一种区域多直方图红外图像增强方法*

直方图均衡是一种简单有效的红外图像增强技术,但存在着细节信息损失较大的缺陷。为改进这一缺陷,使直方图均衡在增强图像对比度的同时不损失灰度级别,并能增强图像细节特征,提出一种基于区域的multi-HE红外图像增强方法。该方法通过聚类算法将图像分割成多目标区域,据此将直方图分割成多个子图,运用多直方图均衡化对图像进行处理,从而达到在不同目标范围内的图像增强。经过实验验证,该算法能有效地抑制背景区的过增强,扩大了目标区的灰度范围,增强细节部分。     

基于XML的可继承BIRCH研究

针对BIRCH算法过分依赖内存且无法高效处理新增数据的问题,提出一种BIRCH算法的可继承性处理模型。该模型利用XML技术存储聚类特征树,并通过解析XML文档来还原聚类特征树,增强了BIRCH算法的灵活性,解决了BIRCH算法中处理新增数据的效率问题。实验结果表明,该模型是有效的。     

实时图像增强算法改进及FPGA实现

针对复杂背景的多目标图像,提出了一种基于直方图的实时自适应图像增强方法.该方法根据自适应直方图窗口选择高低阈值,通过灰度线性变换及灰度级等间距密度均衡进行图像增强.利用该算法增强图像视频时,采用FPGA,通过并行处理结构及流水线技术,可实时处理每秒50帧780×582×12bits的可见光图像.在处理视频的过程中,由前一帧图像的直方图信息,来增强后一帧图像.理论分析和实验结果均表明,该算法克服了直方图均衡及平台直方图均衡增强图像引起的灰度断层现象,有效地增强了图像的对比度,提高了图像质量.     

基于分段直方图均衡化技术的图像增强

分析了传统灰度图像直方图均衡化算法存在的优缺点,提出了基于分段直方图均衡化技术的图像增强算法。该算法基于图像的特点,利用K均值聚类算法将图像分成几个灰度区间,然后再分别进行均衡化。实验结果表明,该算法对灰度呈现两端分布且低灰度区域有较多像素点分布的图像有较好的增强效果。     

基于模糊聚类分割的累积直方图均衡化算法

通过比较几种图像直方图均衡化的应用范围,提出一种基于模糊聚类分割的累计直方图均衡化的方法。实验结果表明:与传统直方图均衡化算法相比,使用该方法处理后的图像不仅使灰度值分布更加均匀,增强了整体对比度,而且保留了原图像更多的细节信息,很好地达到了图像增强的目的。     

基于分段直方图均衡化技术的图像增强

分析了传统灰度图像直方图均衡化算法存在的优缺点,提出了基于分段直方图均衡化技术的图像增强算法。该算法基于图像的特点,利用K均值聚类算法将图像分成几个灰度区间,然后再分别进行均衡化。实验结果表明,该算法对灰度呈现两端分布且低灰度区域有较多像素点分布的图像有较好的增强效果。     

基于CLAHE的塑料薄膜图像增强算法研究

图像增强算法作为图像预处理的一个重要环节,其主要目的是实现消除图像随机噪声,改善图像质量。传统的直方图均衡化增强方法实质以减少图像灰度级来换取对比度的加大,造成图像细节部分信息的丢失,影响了识别效果。运用对比度自适应直方图均衡化(CLAHE)算法实现薄膜图像灰度增强,并通过对处理后的图像质量进行客观评价,证明了该算法相对于传统直方图均衡化算法具有明显优势。     

基于目的性优化及改进直方图均衡化的夜间彩色图像增强

夜间图像由于照明不足,存在图像对比度、亮度偏低,细节不可见,导致图像质量下降.大多夜间彩色图像增强算法往往在高对比度边缘区域存在“光晕伪影”现象,针对这些问题提出了一种基于目的性优化及改进直方图均衡化的图像增强算法.该算法通过目的性优化增强原图像对比度,最大程度地保留细节;然后采用改进的保留细节的直方图均衡化增强图像;最后采用改进的Gamma校正对图像进行增强.算法结果通过主观视觉效果以及客观质量评价2方面验证,实验结果表明该算法能够有效地增强图像对比度、亮度,恢复图像细节,并消除了“光晕伪影”.     

基于FCM和离散正则化的多目标图像分割

针对机器视觉中的多目标图像分割问题,提出一种适用于多目标物体的图像分割算法.首先对图像进行图像增强预处理;然后采用基于直方图的模糊C均值聚类算法完成分类任务,实现图像的初分割,将分类后的像素作为种子集;最后利用离散正则化的半监督方法得到自动修正分类结果.实验结果表明,与已有的多目标分割算法相比,该算法分割结果更加精确.     

一种基于卫星图像的增强方法

直方图均衡化是图像增强的一种有效方法,其基本思想是调整图像的灰度分布。线性拉伸的方法对图像进行增强处理,提高了图像的解译能力。本文从合成图像直方图均衡化和线性增强的优点入手,给出了一种直方图均衡化和线性增强相结合的改进算法,通过对算法中调节参数的选择来获取更好的图像增强效果,该算法避免了图像过亮等现象,改善了图像质量,实验验证了该算法更为有效。     

基于最优聚类数和直方图匹配的图像彩色化方法

针对颜色转移彩色化算法中速度慢、效果不佳及人工干预性强等问题,提出了一种新型的彩色化算法。该算法首先解决了图像聚类中聚类数的选取问题,然后利用聚类算法分别对目标图像和源图像进行聚类分割,之后用直方图匹配算法使各目标图像块自动找到匹配的源图像块,将源图像块的颜色转移到目标图像块中,实现局部图像彩色化,最后合并各结果图像。实验结果表明,该算法比以前算法在彩色化的速度和质量上有较大改进,且自动化程度高。     

注意力机制下的多阶段低照度图像增强网络

对于低照度图像增强过程中,因图像内容重叠且部分区域亮度差异较大导致的图像细节丢失的问题,提出一个注意力机制下的多阶段低照度图像增强网络。第一阶段利用改进的多尺度融合模块对图像进行初步增强;第二阶段利用第一阶段增强后的图像信息与本阶段的输入进行级联,并将其结果作为该阶段多尺度融合模块的输入;第三阶段利用第二阶段增强后的图像信息与该阶段的输入级联,并将其结果作为该阶段多尺度融合模块的输入。这样利用多阶段的方式完成自适应的亮度提升和细节的保留。在公开数据集LOL和SICE上的实验结果表明,相较于MSR算法、灰度直方图均衡化（HE）算法和RetinexNet等算法和网络,所提网络的峰值信噪比（PSNR）的数值提高了11.0%～28.9%,结构相似性（SSIM）的数值提高了6.8%～46.5%。所提网络利用多阶段和注意力机制实现低照度图像增强,有效解决了图像内容重叠和亮度差异大的问题,得到的图像细节更丰富,纹理更清晰,主观辨识度更高。     

一种改进图像增强化方法

依据直方图均衡化算法实现的基本原理,分析得出经传统直方图均衡化处理后由于传统直方图均衡化算法的自身弊端造成的图像灰度级丢失,致使处理后的图像细节信息的大量损失进而使得处理后的图像边缘模糊。对此本文给出了一种改进的图像增强方法。即先提取原图像中的高频细节,可以在空间域中提取,或者在频域中提取。最后再将预先提取好的细节成分与原图像的直方图均衡化处理后的结果进行叠加。通过实验验证,与传统的直方图均衡化算法相比,本文算法处理后的目标图像可以增强了整体对比度,更可以很大程度的保留了原图像的细节信息。     

融合空间信息的改进FCM图像分割算法

针对FCM算法在图像分割时存在选取初始聚类中心不佳与算法抗噪性差的问题,提出一种融合空间信息的改进FCM图像分割算法;首先采用了直方图算法和LOF算法自适应地选取初始聚类中心,之后使用马尔科夫随机场得到先验概率改进目标函数,使用修正隶属度矩阵的方法改进算法流程,最后使用改进算法进行图像分割;为验证该算法性能,使用Berkeley图像数据集作为实验数据,选取Dice系数、JS系数、SA系数、PSNR指数、运行时间及迭代次数作为评价标准;实验结果表明,该算法能够获取更优初始聚类中心,在处理不同噪声图像上有更好的鲁棒性。     

基于邻域信息的红外图像增强

传统的红外图像增强一般基于平台直方图均衡化思想,这种方法从全局上改变了图像的对比度,从而达到增强图像的目的,是一种快速有效的增强算法。然而现存的平台直方图方法忽略了图像的局部信息,无法改善图像的局部对比度。论文提出了一种新的红外图像增强算法,该算法在基于传统的红外图像平台直方图均衡化思想的基础上,同时加入图像的局部信息,从全局和局部同时增强图像对比度。通过与传统的平台直方图均衡算法对比,证实了算法的优越性。     

灰度图像增强算法的改进与实现研究

分析了传统灰度图像直方图均衡化算法的不足,讨论并实现了一种改进的直方图均衡化图像增强算法。该算法与传统的算法相比,给出了合适的映射关系,运算效果有很大改善,减少了图像信息的丢失,特别是对于质量较差的原始图像,采用该算法进行图像增强处理时,也可以取得较好的效果。     

基于MSR的雾天图像清晰化算法研究

研究雾天图像清晰化的问题,需提高图像增强的均匀性。针对雾天情况下,由于雾气的遮挡使得拍摄图像对比度降低,图像局部细节处不清晰,传统的直方图均衡化的雾天图像清晰化方法虽然能够增强图像对比度,但是图像局部细节增强不足,造成图像增强均匀性不高的问题。提出一种MSR的雾天图像清晰化算法,通过Sigmoid函数对图像作映射,拉伸图像的对比度,然后利用MSR算法,将图像小波分解为高频分量和低频分量,对高频分量取绝对值最大运算,低频分量加权平均,并避免了对图像进行全局直方图均衡化造成的图像增强不均匀,局部细节增强不足的问题。实验证明,提出的算法能够将雾天图像均匀增强,得到高清晰的图像,取得了满意的效果。     

K-means聚类数的确定及在细胞图像颜色校正中的应用

针对大量瑞氏染色细胞图像, 通过YCbCr颜色空间进行K-means聚类, 观察各分量聚类中心差值变化规律, 提出了一种新的确定K-means聚类数的颜色校正算法。该算法首先是将瑞氏染色细胞图像中不同目标分别准确地聚集在相应类当中, 再与标准图像中的每类进行配比, 并利用直方图规定化进行直方图调整, 得到颜色校正结果。经大量实验证明, 尤其在细胞图像中目标颜色特征较接近的情况下, 该算法通过确定合适的聚类数可大大提高颜色校正结果的准确率。     

PNet：融合注意力机制的多级低照度图像增强网络

低照度图像存在亮度低、噪声伪影、细节丢失、颜色失真等退化问题,使得低照度图像增强成为一个多目标增强任务。现有多数增强算法不能很好地在多个增强目标上取得综合的性能,对此,提出PNet——融合注意力机制的多级低照度图像增强网络模型,通过构建多级串联增强任务子网,结合注意力机制设计多通道信息融合模块进行有效特征筛选及记忆,网络以序列方式处理图像流,协同渐进式完成图像全局自适应亮度提升、噪声伪影抑制、细节恢复、颜色矫正等多任务。此外,通过与现有主流算法进行定量及定性分析对比,结果显示该方法能实现自适应图像亮度增强、细节对比度提升,增强后图像整体亮度自然,没有明显光晕及伪影且色彩较丰富真实,在PSNR、SSIM、RMSE指标中较次优算法分别提升0.229、0.112、0.335。实验结果表明,该方法在低照度图像增强的多目标任务上取得了综合较优秀的表现,具有一定的应用价值。     

基于多级直方图形状分割的图像对比度增强技术

针对现有图像增强算法中存在过度增强和欠增强、边缘光晕效应、由于细节增强导致信噪比降低等问题,提出一种基于多级直方图形状分割的图像对比度增强技术。利用引导图像过滤器将图像背景和细节分离,避免边缘过度增强带来的光晕效应;利用多级直方图形状分割方法,将直方图中出现频率相近的强度值区域分割出来,实现图像背景的个体均衡化;采用自适应细节增强方法在增强细节的同时抑制均匀区域中噪声,保持图像的信噪比。实验结果表明,与其他算法相比,该增强方法的效果更优,能够有效避免图像增强中常见的不利问题,同时产生足够的整体增强效果。