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.     

适用于已给定颜色处理的彩色矢量最小距离误差扩散算法

提出了一种彩色矢量最小距离误差扩散算法.较常规误差扩散算法而言,可更好地处理编织过程中将彩色图像分解成由已给定颜色组成的离散图像的问题.该算法将每个像素点的RGB值作为一个矢量,采用矢量误差扩散系数矩阵计算像素点的误差和矢量,分别计算像素点原RGB矢量值与误差和矢量的和值与每个已给定颜色矢量的矢量距离,选矢量距离最小的已给定颜色矢量作为输出.仿真结果表明,采用该算法可将连续色调彩色图像转换到已给定的颜色色系,处理结果有较好的视觉效果并满足编织要求.     

基于数学形态学高帽变换的彩色图像增强算法

分析了RGB颜色空间和HSV颜色空间各自的优缺点,通过将彩色图像在RGB颜色空间和HSV颜色空间互相转换,把一个灰度图像形态学边缘增强算法推广到彩色图像。实验结果表明该算法性能良好,既能够较好地增强图像,又没有引入不自然的人造痕迹。     

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.     

一种CIELab颜色空间中的车牌定位方法

提出了在CIELab颜色空间中进行车牌定位的方法.首先将图像从RGB颜色空间转换到CIELab颜色空间;然后通过数学形态学增强和图像连通体分析提取出候选区域;最后通过分析候选区域的面积、宽高比及灰度阶跃次数提取出真实的车牌区域.大量的车牌定位实验表明:所提算法适用于不同尺寸的车牌图像,定位准确率较高.     

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.     

基于颜色特征的改进图像检索算法

本文提出一种综合图像的颜色、灰度和空间信息提取特征向量的改进算法将图像从RGB空间转换成HSV空间,将彩色图像转换成黑白图像,并分别进行直方图量化后,进行相似度比较;改进颜色相关图的算法,提高颜色空间特征的检索效率.     

基于Thiele型向量连分式插值的彩色图像放大方法

提出了将向量有理插值用于图像的无级放大方法。该方法是将图像的每一个像素看作是平面域的关于RGB三原色的一个向量,利用Thiele型向量连分式建立有理插值函数,实现图像的无级放大。通过实验证明,该方法能有效地用于彩色图像的放大处理,并且算法简单,易于实现。     

结合数学形态学和幂变换的彩色图像增强算法

证明了颜色空间与RGB颜色空间可以互逆转换并且时间效率高、对亮度分量单独处理后再转换回RGB颜色空间能够保持原始图像的色调不变;提出了一种基于数学形态学开运算和幂变换的彩色图像增强算法,实验结果表明该算法能够有效地增加图像动态范围,恢复图像中过暗区域内容的细节,并且能够保持图像的色调不发生变化。     

基于CNN的彩色图像边缘提取方法

根据人眼对R、G和B的敏感特性,提出一种基于视觉感知的矢量角度彩色空间距离度量方法,较传统方法补偿了RGB颜色空间的不均匀性,有效提高了RGB颜色空间内色差度量的精确程度.对基于细胞神经网络(Cellular Neural Network,CNN)进行的彩色图像边缘提取进行理论分析,确定与其功能相适应的最佳模板参数.实验结果表明:该算法不仅实现了彩色图像的边缘提取,同时提取效果更全面,更符合人眼的视觉效果,具有较强的鲁棒性.