Retinex（MR） operator[C].IEEE/ACIS 6th International Conference on Big Data, Cloud Computing, and Data Science, Zhuhai, 2021: 66-72.
[5] 智宁,毛善君,李梅. 基于照度调整的矿井非均匀照度视频图像增强算法[J]. 煤炭学报,2017,42(8):2190-2197. ZHI Ning,MAO Shanjun,LI Mei. Enhancement algorithm based on illumination adjustment for non-uniform illuminance video images in coal mine[J]. Journal of China Coal Society,2017,42(8):2190-2197.
[6] 李晓宇,吕进来,郝晓丽. 一种改进的Retinex矿井图像增强算法[J]. 科学技术与工程,2020,20(29):12028-12034. DOI: 10.3969/j.issn.1671-1815.2020.29.030 LI Xiaoyu,LYU Jinlai,HAO Xiaoli. An improved enhancement algorithm of mine image based on Retinex[J]. Science Technology and Engineering,2020,20(29):12028-12034. DOI: 10.3969/j.issn.1671-1815.2020.29.030
[7] MU Qi,WANG Xinyue,WEI Yanyan,et al. Low and non-uniform illumination color image enhancement using weighted guided image filtering[J]. Computational Visual Media,2021,7(4):529-546. DOI: 10.1007/s41095-021-0232-x
[8] WANG Guoqing,WANG Jun,LI Ming,et al. Hand vein image enhancement based on multi-scale top-hat transform[J]. Cybernetics and Information Technologies,2016,16(2):125-134. DOI: 10.1515/cait-2016-0025
[9] SHI Haiyan,NGAIMING K,GU Fang,et al. Gradient-guided color image contrast and saturation enhancement[J]. International Journal of Advanced Robotic Systems,2017,14(3):1-5.
[10] 李鹏飞,何小海,卿粼波,等. 暗通道融合亮通道优化的夜间图像去雾算法[J]. 液晶与显示,2021,36(4):596-604. DOI: 10.37188/CJLCD.2020-0208 LI Pengfei,HE Xiaohai,QING Linbo,et al. Nighttime dehazing algorithm of dark channel and bright channel fusion optimization[J]. Chinese Journal of Liquid Crystals and Displays,2021,36(4):596-604. DOI: 10.37188/CJLCD.2020-0208
[11] 刘颖,刘佳琳,刘卫华,等. 基于加权引导滤波的Retinex刑侦图像增强[J]. 西安邮电大学学报,2018,23(5):30-36. LIU Ying,LIU Jialin,LIU Weihua,et al. A Retinex criminal investigation image enhanced algorithm based on weighted guided filtering[J]. Journal of Xi'an University of Posts and Telecommunications,2018,23(5):30-36.
[12] 许凤麟,苗玉彬,张铭. 基于彩色加权引导滤波−Retinex算法的导航图像增强[J]. 上海交通大学学报,2019,53(8):921-927. XU Fenglin,MIAO Yubin,ZHANG Ming. Navigation image enhancement based on color weighted guided image filtering-Retinex algorithm[J]. Journal of Shanghai Jiaotong University,2019,53(8):921-927.
[13] 汤子麟,刘翔,张星. 光照不均匀图像的自适应增强算法[J]. 计算机工程与应用,2021,57(21):216-223. DOI: 10.3778/j.issn.1002-8331.2010-0368 TANG Zilin,LIU Xiang,ZHANG Xing. Adaptive enhancement algorithm for non-uniform illumination images[J]. Computer Engineering and Applications,2021,57(21):216-223. DOI: 10.3778/j.issn.1002-8331.2010-0368
[14] HERRERA-ARELLANO M A,PEREGRINA-BARRETO H,TEROL-VILLALOBOS I. Visible-NIR image fusion based on top-hat transform[J]. IEEE Transactions on Image Processing,2021,30:4962-4972. DOI: 10.1109/TIP.2021.3077310
[15] SENGUPTA D,BISWAS A,GUPTA P. Non-linear weight adjustment in adaptive gamma correction for image contrast enhancement[J]. Multimedia Tools and Applications,2021,80(3):3835-3862. DOI: 10.1007/s11042-020-09583-1
[16] 龙鑫,何国田. 基于多层融合和细节恢复的图像增强方法[J]. 计算机应用研究,2020,37(2):584-587. LONG Xin,HE Guotian. Image enhancement method based on multi-layer fusion and detail restoration[J]. Application Research of Computers,2020,37(2):584-587.
[17] WANG Ping,WANG Zhiwen,LYU Dong,et al. Low illumination color image enhancement based on Gabor filtering and Retinex theory[J]. Multimedia Tools and Applications,2021,80(4):17705-17719.
[18] ZHAO Chaoyue,JIA Ruisheng,LIU Qingming,et al. Image dehazing method via a cycle generative adversarial network[J]. IET Image Processing,2020,14(2):4240-4247.
[19] 陈宏辉,胡小平,彭向前. 基于改进MSR的小波变换图像增强算法[J]. 计算机科学与应用,2021,11(4):1149-1156. DOI: 10.12677/CSA.2021.114118 CHEN Honghui,HU Xiaoping,PENG Xiangqian. Wavelet transform image enhancement algorithm based on improved MSR[J]. Computer Science and Application,2021,11(4):1149-1156. DOI: 10.12677/CSA.2021.114118
[20] 景文博,邹欢欢,张家铭,等. 基于相位差异法的简易光学系统的图像复原方法[J]. 光子学报,2019,48(9):87-98. JING Wenbo,ZOU Huanhuan,ZHANG Jiaming,et al. Simple optical system image restoration method based on phase diversity[J]. Acta Photonica Sinica,2019,48(9):87-98.
-
期刊类型引用(5)
1. 张红，索霆锋，宋婉莹. 基于结构纹理分解的矿井图像增强方法. 工矿自动化. 2024(03): 56-64 . 
本站查看
2. 何怡静，杨维. 基于视觉与激光融合的井下灾后救援无人机自主位姿估计. 工矿自动化. 2024(04): 94-102 . 本站查看
3. 牟琦，葛相甫，王新月，李磊，李占利. 基于多尺度梯度域引导滤波的煤矿井下图像增强方法. 工矿自动化. 2024(06): 79-88+111 . 本站查看
4. 何自芬，薛金生，张印辉，陈光晨. 嵌入空间位置信息和多视角特征提取的红外小目标检测. 红外与激光工程. 2024(12): 195-207 . 百度学术
5. 冯玮，姚顽强，蔺小虎，郑俊良，相里海龙，薛志强. 顾及图像增强的煤矿井下视觉同时定位与建图算法. 工矿自动化. 2023(05): 74-81 . 本站查看
其他类型引用(8)
计量
- 文章访问数: 276
- HTML全文浏览量: 59
- PDF下载量: 47
- 被引次数: 13
