基于多尺度Retinex算法的遥感图像增强

大多数的遥感图像存在视觉对比度低、分辨率低的缺点,因而在对遥感图像分析之前,通常都需要通过遥感图像增强技术对图像进行增强处理.当前的图像增强方法有很多种,文中引入了一种新颖的图像增强方法,即多尺度Retinex(MSR)算法.这种增强技术尤其对能见度差、分辨率低的图像有很好的效果,因此适合于对遥感图像的增强处理.此外,还引入了几种常用的经典图像增强方法,如直方图均衡法等.为了证实所引入的MSR算法对遥感图像的增强效果优于其他的增强方法,在实验中,将经典的图像增强方法和MSR算法分别应用于增强一幅典型的遥感图像并对比增强后的增强效果.实验结果表明MSR算法在对遥感图像的增强中可以取得满意的效果并且优于其他的图像增强方法.     

低照度图像增强算法

针对多尺度Retinex算法(MSR)以及其它图像增强算法处理后的图像峰值信噪比较低的缺陷,本文提出结合Retinex理论,根据照射分量和反射分量的特性,对二者分别采用不同的非线性函数进行调整来提高图像的对比度和增强图像细节,并在低亮度区域进行噪声抑制的方法。实验结果表明,在HSV和RGB彩色空间,运用本算法处理在低照度情况下的图像,处理后图像的峰值性噪比以及对比度高于其他算法,并且处理速度也快于MSR算法。     

基于Multi-Scale Retinex模型的肝脏超声图像增强算法

基于多尺度Retinex (Multi-scale Retinex,MSR)模型的图像增强方法是一种基于人眼视觉原理的图像增强方法,能同时有效实现图像的动态范围压缩和颜色保真.本文融合Retinex理论,采用3个尺度的Retinex算法对肝脏超声图像进行增强处理,提取经MSR算法增强处理后的正常肝脏和脂肪肝图像的灰度均值、对比度和信息熵参数,并与直方图均衡化算法、同态滤波算法进行对比.实验结果表明:肝脏超声图像经MSR算法增强处理后,提高了图像特征参数(对比度、信息熵)的区分度,增强了图像暗区的对比度和清晰度,改善了图像视觉质量,能有效辅助临床诊断.     

基于Retinex理论的新型遥感图像增强算法

针对遥感图像视觉存在对比度差\,分辨率低的缺点,以及传统的Retinex算法在对图像增强时往往会出现色彩恢复不协调,呈现泛白发灰现象,提出了一种多尺度Retinex算法与直方图均衡化相结合的新型遥感图像增强算法。首先对多尺度Retinex算法进行非线性全局改进,用于增强HSV色彩空间中的V分量,然后用直方图均衡化方法对RGB空间中三分量做同步增强处理。实验结果表明:与多尺度Retinex算法相比,算法增强后图像的均值可达到127,信息熵可提高29.5%,而且算法有效地解决了图像色彩恢复不协调和泛白发灰现象。     

改进量子粒子群优化算法在图像增强中的研究磁

由于传统的图像增强方法在适应性方面存在不足,论文提出一种改进的图像增强方法。这种改进的算法是实变参数量子粒子群优化 QPSO-tp 算法。实验结果表明,改进后的算法在全局搜索能力和收敛精度上要优于原 QPSO 算法,具有调节参数少、随机性更强等优点。接着将遥感灰度图像的非线性变换增强过程用最优化问题进行处理,用 QPSO-tp 算法进行参数寻优,能够极大的提高图像的增强效果。     

一种自适应的仿生图像增强方法:LDRF算法

为了研究基于人类视觉系统特性(亮度自适应特性和视网膜神经元感受野非经典侧抑制特性)的仿生图像处理方法,增强仿生图像增强算法的自适应性,提出了一种新的自适应仿生图像增强算法——LDRF算法.LDRF算法首先建立参数对数模型对图像全局亮度进行自适应调整,然后采用三高斯动态滤波进行局部细节增强,引入Wal-lis算子建立增益因子模型,使局部细节增强具有自适应性,最后通过线性变换恢复图像彩色信息.在大量图像上进行对比实验和分析.实验结果证明,LDRF算法能够避免过增强现象,并且针对不同大小、不同内容的图像能够自适应地进行图像增强,取得了较好的效果,提高了仿生图像增强算法的实用性.     

基于MSR的雾天图像清晰化算法研究

研究雾天图像清晰化的问题,需提高图像增强的均匀性。针对雾天情况下,由于雾气的遮挡使得拍摄图像对比度降低,图像局部细节处不清晰,传统的直方图均衡化的雾天图像清晰化方法虽然能够增强图像对比度,但是图像局部细节增强不足,造成图像增强均匀性不高的问题。提出一种MSR的雾天图像清晰化算法,通过Sigmoid函数对图像作映射,拉伸图像的对比度,然后利用MSR算法,将图像小波分解为高频分量和低频分量,对高频分量取绝对值最大运算,低频分量加权平均,并避免了对图像进行全局直方图均衡化造成的图像增强不均匀,局部细节增强不足的问题。实验证明,提出的算法能够将雾天图像均匀增强,得到高清晰的图像,取得了满意的效果。     

一种模糊增强图像边缘提取算法

在分析Pal模糊边缘提取算法的基础上,为克服Pal算法图像增强区域单一、图像增强后造成低灰度信息损失且没有做抑噪处理的缺陷,提出一种新的基于模糊增强的图像边缘提取算法.新算法通过引入模糊熵,进行有目的选取不同灰度层次的阈值,同时增强图像中不同灰度层次的边缘信息,通过定义新的隶属函数和一种新的模糊增强算子,结合图像平滑滤波处理进行图像边缘提取,有效地克服了Pal算法速度慢且损失图像部分灰度信息的缺陷,取得了优于基于传统Pal算法进行图像边缘提取的效果.     

自适应双向保带宽对数变换及低照度图像增强

目的 在低照度环境下,由于受图像采集设备的限制,导致获取到的图像往往亮度低、对比度差。针对这一问题,提出一种自适应双向保带宽对数变换的增强算法。方法 首先通过标准化变换将低照度图像处理成标准化图像,然后根据标准化图像的平均亮度进行自适应双向保带宽对数变换,最后对图像取整输出,从而得到增强后的图像。结果 实验选用LIVE database release2标准库中29幅高质量图像作为参考图像,然后经Photoshop CS5统一处理成低照度图像,使用本文算法对其增强,并与直方图均衡化（HE）、多尺度Retinex增强（MSR）、自然保持的增强算法（NPEA）的结果进行比较。本文算法增强后的图像其整体对比度和亮度在主观上都有较大提高,增强效果优于其他3种方法;同时,本文算法峰值信噪比（PSNR）和结构相似度（SSIM）客观指标平均值分别为22.75和0.86,明显高于其他3种算法。另外,在算法运行效率方面,本文算法平均运行时间也较短,约为74 ms。结论 本文算法增强后的图像更自然、更符合人眼视觉特性,且算法简单易于实现,运行效率高。该算法广泛适用于背光或光照不均的低照度环境下的图像增强。     

基于色彩空间分解的低照度图像增强方法

针对低照度图像增强问题,提出一种基于色彩空间分解的图像增强算法.为了实现图像亮度和色彩的解耦合,将图像进行空间转换;利用中值滤波算法与Retinex算法融合以及基于OTSU处理的自适应局部直方图均衡化,分别实现了亮度分量的增强和饱和度分量的校正.分层图像合成、图像降噪处理和色彩空间的转换,确保增强图像色彩的均匀和清晰度的提高.实验结果与其他几种经典算法相比较,算法获得的增强图像细节方面更为丰富,图像的清晰度更高.     

基于小波内插的遥感图象超分辨率增强

基于小波内插的超分辨率增强方法,利用多幅遥感图象的交错采样结构,将同一场景的多幅遥感图象序列中的信息,在像素级上内插到一幅遥感图象中,得到一幅信息量更加丰富、分辨率更高的遥感图象。该文介绍了该方法及相应遥感图象预处理方法,文中实验显示了该方法的有效性。     

结合暗通道原理和双边滤波的遥感图像增强

目的 在遥感应用如目视解译等任务中,需要提高遥感影像的视觉质量,为此提出一种基于暗通道原理和双边滤波的遥感图像增强算法。方法 由于暗通道模型的softmatting过程计算复杂性高,故使用双边滤波估计大气光幕,进而获得优化透射图,代替He算法中softmatting过程,提高了计算效率。针对将暗通道原理应用于遥感图像增强时所产生的色彩失真现象,提出透射图的改进算法,提高景深图像的取值,同时约束其最大值不大于1。最后,基于景深图像和暗通道原理获得增强后的遥感图像。结果 实验结果表明,本文算法能够有效地增加图像的对比度。与基于双边滤波单尺度Retinex图像增强、四尺度Retinex增强、直方图均衡化及MSRCR增强的结果进行了比较,实验结果验证了算法的有效性。结论 本文模型能够使处理后的遥感图像更符合视觉特性,以便于目视解译与分析。该算法适用于遥感图像的可视化增强。     

面向对象的高分辨率SAR图像处理及应用

目的随着合成孔径雷达(SAR)技术和分辨率的不断提高,越来越多的空间细节呈现在高分辨率SAR影像上。与此同时,SAR图像的数据量越来越大,人们对其应用需求也越来越高,这使得传统的基于像素的SAR处理方法不再适用。面向对象分析技术以像元集合——"对象"为分析单元,为高分辨率遥感图像处理提供了有效的思路,并日渐成为遥感、摄影测量以及GIS等领域所关注的对象和研究热点之一。目前该技术在光学遥感中已经得到了广泛的应用,但在SAR图像处理中的应用还处于起步阶段。方法本文在简要阐述面向对象分析技术起源和特点的基础上,对SAR图像面向对象技术中常用的多尺度分割算法进行了分类分析,接着对面向对象技术在SAR遥感的应用方向进行全面介绍,最后对面向对象技术在SAR上的应用进行了总结与展望。结果面向对象分析技术在SAR图像处理中的应用主要分为以下五个方面:地物分类、城市信息提取、变化检测、海洋应用、森林应用。结论面向对象分析技术在解决高分辨率SAR图像尺度效应、抑制噪声等方面有着重要作用。目前,国外学者在基于SAR的面向对象分析技术研究上已经取得了一定的进展,但总体上该技术仍面临诸多问题,需要进一步的研究和完善。     

基于机器学习的遥感图像超分辨综述

综述了基于机器学习的遥感图像超分辨重建技术的研究和发展。基于机器学习的遥感图像超分辨率重建技术通过学习低分辨图像与高分辨图像之间映射的关系,提升遥感图像的空间分辨率,从而有助于遥感图像的视觉分析。根据数据表达方法的不同将基于机器学习的遥感图像超分辨方法分为两类,包括基于字典学习的方法和基于深度学习的方法;简述了各类方法针对的问题,分析其设计思路和实现原理;对各类方法的优缺点和性能指标进行了对比分析;总结了遥感图像超分辨面临的问题和难点,并对未来发展的趋势进行了展望。     

一种基于暗通道优先和双边滤波的遥感图像 增强方法

提出了一种基于暗通道原理和双边滤波的遥感图像增强算法。由于暗通道模型的softmatting过程计算复杂性高,本文使用双边滤波代替softmatting以用于透射图的优化,提高了计算效率。针对将暗通道原理应用于遥感图像增强时所产生的色彩失真现象,提出了透射图的改进算法,提高景深图像的取值,同时约束其最大值不大于1。实验结果表明,本文的算法能够有效地增加图像对比度,使图像更符合视觉特性,适用于遥感图像的可视化增强。     

多光谱图像与全色图像的像素级融合研究

以高空间分辨率的全色图像与高光谱分辨率的多光谱图像进行像素级双源融合为例，详细地总结了卫星多源遥感图像融合领域像素级融合的步骤、基本融合模型和优缺点，重点分析了各种常见像素级融合方法的原理和特点，并归纳了像素级融合结果的主客观评价标准和评价方法，以及像素级融合的主要应用领域，最后讨论了像素级融合目前存在的问题和今后的发展方向。     

改进的多尺度Retinex医学X射线图像增强算法

医学X射线图像通常存在亮度低,对比度差,造成难以识别的问题。为了增强此类图像,在Land提出的单尺度Retinex理论之上,论述基于此原理的多尺度Retinex（MSR）图像增强方法。利用均值模板代替高斯卷积模板对图像进行滤波,并且改进了将图像映射到设备显示器上的canonical gain/offset修正方法。实验将改进的修正方法用于多尺度的Retinex之上并与直方图均衡化和伽马校正方法进行对比。实验结果表明图像亮度的增强和对比度提高优于上述其他两种方法,新提出的方法较原有方法有效地提高了图像的信息熵,满足医学图像的诊断需求。     

基于光能分配的遥感图像增强

遥感图像对比度的下降主要是由于光学系统调制传递甬数(MTF)的下降导致的,MTF反映了光学系统分配光能的特性.根据图像的对比度下降原理,提出了一种基于光能分配的遥感图像增强方法,其基本过程是首先将图像低频部分的光能进行抑制,然后通过Gamma校正将减少的低频部分的光能重新分配到高频部分,得到对比度提高的增强图像.实验结果表明,该方法实现简单,且取得了较好的增强效果,适用于遥感图像的增强.     

基于双稀疏度K-SVD字典学习的遥感影像超分辨率重建

为了通过软件方式增强遥感影像的空间分辨率,提出了一种基于双稀疏度K-SVD字典学习的遥感影像超分辨率重建算法。基于稀疏表示理论,利用K-SVD字典学习算法求解低分辨率字典及其稀疏系数,将稀疏系数传递至高分辨率字典学习空间,形成高、低分辨率字典对,重建得到高分辨率遥感影像,并在字典学习和稀疏重建两个阶段设置了不同的稀疏度。实验分别采用TM5影像、资源三号影像以及USC_SIPI图像库中的遥感影像进行重建,结果表明,不论重建影像有无噪声,所提算法的峰值信噪比和结构相似指标均高于Bicubic法以及Zeyde的算法。K-SVD和双稀疏度参数的引入,不仅减少了字典学习时间,且具有高的空间分辨率提升能力。