基于子带加权融合的多尺度Retinex图像增强算法

Retinex模型是人类视觉对亮度和色彩的感知模型,多尺度Retinex算法具有动态范围压缩大、色彩恒常性、色彩保真度高等特点,被广泛运用于低光照图像的增强。提出一种新的图像增强算法,首先用混合灰度变换函数替代传统的灰度变换函数,对图像做不同尺度的Retinex变换,并分解重复的频带信息,对各个独立的频带分别进行增强。然后引入图像融合的思想,将不同尺度Retinex图像的每个像素点都赋予不同的权重。最后得到输出图像。实验结果证明,本算法可有效增强图像的对比度,得到的图像清晰度高,色彩恢复好。     

一类基于多特征的模糊加权人脸识别算法

为提高正确识别率,将Eigenfaces、EigenUpper、EigenTzone和二阶特征脸法四种方法的初步识别结果先模糊化,然后采用模糊综合函数加权组合后获取新的距离函数以得出最终的识别结果.通过针对ORL数据库的实验表明,应用多特征模糊加权算法进行人脸识别是行之有效的.     

基于变尺度DCT和PCA的人脸识别方法

针对实际应用中要对不同尺度的人脸图像进行匹配和识别的需求,提出一种基于变尺度DCT(离散余弦变换)结合PCA(主成分分析法)的人脸识别方法.首先将不同尺度的人脸图像进行DCT变换,然后提取出相同的DCT系数,再将提出的DCT系数进行PCA降维,最后进行匹配识别.通过对ORL人脸库及实验采集的多尺度人脸图像进行实验,证明了所提方法对不同尺度图像的匹配识别有效,并测算了DCT变换后的修剪尺度及PCA特征维数对该方法识别准确率的影响.     

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.     

融合多尺度多特征的人脸识别方法

为降低光照、噪音、姿态等变化的影响,减少有效局部信息的损失,提出了使用图像的变换特征,及多尺度分块线性鉴别分析的算法.将图像进行多尺度划分,对划分后的每个子图像分别抽取其低频部分或奇异值,组合起来作为该图像的特征向量,进行线性鉴别分析.针对单一特征表示图像时的局限性,又提出了融合多尺度低频特征和多尺度奇异值特征进行人脸识别的方法.在ORL和Yale人脸库上的实验结果显示,所提出的算法识别精度明显提高,泛化能力较强.     

基于多尺度Retinex理论的彩色图像增强算法

提出一种基于Retinex理论的图像增强算法,Retinex理论的实质就是从图像I中获得物体的反射性质R,即抛开入射光的性质获得物体的本来面貌,对多尺度的Retinex理论算法进行改进,即将直方图均衡化算法用于多尺度的Retinex算法中.通过该方法得到的图像具有色彩逼真、动态范围大等特点.实验表明该算法确实对彩色图像起到增强的效果.     

基于GPU的多尺度Retinex图像增强算法实现

为提高多尺度Retinex算法的实时性,本文提出了基于GPU的多尺度Retinex图像增强算法,通过对算法进行数据分析和并行性挖掘,将高斯滤波、卷积和对数差分等计算量非常耗时的模块放到GPU中,利用大规模并行线程处理来提高效率。在GeForce GTX 480和CUDA 5.5中进行实验,结果表明该算法能显著提高计算速度,且随着图像分辨率的增加,最大加速比达160倍。     

多尺度Retinex算法与其它图像增强方法比较

图像获取过程中往往由于光照不足导致图像出现暗影和低对比度,这严重影响了后期图像各种形式的处理,如人脸检测、边缘提取、图像融合等。文章提出利用MSRCR算法与其它常用动态范围调整的图像增强算法相比,如SSR,MSR,MSRCR和直方图均衡化增强;进一步利用MSRCR增益/偏移校正、基于双边滤波器的单尺度Retinex图像增强和同态滤波器对两组图像对比实验,结果显示这些方法在图像增强中都表现出良好的性能,且MSRCR算法可以弥补传统小波变换在图像增强中的对比度不高和丢失部分信息的不足,提高了图像的亮度,对比度和清晰度;且其峰值信噪比和信息熵普遍高于其它增强方法,并对其运行的时效性进行对比。     

基于改进多尺度Retinex的单幅彩色图像增强算法

针对传统基于多尺度Retinex的单幅彩色图像增强算法, 进行图像增强时未考虑亮度分量和局部对比度, 导致图像增强未达到最佳尺度值, 获取的增强图像存在失真、 带有雾膜的问题, 提出一种基于改进多尺度Retinex的单幅彩色图像增强算法. 首先采用高斯环境函数 对3种灰度图像实施卷积并进行灰度纠正, 将3种纠正灰度后的图像合并, 获取初步单幅彩色图像增强结果; 然后改进多尺度Retinex的单幅彩色图像增强算法, 增强单幅彩色图像像素的平均亮度; 最后通过非线性函数对亮度增强后的彩色图像实施局部对比度增强处理, 用线性调整方法恢复局部对比度增强后的图像颜色, 以获取最佳单幅彩色图像的图像增强结果. 实验结果表明, 该算法可获得亮度和对比度均较好的单幅彩色图像增强结果.     

改进的多尺度Retinex井下图像增强算法

为解决煤矿井下图像质量差、图像清晰度差、可分辨率低、模糊等问题,针对多尺度Retinex增强算法存在的不足,提出一种改进的基于S曲线函数的多尺度Retinex图像增强算法,该S曲线函数不同于基本的sig函数,函数图像具有S形状,为不对称函数.研究结果表明:应用改进后的算法,处理后的图像在有效增强目标图像的同时也抑制了背景噪声,图像的对比度与质量得到提高,能够获得目标区域的最佳视觉效果.     

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。     

基于单尺度Retinex算法的非线性图像增强算法

提出一种改进的Retinex算法——基于单尺度Retinex的非线性图像增强算法.不同于经典的Retinex算法用复杂的运算估计亮度图像,该算法首先对亮度图像进行粗估计,然后通过非线性运算在反射图像中对粗估计的亮度图像进行补偿.实验结果表明,所提出的算法同经典的Retinex算法相比,无论在增强效果还是在处理时间上都具有更大的优越性.     

基于Kernel PCA的人脸识别算法的探讨

扼要阐明抽取二维人脸图像特征方法并进行人脸识别,结合实验结果进行分析比较主元分析和核主元分析方法的优缺点,得出核主元分析方法在人脸识别算法中误识率低,解决了维数和小样本问题,能准确快速识别人脸的结论.     

基于PCA与ICA的人脸识别算法研究

ICA是一种基于数据高阶统计信息的有效的数据独立特征提取技术,它能够更好地表示人脸的局部特征,ICA是PCA从二阶统计分析向高阶统计分析的拓展.本文提出了一种加权融合这两种技术的人脸特征提取算法,并结合不同的相似性度量进行了人脸识别实验.结果表明,该方法比用一种单独的特征提取方式识别率要高.     

基于LLE和PCA的人脸识别算法研究

用PCA算法对非线性结构的高维数据(如人脸图像)进行降维,会破坏其局部结构信息.而采用LLE算法对其进行降维,又会保留大量的冗余信息,并且算法不具有可扩展性,从而达不到预期的降维效果.为了克服PCA算法和LLE算法的这些缺点,我们提出将LLE算法与PCA算法以及径向基神经网络相结合的LPR算法,并将该算法分别与LLE算法和PCA算法进行实验比较.结果表明,LPR算法在保证较高识别率的同时,大大提高了算法效率.     

基于多尺度张量类标子空间的人脸识别算法

提出一种基于多尺度张量类标子空间的人脸特征提取算法,提高人脸识别对光照的鲁棒性,同时不破坏原始数据固有的高阶结构和数据之间的相关性。采用多尺度小波变换组建人脸三维张量样本,将三维人脸张量空间投影到低维张量子空间,对高维人脸进行降维和特征提取,应用多线性主成分类标算法对样本进行类标号,同时使用最近邻算法完成人脸识别。利用CAS-PEAL-R1东方人脸库进行评测,实验结果表明,该识别算法比经典的主成分分析、线性判别分析和多尺度Gabor识别算法具有更好的识别效果。     

基于多尺度Retinex和小波变换的彩色图像融合方法

提出了一种基于多尺度Retinex算法和小波变换的彩色图像融合方法.用MSR算法对彩色图像进行增强,可以显著提高暗区内的细节,但色彩却存在失真现象.将源图像与增强后的图像采用小波变换进行融合,可以将源图像的色彩及增强图像内的阴影细节都能很好地集中于融合图像中,使融合后的图像阴影内的细节清晰,并且色彩自然.用信息熵和基于人类视觉系统（HVS）的质量度量规则来对图像进行客观评价,实验表明,融合图像的熵值最大也最符合人类视觉系统.     

人脸识别PCA算法的硬件实现

为满足人脸识别系统的实时性,提出了一种基于FPGA硬件平台的人脸识别系统的实现方法。以传统的主成份分析算法为理论基础,利用Xilinx公司的System Generator开发环境实现算法的硬件逻辑。通过调试和仿真后,分析运算负荷和时序逻辑。结果表明,使用Spartan-3ADSP XC3SD3400AFPGA开发套件,在保证识别率的前提下,硬件实现的算法处理速度要远快于MATLAB中的算法实现。     

基于K-CV 优化的PCA 和SVM 人脸识别算法

为解决常规的PCA( Principal Component Analysis) 和SVM( Support Vector Machines) 人脸识别算法准确率 不高的问题,提出了用改进的网格搜索和交叉验证( K-CV: K-fold Cross Validation) 算法对SVM 参数寻优的方 法,并联合了PCA 和SVM 的人脸识别算法。该算法利用K-CV 算法结合改进网格搜索方法寻找最佳参数, 尽可能消除由于个别样本误差对预测模型的影响,减少了搜索时间,提高了人脸识别的准确率。在Matlab 软 件上测试结果表明,该算法在YALE 人脸库的识别准确率比常规的PCA 和SVM 联合算法高9． 08%。     

基于PCA算法的人脸识别研究及其GUI实现

随着科学技术的飞速发展,传统的身份识别(如门禁卡,身份卡,口令等)安全系数比较低,容易被破解,而生物特征识别技术使得身份鉴别更加可靠,能够达到期望的安全系数;针对上述问题,介绍了一种人脸识别常用的算法及其算法的改进,并采用ORL数据库作为实验库进行了算法改进前后的识别率比较实验,最后在Matlab中通过图形化界面进行了验证实现。