基于鲁棒性主成分分析的低照度图像增强算法OA北大核心CSTPCD

由于低照度图像对比度和信噪比低,传统图像增强算法在提高图像对比度的同时容易造成噪声放大。针对该问题,提出基于鲁棒性主成分分析(RPCA)的低照度图像增强算法。算法依据Retinex理论将图像分解为照度分量和反射分量,使用伽马矫正对照度分量进行增强。将增强后的照度分量与反射分量合成为最终的增强图像。其中图像分解采用RPCA方法实现,因为该方法可以有效地将照度信息与噪声分离,从而避免增强照度分量时放大噪声。为了提高计算效率,算法采用非精确增广拉格朗日乘子法(Inexect-ALM,IALM)求解RPCA分解问题。实验结果表明,该算法在增强图像对比度的同时避免了放大噪声,其主观评价与客观指标都优于几种经典的图像增强算法,有较好的视觉效果和较低的计算复杂度。