基于对比度受限自适应直方图均衡的乳腺图像增强

采用对比度受限自适应直方图均衡对乳腺图像进行增强,有效地增强了乳腺图像中的细节,如钙化点、乳导管等组织;并通过对算法中相关参数研究,得到应用于乳腺图像增强的参数优选值,以求获得较好的增强效果,为医师分析影像提供方便。通过与灰度直方图均衡的结果进行比较得出：对比度受限自适应直方图均衡为乳腺数字图像增强的有效方法,在计算机辅助乳腺诊断方面有较高应用价值。     

家装设计渲染图增强

目的 提出一种亮度、对比度、饱和度三要素与神经网络相结合的家装设计渲染图增强方法。方法 该方法分析了图像增强的3个要素：亮度、对比度和饱和度。算法从下列几个方面着手进行三要素的调节：1）根据原图饱和度和图像融合方法实现亮度和对比度增强;2）采用颜色矩阵实现饱和度增强;3）采用直方图均衡实现对比度进一步增强。这3个要素对图像增强的效果均有贡献,本文为三要素分别赋予一个权值,并引入神经网络方法,自动建立图像亮度分量均值、方差和饱和度分量均值、方差与三要素的权值系数的非线性映射关系。结果 根据图像本身的信息自动获取图像增强三要素的增强系数,实现家装设计渲染图的自适应增强。算法的有效性在不同程度偏灰暗的家装设计渲染图上得到了验证,并与几种经典方法进行了直方图、信息熵、平均对比度（AC）和平均灰度（AG）的定量比较。实验结果显示,本文算法实验结果的直方图具有很少的信息丢失和较好的特征保持,与遗传算法相比,信息熵提高了约0.2,AC值提高了约0.1,AG值提高了约15,本文算法在多数情况下评价指标优于改进的直方图方法。结论 通过对实验结果的直观评价与定量评价,证明与某些现有的方法相比,本文方法适用于不同程度偏灰暗的渲染图,具有较好的通用性,并能达到更优的渲染图像增强效果。     

基于边缘检测及RBF神经网络的遥感图像帧特征动态识别技术

为解决分辨率超限问题,实现对遥感图像帧特征对象的精准识别,提出基于边缘检测及RBF神经网络的遥感图像帧特征动态识别技术。求解微分算子与OTSU阈值,并以此为基础,确定边缘节点追踪参数的取值范围,实现对遥感图像边缘检测。根据RBF神经网络机制的构建标准,推导神经性激活函数,完成RBF神经网络识别模型的设计。在所选遥感图像中,实施帧特征分割处理,再联合动态合并条件,计算超像素指标与并行识别参量,完成基于边缘检测及RBF神经网络的遥感图像帧特征动态识别方法的设计。实验结果表明,在边缘检测与RBF神经网络模型的作用下,主机元件在长、宽、高三个方向上对于遥感图像帧特征对象的识别精度都达到了100%,分辨率超限问题得到较好解决,符合精准识别遥感图像特征的实际应用需求。     

基于多峰高斯函数的直方图规定化算法

直方图均衡化作为一种特殊的直方图规定化方法,能有效地增强图像的对比度,但其对直方图活动范围的拉伸通常会造成图像过度增强。一种基于高斯函数的直方图规定化算法可提高控制对比度活动范围的能力,然而该算法处理的图像缺乏层次感。基于此,提出一种基于多峰高斯函数的直方图规定化算法,该算法首先用直方图求导方法估算出原直方图的局部峰值和方差,从而得到原直方图的多峰高斯函数,然后采用扩展后的多峰高斯函数作为目的直方图进行规定化。此算法的主要特点是改变局部峰的参数,有选择地对某局部灰度范围进行对比度增强,从而拉伸整个图像对比度的活动范围。对于彩色图像增强,该算法在对彩色图像R,G,B3个分量子图直方图规定化处理的基础上,根据人类视觉习惯,引入彩色恢复因子将规定化的R,G,B分量进行有效合并。实验结果和原理分析表明,该算法能有效增强图像的视觉效果,使其细节明晰,层次丰富。     

基于亮度评估技术的特征增强衍生图融合算法

针对由动态范围,光照条件,图像捕获设备等因素获得的低亮度图像,提出了一种基于亮度评估技术的特征增强衍生图融合算法来实现亮度较暗图像的对比度调整和特征增强.首先,利用亮度评估技术对低亮度图像的亮度进行评估优化处理,得到曝光率映射;然后,结合曝光率映射和改进的卡方分布函数模型来获取两幅特征增强的衍生图进行融合.最后,利用改进的衍生图融合算法得到最终融合图像.实验结果表明,所提算法的亮度误差,视觉信息保真度,图像互信息等评估参数优于近期方法,在提升图像对比度同时保留了图像良好曝光率区域,并较好地恢复了低亮度区域的边缘以及纹理等细节信息.     

基于粗糙集的微小缺陷图像对比度增强算法

设计了一种微小缺陷图像对比度增强算法。采用粗糙集理论将图像划分为不同类别,同一类别中像素间为不可分辨关系。并依据图像灰度值和噪声属性进一步将图像划分为子图,在子图中得到图像的明暗区域。对图像不同区域进行直方图均衡变换和直方图指数变换处理,处理后即可增强图像的对比度。仿真实验表明,处理后可突出显示图像中的微小细节,图像不同区域之间的划分效果更加明显,可以有效提升图像的对比度和视觉效果。     

视频图像的邻域统计直方图均衡化增强算法

针对视频监控图像相邻帧之间场景变化小的特点,提出一种适用于视频图像的邻域统计直方图均衡化算法来提升图像的对比度。根据相邻视频帧的场景相关性,对图像当前帧进行邻域信息统计,利用Laplace算子得到前一帧图像中的背景和细节信息,从而选择合适的增强参数,生成视频图像的优化直方图。使用优化后直方图的均值点将其分割成2个部分得到各自的变换函数,对视频图像进行直方图均衡化操作。实验结果表明,该算法能够提升视频图像的对比度,保持图像的平均亮度,减弱过增强现象,保留视频中兴趣区域的细节信息。可以获得的最小绝对平均亮度误差值为1.4741,最大熵值为7.0993,最大峰值信噪比值为20.6710。     

基于统计特征的图像直方图均衡化检测方法

直方图均衡化作为图像对比度增强技术之一,在图像恶意篡改过程中经常被作为隐藏被篡改图像强度变化的手段.本文利用图像直方图和其累积分布函数曲线,提取直方图均衡化的痕迹特征,实现直方图均衡化篡改检测.本文提出的方法首先利用图像直方图累积分布函数的变化趋势自适应地选择提取特征的灰度范围,然后在该范围内分别提取累积分布函数与恒等函数的相似度和直方图的零值间隙数量作为分类特征,最后利用K最邻近(K-Nearest Neighbor,简称KNN)分类算法进行分类.实验结果表明,本文方法不仅适用于检测常规直方图均衡化操作,对小分辨率图像的直方图均衡化操作和均衡化图像经过压缩后处理情况都具有较强的鲁棒性,并且可以区分直方图均衡化和其他类型对比度增强操作.     

基于直方图修正的局部对比度增强算法

针对传统直方图均衡化算法经常导致过增强,噪声放大和局部对比度低等缺点,提出了基于直方图修正的局部对比度增强算法。首先,利用自适应部分子块重叠方法把图像划分成一系列的子块,子块的大小能根据图像局部特征自适应调整;然后,对每个子块采用基于直方图修正的对比度增强方法进行处理;最后,融合各重叠子块的处理结果得到最终的增强图像。实验结果表明,该算法具有噪声鲁棒性、可控制增强等级、可调节动态范围和局部对比度较强的优势,增强后的图像具有更自然的视觉效果。     

RBF神经网络的多特征融合目标跟踪算法

本文提出一种基于RBF神经网络的多特征融合目标跟踪算法。RBF神经网络是一种简单且高效的三层神经网络,可以大大提高跟踪效率。首先利用引入空间相关性的三维颜色直方图、Canny算子以及灰度图多个特征来构造RBF神经网络的输入特征向量;然后,采用三角核函数作为RBF神经网络的激活函数;最后,利用所提算法对目标进行跟踪。实验结果表明,所提算法能够对目标进行可靠跟踪,对相机移动、光照变化、目标旋转、形状变形等问题有很好的适应性。     

基于RBF神经网络在图像分割参数估计的应用

论文提出了基于RBF神经网络图像分割参数估计的方法。该方法利用RBF神经网络良好的函数逼近性能,通过RBF神经网络对预处理后的图像有关参数进行估计,得到计算最优分割阈值所需的图像参数。该方法经过实验证明完全能达到图像分割要求。     

径向基函数混沌神经元系统及其应用

建立了径向基函数混沌神经网络模型以及径向基函数混沌神经元模型,分析其产生混沌后收敛的原因,通过撤销模拟退火策略使过程无法收敛,从而构建出永久保持混沌状态的混沌神经元动力系统,分析了该系统的时间序列指标,证明其永久保持混沌状态的可行性;将该系统应用于灰度图像的加密解密,阐述了其原理及算法;分析了该算法的抗穷举能力,考察了原图像与加密图像的直方图,由此说明了该算法的抗统计分析的能力。     

基于改进遗传算法的信道估计方案

为了提高通信系统信道估计的准确率,同时适应更大的数据量,进行更加复杂的数据计算,引入神经网络的方法进行信道估计,采用了BP和RBF神经网络进行实验对比,与传统信道估计方式相比有明显提升;在此基础上,进一步提出基于改进遗传算法优化的 RBF 神经信道估计方法,目的是帮助确定 RBF 网络的隐藏层参数, 使得网络的参数趋于全局最优解,信道估计器的性能从而得到提升。经过 MATLAB 仿真,改进后的RBF神经网络可以更好地解决信道估计问题,验证了此方法的可行性。     

基于灰色关联分析与RBF的图像分割算法

传统基于灰色关联分析的图像分割算法存在很多错分、漏分的情况。为此,提出一种基于灰色关联分析和径向基函数(RBF)网络的分割算法。采用量子遗传算法对RBF网络进行优化,通过灰色关联分析提取待处理图像的边缘信息,识别噪声点与非噪声点,以此作为优化后RBF网络的输入,利用该网络良好的逼近能力纠正错分和漏分像素点。实验结果证明,与传统算法相比,该算法的分割效果更优,且能进一步提高抗噪性能。     

基于GA优选参数的RBF神经网络水质评价

为进一步提高多光谱图像水质反演的评价精度,提出一种基于遗传算法(GA)优选参数的径向基函数(RBF)神经网络水质评价方法.利用高分辨率多光谱遥感SPOT-5数据和水质实地监测数据,得到符合条件且具有代表性的4类水质变量,对RBF神经网络进行训练和测试,用遗传算法对RBF神经网络的参数进行优化.在训练好的RBF神经网络模...     

光学4f系统灰度误差补偿的实现

为补偿光学4f系统灰度误差,提出基于直方图匹配和径向基函数(RBF)神经网络的灰度误差补偿方法。首先利用径向基函数神经网络拟合经光学4f系统输出图像的直方图与对应输入图像的直方图之间的非线性变换,得到输出图像与输入图像的直方图匹配变换曲线的最优估计;再依据直方图匹配曲线的最优估计对经光学4f系统的输出图像进行直方图匹配,得到灰度误差补偿后的图像。利用实际的光学4f系统进行光学实验,灰度误差补偿后图像的信噪比平均提高了2.96dB,视觉效果明显改善。实验结果表明,该方法能有效补偿光学4f系统灰度误差,提高基于光学4f系统的光学信息处理的精度。     

粗糙集意义下的一种RBF 神经网络设计方法

提出一种集成粗糙集理论的RBF网络设计方法.由布尔逻辑推理方法进行属性离散化,得到初始决策模式集,通过差异度对初始决策模式的相似度进行衡量并实现聚类,以聚类决策模式构造RBF网络.为加快训练速度,分别对隐层参数和输出权值采用BP算法和线性最小二乘滤波法进行训练.实验结果表明,该方法设计的RBF网络结构简洁,泛化性能良好,混合学习算法的收敛速度优于单纯的BP算法.