基于人眼视觉特性的Curvelet域低照度图像增强

针对低照度下图像降质严重的问题,提出了一种基于人眼视觉特性和Curvelet变换的低照度图像增强算法。首先将低照度图像转换至"色调-饱和度-亮度"(HSI)颜色空间,在Curvelet域中分解亮度参量得到不同尺度、不同方向的子带分量,以此构建人眼视觉模型;然后利用模型的亮度遮蔽特性和亮度-对比度遮蔽特性对高频分量进行非线性增强,同时对低频分量进行非线性拉伸;最后通过Curvelet逆变换重构亮度参量,结合原始图像的色度和饱和度分量将图像转换至原色彩空间,得到增强后的低照度图像。实验结果表明,该算法可以有效提升低照度图像的对比度和亮度,保持图像的细节信息,抑制图像噪声。     

基于多尺度卷积神经网络的交通标志识别

针对自然场景中交通标志识别问题涉及的识别准确率和实时性改善需求,提出了一种改进的基于多尺度卷积神经网络(CNN)的交通标志识别算法.首先,通过图像增强方法比选实验,采用限制对比度自适应直方图均衡化方法作为图像预处理方法,以改善图像质量.然后,提出一种多尺度CNN模型,用于提取交通标志图像的全局特征和局部特征.进而,将组合后的多尺度特征送入全连接SoftMax分类器,实现交通标志识别.采用德国交通标志基准数据库(GTSRB)测试了所提算法的有效性,测试结果表明,算法在GTSRB基准数据集上获得98.82%的识别准确率以及每幅图像0.1ms的识别速度,本文算法具有一定的先进性.     

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WT和Retinex理论的低照度灰度图像增强算法

针对低照度图像噪声大、亮度对比度低、局部细节信息欠清晰等问题,为降低低照度灰度图像噪声,并提高其亮度和对比度,提出了一种改进型小波阈值去噪和Retinex理论的低照度图像增强算法。先采用改进型小波阈值变换对低照度灰度图像进行去噪,降低灰度图像高斯白噪声,再运用Retinex理论对去噪后的图像局部细节进行增强。Matlab仿真结果表明,本文算法在处理低照度灰度图像的高斯白噪声时峰值信噪比原图提高了7.76,标准误差下降了5.86,且低照度灰度图像的亮度和对比度都较大幅度提高。     

基于同态滤波及多尺度Retinex的低照度图像增强算法

针对在彩色图像采集过程中,光源偏暗或曝光不足等因素,常导致图像亮度和对比度偏低问题,提出了一种改进的低照度图像增强算法。首先用改进的同态滤波增强低照度图像的RGB各分量;然后将RGB图像转换到HSV彩色空间,对饱和度分量进行自适应非线性拉伸;同时用改进的多尺度Retinex算法对亮度进行增强处理,对照射分量用伽马变换进行校正,对反射分量用Sigmoid函数进行处理,最后将图像再转换至RGB空间。用MATLAB对图像进行仿真处理。实验表明该算法提高了低照度图像的信息熵、峰值信噪比和对比度,提升了低照度图像的视觉效果。     

基于暗原色先验的低照度图像增强

低照度图像亮度低、对比度低、细节信息缺失,对后续处理造成不便。针对这种情况,提出一种基于改进的暗原色先验低照度图像增强算法。采用输入图像暗通道的最大值估计大气光值,并用输入图像暗通道替代用大气光值来归一化输入图像,以其暗通道估计透射率,提高了算法效率。对输入图像取反,得到一副类似雾化的图像,用暗原色先验去雾,将结果再次取反,得到增强图像。暗原色先验会放大图像噪声,引入导向滤波实现保边去噪。实验结果表明,算法能有效增强低照度图像,提高图像亮度、对比度和突出图像细节信息。     

基于双伽马函数的煤矿井下低亮度图像增强算法

针对井下视频图像存在整体偏暗,照度不均匀,对比度低等问题,提出一种基于双伽马函数的煤矿井下低亮度图像增强算法.该算法利用具有边缘保持特性的引导滤波获取低亮度图像的照度图,然后在伽马函数的基础上构造双伽马函数,针对照度图的分布特性对其进行调整,从而提升低亮度区域的照度值并抑制局部高亮度区域的照度值.相比于HE算法、MSR算法、NPEA算法以及CLAHE算法,本文算法处理效果在信息熵、对比度、清晰度等方面都优于上述算法.本文提出的算法能够有效提升图像的亮度,同时避免局部亮区域的过度增强现象的产生,提高了井下图像整体的视觉效果,显示了本文算法的优越性.     

基于色调映射和暗通道融合的弱光图像增强

针对阴天或夜晚等弱光条件下拍摄的图像具有亮度低、对比度低和细节模糊等问题,提出了一种基于色调映射和暗通道融合的弱光图像增强方法.首先,根据弱光及其反转图像的特点,提出面向弱光图像的透射率估计方法,进而获得场景深度信息,并将其融入色调映射函数设计;同时利用暗通道图像区分光源区域,以修正色调映射函数参数,使其能够根据场景深度自适应调整图像亮度;另一方面,增强后的暗通道图可有效突出图像的细节信息,将经过色调映射后的V通道图像和暗通道图进行加权融合,得到最后的增强结果.实验结果表明,本文方法不仅显著改善图像亮度、增强对比度、恢复出更多的图像细节,还能有效去除块效应和晕轮伪影,视觉效果理想.     

一种基于灰度映射与融合技术的微光图像增强模型

针对低照度图像对比度差、暗区视觉质量差的问题,本文提出了一种全新的低照度图像增强算法.该方法能够有效地避免传统增强方法容易导致图像色彩失真以及亮区过度增强的问题.首先,设计了一种针对像素含量极少的灰度区域进行压缩的线性映射函数,该函数能够在保持图像灰度分布特征基本不变的前提下提升图像的整体亮度.然后,利用图像的灰度分布特征来生成相应的增强映射函数.最后,通过图像融合技术来进一步提升图像的整体色彩表现.实验结果表明,本算法在色彩表现方面以及亮度提升方面均有较好的性能表现,并在视觉质量和定量测量方面优于目前最先进的方法.     

结合分数阶微分的浮选泡沫图像NSCT多尺度增强

针对浮选槽低照度环境下采集的泡沫图像对比度低、边缘弱、噪声干扰等问题,提出了一种结合自适应分数阶微分和非下采样Contourlet变换(NSCT)的泡沫图像多尺度增强算法.首先对泡沫图像进行NSCT多尺度分解,根据低频子带的梯度特征构造自适应分数阶微分阶次函数,结合改进的带亮度控制参数的Tiansi算子对低频子带图像进行增强处理;然后对各高频方向子带,根据能量分布特征自适应计算阈值,再结合尺度相关系数去除噪声,并通过非线性增益函数增强边缘系数;最后对处理后的图像进行NSCT重构.对不同大小类型的泡沫图像进行实验,结果表明:与现有算法相比,文中算法改善了图像的亮度,具有更高的对比度、清晰度和信息熵,保留更多的纹理细节,在有效抑制噪声的同时气泡边缘得到明显增强,为后续的泡沫图像分割和边缘检测奠定了基础.     

基于5G通信和图像增强算法的交通监控系统设计

目前中国交通监控系统存在着传输速率低、低稳定性差,丢包率高,并且系统成像易受雾霾和低照度的外部因素影响使监控视频关键信息丢失,导致识别算法准确率下降的问题。针对上述的问题,设计一种结合5G无线通信技术和图像增强算法的交通监控系统。该系统在硬件方面利用5G通信设备传输视频数据,并在服务器端采用改进的单尺度Retinex算法对交通监控图像进行去雾。引入反转图像通过大气散射模型对图像亮度进行增强解决低照度对系统成像的影响。通过理论分析与实验仿真,该监控系统能够保证监控视频传输的稳定性,并且对受雾霾和低照度影响的交通监控图像具有一定的增强效果,有效地提高了识别算法的准确性。     

基于多通道均衡化的水下彩色图像增强算法

针对水下环境存在的颜色衰减和散射效应导致水下图像颜色严重失真的问题,提出一种多通道均衡化的水下图像增强算法.首先,对原始图像在对数域上进行归一化处理后转换到HSI(色调-饱和度-亮度)颜色空间;然后,对亮度分量利用McCann Retinex算法在四个方向(纵横)进行比较、实现增强,并根据图像全局亮度信息进行照度增强;最后,将图像重新转换到RGB(红-绿-蓝)空间,计算各通道的累积分布函数,对密集部分进行拉伸处理,达到颜色均衡的效果.针对多幅水下彩色图像进行增强对比实验,结果表明:通过该方法得到的增强图像颜色失真程度减弱,图像对比度和清晰度显著提高,色彩更加鲜艳;该算法在改善水下图像照度信息的同时,保留了饱和度和色度信息,解决了水下图像增强的颜色失真问题,使水下图像具有较高的对比度和清晰度.     

基于CNN和Bagging集成的交通标志识别

针对直接集成简单分类器对交通标志数据库进行识别出现的类别预测效果较差的问题,提出一种基于卷积神经网络(CNN)和Bagging集成学习的交通标志识别算法,采用爬虫和图像增强技术实现交通标志数据集的扩充,以CNN网络提取交通标志图像的特征,通过采用最大池化层实现图像数据下采样,采用较浅的网络深度以简化整体网络结构。在CNN网络特征提取的基础上,利用软投票机制对多项Logistic、K近邻、SVM个体学习器进行集成,实现较准确的交通标志识别。实验结果表明,该算法在TSRD交通标志识别数据库测试集上的识别准确率达到了93.00%,相对于未改进的卷积神经网络模型识别准确率提高了11.99个百分点,并较高于通过VGG16和ResNet50迁移学习实现的识别准确率,具有较快的收敛速度。     

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.     

基于小波和分块同态滤波的变光照图像增强方法

为提高变光照情境下图像质量,针对部分图像存在亮度不均、对比度低的问题,提出了基于小波与分块同态滤波的图像特征增强算法.首先将图像从原始色彩空间转换为H SV空间,以图像亮度分量V作为增强对象;然后利用小波变换代替分块同态滤波中的传统傅里叶变换对亮度分量分解,并对小波分解的子图像进行分块后进行高通滤波处理,对滤波后的图像...     

低清晰度车牌识别技术的研究与应用

为提高低清晰度车牌识别技术中字符分割和识别的准确率,提出了在HSV(色调,饱和度,亮度)颜色空间下使用最大类间方差(OTSU)算法来对车牌图像进行二值化,然后结合特殊间隔位置和投影法来精确分割字符,并在字符识别阶段引入了卷积神经网络.通过对真实场景中提取的低清晰度车牌进行实验可见:提出的分割算法能够准确分割字符,准确率可达96.5%,同时引入的卷积神经网络对车牌字符识别率为97.8%,能够有效解决低清晰度车牌字符的分割和识别问题.     

从局部到全局的零参考低照度图像增强方法

为解决现有的低照度图像增强方法存在的色彩失真、细节损失以及暗区增强不足和亮区增强过度导致低照度图像增强效果不理想的问题,提出了一种从局部到全局的零参考低照度图像增强方法。采用局部照度增强对低照度图像进行像素级增强,改进了自适应光照映射估计函数,提升了照度调整能力,避免了生成大量的迭代参数,提高了模型的推理速度;采用基于Transformer结构的全局图像调整对局部增强后的图像进行全局调整,解决了亮区照度增强过度的曝光问题和暗区照度增强不足的问题,提升了图像的整体对比度;优化损失函数,对低照度图像特征和增强图像特征进行相似性约束,提升了目标检测精度。实验结果表明,LOL数据集上的客观指标峰值信噪比和结构相似性达到了20.18 dB和0.80,MIT-Adobe FiveK数据集上达到了23.31 dB和0.87,ExDark数据集上增强后图像的目标检测精度提高了7.6%,有效提升了低照度图像可视化质量和目标检测效果。     

一种编解码结构的车牌图像超分辨率网络

针对复杂实际场景中模糊、污损、扭曲、倾斜等车牌图像关键信息缺失以及新能源车牌背景与字符对比度低难以识别的问题,提出了一种编解码结构的车牌图像超分辨率网络。首先,构建一种基于编解码结构的车牌重构生成器网络,利用编码器对车牌图像的纹理、字符等特征进行提取,解码器对车牌特征进行重构;然后,设计一种基于语义监督的判别器网络,在网络损失中引入了对抗损失与CTC(connectionist temporal classification)损失,增强生成器网络对车牌图像语义特征的表征能力;最后,基于VGG16网络提取车牌顶角点特征,利用坐标变换方法对车牌图像进行矫正,进一步提高重构清晰度与识别准确率。采用所提网络在自建XAUAT-Parking数据集和公开CCPD数据集上进行超分辨率重构与识别实验,结果表明：所提网络在CCPD数据集上的平均峰值信噪比可达25.5 dB,结构相似性(SSIM)可达0.989;在XAUAT-Parking数据集上峰值信噪比可达26.6 dB,结构相似性可达0.997。研究结果表明,该网络有较好的车牌图像超分辨率重建效果,而且对车牌关键信息缺失问题具有较强的鲁棒性。     

基于改进CycleGAN的煤矿井下低照度图像增强方法

针对井下监控装置采集的图像普遍存在照度低、颜色失真及细节特征损失严重等缺陷,提出一种基于改进CycleGAN网络的煤矿井下低照度图像增强算法．首先针对井下成对图像数据获取困难的问题,基于循环生成对抗网络搭建循环图像增强主体框架实现模型的无监督训练;然后基于CSDNet的全局图像分解架构,设计了一种融合空间-通道注意力模块CBAM的双分支估计网络以并行估计图像的光照分量和反射分量,并在两分支网络之间建立多尺度特征分解机制,从而在大幅提升亮度的同时避免颜色失真现象,保留大量细节信息;使用全局-局部判别器调节图像局部区域的亮度,改善亮度不均,避免过曝及阴影现象．实验结果表明：相较于对比算法RetinexNet,LLNet,MBLLEN,EnlightenGAN和CSDNet,本算法在客观质量指标PSNR(峰值信噪比)、SSIM(结构相似性)、IFC(信息保真度)和VIF(视觉信息保真度)上的表现分别提高了11.787%,8.256%,9.658%和8.654%,并在人类视觉主观分析上优于对比算法,证明本文算法能够有效改善井下低照度图像视觉效果．     

基于DenseNet的人脸图像情绪识别研究

针对人脸情绪识别类内差异大,类间差异小的特点,结合学生人脸图像的线上课堂情绪识别的场景,提出多尺度空洞卷积模块提取不同空间尺度特征的稠密深度神经网络模型,实现自然场景下学生人脸图像识别.该模型主要由多尺度空洞卷积和DenseNet神经网络两个子网络组成,其中多尺度空洞卷积由不同空洞率的四分支网络提取不同尺度特征,空洞卷积减小特征图尺寸,减少DenseNet内存资源占用;最后在DenseNet网络中结合Adam优化器和中心损失函数.使用稠密网络的旁路连接,加强情绪特征传递和复用.研究结果表明：基于稠密深度神经网络的情绪识别网络模型能够有效提高情绪分类的准确率,模型对预处理后的FER2013+数据集识别准确率达到93.99%,可为线上教学反馈提供技术支持.