论文部分内容阅读
目标识别是计算机视觉领域中的经典技术,它旨在将图像中的目标部分进行充分提取。图像增强算法作为该技术的核心支持算法,通常从频率域和空间域对图像的信息进行提取。然而,传统的算法往往以全局处理的方式对图像进行处理,该方法对存在物体遮挡和光照变化显著的图像效果欠佳。针对上述问题,基于人类视觉系统建立的色彩恒常性Retinex理论在细节增强、颜色保真和动态范围压缩等方面有着较为明显的优势。在此基础上,本文对Retinex算法进行了深入研究,提出了鲁棒性较强的图像处理算法,该算法对于光照变化显著的图像仍然有着较好的增强结果。本文的主要研究内容和创新点如下:针对基于Retinex理论的中心环绕算法经常出现的"光晕伪影"问题,本文在对引导滤波进行深入研究的基础上,实现了基于引导滤波的图像增强算法,有效地消除了高对比度图像边缘的光晕现象。(1)针对传统算法中图像细节增强和颜色保真无法兼顾以及图像处理后的噪声放大问题,本文改进了色彩恢复函数,实现了基于引导滤波的多尺度Retinex图像增强算法,有效地平衡了图像细节增强和颜色保真问题。(2)针对目标识别环节中在光照条件下稳定性较弱的问题,本文选取了光照鲁棒性和实时性俱佳的SURF特征算子对特征进行提取,并且取消了传统的基于规则网格的提取方法。该特征算法有效地减少了图像的冗余信息(背景),显著地增强了图像的有效信息。同时,本文将该特征算子与空间金字塔模型、SVM分类器进行结合,并且进行了直方图权重优化,进一步提升了系统光照鲁棒性。(3)设计和搭建了针对Android系统的平台且面向光照鲁棒性的实时目标识别框架,开发出基于Android系统移动设备的目标识别软件,并将该软件应用于实际场景的目标识别。最后,在海量数据库中进行了充分的实验。实验结果表明,相比于其它传统方法,本文的模型可以有效地解决噪声污染问题、高对比度图像边缘的光晕伪影问题。而且,本文的算法可以有效地提升色彩保真度和光照变化显著条件下的目标识别率。除此之外,基于Android平台的目标识别软件也在光照鲁棒性、实时性以及识别率上有着良好的表现。