一种基于小波分析的新型图像破雾处理方法

视频是监控系统中的一个重要信息来源,其信息量直观且丰富。但在恶劣天气条件下,尤其是雾霾天气,会使视频监控的可视性能急剧下降。采用适当的图像增强算法,可以有效地改善雾霾天气条件下监控视频的可视性。文章基于小波分析,设计一种以图像增强为基础的新型图像破雾处理方法,以期达到实用的目的。     

VC++与MATLAB在图像增强中的应用与比较

本文以直方图的均衡化为例分析了图像增强技术基本原理,给出了相关推导公式和算法;并以一个灰度图像为例,用VC++和MATLAB语言实现了直方图均衡化增强处理,并给出了具体程序、实验结果图像。仿真结果表明,用VC++处理后的图像比用MATLAB处理后的图像各个像素点更加清晰,但亮度不如MATLAB处理的图像。     

一种颜色保持的彩色图像增强新算法

分析了Retinex理论及其典型彩色图像增强算法,在此基础上提出一种颜色保持的彩色图像增强新算法。利用非线性sigmoid传输函数多尺度增强亮度分量,并进行局部对比度增强后获得亮度增益曲面,最后利用亮度增益曲面对原彩色图像RGB三颜色分量同比增强,保证了色调恒定不失真。几种算法实验结果的比较和分析。表明,这种算法是有效的。     

一种基于改进直方图均衡的图像增强方法

针对传统图像增强方法的不足,提出一种基于模拟频域滤波重构直方图均衡的图像增强方法.将频率域滤波的思想引入空间域直方图运算当中,在模拟频率直方图统计中进行频率信息的统计,利用这些频率信息建立模拟频率域坐标,进行模拟频域滤波,对滤波处理后的直方图进行均衡化处理.实验表明:与传统方法相比,该算法优化了灰度级的动态分布范围,能得到更清晰的增强效果,且在图像中没有视觉明显的噪声放大.     

指纹图像增强算法在FPGA中的实现

论文首先提出了Gabor滤波器参数的计算以及如何设计一个滤波器,在此基础上提出用FPGA来实现指纹图像增强的算法,并给出了实现的步骤,该方法可以实现快速处理大量数据的功能,为后面的指纹识别节省时间.     

无人机外挂红外镜头的图像清晰化算法

以红外成像研究为出发点,根据红外图像背景、数据集和算法模型的发展方向,对红外图像增强技术展开研究,以可见光去雾模型为参照,提出了一种新的红外图像清晰化算法,并进行了具体实验。经图像清晰度评价指标的计算与评估,表明该算法有不错的去雾效果,在一定程度上解决了无人机在雨雾天气下因镜头积水积雾导致的图像数据采集效果不佳的问题,有较强的实用意义。     

低频重分布与边缘增强的红外图像增强算法北大核心CSCD

针对现有的红外图像增强方法存在欠增强、过增强以及微小细节丢失等缺陷,提出了低频重分布与边缘增强的红外图像增强算法。用基于改进引导滤波的Retinex将红外图像分解为低频和高频图像。为了充分利用像素级的动态空间,对低频图像进行均匀重分布,以提升图像的亮度和清晰度;用提出的方向梯度算子对高频图像进行边缘提取,再对高频图像进行边缘增强,进一步提升图像的对比度。将经增强处理的低频和高频图像作Retinex反变换,得到增强效果的红外图像。实验结果显示,相对于部分现有方法,本文方法的增强图像的信息熵和Brenner指数更高,而NIQE指数更小,因此本文方法能更有效地提升红外图像的对比度,在增强图像纹理细节的同时更好地保持图像的自然度。     

基于双引导滤波的红外和可见光图像融合算法

图像融合是将多幅图像中有用或互补信息整合成一幅图像的过程。本文提出了一种基于引导滤波多尺度分解的红外和可见光图像融合算法。在传统的引导滤波图像融合算法的基础之上,利用双引导滤波器代替均值滤波器将源图像分解为小尺度纹理细节、大尺度边缘和基础图像;直接利用纹理细节及边缘层图像构建显著性映射图,用其代替额外的特征提取操作,可很好地突出源图像显著性信息的同时大大降低算法复杂度;利用显著性映射图、Sigmoid函数构造权重图,将源图像中具有视觉意义的信息注入到融合图像中;利用色彩模型转换融合方式,可更好保留图像的色彩信息。定性和定量实验结果证明,相比于传统的基于引导滤波的图像融合算法,本文算法的融合效果得到进一步提升。     

基于PSF的太赫兹图像分辨率增强算法（英文）

近年来,太赫兹成像技术在多个领域具有广阔的应用。一套完整的太赫兹成像系统的数学模型是非常有必要的。基于点扩散函数的太赫兹图像增强模型是很好的选择。该方法将目标函数与点扩散函数进行褶积,实现了太赫兹图像的模拟传输。然后根据光学成像的过程,计算成像系统的点扩散函数。最后,基于点扩散函数对图像进行反褶积增强。该模型用于探测图像增强的结果表明,该方法有效地提高了图像的分辨率。恢复的映像包含更多细节。     

基于轻量级密集残差网络的水下图像增强

深度卷积神经网络是水下图像增强的主要方法之一,但其过高的内存消耗和计算需求阻碍了在实际应用中的部署。为此,提出一种轻量级的密集残差卷积神经网络(dense residual convolutional neural networks, DRCNN)用于水下图像增强。为降低计算成本,DRCNN采用深度可分离卷积提取高级特征;通过密集连接和残差学习促进不同通道之间的信息交互,提高模型表征能力;将输入的退化图像与中间特征图融合,保留图像全局相似性,同时防止模型梯度消失。实验结果证明DRCNN能有效提高水下图像质量,较于现有算法,DRCNN参数量减少了85%,PSNR、SSIM值分别提高了3%、2%,测试速度提高了3%。DRCNN使用更少的参数实现了更好的性能,利于在低资源设备的实时场景中应用。