结合深度残差神经网络与Retinex理论的低照度图像增强

由于低照度图像不易于分辨其中的具体细节,难以对图像进行进一步的利用.为了提高低照度图像的可视性,解决传统U-net对图像特征提取不足的问题,利用深度残差网络的特征提取能力强的优点,提出了一种基于Retinex理论结合残差网络的增强算法.首先,使用一系列卷积和上采样来改进U型网络将图像分解为反射部分和光照部分;然后,为了更好地保留细节特征,一方面将分解得到的反射部分和光照部分通过一系列卷积块提取特征后送入构建好的残差网络中进行重建,从而得到初步重建的图像,另一方面将光照部分通过四层卷积层进行增强,得到调整后的光照分量;最后,将重建的图像和调整后的光照分量进行融合,得到最终的低光照图像增强图像.实验结果表明,改进算法有效地提高了图像暗光部分的可视性,同时增强了色彩深度和对比度,且相比于其他方法,在主观以及客观评价上均有较好的效果.     

指节折痕线特征提取与识别算法

研究了一种基于灰度数学形态学和二维小波变换的指节折痕特征提取和识别算法.该算法首先利用灰度形态学对指节折痕子图进行预处理增强,通过选择合适的结构元素来施行对指节折痕子图图像进行灰度形态学处理,大大地改善了折痕线的对比度,然后利用二维小波分解的方法将增强后的图像进行二维分解,得到不同分辨率和不同方向的小波变换子图,最后根据折痕线的分布特征选择所需子图并计算它们的不变矩构成特征矢量来表征指节折痕特征.实验结果验证了方法的有效性.     

改进的小波多尺度频域增强算法

为提高图像识别在分类时的质量,必须在图像的预处理阶段对噪声进行滤除,对图像中的目标对象加以增强。从研究图像增强的频域法入手,研究小波多尺度灰度图像增强算法及小波边界延拓,设计了一种改进的小波图像增强算法及实现进程。在Visual C 软件平台上进行了仿真实验,仿真结果验证该算法能够提高对比度,有效显示淹没在阴影、光照等区域中的细节,在完成图像增强的同时,对噪声有较好的抑制作用。     

基于改进Retinex的图像增强算法

为了改善图像的增强效果,在多尺度Retinex(Multi-scale Retinex,MSR)算法的基础上,提出一种改进Retinex的图像增强算法。该算法首先采用MSR算法对原始图像进行分解,得到光照分量图像和反射分量图像,然后伽马变换对光照分量图像增强处理,并采用线性拉伸方式对增强结果进行修正,同时采用双边滤波算法对反射分量图像进行处理去除噪声,最后对处理后的光照分量图像和反射分量图像进行合并得到增强后的图像,采用仿真对比实验对算法性能进行测试。实验结果表明,该文算法改善了图像视觉质量,保留了更丰富的细节信息,有效防止了光晕伪影,更加有利于后续的图像处理。     

基于小波变换的低照度图像增强算法

针对光照不足或均匀性较差的图像,传统增强算法容易导致敏感细节信息丢失或高亮度信息饱和等问题,文章提出基于小波变换的低照度图像增强算法,对不同频率特性采用不同的增强系数进行分层处理以达到图像增强的目的.实验结果表明,该算法在增强图像对比度的同时更多地保留了场景细节信息.     

多尺度Retinex灰度图像增强算法

为提高图像识别在分类时的质量,必须在图像的预处理阶段对噪声进行滤除,对图像中的目标对象加以增强.从研究图像增强的空域法入手,利用多尺度Retinex灰度图像增强算法完成图像的增强.做到改善图像颜色恒常性,压缩图像动态范围,提高对比度,有效显示淹没在阴影、光照等区域中的细节. 在仿真实验中,对图像进行高斯滤波,确定了高斯滤波系数.仿真结果证明该方法可行,在完成图像增强的同时,对噪声有较好的抑制作用.     

基于奇异值分解和引导滤波的低照度图像增强算法

针对现有低照度图像增强算法在处理图像后容易出现色彩失真、细节丢失、过度增强等问题,提出一种基于奇异值分解和引导滤波的低照度图像增强算法.首先通过Max-RGB模型获得初始光照分量,使用奇异值分解和引导滤波对初始光照分量进行优化,得到最终光照分量.利用Retinex模型,将原低照度图与光照分量图逐点相除,得到增强图像,并使用原始图像的绿色分量图作为引导图像,使用引导滤波对增强图像进行去噪处理.实验结果表明,提出的算法能够得到色彩更加真实、视觉效果更好的图像,同时能够避免过度增强、出现光晕等问题.     

采用图像增强的图像特征点匹配算法

首先,利用直方图均衡化、基于照明-反射模型的同态滤波和基于Retinex理论的3种图像增强方法,对收集到的图像进行预处理;然后,对预处理后的图像应用SIFT,SURF和ASIFT算法进行图像特征提取和匹配.研究结果表明:经直方图均衡化处理的图像,用SURF提取的图像特征点匹配率较高;同态滤波预处理图像的方法,经SIFT算法提取图像特征点的匹配率较高.     

高速快门诱导的低照度图像弱参考视觉增强方法

高速快门会导致拍摄图像产生多种类型的退化,如极低曝光和噪声等问题.现有的无监督图像增强方法难以构建不同空间域的特征映射关系,以改善图像质量.针对上述问题,提出了一种高速快门诱导的低照度图像弱参考增强方法.该方法训练了一个光照特征提取网络(illumination feature extraction net,IFE-Net)以估计高阶曲线的参数;构建了联合硬注意力机制,加权选择低照度图像和参考图像的特征信息,并利用光照估计曲线将两者有机整合,逼近最佳的非线性映射,以获得清晰的复原图像;设计图像属性和转换感知相结合的多项损失函数,在增强低照度图像的同时保留更多图像细节.与现有的3种低照度图像增强算法进行实验对比,验证了算法的可行性和有效性,并通过消融实验验证了联合硬注意力模块设计的合理性和必要性.     

基于小波变换的一种红外图像增强算法

图像增强处理是红外图像预处理的必要和关键环节,但目标物体信号弱造成红外图像的对比度差,外界噪声干扰严重造成图像质量差。基于此,提出了一种基于小波变换与奇异值分解和阈值滤波相结合的增强算法。本文用小波分解将红外图像的高频与低频系数分开,低频域用奇异值分解处理方法来增强对比度和图像质量,高频域用阈值滤波处理来消除噪声突出细节;最后,经过小波逆变换和小波重构得到最终的增强图像。实验结果表明：此方法对比传统的红外增强算法,可以将红外图像的对比度提高,增强红外图像细节,在直观上更符合人的感官感应,是一种有效的红外图像增强方法。     

基于小波变换的低光照对比度或强噪声背景下图像增强与目标提取方法

提出了一种基于小波变换的低光照对比度或强噪声背景下图像增强与目标提取方法.低光照对比度情况下成像获得的图像进行处理分析、目标定位识别与跟踪都有一定困难,必须对其进行增强处理.根据图像的纹理统计特性,设计了专用于保护纹理特征的巴特沃思滤波器,对低光照对比度图像或强噪声背景下图像进行增强,可有效地克服低光照对比度图像或强噪声背景条件下进行处理分析、目标定位识别与跟踪造成的影响.实验结果表明:应用小波变换的多尺度分析方法和专门设计的巴特沃思滤波器,可较好地消除低光照对比度或强噪声背景下图像的干扰.     

基于PCA的指节纹图像全局特征提取与识别

在基于PCA( Principal Component Analysis) 的指节纹图像全局特征提取和识别中,为了提高准确率,在传统方法的基础上,通过实验验证了4 指指节纹对于识别结果有不同的分类权重( 贡献率) 。改进了已有研究成果中对4 指等权重分配的方法。实验结果显示,和4 指等权重分配方法达到94． 4%的识别率需要32 维特征相比,4 指权重比为2 ∶ 2 ∶ 3 ∶ 2 时,取21 维特征即可达到最高识别率94． 4%。因此该方法可大大降低特征维数,提高识别速度。     

铅浮选泡沫视频图像的物理校正及算法补偿

针对铅浮选视频采集图像光照不均、纹理丢失导致难以精确分割的问题,提出了一种用于优化视频图像的物理校正和算法补偿的方法。利用非成像光学理论构建均匀方形光斑自由曲面透镜,在此基础上,提出一种改进的方向波变换图像增强算法,再通过经典的谷底边缘检测算法对其进行分割。结果表明,该方法能有效提高浮选图像的信噪比和对比度,其分割精准度提高了25%。     

Lab空间的改进k-means算法彩色图像分割

为减弱经典k-means 算法中ＲGB( Ｒed Green Blue) 空间各个颜色分量高度线性相关以及欧氏距离的尺度相关性对图像分割结果产生的影响,并克服ＲGB 空间色彩分布不匀的缺陷,提出了一种基于Lab 颜色空间的改进k-means 聚类彩色图像分割方法。首先,将颜色空间从ＲGB 转换为Lab 空间,每个像素点都可以由L、a、b 3 分量组合进行表示。其次,用马氏距离替换欧氏距离进行改进,应用改进后的k-means 算法对图像像素点进行聚类,从而实现分割目的。通过实验证明该改进算法比经典k-means 算法具有更好的分割效果和准确度。     

基于匀光处理的自适应裂缝分割与提取算法

针对光照不均匀与水体模糊效应导致水下图像中建筑物裂缝提取难度增加的问题,提出一种基于匀光处理的自适应阈值分割算法。首先,通过对全局图像进行匀光处理。在保护纹理信息的同时消除亮度分布不均的问题。然后,使用Hessian矩阵去除部分非裂缝信息,根据处理前后图像直方图的变化自适应确定分割阈值。最后,使用张量投票对分割结果进行线性增强,以实现去除噪声、连接裂缝片段的效果。实验结果表明:该算法不仅能对水下光照不均匀图像中的弱裂缝进行有效分割提取,同时也适用于常见水上裂缝图像。     

基于非抽样contourlet变换的图像增强方法

针对实验图像光照不均、对比度低、噪声大等特点,提出一种基于非抽样contourlet变换的图像非线性增强算法.首先对原图进行非抽样contourlet变换,分解为低频和高频子带;然后对低频子图进行自适应直方图处理,以增强像素的对比度,对高频系数采用分层阈值处理和分段非线性变换;最后将其反变换得到增强的图像.仿真实验结果表明:此算法不仅增强效果好,鲁棒性强,而且具有较大的实用价值.     

水下距离选通降质图像的增强

针对水下距离选通成像所得图像的噪声大、照度不均匀、对比度差的问题,提出一种二次图像增强方法.首先,对图像采用全局二维双平台直方图均衡化,实现目标、背景、边界信息分别增强的目标,解决直方图均衡化带来的背景噪声提升、灰度简并的孤立性问题;然后,在非迭代引导滤波的框架下用带有估计误差抑制的Retinex算法二次增强图像,实现抑制背景噪声,平衡图像亮度的功能.以图像信息熵、统计评价指标进行对比实验,实验结果表明,该方法信息熵评价指标提升15%,统计评价指标提升28%,噪声抑制指标提升12%,增强效果明显,满足应用要求.      

基于改进同态滤波的医用X光图像增强算法

针对医用X光图像对常规图像增强算法较敏感、易失真的特点,提出一种基于改进同态滤波的X光图像增强算法.算法将X光图像特性及同态滤波方法在图像增强上的优势结合起来,构建基于医用X线图频域的同态滤波器,通过指定最大增频位置及最高增益系数2个控制参数实现同态滤波控制,在不削减低频信号的基础上适当放大中高频信号,保留X光图像暗区易丢失的灰度及细纹信息,同时突出重要的组织边缘及纹理特征.实验证明,该算法失真率低、操作简便且运行效率高,对医用X光图具有较理想的增晰效果.     

基于照明感知和密集网络的红外与可见光图像融合

针对现有方法忽略照明不平衡、存在对比度低、纹理细节丢失等问题,本研究提出一种基于照明感知和密集网络的红外与可见光图像融合方法。首先,从可见光图像中获取照明概率并计算照明感知权重以指导训练网络,通过特征提取与信息度量模块来计算源图像的自适应信息保留度,用于保持融合结果与源图像间的自适应相似性。同时,照明感知损失与相似性约束损失函数使模型在结构、对比度、亮度上能够全天候地生成包含显著目标和丰富纹理细节信息的融合图像。本研究在TNO与MSRS 2个公共数据集上进行主、客观评估。实验结果表明,本研究弥补了照明不平衡的缺陷,在保留更多红外目标的同时,也有效地保留了更多可见光图像的纹理细节信息。     

基于光照分量提取的光照不均匀图像校正

针对光照不均匀的灰度图像,在频域采用多尺度高斯函数提取出光照分量,并对光照分量进行对数变换,再根据提取出的光照分量和变换后的光照分量对原始图像的灰度值进行幂次变换,从而实现光照不均匀灰度图像的校正。对于真彩色RGB图像,先将该图像从RGB空间转换到Lab空间,然后对L分量的灰度值进行幂次变换校正,最后将校正后的图像从Lab空间转换回RGB空间。Matlab仿真结果表明,频域提取光照分量比空域处理速度更快,幂次变换校正后的图像质量得到明显改善,与伽马函数校正相比,在客观评价标准和主观视觉效果两方面均能够取得更好的结果。