显示图像清晰度的视觉感知研究

研究了清晰度差别的可视性,通过两次实验,邀请不同的观测者对不同清晰度的静态显示图像进行主观视觉评价,并应用统计学分析方法进行了分析.结果表明:文本图像的清晰度差别比自然彩色图像的清晰度差别更容易被分辨.另外,还分析了图像清晰度的视觉感知与显示器的对角线阶跃响应之间的关系,说明人的视觉对自然彩色图像的清晰度差别的可视性临界值相当于角分辨率为14 arcsec,而对文本图像则相当于5 arcsec.     

基于MSR和AMSR的红外融合增强算法

红外传感器的成像特点，使得所采集的红外图像存在对比度低、清晰度差、信噪比低、边缘信息模糊等问题。为此提出基于多尺度视网膜（multi-scale retinex, MSR）和自适应多尺度视网膜（adaptive multi-scale retinex, AMSR）的红外融合增强及其优化算法。实验结果表明，所提算法能够有效提高红外图像的对比度和清晰度，在主观视觉效果和客观评价指标上均优于单尺度视网膜算法、MSR算法、AMSR算法。     

基于MSR和AMSR的红外融合增强算法

红外传感器的成像特点，使得所采集的红外图像存在对比度低、清晰度差、信噪比低、边缘信息模糊等问题。为此提出基于多尺度视网膜（multi-scale retinex,MSR）和自适应多尺度视网膜（adaptive multi-scale retinex,AMSR）的红外融合增强及其优化算法。实验结果表明，所提算法能够有效提高红外图像的对比度和清晰度，在主观视觉效果和客观评价指标上均优于单尺度视网膜算法、MSR算法、AMSR算法。     

基于FitzHugh-Nagumo反应扩散方程组的木材纹理图像处理

木材纹理具有树木生长的信息,是人类了解树木的直接途径.针对这种自然现象,提出了利用一类反应扩散方程组的数值解法实现对木材纹理灰度图像进行处理的算法,并分别给出了对木材缺陷图像进行算法处理后的图像实例.实验表明:Fitz Hugh-Nagumo离散模型算法在一定程度上了拉伸了图像对比度,使图像在视觉上得到增强;改进的附带扩散项的离散模型算法对图像的边缘检测结果在一定程度上要比先前的边缘检测算法更完整和清晰,并提高了木材缺陷检测的可靠性.     

利用MLT和SRS的混合图像融合与去噪算法

针对图像融合中的去噪声问题,提出一种基于多尺度变换(MLT)和信号稀疏表示(SRS)的混合图像融合与去噪算法,构建混合模型进行剪切变换,阈值化处理MLT分解后的各个系数值,运用滑动窗口技术和平移不变性形成稀疏表示进行图像融合,运用SRS算法去除源图像中的噪声.实验结果表明该算法减少了融合图像的对比度和光谱信息失真情况,显示出高质量的视觉融合效果,在不同噪声水平下能保持较高的PSNR值.     

视觉机制模拟中的局部参数自组织映射方法

为模拟视觉系统对彩色场景进行初步处理的机制,提出一种局部参数自组织映射方法. 以局部颜色均值、局部颜色对比度以及位置作为特征,用自组织映射进行分类,实现图像分割、边缘检测和轮廓分离等功能. 对仿真及自然彩色图像的实验结果表明,该方法能并行实现上述功能,将具有不同类型特征的部分映射到输出空间的不同位置,符合视觉系统的特征映射和并行处理的特性. 该方法为研究和模拟视觉系统的机制提供了参考,也可用于图像处理中的多任务并行处理.     

用直方图加子波增强炭素材料X射线图像

针对炭素材料X射线图像增强方法存在的增强效果问题,提出了基于小波变换与传统方法融合的增强方法.该方法充分利用了直方图均衡化能改善整幅图像对比度的能力和小波变换多尺度分析能力,首先用直方图均衡化方法对整幅图像进行灰度调整,然后对调整后的图像进行基于软阀值的小波高频增强,最后利用卷积滤波,平滑图像.实验结果表明,该方法对原图像中对比度差的细节有效地进行了增强,突出了图像的边缘特征,改善了图像的质量,其处理结果比现有的图像增强方法更令人满意.     

基于计算机视觉的钢轨焊缝自动定位方法

为了实时检测钢轨焊缝边缘错边量合格情况,提出了基于计算机视觉的钢轨焊缝自动定位方法.首先,采用中值滤波对焊缝图像进行噪声去除;其次,采用限制对比度自适应直方图均衡算法和直方图均衡化法进行焊缝图像增强;然后,采用双阈值OTSU法进行图像分割,突出轨头和焊缝区域图像,并采用连通域法提取轨头和焊缝区域轮廓;最后,采用多次最小二乘直线拟合法获取焊缝拟合直线,计算拟合直线与轨头上边缘直线的交点作为定位点,实现钢轨焊缝自动定位.对60 kg/m钢轨焊缝区域的检测实验表明,所提方法具有精度高、稳定性好的优点,可用于焊轨基地焊缝的在线实时自动检测.     

改进的卷积神经网络用于对比度增强取证

提出一种改进的卷积神经网络(modified convolutional neural network,MCNN)用于图像的对比度增强取证.其中MCNN第1层是预处理层,这一层将输入图像转化为二值灰度共生矩阵(binary gray-level co-occurrence matrix,BGLCM),其余各层与传统的卷积神经网络相同,这些层可从BGLCM上学习特征并以此进行分类.该方法的特征提取和分类可同时进行优化,使提取到的特征更适合对比度增强检测.实验表明,所提方法不仅可检测传统的对比度增强技术和两种反取证技术产生的对比度增强图像,还可区分对比度增强时所采用的参数.     

一种基于边缘和小波变换的图像插值的实现

针对常规插值方法在图像放大时出现的边缘模糊现象,提出了一种基于边缘和小波变换的图像插值算法,小波变换提高了插值图像的边缘高频细节信息.算法首先使用小波变换提取图像边缘,通过边缘检测将图像分为边缘和非边缘这两个区域;对不同的区域分别进行图像插值.实验结果表明,用该方法对图像放大,能提高插值图像边缘的清晰度.     

结合对比特性与局部清晰特性的图像显著区域检测

为了有效地确定图像中的重要区域,文中根据人眼视觉关注中自上而下和自下而上的两种特点,提出了一种结合图像对比特性与清晰区域的显著检测方法. 图像中颜色的全局和局部对比引起低级视觉关注,而图像的清晰部分通常对应于拍摄时所关注的对象,反映高级视觉特性. 采用颜色分类和检测图像细节区域的方法分别提取了两类显著图,并将它们组合起来. 实验结果表明,通过综合考虑两种视觉特性得到的显著图,对多类图像都能较好地检测出与人眼视觉关注相吻合的区域.     

基于色像差特性的图像篡改检测

针对存在色像差的合成图像,提出一种基于纵向色差特性的篡改检测方法.对于图像中深度相似的目标,分别基于局部相位相干性提取3个通道的锐度特征,根据通道间的锐度差异估计纵向色差强度和方向.比较多个目标的纵向色差特性,根据纵向色差分布的不一致检测图像篡改.实验结果表明,该方法能够有效鉴别合成图像的真伪.     

基于OpenCV的可扩展图像处理框架设计与实现

在图像处理领域中，一个图像处理系统无法同时满足多种不同的特殊处理需求，而每个特殊的图像处理系统又都需要类似的图像基础功能，根据软件复用的思想，开发一个可扩展的图像处理系统显得十分必要。本文实现了一种“框架＋插件”的可扩展图像处理软件模型，结合OpenCV视觉库，提供一个具有高性能图像处理基础功能的软件平台，同时制定扩展插件接口，弥合特殊图像处理需求，提高了程序重用性和扩展性。引入开源的OpenCV使软件框架具有更高的研究起点，适应更广泛的媒体类型，提供更高效率的处理性能。实践证明软件框架具有很好的扩展性和很高的实用性。     

SVC中优化的上采样滤波器设计

图像下采样后损失的信息在上采样中是无法恢复的,下采样和上采样的特定组合可以显著的影响重构图像的质量。利用这一特性,针对可分级视频编码(Scalable Video Coding,SVC)中下/上采样滤波器设计孤立存在的问题,提出一种算法,根据下采样设计与之相匹配的上采样滤波器。该算法根据已获得的下采样滤波器,推导与之对应的上采样滤波器,使两者匹配,达到提高视频质量并提升空间可分级编码性能的目的。与JSVM标准的仿真结果相比,特定组合的下/上采样滤波器在降低比特率的同时,峰值信噪比平均增加1.58 dB。     

面向地面运动目标检测的SAR图像分辨率选取

在合成孔径雷达地面运动目标检测技术中,SAR图像分辨率的选取直接影响运动目标的检测性能. 为此,该文提出一种适合于运动目标检测的SAR图像分辨率选取方案. 结合感兴趣的目标大小从运动目标检测概率的角度出发,对不同SAR图像分辨率情况下运动目标的检测性能进行分析,以一种具有典型反射截面积的运动目标为例,给出不同目标尺寸条件下的最佳SAR图像分辨率. 该方案可广泛应用于工程实践.     

小波域内循环平移操作的图像高分辨率重建算法

为解决传统的图像插值算法因具有全局性而不能较好地处理图像边缘细节信息,且易在细节区域产生锯齿线的问题,提出了一种图像分辨率和对比度增强算法。该算法先用小波零填充算法得到高分辨率图像,并通过纠正残差过程来弥补丢失的边缘和纹理特征,然后对其进行定向循环平移操作。考虑到图像小波分解后水平、垂直、对角方向的高频分量能够反映图像这3个方向的边缘变化情况,从而利用图像不同方向的高频分量来刻画图像像素点不同方向的突变程度。根据这个突变程度来实现循环平移操作的自适应融合过程,这样可以避免过度抑制边缘细节信息。最后对重建的高分辨率图像小波分解后的高频分量使用非线性增强函数,提高图像对比度,突出边缘和轮廓信息。实验结果表明,该算法在增强图像空间分辨率和对比度的同时,保留了原图像包含的边缘和轮廓信息,不仅有较好的视觉效果,还有一定的抗噪能力。     

基于快速特征欺骗的通用扰动生成改进方法

近年来,基于深度神经网络的应用日益广泛,然而深度神经网络容易受到由输入数据设计的微小扰动而带来的对抗性攻击,导致网络的错误输出,给智能系统的部署带来安全隐患.为了提高智能系统的抗风险能力,有必要对存在风险的扰动生成方法展开研究.快速特征欺骗（fast feature fool,FFF）是面向视觉任务的一种有效的通用扰动生成方法.考虑了输入图像在网络中的实际激活状态,以最大化原始图像和对抗样本之间的特征差异作为生成扰动的目标函数;同时考虑不同卷积层对于生成扰动的不同影响,在生成扰动的目标函数中,对不同卷积层对应的项加以不同权重.实验结果表明,改进的FFF方法攻击成功率更高,同时也具备更强的跨模型攻击能力.     

基于模糊集理论的图像增强算法

红外图像具有整体亮度偏暗、对比度较低、目标与背景区分不明显的特点。因此,在对红外图像进行分析之前,必须先对图像质量进行改善。传统的基于模糊集理论的Pal.King算法,在增强红外图像对比度的同时,丢失部分细节信息。在分析这一问题产生原因的基础上,结合图像反色和多分辨率图像融合等理论,提出了一种新的基于模糊集理论的图像增强算法,新的算法不仅能够提高红外图像的对比度,而且能很好的突出图像中不同层次的灰度信息和边缘信息,最重要是它能保持原始图像的细节信息。     

一种改进的基于边界跟踪的粘连目标分离算法

在颗粒图像的自动分割中,经常遇到颗粒粘连、重叠在一起的现象,需要将它们分离为单个颗粒目标.基于边界跟踪的分离算法能够克服聚堆目标连接处的凹陷比较明显并且/或者在连接处存在灰度局部最小边缘的要求,取得了较好的分离效果.但对于某些中轴方向不是垂直或水平的聚堆目标,分割仍然不理想.为此,提出了一种改进的分离算法,该算法通过自动旋转聚堆目标区域使其中轴方向成垂直或水平来实现这种情况下的分离.实验结果表明该算法进一步提高了分离效果.