retinex图像增强论文答辩

这篇博客介绍两篇基于多图像融合的低亮度图片增强算法： 基于多图像融合的低亮度质量评价算法主要考虑融合多幅图片来进行低亮度图片的增强。 由Retinex理论：其中 是亮度分量， 是RGB通道上的反射分量， 是待增强的分量。 首先，使用RGB通道上每个pixel的最大值最为亮度分量的一个估计值。因为图像的亮度分量一般是局部光滑的，所以文章中使用了形态学中的闭环操作来进一步估计亮度分量：公式中除以255是为了将亮度分量限制到了[0,1]，文章中选取了disk作为结构元素。 亮度分量通过guided filter来保持the shape of large contours：是中心在 上的窗口。 multi_fusion融合了多幅增强的亮度分量： 最后，权重由以下公式表示：文章中首先将各个亮度分量 通过Laplacian金字塔分解为多个尺度上特征图，将权重 使用高斯金字塔光滑过度的部分。 将第 金字塔层的图像进行融合：融合多个金字塔层的图像： 其中 是上采样操作。 最后增强的图片由下式得到：EFF考虑融合同一场景下不同曝光程度的图片来增强低亮度图片。 为了得到完美曝光的图片，Exposure Fusion框架融合了不同曝光的图片： 其中 是各个颜色通道上的不同曝光率下的图片， 为对应的权重。 由之前基于相机响应模型的低亮度图片增强算法，我们可以得到同一场景下，不同曝光率的图片间的转换公式：在这篇文章中，作者只考虑了两种曝光率的图片，第一种是低亮度下的图片，另一种是低亮度下的图片使用曝光增强后的图片。由于需要将曝光完好的像素赋予更大的权重，所以文章中使用图片的亮度分量作为权重： 其中 用来调节增强的程度 对于亮度分量的求解可参考原文或是之前介绍基于相机响应模型的低亮度图片增强算法的博客。 与之前介绍基于相机响应模型的低亮度图片增强算法的博客中一致：文章中首先排除了原图中曝光较好的像素点： 其中 只包含了曝光不足的像素点。 的亮度部分定义为：则对于曝光率增强后的亮度分量有：将曝光不足的像素点转化为曝光正常的像素点后，可以提供的信息应该变大，所以，这里使用了图片墒最大化来求解曝光比：则由 可得到增强后的图片。

这篇博客介绍一篇基于保持图像自然度的低亮度图片增强算法： 这篇文章主要主要有以下三个方面的工作： 作者提出用相对亮度顺序（the relative lightness order）来衡量图像的自然程度。相对亮度顺序可以用来表示光照的方向和光照的变化程度。 文章中定义了LOE来衡量增强图片 和 之间的亮度顺序差： 其中 为RGB channel中的最大值。 对于每个pixel ，其在原图和增强图中的相对的亮度顺序差定义为：其中 为异或操作。 最后，LOE定义为：文中首先选择了五个pixel的四连接域作为领域范围：对于在位置 的值 ， 表示领域内值为 的数量， 表示值为 和领域内值为 的数量在图片中所有位置的数量之和： 为了减少噪声的影响，使用局部的均值进行处理：Bright-Pass Filter定义为： 其中 为局部的一个patch，文中是用 ，权重 定义为：由Retinex理论， 其中 为每个channel的反射分量， 为亮度分量： 亮度分量可有Bright-Pass Filter获得：反射分量可由下式获得：文中使用了直方图规范化的方法进行亮度分量的增强。文中使用了对数变换：但文中表示对数变换会使所有图像的亮度变得非常相似，作者根据输入图片的灰度值分布，适当地增加了低灰度值的数量，所以，新的加权的直方图分布为：直方图的累积分布为：经过CDF of the specified histogram后的直方图， 为：然后求解 :最后，增强后的图片为：