采用亮通道先验的低照度图像增强算法

针对低照度彩色图像亮度偏低、对比度差等问题,提出基于亮通道先验的低照度图像增强算法.首先,分析Retinex算法所存在的缺陷,提出了亮通道先验.然后,将原RGB彩色图像转换到HSV彩色空间,对亮度分量V使用亮通道先验和引导滤波估计光照分量和反射分量,并且采用自适应对数校正对光照分量进行提升.最后,将增强后的图像转换到RGB彩色空间.实验结果表明:该算法快速有效,能够很好地提升图像整体亮度和对比度,图像细节得到增强,克服了颜色失真和光晕等问题,增强后的彩色图像更为明亮、自然.     

基于HSI和LAB颜色空间的彩色图像分割

彩色图像分割一直是彩色图像处理与分析中最为困难的不可缺少的步骤,针对图像分割质量直接在很大程度上影响了图像后期分析的效果,提出了一种基于HSI和LAB颜色空间的彩色图像分割方法.该方法在HSI颜色空间用最优阈值方法进行阈值分割,在LAB颜色空间采用基于K均值聚类图像分割,然后将两次分割结果进行区域合并,最后进行加窗滤波...     

基于稳态遗传算法和Retinex理论的彩色图像增强算法

针对现有彩色图像增强算法的问题,提出了一种基于稳态遗传算法和Retinex理论的彩色图像增强算法.该算法首先把彩色图像从RGB颜色空间转换到HSI颜色空间,然后利用双线性差值和高斯函数滤波来分离光照分量,采用Beta函数实现亮度增强,最后通过稳态遗传算法来估算Beta函数的最优参数以实现彩色图像增强.仿真结果表明,该算法的图像增强效果明显优于CIEH算法和CIEGA算法.     

H SI色彩空间的彩色图像小波域直方图均衡算法

彩色图像增强是一种应用广泛的图像处理技术。针对传统方法通常会导致增强后的图像出现色调变化与噪声放大的问题,提出一种改进的彩色图像直方图均衡算法。首先,将彩色图像转换到HSI颜色空间,对其中的亮度分量进行3层小波分解;然后,对低频分量进行直方图均衡处理,通过小波重构与色彩空间转换得到输出图像。实验结果表明,该算法增强的彩色图像不仅保持了原图像色调,还明显提高了抑制噪声的性能。将该算法用于彩色图像对比度增强能够取得较为理想的视觉效果。     

基于改进k-均值聚类的纸币冠字号图像分割算法

针对传统彩色图像分割方法的局限性,提出了基于HSI色彩空间和改进K-均值聚类的图像分割方法,通过将彩色图像分解成三个相互独立的H、S、I分量,利用各个分量特点及其直方图确定聚类类别和初始聚类中心,在高饱和度区和低饱和度区分别聚类,并将聚类结果合并取交集,从而分割出目标区域.将该方法用于纸币冠字号码图像分割,经仿真验证,结果不受噪声和局部边缘变化的影响,分割效果得到明显提升,为后续冠字号准确识别提供了良好的基础.     

属性论方法在图像分割中的应用研究

提出一种基于属性论的图像分割方法,首先将彩色图像转换到HSI颜色空间,然后根据定性映射原理建立HSI颜色空间的智能融合模型,通过像素点间的不同颜色分量的特征匹配实现对图像的分割,最后用MATLAB进行仿真实验,实验结果表明,所提出的定性映射颜色分割算法快速、有效、可靠.     

基于亮度划分MSR的视觉图像增强

针对复杂天气条件下多尺度Retinex(MSR)方法不能很好地体现图像的局部特征和细节,引入了基于亮度划分的预处理,实现了一种新的MSR方法.首先将彩色图像转换为更适合人类视觉系统的HSI颜色空间,提取亮度分量Ⅰ;然后用对数图像处理(LIP)模型将图像按亮度划分为不同的区域,对各亮度区域采用相应尺度的Retinex算法...     

结合HSI变换与双通道脉冲发放皮层的彩色多聚焦图像融合

结合非下采样剪切波变换(NSST)和改进的拉普拉斯能量和以及双通道脉冲发放皮层模型(DCSCM),提出一种新的彩色多聚焦图像融合算法.首先对源图像进行HSI彩色空间变换获得色调、饱和度和亮度分量,对源图像亮度分量采用NSST进行分解,获取相对应的高低频分解系数;然后低频分量系数依据改进的拉普拉斯能量和规则进行筛选,高频分量系数采用DCSCM进行融合,经过NSST逆变换获取亮度信息的融合分量;最后利用源图像与亮度分量的欧式距离关系实现色调与饱和度分量进行的分配,通过HSI逆变换获得最终的融合结果.实验结果表明,算法取得了较好的视觉效果并且在互信息、结构相似度、边缘保留度等客观评价指标中具有优势.     

淋巴细胞自动阈值分割算法的研究

本文根据淋巴细胞的彩色特征,结合临床病理专家的先验知识,提出了基于RGB彩色空间和HSI彩色空间的淋巴细胞自动闽值分割算法。采用基于最小二乘法的曲线拟合的算法分别在两彩色空间中进行直方图曲线拟合,求出分割阈值序列,并定义评价函数,从中选取最优阈值,从而实现淋巴细胞的细胞核与细胞浆的分割。实验证明,该方法可以取得较好的分割效果。     

基于权重的HSI多通道图像融合

针对现有的彩色图像融合方法所存在的融合失真问题,提出了一种基于权重的HSI多通道图像融合方法.将源图像从RGB颜色空间转换为HSI颜色空间,采用不同的融合规则对I、H和S分量进行融合,再将融合后的通道图像再转换为RGB图像.该算法融合后的图像更加清晰,无颜色失真,并且算法复杂度低.实验结果表明,该图像融合算法优于传统经典的融合算法.     

基于直方图的脉冲耦合神经网络(PCNN)多门限图像分割方法

参考了Eckhom等人近几年提出的脉冲耦合神经网络(Pulse Coupled Neuml Network)模型，结合灰度直方图分割技术，提出了一种新的多门限图像分割方法-基于直方图的脉冲耦合神经网络(PCNN)，PCNN模型具有弥补时隙和空隙的特点，因此应用这一网络模型进行图像分割，可以得到较完整的区域边角信息，从而达到理想的分割效果．经实验证明，本文提出的方法较原来的PCNN网络，运算速度和分割效果都有了很大提高。     

利用PCNN实现商标图像检索新方法

 为了解决商标存在尺度缩放、角度旋转和区域局部变化后的难以检索的问题,提出了一种基于脉冲耦合神经网络模型(PCNN,Pulsed Coupled Neural Network)的商标检索新方法.首先通过PCNN图像分割和直方图均衡化技术相结合提出了一种有效的图像预处理算法,以减小颜色对于商标灰度分布差异产生的影响.然后在PCNN模型中提出了边缘时间序列概念,并用于提取商标图像的形状特征,最终实现了商标图像的快速有效检索.在所建立的商标库中进行了计算机仿真,仿真结果表明该方法可有效地检索出待检索商标对应的商标图像,可很好地适应商标颜色变化、角度旋转和局部形状变化,体现了较好的检索性能.     

基于PCNN的人脸图像分割算法研究

研究了基于PCNN的人脸图像分割算法。利用简化型PCNN对人脸图像进行分割,根据人脸图像的灰度特征和空间信息的相关性,得到了人脸图像的神经元点火序列,该点火序列就是图像分割的结果。通过MATLAB仿真实现了该算法,表明该算法具有一定的工程价值。     

低对比度全景球面图像目标分割方法研究

受到光照、设备等外界条件的影响,得到的全景球面图像对比度通常较低,当前目标分割方法无法解决外界环境的干扰问题,导致分割结果精度低,分割效果不佳。为此,提出一种新的低对比度全景球面图像目标分割方法,通过PCNN模型对低对比度全景球面图像进行对比度增强处理,依据人眼视觉特征,通过对数变换映射函数把全景球面图像的亮度调整至一个合适的视觉范围内。介绍了均值偏移法的理论基础,通过对特征空间中样本点的聚类,获取模式点。通过均值偏移法将空间上相邻和色彩相同的像素划分至一类,找到不同颜色的聚类点,从而实现低对比度全景球面图像目标分割。实验结果表明,采用所提方法对低对比度全景球面图像进行分割,不仅分割效果好,而且分割精度高。     

一种基于简化PCNN的色盲检测图分割方法

在色盲检测图及脉冲耦合神经网络(pulse-coupled neural networks,简称PCNN)的基础上,提出一种基于简化PCNN模型的色盲检测图分割方法,该方法首先根据欧式距离计算彩色图像色差,通过设定一个合适的阈值,将与红色相似的颜色替换成白色,初步分离图像中的目标与背景,对预处理后的色盲检测图像,用典型的PCNN简化模型对其红色分量进行分割,最后用形态学闭运算优化得到最终的分割结果.实验结果表明,该方法能准确分割出色盲图像中的图形,且简单有效.     

融合二维条件熵和脉冲耦合神经网络的图像分割算法

为了在中强度背景噪声图像分割下提高分割精度和处理速度,提出了一种融合二维条件熵和脉冲耦合神经网络(PCNN)的图像分割算法。该算法在分析PCNN阈值衰减规律的基础上,将原指数形式替换成线性衰减机制,构成线性门限-脉冲耦合神经网络模型,以降低循环迭代的总耗时量。此外,借助能够很好反映图像边缘细节等局部结构信息的灰度-梯度共生矩阵,将抗噪性能强的条件熵扩展为二维测度,进而形成最大二维条件熵客观判决准则以获得PCNN的最佳阈值。实验表明,与基于交叉熵的PCNN算法相比,本文算法拥有更强的抗噪鲁棒性,同时处理效率也得到明显提升。     

基于PCNN的图像二值化及分割评价研究

在介绍传统二值化方法的基础上,对PCNN脉冲耦合神经网络进行了研究,由于PCNN独特的相似神经元同步点火的特性,使其非常适合于各类图像的分割;同时结合图象二值化研究,对目前仍处于难点的图像分割评价作了研究,提出了综合评价思想。并通过实验仿真验证了：PCNN用于图像二值化,能够更好地区分和合理地分割出图像的目标和背景区域,具有分割精度高,适应类型广的特点;同时通过大量的实验数据也验证了所提出的综合评价思想的合理性,较之以往的评价准则更加准确和科学。     

Image segmentation of embryonic plant cell using pulse-coupled neural networks

Traditional image segmentation algorithms exhibit weak performance for plant cells which have complex structure. On the other hand, pulse-coupled neural network (PCNN) based on Eckhorn’s model of the cat visual cortex should be suitable to the segmentation of plant cell image. But the present theories cannot explain the relationship between the parameters of PCNN mathematical model and the effect of segmentation. Satisfactory results usually require time-consuming selection of experimental parameters. Meanwhile, in a proper, selected parametric model, the number of iteration determines the segmented effect evaluated by visual judgment, which decreases the efficiency of image segmentation. To avoid these flaws, this note proposes a new PCNN algorithm for automatically segmenting plant embryonic cell image based on the maximum entropy principle. The algorithm produces a desirable result. In addition, a model with proper parameters can automatically determine the number of iteration, avoid visual judgment, enhance the speed of segmentation and will be utilized subsequently by accurate quantitative analysis of micro-molecules of plant cell. So this algorithm is valuable for theoretical investigation and application of PCNN.     

弱可视环境下象素级多传感器图像自动分割方法研究

象素级多传感器图像分割容易受到外界环境的干扰,在弱可视环境下将丢失大量分割图像的边缘信息,导致分割效果差,分割效率低。为此,提出一种新的弱可视环境下象素级多传感器图像自动分割方法,通过Retinex算法对弱可视环境下象素级多传感器图像进行增强处理。介绍了PCNN图像分割方法的基本原理,通过PCNN方法对输入原始图像进行迭代,对输出结果和输入图像进行“与”运算,获取PCNN一次迭代的象素级多传感器图像,求出迭代后图像的最小方差比,计算出该次最小方差比与上次迭代最小方差比的差值,依据该差值判断是否继续迭代,将最终的输出结果看作象素级多传感器图像的最佳分割结果。实验结果表明,所提方法具有很高的分割效率,且分割效果佳。     

基于改进K-均值聚类的图像分割算法研究

为了实现彩色图像的准确分割,研究了在HLS颜色空间中基于优化初始中心的加权K-均值彩色图像聚类算法.首先对大样本的目标颜色进行数理统计,获取优化的初始聚类中心,从而实现准确分类和避免K-均值容易陷入局部最优的问题;然后在HLS颜色空间中引入加权欧氏距离来度量对象间的相关性,通过调整系数使对象不同的颜色属性内在特征得以充分利用.实验证明,该算法在保持K-均值聚类简洁、收敛速度快的同时能产生更好的聚类效果,实现彩色图像的快速准确分割.