双头增强与非均匀校正的水下图像增强算法

受水下环境浑浊度高、光照不足和均匀性差等因素影响,水下成像所获取的图像存在对比度低、细节模糊和颜色失真等缺陷,为此提出一种双头增强和非均匀校正的水下图像增强算法。利用构建的双头增强网络从浅层信息中提取多尺度特征,同时融合不同通道的上下文信息,有利于水下图像低对比度的增强;此外构建了非均匀校正网络,对图像不同通道和不同位置进行非线性加权融合,有利于颜色一致性和亮度的恢复。与10种算法相比,本文算法在UIEB测试集上峰值信噪比、结构相似性比其他方法的最优值分别提高了4.02 dB和0.120,CIEDE2000指标下降了1.51,在LUSI测试集上述指标分别提高了2.13 dB、0.025及下降了0.48。实验结果表明：所提算法针对不均匀的水下图像增强效果显著,更加符合人眼特性。     

基于主动光照的深海图像增强算法

为了改善主动光在水下传播过程中由散射与吸收效应导致的深海图像对比度低下以及颜色失真问题,提出一种水下图像增强算法.不同于传统方法利用最亮点的强度值作为背景光,提出基于物体与背景光非相关性的背景光估计方法,有效避免了前景处的亮像素或白色物体像素对背景光的误判,同时确保了去散射的精确性,提高水下图像的对比度;针对人造光源的颜色增益和光路衰减导致的图像色偏等问题,在去散射图像上选取离光源最近的灰色像素,利用其对光源的敏感性,将光照强度分离出来.最终,通过估计并去除光源本身的颜色增益,同时补偿光在传播过程中的损失,实现图像的颜色校正.实验结果表明,所提算法可以有效去除水下图像的散射效应,较好地恢复图像色彩,进而获得较优的增强图像.相比于其他算法,增强后的图像信息熵和水下图像质量评价指标值较高,说明该算法能显著提升水下图像的质量,同时保留图像有用信息.     

基于双透射率水下成像模型的图像颜色校正

针对水下图像颜色失真的问题,提出了基于双透射率水下成像模型的图像颜色校正算法。在水下成像模型的基础上,将透射率定义为直接分量透射率和后向散射分量透射率;通过红色暗通道先验获得后向散射分量透射率,并精确估计背景光,利用无退化像素点获得三通道的直接分量透射率;最后将两个透射率代入成像模型获得复原图像。实验结果表明,该算法仅依靠物理模型便能有效地去除水下图像的色偏。     

基于神经网络的低照度彩色图像增强算法

由于低照度彩色图像存在整体亮度低、对比度低、颜色偏暗和信噪比低等特点,所以经典图像增强算法对其增强效果非常有限。提出了一种利用BP神经网络进行彩色图像增强的算法,并将RGB图像转换成HSI图像,以保证增强处理不引起图像的色彩失真。实验证明:该方法显著地改善了低照度彩色图像的视觉效果,提高了图像整体亮度和图像的信噪比,可调节图像的动态范围,能增强图像的对比度和细节,可增加图像信息熵。     

基于四叉树分级搜索和透射率优化的水下图像复原

针对不同场景下获得的水下图像存在色偏、细节模糊和对比度低等问题,提出一种基于四叉树分级搜索和透射率优化的水下图像复原方法。首先,建立双透射率水下成像模型,将透射率定义为直接分量透射率和后向散射分量透射率;然后,利用红通道补偿算法对原图像进行预处理,并利用四叉树分级搜索、改进暗通道先验和无退化像素点方法分别估计背景光强度、后向散射分量透射率和直接分量透射率;最后,通过逆求解成像模型,并采用满足瑞利分布的直方图拉伸获得复原图像。实验结果表明,与其他水下图像复原方法相比,所提方法对在强干扰环境下采集的水下图像有着更强的颜色失真校正以及模糊信息增强的能力。     

基于变换域PCNN的近红外与彩色可见光融合

针对近红外与彩色可见光图像融合后对比度低、细节丢失和颜色失真等问题,提出一种基于多尺度变换和自适应脉冲耦合神经网络(PCNN-pulse coupled neural network,PCNN)的红外与彩色可见光图像融合的新算法。首先将彩色可见光图像转换到HSI（hue saturation intensity)空间,HSI色彩空间包含亮度、色度和饱和度三个分量,并且这三个分量互不相关,因此利用这个特点可对三个分量分别进行处理。将其亮度分量与近红外图像分别进行多尺度变换,变换方法选择Tetrolet变换。变换后分别得到低频和高频分量,针对图像低频分量,提出一种期望最大的低频分量融合规则;针对图像高频分量,采用高斯差分算子调节PCNN模型的阈值,提出一种自适应的PCNN模型作为融合规则。处理后的高低频分量经过Tetrolet逆变换得到的融合图像作为新的亮度图像。然后将新的亮度图像和原始的色度和饱和度分量反向映射到RGB空间,得到融合后的彩色图像。为了解决融合带来的图像平滑化和原始图像光照不均的问题,引入颜色与锐度校正机制(colour and sharpness correction, CSC)来提高融合图像的质量。为了验证方法的有效性,选取了5组分辨率为1 024×680近红外与彩色可见光图像进行试验,并与当前高效的四种融合方法以及未进行颜色校正的本方法进行了对比。实验结果表明,同其他图像融合算法进行对比分析,该方法在有无CSC颜色的情况下均能保留最多的细节和纹理,可见度均大大提高,同时本方法的结果在光照条件较弱的情况下具有更多的细节和纹理,均具有更好的对比度和良好的色彩再现性。在信息保留度、颜色恢复、图像对比度和结构相似性等客观指标上均具有较大优势。     

分级多尺度变换的水下偏振图像融合法

提出了一种分级多尺度融合的水下偏振图像处理方法.首先,利用非负矩阵分解对偏振参量图像进行融合增强,得到所含局部特征信息完整且冗余度低的偏振参量融合图像;在此基础上,基于二维经验模式分解分别将偏振参量融合图像与偏振强度图像进行多尺度变换,对得到的高低频子图像分别进行加权平均融合,融合权重是采用穷举搜索法计算得到;最后,将高低频融合结果反变换得到最终融合图像.实验仿真结果表明该融合方法在增强图像细节信息及提高水下偏振图像对比度方面具有显著效果.     

基于光照-反射成像模型和形态学操作的多谱段图像增强算法

为解决多谱段降质图像增强问题,提出了一种基于光照-反射成像模型和形态学操作的多谱段图像增强算法.首先对图像饱和度使用自适应非线性拉伸函数进行拉伸,使增强后的图像色彩更加饱和、自然;接下来利用引导滤波算法提取出图像的光照分量,提出了一种基于细节特征的加权融合策略,利用光照分布特性构造了一种自适应Gamma校正函数对光照分量进行处理,并将其与利用对比度受限的自适应直方图均衡化方法处理后的光照分量以及原始光照分量进行融合;然后在反射分量校正时,构造了一种形态学操作函数来校正反射信息;最后合并光照分量和反射分量,并与处理后的饱和度分量和色调分量一起得到增强图像.采用主客观评价指标对可见光低照度图像、水下图像、高动态范围图像、沙尘暴图像、雾天图像和热红外图像6种降质多谱段图像实验结果进行分析比较,结果表明本文算法能够有效地抑制图像噪声、增强图像细节信息、改善图像视觉效果,可应用于多种图像增强领域.     

融合遗传算法的多域值分块低照度图像增强算法

针对低照度图像对比度低、细节模糊等问题,提出了融合遗传算法的多域值分块低照度图像增强算法.通过遗传算法寻找输入图像亮度通道的最优分割阈值,根据得到的阈值,将亮度通道划分为多个不同曝光级的子图.通过多阈值分块增强算法对所有子图进行评估,根据评估结果调整每个子图的亮度.最后使用多尺度融合方法将输入图像细节信息融合到亮度增强...     

基于亮度对比度传递的红外与可见光图像融合方法研究

基于亮度一对比度传递技术提出了一种红外和彩色可见光图像的融合方法,该算法通过对红外图像和可见光图像在HIS空间进行二次融合,保留了可见光图像的颜色特性,并获得一幅具有良好亮度和对比度效果的融合图像。实验结果表明该方法融合噪声小、细节缺失少、融合速度快。     

基于Shearlet变换的自适应图像融合算法

针对多聚焦图像与多光谱和全色图像的成像特点,结合Shearlet变换具有较好的稀疏表示图像特征的性质,提出了一种新的图像融合规则.并基于此融合规则,提出了基于Shearlet变换的自适应图像融合算法.在多聚焦图像的融合算法中,分别对聚焦不同的图像进行Shearlet变换,并基于本文提出的融合规则,对分解后的高低频系数进行融合处理. 通过与多种算法的比较实验证明了本文提出的算法融合的图像具有更高的清晰度和更加丰富的细节信息.在多光谱和全色图像的融合处理中,提出了一种基于Shearlet变换与HSV变换相结合的图像融合方法.该算法首先对多光谱图像作HSV变换,将得到的V分量与全色图像进行Shearlet分解与融合,在融合过程中对分解系数选用特定的融合准则进行融合,最后将融合生成新的分量与H、S分量进行HSV逆变换产生新的RGB融合图像. 该算法在空间分辨率和光谱特性两方面达到了良好的平衡,融合后的图像在减少光谱失真的同时,有效增强了空间分辨率. 仿真实验证明,本文算法融合的图像与传统的多光谱和全色图像融合算法相比,具有更佳的融合性能和视觉效果.     

单幅图像的去雾新算法

提出了一种基于单幅图像的去雾新算法.首先把图像归一化后从RGB彩色空间转换到HSI彩色空间,对色调分量运用四叉树分割法进行分割图像|分割后图像的每一局部小方块可以认为具有相同的场景深度,从而可以对每一局部小方块估计出空气光.然后再对亮度分量运用雾天图像光学模型,从雾的物理特性上去除雾对图像的影响.最后再对图像的饱和度分量进行校正,得到复原后的图像.该算法的主要优点是速度快,且不仅可以应用于彩色图像,也可以适用于灰度图像.通过该算法与其它几种算法的实验结果进行分析和比较,表明该算法能有效恢复出清晰图像.     

基于人眼视觉系统的假彩色融合图像质量的评价方法

随着图像融合技术的发展,各种融合算法层出不穷,而很多情况下最终的融合图像是由人眼观察的,因此基于人眼视觉系统的图像融合质量评价显得尤为重要.为了能够模拟人眼对于融合图像的感知,得到融合后图像质量的客观评价,本文提出了一种基于色差理论的假彩色融合图像质量的评价方法.首先将源图像和融合图像转化到CIE L*a*b*均匀色空间,在频域对图像进行对比度敏感函数滤波,通过计算滤波后融合图像的色差判断图像的细节信息,在一定程度上色差越大信息越丰富;通过计算融合图像与源图像的色差判断融合图像与源图像的相关性,相关性越高,融合算法越好.通过融合图像的色差大小以及与源图像的相关性两个参量,得出融合算法的优劣.实验表明,与其他评价方法相比,本文提出的评价方法与人眼观察的结果较为一致.     

潜在低秩表示框架下基于卷积神经网络结合引导滤波的红外与可见光图像融合

为提高融合图像的可视性,解决传统红外与可见光图像融合算法中存在的边缘特征缺失、细节模糊的问题,提出了一种潜在低秩表示框架下基于卷积神经网络结合引导滤波的红外与可见光图像融合算法。该算法首先利用潜在低秩表示对源图像进行分解,得到源图像的低秩分量和显著分量。其次,利用卷积神经网络根据源图像的特征信息,得到权值图。再次,通过引导滤波算法对权值图进行边缘锐化,然后再将优化后的权值图分别与源图像的低秩分量和显著分量融合,得到融合图像的低秩分量和显著分量。最后,将融合图像的低秩分量和显著分量叠加,得到最终的融合图像。实验结果表明,该算法在主观评价和客观指标上均优于传统的红外与可见光图像融合算法。     

基于Tetrolet变换的红外与可见光融合

针对目前红外与可见光图像融合速度慢、 融合结果对比度不高且易产生伪影的缺点,提出一种基于Tetrolet变换的改进融合算法。首先,将可见光图像转换到lαβ颜色空间得到三个几乎不相关的彩色通道;然后对其l分量和红外图像分别进行Tetrolet变换,对于低通系数引入邻域能量及其接近度的融合规则。而对Tetrolet系数采用伪随机傅里叶矩阵进行观测并加权融合其观测值;接下来对融合后观测值采用CoSaMP优化算法迭代出融合后的Tetrolet系数,并经Tetrolet重构得到融合后的灰度图像;最后将灰度图像映射到RGB颜色空间获得最终的融合图像。实验证明了本文算法的有效性。     

基于可能性分布联合落影的红外图像融合算法选取

针对双模态红外图像实际融合需求中常涉及到异类差异特征协同优化融合,且现有差异特征属性无法针对性地调整融合算法进行有效驱动,导致融合效果差等问题,提出了基于可能性分布联合落影的双模态红外图像融合算法选取的方法。首先计算双模态红外图像差异特征幅值的融合有效度,利用K最近邻法得到差异特征幅值的概率密度分布,得到差异特征频次属性的分布;然后通过差异特征幅值属性与频次属性构造差异特征权重函数,建立异类差异特征权重函数与多融合算法间的可能性分布合成,得到异类差异特征权重函数多融合算法融合有效度的联合落影;最后构建融合性能指标动态选取最优融合算法。实验结果表明,本文方法所选出的最优融合算法在等级得分指标上明显优于其他算法,验证了本文将可能性分布联合落影运用于双模态红外图像最优融合算法选取中具有可行性。     

基于可见光的多波段偏振图像融合新算法

采用了一种新的基于小波变换的偏振图像融合算法.首先,将两个波段中的每一波段三幅偏振图像利用小波变换分解成低频和高频部分,低频的小波系数平均值作为融合后的低频系数,高频细节系数根据不同区域特征选择方法以及对应输入图像小波系数的窗口区域方差来确定融合后高频小波系数,得到一个波段一幅图像.接着,将得到的图像再进行小波分解,采用低频图像的小波系数最小值作为融合后的低频系数,高频图像根据纹理一致性测度的纹理检测确定融合规则,用来调整高频小波系数,将来自不同图像的特征与细节融合在一起,并对融合图像质量进行了对比评价.实验结果表明,融合后的偏振图像不仅反映了场景的偏振信息,而且还包含了丰富的光谱信息,目标与背景的衬比度也得到了增强,为进一步的目标检测和识别提供了便利.     

Image fusion algorithm based on redundant-lifting NSWMDA and adaptive PCNN

Pyramid decomposition in the NSCT transformation is a band-pass filtering process in the frequency domain where different scales of images are orthogonal. However, from the perspective of the image content, correlation is likely to exist between the fused images, and this kind of decomposition makes images of different scales contain redundant information, as a result of which the fused image may not capture the subtle information from the original images. In order to overcome the above-mentioned problem, an effective image fusion method based on redundant-lifting non-separable wavelet multi-directional analysis (NSWMDA) and adaptive pulse coupled neural network (PCNN) has been proposed. The original images are firstly decomposed by using the NSWMDA into several sub-bands in order to retain texture detail and contrast information of the images, and then adaptive PCNN algorithm is applied on the high-frequency directional sub-bands to extract the high-frequency information. The low-frequency sub-bands are evaluated by weighted average based on Gaussian kernel with a chosen maximum fusion rule. Results from experiments show that the proposed method can make the fused image maintains more texture details and contrast information.