针对传统图像增强Retinex去雾算法未考虑有雾图像景深信息，整幅图采用同一尺度复原而导致的局部颜色失真、图像细节丢失等问题，提出一种基于景深信息的自适应Retinex图像去雾算法。从场景雾的浓度与景深密切相关出发：首先利用BTS深度学习模型得到有雾图像的景深估计；然后以图像的平均梯度作为最优评价标准，对有雾图像分块处理并采取不同的高斯滤波尺度进行Retinex增强，统计出最优高斯滤波尺度与其对应的景深估计平均值；接着通过梯度下降法对统计数据进行拟合，得出景深估计与高斯滤波尺度的参数模型并将模型应用到单尺度Retinex去雾算法对有雾图像进行分块处理；最后通过计算均值和均方差，再加上一个控制图像动态的参数来实现无色偏的自适应对比度拉伸以及使用双线性插值映射使图像分块边缘过渡更加连续，从而得到增强的去雾图像。实验结果表明，经过所提算法去雾处理后的图像标准差、平均亮度、信息熵、平方梯度等评价指标均高于对比算法，实际效果对比度较高，图像细节保持完好，且抑制了过度增强。基于景深信息自适应Retinex图像去雾算法能够有效保留图像细节，颜色自然，符合人眼视觉特性，自适应程度高，明显优于传统Retinex去雾算法。

由于水下光的吸收和散射作用, 水下图像往往存在颜色失真、对比度低、细节模糊等现象。因此, 提出一种基于加权融合的多空间转换水下图像增强方法。首先, 对图像进行白平衡处理,可以有效校正图像的蓝(绿)色外观;然后,分别对白平衡的图像将RGB空间转换为LAB空间, 用改进的自适应伽马校正处理L通道, 再转换回RGB空间; 在RGB空间进行CLAHE、双边滤波处理; 将RGB空间转换为HSV空间, 用结合引导滤波的单尺度Retinex算法处理V通道, 再转换回RGB空间;最后,将得到的3个结果加权融合和细节增强得到最终的增强图像。实验结果表明, 所提方法对提高水下图像的对比度和清晰度有良好的效果, 并可有效解决图像的颜色失真问题。

为了提高水下图像的清晰度和可见度,提出一种基于差异通道增益与改进多尺度Retinex算法相结合的算法以改善水下图像的质量。首先考虑到水介质对红光的强衰减性,采用改进的灰度世界法单独对红色通道进行增益,使其更接近均匀光照场景;其次为了消除雾状模糊以及增强细节对比度,采用改进的多尺度Retinex算法对差异通道增强后的图像进行处理,通过使用tanh函数替换多尺度Retinex算法中的对数函数以减少数据的丢失,确保信息的完整性;最后采用自适应伽马技术调整图像的亮度分布。实验结果表明,所提算法处理后的图像清晰,颜色自然,具有更佳的可视效果。

针对复杂场景中光照变化、目标自身尺度变化等引起的目标丢失或误跟踪等问题, 提出一种尺度和光照自适应的结构化多目标跟踪方法。利用多尺度Retinex算法对序列图像进行预处理; 通过SPOT算法对多目标进行跟踪, 以确定新一帧中各目标最优位置; 采用判别型尺度空间跟踪算法训练尺度滤波器, 以新一帧中各目标最优位置为中心, 利用尺度滤波器的最大值确定新一帧中各目标的最优尺度; 采用随机梯度下降法并结合双线性插值更新特征分类器的权重。实验结果表明, 提出的多目标跟踪算法在应对场景光照和目标尺度变化等方面, 具有良好的鲁棒性和准确性。

低照度图像增强的主要目的是提升图像的整体光照度,进而呈现更多有用的信息。针对低照度图像的整体照度低、对比度弱和噪声较高的问题,提出基于注意力机制和Retinex算法的低照度图像增强方法。该方法首先将低照度图像分解为不变性反射图和缓变平滑性光照图;再通过注意力机制提取图像的空间和局部物体信息,从而能够保证增强过程中利用空间和局部物体信息进行约束;同时增加色彩损失函数改善图像饱和度,用以补偿和校准增强过程中的对比度细节;改进低照度图像和合成方法,加入真实噪声有效扩充训练数据集。最终在LOL和SID数据集上实验表明,所提方法的主观感受和客观评价指标均有所提升。

针对Retinex算法在去雾时会出现光照不均匀、彩色失真等情况,提出了一种基于低照度的有雾彩色图像增强算法。该算法首先将红-绿-蓝(RGB)图像转换到色调-饱和度-亮度(HSV)空间区域,对亮度(V)分量进行提取,将单尺度Retinex算法作用于V分量后对V分量进行伽马校正;将MSRCR 算法中的高斯滤波器改为引导滤波并进行低通滤波;最后将改进的SSR算法、MSRCR算法、基于拉普拉斯金字塔的Retinex算法得到的图像进行加权融合。该算法能够得到很好的去雾效果,有效地抑制光晕并改善色彩失真等问题。经所提算法处理后,图片的相似性、信息熵等指标均得到了提升。

低照度环境下图片质量会下降。同时,悬浮在空气中的烟雾、粉尘等物质形成的雾、霾,会导致图像的细节模糊不清,对户外拍照和计算机视觉应用造成了极大的影响。因此,对退化图像进行去雾处理,提高图像质量,在图像处理和计算机视觉领域具有非常重要的应用价值。提出一种基于亮通道和暗通道结合的雾霾天气图像去雾算法。基于退化图像的物理模型,提出一种空气光散射模型,通过亮通道和暗通道的结合来估计大气光值和透射率。该算法可以解决有雾图像恢复时天空区域的颜色失真问题,恢复图像的细节和颜色,提高图像的视觉效果。仿真结果表明,本文算法优于多尺度Retinex图像去雾算法。

为了提高低照度遥感图像的可视性, 提出了利用改进的多尺度Retinex算法与局部对比度自适应调整相结合的方法来改善图像质量。首先, 把原始图像变换到HSI色彩空间, 有效分离H、S、I分量; 然后, 然后在保持色调分量H不变的前提下, 对亮度分量I利用改进的多尺度Retinex算法进行处理, 对整幅图像进行亮度和对比度的初步调整, 通过使用Sigmoid函数替换多尺度Retinex算法中的对数函数来减少数据丢失; 为了使局部细节信息得到更好的改善, 在利用改进的多尺度Retinex算法处理后进行自适应局部对比度增强, 提高图像局部对比度; 对饱和度分量S采用分段线性增强的方法进行处理; 最后, 将处理后的图像变换回到RGB空间。实验结果表明: 图像信息熵由5.79提高至6.65; 图像感兴趣区域的局部对比度由0.695提高至0.701, 图像质量以及利用价值得到了提升。

基于内容的遥感图像检索存在着低层视觉特征与用户对图像理解的高层语义不一致、图像检索精度低以及单一的距离度量方法不能完全真实反映图像之间相似程度等问题。对此提出一种基于改进的模糊C均值聚类和卷积神经网络的遥感图像检索方法。该方法充分利用遥感图像的特性, 通过Retinex算法自适应处理遥感图像噪声, 运用自学习能力良好的卷积神经网络对遥感图像进行多层神经网络的监督学习, 提取遥感图像特征, 并运用改进的模糊C均值进行特征聚类分析。同时, 将快速排序算法与距离位置权重相结合的Top-k排序算法运用到实验当中, 提高遥感图像的检索精度。实验表明, 该方法可以显著提高遥感图像的检索性能。