焦点引导的带颜色恢复的多尺度Retinex算法

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (2): 207-210.

焦点引导的带颜色恢复的多尺度Retinex算法

窦易文1，2，周鸣争1，唐肝翌1，卢桂馥1

1.安徽工程大学计算机科学与信息学院，安徽芜湖 241000
2.东华大学信息科学与技术学院，上海 201620

出版日期:2013-01-15 发布日期:2013-01-16

Focus-guided multi-scale Retinex with color restore algorithm

DOU Yiwen1，2, ZHOU Mingzheng1, TANG Ganyi1, LU Guifu1

1.College of Computing Sciences and Information, Anhui Polytechnic University, Wuhu, Anhui 241000, China
2.College of Information Science and Technology, Donghua University, Shanghai 201620, China

Online:2013-01-15 Published:2013-01-16

摘要/Abstract

摘要： 针对低照度下高动态范围图像在应用多尺度Retinex 算法进行图像增强时，易出现光晕现象和颜色失真等问题，提出了一种可以由焦点引导的带颜色恢复的多尺度Retinex（FgMSRCR）算法。通过自底向上视觉注意模型对低照度下高动态范围图像进行焦点提取，保留于相异焦点集中，对整幅图像应用带色彩恢复的多尺度Retinex算法（MSRCR）进行图像增强，再对焦点区域进行保持亮度和颜色比例的增强，利用高斯平滑滤波器完成图像增强任务。实验结果表明，与常见的图像增强算法和其他Retinex算法相比，该算法能够在保持颜色恒常的前提下有效地克服光晕现象。

关键词: 图像增强, 颜色恒常性, Retinex算法, 视觉注意模型

Abstract: A focus-guided multi-scale Retinex with color restore algorithm is presented to solve artificial halos and color distortion after applying multi-scaled Retinex algorithm to enhance high dynamic range images under low illumination. In initial stage, using bottom-up visual saliency model to extract saliency focus, a dissimilar focus sets can be obtained. Then utilizing multi-scaled Retinex algorithm the whole image is enhanced and the focus area in enhanced image is second enhanced under color and brightness rates preservation. Furthermore, applying Gaussian filter to smooth the enhanced image gets the final image. Experimental results show that the presented algorithm can overcome artificial halos and keep color constant comparing with general enhance algorithms and other Retinex algorithms.

Key words: image enhancement, color constansy, Retinex algorithm, visual attention model

窦易文1，2，周鸣争1，唐肝翌1，卢桂馥1. 焦点引导的带颜色恢复的多尺度Retinex算法[J]. 计算机工程与应用, 2013, 49(2): 207-210.

DOU Yiwen1，2, ZHOU Mingzheng1, TANG Ganyi1, LU Guifu1. Focus-guided multi-scale Retinex with color restore algorithm[J]. Computer Engineering and Applications, 2013, 49(2): 207-210.

[1]	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.
[2]	王小鹏，杨文婷，文昊天. 利用自适应形态学实现遥感水体图像增强[J]. 计算机工程与应用, 2021, 57(12): 186-192.
[3]	杜豫怡，王鹏章，多化琼，董霙达. 频域内分位数的蒙古族家具纹样增强算法[J]. 计算机工程与应用, 2021, 57(12): 207-210.
[4]	陈迎春. 基于色调映射的快速低照度图像增强[J]. 计算机工程与应用, 2020, 56(9): 234-239.
[5]	袁小平，崔棋纹，程干，张侠，张毅，王溯源. 改进型Gabor自商图算法及其在人脸识别中的应用[J]. 计算机工程与应用, 2020, 56(5): 206-213.
[6]	常戬，贺春泽，董育理，任营. 改进双边滤波和阈值函数的图像增强算法[J]. 计算机工程与应用, 2020, 56(3): 207-213.
[7]	朱德利，杨德刚，万辉，杨雨浓. 用于低照度图像增强的自适应颜色保持算法[J]. 计算机工程与应用, 2019, 55(24): 190-195.
[8]	王英博1，刘健2. 幂律变换和IGLC算法的显著性目标检测方法[J]. 计算机工程与应用, 2019, 55(14): 168-176.
[9]	王忠民1，2，段娜1，范琳1. 融合YOLO检测与均值漂移的目标跟踪算法[J]. 计算机工程与应用, 2019, 55(10): 186-192.
[10]	张桂梅1，刘峰瑞1，刘建新2. 图像增强中分数阶阶次自适应模型的构造[J]. 计算机工程与应用, 2018, 54(3): 184-191.
[11]	田敏，张印辉，何自芬，王森. 基于联合模型匹配的齿轮视觉检测方法[J]. 计算机工程与应用, 2018, 54(23): 170-175.
[12]	成钊1，2，王和明1，唐永康2，张颖1. 基于细节增强分析的硬件木马红外图像检测方法[J]. 计算机工程与应用, 2018, 54(16): 86-92.
[13]	范晓鹏1，2，3，4，朱枫1，3，4. 人眼灰度感知建模及其在图像增强中的应用[J]. 计算机工程与应用, 2018, 54(13): 209-215.
[14]	王永鑫1，2，刁鸣1，韩闯2. 基于同态滤波的水下图像增强与色彩校正模型[J]. 计算机工程与应用, 2018, 54(11): 30-34.
[15]	程欢. 基于DEM图像增强的航海雷达回波模拟[J]. 计算机工程与应用, 2018, 54(10): 186-191.