低照度环境图像的增强算法毕业论文【matlab】

一、核心思路

基于 HSV 色彩空间，提出了一种基于直方图均衡和双曲正切函数的低照度图像增强算法。通过对亮度分量进行分层处理，利用对数缩放函数和双曲正切函数增强压缩后高亮度分量的局部对比度，并引入双边滤波去除高亮度分量的噪声；采用直方图均衡、Gompertz 分布函数和误差函数提高低亮度分量的整体亮度；最后引入对数图像模型融合处理高亮度和低亮度分量并输出结果。与其他算法相比，该方法在主客观评价方面具有良好的效果。

二、代码与仿真

正常图像和低亮度图像的对比及二者的直方图对比可以发现，亮度正常的图像，其灰度等级是均匀分布在 0 到 255 区域的，灰度等级动态区域也较大。亮度较低的图像，其灰度等级主要集中在 0 到 50 甚至更低的范围内，灰度等级的动态区域也较小。通过对比图还可以发现，只要将亮度较低灰度图像的灰度等级扩展，使其均匀分布于 0 到 255 的区间内，即通过线性或者物理模型的方式将图像低灰度等级的动态区域加以拓展就可以将图像的亮度提高。 
一般的低照度增强算法都是针对图像的整个灰度等级，在增强低照度图像时，会将低灰度等级区域和高灰度等级区域一起增强，这种增强方式会过度增强图像高灰度等级的区域。本章算法为了解决这一问题，防止图像的过度增强，在增强V 分量之前，首先对亮度分量 V 进行分层预处理。从图 1.1 低照度图像的直方图可以看到，只有少数亮度高点的区域灰度等级超过 0.7，为了提高图像增强效果，本章将灰度值 0.75 做为 V 分量高亮度区域 V1 和低亮度区域 V2 的分割阈值，通过分层处理将亮度分量 V 分为 V1 和 V2。V 分量的分层表达式如式

clear all;                      %清除所有变量
close all;                      %清图
clc;                            %清屏
%%%%%%%%%%%%%%%%%%%%%定义训练样本矢量%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%P 为输入矢量%%%%%%%%%%%%%%%%%%%%%%%%%%%%
P = [-1:0.05:1];
%%%%%%%%%%%%%%%%%%%%%%T 为目标矢量%%%%%%%%%%%%%%%%%%%%%%%%%%%%
T = sin(2*pi*P)+0.1*randn(size(P));
%%%%%%%%%%%%%%%%%%%%%%绘制样本数据点%%%%%%%%%%%%%%%%%%%%%%%%%%
figure
plot(P,T,'+');
hold on;
plot(P,sin(2*pi*P),':');
%%%%%%%%%%%%%%%%%%%%%绘制不含噪声的正弦曲线%%%%%%%%%%%%%%%%%%%
net=newff(minmax(P),[20,1],{'tansig','purelin'});
%%%%%%%%%%%%%%%%%%%采用贝叶斯正则化算法 TRAINBR%%%%%%%%%%%%%%%
net.trainFcn='trainbr';
%%%%%%%%%%%%%%%%%%%%%%设置训练参数%%%%%%%%%%%%%%%%%%%%%%%%%%%%
net.trainParam.show = 50;              %显示中间结果的周期
net.trainParam.lr = 0.05;              %学习率
net.trainParam.epochs = 500;           %最大迭代次数
net.trainParam.goal = 1e-3;            %目标误差
%%%%%%%%%%%%%%%%%%%%用相应算法训练 BP 网络%%%%%%%%%%%%%%%%%%%%
[net,tr]=train(net,P,T);
%%%%%%%%%%%%%%%%%%%%%对 BP 网络进行仿真%%%%%%%%%%%%%%%%%%%%%%%
A = sim(net,P);
%%%%%%%%%%%%%%%%%%%%%%计算仿真误差%%%%%%%%%%%%%%%%%%%%%%%%%%%%
E = T - A;
MSE=mse(E);
%%%%%%%%%%%%%%%%%%%%%%绘制匹配结果曲线%%%%%%%%%%%%%%%%%%%%%%%%
plot(P,A,P,T,'+',P,sin(2*pi*P),':');
legend('样本点','标准正弦曲线','拟合正弦曲线');

博主简介：本团队擅长数据处理、建模仿真、程序设计、论文写作与指导，项目与课题经验交流。
团队博客：kelaboshi.com。

本团队更多内容：

基于深度学习的低光照图像增强算法研究及硬件实现
基于语义引导与对比学习的水下图像增强算法研究
基于场景分类的自适应红外图像增强算法技术研究
基于Retinex的低照明度图像增强算法研究
基于颜色迁移的图像增强算法研究
基于视觉感知机理的低光照图像增强算法研究
变压器油下图像增强算法研究与实现
复杂场景下的无监督图像增强算法技术及应用研究
基于注意力机制与特征融合的自适应低光照图像增强算法研究
改进飞鼠搜索算法及在图像增强中的应用研究
基于曲线拟合与注意力机制的弱光图像增强算法研究
基于卷积神经网络的低光照图像增强算法研究
低照度彩色图像增强算法的研究
面向动态场景的低质视频图像增强算法研究
基于深度学习的水下图像增强算法研究
基于深度学习和Retinex理论的低照度图像增强算法研究
基于深度特征自适应滤波的图像增强算法研究
融合全局与局部信息的低光照图像增强算法研究
基于生成对抗网络的水下图像增强算法研究
基于Transformer与预训练的全局+局部图像增强算法的研究与实现
基于曝光融合的医学X射线图像增强算法研究
工业X射线图像增强算法研究
基于流模型的低照度图像增强算法研究
飞机蒙皮内部缺陷的太赫兹图像增强与融合算法研究
基于生成对抗网络的无监督图像增强算法研究
基于乳腺钼靶病灶分布信息的图像增强与分割算法研究
煤矿井下图像增强算法及探水杆检测算法研究
一种红外图像增强算法的研究及FPGA实现
基于STFT的低质量指纹图像增强算法研究
不均匀低照度低质图像增强算法研究
基于Retinex理论的非均匀光照图像增强算法研究
基于生成对抗网络的医学图像增强算法研究
雾天图像增强算法研究与ZYNQ实现
低照度图像增强算法研究
井筒低光图像增强算法研究
基于模型与数据双驱动的降质图像增强算法研究
基于随机共振模型的低照度图像增强算法研究
基于深度学习的红外图像增强算法研究
基于自调整学习方法的低照度图像增强算法研究
基于注意力的低照度图像增强算法
多特征融合的水下图像增强算法研究
基于光照估计指导的无监督低光图像增强算法研究
基于深度学习的低光照图像增强算法研究
基于卷积神经网络的低照度图像增强算法研究
基于深度学习的水下图像增强及目标检测算法研究
基于暗通道去雾算法的视频测井图像增强系统研究
面向交通监控系统的图像增强算法研究
彩色低照度图像增强算法研究
类视觉处理的低光照图像增强算法研究
面向特征恢复的低光图像增强算法研究