基于Retinex理论的低照度图像增强技术

Retinex算法可以有效改善受环境照度影响的图像质量。针对Retinex算法中存在的光晕、暗区域过增强、亮区域细节丢失与参数较多的问题,提出了一种低照度图像增强算法。基于Retinex理论,在HSV色彩空间,对V分量采用引导滤波与高斯平滑结合的方式估计照度分量,用对数图像处理模型(LIP)运算代替原算法中的对数变换与传统运算,求取反射分量后经灰度变换并恢复为RGB彩色图像。仿真结果表明,该算法可以有效恢复阴影区域的细节,避免上述问题的出现。     

基于分片光滑照度估计的Retinex图像处理框架

Retinex理论是一种图像增强技术,其基本原理是将原图像分解为照度图像和反射图像的乘积.传统的Retinex理论假定照度图像是平滑的,在实际场景中,由于目标的反射特征不同及阴影等的影响,照度图像实际上是分片平滑的,导致反射图像边界附近模糊,产生光晕现象.针对上述问题,提出了一种改进的Retinex理论图像处理框架:采...     

基于改进引导滤波算法的水下图像复原

针对水下图像对比度低,细节模糊,存在颜色偏差的问题,提出一种基于改进引导滤波的水下图像复原算法。将红通道进行反转得到新的水下模型,利用红色暗通道图估计背景光;通过饱和度估计粗透射率图,利用改进的引导滤波算法对透射率图进行细化;对恢复后的图像进行图像增强处理。使用该算法与几种水下图像处理算法对多种水下环境中的图像进行处理,比较视觉效果和UCIQE等评价指标。实验结果表明,算法可以有效复原出清晰图像,校正颜色失真,提高对比度,增强细节,且对人工光源区域也同样适用。     

基于二进小波变换的噪声图像自适应增强新算法

针对图像增强算法通常会放大原图像中噪声分量的问题,提出了一种基于二进小波变换的图像增强新算法。该算法充分利用了二进小波变换的平移不变性和各尺度上小波系数间的相关性,有效改善了增强过程中噪声放大和边缘失真问题。此外,算法具有高度的自适应能力,适用性更强。实验结果表明,与目前已有的各类多尺度图像增强算法相比,该算法在抑制噪声和凸显图像特征两方面均有明显改进。     

基于噪声评价的微光红外图像自适应融合方法

基于微光图像噪声的评价对TNO彩色映射法进行了改进,并通过将微光图像的噪声特性参数引入到映射系数中,提出了一种自适应的微光红外图像融合方法。实验分析表明:该方法可以有效地降低微光图像的噪声对融合图像的影响,提高低照度下微光红外融合图像的质量。     

一种基于深度去噪自编码的超低照度微光图像复原方法

针对超低照度条件下微光图像具有的低信噪比、低对比度导致目标难以辨识的问题,提出了一种基于深度网络和去噪自编码的微光图像复原方法。该方法利用栈式稀疏去噪自编码(stacked sparse denoising autoencoder,SSDA)从大量微光图像训练集中学习超低照度条件下微光图像本质特征,实现了自适应去噪和对比度增强。随后,进行了实验,实验结果表明:所提方法对超低照度条件下微光图像复原具有很好的效果。     

极端曝光图像的多尺度分解细节感知融合算法

针对极端曝光(欠曝光和过曝光)图像动态范围低的问题,提出一种基于多尺度分解细节感知的图像融合算法。欠曝光图像经过细节增强后,与过曝光图像进行初步的粗融合;采用小波变换对细节增强后图像的亮度分量进行多尺度分解,并设计专门的高频和低频融合策略,实现亮度分量的精融合;将粗融合图像的色调、饱和度分量,与精融合图像的亮度分量重组,获得最终的融合结果。基于大量测试数据,实验结果表明所提方法在视觉效果方面表现优异,平均MEF-SSIM指标为0.985 4,平均SSIM指标为0.650 8,均优于现有主流算法。     

基于区域分割的光学显微结核杆菌图像分割算法*

为了提高结核杆菌目标的分割精度,本文提出了一种基于区域级的光学显微结核杆菌图像分割算法。首先,通过顶帽-底帽变换增强彩色图像对比度,然后融合图像局部特征和全局信息计算图像梯度,在此基础上利用分水岭算法实现对图像的初始分割;对分割区域采用相邻区域最大相似度准则进行合并,从而得到完整的目标区域;最后根据结核杆菌图像的特点,通过分析结核杆菌目标区域的颜色特性,采用多阈值分割的方法滤除区域中的杂质,实现对结核杆菌目标的分割。实验结果表明,本算法可以分割出目标对比度低以及饱和度过低的结核杆菌目标,并且对不同染色背景的图像均能取得较好的分割结果。     

光学显微结核杆菌图像的区域分割算法

为提高结核杆菌目标的分割精度,提出了一种区域级的光学显微结核杆菌图像分割算法。通过顶帽—底帽变换增强彩色图像对比度,融合图像局部特征和全局信息计算图像梯度,利用分水岭算法实现对图像的初始分割;对分割区域采用相邻区域最大相似度准则进行合并,从而得到完整的目标区域;根据结核杆菌图像的特点,通过分析结核杆菌目标区域的颜色特性,采用多阈值分割的方法滤除区域中的杂质,实现对结核杆菌目标的分割。实验结果表明,可以分割出目标对比度低以及饱和度过低的结核杆菌目标,并且对不同染色背景的图像均能取得较好的分割结果。     

基于暗原色先验的单幅图像去雾优化技术

雾霾等粒子的大气散射作用会使得图像采集设备所获取的图像质量下降,影响后续工作。基于暗原色先验理论提出一种单幅图像的去雾优化技术。针对景深突变处出现的"白边"与"黑化"现象,提出结合最小值滤波与中值滤波的粗估计透射率优化方法。并提出自适应限定透射率下限值的方法改善天空区域的颜色失真问题。实验结果表明,该算法在去雾效果及自适应性方面优于对比算法。     

一种基于神经网络的彩色图像分割方法

提出了适于彩色图像分割的加强型径向基函数网络方法,采用在线自适应聚类学习算法确定隐层节点的数目、激活函数中心值;通过Hebb学习算法迅速将隐层节点中心值分为目标颜色聚类中心和背景颜色聚类中心两类;输出层用竞争规则将目标与背景分开。通过对多幅彩色图像进行分割处理验证了该方法的有效性。     

一种改进的多聚焦图像融合算法

针对小波变换在进行多聚焦图像融合时存在的边缘失真问题,提出了一种基于双正交小波变换的图像融合算法.对图像分解后的高频分量采用一种基于区域的融合策略;对分解后的低频分量通过度量图像区域质量来选择该区域中心像素从而确定融合图像的低频分量,最后进行双正交小波反变换得到融合图像.通过对多聚焦图像的仿真实验表明,此算法得到的融合图像在清晰度和对比度方面都得到了较大提高,是一种有效的图像融合算法.     

基于样块改进的图像修复算法

图像修复是指对图像破损区域进行填充或者将图像中多余物体进行移除。在Criminisi算法的基础上进行改进,在待修复块优先权的计算过程中,由于等照度线的曲率可以反映图像的局部特征,块与块之间的方差值可以反映图像的边缘信息,因此,将二者考虑进来,确保修复过程能够准确有序地进行。在寻找最佳匹配块时,将等照度线的曲率也作为一个因素增加进来,有效地提高了最佳匹配块搜索的精确性。经过仿真实验证明,改进后的算法不仅在PSNR值上比原算法有所提高,而且修复结果也比原算法更加准确可靠。     

改进的图像分割遗传K-均值聚类算法

针对图像分割,提出了一种改进的遗传K-均值聚类算法.合理选取聚类的特征向量并对各特征分量确定不同权值进行调整;通过引入自适应算法,对传统遗传算法的选择及变异操作进行改进,提高了算法的收敛速度;确定与染色体鳊码相关的隶属矩阵可有效地减少运算时间.实验结果表明,改进后的遗传K-均值聚类算法是行之有效的.     

基于ICEEMDAN和小波阈值的Φ-OTDR信号去噪算法

针对分布式光纤声波传感系统信号信噪比较低的问题,提出了一种改进的自适应噪声完全集成经验模态分解方法。改进方法利用样本熵和小波阈值去噪算法,从高噪声分量中提取有效成分。通过改进的自适应噪声完全集成经验模态分解(ICEEMDAN,Intrinsic Computing Expressive Empirical Mode Decomposition With Adaptive Noise)对实际采集的信号进行分解,计算样本熵,将其中的含噪分量进行小波阈值去噪,最后与未处理的信号分量进行重构。实验结果表明,对实采的信号进行降噪处理后,信噪比提高了5.34 dB,均方误差降低了0.014 8,波形互相关系数提高了5.7%。与其他常用的去噪方法相比,该方法不仅在信噪比方面表现更优秀,而且在均方误差和波形互相关系数方面也具有更好的性能,能够更好地保留有用信号。     

基于稀疏贝叶斯学习的扩展目标雷达关联成像*

雷达关联成像不依赖于雷达与目标的相对运动,是一种高分辨凝视成像方式。传统的关联成像方法未考虑复杂扩展目标的结构信息,在高分辨成像时的应用受到限制,为此提出一种自适应结构配对稀疏贝叶斯学习方法。该算法在稀疏贝叶斯学习的框架内针对扩展目标建立一种结构配对层次化高斯先验模型,然后采用变分贝叶斯期望-最大化算法交替进行目标重构和参数优化。该算法将某一信号分量的重构与周围信号分量联系起来,并能在迭代过程中自适应地调整表征各信号分量相关性的参数。实验结果表明,该方法针对扩展目标可以有效地进行高分辨成像。     

基于改进OTSU算法的红外图像分割

红外图像分割是红外目标检测与识别领域研究中的一项重要内容。针对经典OTSU阈值分割算法无法适应目标模糊、对比度低的红外图像的缺陷,提出了一种改进的OTSU红外图像分割算法。该算法首先对红外图像进行预处理操作,再利用非线性平均灰度值的权重计算方法,克服了因目标靶面面积过小造成的阈值偏移。实验表明该改进方法较传统OTSU算法有更好的分割效果。     

稀疏贝叶斯学习框架下的扩展目标雷达关联成像

传统的关联成像方法未考虑复杂扩展目标的结构信息,在高分辨成像时的应用受到限制,为此提出一种自适应结构配对稀疏贝叶斯学习方法。该方法在稀疏贝叶斯学习的框架内针对扩展目标建立一种结构配对层次化高斯先验模型,然后采用变分贝叶斯期望-最大化算法交替进行目标重构和参数优化。该方法将某一信号分量的重构与周围信号分量联系起来,并能在迭代过程中自适应地调整表征各信号分量相关性的参数。实验结果表明,该方法针对扩展目标可以有效地进行高分辨成像。     

金字塔渐进融合低照度图像增强网络

针对现有低照度图像增强网络对不同尺度特征信息存在感知与表达能力不足的问题,提出金字塔渐进融合低照度图像增强网络模型。网络对图像进行多次下采样操作以组成特征金字塔,通过在特征金字塔的三个不同分支上加入跳跃连接,将不同尺度的特征图进行相互融合。通过精细恢复模块进一步提取精炼信息,将特征图恢复到正常的光照图像。结果表明,该网络模型不但能有效地提升低照度图像的整体亮度,而且能很好地保持图像中的细节信息和清晰的物体边缘轮廓,同时能够有效地抑制图像中的暗部噪声,使增强后的图像整体画面真实自然。     

基于自适应小波阈值的SAR图像去噪算法

针对传统阈值去噪方法处理合成孔径雷达(Synthetic Aperture Radar,SAR)图像存在的失真,边缘模糊等问题,提出了一种自适应小波阈值算法。首先对经过对数变换后的SAR图像进行小波变换。然后利用自适应小波阈值对变换后的SAR图像高频部分进行去噪处理,去噪后再对其进行小波逆变换处理。最后再进行一次指数变换,达到去噪的目的。实验结果表明,该算法能够得到较好的去噪效果,并且还有效地解决了传统算法所带来的不足。