基于细节增强的多曝光图像融合算法

针对已有多曝光图像融合算法存在细节丢失的问题,提出一种基于细节增强的多曝光图像融合算法.为使图像细节更加清晰,构建三尺度融合框架;设计一种曝光亮度权重函数,结合图像饱和度及增强后的对比度,构建初始权重图;根据引导滤波计算最终权重图,在三尺度融合框架上进行加权融合.实验结果表明,与3种实验对比算法相比,该算法的融合结果能...     

全细节增强多曝光图像融合

目的 曝光融合算法,即将多幅不同曝光时间的图像融合得到一幅曝光度良好的图像,可能在最终的输出图像中引入光晕伪影、边缘模糊和细节丢失等问题。针对曝光融合过程中存在的上述问题,本文从细节增强原理出发提出了一种全细节增强的曝光融合算法。方法 在分析了光晕现象产生原因的基础上,从聚合的新角度对经典引导滤波进行改进,明显改善引导滤波器的保边特性,从而有效去除或减小光晕;用该改进引导滤波器提取不同曝光图像的细节信息,并依据曝光良好度将多幅细节图融合得到拍摄场景的全细节信息;将提取、融合得到的全细节信息整合到由经典曝光融合算法得到的初步融合图像上,最终输出一幅全细节增强后的融合图像。结果 实验选取17组多曝光高质量图像作为输入图像序列,本文算法相较于其他算法得到的融合图像边缘保持较好,融合自然;从客观指标看,本文算法在信息熵、互信息与平均梯度等指标上都较其他融合算法有所提升。以本文17组图像的平均结果来看,本文算法相较于经典的拉普拉斯金字塔融合算法在信息熵上提升了14.13%,在互信息熵上提升了0.03%,在平均梯度上提升了16.45%。结论 提出的全细节增强的曝光融合算法将加权聚合引导滤波用于计算多曝光序列图像的细节信息,并将该细节信息融合到经典曝光融合算法所得到的一幅中间图像之上,从而得到最终的融合图像。本文的处理方法使最终融合图像包含更多细节,降低或避免了光晕及梯度翻转等现象,且最终输出图像的视觉效果更加优秀。     

一种医学图像中细节特征的增强算法

医用X光图像中常伴有对比度偏低和噪声较大等缺点,这些对图像中的细节特征造成很大影响,而这些细节特征在医学图像中通常极为重要.普通的图像增强算法在消除噪声和增强细节特征之间难以做到很好的权衡.利用小波的多分辨率特性和小波分解系数在图像边缘方面的保持特性,对小波分解系数进行双边滤波,从而达到抑制噪声、增强图像的目的.实验表明,该方法能够在保持低失真率的前提下达到较好的增强图像细节特征的效果.同时,该算法可以以迭代的方式使用,从而达到逐步增强的目的.     

直方图重建图像细节增强算法

针对传统大动态范围图像数据压缩方法易受场景变化影响,量化后的8位显示图像整体模糊、图像细节和弱小目标丢失问题,提出了一种基于直方图重建图像细节增强算法。对图像直方图统计值进行重新赋值,保留图像中出现的细节部分,并缩小相邻灰度级间间隔;采用二维Gabor滤波器来模拟视觉感知系统,将Gabor滤波器与图像进行卷积运算,得到滤波后的平滑图像;采用局部对比度增强方法来增强图像细节部分,并将增强后的中间结果线性映射为8位显示图像。实验结果表明,与其他大动态范围数据压缩方法相比,该算法量化后图像清晰度高,无图像细节和目标丢失现象。     

红外视频图像细节保持增强算法研究

本文首先针对红外视频图像及其直方图特征进行详细讨论;然后根据红外视频图像特征及其直方图特征,并与已有红外视频图像亮度、细节保持增强算法进行比较,最后给出适用于红外视频图像特点的细节保持的视频图像增强算法。     

多尺度融合增强的图像语义分割算法

针对现有的图像语义分割算法存在小尺度目标丢失和分割不连续的问题,提出多尺度融合增强的图像语义分割算法,该算法在DeeplabV3+网络模型的基础上,通过构建多尺度特征提取和融合增强网络提高了对小目标特征的描述能力,使网络在分割大目标的同时也能获得小目标的特征信息,从而解决了语义分割时小尺度目标丢失和分割不连续的问题。在Cityscapes数据集上实验的结果表明,改进后的算法明显提升了小目标分割精度,解决了分割不连续的问题。最后在公开数据集PASCAL VOC 2012上进一步验证了改进算法的泛化性。     

一种红外图像细节增强算法

受焦平面阵列（FPA）性能限制,红外图像对比度低,细节信息不明显,视觉效果较差,需要经过增强处理改善图像质量。提出了一种红外图像细节增强算法,首先检测原始图像中的极值点并进行替换,去除散粒噪声,再用消噪后图像与低通滤波图像相减得到细节信息,同时还通过数学形态学方法得到图像梯度信息,结合原灰度值计算出灰度统计权值,最后将此权值应用于细节图像的直方图均衡算法中,得到细节增强后图像。实验表明此算法具有很好的效果,而且计算速度快。     

多特征融合的场景图像分类算法

提出了一种Gabor-LBP频域纹理特征与词包模型语义特征相结合的场景图像分类算法.利用Gabor变换得到的频域信息,及对应的LBP特征,与视觉词包模型（BOW）提取的语义特征自适应相融合,实现分类.为了验证本文算法,利用两个标准图像测试库进行比较测试,实验结果表明,本文算法在改善图像纹理表达上具有明显优势,特别是对于图像的光照、旋转、尺度都具有很好的鲁棒性.     

融合多特征的纹理图像分割算法

针对传统的只用纹理的一种特征进行纹图像分割时的分割错误率较高的问题,提出了一种融合多特征的纹理图像分割算法.该方法综合考虑纹理的空间特征和频域特征,其中,空间特征提取在支持向量数据域描述的基础上进行;频域特征提取则利用改进的小波框架反映不同尺度间的特征;在此基础上,利用k均值算法对融合后的纹理特征进行聚类从而完成纹理图像的分割.实验结果表明与传统的只利用纹理的一种特征进行分割相比,该方法的错误率明显降低,同时在边缘准确性和区域一致性上都得到了明显的改善     

基于多特征融合的图像检索算法

为有效提取和描述图像特征,提高图像检索性能,提出一种基于纹理、颜色和形状多特征融合的图像检索算法。检测彩色图像的边缘,对其进行变换得到基元图像。遍历基元图像得到基元共生矩阵,对每个基元求梯度值得到基元梯度直方图。将彩色图像量化到64色颜色空间,得到对应的颜色直方图。利用上述3个特征量描述图像特征,并用于图像检索。实验结果表明,与BCTF和MCM算法相比,该算法的查全率和查准率较高,计算复杂度较低。     

基于细节特征融合的低照度全景图像增强

为了提高低照度条件下采集的全景图像的视觉效果,提出一种基于细节特征加权融合的低照度全景图像增强算法.首先,利用双边滤波算法提取出图像的光照分量,并分别采用自适应伽马校正和对比度受限的自适应直方图均衡化算法对光照分量进行处理;然后,与原始光照信息进行加权融合得到校正后的光照分量,并在反射分量调整时,提出一种自适应调整函数来校正反射信息;最后,将光照分量与反射分量合并,以实现对低照度全景图像的增强.实验结果表明,所提出的算法在提高图像亮度的同时,可以增强图像细节信息,去除噪声,使增强后图像色彩信息更加丰富自然.     

基于全景图像的VR建模研究及实现

在阐述了虚拟柱面全景模型及相关技术的基础上,设计了一种增强图像匹配效果、并能较好地消除“黑洞”现象的建模方法。该方法利用基于特征线段的匹配算法对图像进行匹配,然后用渐入渐出的方法进行平滑无缝拼接,再以反投影算法生成全景图像、正投影算法生成各视线方向的视图,最终在浏览器中实现了柱面全景图像的漫游。     

多聚焦图像融合算法

多聚焦图像融合,是将两幅(或多幅)对同一场景的各个目标,聚焦不同的图像融合成一幅清晰的新图像.在多聚焦图像融合中,典型的群智能算法图像融合方法取得了较好的效果,如遗传算法、粒子群算法等.目前,对群智能算法的优化改进,加快图像的融合速度是一个主要的研究方向.     

柱面全景图像拼合算法研究

IBR技术是近几年来在基于传统几何图形建模方法基础上发展起来的一种新的绘制方法,它用数码相机拍摄到的或计算机生成的照片来绘制新视点处的图像,具有绘制速度与场景的复杂度无关的特点。论文从实际应用的角度,提出并实现了图像拼合的新算法,新算法结合了手动拼合与自动拼合算法的优点,既可用于全景空间图像拼合,亦可用于普通图像的拼合,效率高。     

基于滤波算法的曝光图像多特征细节识别仿真

为解决曝光图像信息传递效果差的问题,提出对多序列曝光图像进行垂直方向切片后卷积的方法,然后采用Anscombe变换与图像滤波算法结合,去除曝光图像中的除泊松噪声增强曝光图像的边缘与细节信息。仿真结果表明,在增强曝光图像多特征信息能力上,双边滤波较高斯滤波效果更明显,平均梯度提高了10.2%。基于滤波的多曝光图像特征融合重构可以有效的提高曝光图像的细节信息,提高图像传递质量。     

基于小波变换的全景图像超分辨率增强算法

在研究和分析小波变换理论的基础上提出了一种基于小波变换的全景图像超分辨率增强算法,该算法充分利用了小波多分辨率分解思想,体现图像降低的自然过程;通过高分辨率小波系数,经插值逆变换可得到重构的高分辨率图像。实验结果证明该算法克服了传统的插值算法致使图像高分辨部分损失、细节被模糊的缺点,是超分辨率图像处理的一种行之有效的途径。     

基于多特征融合和Adaboost算法的图像检索

提出了一种多特征融合的图像检索方法。首先将图像进行分块,并提取分块主色,然后采用主色直方图作为图像的颜色特征。同时,提出采用Gabor小波描述图像的纹理特征,采用小波矩描述形状特征,最后将三种不同特征进行融合的检索方法。为了提高图像检索的准确度,提出Adaboost的相关反馈算法,在反馈过程中,Adaboost算法对特征进行降维,加快检索的速度。最后分别给出基于单一特征,特征融合和相关反馈方法的查准率和查全率,并对实验结果进行分析。     

多尺度特征自适应融合的图像语义分割算法

为解决Deeplab v3+网络在解码过程中仅融合一个尺度编码特征,导致部分细节信息丢失,从而造成最终分割结果较为粗糙等问题,提出多尺度特征自适应融合的图像语义分割算法.该算法在Deeplab v3+的解码过程中使用自适应空间特征融合结构,给不同尺度的编码特征分配自适应的融合权重,通过融合编码过程中的多尺度特征进行特征...     

基于深度多特征融合的CNNs图像分类算法

近年来,卷积神经网络在图像处理方面的良好性能得到了广泛关注。为了更好地提取图像内容信息,提高图像分类精度,提出了一种基于深度多特征融合的CNNs图像分类算法。算法有效深度融合了图像的多种特征,即使用k-means++聚类算法提取的主颜色特征和利用去噪卷积神经网络提取的空间位置特征。实验结果表明,提出的基于深度多特征融合的CNNs图像分类算法在图像分类方面提供了有竞争力的结果,分类精度比CNN提升了7个百分点。该算法通过深度融合图像的多种特征,可为后续图像处理提供更全面更显著的有用信息。     

多特征融合的低景深图像前景提取算法

针对低景深(Low depth-of-field, DOF)图像, 提出了一种融合纹理、颜色和高阶统计量(Higher-order statistics, HOS) 特征的聚焦前景提取方法. 首先, 根据相似性最大化原则, 通过迭代获得纹理和颜色特征的优化权重, 实现低景深图像的区域分割. 然后,根据优化权重值计算颜色空间上的加权HOS 值, 并结合区域归属前景的划分策略, 实现低景深图像的前景提取. 实验结果表明, 该算法可以同时取得较高的主观和客观评价效果.