基于模糊对比度的雾天图像清晰化算法

针对雾天模糊图像对比度低的特点和数学形态学增强后的远景效果不佳的缺点,提出了基于模糊对比度和数学形态学相结合的雾天图像清晰化算法.该算法采用数学形态学中的高低帽变换对模糊图像进行预增强处理,将处理后的图像从空域映射到模糊特征平面,然后利用新定义的模糊域隶属度函数进行模糊对比度增强变换.实验结果表明,采用本算法处理后远近景对比度明显提高,视觉效果也明显改善,图像变得更加清晰.     

基于模糊逻辑的雾天图像增强改进算法

针对传统模糊增强算法的缺陷,提出了一种基于正弦函数变换的模糊增强算法.该算法首先对雾天图像进行规范化,降低不同雾况对图像灰度级分布范围的影响;其次通过一种改进的模糊化算法将图像从灰度域变换到模糊域,在模糊域内对低灰度区域进行衰减运算,对高灰度区域进行增强运算;最后将图像从模糊域变换到灰度域.试验表明,该算法可以有效提高...     

自适应多层次的图像双线性广义模糊增强算法

在模糊集合论和广义模糊集合论的基础上,构造出用于模糊增强图像区域对比度的新型线性广义模糊算子.提出了一种自适应多层次的图像双线性广义模糊增强新算法,该算法利用线性广义隶属度变换及其逆变换,实现了灰度图像空间的广义模糊化与广义模糊空间的灰度化,使用线性广义模糊算子对线性广义模糊隶属空间进行了区域对比度模糊增强,最终利用"MIN" 算子提取出了增强图像的边缘轮廓.基于模糊熵的多层次阈值灰度选取过程,体现了算法的自适应性与实用性.实验表明,该算法能够快速无失真地同时增强图像中不同层次的边缘信息,所提取出的增强图像边缘准确、层次分明.     

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。     

基于模糊数学的对抗网络图像配准建模

为了解决传统方法特征提取结果受外界环境影响大,且没有考虑对抗网络图像中高频信息的特殊作用,影响配准精度的问题,通过模糊数学方法分析对抗网络图像配准建模问题。分析了对抗网络,在生成模型与判别模型中添加条件变量,通过对抗网络,利用表征向量对图像进行重构,生成图像数据。通过变换对图像对比度进行扩展,通过反变换获取原空间域中的边缘增强图像,通过抑制干扰能力强的Susan算子提取对抗网络图像边缘特征。在边缘特征提取的基础上,引入模糊数学中的模糊隶属度,对图像中不同点属于梯度的模糊隶属度进行定义,构造图像的模糊梯度场,通过模糊数学中的贴进度构造模糊梯度相似性测度,将模糊梯度相似性高的图像作为配准图像,实现对抗网络图像配准。结果表明:研究方法配准效果好;针对存在平移、灰度变化、细节变化、区域变化和尺度差异情况下的图像,可保持很高的性能。研究结果应用性强,配准准确性好。     

基于广义模糊算子的工业RT图像增强

在分析传统的图像模糊增强算法缺陷的基础上,提出了一种广义模糊增强的方法。该算法通过引入广义模糊集合的概念,将图像映射到广义模糊空间,设计一个分段正弦函数作为模糊隶属度,并采用了相应的增强算子,利用广义模糊变换范围大的特点,通过对工业RT检测焊缝图像进行广义模糊增强处理,使图像获得令人满意的增强效果。引入模糊熵的方法分析增强效果,并分析了广义模糊增强算法中影响增强效果的因素。     

一种基于直方图变换的光学遥感影像自动增强方法

对比度、清晰度等视觉效果是影响图像质量的重要因素。针对光学遥感图像对比度和清晰度改善问题,提出了一种新的视觉效果自动增强模型。首先对输入图像的直方图采用非线性变换,在保持灰度级有效分布的前提下充分压缩灰度分布范围,从而获得优化的变换系数,然后再利用线性拉伸算法将图像灰度扩展至整个灰度域。实验和对比结果表明,所提出的增强模型在很小的信息熵损失条件下能较大幅度地提高图像的对比度和清晰度,获得比目前主要算法更好的增强结果且效果稳定,可适用于全色图像和彩色图像视觉效果的全自动化增强处理。     

基于二阶对比度的图像融合算法

本文针对融合图像的对比度下降问题,提出了一种基于二阶对比度的图像融合算法。文中给出基于图像灰度直方图的对比度定义、二阶对比度定义和计算方法,可以直接根据灰度图像计算图像的对比度和二阶对比度。所提出的融合算法向融合图像传递二阶对比度信息、对比度信息和灰度信息,不需要对源图像进行变换。实验结果表明,与现有算法相比,基于二阶对比度的算法所需CPU运行时间有较大幅度减少;而且基于二阶对比度算法的融合图像的互信息有显著提高。     

基于Mean—Shift聚类的色彩传递算法

针对当前色彩传递算法存在的传递效果不准确的问题,提出了一种基于Mean-Shift聚类的色彩传递算法.首先将输入图像和样本图像从RGB空间转换到LUV空间,在LUV空间对2幅图像进行Mean-Shift模糊颜色聚类分析;根据输入图像聚类域的统计信息,在样本图像中找到一个与统计信息最为接近的域作为该聚类域的匹配域;最后将隶属度向量引入色彩传递方程,实现图像间自动的色彩传递.实验结果表明,该算法较好地实现了彩色图像之间的色彩传递和灰度图像的上色处理,无需设定手动聚类数目,并且迭代过程较简单,色彩传递效果更好.     

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.     

基于二维直方图的改进的PCM聚类分割方法

相对于模糊C均值算法,可能性C均值(PCM)聚类方法具有更好的抗干扰能力.提出一种基于二维直方图的改进的PCM聚类图像分割方法,该方法除了考虑图像的点灰度信息外,还考虑像素点的邻域相关信息,利用改进的PCM聚类算法得到各象素点的隶属度对图像进行分割.实验表明,该方法能够对噪声图像有效地进行分割,具有较高的鲁棒性.     

X射线检测焊缝的图像处理与缺陷识别

根据射线检测焊缝图像的特点,设计了图像去噪、增强的算法;针对焊缝缺陷对比度差、光照不均、纹理较多等不利因素,在去除焊缝背景情况下,设计了动态划分焊缝区域算法,利用局域阈值法分割提取出对比度不均的缺陷;通过对焊缝缺陷特征分析,选取缺陷识别的特征参数;建立了用于焊缝缺陷识别的模糊神经网络模型。试验结果表明,图像预处理和缺陷提取是成功的,提出的识别算法能够提高介于模糊边界模式分类时的识别率,对焊缝缺陷识别的效果优于分类识别法。     

一种脉冲噪声模糊检测和滤波算法

脉冲噪声滤波一直是图像处理研究热点。提出一种适合各种脉冲噪声,基于模糊检测和滤波新算法。这种非线性滤波算法由脉冲噪声检测和脉冲噪声滤波两部分组成,能够很好的保留原图像的轮廓清晰度。基于梯度模糊度的观点,我们构造了一个用隶属函数描述的脉冲噪声模糊集。将隶属函数用于滤波,实质是对邻像素的模糊度加权平均。实验结果显示:无论图像中含脉冲噪声多少,该算法都能快速、高效检测去除脉冲噪声算法。     

基于模糊数学的公路路面裂痕检测技术

根据公路路面实际裂痕灰度值比背景灰度值低,而路面非背景和非裂痕像素灰度值比背景灰度值高或低很多,设计了一种基于模糊数学的公路路面裂痕检测的新技术.首先使用改进的基于乘性模型的灰度校正算法对原始图像进行预处理,接着根据OTSU最大类间方差法计算得到原图像前景与背景的最佳阈值作为渡越点,构造一个新的模糊隶属度函数对预处理后的图像进行模糊处理,然后用Sobel算子对模糊后的图像边缘检测判断得到含有裂痕信息的区域,最后用图像分割算法区域分割出含有裂痕信息的图像子块.实验证明,新提出的方法在处理速度和检测准确性方面基本能够满足实际需要,能实时、自动检测出模糊图像的裂痕.     

基于D-S证据理论的模糊聚类图像融合分割

针对模糊聚类图像分割算法的固有缺点,提出了一种基于D-S证据理论的模糊聚类图像融合分割算法。对图像的点灰度特征和块灰度特征分别进行模糊C均值聚类,并将各自的模糊隶属度转化为单一或复合假设及其基本概率赋值,再利用D-S证据理论进行融合分割。实验结果表明该算法的分割效果优于传统的模糊聚类分割算法。     

一种改进的FCM多分辨率图像分割算法及其应用

提出了一种改进的模糊C均值聚类多分辨率图像分割算法,该算法利用像点的邻域信息对像点的模糊隶属度函数进行修正。实验证明:该算法具有对噪声不敏感的优点,在进行图像分割,特别是对含噪图像进行分割时能获得较好的效果。     

一种新的图像模糊散度阈值化分割算法

为提高灰度图像分割的效果,提出了一种新的基于图像间模糊散度的阈值化算法及它在多阈值选择中的推广算法。算法采用模糊集合分别表达分割前后的图像,通过最小模糊散度准则实现图像分割中最优阈值的自动提取。算法针对图像阈值化分割的要求构造了一种新的模糊隶属度函数,克服了传统Ｓ－函数带宽对分割效果的影响。将其与多种经典的阈值化分割算法一起,对不同类型的测试图像进行分割比较的结果表明,新算法有很好的通用性和有效性。     

递推人工蜂群的模糊划分熵多阈值分割算法

针对图像分割中模糊划分熵算法在多阈值选取时存在的效率低、计算重复的问题,提出了一种递推人工蜂群的模糊划分熵多阈值分割算法(RAFPEA).首先选择附加边界条件及灰度权重的隶属函数来构建图像的模糊熵模型,并将该模型中不同变量的组合计算转化为递推过程,进而保存此过程中不重复的瞬间递推值,然后引入人工蜂群算法,利用预存的递推结果来计算蜂群寻优时的个体适应度值,从而减少重复计算,达到快速寻优的目的.实验结果表明:RAFPEA的均一度与精确的穷举模糊划分熵法相同,但运行时间仅为穷举、遗传的模糊划分熵算法的5％;随着阈值数量的增加,运行时间稳定不变,在确保精度的前提下,可高效地对图像进行多阈值分割.