针对透明物体逆光图像对比度低、可视质量差、部分区域过度曝光、边缘信息模糊等问题,提出了一种改进MSRCR(Multi-Scale Retinex with Color Restoration)的透明物体逆光图像增强算法。首先,在MSRCR算法的基础上添加最小可觉差的倒数作...针对透明物体逆光图像对比度低、可视质量差、部分区域过度曝光、边缘信息模糊等问题,提出了一种改进MSRCR(Multi-Scale Retinex with Color Restoration)的透明物体逆光图像增强算法。首先,在MSRCR算法的基础上添加最小可觉差的倒数作为光照分量的调节因子,解决图像的色偏问题,得到准确清晰的透明物体边缘信息;然后,利用自适应对比度增强算法对原图像进行处理,得到亮度适中,对比度高的图像;最后,将两幅图像按亮度均值比例进行拉普拉斯金字塔融合,并进行线性拉伸。将该算法应用于安瓿瓶视觉尺寸测量,结果表明:改进MSRCR的透明物体逆光图像增强算法,能有效解决MSRCR算法的色偏问题,突显透明物体边缘细节信息,并保留亮度增强效果,将安瓿瓶的尺寸误差由0.35 mm降低到0.1mm,提高了透明物体尺寸测量精度。展开更多
针对混合曝光成像算法过程中会出现低曝光处细节丢失且颜色失真饱和度不佳导致视觉观感下降的问题,提出一种多尺度权重评估的MSRCR(Multi-Scale Retinex with Color Restoration,MSRCR)混合曝光融合算法。基于Retinex模型将待融合图像...针对混合曝光成像算法过程中会出现低曝光处细节丢失且颜色失真饱和度不佳导致视觉观感下降的问题,提出一种多尺度权重评估的MSRCR(Multi-Scale Retinex with Color Restoration,MSRCR)混合曝光融合算法。基于Retinex模型将待融合图像分解为亮度分量与反射光分量,对亮度分量结合ACES函数构造光照补偿归一化函数进行处理,对反射光分量加入颜色恢复函数提升色彩细节;分别从曝光量、饱和度、对比度、色域四个尺度设计图像融合权重值,通过多尺度评估优化融合比例;利用Laplacian金字塔融合算法进行多尺度权重融合获得最终图像。实验结果表明,与传统的图像融合算法相比,该算法处理效果较好,有效降低了暗处失真率,提升了视觉信息保真度。展开更多
为实现田间环境下对玉米苗和杂草的高精度实时检测,本文提出一种融合带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法的改进YOLOv4tiny模型。首先,针对田间环境的图像特点采用MSRCR算法进行图像...为实现田间环境下对玉米苗和杂草的高精度实时检测,本文提出一种融合带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法的改进YOLOv4tiny模型。首先,针对田间环境的图像特点采用MSRCR算法进行图像特征增强预处理,提高图像的对比度和细节质量;然后使用Mosaic在线数据增强方式,丰富目标检测背景,提高训练效率和小目标的检测精度;最后对YOLOv4tiny模型使用K-means++聚类算法进行先验框聚类分析和通道剪枝处理。改进和简化后的模型总参数量降低了45.3%,模型占用内存减少了45.8%,平均精度均值(Mean average precision,mAP)提高了2.5个百分点,在Jetson Nano嵌入式平台上平均检测帧耗时减少了22.4%。本文提出的PruneYOLOv4tiny模型与Faster RCNN、YOLOv3tiny、YOLOv43种常用的目标检测模型进行比较,结果表明:PruneYOLOv4tiny的mAP为96.6%,分别比Faster RCNN和YOLOv3tiny高22.1个百分点和3.6个百分点,比YOLOv4低1.2个百分点;模型占用内存为12.2 MB,是Faster RCNN的3.4%,YOLOv3tiny的36.9%,YOLOv4的5%;在Jetson Nano嵌入式平台上平均检测帧耗时为131 ms,分别是YOLOv3tiny和YOLOv4模型的32.1%和7.6%。可知本文提出的优化方法在模型占用内存、检测耗时和检测精度等方面优于其他常用目标检测算法,能够为硬件资源有限的田间精准除草的系统提供可行的实时杂草识别方法。展开更多
针对低光照图像整体对比度低、细节显示不够清晰的问题,提出一种结合自适应伽马(Gamma)变换和带颜色恢复的多尺度Retinex(multi-scale Retinex with color restoration,MSRCR)算法的低光照图像增强方法。首先,为了动态地拉伸图像灰度值...针对低光照图像整体对比度低、细节显示不够清晰的问题,提出一种结合自适应伽马(Gamma)变换和带颜色恢复的多尺度Retinex(multi-scale Retinex with color restoration,MSRCR)算法的低光照图像增强方法。首先,为了动态地拉伸图像灰度值范围和提高图像对比度,进行RGB到HSV的颜色空间转换,采用多尺度融合方法提取图像的光照分量,并结合Gamma校正曲线实现图像自适应Gamma变换,提升图像的对比度;其次,针对自适应Gamma增强后的图像亮度较低的问题,采用MSRCR算法进一步提升图像亮度,并结合小波重构方法融合自适应Gamma变换后的图像和MSRCR增强后的图像;最后,由于小波重构后的图像局部存在过曝、过饱和的缺陷,结合基于模拟退火的自适应融合方法,将自适应Gamma变换后的图像和小波重构后的图像进行融合,得到最终的增强图像。所提方法既提高了低光照图像的对比度,使图像更有质感,又提升了图像的整体亮度,使暗部区域细节更加清晰;同时,弥补了MSRCR算法易出现色偏、颜色失真的缺陷。将所提方法应用于LOL低光照图像数据集,并与经典的图像增强算法进行对比。实验结果表明,所提方法使图像质量平均提高70%,图像结构相似性(structural similarity,SSIM)指数平均提高30%,图像信息熵平均提高20%,不仅提升了图像的对比度和亮度,而且避免了过曝、色偏、颜色失真等问题的出现。展开更多
文摘针对透明物体逆光图像对比度低、可视质量差、部分区域过度曝光、边缘信息模糊等问题,提出了一种改进MSRCR(Multi-Scale Retinex with Color Restoration)的透明物体逆光图像增强算法。首先,在MSRCR算法的基础上添加最小可觉差的倒数作为光照分量的调节因子,解决图像的色偏问题,得到准确清晰的透明物体边缘信息;然后,利用自适应对比度增强算法对原图像进行处理,得到亮度适中,对比度高的图像;最后,将两幅图像按亮度均值比例进行拉普拉斯金字塔融合,并进行线性拉伸。将该算法应用于安瓿瓶视觉尺寸测量,结果表明:改进MSRCR的透明物体逆光图像增强算法,能有效解决MSRCR算法的色偏问题,突显透明物体边缘细节信息,并保留亮度增强效果,将安瓿瓶的尺寸误差由0.35 mm降低到0.1mm,提高了透明物体尺寸测量精度。
文摘针对混合曝光成像算法过程中会出现低曝光处细节丢失且颜色失真饱和度不佳导致视觉观感下降的问题,提出一种多尺度权重评估的MSRCR(Multi-Scale Retinex with Color Restoration,MSRCR)混合曝光融合算法。基于Retinex模型将待融合图像分解为亮度分量与反射光分量,对亮度分量结合ACES函数构造光照补偿归一化函数进行处理,对反射光分量加入颜色恢复函数提升色彩细节;分别从曝光量、饱和度、对比度、色域四个尺度设计图像融合权重值,通过多尺度评估优化融合比例;利用Laplacian金字塔融合算法进行多尺度权重融合获得最终图像。实验结果表明,与传统的图像融合算法相比,该算法处理效果较好,有效降低了暗处失真率,提升了视觉信息保真度。
文摘为实现田间环境下对玉米苗和杂草的高精度实时检测,本文提出一种融合带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法的改进YOLOv4tiny模型。首先,针对田间环境的图像特点采用MSRCR算法进行图像特征增强预处理,提高图像的对比度和细节质量;然后使用Mosaic在线数据增强方式,丰富目标检测背景,提高训练效率和小目标的检测精度;最后对YOLOv4tiny模型使用K-means++聚类算法进行先验框聚类分析和通道剪枝处理。改进和简化后的模型总参数量降低了45.3%,模型占用内存减少了45.8%,平均精度均值(Mean average precision,mAP)提高了2.5个百分点,在Jetson Nano嵌入式平台上平均检测帧耗时减少了22.4%。本文提出的PruneYOLOv4tiny模型与Faster RCNN、YOLOv3tiny、YOLOv43种常用的目标检测模型进行比较,结果表明:PruneYOLOv4tiny的mAP为96.6%,分别比Faster RCNN和YOLOv3tiny高22.1个百分点和3.6个百分点,比YOLOv4低1.2个百分点;模型占用内存为12.2 MB,是Faster RCNN的3.4%,YOLOv3tiny的36.9%,YOLOv4的5%;在Jetson Nano嵌入式平台上平均检测帧耗时为131 ms,分别是YOLOv3tiny和YOLOv4模型的32.1%和7.6%。可知本文提出的优化方法在模型占用内存、检测耗时和检测精度等方面优于其他常用目标检测算法,能够为硬件资源有限的田间精准除草的系统提供可行的实时杂草识别方法。
文摘针对低光照图像整体对比度低、细节显示不够清晰的问题,提出一种结合自适应伽马(Gamma)变换和带颜色恢复的多尺度Retinex(multi-scale Retinex with color restoration,MSRCR)算法的低光照图像增强方法。首先,为了动态地拉伸图像灰度值范围和提高图像对比度,进行RGB到HSV的颜色空间转换,采用多尺度融合方法提取图像的光照分量,并结合Gamma校正曲线实现图像自适应Gamma变换,提升图像的对比度;其次,针对自适应Gamma增强后的图像亮度较低的问题,采用MSRCR算法进一步提升图像亮度,并结合小波重构方法融合自适应Gamma变换后的图像和MSRCR增强后的图像;最后,由于小波重构后的图像局部存在过曝、过饱和的缺陷,结合基于模拟退火的自适应融合方法,将自适应Gamma变换后的图像和小波重构后的图像进行融合,得到最终的增强图像。所提方法既提高了低光照图像的对比度,使图像更有质感,又提升了图像的整体亮度,使暗部区域细节更加清晰;同时,弥补了MSRCR算法易出现色偏、颜色失真的缺陷。将所提方法应用于LOL低光照图像数据集,并与经典的图像增强算法进行对比。实验结果表明,所提方法使图像质量平均提高70%,图像结构相似性(structural similarity,SSIM)指数平均提高30%,图像信息熵平均提高20%,不仅提升了图像的对比度和亮度,而且避免了过曝、色偏、颜色失真等问题的出现。
