基于高斯混合模型的遥感数字图像增强

遥感图像受云雾影响对比度低,为了提高图像质量保留图像细节,提出了一种基于高斯混合模型的遥感图像增强算法。应用1×3滤波器平滑原图像的直方图再用期望最大化(EM)算法对直方图进行拟合,获取高斯混合模型的聚类最优参数,并根据聚类的有效交点将直方图分区。由高斯参数确定输出图像所属聚类的映射关系,得到最终的增强图像。实验结果表明,该方法能自适应确定最佳聚类个数,提高直方图拟合的运算速度,平均处理时间提高到0.37s,在相关信息熵和纹理信息等的客观评价中,增强结果明显优于传统方法。有效地提高了遥感图像的对比度,同时保持了图像的细节信息。     

基于二维直方图分析的二元子图微光图像增强处理

提出了基于二维直方图分析的二元子图微光图像增强处理算法，根据原始图像的二维直方图分布特征，依据相邻像素的相关性数据，将图像分割成二元子图像，对每个子图像分别进行直方图均衡增强处理，最后合成得到完整的处理图像，通过用信息容量等图像评价参数对实验结果进行分析，表明此算法克服了对整幅图像进行直方图均衡时难以把握局部细节的缺点，得到了具有较好视觉质量的处理后微光图像。     

采用快速混合蛙跳算法的微光图像增强

由于探测器灵敏度的限制,激光雷达、夜视等图像各点的相对灰度较低。基于更快速的混合蛙跳算法（A Fast Shuffled Frog Leaping Algorithm,FSFLA）提出了一种图像自适应快速增强算法。该算法采用了一种具有更大搜索范围、更快的收敛速度的快速混合蛙跳算法,降低了运算时间。它应用于微光图像的处理方面上,较传统的SFLA 算法能更快地达到图像增强的效果,更适用于实际应用场合。在给出24 个初值的情况下,传统的SFLA 算法须迭代平均20 次才能达到稳定的效果,而FSFLA 仅需6 次,因而大幅度地提高了运算时间。     

基于自适应高斯混合模型的铁轨异物入侵检测研究

针对复杂铁路环境下异物入侵动态检测抗扰能力弱和快速性差等问题,本文提出了 一种基于自适应高斯混合模型(adaptive Gaussian mixture model,AGMM)的铁轨异物入侵检测方法。通过分析铁路场景发生复 合抖动时存在随机性的特点,首先对输入的铁路视频进行抖动检测,然后引入仿射变换与中 值滤波,对视频序列中存在抖动的图像进行处理。再采用逐帧迭代填充的方法,对去抖后图 像出现的黑边进行填充,得到无抖动和无黑边的铁路视频帧。最后,在现有高斯混合模型的 基础上,设计了自适应选择高斯分布个数和学习率,利用改进后的高斯混合模型实现复杂铁 路视频的背景建模,并由此提高前景目标的检测速度。实验结果表明,本文方法在铁路视频 存在抖动的情形下,轨道异物入侵目标检测的精度是原有的2.6倍, 检测速度是2.8倍,能提高目标检测的抗干扰性和快速性。     

一种基于直方图的自适应红外图像增强算法

在分析常用的红外图像增强算法优缺点的基础上,针对红外图像的特点,提出了一种基于直方图的自适应红外图像增强算法。该算法设置了阈值和放大系数2个参数,根据阈值把图像直方图分为2部分,用放大系数和常数1分别代替直方图中两部分的灰度级像素数作为新的直方图,最后用新的直方图对图像进行直方图均衡化处理得到增强图像。通过在自主研发的热像仪中验证,表明该算法适应性强,增强效果好,算法简单,易于在FPGA硬件平台上实现。     

基于引导滤波的微光图像增强算法研究

针对低光照条件下,成像设备获取的图像存在低亮度、细节丢失的问题,提出一种基于引导滤波的微光图像增强算法,以实现微光图像增强。首先,将微光图像从RGB转到HSV空间,并将V通道复制为3份,分别采用直方图均衡化、改进的伽马校正及经典的非锐化掩膜对其进行处理。其次,用合适的融合权重将3份处理后的V通道进行多尺度融合,再采用改进的引导滤波对融合后的V通道进行处理。最后,将处理后的图像反变回RGB颜色系统,从而实现图像增强。通过与现有的4种图像增强算法进行主观视觉效果对比以及客观指标分析,实验结果表明,所提算法可有效提高图像亮度,增强图像细节,提升图像的质量。     

基于高斯混合及相对熵测度的图像分割

针对图像分割问题,结合高斯混合模型与信息论中的相对熵测度概念,提出一种新的图像阈值化方法。在提出方法中把图像阈值化问题看成是两个概率向量之间的匹配问题,因此首先用高斯混合模型去拟合图像直方图的灰度级分布,然后用相对熵测度去度量拟合分布与图像原灰度级分布之间的差异,并把该度量作为图像阈值化的准则函数。在对图像实施分割时,通过在图像灰度级范围中求取所定义的准则函数的最小值获得最佳阈值。在NDT、SAR及红外图像上的分割实验中用提出方法与传统及最新的图像阈值化方法进行比较,结果表明提出方法获得的结果要优于相比较方法获得的分割结果,因此提出方法是一种有效的图像分割方法。     

自适应类别的层次高斯混合模型遥感影像分割

为了实现自动确定类别数的高精度遥感影像分割,提出一种自适应类别的层次高斯混合模型（Hierarchical Gaussian Mixture Model,HGMM）遥感影像分割算法.提出算法采用多个高斯混合模型加权和定义HGMM,用于建模具有非对称,重尾和多峰等复杂特性的影像统计模型.采用期望最大化算法（Expectation Maximization,EM）求解模型参数.为了实现自动确定类别数,采用贝叶斯信息准则（Bayesian Information Criterion,BIC）求解最优类别数,其中惩罚项采用加权像素数定义.为了验证提出算法可行性和有效性,对模拟和全色遥感影像进行分割实验,并对分割结果进行定性和定量分析.结果表明HGMM具有准确建模复杂统计分布的能力,提出算法具有高精度和高效率,同时可自动确定最优类别数.     

微光图像特征分析及图像融合技术研究

从微光图像的成像过程、灰度分布和像素空间与时间相关性等几个方面对微光图像特征作较系统的分析,用信息容量这一示性参数来表征高相关图像灰度层次的丰富程度,这与视觉效果达到了很好的一致,通过分析这些特性,对微光多光谱图像融合技术研究具有重要的指导意义。     

基于张量高斯混合模型的SAR图像分割

本文利用SAR图像的灰度、均值、标准差及行和列位置信息等特征组成一个三阶特征张量,结合高斯混合模型,采用贪婪EM算法进行参数寻优,提出一种SAR图像分割方法,即张量高斯混合模型算法。     

A low light natural image statistical model for joint contrast enhancement and denoising

We study the problem of joint low light image contrast enhancement and denoising using a statistical approach. The low light natural image in the band pass domain is modeled by statistically relating a Gaussian scale mixture model for the pristine image, to the low light image, through a detail loss coefficient and Gaussian noise. The detail loss coefficient is statistically described using a posterior distribution with respect to its estimate based on a prior contrast enhancement algorithm. We then design our low light enhancement and denoising (LLEAD) method by computing the minimum mean squared error estimate of the pristine image band pass coefficients. We create the Indian Institute of Science low light image dataset of well-lit and low light image pairs to learn the model parameters and evaluate our enhancement method. We show through extensive experiments on multiple datasets that our method helps better enhance the contrast while simultaneously controlling the noise when compared to other state of the art joint contrast enhancement and denoising methods.     

Automatic image annotation based on Gaussian mixture model considering cross-modal correlations

Automatic image annotation has been an active topic of research in the field of computer vision and pattern recognition for decades. In this paper, we present a new method for automatic image annotation based on Gaussian mixture model (GMM) considering cross-modal correlations. To be specific, we first employ GMM fitted by the rival penalized expectation-maximization (RPEM) algorithm to estimate the posterior probabilities of each annotation keyword. Next, a label similarity graph is constructed by a weighted linear combination of label similarity and visual similarity by seamlessly integrating the information from both image low level visual features and high level semantic concepts together, which can effectively avoid the phenomenon that different images with the same candidate annotations would obtain the same refinement results. Followed by the rank-two relaxation heuristics over the built label similarity graph is applied to further mine the correlation of the candidate annotations so as to capture the refining annotation results, which plays a crucial role in the semantic based image retrieval. The main contributions of this work can be summarized as follows: (1) Exploiting GMM that is trained by the RPEM algorithm to capture the initial semantic annotations of images. (2) The label similarity graph is constructed by a weighted linear combination of label similarity and visual similarity of images associated with the corresponding labels. (3) Refining the candidate set of annotations generated by the GMM through solving the max-bisection based on the rank-two relaxation algorithm over the weighted label graph. Compared to the current competitive model SGMM-RW, we can achieve significant improvements of 4% and 5% in precision, 6% and 9% in recall on the Corel5k and Mirflickr25k, respectively.     

Global attention retinex network for low light image enhancement

Most low-light image enhancement methods only adjust the brightness, contrast and noise reduction of low-light images, making it difficult to recover the lost information in darker areas of the image, and even cause color distortion and blurring. To solve the above problems, a global attention-based Retinex network (GARN) for low-light image enhancement is proposed in this paper. We propose a novel global attention module which computes multiple dimensional information in the channel attention module to help facilitate inference learning. Then the global attention module is embedded into different layers of the network to extract richer shallow texture features and deep semantic features. This means that the rich features are more conducive to learning the mapping relationship between low-light images to normal-light images, so that the detail recovery of dark regions is enhanced in low-light images. We also collected a low/normal light image dataset with multiple scenes, in which the images paired as training set can succeed to be applied to low-light image enhancement under different lighting conditions. Experimental results on publicly available datasets show that our method has better effectiveness and generality than the state-of-the-art methods in terms of evaluations metrics such as PSNR, SSIM, NIQE, Entropy.     

外界因素对微光图像的影响

计算机模拟生成微光图像的技术已用于夜视光电系统的性能测试，目标识别等方面，具有重要的军事价值。讨论了夜视系统通过低层大气时的光学成像问题，及成像器件对图像的影响，对计算机模拟生成的微光图像的比较，直观地反映了各种外界因素对激光图像的影响。     

基于空间约束高斯混合模型的EPLL自然图像复原

为了提高基于块先验的自然图像复原效果,有效去除图像中的噪声和模糊,提出了一种基于空间约束高斯混合模型的块似然对数期望(Expected Patch Log Likelihood, EPLL)复原框架。基于图像块的空间分布信息,将图像块的空间约束高斯混合统计特性作为先验,在图像块复原的基础上实现整幅图像的全局优化复原。对比相关的图像复原方法,提出的方法去噪和去模糊效果更好,并且保图像细节。利用客观性能指标对复原结果进行评价。实验结果表明,提出的方法有效易行,而且复原图像表现出良好的可视效果。     

图像通信中一种低照度彩色图像增强算法

针对低照度彩色图像细节模糊、亮度不高等问题,提出一种新的彩色图像增强算法。首先引入新传递函数改进传统同态滤波,然后,在RGB色彩空间上,分别对R、G、B分量用改进的同态滤波和对比度受限自适应直方图均衡（CLAHE）进行增强。接着,转换到HSV色彩空间,用非线性函数对亮度进行光照补偿,对饱和度进行1.5倍拉伸。最后恢复图像色彩信息。实验结果表明,新算法在保持图像细节的同时能够增强图像对比度,使图像清晰度更高。     

基于微光与红外的夜视技术

以像增强器为主线概述微光成像技术,以红外探测器为主线概述红外热成像技术,分别介绍各自的发展历程、技术特点和发展趋势,并对这二种夜视技术进行了比较,最后介绍微光图像和红外图像的融合技术.     

基于改进高斯滤波的医学图像边缘增强

医学图像的边缘包含了图像的很多重要信息,对医学诊断的效率和精准性影响较大,文中研究了一种医学图像边缘增强的方法。为了在图像去噪阶段保留更多的图像细节信息,文中在传统高斯滤波算法基础上提出了一种标准差选取自适应的滤波算法。在图像增强阶段,利用传统的拉普拉斯算子结合强度权重控制图像增强的效果。经过算法分析和实验,验证了两种算法的结合提高了去噪效果,有效保留了图像的边缘细节信息,能够实现医学图像的边缘增强。     

基于加权直方图均衡的红外图像增强方法

针对红外图像特点和传统直方图均衡增强方法的不足,提出了一种改进的直方图均衡增强方法.先采用所提出的加权函数对红外图像各灰度级直方图进行调整,其中对背景区低灰度级的直方图进行缩小,对目标区高灰度级的直方图保持不变,然后进行均衡化处理.实验结果表明,本文提出的方法有效地压制了背景噪声,提高了目标对比度,综合性能优于传统直方图均衡和双平台直方图均衡方法.     

基于正弦灰度变换的红外图像增强算法

针对红外图像的特点,提出了一种基于正弦灰度变换的红外图像增强算法。采用二个拐点,将整个图像按灰度的大小分为三个区:背景区、目标区和过渡区,针对不同区域采取不同的灰度映射变换。灰度伸缩采用正弦函数,其导数是光滑的,灰度伸缩性能好。伸缩的拐点及伸缩强度参数独立可调,通用性强,计算简单。实验结果验证了算法的有效性。