基于细节特征融合的低照度全景图像增强

为了提高低照度条件下采集的全景图像的视觉效果,提出一种基于细节特征加权融合的低照度全景图像增强算法.首先,利用双边滤波算法提取出图像的光照分量,并分别采用自适应伽马校正和对比度受限的自适应直方图均衡化算法对光照分量进行处理;然后,与原始光照信息进行加权融合得到校正后的光照分量,并在反射分量调整时,提出一种自适应调整函数来校正反射信息;最后,将光照分量与反射分量合并,以实现对低照度全景图像的增强.实验结果表明,所提出的算法在提高图像亮度的同时,可以增强图像细节信息,去除噪声,使增强后图像色彩信息更加丰富自然.     

火炮内膛全景图像增强方法研究

为了提高内膛全景图像对比度,本文基于Contourlet变换,提出一种新的内膛全景图像增强方法。该方法在图像空间域增强的基础上,通过对图像Contourlet变换系数的调整,进一步增强了内膛图像。实验结果表明,本文算法在增强内膛图像对比度的同时,减少了图像细节的丢失,改善了图像质量。     

基于多尺度特征融合生成对抗网络的水下图像增强

针对水下退化图像细节模糊、对比度低和蓝绿色偏问题,提出了一种基于多尺度特征融合生成对抗网络的水下图像增强算法。算法以生成对抗网络为基本框架,结合传统白平衡算法和多尺度增强网络实现对水下退化图像的增强。通过改进的通道补偿白平衡算法矫正蓝绿色偏,并以卷积神经网络提取偏色校正后图像的特征;提取图像多尺度特征,结合提出的残差密集块将每一层的局部特征增强为捕获语义信息的全局特征,并与偏色校正图像的特征相融合;通过重建模块将融合特征重建为清晰图像,恢复图像的细节信息。实验结果表明,该算法增强的水下图像去雾效果较好且颜色更真实,有效改善了水下图像色偏和模糊的问题,在主观指标和客观指标上的实验结果均优于对比算法。     

基于小波变换的全景图像超分辨率增强算法

在研究和分析小波变换理论的基础上提出了一种基于小波变换的全景图像超分辨率增强算法,该算法充分利用了小波多分辨率分解思想,体现图像降低的自然过程;通过高分辨率小波系数,经插值逆变换可得到重构的高分辨率图像。实验结果证明该算法克服了传统的插值算法致使图像高分辨部分损失、细节被模糊的缺点,是超分辨率图像处理的一种行之有效的途径。     

基于全景图像的VR建模研究及实现

在阐述了虚拟柱面全景模型及相关技术的基础上,设计了一种增强图像匹配效果、并能较好地消除“黑洞”现象的建模方法。该方法利用基于特征线段的匹配算法对图像进行匹配,然后用渐入渐出的方法进行平滑无缝拼接,再以反投影算法生成全景图像、正投影算法生成各视线方向的视图,最终在浏览器中实现了柱面全景图像的漫游。     

区域特征动态加权的IHS小波遥感图像融合

研究传统的IHS变换、小波变换和两者结合的图像融合方法,提出一种区域多元特征动态加权的IHS小波遥感图像融合算法。结合IHS变换和小波变换的优点,对匹配后的新全色分量和IHS变换后多光谱图像的亮度分量,采用多元特征动态加权法进行小波融合。实验结果表明,与传统融合算法相比,该算法在空间细节增强和光谱信息保持方面性能较优。     

红外视频图像细节保持增强算法研究

本文首先针对红外视频图像及其直方图特征进行详细讨论;然后根据红外视频图像特征及其直方图特征,并与已有红外视频图像亮度、细节保持增强算法进行比较,最后给出适用于红外视频图像特点的细节保持的视频图像增强算法。     

一种基于模糊MSR的医学X光图像增强算法

由于医学X光图像中存在信噪比低、清晰度差、对比度低等缺点,而普通的图像增强算法很难在增强图像细节特征的同时对图像的背景噪声进行抑制。针对上述问题,将模糊多尺度Retinex算法引入医学图像处理的增强算法中：先计算图像中每个像素点的模糊度,再结合模糊度采用多尺度Retinex算法对图像进行增强。实验表明该算法比直方图均衡、同态滤波以及普通的多尺度Retinex算法增强图像的效果更明显,并能在增强图像的同时,有效抑制图像的背景噪声。     

一种医学图像中细节特征的增强算法

医用X光图像中常伴有对比度偏低和噪声较大等缺点,这些对图像中的细节特征造成很大影响,而这些细节特征在医学图像中通常极为重要.普通的图像增强算法在消除噪声和增强细节特征之间难以做到很好的权衡.利用小波的多分辨率特性和小波分解系数在图像边缘方面的保持特性,对小波分解系数进行双边滤波,从而达到抑制噪声、增强图像的目的.实验表明,该方法能够在保持低失真率的前提下达到较好的增强图像细节特征的效果.同时,该算法可以以迭代的方式使用,从而达到逐步增强的目的.     

一种高动态范围图像可视化算法*

提出的自适应HDR图像可视化算法中,输入图像被分解为基本层和细节层.该算法将整体明暗效果的显示看做整体问题,对表示亮度的基本层采用基于整体统计信息的直方图调整算法处理;可视细节信息的保持作为局部问题,算法采用自适应细节增强算法处理细节层.通过定义映射图对细节增强后的图像进行最终映射,将两方面结合起来得到最终结果.实验结果表明,该算法能对HDR图像进行较高视觉质量的显示.     

结合细节信息的自适应Retinex算法水下图像增强

针对Retinex算法应用于水下图像增强中,常出现颜色失真与图像细节增强相矛盾的现象,提出了结合细节信息的自适应多尺度Retinex水下图像增强算法。分析包含不同细节信息的水下图像对Retinex算法增强中卷积函数尺度大小的选择要求;采用图像梯度作为调节因子,自适应调整多尺度Retinex算子的权重,用于适应包含不同细节信息的水下图像对对比度增强的要求,有效地缓和了水下图像增强在颜色失真和细节对比度提升之间的矛盾。多组实验验证了该算法在去除水下图像的蓝绿背景、避免颜色失真、消除非均匀光照和图像细节增强等方面均优于传统多尺度和颜色保真的多尺度Retinex算法。     

一种红外图像细节增强算法

受焦平面阵列（FPA）性能限制,红外图像对比度低,细节信息不明显,视觉效果较差,需要经过增强处理改善图像质量。提出了一种红外图像细节增强算法,首先检测原始图像中的极值点并进行替换,去除散粒噪声,再用消噪后图像与低通滤波图像相减得到细节信息,同时还通过数学形态学方法得到图像梯度信息,结合原灰度值计算出灰度统计权值,最后将此权值应用于细节图像的直方图均衡算法中,得到细节增强后图像。实验表明此算法具有很好的效果,而且计算速度快。     

基于场景分类的细节保留直方图均衡算法

针对传统直方图均衡算法细节丢失和亮度饱和的问题,提出一种将场景分类和细节保留相结合的直方图均衡改进算法。利用图像的直方图特征进行场景分类,结合场景分类及图像像素点的特征对分段式直方图均衡处理方法的参数进行优化。改进后的算法复杂度仅为O(L)(L是图像的像素灰度级),既保留了直方图均衡算法计算量小的特点,又能避免传统直方图均衡的细节丢失和亮度饱和问题,还具有适用于不同场景的稳健处理效果。通过德州仪器公司DM648平台实测验证,该算法可以用于实时视频图像的增强。     

基于卷积神经网络梯度和纹理补偿的单幅图像超分辨率重建

现有的单幅图像超分辨率重建算法大都在追求高峰值信噪比（Peak signal-to-noise ratio, PSNR）,在特征提取过程中缺少对图像纹理细节信息的关注,导致重建图像的人眼主观感知效果不太理想。为了解决这一问题,本文提出了一种基于卷积神经网络梯度和纹理补偿的单幅图像超分辨率重建算法。具体设计了3条支路分别用于结构特征提取、纹理细节特征提取及梯度补偿,然后利用所提出的融合模块对结构特征和纹理细节特征进行融合。为防止重建过程中丢失图像的纹理信息,提出纹理细节特征提取模块补偿图像的纹理细节信息,增强网络的纹理保持能力;同时,利用梯度补偿模块提取的梯度信息对结构信息进行增强;此外还构建了深层特征提取结构,结合通道注意力与空间注意力对深层特征中的信息进行筛选及特征增强;最后利用二阶残差块对结构和纹理特征进行融合,使重建图像的特征信息更加完善。通过对比实验验证了本文方法的有效性和优越性。     

一种精确匹配的全景图自动拼接算法

本文提出一种全景图像自动拼接算法,能够实现特征点对的精确筛选和匹配,以及输入图像的自动排序和拼接。首先提取输入图像的尺度不变特征变换SIFT特征点,并采用k-d树搜索得到图像之间所有初始特征匹配对;利用欧氏距离比值和中值滤波器对初始特征点对进行筛选后,再应用随机抽样一致算法RANSAC得到图像间精确匹配的特征点对;计算出图像之间的单应性矩阵,在此基础上完成对输入图像的自动排序和配准,最终拼接合成全景图像。实验结果表明,该算法能获得比结合欧氏距离比值的RANSAC算法更高的配准精度,全景图拼接效果较好,具有良好的鲁棒性。     

基于改进机器学习的超分辨率图像细节复原

相对于低分辨率图像,高分辨率图像需要增加的像素数目更多,且需要增加高频信息以提升图像的清晰度,当图像目标与背景之间对比度较大时,图像高频细节信息复原难度较高。为此,提出基于改进机器学习的超分辨率图像细节复原方法。对图像去噪,并结合采用双边滤波方法实现图像的对比度增强;利用改进字典的机器学习算法建立双层字典,结合稀疏表示算法获取一层的粗略复原图像;通过二层字典计算一层复原图像与原始图像之间的差值,建立高分辨率样本,并对其开展二层字典训练,通过训练结构实现超分辨率图像的细节复原。实验结果表明,研究方法应用下峰值信噪比可保持在20dB以上,细节复原均方差低于4×10^-3,结构相似性指标更高,高分辨率图像的训练效果更好,特征对比明显,细节信息突出。     

基于偏微分方程和Gabor算法的图像细节特征保护方法

传统的数字图像恢复算法在图像恢复过程中会抹掉图像的局部特征如纹理或者细节特征,从而可能降低图像的可读性和可理解性。利用偏微分方程( PDE)和Gabor( PG算法)结合运用于图像恢复,不但能保护图像的边缘细节,而且还能有效地保护图像的局部特征,如纹理、有意义的小细节等反映图像重要信息的特征。将Gabor过滤器的图像特征识别特性融入PDE的图像恢复算法之中,对图像细节特征进行加权保护,再利用较简洁的基于局部能量残余的图像分区机制来控制图像光滑的强度,从而有效地解决传统PDE算法的“盲目性”。     

基于拉普拉斯算法的人脑图像增强技术

拉普拉斯算法是一种二阶微分算法,它可以提取图像的边缘信息并突出图像的模糊细节,医学图像增强可以极大程度上帮助临床医学人员观察诊断病灶。人脑组织相对复杂,经过拉普拉斯变换后的人脑图像可以给医生带来更加清晰锐利的视觉效果,如果在潜伏期尽早发现病灶,病情及时得到控制,将对患者非常有益。本文着重研究拉普拉斯算法,分析其特征及原理并在MATLAB上进行人脑图像的仿真实验。实验结果表明,拉普拉斯算法能够有效增强图像边缘细节信息并增强图像的清晰度。     

基于小波变换的混合作用域医学图像增强算法

医学图像对比度低,细节不清晰,要对其进行增强处理才能满足临床诊断的需要,而目前常用的小波增强算法自适应性差,丢失细节,为此提出了一种基于dbN小波变换的混合作用域医学图像增强算法,该算法结合Sobel算子提取的边缘,经过滤波变换,得到原图像的锐化图像,再采用能够扩展其灰度范围的幂次变换,实现图像增强。该算法通过实例验证,与常用的分段小波增强算法比较,自适应性强,增强后的图像细节丰富,具有良好的视觉效果。     

基于全景视觉的机器人回航方法

提出一种使用全景视觉系统引导机器人回航的方法.利用全景视觉装置采集出发位置(Home位置)的全景图像,使用SURF(Speeded-Up Robust Feature)算法提取全景图像中的特征点作为自然路标点.机器人回航过程中,将当前位置获得的全景图像与Home位置的全景图像进行特征匹配,确定白然路标点之间的对应关系....