论文部分内容阅读
在数字化、智能化的信息时代,图像已成为人们获取、传递和交流信息的主要方式。但是在雾天、夜间、室内等光照不均或不足的低照度条件下采集的图像,常常由于光线不足、曝光不足等客观因素,使得采集到的静止图像或视频图像出现噪声多和亮度/对比度偏低现象,从而提高了人们对图像细节的辨识难度,因此,低照度图像去噪与增强的研究具有重要的应用意义。传统的图像去噪与增强算法大多单一地采用频率域和空间域,其图像去噪与增强效果不尽人意。本文针对现有的频率域和空间域算法进行修正,提出了低照度环境下降质图像去噪与增强的改进算法。具体研究内容与成果如下:首先,阐述了低照度图像去噪与增强算法的研究背景、意义及其概况,分析了国内外关于低照度图像去噪与增强算法的研究现状,提出了本文算法所涉及的关键技术及其技术路线,并对低照度图像的去噪及增强算法相关理论进行了详实的分析与讨论,比较了传统去噪及增强算法各自的优缺点,指出了评价去噪与增强图像质量的相关参数指标。其次,分析了基于小波变换的硬/软阈值低照度图像去噪算法:硬阈值函数在阈值处欠连续,势必在图像重构过程中图像发生振荡现象;软阈值函数相比硬阈值函数在阈值处连续性较好,重构后的图像相对较平滑,然而在图像重构时,软阈值函数降低了图像的逼近度,且会发生诸如多余边缘模糊等失真现象。目前有研究者提出的硬/软阈值函数,虽然采用其折中阈值,其函数虽然相比于传统阈值函数克服了传统硬/软阈值低照度图像去噪算法缺点,但对于图像不同噪声的处理存在一定的依赖性,去噪后的图像边缘存在模糊现象。本文提出一种基于双边滤波和小波变换的低噪度图像去噪算法,采用双边滤波器对输入的低照度高频噪声图像进行初步去噪,之后采用小波变换对第一次去噪后的图像进行二次去噪,将图像分解为近视部分和垂直、水平、对角等4个部分,再次分别对其进行双边滤波(近视部分)和小波阈值去噪(垂直、水平、对角部分),最后通过小波逆变换重构得到去噪后图像。Matlab仿真结果表明,该算法对高斯噪声、椒盐噪声及其混合噪声有较好的去噪效果。再次,阐述了基于人眼视觉亮度和色彩感知的Retinex理论模型,该模型具有颜色恒常性、色彩保真度高、动态范围压缩大等特点,特别是对低照度图像有很好的增强效果。单尺度Retinex算法处理的低照度图像虽能保证较好的色彩保真度,但对暗区细节的增强效果并不理想;多尺度Retinex算法虽优于单尺度,但会放大图像中的噪声,势必产生一定的色彩失真现象。针对上述算法存在的不足之处,本文提出了一种改进的多尺度Retinex的低照度图像增强算法,该算法能自适应地调整低照度图像全局亮度和饱和度,并对低照度图像中较暗信息的增强具有较大优势,图像增强效果明显。Matlab仿真结果表明,本文算法在提高较暗区域亮度后获得了良好增强效果,克服了颜色失真、对比度低、细节信息分辨不清等诸多缺陷。最后,总结了本文研究的主要内容和取得的成果,并指出本文研究内容的不足之处及下一步拟研究方向和内容。