为了提高雾霾天气条件下交通图像的对比度, 清晰度和颜色保真度, 减少图像退化所带来的负面影响, 提出了一种采用快速引导滤波平滑约束的Retinex及自适应分数阶微分的雾霾天气交通图像增强算法。首先, 该方法将原图像从RGB转换到YCbCr颜色空间, 提取亮度分量构建初始图像; 其次, 构建变分模型, 借助快速引导滤波构造目标函数的平滑约束项来准确估计初始照射分量; 然后, 使用Retinex模型获得初始反射分量, 再采用自适应分数阶微分掩膜对初始反射分量进行增强得到亮度分量的增强结果, 该方法在图像噪声抑制和细节增强方面性能良好; 最后, 将处理后的反射分量结合Cb, Cr色差信息从YCbCr转换到RGB颜色空间即得到最终增强图像。本文对不同的雾霾交通图像进行了对比实验, 实验结果表明, 新方法的标准差(STD)和平均梯度(AG)较原图至少提高1.12倍和4倍以上, 信息熵(E)至少提高4.76%以上, 综合性能优于其他的对比算法。新方法在图像增强和细节保持方面得到了很好地改进, 有效地提高了雾霾天气条件下公路交通图像的颜色保真度、对比度和细节清晰度等, 使得增强后的图像视觉效果和可视度明显改善, 更加真实自然。

针对低照度图像存在亮度低、对比度低、边缘模糊等问题, 首先将低照度图像NSCT多尺度分解, 获得低频子带图像和高频子带系数; 接着将低频图像采用多尺度Retinex 提升图像亮度, 借助非线性的双边滤波函数估计其照度分量, 利用Gamma校正函数对照度分量进行校正, 提高图像的动态范围, 利用影响因子校正反射分量, 丰富其层次性, 对图像的整体轮廓进行增强; 然后将高频部分用Bayes阈值隔离噪声, 利用自适应分数阶微分对图像的边缘、纹理等细节进行增强; 最后对处理后的图像进行NSCT重构。实验结果表明,本文算法的对比度、清晰度及信息熵与现有增强方法相比, 平均提高了10.7%、9.8%、2.3%。增强后的图像在细节、边缘保持等方面也优于现有算法, 改善了图像整体的视觉效果。

针对红外图像存在灰度范围窄、图像细节不清晰、目标边缘模糊的问题, 提出了一种基于自适应分数阶微分的红外目标增强方法。该方法首先利用图像的梯度、信息熵进行有效融合, 并且自适应调整分数阶微分以增强图像中的目标边缘；然后采用图像像素灰度的标准差和均值进行融合去确定目标的分割阈值, 以区分出图像中的背景和目标部分；通过对图像中的目标区域进行线性增强, 以进一步突显目标。经过实验验证: 本文提出的方法能够有效地区分红外图像中的目标和背景, 局部目标背景比(Target-to-Background Ratio, TBR)平均提高了 0.5, 视觉效果比较理想。