一种光照不均匀图像的灰度校正方法

针对光照不均匀所引起的图像视觉效果不佳的问题,提出一种有效的灰度校正方法,即利用一种基于卷积变换与方差归一化相结合的图像光照均衡算法,使均衡后的图像有良好的视觉效果。实验结果表明,该方法能够有效地提升图像质量,同时不会损失细节信息。     

一种基于模糊增强的图像边缘提取改进算法

分析了Pal的模糊边缘提取算法的缺陷,即图像增强区域单一、图像增强后造成低灰度信息的损失、没有做抑噪处理,并针对Pal的模糊增强算法的缺陷提出一种改进的基于模糊增强的边缘提取算法,通过定义新的隶属函数和一种新的模糊增强算法,结合图像平滑滤波处理进行图像边缘提取,有效地增强了边缘信息且抑制了噪声的干扰,并给出了该方法在图像边缘提取中的应用实例。     

基于空域的光照不均匀图像的增强和校正

针对光照不均匀引起的图像质量欠佳的问题,提出采用空域同态滤波处理使得图像偏暗部分得到增强的新方法:利用多尺度高斯函数提取出光照分量,采用光照分量与灰度图像融合的方法,校正图像过亮部分和偏暗部分。对于真彩色图像,先将图像由RGB空间转换到HSV空间,然后对亮度分量进行同态滤波和校正处理,最后将处理后的图像由HSV空间转换回RGB空间。仿真实验结果表明,对于光照不均匀的图像,采用空域同态滤波方法,具有容易实现、速度快等优点,能够取得较满意的处理效果。     

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。     

奶牛图像光照不均的校正方法

由于奶牛图像是在奶牛场实地拍摄,故会产生一些光线特别强烈的图像,致使图像光照不均和降质,故影响后期对奶牛图像的二值化及识别处理。本文在对传统同态滤波和基于小波的同态滤波方法研究的基础上,采用一种基于Ycbcr颜色空间对彩色图像进行光照校正的方法。实验结果表明,该方法对彩色图像进行光照校正更为有效,二值化结果也更为正确。     

钢板表面缺陷图像非均匀光照校正及分割算法

针对钢板表面缺陷图像光照不均匀的问题,首先根据图像的亮度与光照分量和反射分量的相关性,采用多尺度高斯函数方法提取图像的光照分量并分离出反射分量.然后根据光照分量的分布情况调整二维(2D)伽玛函数的参数,实现光照分量分布不均的自适应校正,再将校正后的光照分量与原有的反射分量融合得到光照均匀的新图像.最后采用遗传算法选择最大熵阈值进行缺陷分割.结果表明:钢板表面缺陷图像的非均匀光照得到了有效改善,缺陷细节得到了较好保持;图像阈值分割缩短了寻找阈值的时间,能够有效检测出钢板表面的多种缺陷.     

几种低光照图像的对比度增强算法

简述了低光照图像的成因和研究意义,列举了几种常见的增强方法,将不同图像的处理结果和处理时间进行比较和分析,得出各方法的优缺点,指出各方法适应的环境。     

基于二维伽马函数的光照不均匀图像自适应校正算法

提出了一种基于二维伽马函数的光照不均匀图像自适应校正算法. 利用多尺度高斯函数提取出场景的光照分量,然后构造了一种二维伽马函数,并利用光照分量的分布特性调整二维伽马函数的参数,降低光照过强区域图像的亮度值,提高光照过暗区域图像的亮度值,最终实现对光照不均匀图像的自适应的校正处理. 通过与经典算法对比表明,本文算法可以更好地降低光照不均匀对图像的影响,提高图像的质量.      

一种基于FPGA非均匀光照图像分割方法

针对非均匀光照条件下图像的分割问题,提出一种基于FPGA的实时图像分割方法。得到了一种非均匀光照下分割效果较好的方法。首先,使用图像传感器采集原始的图像数据,然后进行sobel边缘检测,最后对其进行Bernsen局部二值化得到分割图像。本方法使用FPGA来对图像进行高速采集和并行处理,实时完成图像边缘检测及局部二值化。经现场调试证明本方法可以有效分割图像,使其目标更加突出,从而改善了非均匀光照对图像分割质量带来的影响,并具有良好的实时性。     

一种羽毛虫蛀缺陷检测方法的研究

羽毛缺陷复杂多样。一般的图像分割方法很难做到既能适用于多蛀斑分割的复杂情况又能很好地满足工业化羽毛缺陷检测中蛀斑分割的精确性要求。根据毛片特性,提出一种基于机器视觉的羽毛虫蛀缺陷的检测方法;首先采用双边滤波算法对羽毛图像做平滑处理,在有效模糊羽毛自身纹理的同时使得蛀斑边缘信息仍能得到很好地保留,以提高边缘检测的准确性;然后采用一种改进的变分水平集方法进行蛀斑分割,算法的初始轮廓线根据毛片的形状自动生成。实验结果表明这种检测方法分割准确;并能适用于多蛀斑的复杂虫蛀缺陷的检测,较好地满足了工业化检测的需要。     

一种基于全局和局部光照估计的Retinex图像增强算法

具有色彩还原特性的Retinex算法,可以实现图像对比度、亮度提高及色彩还原;但是增强后的图像色彩饱和度下降严重,色彩失真,其关键在于光照分量的估计失真。针对上述问题,提出了基于全局光照和局部光照细分的Retinex增强算法,实现了图像光照分量的精确计算;并通过实验证明增强后的图像在提高亮度突出细节的同时,最大程度保持了原来的真实色彩。     

一种身份证图像倾斜校正算法

身份证图像倾斜检测与校正是身份证信息提取预处理的重要环节。本文利用形态学方法提取身份证头像,提出了结合头像下边缘的最小二乘法身份证图像倾斜校正算法,实验表明,该算法对身份证图像的倾斜校正是有效的。     

一种文本图像倾斜校正的方法

文档图像倾斜检测与校正是文档分析的预处理的重要环节.提出了一种基于像素点的方法来检测文档图像的倾斜问题,并通过迭代运算来准确的实现倾斜文档图像的校正.实验结果表明,本算法速度快,精确度高,具有较强的实用性.     

一种基于模糊理论的图像边缘检测算法

提出了一种基于模糊理论的图像边缘检测算法,首先采用Otsu算法求出图像的阈值,然后通过新定义的隶属函数对图像进行模糊增强,最后运用Canny算子进行图像的边缘检测;实验结果表明,该方法在速度和准确性方面都达到了令人满意的效果.     

一种新的边缘保持自适应平滑算法

在图像去噪时,存在着一个如何兼顾降低噪声和保留细节的难题,为此本文提出边缘保持自适应平滑算法——灰度最小方差区域的均值去噪.该算法提高了图像平滑过程中边缘检测的方向性,在9个方向上对边缘细节进行检测类聚,具有较强的方向性和自适应性.利用该算法进行仿真试验,结果表明,与已有的去噪算法相比较,该算法较好地解决了边缘信息保持和去噪的矛盾,去噪效果也明显增强.     

一种改进的基于小波的人脸图像光照归一化算法

为了消除光照变化对人脸识别的影响,提出了一种新的基于小波的光照归一化算法。首先对人脸图像进行三级小波分解,获取低频和高频系数;接着对低频成分直方图均衡化,减弱光照的影响,同时对高频成分阈值去噪,再放大高频以增强图像边缘;最后进行逆小波变换,得到归一化后的人脸图像。在Yale B人脸库上的实验结果表明:本文方法可有效减弱光照变化对人脸识别的影响,显著地提高了人脸识别系统的识别率。     

一种新的边缘图像插值算法

为了解决传统插值方法造成图像模糊、锯齿以及边缘细节信息缺失的问题,提出了一种新的边缘图像插值算法。该算法通过待插值像素点周围低分辨率像素之间位置和方向的特征计算其标准差并将其作为局部动态阈值,以此作为划分图像区域的比较阈值,将图像划分非边缘区域和边缘区域;然后对非边缘区域进行双线性插值,边缘区域进行自适应插值。实验结果表明,与传统的插值方法相比,该插值方法较好的保持了图像边缘细节信息,且具有较好的视觉效果。     

一种改进的核磁共振图像模糊边缘检测算法

文章针对模糊边缘检测传统算法即Pal算法的缺陷,提出了改进的边缘检测算法;通过定义有界函数作为隶属函数、采取更高效的模糊增强函数、引入P-M非线性扩散模型平滑图像噪声等措施,有效克服了传统Pal算法对低灰度、低对比度区域边缘检测效果差的缺陷;把改进算法用于对核磁共振图像的边缘检测,对比分析了不同边缘检测算法的边缘检测效果.     

一种启发式的自适应图像边缘检测方法

在生物学和医学研究中,经常需要对细胞的形状进行识别,这首先要对细胞的边缘进行检测,通常采用计算机图像处理技术,通过分析图像边缘检测的经典算法,本文提出一种适用性较强的启发式图像检测方法,得到了较理想的处理效果。     

基于一种新模糊增强算子的图像边缘检测算法

借鉴广义模糊集的特性,提出了一种新的模糊边缘检测算法:利用一个简单的隶属度函数将空域图像转换到[0,1]的普通模糊域;然后通过一个简单的增强算子先将其扩展到[-1,2];由于一般情况下物体域(物体内部区域)主要以高灰度为主,背景域(物体背景区域)主要以低灰度为主,而过渡域(物体边缘区域)则以高梯度为主,本算法目的是对图像进行边缘检测,先不对它进行转换或截断,而将其转换到图像准灰度域,相当于把图像的物体域和背景域放到了[0,255]的区域以外;然后采用"min"或"max"算子进行所谓的边缘提取,最后将提取的"边缘"数据进行截断处理,从而将图像数据转换到图像的空间域,即图像的灰度域。从边缘检测结果来看,本算法更适合于低对比度、含有较精细部分以及纹理丰富的图像检测,且耗时较小。